有没有可以恢复机器视觉的模糊图像的算法？

有没有可以恢复机器视觉的模糊图像的算法？

摘要

表面特性对产品的质量和性能有很大的影响，因此在制造业中，表面特性的测定非常重要。传统的表面测量方法是在零件的表面安装探针，用机器视觉监视其运动，追踪表面的微细轮廓。但是接触测量有很多缺点。因此，随着技术的发展，非接触检测方法得到了更广泛的关注和应用。

这里模拟运动物体表面模糊图像的获取，并使用（LR）算法对图像进行处理，验证机器视觉图像复原和识别的可行性。在未来的表面详细分析。

运动模糊

将移动的物体曝光到感光体时，如果曝光持续一定时间，则会记录其多个位置，结果可能会模糊。与运动相比，曝光时间足够短的情况下，不介意抖动。但是，如果缩短曝光时间，噪音就会变高。假设，模糊过程可以建模为点分布函数（PSF）和理想图像的卷积，如图1的情况（a）和（b）所示，并在一个坐标上形成三角形或高斯形状。

由于考虑了统一的运动模糊，因此可以认为所有零件都因相同量的模糊而劣化。因此，假定图像引入的噪声是高斯累积。此算法将考虑方差变化的平均零高斯噪声。



（a）获取坐标三角形



（b）获取高斯格式

图1通过将模糊处理建模为点图像分布函数（PSF）和理想图像卷积而获得的图像

在此阶段，需要解决的问题可以表现为：

使用线性平移不变PSF函数h（x，y）对给定的灰度图像g（x，y）进行退化，以找到实际图像f（x，y）的可靠估计值。

算法设计

在此，我们将探索使用期望值LR最大化算法最大化获取的图像的可能性。从原始图像推测开始，LR算法每次迭代都会更新其推测，倾向于走向潜像。理论上，算法迭代越长，越接近于收敛到潜像。

RL迭代可由成像方程和泊松统计方程导出



其中O是不模糊的对象，p(i∣j)是PSF从实际位置观察到的像素内散射的光的比例。I（i）是没有噪音的模糊图像。当给定期望计数I（i）时，每个像素的观测到的计数D（i）的同时似然性ζ 将显示以下内容：。



最大似然解出现在ζ对O( j)的所有偏导数为零的地方：



因此，可以省略迭代RL算法，如下所示：



比较上述两个机器视觉图像算法表达式，您可以看到，如果RL迭代收敛，即校正因子随着迭代的进行而接近一个单位，则必须收敛到数据中泊松统计的最大似然解。

应用3LR算法

为了评估LR算法的性能，我们在这里设置了一个二维模拟图像，该图像由两个模糊且相近的峰值组成。在模拟中，合成图像被用作128个图像点的线性阵列，其中阵列位置69和72包含两个长度为100的尖峰。然后，该数组将由标准偏差为1.5个图像点的规范化高斯函数卷积。

此时，平均值为0%的5%的随机白噪声将添加到此模糊图像中。原始图像和模糊图像分别如图2A和2B所示。重复20次后，LR算法的应用如图2（c）所示。重复100次后，如图2（d）所示，画质进一步改善，结果大幅收敛。



图2模拟图像

小结

实验结果表明，RL算法对于恢复以前隐藏在噪声中的数据是有效的。基于比较分析，机器视觉采用基于数字处理图像的表面粗糙度估计方法，验证实际生产和应用中图像恢复的效率。

在机器视觉领域拥有超过10年的项目开发经验，在机器视觉的应用领域上有着众多成功的案例。公司自成立以来一直以来致力于机器视觉的集成、研发、应用，为客户提供整体机器视觉解决方案，把机器视觉技术应用到智能生产中。