圖像的特征是指圖像的原始特性或屬性，其中部分屬于自然特征，如像素灰度、邊緣和輪廓、紋理及色彩等。有些則是需要通過計算或變換才能得到的特征，如直方圖、頻譜和不變矩等。

為了能減少計算量并提高系統的實時性，幾乎所有機器視覺系統對目標的識別、分類及檢測都基于從圖像中提取的各種特征來進行。

將屬于特征的像素從圖像中分離出來的過程稱為圖像的特征提取，從各種圖像特征中選出可高效解決待處理問題的特征的過程則稱為特征選擇。特征提取和特征選擇的結果是否有效，直接決定著機器視覺系統進行機器決策的成敗。

對解決實際問題來說，一個好的特征應與其他特征之間應有明顯的差異，且對同類圖像來說，其值應保持一致可靠，并具有代表性和獨立性。總之，特征提取和選擇過程應盡可能減少整個識別系統的處理時間，并提高系統識別目標的準確率。

機器視覺系統開發過程中常見的特征包括像素灰度、邊緣、輪廓和形狀、紋理、角點、色彩以及各種與圖像顆粒相關的屬性等，如下圖所示：

基于以上常見的圖像特征，可以實現諸如尺寸測量（Dimension Measurement）目標檢測（Detection）、缺陷檢查（Fault lnspection）、目標對準（Object Alignment）、分類計數（Sorting & Counting）以及目標追蹤（Object Tracking）等機器視覺應用。

其中檢測是指對目標的存在性進行判斷，如檢測電路板上的某一電阻或電容是否被安裝等。檢測既可基于尺寸距離等測量，也可基于對其他更為抽象的圖像特征的計算。缺陷檢測通常是按照預先設置的特征閾值范圍判斷被測量的特征是否在這一達標范圍內。目標對準可對視場中目標相對標準位置的平移和旋轉進行糾正。分類計數則通過特征模式匹配等對目標進行分類并統計數量。而目標追蹤則可以根據事先選擇的特征跟蹤視場中目標的位置。

總結

以上是生活随笔為你收集整理的LabVIEW图像特征与机器视觉概念（理论篇—4）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。