一、工作流程演示

為了更好的理解視覺，先不講原理，先演示一遍，讓大家知道是怎么個(gè)回事。
首先，通過USB將購買的相機(jī)連接到電腦，裝上驅(qū)動(dòng)，打開驅(qū)動(dòng)，界面如下：

設(shè)置好驅(qū)動(dòng)，打開halcon：

后面的就是一些簡單操作了。

halcon常見算子

Blob分析：找到你所感興趣的像素，比如你要找灰度200的像素，Blob就能把所有200的像素給提取出來

二、瓶蓋提取流程演示

1. 安裝好相機(jī)、驅(qū)動(dòng)，打開halcon，新建
2. 采集圖像。助手 - Image Acquisition - 彈出新窗口 - 資源 - 自動(dòng)檢測接口 - 等待檢測成功，點(diǎn)擊 連接 - 實(shí)時(shí) - 顏色空間（可改）

常見視覺處理項(xiàng)目流程：

• 1. 采集圖像
• 2. 預(yù)處理（為了后面的算法提供比較好的圖像環(huán)境，比如 中值濾波，均值濾波，高斯濾波是常用的數(shù)據(jù)處理；頻域里的高通濾波，帶通濾波；Scale_image灰度處理；gra_range_image等）
• 3. 特征提?。⊿IFT和SURF）或形態(tài)學(xué)（膨脹腐蝕開運(yùn)算閉運(yùn)算）
• 4. UI顯示（或AI訓(xùn)練學(xué)習(xí)）

三、形態(tài)學(xué)

形態(tài)學(xué)常見算法：膨脹、腐蝕、開運(yùn)算（先腐蝕后膨脹）、閉運(yùn)算（先膨脹后腐蝕）
如果想減少或斷開像素，用腐蝕和開運(yùn)算，如果想增加或連接像素，用膨脹和閉運(yùn)算。

數(shù)字圖像傅里葉變換的物理意義及簡單應(yīng)用

通過前面的博文已經(jīng)知道傅里葉變換是得到信號(hào)在頻域的分布，數(shù)字圖像也是一種信號(hào)，對它進(jìn)行傅里葉變換得到的也是它的頻譜數(shù)據(jù)。對于數(shù)字圖像這種離散的信號(hào)，頻率大小表示信號(hào)變化的劇烈程度或者說是信號(hào)變化的快慢。頻率越大，變化越劇烈，頻率越小，信號(hào)越平緩，對應(yīng)到圖像中，高頻信號(hào)往往是圖像中的邊緣信號(hào)和噪聲信號(hào)，而低頻信號(hào)包含圖像變化頻繁的圖像輪廓及背景等信號(hào)。

需要說明的是，傅里葉變換得到的頻譜圖上的點(diǎn)與原圖像上的點(diǎn)之間不存在一一對應(yīng)的關(guān)系。

頻域數(shù)據(jù)的應(yīng)用

1. 圖像去噪
   根據(jù)上面說到的關(guān)系，我們可以根據(jù)需要獲得在頻域?qū)D像進(jìn)行處理，比如在需要除去圖像中的噪聲時(shí)，我們可以設(shè)計(jì)一個(gè)低通濾波器，去掉圖像中的高頻噪聲，但是往往也會(huì)抑制圖像的邊緣信號(hào)，這就是造成圖像模糊的原因。以均值濾波為例，用均值模板與圖像做卷積，大家都知道，在空間域做卷積，相當(dāng)于在頻域做乘積，而均值模板在頻域是沒有高頻信號(hào)的，只有一個(gè)常量的分量，所以均值模板是對圖像局部做低通濾波。除此之外，常見的高斯濾波也是一種低通濾波器，因?yàn)楦咚购瘮?shù)經(jīng)過傅里葉變換后，在頻域的分布依然服從高斯分布，如下圖所示。所以它對高頻信號(hào)有很好的濾除效果。

高斯函數(shù)在頻域的分布圖像

2. 圖像增強(qiáng)及銳化

圖像增強(qiáng)需要增強(qiáng)圖像的細(xì)節(jié)，而圖像的細(xì)節(jié)往往就是圖像中高頻的部分，所以增強(qiáng)圖像中的高頻信號(hào)能夠達(dá)到圖像增強(qiáng)的目的。

同樣的圖像銳化的目的是使模糊的圖像變得更加清晰，其主要方式是增強(qiáng)圖像的邊緣部分，其實(shí)就是增強(qiáng)圖像中灰度變化劇烈的部分，所以通過增強(qiáng)圖像中的高頻信號(hào)能夠增強(qiáng)圖像邊緣，從而達(dá)到圖像銳化的目的。從這里可以看出，可以通過提取圖像中的高頻信號(hào)來得到圖像的邊緣和紋理信息。

3. 其他基于頻譜和相位譜的操作等

下面我們通過代碼來看一下是否真如我們想想的一樣

clc;
clear all;
I=imread('lena.jpg');
I=rgb2gray(I);

%I=imnoise(I, 'gaussian', 0, 0.01);    %%給圖像添加高斯噪聲；
subplot(231),imshow(I);
title('原圖像');

s=fftshift(fft2(I));                  %%低頻部分移動(dòng)到中心
% subplot(234),imshow(uint8(abs(s)),[]);
% title('圖像傅里葉變換所得頻譜');

subplot(234),imshow(log(abs(s)),[]);
title('圖像傅里葉變換取對數(shù)所得頻譜');



[a,b]=size(s);
a0=round(a/2);
b0=round(b/2);

%%%%%%%低通濾波
d=min(a0,b0)/12;    %濾波的范圍，以頻譜圖上的歐氏距離為依據(jù)
Lp=zeros(a,b);

for i=1:a          %設(shè)置低通濾波
     for j=1:b
         distance=sqrt((i-a0)^2+(j-b0)^2);
         if distance<=d
             h=1;
         else
             h=0;
         end
         Lp(i,j)=h*s(i,j);
     end
end

subplot(235),imshow(log(abs(Lp)),[]);
title('低通濾波頻譜');

LPJ=uint8(real(ifft2(ifftshift(Lp))));
subplot(232),imshow(LPJ);
title('低通濾波所得圖像');

%%%%%%%高通濾波
d1=min(a0,b0)/12;    %高通濾波的范圍，以頻譜圖上的歐氏距離為依據(jù)
Hp=zeros(a,b);

for i=1:a          %%設(shè)置高通濾波
     for j=1:b
         distance=sqrt((i-a0)^2+(j-b0)^2);
         if distance>d1
             h=1;
         else
             h=0;
         end
         Hp(i,j)=h*s(i,j);
     end
end

subplot(236),imshow(log(abs(Hp)),[]);
title('高通濾波頻譜');

HPJ=uint8(real(ifft2(ifftshift(Hp))));
subplot(233),imshow(HPJ);
title('高通濾波所得圖像');

new=Hp.*1.5+Lp.*1;
NewIm=uint8(real(ifft2(ifftshift(new))));
figure,imshow(NewIm);
title('增強(qiáng)高頻信號(hào)所得圖像');

結(jié)果分析

從上面的結(jié)果可以看出，低通濾波會(huì)讓圖像變得模糊，可以對圖像進(jìn)行模糊處理，濾除圖像的噪聲，高通濾波獲得了圖像的邊緣和紋理信息。此外，通過增強(qiáng)圖像的高頻信號(hào)，可以增強(qiáng)圖像的對比度，因?yàn)閳D像中的高頻信號(hào)主要是出現(xiàn)在邊緣及噪聲這樣的灰度出現(xiàn)躍變處的區(qū)域。

從頻譜圖上可以看出，當(dāng)將頻譜移頻到原點(diǎn)以后，圖像中心比較亮。在頻譜圖中，一個(gè)點(diǎn)的亮暗主要與包含這個(gè)頻率的數(shù)目有關(guān)，也就是說在空間域中包含這種頻率的點(diǎn)越多，頻譜圖中對應(yīng)的頻率的位置越亮。而經(jīng)過頻移后，頻率為0的部分，也就是傅里葉變換所得到的常量分量在圖像中心，由內(nèi)往外擴(kuò)散，點(diǎn)所代表的頻率越來越高?？梢詮纳厦娴慕Y(jié)果中看出，只取核心的小范圍內(nèi)的低頻信號(hào)再將其轉(zhuǎn)換回到時(shí)域空間，已經(jīng)能夠在一定程度是看到圖像的基本輪廓信息，這說明了圖像中的“能量”主要集中在低頻部分。

實(shí)際上，為了方便理解，可以把圖像的二維傅里葉變換得到的頻譜圖看作圖像的梯度分布圖（兩幅圖像中的點(diǎn)并不是一一對應(yīng)），頻譜圖中的某一個(gè)點(diǎn)所表征的是空間域中某一個(gè)點(diǎn)與周圍點(diǎn)的灰度差異性，灰度差異越大，則頻率越大。當(dāng)然時(shí)域中灰度變化劇烈的區(qū)域也包含了低頻信號(hào)，因?yàn)榈皖l信號(hào)是構(gòu)成圖像信息的基礎(chǔ)。