图像边界检测系统与方法

专利名称：图像边界检测系统与方法
技术领域：
本发明涉及图像两区域间的边界检测与边界位置测定。
背景技术：
探测图像特征边缘所使用的许多常规机器视觉系统，基于或仅仅基于对原始像素的亮度值应用梯度运算。应用梯度运算中，这类系统应用图像的原始亮度所固有的反差作边缘定位。这种运算常常应用于强调以高精密度与高可靠性测定人造工件图像边缘位置的机器视觉系统。在这些场合中，往往可表现且预测出边缘的几何形状，这样就设置了适用于边缘定位操作的约束条件，因而对大多数这类图像得出良好结果。还知道，在沿边缘找点方面，可在边缘检测操作之前用滤波器提高亮度梯度型操作的可靠性，并在边缘检测之后从定位的边缘点里扣除偏差，从而进一步提高被检边缘位置的可靠性。
有几种使用这类方法的常规视觉机器，这些视觉机一般还包括提供一种或多种“边缘工具”的软件，边缘工具是专用的光标和/或图形用户接口(GUI)单元，让机器视觉系统操作员更容易输入有用信息，而且/或者限于应用下述边缘定位法。
然而，在图像处理领域，从所周知，当边缘附近的像区呈现高度纹理时，或当边缘由纹理、色彩或其它并不总是对应于图像表现的亮度梯度的图像特性的变化所限定时，这些常规方法会变得不可靠。与纹理边缘相关的图像在本质上是不规则或有干扰时，因为特定边缘附近的各纹理区都被成像为该边缘附近的高空间频率亮度变化，因而前述的亮度梯度型操作容易得出嘈杂的结果，继而导致边缘位置检测不良。虽然可用滤波操作减小这些场合中的噪声，但是也会使检测的边缘位置畸变而无意识地干扰了图像。在某些场合中，如在与边缘接界的纹理区中，当平均亮度几乎相同时，亮度梯度操作对寻找边缘位置就完全不可靠了。因而在这类场合中，常规方法不能精密地检测图像的边缘位置，因为不存在能明显检测的主要亮度梯度或差异。
在含多个不同目标的图像或有各种纹理的区域中，已知有各种各样基于纹理的图像分割法，如一种方法可按特定纹理计量值把像素组成或分为局部区域。作为分类处理的副产品，这类方法定义的接界把一个区域内分类的像素与其它区域内分类的像素分开。然而，这类方法一般适合目标识别、目标跟踪等。
这些现有的图像分割系统的一个共同问题在于系统结构的刚性。为稳健性而含众多纹理滤波器的系统，速度慢得无法支持高速工业吞吐要求。纹理滤波器数量有限或在检测区域隶属关系方面用有限数量的预定参数作为阈值的系统，应用于多种多样的纹理常常不可靠。因此，对于通用的商业机器视觉系统而言，这类现有分割系统还不够通用、稳健和/或快速。
再者，这类分割方法并非对区域之间边界的边缘位置寻找相对精密的位置而开发的。一般认为，精确的边缘/边界保持是一个在某种程度上与能量评估等用于精密的像素分类很关键的操作相冲突的目标。例如，授与Li等人的美国专利6,178,260揭示了一种字符识别法，其中对图像窗和/或小窗测定了局部粗糙度与峰谷计数，然后按局部粗糙度与峰谷计数对该窗的输入图像数据分类。该方法运用图形检测边缘组试图识别会被粗糙度与峰谷分类法错过的线条加工品或汉字区。这种图像分割法比许多以前的方法更稳健，适合当前的图像，但并未揭示任何具体用于以粗糙度与精密度决定分类区之间边界位置的专用方法或工作。
授予Fenster等人的美国专利6,111,983揭示的一种形状识别法能与医用图像一起使用。在该方法中，根据规定了正确形状的培训数据，对目标函数的参数设定值“培训”某一形状模型。这种培训能有利地应用于以分扇区的方式处理形状或边界的模型，对各扇区逐一培训。扇区的特征在于多种特征或特征的组合，特征经调整可按目标函数生成所需的扇区。该方法比以前的许多方法更稳健，适合当前的图像，但是并未揭示过任何以粗糙度与精密度决定各种扇区之间边界位置的专用方法或工作。
对通用商业机器视觉系统应用而言，还十分希望或必须让相对不熟练的用户，即不熟悉图像处理的用户能对特定图像建立和操作引入该系统的各种图像处理方法。因此创建一种机器视觉系统，使其能以通用、稳健、快速而相对精密的方式检测有纹理的边缘，同时通过使用相对不熟练的操作员能操作的简化用户接口，对机器视觉系统边缘检测过程适配和控制；这是个具体问题。

发明内容
因此，对区域之间边界的边缘地点寻找相对精密的位置而言，还未开发出基于纹理的分割方法和基于图像专用纹理的分割方法。另外，这类方法还未结合能按照在工业检验目标上发现的特定边缘表现与可预测的特性把它们自动连成一体并使它们从属于其它边缘或边界检测操作的方法。此外，这些方法还未得到简型用户接口或能被基本上不懂基础数学或图像处理操作的操作员使用的兼容“边缘工具”的支持。
最后，还没有一种常规的机器视觉系统用户接口能用基本上一样的边缘工具和/或相关的GUI支持常规亮度梯度型边缘检测与纹理型边缘检测两种操作，或把两类操作结合起来供单个边缘工具使用。
相应地，由于许多常规机器视觉系统的操作员希望有一种以最少的用户理解和/或介入支持日益稳健的操作的更标准化的边缘检测功能，所以要求能与现有机器视觉系统一起使用的系统与方法，能运用亮度梯度或差值以外的图像特性精密地检测边界位置，即区域之间的边缘，从而更准确地检测和定位不用亮度变化限定的边缘图像。
本发明提供的系统与方法，可根据若干不同的图像特性准确地确定边缘位置。
本发明分开提供的系统与方法作为一种亮度梯度型边缘检测操作的容易综合的补充和/或替代，可准确地确定由1个或2个纹理明显的区域划界或限定的边缘位置。
本发明分开提供的系统与方法作为一种亮度梯度型边缘检测操作的容易综合的补充和/或替代，可准确地确定由1个或2个色彩明显的区域或色彩纹理区域划界的边缘位置。
本发明分开提供的系统与方法，能借助GUI人工方式、半自动或自动地作出与确定边缘位置相关的判断与操作。
本发明分开提供的系统与方法，运用自适应选择的纹理滤波器和/或纹理特征准确地确定由1个或2个高度纹理化区域划界的边缘位置。
本发明分开提供的系统与方法，在边缘检测操作附近规定多个关注专用培训区，用于确定最佳地支持在培训区之间的边缘或边界的边缘检测操作的纹理鉴别滤波器和/或特征组。
本发明分开提供的系统与方法，可确定在寻找同类成像部件的图像中同类实例专用边缘时以特定速度与可靠性工作的定制实例专用边缘寻找例行程序。
本发明分开提供的系统与方法，可以借助GUI以手动、半自动或自动方式执行与确定定制的实例专用边缘寻找例行程序有关的某些判断与操作。
在本发明各种示例实施例的系统与方法中，用户可以调用边界检测工具(或称边缘工具)，与常规亮度梯度边缘检测操作一起执行基于纹理的找边缘操作，以限定将包括准备在捕获的目标图像内定位的某一边缘的有关主区域。根据本发明的系统与方法，该边界检测工具可确定当前目标中的边缘，并确定同类目标将来相应的边缘。
本发明系统与方法的边界检测工具，有选择地让用户对两对或多对限定被检边缘的有关分区域规定形状、位置、取向、尺度和/或间距。或者，可自动地操作本发明的机器视觉系统与方法以确定有关分区域。若基于常规亮度梯度的边缘检测操作不适于检测包含在有关主区域里的边缘，则把有关分区域用作培训区，测定一组基于纹理的特征，这些特征可用来将所含边缘任一侧的像素特征值有效地分成两个不同的组或群。用特征图像可算出隶属图像之类的伪图像，于是可对隶属图像应用递度操作以检测所需的边缘并确定其位置。利用与该边缘已知的特征和近似位置相关的输入数据对边缘数据作后处理，可消除偏差或提高边缘检测的可靠性。本发明的种种特征和优点使相对不熟练的用户能操作通用的机器视觉系统，在常规亮度梯度法检测边缘不可靠或不能完整检测边缘的各种场合中，可精密和可重复地检测边缘。
在以下对本发明系统与方法各种示例实施例的详述中，明显描述了本发明的种种特征与优点。


将参照下述附图详述本发明的各种示例实施例，其中图1是可供本发明的边缘检测系统与方法使用的视觉系统的示例框图；图2示出图1中可供本发明的边缘检测系统与方法使用的各种电路或例行程序的详细示例实施例；图3示出示例目标的两幅图像，其两个明显有纹理区与边界可用本发明的边缘工具和边缘检测系统与方法检测和定位；
图4示出由本发明的系统与方法生成并使用的示例关注区；图5示出伪图像一示例实施例的图像，扫描线供本发明各种系统与方法
具体实施例方式
本发明的系统与方法可以结合使用美国专利6,239,554B1揭示的机器视觉系统和/或照明校正系统与方法，该专利的整个内容通过引用包括在这里。
这里使用的术语“边界”与“边缘”，针对本发明系统与方法的范围和操作，通常可互换使用。然而，在上下文明白规定时，“边缘”进一步表示目标的不同表面平面之间和/或该目标的图像的断续边沿。同样地，“边界”可进一步表示目标相对平坦表面和/或该目标图像上两纹理、两色彩或两种其它相对均一表面特性之间的断续界限。
为简明起见，参照图1所示本发明一示例实施的视觉系统说明本发明的工作原理与设计因素。图1所示视觉系统的基本工作原理适于理解和设计配用本发明边界检测系统与方法的任何视觉系统。
图1示出的一实施例的视觉系统10，配用了本发明一实施例的边界检测系统与方法。如图1所示，视觉系统10包括控制部100和视觉系统元件部200，后者包括带中央透明部212的平台210，平台210上放置准备用视觉系统10成像的物体20，一个或多个光源220~240发射的光照射物体20。来自光源220~240的光在照射物体20后通过透镜系统250，而且可在照射物体20之前被摄像系统260收集而生成物体20的图像。摄像系统260捕获的物体20的图像在信号线262上输出给控制部100。照射物体20的光源220~240包括平台灯220、同轴灯230与表面灯240，诸如环形灯或可编程环形灯，分别通过连接线或总线221、231与241接至控制部100。
调整平台210与摄像系统260的距离，可改变物体20的图像被摄像系统260捕获的焦点。具体而言，在视觉系统10各种实施例中，摄像系统260沿垂直轴的位置可相对于固定的平台210变化。在视觉系统10的其它各种实施例中，平台210沿垂直轴的位置可相对于固定的摄像系统260变化。在还有一些视觉系统10实施例中，为使视觉系统的焦距最大，可改变摄像系统260和平台210两者的垂直位置。
如图1所示，一实施例的控制部100包括输入/输出接口110、控制器120、存储器1 30、关注区发生器150和包括照明电源部191的电源190，各自往数据/控制总线140互连或在各元件间直接连接。存储器130包括视频工具存储部131、滤波存储部132与部件程序存储部133，各自同样经数据/控制总线140互连或直接连接。平台灯220、同轴灯230和表面灯240的连接线或总线221、231与241分别接至照明电源部191。信号线262由摄像系统260接至输入/输出接口110。显示器102通过信号线103也接至输入/输出接口110。一个或多个输入装置104可通过一条或多条信号线105连接。显示器102和一个或多个输入装置104可用于观看、建立和/或修改部分程序，观看摄像系统260捕获的图像和/或直接控制视觉系统元件200。但应明白，在具有预定部分程序的全自动系统中，可以省略显示器102和/或一个或多个输入装置104以及相应的信号线103和/或105。
如图1所示，视觉系统10还包括滤波图像分析电路或例行程序310、实例专用滤波选择电路或程序350、伪图像生成电路或程序360、边缘点分析电路或程序370、边界检测与提纯电路或程序380和任选边缘模式测定电路或程序390，各自也通过数据/控制总线140或直接连接法互连。
存储部130贮存的数据可操作视觉系统元件200而捕获物体20的图像，使物体20的输入图像具有期望的特性。存储器130还贮存了能操作该视觉系统以对捕获的图像以人工或自动方式作各种检查与测量操作并通过输入/输出接口110输出结果的数据。存储器130还包括限定可通过输入/输出接口110可操作的图形用户接口的数据。
视频工具存储部131包括限定供图形用户接口使用的各种视频工具的数据，尤其是供关注区发生器150使用的一个或多个边缘或边界工具可在存储器中限定并存贮与捕获图像内关注区中的边缘检测关联的数据。下面参照图3和4详述一示例边缘/边界检测工具与有关数据。滤波存储部132包括的数据，限定各种本发明系统与方法可使用的图像滤波操作，下面再详述。部分程序存储部133包括的数据，可对视觉系统10的后续自动操作限定用来建立并存贮操作序列或程序的各种操作。
滤波图像分析电路或程序310应用各种候选滤波器修改和/或分析当前关注区内的纹理输入图像，按修改和/或分析确定滤波图像结果，而该结果可用于确定关注区内最强调或隔离边缘的位置的候选滤波器。实例专用滤波器选择电路或程序350根据各种滤波图像结果，选择关注区内最强调或隔离边缘位置的实例专用滤波器，还在存储器130的一个或多个部分中记录实例专用滤波器选择。
伪图像生成电路或程序360根据选择的实例专用滤波器在关注区内生成伪图像，该伪图像强调或隔离边缘相对输入图像中纹理边缘模糊特性的位置。于是将边缘点分析电路或程序370应用于关注区中该伪图像，评估伪图像中一个或多个边缘点，还可执行操作，根据附加信息提纯初始边缘点估值。边缘点分析电路或程序370还可把与评估的边缘点相关的一个或多个边缘检测参数记录在存储器130的一个或多个部分里。
边界检测与提纯电路或程序380分析多个评估的边缘点，判断它们是否对应于某可靠边缘的判据；而且管理虚假边缘点的提纯或消除，最后按可靠边缘点判断整个边缘检测数据；还将边缘检测数据记录在存储器130的一个或多个部分里，或通过输入/输出接口110将之输出。
边缘模式判断电路或程序390可以是控制系统部100的选用单元。应该明白，控制系统部100还包括已知的对视觉系统100获得的输入图像作已知边缘检测操作的电路或程序，例如，这类电路或程序可以包含在边缘点分析电路或程序370和/或边界检测与提纯电路或程序380里。根据诸如视频存储部131、关注区发生器150、边缘点分析电路或程序370和边界检测与提纯电路或程序380中边缘工具等各种单元的操作范围，这类单元操作时可独立地判断某指定的关注区是否适合通过应用于输入图像或伪图像的边缘检测来分析。但当这类单元不能独立地判断某指定关注区是否通过应用于输入图像或伪图像的边缘检测来分析时，则可包括边缘模式判断电路或程序390，以判断各种作边缘检测操作的其它单元合适的操作模式。
图2示出以上对图1所说明实施例的视觉系统10的各种电路或程序。如图2所示，滤波图像分析电路或程序310包括候选滤波器选择电路或程序311、特征图像生成电路或程序312、关注区生成电路或程序313和关注区比较电路或程序314，各自用数据/控制总线140或直接连接法互连。边缘点分析电路或程序370包括扫描线判断电路或程序372、边缘点检测电路或程序378和边缘点提纯电路或程序329，各自也通过数据/控制总线140或直接连接法互连。边界检测与提纯电路或程序380包括形状分析电路或程序381、偏差消除电路382和位置测定电路383，各自也通过数据/控制总线140或直接连接法互连。边缘模式测定电路或程序390包括边缘工具解释电路或程序391和关注区分析电路或程序392，各自也通过数据/控制总线140或直接连接法互连。
在各实施例的滤波图像分析电路或程序310中，单元311~314工作如下候选滤波器选择电路或程序311选择一组候选滤波器，该组滤波器将应用于输入图像以获得与其对应的特征图像等。候选滤波器选自包含在滤波器存储部132里的滤波器组，在一实施例中包括一组或多组预定的候选滤波器，每组包含的滤波器与增强其被测边缘周围呈现特定特性组的图像的边缘检测和定位相关。候选滤波器选择电路或程序311根据输入图像的特性选择特定的候选滤波器，例如这类特性可以包括被测边缘的一侧或两侧是否有明显纹理、图像是灰度级图像还是彩色图像等，下面再描述。对各种图像，候选滤波器选择电路或程序311可在滤波器存储部132选择所有滤波器。在各种实施例中，该选择电路或程序311自动选择候选滤波器，在其它实施例中，则按用户输入作选择。
在各种实施例中，候选滤波器选择电路或程序311可选择的预定候选滤波器子组包括包括按Sobel算符梯度建立一幅或多幅特征图像的滤波器的子组，包括基于Law滤波器建立一幅或多幅特征图像的滤波器子组(即一组25个配有5×5(或选用3×3)像素掩屏或窗口的滤波器)，以及包括基于Gabor滤波器建立一幅或多幅特征图像的滤波器子组。当被检边缘在其一侧有明显纹理而在另一侧无明显纹理时，发明人成功地应用了Sobel梯度滤波器。当被检边缘的两侧都有明细而细微的纹理时，发明人成功地应用了Law滤波器。当被检边缘的两侧有明显而细微的纹理和/或定向特征时，发明人成功地应用了Gabor滤波器。为检测彩色图像彩色区间的边界，发明人还成功地应用了移动平均滤波器。
这些多样的滤波器子组可工作于各自短、中和长执行时间，因而便于选成与特定关注区中合适的纹理相配。在各种实施例中，候选滤波器选择电路或程序311包括与下述的关注区分析电路或程序392相似的操作或与之互作用，以测量关注区边缘两侧评估区内的一种或多种纹理特性。然后，候选滤波器选择电路或程序311将得到的纹理测量结果与同各种候选滤波器组相关的预定判据作比较，选出合适的预定候选滤波器子组。例如，若边界一侧的变化值小，就可应用前述的Sobel型滤波器；若检出定向的纹理特性，可应用Gabor滤波器；若边界两侧检出细微的不定向纹理，可应用Law滤波器；对彩色图像等，则可应用彩色滤波器。各种纹理的表征方法已为本领域技术人员所熟悉，并在这里所引参考文献中讨论。
显然，任何已知或以后开发的滤波器和/或图像滤波步骤，都可应用于本发明边缘检测系统与方法的各种实施例。
还应明白，各种实施例使用的术语“候选滤波器”和“选择的滤波器”或“实例专用滤波器”，可以包罗应用特定滤波器功能产生滤波图像，对滤波图像应用局部能量功能而得出特征图像，根据特征图像得出归一化特征图像等所必需的所有必要的功能或元件。还可包括确定任何已知或今后开发的适合表征任一先前图像类型的量度所需的功能或操作。一般而言，候选滤波器和选择的滤波器不仅包括某一特定滤波器功能，还包括任一与该特定滤波器功能相关的独特功能或元件，在各种实施例中，滤波图像分析电路310和/或特征图像生成电路312和/或关注区生成电路或程序313必须用该特定滤波器功能产生一个或多个与之对应的部分滤波图像结果。因此，这里的候选滤波器和选择的滤波器，如下所述，指确定对应于特定滤波器功能的相应部分滤波图像结果所需的所有独特的单元。在各种实施例中，鉴于其范围，有时也把滤波器和滤波器组称为滤波方法。
特征图像生成电路或程序312基于选择的候选滤波器生成至少一幅特征图像等，它按照关注区发生器150生成的关注区应用于原始输入图像。在一实施例中，对每个候选滤波器K生成一特征图像Fk。一般通过用特定滤波功能对输入图像数据作滤波并对滤波的图像数据应用局部能量功能，可生成特征图像。局部能量功能通常对呈现在滤波图像数据里的图像信号作整流平滑。示例性局部能量功能包括对包围各像素的窗内滤波图像像素值的幅值求和，以确定该特征图像的各像素值，并对包围各像素的窗内滤波图像像素值的平方求和，以确定该特征图像的各像素值。
在一实施例中，还可将各特征图像归一化，从而更便于比较对应于各候选滤波器的部分滤波图像结果，如下所述。此时，归一化特征图像就是这里用符号Fk代表的特征图像。本领域中，归一法是众所周知的，如可把各特征图像的诸像素值归一化为具有零均值与单位方差的序列。一般可应用任何合适的已知或今后开发的归一法。
关注区生成电路或程序313可让自动化过程或用户在关注区附近限定各种关注区，也可按关注区确定“部分滤波图像结果”。在特征图像生成电路或程序312生成的每幅特征图像Fk中，对每个关注区确定一个部分滤波图像结果。在各种实施例中，关注区内的各种分滤波图像结果可以是滤波图像、对滤波图像应用局部能量功能得出的特征图像、归一化特征图像等，或者任一种已知或今后开发的适合表征任一先前图像类型或其已知变型的量度。在一实施例中，关注区内的部分滤波图像结果是该关注区内归一化特征图像Fk的平均像素值。“部分”滤波图像结果应理解为“中间”结果，可用来确定一个或多个“最终”滤波图像结果，这里对滤波图像或特征图像也简称为“滤波图像结果”。滤波图像或特征图像的滤波图像结果，一般指该图像按这里描述的系统与方法对被检边界进行强调或隔离的能力。
关注区生成电路或程序313根据与适当定位的边缘工具和/或关注区发生器150操作相关的数据生成关注区。该关注区对各特征图像Fk均相同或同等。在一实施例中，关注区成对规定，围绕准备定位于该关注区内的边缘附近的中心点对称地定位，该中心点可以是下述的点PO。一般而言，关注区包括至少一对位于该区域边界相对侧的区域。关注区应大得足以捕获边界一侧呈现的所有典型的纹理特征，而且相对靠近该关注区的边界。在关注区边界和/或边界中心点周围生成多个关注区有两个优点。首先，若关注区内存在刮痕或脏物等纹理异常，某些关注区应该无此异常。其次，能以普通方式自动生成多个区域，关注区比较电路或程序314将有极佳的机会发现良好的代表性成对关注区，如下所述。图4还示出和讨论了示例性关注区。
关注区比较电路或程序314对各种关注区中先前测定的部分滤波图像结果作一比较，选出最能反映边界每侧纹理差异的代表性关注区对。在一实施例中，关注区比较电路或程序314测定在每对对称定位的关注区内由关注区生成电路或程序313测定的特征图像量度的差值。在每幅特征图像Fk中，对每个关注区都测出该差值。例如，该特征图像量度可以是前述的各关注区中归一化特征图像Fk的平均像素值。接着，关注区比较电路或程序314把呈现最大差值的关注区对选作代表性关注区(RROI1与RROI2)，能最佳地反映边界每一侧的纹理差异。
在另一实施例中，关注区比较电路或程序314测定各关注区对的合成值结果，再据此选出RROI1与RROI2。各合成值结果编入了各特征图像Fk的部分图像结果。在一实施例中，用称为Fisher距离的判据比较在各特征图像Fk的每对对称定位的关注区中逐一测定的部分滤波图像结果。Fisher距离是个商，分子是两单元的均方差，分母是两单元的方差和。首先，对各特征图像Fk测定两单元的Fisher距离，这两个单元是两个关注区中的特征像素数据。其次，对所有的特征图像Fk，把各关注区对合成值结果测定为该关注区对的Fisher距离之和。把合成值结果最大的关注区对取作代表性关注区RROI1与RROI2。显然，可对下面的特征像素数据应用类似的Fisher距离步骤，不必对各特征图像Fk测定逐个Fisher距离。
在关注区比较电路或程序314选出代表性关注区对RROI1与RROI2后，参照图1讨论的实例专用滤波器选择电路或程序350就从候选滤波器里选择最佳实例专用滤波器，这里把这类滤波器称为选择的滤波器。最佳实例专用滤波器是在当前关注区内最佳地强调或隔离边缘位置的滤波器。
显然，特定的候选波滤器对应于特定生成的特征图像，并且对应于相关的部分滤波图像结果与整个滤波图像结果。还应明白，在选择被选择特征图像Fj的同时，要有效地选择被选滤波器J。因而在各种实施例中，实例专用滤波器选择电路或程序350通过从候选组的特征图像Fk中选择一个子组特征图像Fj，提纯候选滤波器选择。选择考虑了与候选特征图像Fk的RROI1与RROI2相对应的滤波图像结果。
为生成有利于边缘检测的伪图像，选择时要减少必须应用于原始图像或类似图像的滤波器数量。只选最有用的滤波器可更迅速地实现边缘检测和/或提高应用本发明系统与方法检测边缘的精度与可靠性。其不十分强调关注区边界两相对侧的纹理差异，一般可取消候选滤波器。尤其在不十分强调RROI1与RROI2的纹理差异时，就取消候选滤波器。
在一实施例中，关注区比较电路或程序314对各候选特征图像Fk的RROI1与RROI2测定代表性Fisher距离(R-Fisher距离)，如上所述。此时，实例专用滤波器选择电路或程序350就选择具有明显R-Fisher距离的特征图像Fj，因为明显的R-Fisher距离对应的滤波器有利于强调关注区的边界。在一实施例中，对所有候选图像Fk的R-Fisher距离作一比较，确定最大R-Fisher距离。然后，把R-Fisher距离大于50％最大R-Fisher距离的所有特征图像/滤波器选作被选特征图像Fj和/或被选滤波器j。在该例扩展型中，把不多于最佳5个先前选择的滤波器保留为被选滤波器。可知刚才讨论的选择技术并不产生最佳的特征图像Fj和/或被选滤波器j的子组。为得到“最佳”特征图像子组，一般要求处理器费电和/或费时的穷举方法。因此，在应用本发明的边缘检测系统与方法的场合中，目前不希望用穷举优化技术。
应该明白，任何已知或今后开发的滤波器选择技术都可用来选择特征图像Fj和/或被选滤波器j的子组。还应明白，虽然特征图像Fj子组小于特征图像Fk候选组，但特征图像Fj子组可以等于特征图像Fk候选组。还要明白，一旦实例专用滤波器选择电路或程序350选择了特征图像Fj和/或被选滤波器j子组，就能优化地用关注区比较电路或程序314再确定RROI1与RROI2，这时只以被选的特征图像Fj为基础。可以得出不同的RROI1与RROI2并用于后续的实例专用操作。
本领域的技术人员显然明白，本发明的系统与方法还可应用各种其它特征选择技术。再者，特征提取技术可替代特征选择技术，并可替代或加入上述实例专用滤波器选择电路或程序350的各种操作和单元311~314相关的操作。例如参见Keinosuke Fukunaga著的Introduction to Statistical PatternRecognition一书的Feature Extraction and Linear Mapping for SignalRepresentation一章(Academic，San Diego，1990)。而且，本领域的技术人员也知道Sobel滤波器、Law滤波器、Gabor滤波器及众多的替代滤波器，以及它们的各种应用和生成滤波图像、特征图像、特征矢量、分类矢量、特征提取与伪图像等的实施方法，例如参见“Filtering for TextureClassificationA Comparative Study”，IEEE Transaction on PatternAnalysis and Machine Intelligence，VOL.21，No.4，April1999；一般特征选择与提取参见由Andrew Webb与牛津大学出版公司在美国纽约于1999年共同出版的Statistical Pattern Recognition；“Rapid TextureIdentification”，Proc.SPIE Conf.Image Processing for Missile Guidance，pp.376-380，1980；和“Unsupervised Texture Segmentation Using GaborFilters，”Pattern Recognition，Vol.24，No.12，pp.1,167-1,168，1991。
另外，尽管这里把本发明各种实施例的系统和方法描述成测定或提取图像、滤波图像、特征图像和/或伪图像，并且测定各种部分滤波图像结果、滤波图像结果和用来评估比较这些各种图像类型的图像量度，但应明白，在本发明系统与方法的各种实施例中，这类术语并不相互排斥。例如从这里应用的数学变换与算法的特征可以看出，一部分滤波图像或特征图像也可运算成相关的部分滤波图像结果或从中导出。因此，这里使用的这些术语旨在描述各种操作，并不故意相互排斥。
具体而言，这里把各种操作描述成测定一幅或多幅特征图像、部分滤波图像结果和/或滤波图像结果，把各种其它操作描述成基于先前测定的图像和/或结果作选择。应该明白，有关测定与选择操作类型的界线大体是随意的。例如，为实现本发明诸目的，显然可用对较原始单元的任何缺陷作补偿的较精炼的选择器选择较原始的特征图像、部分滤波图像结果和/或滤波图像结果。相反地，为实现本发明诸目的，较原始的选择器可供对缺陷作补偿的较精炼的特征图像、部分滤波图像结果和/或滤波图像结果使用。因此，在各种实施例中，与“测定”和“选择”相关的各种操作显然可以互换、合并或不予区分。
实例专用滤波器选择电路或程序350选择了特征图像Fj和/或被选滤波器j子组后，参照图1讨论的伪图像生成电路或程序360就工作，根据被选滤波器j(也称实例专用滤波器)生成伪图像。
在一实施例中，若当前未生成或从存储器130未取得一组归一化特征图像Fj，则按照前述的操作，伪图像生成电路或程序360根据实例专用滤波器j子组，令特征图像生成电路或程序312生成一组归一化特征图像Fj，然后确定一对分别对应于RROI1与RROI2的分类矢量CV1和CV2。
分类矢量CV1可以包括每个对应于实例专用滤波器j的归一化特征图像Fj的RROI1里的像素数据平均值。因此，CV1的规模是n，而n是上述实例专用滤波器选择电路或程序350选择的实例专用滤波器j的数量。CV2是根据各归一化特征图像Fj的RROI2的像素数据同样测定的同类矢量。分类矢量CV1与CV2测定后，伪图像生成电路或程序360就生成将用于执行当前组边缘检测操作的伪图像。该伪图像至少对前述的关注区生成。此实施例基于归一化特征图像Fj的数据与分类矢量CV1和CV2的比较。
伪图像生成电路或程序360可用分类器生成伪图像。分类器可以是一种数据分组技术，此时把对应于关注区某像素空间位置的特征矢量，即像素特征矢量确定为属于由隶属等级规定的某一组或区域。这里使用的像素特征矢量(PFV)，包括对应于实例专用滤波器j的各归一化特征图像Fj中空间位置的特征像素值，因而像素特征矢量的规模为n，而n是上述实例专用滤波器选择电路或程序350选择的实例专用滤波器j的数量。再者，PFV的诸单元的排序与CV1和CV2的诸单元相似，以同样的基础特征像素数据(如归一化特征图像像素数据)为基础，因而比较PFV与CV1、CV2相应的单元有意义。
接着，伪图像生成电路或程序360选择至少该关注区的各像素位置，对相应的像素特征矢量应用分组器，判断该像素特征矢量更像对应于RROI1的CV1还是更像对应于RROI2的CV2。例如，可用欧几里德距离分别测定当前PVF与CV1和CV2之间各自的“距离”。与CV1或CV2的欧几里德距离分别是当前PVF与CV1或CV2相应单元之间的差方和。欧几里德距离越小，则由该欧几里德距离作比较的这两个矢量相互更相似。根据欧几里德距离或其分量单元，测定一隶属值，并把它指定给伪图像中对应于当前评估像素特征矢量的像素。
在某种意义上，伪图像像素值指出该像素“属于”RROI1边界一侧还是RROI2边界一侧的程度。在一实施例中，各伪像素指定的值在0.0与1.0之间，其中0.0代表RROI1边界一侧的全隶属关系，1.0代表RROI2边界一侧的全隶属关系。
在一特定实施例中，根据论文“FCMThe fuzzy c-Means ClusteringAlgorithm”(Computers & Geosciences，VOl.10，No2-3，pp191-203，1984)中描述的模糊C方式分组器，用按下述方式修正的模糊C方式分组器测定诸隶属值，该文通过引用包括在这里。应用该文所规定的符号，把分组器参数设置成c＝2(2组)，m＝2(加权指数)，V＝CV1、CV2，如这里规定的(中心矢量)，norm＝欧几里德距离，n＝数据数＝有关工具区域中的像素数。在该算法一较佳修正型式中，没有迭代，用组V＝CV1、CV2的初始中心分组。由于使用了严格规定的原型组CV1与CV2，在一次迭代即一次分组后就停止分组，仍获得了良好的结果。应该明白，这组参数产生非线性分类，强调边界附近的隶属值变化。
该模糊分组算法一般产生两幅隶属图像第一幅是各像素对组1的隶属值，第二幅是各像素对组2的隶属值。但对这里的情况而言，由于各像素位置的隶属总和必须为1，所以隶属图像互补，只须测定其中的一个。
基于一组特征图像而生成各种伪图像，显然有多种替代方法，包括替代模糊分组器、神经分组器、隐藏标高模型，或者任何其它已知或今后开发的能生成一组可用于本发明的伪图像像素值的技术或算法。另外，在执行另一类分组或伪图像生成时，显然可用任何其它合适的操作代替上述的隶属功能操作，对对应于各像素位置的各种滤波图像结果或特征图像结果应用加权系数，以便按其与RROI1与RROI2特征的相似性赋于它们更大或更小的值。本领域的技术人员明白适用于本发明的系统与方法的各种替代法。
伪图像生成电路或程序360生成当前伪图像后，参照图1讨论的边缘点分析电路或程序370即工作，沿关注区的边界测定一个或多个边缘点。在边缘点分析电路或程序370的各种实施例中，单元377-379的工作如下扫描线测定电路或程序377能以商业机器视觉系统，诸如Mitutoyo美洲公司(MAC)(Aurora，IL)有售的QUICK VISIONTM系列视觉检验机和QVPAKTM软件所应用的已知方式，测定一条或多条边缘检测扫描线和“横穿”扫描线的方向或极性。扫描线测定电路或程序377通常根据与输入图像上适当定位的边缘工具和/或关注区发生器150的操作相关的数据测定扫描线。操作员输入会影响扫描线间距，或能自动地把5或20像素单位的默认值或关注区的宽度百分比置为默认值。扫描线穿过伪图像的边界延伸。根据边缘附近的伪图像特性，测定边缘检测操作时横穿扫描线的方向或极性。横穿扫描线的方向一般从变化小的区域到变化大的区域。更普遍的是，横穿扫描线的方向为可提供较小嘈杂的边缘检测结果的方向。
根据任何已知或今后开发的成组边缘点检测操作，边缘点检测电路或程序378沿着扫描线测定电路或程序377测定的每条扫描线评估某个边缘点。沿伪图像中各扫描线的诸值构成一维信号。在一实施例中，边缘点就是沿伪图像中该扫描线信号的最大梯度点。显然，对灰度亮度图像等使用的任何已知或今后开发的边缘检测操作，都可用来检测和评估伪图像中的边缘位置。
边缘点检测电路或程序378还可把与评估的诸边缘点相关的一个或多个边缘检测参数记录在存储器130的一个或多个部分里，因而对边缘检测和/或边缘点可靠性评估而言，可利用记录的参数自动执行实例专用边缘检测操作。这类参数可以包括扫描线伪像素值分布曲线表征该边缘的各种特性，诸如穿过边缘的像素值变化、穿过边缘的像素值增大方向、穿过边缘的扫描线数量或比例，包括超过阈值的像素值变化等。在一实施例中，各特性的平均值是记录为以后作实例专用自动“运行时间”边缘测量的基础的值，这样便于只检测那些初始可靠性相当高的边缘点。
接着，边缘点提纯电路或程序379工作，根据附加信息提纯一个或多个初始边缘点估值。在一实施例中，边缘点提纯电路或程序379在沿通常平行于扫描线的方向在初始评估边缘点两侧延伸的局部区域中，对多个像素位置作分析操作。在一种示例操作中，利用沿选择的被检边缘点的扫描线与若干最接近像素位置数q相关的数据，提纯初评边缘点的位置。对于该初评边缘点周围q个像素位置中的每个像素位置i，边缘点提纯电路379根据特征图像生成电路或程序312产生并经实例专用滤波器选择电路350选择的当前特征图像组中这些特定的像素位置，计算(i+1)像素位置与(i-1)像素位置的上述欧几里德距离。每个q像素位置的这些欧几里德距离值形成一曲线，然后分析操作确定曲线下面该区域的面心位置。面心位置以像素位置表示，从而沿扫描线测定提纯边缘点估值。在一实施例中，边缘点提纯电路或程序379运用面心位置操作提纯每个初始边缘点估值。
为使初测的边缘点生效并提高其可靠性，边缘点提纯电路或程序379还执行以下参照图14的步骤S1651~S1662和/或图16的步骤S2520~S2560描述的操作。在各种其它实施例中，边缘点提纯电路或程序379与边界检测与提纯电路或程序380相互作用，后者测定被提纯的边缘点，如参照图1所述那样。
边缘点提纯的电路或程序379还可修改一个或多个先前由边缘点检测电路或程序378测定和/或记录的边缘检测参数，还可在存储器130的一个或多个部分里加录与提纯边缘点相关的一个或多个附加边缘检测参数，因而对边缘检测和/或边缘点可靠性评估而言，可用记录的参数自动实现实例专用边缘检测操作。
在边缘检测与提纯电路或程序380的各种实施例中，单元381~383的操作如下形状分析电路或程序381分析多个评估边缘点，判断它们是否对应于可靠边缘检测的判据。在一实施例中，判据包括基于评估点拟合线(可以是曲线)与期望边缘形状之间偏差的形状记分阈值、基于评估点拟合线与期望边缘位置之间偏差的位置记分阈值，以及基于各个边缘点距离与评估边缘点标准偏差的偏差阈值。期望的边缘形状和位置，由视觉系统操作员应用边缘工具选择与安置设置，或由其它用户输入设置，或基于各种CAD数据操作自动设置。根据形状分析电路或程序381的操作结果，外偏消除电路382选择一个或多个落在外偏阈值判据内的边缘点作消偏或提纯。在各种实施例中，边缘点提纯电路或程序379执行前述的边缘点评估提纯，而形状分析电路或程序381和外偏消除电路382递归分析多个评估/提纯的边缘点，直到最后测定了其余的评估边缘点而构成一可靠或不可靠的边缘。对不可靠边缘，外偏差消除电路在数据/控制总线140上输出相应的误差信号。在各种实施例中，形状分析电路或程序381和外偏消除电路382的操作显然可以合并或不予区分。对可靠的边缘，边缘检测测定电路383测定最后边缘检测数据，包括最后评估的边缘点和/或其它导出的边缘检测参数，并在数据/控制总线140上向存储器130的一个或多个部分和/或输入/输出接口110输出该数据。
在边缘模式测定电路或程序390的各种实施例中，单元391~392的工作如下对每种特定的边缘情况，边缘工具解释电路或程序391根据与该特定边缘情况相关的边缘工具数据，测定作边缘检测操作的各种其它单元正确的操作模式。正确的操作模式基于关注区的特定边缘适于用针对输入图像的边缘检测操作来分析还是用针对伪图像的边缘检测操作来分析，如前所述。在第一实施例中，独特的边缘工具分别只与严格限定的边缘的输入图像边缘检测和明显纹理边缘的伪图像边缘检测相关。此时，边缘工具解释电路或程序391说明与当前边缘情况相关的边缘工具的类型并相应地进行操作。在第二实施例中，边缘工具包括辅助可选特征，如检验箱等，分别只与严格限定边缘的输入图像边缘检测和明显纹理边缘的伪图像边缘检测相关。此时，边缘工具解释电路或程序391说明与当前边缘情况相关的辅助边缘工具特征并相应地进行操作。
但在各种其它实施例中，一种或多种边缘工具可以不具有只与严格限定边缘的输入图像边缘检测或明显纹理边缘的伪图像边缘检测相关的特性或特征。此时，关注区分析电路或程序392可确定合适的边缘检测模式，它可以在关注区中边缘两侧的评估区内，自动地确定至少一个纹理特性，如局部可变值等。评估区位置基于与正确定位的边缘工具和/或关注区发生器150的操作相关的数据。于是，关注区分析电路或程序392根据测定的纹理特性，自动选择合适的边缘检测模式，对为该特定边缘情况作边缘检测操作的各种其它单元建立合适的操作模式。
图3示出两幅示例物体的图像，其纹理明显的边缘可用本发明的边缘检测系统与方法检测与定位。图像400包括的边缘/边界406，可用本发明的边界检测或边缘检测系统与方法的各种实施例准确地定位，它位于图像400的第一与第二部分402与404。图像400是参照图1描述的视觉系统10捕获的物体图像。
在把本发明的边缘检测系统与方法应用于自动模式以在某种运行模式期间检测边缘或边界之前，必须用特定图像导出的参数将其设置成检测特定的边缘。利用已被视觉系统10捕获的图像，边缘检测操作把该得到的图像用作输入图像500。图3示出的输入图像500的实施例，可供本发明的边缘检测系统与方法应用，该输入图像500的边缘506限定在其第一与第二部分502和504之间。
输入图像500得到后，在显示器102上显示，用户可用图形用户接口规定关注区，并在特定边缘或部分被检边缘定位边界检测工具，该工具也称为边界工具或边缘检测工具。关注区发生器150根据对应于该定位的边缘工具的数据限定该关注区。一示例边界工具508包括框505，用户可将其配置成描绘并测定该关注区。例如可将该框配置成弧形或圆形，或如图3的矩形。但应明白，边界检测工具508可以画成能让用户或自动过程限定一关注区的任何形状。边界工具508还包括图3中示为重迭同样矩形的关注区指示符512。在各种其它实施例中，边缘工具是一种边缘点工具，关注区与关注区指示符不在显示器上指出，但根据用户定位的简单点光标，分别由前述的关注区发生器150和滤波图像分析电路310自动确定。在前面参照的商业机器视觉系统等中，各种其它示例边缘工具很清楚。
在输入图像500上画出边界检测工具508后，用户可在边界工具508分界的关注区内限定一有关点(PO)。或者，可相对边界检测工具508的位置自动地确定该有关点PO，但在显示器上可以看不出。有关点PO通常或可能只指示边界或边缘上的某一点。用户也可指示边缘定位操作聚焦到点PO。另外，用户可以限定穿过关注区的边界延伸的各种“扫描”线509之间的距离。或者根据前述的边界检测工具操作和信息，前述的边缘点分析电路370能自动地测定扫描线509与端点间的距离，即穿过关注区边界延伸的每条扫描线509的(X1，Y1)，(X2，Y2)。同样地，前述的滤波图像分析电路或程序310能自动地测定关注区指示符512所指示的关注区的位置。这样，与边界检测工具508相关的操作，能以人工方式由用户输入限定，或利用预定的边界检测工具特性由自动过程限定。通过让用户选择具有预定特性边界检测工具，就可由很少懂得或不懂基础数学或图像处理操作的操作员执行边界检测操作。
图4中，相对另一个输入图像600示出了边界检测工具508、扫描线509与关注区指示符512。为清楚起见，图4示出另一组由关注区指示符指示的关注区，它们由本发明的系统与方法生成并使用。应该明白，有些实施例不示出关注区指示符，而且相对输入图像原来生成的关注区在这里描述的其它相应的滤波图像、特征图像、伪图像等内还包括空间上同等的关注区。如前所述，关注区可自动测定，或用户可通过例如拉动显示的关注区指示符512而测定。如前所述，可在中心点PO周围把关注区编成对称或近似对称的关注区对514。图4示出4对关注区。另外，在测定代表性关注区RROI1与RROI2的前述自动操作的一种替代方法中，用户可选择位于有关点PO相对两侧并沿通常垂直于边界的线安置在关注区内的RROI1与RROI2。然而，最佳的RROI1与RROI2显然通常不一定是沿一般垂直于边界的线安置的关注区对。
图5示出如前所述由伪图像生成电路或程序360生成伪图像700的一实施例。应该明白，伪图像不必显示，且一般不用本发明的系统与方法显示。
这里还一般把本发明系统与方法的各种实施例描述成生成各种“图像”，作为评估图像结果的基础。但应明白，图像结果可由各种通常不被看作“图像”的数据表示确定。只要这类数据表示能提供可被本发明系统与方法使用的一个或多个图像结果，这类数据表示就包括在术语“特征图像”或“伪图像”范围内，因为在本发明的系统与方法的范围内。还应明白，在各种其它实施例中，根据要测定的图像结果，可直接从输入图像和有关候选或被选滤波器测定图像结果，不必像可识别的中间步骤那样呈现或生成识别图像。
不过为清楚起见，伪图像700是有用的。如前所述，伪图像700在空间上与输入图像同等，因而与参照图3和4所述的各种工具单元和关注区也同等。显然，特定的伪图像700对应于放大的输入图像，故能支持高精度边缘检测，不管该特图像模糊的外观。可以像前述那样测定横穿扫描线509的方向，如扫描线509上的箭头所示。只要求在图5中由线704分界的关注区内测定伪图像700。在伪图像700中沿边缘/边界706标“x”号的边缘点702，按前述方法测定。在本发明系统与方法的各种实施例中，因伪图像在空间上与输入图像同等，故便于在图形用户接口上显示对该伪图像测定的边缘点，包括输入图像。
图6示出对示例输入图像800测定的多个边缘位置802的实施例，这些位置由示例边缘点分析电路或程序370应用前述的梯度型边缘检测操作测得。在本发明系统与方法的各种实施例中，因伪图像在空间上与输入图像同等，故便于在包括输入图像的图形用户接口上把对该伪图像测定的边缘点802显示为边缘点802。图6还示出了关注区指示符814和边界工具808的极限。
在一实施例中，在视觉系统10的部分编程或培训模式中，一测定边缘点802，就向用户显示例如包括单元800、802、808等的内容。若用户核准显示的边缘点802和同样产生与输出的任何相关边缘位置数据，用户就通过一个或多个动作接受结果，很少移向视觉系统10作新的操作。用任何方式指示用户接受后，控制系统部100就存贮各种前述的操作和参数，像部分程序存储部133里的实例专用程序或实例专用培训的边缘/边界检测工具那样用来测定边缘点802。控制系统部100还可在存储器130中存贮相关的生成和输出的边缘位置数据。控制系统部100存贮的实例专用程序或培训的边缘/边界检测工具，通常贮存和并且/或者包括在一条以上部分程序内，像“运行模式”的情况那样，可以自动、快捷、可靠地检测边缘。可以有利地应用实例专用程序和/或培训的边缘/边界工具的类似情况，例如包括在将来检测同样的边缘，在同一部分检测同一边缘的另一部分的情况，即在按同一技术规范产生的将来部分上以不同的视场检测“同一”边缘，并且检测由同一过程产生的其它边缘，诸如平板上各种位置各种同类孔(如印刷电路板孔)上的边缘。本领域的技术人员和机器视觉系统的一般用户都明白各种类型的同类边缘情况，因而这些实例决非极限。
参照图15和16将详述运行模式处理。
图7的流程图描述按本发明培训边界检测工具在输入图像中检测边缘实例专用的方法的一实施例。培训的边界检测工具可供快速而可靠的自动边界定位程序使用，诸如包括在部分程序里对同类部分检查同类边缘情况的程序。在步骤S1000开始操作后，操作进到S1100，获取第一或下一个输入图像。然后在步骤S1200，测定输入图像内的关注区，并确定穿过被测定关注区延伸的扫描线。接着在步骤S1300，生成至少该关注区的一幅或多幅特征图像，操作再继续到步骤S1400。
在步骤S1400，分析步骤S1300生成的这些特征图像，以确定并选择可将被检特定边缘一侧的第一关注区与其另一侧的第二关注区区分开来的那些特征图像。如上所述，根据选出的代表性关注区对，某些生成的特征图像可能在边缘两侧并无明显不同的特征像素值来支持可靠的边缘检测。在步骤S1400，若任一幅特征图像无助于改善边缘检测，可减少初始组的特征图像。
接着在步骤S1500，生成隶属图像，指示至少该关注区中各像素相对于两组的隶属值。这两组的中心基于在步骤S1400选择的代表性关注区对的特性，诸隶属值基于组中心特性和在S1300生成并在S1400选择的特征图像。建立隶属图像所使用的这两组，代表了步骤S1400选择的特征图像所反映的被检边缘每一侧的两类特征图像数据。于是在步骤S1600，根据步骤S1500生成的隶属图像测定沿扫描线的边缘点，从中选出“良好”边缘点后，操作再进到步骤S1700。
在步骤S1700，对步骤S1600保持的各被检边缘点，分析其邻近的“邻区”以纠正其位置，并分析一组被检边缘点以消除外偏。在步骤S1700，执行先前参照边缘点提纯电路379和边界检测与提纯电路380所描述的一种或多种操作。在一种示例操作中，利用与若干沿选择的被检边缘点的扫描线的最近像素位置数q相关的数据，提纯该选出的被检边缘点的位置。对选出的被检边缘点周围q个像素位置的每一像素位置i，根据当前特征图像组中的这些特定像素位置，计算(i+1)与(i-1)像素位置的欧几里德距离，q个像素位置各自的欧几里德距离形成一曲线。然后，把该曲线的面心用作该选出的被检边缘点的提纯位置。边界检测与提纯电路380分析一组选出的被检边缘点，检测并校正或消除外偏。接着在步骤S1800，接受并且/或者存贮代表在培训模式中建立的输入图像中确定检测该特定边缘情况的信息的边界检测工具数据。用户可按显示的最后一组边缘点或相关的边界检测数据确定接受。作为一种默认条件，可以存贮该边界检测工具数据而无需特定接受。下一步在步骤S1900，判断是否获取另一输入图像。若要选择并分析另一图像，操作返回步骤S1100，否则进到步骤S1950，该方法停止操作。
图8的流程图详细描述了步骤S1200测定关注区方法的一实施例。在步骤S1200操作开始后，操作进到步骤S1210，用户判断边缘检测操作是否要用自动边界检测工具来反映被检特定边缘内或通过它的关注区。若用户不用自动边界检测工具，操作就进到步骤S1220，否则操作跳到S1250。在步骤S1220，用户人工画出和/或编出前述的边界检测工具，选择要定位的边界和期望的关注区。然后在步骤S1230，用户在建立的边界检测工具定界的关注区内选择点PO，最好接近边界，以聚焦边缘检测处理。应该明白，生成点PO也可作为工具绘画过程的一部分，而步骤S1220与S1230的操作可以不予区分。在步骤S1240，通过用户输入或由选择的关注区导出的默认位置，确定扫描线沿该边界的位置或间距以及扫描线的长度或端点。操作再跳到步骤S1260。
与步骤S1220、S1230和S1240不同，在步骤S1250，应用了自动边界检测工具。各种自动边界检测工具可以有各种操作范围。举个例讲，用户可选一合适的工具，如点工具或框工具，然后只是在定为“PO”的点附近“定位”该工具的光标/指针单元，该工具就自动地测定利用该工具作边缘检测所需的任一前述的工具参数。还能自动地规定扫描线。然后，操作继续到步骤S1260，再在那里返回步骤S1300。
图9的流程图详细描述了步骤S1300生成特征图像方法的一实施例。在步骤S1300开始，操作进到步骤S1310，判断用户是否以人工方式选一组候选滤波器或自动确定该候选滤波器组。如前所述，候选滤波器这术语表示将该滤波器用于从当前图像生成滤波的图像结果，以后再根据该图像结果接受或拒用该滤波器。若不是自动设置候选滤波器组，操作就进到S1320，否测跳到S1330。可以确定自动候选滤波器选择组并且/或者运用图形用户接口的候选滤波器法选项进行传送。
在步骤S1320，用户人工选择候选滤波器组，如前所述。然后操作跳到步骤S1340。反之在步骤S1330，自动选定要用的候选滤波器组，操作再进到步骤S1340。
在步骤S1340，把选择的或通过候选滤波器法自动确定的候选滤波器应用于输入图像限定的关注区，生成相应数量的特征图像。接着在步骤S1350，操作返回步骤S1400。
图10的流程图详述了执行步骤S1400有用特征图像选择方法的一实施例。如前所述，在选出一幅有用特征图像时，也有效地选择了用于生成该特征图像的相应的滤波器。在步骤S1400开始，操作进到步骤S1410，限定单对或多对关注区，如图3、4和6所示的各种关注区对。尤其对每对关注区，在边界检测工具定界的关注区内，在关注点PO一侧规定第一关注区。在关注点PO另一侧与该对关注区的第一关注区正好相反地限定该对关注区的第二关注区。接着在步骤S1420，从其中一对关注区选出代表性的成对关注区RROI1与RROI2。当然要明白，若步骤S1410只规定单对关注区，则可省略步骤S1420。
接着在步骤S1430，根据对代表性关注区对内特征图像数据的分析，选择一特征图像子组，通常包括在选择点PO相对两侧代表性关注区内最佳地区分图像数据的特征图像。把相应的选择滤波器组至少作为工具相关数据暂存起来。如上所述，在各种实施例中，为实现更快速的边缘检测和/或提高应用本发明系统与方法检测边缘的精度与可靠性，这种选择可减少必须应用于边缘检测的滤波器数量。然后，操作继续到S1440。
步骤S1430构成特征选择步骤。应该明白，特征提取是众所周知的特征选择的替代或补充，实际上是一种组合特征图像以生成较小却较有效特征图像组的技术。本领域的技术人员知道各种有用的特征提取法，在各种实施例中，在步骤S1430用特征提取代替了特征选择。前面引用的参考文献已说明了诸有用的特征提取法。
在步骤S1440，重选代表性关注区对，以根据选出的特征图像子组提供新的RROI1与RROI2。应该明白，步骤S1440是选用的，可以省略。接着在步骤S1450，根据特征图像子组各特征图像的最新代表性关注区对RROI1与RROI2里的图像数据，建立若干分类矢量，如上述的CV1与CV2。在一实施例中，算出特征图像子组位于代表性关注区RROI1与RROI2内各特征图像的平均图像数据，分别生成分类矢量CV1与CV2。通常，分类矢量CV1与CV2的规模为n，n是特征图像子组中的特征图像数。或者，在各种实施例中，把最新的RROI1与RROI2作为工具相关数据至少暂存起来。然后在步骤S1460，操作返回S1500。
图11的流程图详述了步骤S1500测定隶属图像方法的一实施例。在步骤S1500开始，操作进到S1510，选择至少在边界检测工具定界的关注区内的第一或下一像素，即像素位置。接着在步骤S1520，利用诸如前述的修正型模糊c方式分组器的分组器和建立的分类矢量CV1与CV2，测定当前像素的隶属值。然后，操作进到S1530。
应该明白，修正型模糊c方式分组器只是适用于步骤S1520操作的一种示例分组器，在执行图10所示步骤S1420-S1450的操作时尤其快速而适宜。在本发明系统与方法的各种实施例中，使用了前述参考文献所描述的“非修正型”模糊c方式分组器，这类分组器不需要组的原型，通过迭代工作改进数据点分离，因而不用执行图10所示至少步骤S1420-S1450的操作。
接着在步骤S1530，判断其余未选择的像素是否要作分析。若要分析，操作就退回S1510，否则进到S1540，确定边缘检测时沿扫描线的横穿方向。如前所述，运用隶属图像和测定隶属图像所使用的代表性关注区对RROI1与RROI2，可测定沿扫描线的运动方向。然后在步骤S1550，操作返回S1600。
显然，步骤S1500中可以省略步骤S1540的操作，代之以从步骤S1600开始。在另一实施例中，完全省略步骤S1540的操作，使用默认横穿方向。在本发明系统与方法的这类实施例中，虽然对某些边缘会影响一些可靠性与精度，但是受益是明显的。
图12的流程图详述了步骤S1600检测和选择边缘点位置方法的一实施例。在步骤S1600开始，操作进到S1610，选出第一或下一扫描线。然后在步骤S1620，用步骤S1500规定的隶属图像检测选出扫描线内的一个(或多个)边缘点。显然，若对选用于本发明系统与方法的边缘检测操作更有利或更稳健，可将原始隶属图像的像素值加以比例变换或归一化成期望的范围。接着在步骤S1630，把检出的边缘点加到初始边缘点组PEI。然后，操作继续到S1640。
在步骤S1640，判断有无任何剩余的未选扫描线。若有，操作回到S1610；否则进到S1650，根据该隶属图像选择有效边缘点。然后在步骤S1670，操作返回S1700。
图13的流程图详述了步骤S1420选择代表性关注区对方法的一实施例。在步骤S1420开始，操作继续到S1421，对第一/下一对关注区，根据候选特征图像组的各特征图像，测定两个关注区中特征图像数据之间的相似距离。在各种实施例中，相似距离就是上述的Fisher距离。还应明白，可测定若干相似距离。然后在步骤S1422，判断是否对规定的所有关注区对都测定了相似距离。若是，操作继续到S1423；否则跳到S1421，对下一对关注区测定相似距离结果。
在步骤S1423，如前所述，根据测得的相似距离选出代表性关注区对RROI1与RROI2。根据测得的相似距离，选出的代表性对一般是具有最不相似组成的关注区的对。然后，操作继续到S1424。显然，在仅规定单对关注区的情况中，它被选为代表性关注区对。然后在步骤S1424，操作返回S1430。
图14的流程图示出按本发明用图12的隶属图像选择有效边缘点方法的实施例。在步骤S1650开始，操作进到S1651，选出第一或下一边缘点。接着在步骤S1652，对选出的边缘点规定新类型的关注区对EROI1与EROI2，通常在功能和位置上与先前规定的关注区不相关。在一实施例中，EROI1与EROI2在各相对侧是11×11像素方块，以对应于选出边缘点的扫描线为中心，中央的10个像素离开选出的边缘点。然后，操作继续到S1653。
在步骤S1653，在新的关注区对EROI1与EROI2中测定隶属图像像素值的相似度，操作再继续到S1654。
应该明白，隶属图像像素可能的值范围在第一与第二值之间，第一值代表对应于RROI1的等级中的隶属关系，第二值代表对应于RROI2的等级中的隶属关系。各个新关注区EROI1与EROI2中的像素一般符合其各自一侧的隶属图像边界。在一实施例中，若像素值更接近第一值，就符合RROI1等级，若更接近第二值，则符合RROI2等级。在另一实施例中，为评估隶属相似性，根据一个或多个测定的边缘点的隶属值，将诸隶属图像像素值与一在学习模式中测定的阈值作比较。
在步骤S1654，判断隶属相似度是否符合预定的“合格”标准，即在步骤S1654，分析初始边缘点组PEI，判断是否被检边缘点因成为无效边缘点而从该初始边缘点组中丢弃。例如，若EROI1中预定部分的像素符合代表其边界一侧的判据(如CV1、RROI1的一特性等)，而且EROI2中预定部分的像素符合代表其边界一侧的判据，就不丢弃该被检边缘点。若符合该“合格”标准，操作就跳到S1656；否则进到S1655，从初始边缘点组中丢弃该选出的边缘点。然后，操作进到S1656。在一实施例中，符合各区域EROI1与EROI2的像素比例必须至少达85％，否则丢弃选出的边缘点。显然，低相似性对应于嘈杂或异常区域，倾向于指示无效边缘点。根据“接受”边缘点期望的可靠性，可调整该预定比例。还应明白，在运行模式和培训模式操作期间，根据各模式便于得到的数据，可用不同类型的标准区分边界的两侧。
在步骤S1656，判断有无剩余边缘点要分析。若有，操作返回S1651；否则进到S1657。
在步骤S1657，对应于未在步骤S1655丢弃的每个剩余边缘点，测定一个或多个特征距离值D。在一实施像中，根据选择的特征图像子组里的所有特征图像，测定前述对应于各剩余边缘点的EROI1与EROI2的Fisher距离。此时，对每一剩余边缘点得出单一距离值D。接着在步骤S1658，根据剩余边缘点的一个或多个测出的距离值D，测定一个或多个相应的差参数d，并把它作为工具相关数据至少暂存起来。例如，可把刚才提到的Fisher距离值D的最小值测定为单个差参数d。然后，操作继续到S1659。
在步骤S1659，从初始边缘点组PEI的剩余边缘点PE中选出第一或下一边缘点，操作再继续到S1660。
在步骤S1660，判断步骤S1657测定的选择的边缘点的一个或多个特征距离(D)是否小于步骤S1658测定的相应的一个或多个差参数(d)。若被选边缘点的一个或多个特征距离(D)不小于相应的一个或多个差参数(d)，操作就跳到S1662；否则进到S1661，从剩余边缘点组PE中丢弃该被选边缘点，操作继续到S1662。在步骤S1662，判断有无要验证的剩余边缘点；若有，操作返回S1659，否则进到S1663并返回S1670。
应该明白，步骤S1657测定的差参数d可予以保留，并且在运行模式期间以类似于参照步骤S1657-S1662描述的应用操作的方式，与相关的培训边缘工具一起使用。其作用是像培训使用的隶属图像一样，可保证运行时建立的隶属图像至少基本上适用于边缘检测。还应明白，若将d置成前述的最小值，则在工具培训模式中不必执行步骤S1659-1662。还要明白，大体上分别对应于步骤S1651-S1656和S1657-S1662的操作组，都易于保证剩余边缘点的可靠性，因而任一操作组中使用的筛选法一般可单独实施。在本发明系统与方法的这类实施例中，尽管有些影响某些边缘的可靠性与精度，但是仍得益匪浅。
图15的流程图示出一实施例方法，应用本发明图7-14描述的设置方法所规定的参数，在不同但类似的特定输入图像情况中检测类似的特定边缘情况的位置。如前所述，该边缘检测系统与方法，具体而言，由前述操作建立的边界检测工具，利用特定图像导出的参数检测特定输入图像内的特定边缘。相应地，现在可将本发明的边缘检测系统与方法应用于自动模式，在运行模式期间不同但类似的输入图像情况中检测边缘或边界。由于本发明边缘检测系统与方法的运行模式操作包括许多前面在建立模式中讨论过的同样的步骤，因而省去了对步骤S2100-S2400和S2400-S2700的详述，因为这些步骤类似于图7-12中的对应步骤，但先前在“学习”模式期间测定和接受/存贮的某些参数被用于“运行模式”。
在步骤S2000开始，操作进到S2100，获取第一或下一图像。然后在步骤S2200，用在“学习模式”测定的参数测定关注区和一条或多条扫描线。接着在步骤S2300，根据先前选出的贮存为工具相关数据的滤波器，生成一幅或多幅特征图像。再在步骤S2400，根据步骤S2300的操作生成的特征图像组和前述的分类矢量CV1与CV2，生成隶属图像，操作再进到S2500。
在各种其它实施例中，显然可根据保留的工具相关数据与当前生成数据的各种不同组合来生成隶属图像。如在第一实施例中，分类矢量CV1与CV2是在培训或学习模式期间测定的矢量，并相应地测定隶属图像像素值。在第二实施例中，根据培训或学习模式期间确定的RROI定义，用一对RROI从当前特征图像组测定当前分类矢量CV1与CV2。在第三实施例中，用步骤S1410-1420的操作测定当前RROI1与RROI2，用步骤S1450的操作测定当前CV1与CV2，并相应地测定隶属图像像素值。显然，第二与第三实施例比第一实施例更费点时间，不过所有三个实施例都具有与应用先前选择的贮存为工具相关数据的滤波器相关的优点。本领域的技术人员应明白各种其它组合与替代方式。
在步骤S2500，在每条扫描线中检出一个或多个边缘点并选出“合格”的边缘点。由于该操作不同于对图7、12和14中步骤S1600描述的边缘点检测与选择过程，将参照图16作一详述。接着在步骤S2600，沿剩余边缘点在步骤S2500未被丢弃的每条扫描线，提纯出被检边缘的位置并最终确定该边缘位置，像参照图7的步骤S1700描述的一样。然后在步骤S2700，判断是否要获取另一输入图像，若要，则操作跳回S2100；否则进到S2800，结束运行模式操作方法。
图16的流程图详述了按本发明选择图15中诸边缘点位置的方法的一实施例。在步骤S2500开始，操作进到S2510，对确定的扫描线组检测初始边缘点组，该组以步骤S2400生成的隶属图像为基础。然后在步骤S2520，选出一未选的边缘点。接着在步骤S2530，由该边缘点测出被选边缘点的特征距离(D)，如先前参照图14中步骤S1657描述的一样。于是，操作进到S2540。
在步骤S2540，判断该被选边缘点的一个或多个特征距离D是否小于先前在图14的步骤S1658规定的相应的一个或多个差值d。若是，操作就进到步骤S2550，否则跳到S2560。在步骤S2550，由于被选边缘点的一个或多个特征距离D小于相应的一个或多个差值d，就从初始边缘点组里丢弃被选缘点。然后在步骤S2560，判断有无剩余的未选边缘点，若有，操作返回S2520；否则进到S2570，操作返回S2600。应该明白，在各种实施例中，为进一步提高剩余边缘点的可靠性，应在运行模式中执行S2570之前，先执行步骤S1651-S1656的操作，例如在步骤2560或2510之后即执行这些操作。
在各种实施例中，控制部100是在编程的通用计算机上构制的，但也可构制于专用计算机、编程的微处理器或微控制器与外围集成电路单元、ASIC或其它集成电路、数字信号处理器、分立元件电路一类的硬件电路或逻辑电路和PLD、PLA、FPGA或PAL等可编程逻辑装置。一般而言，能构成某种有限状态机而执行图7-15所示流程图的任一装置，都可构成本发明的控制部100。
存储器130可用恰当组合的可更改、易失或非易失存储器或者不可更改或固定的存储器构成。无论是易失或非易失的可更改存储器，可用任一种或多种静态或动态RAM、软盘与盘驱器、可写或可改写光盘与盘驱器、硬驱器、闪速存储器等构成。同样，不可改或固定存储器可用任一种或多种ROM、PROM、EPROM、EEPROM和诸如CD-ROM或DVD-ROM盘的ROM光盘和盘驱器等构成。
显然，可将图1中各电路或其它单元150-180和305-379构成合适编程通用计算机的各部分，或者在ASIC内构成实体上不同的硬件电路，或者应用FPGA、PDL、PLA或PAL，或应用分立逻辑元件或分立电路元件构成这些电路或单元，图1所示各电路或单元要采用的形式在设计上可选择，本领域的技术人员应明白且可预测。
另外，控制部100可做成在编程的通用计算机、专用计算机、微处理器上执行的软件，也可将其配入软件和/或硬件系统，如视觉系统的硬软件系统。
虽然参照诸较佳实施例描述了本发明，但应理解，本发明并不限于这些实施例或结构，相反地，本发明包括各种修改与等效结构。此外，在各中示例性的组合和配置中示出了较佳实施例的各种单元，但其它组合和配置，包括更多、更少或仅仅单个单元，也都符合本发明的精神与范围。
权利要求
1.一种生成确定目标图像边界位置的实例专用边界定位程序的方法，所述目标由具有至少两个图像滤波单元的机器视觉系统成像，其特征在于，所述方法包括识别机器视觉系统成像的目标图像的关注区，该关注区指示准备定位于目标的边界；在关注区附近测定至少两个滤波图像结果，这至少两个滤波图像结果至少部分基于所述至少两个图像滤波单元之一；根据至少两个滤波图像结果，在至少两个图像滤波单元中选择至少一个单元；确定实例专用边界定位程序，其中该实例专用边界定位程序包括生成包括准备定位于目标的边界的伪图像，该伪图像基于至少一个选出的图像滤波单元；对伪图像作边缘检测操作以确定边界位置，该边界位置可用作机器视觉系统成像目标的尺度检验度量。
2.如权利要求1所述的方法，其特征在于，对伪图像作边缘检测操作还包括测定至少一个指示边界位置的边缘点，并根据至少一个测定的边缘点确定该边界位置。
3.如权利要求2所述的方法，其特征在于，测定至少一个边缘点还包括根据沿穿过边界位置延伸的各扫描线的梯度分析操作，测定至少一个边缘点。
4.如权利要求2所述的方法，其特征在于，测定至少一个边缘点还包括根据沿穿边界位置延伸的各扫描线的第一分析操作，测定第一边缘点；对与多个在局部区域中沿各扫描线延伸的像素位置i相关的数据作第二分析操作，所述局部区域在第一边缘点两侧延伸；根据第二分析操作结果，确定修正的边缘点以置换第一边缘点。
5.如权利要求4所述的方法，其特征在于，第二分析操作包括根据与多个像素位置相关的数据测定多个像素位置i的每个值，并根据测定值的空间分布测定沿各扫描线的面心位置。
6.如权利要求5所述的方法，其特征在于，对多个像素位置i测定的每个值，在至少一幅对应于至少一个选出的图像滤波单元的特征图像中，包括(i+1)像素位置所关联数据与(i-1)像素位置所关联数据之间的特征距离。
7.如权利要求2所述的方法，其特征在于，确定边界位置还包括根据判据分析一组被测定边缘点，所述判据至少包括局部区域符合判据、局部区域特征距离判据和边界形状判据之一；取消不符判据的被测定边缘点，以确定剩余被测定边缘点组；根据剩余被测定边缘点组，确定边界位置。
8.如权利要求7所述的方法，其特征在于，确定剩余被测定边缘点组还包括取消断定为对测定的边缘点组的拟合直线或曲线外偏的被测定边缘点。
9.如权利要求7所述的方法，其特征在于，确定剩余被测定边缘点组包括取消在边界相对侧位于第一和第二局部区域侧面不符合为边界第一与第二侧建立的代表性特性的被测定边缘点。
10.如权利要求7所述的方法，其特征在于，确定剩余组被测定边缘点组包括确定边界相对侧位于被测定边缘点侧面的第一与第二局部区域的特征距离，该特征距离基于至少一幅对应于至少一个选定图像滤波单元的特征图像；和若特征距离小于先前基于类似第一与第二局部区域建立的代表性特征距离，取消该被测定边缘点。
11.如权利要求1所述的方法，其特征在于，测定至少两个滤波图像结果还包括在边界第一侧关注区附近，对第一区域测定第一部分滤波图像结果；在边界第二侧关注区附近，对第二区域测定第二部分滤波图像结果；根据测定的第一与第二部分滤波图像结果之差，测定滤波图像结果。
12.如权利要求11所述的方法，其特征在于，测定第一和第二部分滤波图像结果还包括至少部分根据至少一个图像滤波单元，在关注区附近生成滤波图像；根据生成的滤波图像，测定第一和第二部分滤波图像结果。
13.如权利要求11所述的方法，其特征在于，在两个图像滤波单元中选择至少一个单元还包括测定在第一与第二部分滤波图像结果之间呈现最大差异的滤波图像结果根据该测定的滤波图像结果，在两个图像滤波单元中选择至少一个单元。
14.如权利要求11所述的方法，其特征在于，第一和第二区域选自多个候选的第一和第二区域。
15.如权利要求14所述的方法，其特征在于，与剩余的多个候选第一和第二区域产生的各第一与第二部分滤波图像结果之间的差异相比，根据在各第一与第二部分滤波图像结果之间产生最大差异的第一和第二区域，选择第一和第二区域。
16.如权利要求1所述的方法，其特征在于，还包括用实例专用边界定位程序测定同类实例边界位置。
17.如权利要求1所述的方法，其特征在于，机器视觉系统还包括部分程序记录部，该方法还包括在部分程序内记录实例专用边界定位程序。
18.如权利要求1的方法，其特征在于，还包括对至少第二关注区重复该方法以确定至少第二实例专用边界定位程序，用于在机器视觉系统成像的目标图像上确定至少第二实例专用边界位置。
19.如权利要求1的方法，其特征在于，机器视觉系统还包括至少有两个图像滤波单元的预定组，各预定组对应于关注区指示的边界位置周围的纹理特征，其中在关注区附近测定至少两个滤波图像结果还包括测定边界位置两侧区域中的纹理特征；根据测定的纹理特征，选择至少有两个图像滤波单元的预定组；和测定至少两个滤波图像结果，使其每个滤波图像结果只基于包含在选出的至少有两个图像滤波单元的预定单元内的滤波单元。
20.如权利要求1所述的方法，其特征在于，伪图像包括隶属图像。
21.如权利要求1所述的方法，其特征在于，确定实例专用边界定位程序包括根据在至少两个图像滤波单元中选出的至少的一个单元，生成当前伪图像；根据生成的当前伪图像，测定至少一个实例专用边缘检测参数值；其中，实例专用边界定位程序还包括至少一个实例专用边缘检测参数值，而边缘检测操作将实例专用边界定位程序生成的伪图像的特征与至少一个实例专用边缘检测参数值作比较，以产生可靠的边缘点。
22.如权利要求1所述的方法，其特征在于，机器视觉系统还包括图像显示器、用户输入装置、图形用户接口和至少一个边缘工具，而识别关注区还包括机器视觉系统用户通过在显示在图像显示器的目标图像上使至少一个边缘工具相对边界位置定位，指示该关注区。
23.如权利要求1所述的方法，其特征在于，机器视觉系统自动进行至少测定至少两个滤波图像结果、在至少两个图像滤波单元中选择至少一个单元和确定实例专用边界定位程序。
24.如权利要求1所述的方法，其特征在于，至少两个图像滤波单元包括纹理滤波单元。
25.如权利要求24所述的方法，其特征在于，机器视觉系统包括一台彩色摄像机和至少两个图像滤波单元，还包括一些彩色滤波单元。
26.一种操作机器视觉系统以测定目标边界位置的方法，所述目标由具有至少两个图像纹理滤波单元的机器视觉系统成像，其特征在于，所述方法包括在机器视觉系统成像的目标上识别关注区，该关注区指示目标的边界根据基于先前类似情况边界分析而预选的至少一个图像纹理滤波单元，生成包括准备在目标上定位的边界的伪图像；对伪图像作边缘检测操作以确定边界位置，该边界位置可用作机器视觉系统成像的目标的尺度检验度量。
27.如权利要求26所述的方法，其特征在于，对伪图像作边缘检测操作还包括测定至少一个指示边界位置的边缘点，根据该至少一个测定的边缘点确定边界位置。
28.如权利要求27所述的方法，其特征在于，确定至少一个边缘点还包括根据第一分析操作，沿穿过边界位置延伸的各扫描线确定第一边缘点；对于多个沿局部区域内各扫描线延伸的像素位置相关的数据作第二分析操作，所述局部区域在第一边缘点两侧延伸；根据第二分析操作结果，测定修正的边缘点以置换第一边缘点。
29.如权利要求28所述的方法，其特征在于，第二分析操作包括根据与多个像素位置相关的数据，测定多个像素位置i的每个值，并根据测定值的空间分布，测定沿各扫描线的面心位置。
30.如权利要求29所述的方法，其特征在于，在对应于至少一个选定的图像滤波单元的至少一幅特征图像中，对多个像素位置i测定的每个值包括(i+1)像素位置所关联数据与(i-1)像素位置所关联数据之间的特征距离。
31.如权利要求27所述的方法，其特征在于，确定边界位置还包括按判据分析一组测定的边缘点，所述判据至少包括局部区域符合判据、局部区域特征距离判据与边界形状判据之一；取消不符判据的测定的边缘点，以确定剩余边缘点组；根据剩余边缘点组确定边界位置。
32.如权利要求26所述的方法，其特征在于，以优于100微米的分辨率对机器视觉系统成像的目标测定边界位置。
33.如权利要求26所述的方法，其特征在于，以优于25微米的分辨率对机器视觉系统成像的目标测定边界位置。
34.如权利要求26所述的方法，其特征在于，以优于5微米的分辨率对机器视觉系统成像的目标测定边界位置。
35.如权利要求26所述的方法，其特征在于，以相对于机器视觉成像目标的图像的子像素分辨率测定边界位置。
36.一种操作机器视觉系统的方法，其特征在于，所述机器视觉系统包括一组图像纹理滤波单元；第一边缘检测模式，它应用由机器视觉系统成像的目标图像上边缘周围纹理以外的特征来确定该边缘位置；第二边缘检测模式，它通过运用一组图像纹理滤波单元，利用由机器视觉系统成像的目标图像上边缘周围的纹理测定该边缘位置；图像显示器；用户输入装置；图形用户接口；至少有一个边缘工具的边缘工具组；所述方法包括获取目标图像，该图像包括准备测定位置的边缘；在图像显示器上显示获取的目标图像；选择至少一个边缘工具；相对于准备测定位置的边缘定位至少一个边缘工具，识别显示图像中的关注区；在第一和第二边缘检测模式中选择至少一个模式；根据在第一和第二边缘检测模式中选出的至少一个模式，确定实例专用边缘定位程序，所述程序用于测定可用作机器视觉系统成像目标的尺度检验度量的边界位置。
37.如权利要求34所述的方法，其特征在于，至少一个边缘工具可由机器视觉系统用户选择并为在第一和第二边缘检测模式中选出的至少一个模式使用，不用考虑用户选择至少一种边缘检测模式。
38.如权利要求35所述的方法，其特征在于，在第一和第二边缘检测模式中选择至少一种模式包括自动测定关注区内边缘两侧区域中的至少一种纹理特征征；根据测定的至少一种纹理特征，在第一和第二边缘检测模式中自动选择至少一种模式。
39.如权利要求34所述的方法，其特征在于，在选出第二边缘检测模式时，实例专用边界定位程序包括生成包括该边界位置的伪图像，该伪图像以按照第二边缘检测模式选出的图像纹理滤波单元为基础；对该边界位置的伪图像作边缘检测操作，以测定可用作机器视觉系统成像目标的尺度检验度量的边界位置。
40.一种用于在具有至少两个图像滤波单元的机器视觉系统成像的目标图像上测定边界位置的实例专用边界检测系统，其特征在于，所述系统包括滤波图像分析部，用于对关注区内纹理输入图像应用至少两个滤波单元以测定修正的数据，并根据该修正数据确定滤波图像结果；实例专用滤波器选择部，用于在至少两个滤波单元中选择至少一个能最佳地根据滤波图像结果强调关注区中边界位置的滤波单元；伪图像生成部，用于根据在至少两个滤波单元中选出的至少一个单元，在关注区中生成伪图像；边缘点分析部，用于关注区内的伪图像以评估该伪图像中的一个或多个边缘点；边界检测与提纯部，用于分析一个或多个评估的边缘点，判断它们是否符合于可靠边缘的判据。
41.一种具有在机器视觉系统成像的目标图像上测定边缘位置的实例专用边缘定位程序的实例专用边缘检测系统，其特征在于，该系统包括一组图像纹理滤波单元；第一边缘检测模式，利用由机器视觉系统成像的目标图像上边缘周围纹理以外的特征测定该边缘位置；第二边缘检测模式，通过运用图像纹理滤波单元组，利用由机器视觉系统成像的目标图像上边缘周围的纹理测定该边缘位置；图形用户接口；显示获取的目标图像的图像显示器；选择至少一个边缘工具的用户输入装置；其中，通过相对于准备测定位置的边缘定位至少一个边缘工具而在显示的获取图像中识别关注区，在第一和第二边缘检测模式中选出至少一个模式，根据该选出的至少一个边缘检测模式确定实例专用边缘定位程序，并用该程序测定可用作该目标尺度检验度量的边缘位置。
全文摘要
揭示的系统与方法可根据若干不同的图像特征,如纹理、亮度、色彩等,精密地检测并定位边缘或边界位置。用户可调用边界检测工具,以便例如与常规亮度梯度边缘检测操作一起执行基于纹理的找边缘操作。边界检测工具限定的主要关注区,将包括准备在捕获的目标图像内定位的边缘或边界。边界检测工具可用于检测当前目标中的边缘,迅速而稳健地测定类似目标将来的相应边缘。
文档编号G06T7/60GK1423237SQ0215222
公开日2003年6月11日 申请日期2002年11月15日 优先权日2001年11月16日
发明者A·特沙德罗 申请人:株式会社三丰