工業(yè)機器人視覺應(yīng)用

工業(yè)機器人視覺應(yīng)用目錄
第1章機器視覺概述(1)
1.1什么是機器視覺(2)
1.2機器視覺的工作原理(3)
1.3機器視覺常見軟件開發(fā)工具(3)
1.4工業(yè)機器人視覺系統(tǒng)的應(yīng)用(4)
1.4.1機器視覺的應(yīng)用領(lǐng)域(4)
1.4.2機器視覺面臨的問題(5)
第2章工業(yè)機器人視覺系統(tǒng)軟硬件環(huán)境搭建(7)
2.1工業(yè)機器人視覺系統(tǒng)軟件環(huán)境搭建(8)
2.1.1Halcon軟件簡介(8)
2.1.2Halcon軟件安裝(9)
2.1.3Halcon軟件界面介紹(16)
2.1.4Halcon軟件常用操作介紹(16)
2.2工業(yè)機器人視覺系統(tǒng)硬件環(huán)境搭建(18)
2.2.1工業(yè)相機(18)
2.2.2圖像采集卡(23)
2.2.3鏡頭(24)
2.2.4光源(26)
2.2.5支架平臺(26)
第3章圖像采集(27)
3.1圖像(28)
3.1.1圖像的概念(28)
3.1.2Halcon圖像的基本結(jié)構(gòu)(28)
3.2獲取非實時圖像(29)
3.2.1讀取圖像文件(29)
3.2.2讀取視頻文件(30)
3.3獲取實時圖像(32)
3.3.1Halcon的圖像采集步驟(32)
3.3.2使用Halcon接口連接相機(33)
3.3.3外部觸發(fā)采集圖像(34)
3.4實例：采集圖像并進行簡單的處理(35)
第4章圖像預(yù)處理(43)
4.1圖像的變換與校正(44)
4.1.1齊次坐標(biāo)(44)
4.1.2二維圖像的平移、旋轉(zhuǎn)和縮放(44)
4.1.3投影變換(46)
4.1.4圖像的仿射變換(48)
4.2感興趣區(qū)域ROI(51)
4.2.1ROI的意義(51)
4.2.2創(chuàng)建ROI(51)
4.3圖像增強(54)
4.3.1直方圖均衡(54)
4.3.2增強對比度(55)
4.3.3處理失焦圖像(57)
4.4圖像平滑與去噪(58)
4.4.1均值濾波(58)
4.4.2中值濾波(59)
4.4.3高斯濾波(60)
4.5實例：圖像的平滑處理與增強(61)
第5章圖像分割(63)
5.1閾值處理(64)
5.1.1全局閾值(64)
5.1.2基于直方圖的自動閾值分割方法(65)
5.1.3自動布局閾值分割方法(65)
5.1.4局部閾值分割方法(67)
5.1.5其他閾值分割方法(70)
5.2區(qū)域生長法(71)
5.2.1regiongrowing算子(72)
5.2.2regiongrowing_mean算子(73)
5.3分水嶺算法(76)
5.4實例：利用區(qū)域生長算法提取圖像中特定區(qū)域(79)
第6章顏色處理(85)
6.1圖像的顏色(86)
6.1.1圖像的色彩空間(86)
6.1.2顏色空間的轉(zhuǎn)換(87)
6.2顏色通道的處理(88)
6.2.1圖像的通道與訪問(88)
6.2.2通道分離與合并(90)
6.2.3處理RGB信息(92)
6.3實例：利用顏色信息提取顏色相近的線段(95)
第7章圖像的形態(tài)學(xué)處理(99)
7.1腐蝕與膨脹(100)
7.1.1腐蝕(100)
7.1.2膨脹(102)
7.2開運算與閉運算(104)
7.2.1開運算(104)
7.2.2閉運算(106)
7.3頂帽運算與底帽運算(109)
7.3.1頂帽運算(109)
7.3.2底帽運算(111)
7.4灰度圖像的形態(tài)學(xué)運算(113)
7.4.1灰度圖像與區(qū)域的區(qū)別(113)
7.4.2灰度圖像的形態(tài)學(xué)運算效果及常用算子(113)
7.5實例：圖像目標(biāo)的分割與計數(shù)(117)
第8章特征提取(121)
8.1區(qū)域形狀特征(122)
8.1.1區(qū)域的面積和中心點(122)
8.1.2封閉區(qū)域(孔洞)的面積(124)
8.1.3根據(jù)特征值選擇區(qū)域(126)
8.1.4根據(jù)特征值創(chuàng)建區(qū)域(128)
8.2基于灰度值的特征(130)
8.2.1區(qū)域的灰度特征值(130)
8.2.2區(qū)域的大、小灰度值(132)
8.2.3灰度的平均值和偏差(132)
8.2.4灰度區(qū)域的面積和中心(133)
8.2.5根據(jù)灰度特征值選擇區(qū)域(134)
8.3基于圖像紋理的特征(135)
8.3.1灰度共生矩陣(136)
8.3.2灰度共生矩陣的創(chuàng)建與計算(137)
8.4實例：提取圖像的紋理特征(138)
第9章邊緣檢測(141)
9.1像素級邊緣提取(142)
9.1.1經(jīng)典的邊緣檢測算子(142)
9.1.2sobel_amp算子(143)
9.1.3edges_image算子(145)
9.1.4laplace_of_gauss算子(148)
9.2亞像素級邊緣提取(151)
9.2.1edges_sub_pix算子(151)
9.2.2edges_color_sub_pix算子(153)
9.2.3lines_gauss算子(154)
9.3亞輪廓處理(156)
9.3.1輪廓的生成(156)
9.3.2輪廓的處理(156)
9.4實例：對圖像實現(xiàn)邊緣檢測并提取輪廓(159)
第10章模板匹配(165)
10.1模板匹配的種類(166)
10.1.1基于灰度值的模板匹配(166)
10.1.2基于相關(guān)性的模板匹配(167)
10.1.3基于形狀的模板匹配(167)
10.2圖像金字塔(168)
10.3模板圖像的創(chuàng)建(169)
10.3.1從參考圖像的特定區(qū)域中創(chuàng)建模板(169)
10.3.2使用XLD輪廓創(chuàng)建模板(170)
10.4模板匹配的步驟(172)
10.4.1基于灰度值的模板匹配(172)
10.4.2基于相關(guān)性的模板匹配(174)
10.4.3基于形狀的模板匹配(177)
10.4.4優(yōu)化匹配速度(180)
10.4.5使用Halcon匹配助手進行匹配(181)
10.5實例：疊層區(qū)域的形狀匹配(182)
第11章圖像分類(187)
11.1分類器(188)
11.1.1分類的基礎(chǔ)知識(188)
11.1.2MLP分類器(188)
11.1.3SVM分類器(189)
11.1.4GMM分類器(190)
11.1.5kNN分類器(190)
11.1.6分類器的選擇(190)
11.1.7特征和訓(xùn)練樣本的選擇(191)
11.2特征的分類(191)
11.2.1一般步驟(191)
11.2.2MLP分類器(192)
11.2.3SVM分類器(193)
11.2.4GMM分類器(194)
11.2.5kNN分類器(195)
11.3實例：用MLP分類器對不同的零件進行分類(196)
參考文獻(202)