摘要

在加工件位置發生移動的情況下，嘗試用機器視覺分析的技術來獲取均勻運動的被測物表面的細節信息。由于相機和被捕獲物體之間的相對運動，圖像可能會變得模糊。因此，在后續分析之前，必須通過消除運動引起的失真來恢復和還原圖像，從而可以以特定的算法來還原和識別原始圖像，以實現深層的研究目的。

關鍵詞：機器視覺,圖像復原,數據采集

*基金項目：基于機器視覺的鞋孔檢測與定位系統研究(JAT201340)

作者：歐海寧、林慶林、宋進，湄洲灣職業技術學院

由于表面特性對產品的質量和性能有相當大的影響，因此，表面特性的測量在制造業中具有重要意義。在傳統的表面測量中，常見的方法是將探針貼合工件表面并監測其運動，以便追蹤表面的微輪廓。但是接觸式測量會帶來很多的缺點。所以，隨著技術的發展，非接觸式的檢測方法開始受到了更廣泛的關注和應用。

在本文中，我們模擬了獲取運動物體表面的模糊圖像，再使用Lucy Restoration(LR)算法對圖像進行處理，從而驗證在特性條件下還原和識別原圖的可行性，以便今后進一步用于工業上的表面細節信息分析。

1 運動模糊

當一個移動的物體曝光至感光元件上時，如果曝光持續一定時間，就可以記錄下它的多個位置，從而產生模糊。如果曝光時間相對于運動來說足夠小，那么模糊就不會被注意到。然而，低曝光時間會導致更高的噪聲。通過假設，我們可以將模糊過程建模為點擴散函數(PSF)與理想圖像的卷積，從而得到一個坐標上的三角形或高斯形狀，如圖1所示的情況(a)和(b)。

由于考慮了勻速運動模糊，所以可以假定所有部分都退化了相同數量的模糊。所以，在假設中認為圖像所引入的噪聲是高斯累加的。該算法考慮了變方差的零均值高斯噪聲。

此時，所需要解決的問題可以表述為：通過給定1幅灰度圖像g(x,y)，通過線性平移不變的PSF函數h(x,y)退化，從而找出真實圖像f(x,y)的可靠估計。

2 算法設計

在這里，我們通過期望LR最大化算法來探尋最大化恢復圖像的可能性。從對原始圖像的猜測開始LR算法在每次迭代中更新其猜測，使其趨向于潛在圖像。從理論上講，算法迭代的時間越長，它越接近于收斂到潛在圖像。

RL迭代可由成像方程和泊松統計方程導出：

其中Ο是未模糊的物體，p(i| j)是PSF來自真實位置的散射成觀測像素的光的分數；I(i)是無噪聲的模糊圖像。給定期望計數I(i) ，對每個像素中觀察到的計數D(i)的聯合似然為：

最大似然解出現在對Ο(j)的所有偏導數為零的地方：

因此，迭代RL算法可簡寫為：

比較上面兩個公式可以看出，如果RL迭代收斂，即隨著迭代的進行，修正因子趨近于一個單位，那么它必定收斂于數據中泊松統計量的最大似然解。

3 LR算法的應用

為了評估LR算法的性能，我們在這里設置了由兩個模糊的、緊密間隔的峰值組成的二維模擬圖像。

在模擬中，我們采用合成圖像為128個圖像點的線性陣列，在陣列的69和72位置包含兩個長度為100的尖刺。然后將該陣列與標準偏差為1.5個圖像點的歸一化高斯函數進行卷積。

此時，將平均值為0的5％隨機白噪聲添加到此模糊圖像。原始圖像和模糊圖像分別如圖2(a)和(b)所示。經過20次迭代，LR算法的應用如圖2(c)所示。在經過100次迭代之后，如圖2(d)所示，隨著圖像質量的進一步改善，其結果明顯收斂了。

圖2 模擬圖像

4 結論

從實驗結果可以明顯看出，RL算法在還原之前隱藏在噪聲中的數據方面是有效的。本文在對比分析的基礎上，采用了基于數字處理圖像的表面粗糙度估計方法，驗證了圖像復原在實際生產、應用中的有效性。

參考文獻：

[1] 宋進,歐海寧.一種基于多項式擬合的人臉識別驗證算法分析[J].電子測試,2020(8):778.

[2] PENUMURU D P,MUTHUSWAMY S,KARUMBU P.Identification and classification of materials using machine vision and machine learning in the context of industry 4.0[J].Journal of Intelligent Manufacturing,Springer,2019,31(5):1229-1241.

*本文選自《電子產品世界》雜志2021年10月期