边缘锐化
图像边缘锐化处理主要是加强图像中的轮廓边缘和细节,形成完整的物体边界,达到将物体从图像中分离出来或将表示同一物体表面的区域检测出来的目的。它是早期视觉理论和算法中的基本问题,也是中期和后期视觉成败的重要因素之一。
图像的分割
图像分割是将图像分成若干部分,每一部分对应于某一物体表面,在进行分割时,每一部分的灰度或纹理符合某一种均匀测度度量。某本质是将像素进行分类。分类的依据是像素的灰度值、颜色、频谱特性、空间特性或纹理特性等。图像分割是图像处理技术的基本方法之一,应用于诸如染色体分类、景物理解系统、机器视觉等方面。
图像分割主要有两种方法:一是鉴于度量空间的灰度阈值分割法。它是根据图像灰度直方图来决定图像空间域像素聚类。但它只利用了图像灰度特征,并没有利用图像中的其它有用信息,使得分割结果对噪声十分敏感;二是空间域区域增长分割方法。它是对在某种意义上(如灰度级、组织、梯度等)具有相似性质的像素连通集构成分割区域,该方法有很好的分割效果,但缺点是运算复杂,处理速度慢。其它的方法如边缘法,主要着眼于保持边缘性质,**边缘并形成闭合轮廓,将目标分割出来;锥体图像数据结构法和标记松弛迭代法同样是利用像素空间分布关系,将边邻的像素作合理的归并。而基于知识的分割方法则是利用景物的先验信息和统计特性,首先对图像进行初始分割,抽取区域特征,然后利用领域知识推导区域的解释,*后根据解释对区域进行合并。
图像的识别
图像的识别过程实际上可以看作是一个标记过程,即利用识别算法来辨别景物中已分割好的各个物体,给这些物体赋予特定的标记,它是机器视觉系统必须完成的一个任务。
按照图像识别从易到难,可分为三类问题。第一类识别问题中,图像中的像素表达了某一物体的某种特定信息。如遥感图像中的某一像素代表地面某一位置地物的一定光谱波段的反射特性,通过它即可判别出该地物的种类。第二类问题中,待识别物是有形的整体,二维图像信息已经足够识别该物体,如文字识别、某些具有稳定可视表面的三维体识别等。但这类问题不像第一类问题容易表示成特征矢量,在识别过程中,应先将待识别物体正确地从图像的背景中分割出来,再设法将建立起来的图像中物体的属性图与假定模型库的属性图之间匹配。第三类问题是由输入的二维图、要素图、2·5维图等,得出被测物体的三维表示。这里存着如何将隐含的三维信息提取出来的问题,当是今研究的热点。
Rtp 140-5786-000B 8436/32-003
Asco 8321G001
Smc MDBBB32-KRG019-9-450-HN-Z73L
Greener TA1004
Smc CDA2DP63-50-P74-85GS-X404
Rusco 12933-3471
Rusco 12933-3372
Rusco 12933-3464
Rusco 12933-3477
Rusco 12933-3373
Rusco 12933-3459
Rusco 12933-3468
Crouse Hinds EVH 605
Validyne BT337-1-Q1
Honeywell 9782C-W0-VC-E0000-BD
Ernst 74370-000 EST-1203
Tva CXK689V
Dodge 432181
Stulz PGD3ST1F00
Coastcom 30042-005
Daytronics 4062
19FA-422-1384-2NL
Honeywell 4DP7APXSC11
Honeywell 4DP7APXSV21
Gem Trim 11A5344X022
Rosemount DP0002-3111-S6
Tokyo Kokukeiki LD-411
Westinghouse 7379A90G03
Asco EF8030A17
Sigmamotor BA045P
Consolidated 7013
Kennametal C7745VS09WA.625R3.30
Danfoss FP15
Metso LK865
Star 1653-294-10
Emerson 1B30035H01
Saftronics CA262
Welch Allyn VS102
Ge Fanuc IC693MDL930C
Kennametal 512.112
Haimer G2.5 25000 50.842.16
Wallac 1056-5746-A