论文部分内容阅读
随着计算机技术的不断进步,机器视觉技术已被广泛地应用于人脸识别、目标检测、遥感测距等领域。而图像识别技术又是机器视觉的一个重要的技术之一。首先,本文首先介绍了选题背景和研究意义,利用机器视觉去识别PCB板图像的结构特点是否符合标准图像,并根据PCB板图像本身具有很多的纹理特征和较多的边缘信息的特点,确定了图像特征匹配算法为本文的研究重点。据此,介绍了国内外图像识别匹配算法的研究现状。其次,简要介绍了图像匹配的原理、图像特征匹配算法及图像的灰度变换、图像降噪和边缘提取3种预处理;对比了 Harris角点法、SIFT算法、PCA—SIFT算法、SURF算法和Hu不变矩这些图像特征匹配算法的优缺点,根据PCB板具有明显的纹理特征和较多的边缘信息的特点,选择了特征点识别算法SIFT和形状识别算法Hu不变矩。然后,在分别对SIFT算法和Hu不变矩算法进行介绍后,分析了 SIFT算法在提取边缘特征点时对噪声较敏感,容易找到错误的特征点,并且会发生错误的特征点匹配的原因;分析了对于缩放后的简单轮廓图,Hu不变矩在形状识别上效率低下的原因。利用RANSAC算法、改进的图像距离公式和Canny算子对SIFT算法进行了改进;通过对Hu不变矩的中心归一化算子进行修正来提高对缩放后的轮廓图形状的识别率。基于Visual Studio 2015,在OPENCV2.4.13配置环境下通过实验对算法的改进进行了验证,并证明了改进后SIFT算法在边缘特征点提取上减少了错误特征点,提高了正确匹配率;Hu不变矩在图像进行缩放后形状识别率得到了明显的提高。最后,本文使用改进的SIFT算法和Hu不变矩,基于同样的实验平台,进行了PCB板的图像匹配识别实验,根据匹配待匹配PCB板图像与标准PCB板图像的特征点的对数和形状匹配率来判断待匹配的PCB板图像是否符合要求。实验证明,改进的算法能有效地减少PCB图像匹配中错误特征点数量,提高特征点的匹配正确率;对于旋转、平移或缩放后的PCB板图像,提高了形状匹配度。