陈金晖 刁亚鹏 张蓝宁

摘要：图像处理是机器视觉中的重要技术，且应用范围较广，可满足不同行业的需求。而在计算机的广泛应用下，机器视觉图像处理方法发生了变化，所以本文就机器视觉图像处理方法进行深入探究，旨在将其效用最大限度发挥出来，更好地实现机器视觉。

关键词：机器视觉;图像处理;处理方法

1.图像预处理

1.1灰度化

随着时代的发展，照片由灰色变为了彩色，由红色、绿色、蓝色三种颜色组合而成。但在进行视觉识别时，易受外界光源影响，使得物体颜色存在一定偏差。为了确保图片识别的顺利进行，图像特征工程将会将色彩信息去除，剩下形状信息。倘若采用处理彩色图像的方法，需要从三个通道入手，而进行灰度化处理可减少计算量，提高系统处理速度。常见的灰度化处理方法有四种，即：最大值法、平均值法、分量法、加权平均法。最大值法简单来说就是对图像中的绿色、红色、蓝色的亮度進行对比，将最大值当做灰度值，进行图像的灰度化处理;平均值法简单来说就是将红色、绿色、蓝色的亮度值相加，并利用总值除3，得到的数值设为灰度值;分量法简单来说就是基于图像颜色特征进行颜色选取，将其分量的亮度值设置为灰度值;加权平均法简单来说就是进行权重分配，加权平均后得出的数字为灰度值。

1.2几何变换

几何变换又被叫做空间变换，简单来说就是借助几何变换进行图像处理，使图像更加标准。常见的几何变换方法有：缩放、旋转、镜像、转置、平移等。比如，我们可以借助matisb中的交换矩阵进行几何变换。

1.3图像增强

图像增强可使图像中有价值的区域突显出来，使其与无价值区域形成明显对比。一般情况下，图像增强应用于受采集条件限制拍摄效果不佳的图像中，其方法有两种，一为空域图像增强，二为频域图像增强。

空域图像增强简单来说就是对图像像素的灰度值进行直接调整，使其灰度分布发生变化。常见的空域图像增强方法为：直方图增强法、中值滤波法、均值滤波法、高斯滤波法。直方图增强后的图像的灰度分布更加均匀，且其图像反差可得到有效增强。均值滤波简单来说就是将图像空间中的原始点（x，y）附近有若干个灰度素，通过取其平均灰度值取代像素灰度值。中值滤波简单来说就是将像素值及周围的像素灰度值排序，运用中间值取代原本的灰度值。高斯滤波简单来说就是基于均值滤波进行权重分配，并使其以高斯方式分布。

频域图像增强简单来说就是借助傅立叶变换将图像放置于频率域中，借助滤波算子处理图片，然后运用傅立叶变换将处理过后的图片转换于空间域中，使图像得到增强。一般情况下，频域图像增强包括三中，一为低通滤波，常被应用于高频集中的图像中;二为高通滤波，其特点为：消除模糊、锐化图像;三为同态滤波。

2.图像分割

图像分割简单来说就是将图像进行分割，使其变为互不相交的子区域。其作用为：提取图像特征。常见的图片分割法有三类，即：阙值分割法、边缘分割法、区域分割法。

阙值分割法简单来说就是在图像中取一灰度值，并将其当做分割标准，将图像分为“高灰度值”“低灰度值”两个区域。而在运用阙值分割法进行图像分割时，需将阙值当做重点，因为阙值不同会使分割效果存在较大差异。确定阙值时，我们可以将迭代阙值法、大津阙值法、直方图法等利用起来。迭代阙值法简单来说就是根据全局阙值将初始估计值找出来，并借助初始估计值进行图像分割。灰度值比初始估计值大的区域为Q1，灰度值比初始估计值小的区域为Q2。在分好区域后，我们需要将区域内的平均灰度值计算出来，然后将两者相加除2，得到结果后记为P1，然后将其代替初始估计值，不断重复上述步骤，直到两者的差异足够小。直方图法具有较高的准确性，但是其只可运用于存在一个目标、背景且差异较为明显的图像。通过直方图法的应用，我们可以快速找到波谷，并将其当做分割依据进行分割。大津阙值法隶属于自动确定阙值法，其可进行全局搜索，将各种阙值下的类间、类内方差计算出来，并将最小的阙值当做分割阙值。

边缘分割法简单来说就是根据对灰度值的一阶求导得到原始数据灰度值梯度。进行边缘检测时，我们通常会采用一阶微分算子、二阶微分算子进行检测。在得出相应结果后，需要根据阙值进行边缘位置的确定。而阙值可对边缘分割法的应用效果造成直接影响。具体而言，倘若阙值较高，那么关键边缘便可能被滤除;倘若阙值较低，那么结果就会受到图片噪声影响，使得我们无法在图像中挑出相关特性。

区域分割法简单来说就是根据从局部到整体的原则进行图像分割。其最大特征为：可将具有较强相似灰度特性的像素进行合并，使各个区域分离开来。

结语：综上所述，可以看出，图像处理技术是机械视觉中的重要技术，但因其种类繁多，所以图像处理方法并不统一。且随着互联网的不断发展，图像处理方法呈现出现代化趋势，所以很多工作人员无法找到适合的物体图像处理方案。因此，上述对其进行深入探究，旨在为机械视觉的实现提供保障。但是，相关工作人员需注意，图像处理方法会随着时代的发展而变化，所以我们需要树立终身学习的意识，不断学习新的知识、技术，需结合实际进行探索、实践。如此，才可使图像处理技术得到发展，才可真正实现机器视觉，才可使图像处理方法的作用最大限度发挥出来。

参考文献：

[1]王福斌， 李迎燕， 刘杰，等. 基于OpenCV的机器视觉图像处理技术实现[J]. 机械与电子， 2010（6）：4.

[2]桑卡， M.）， 赫拉瓦卡，等. 图像处理，分析与机器视觉（第3版）[M]. 清华大学出版社， 2011.

[3]彭雄良， 汤磊. 机器视觉在线检测图像处理技术研究[J]. 电子制作， 2017（19）：3.