焊接机器人焊缝特征提取和模式识别中焊缝图像模式识别 下

焊接机器人图像的空间关系是先将图像根据某些特征分割出的相应子图像间的空间位置关系，这种位置关系包括邻接、重叠和包容关系。通过提取图像的空间特征关系，有利用区分图像内容，但实际应用过程中需要配合其它特征才能更有效的表示图像具体的场景信息。

图像的形状特征表示着一种几何信息，这种信息在图像理解和图像检索中扮演着很重要的角色。形状特征可以划分为图像的轮廓和区域特征，轮廓是图像物体的外边界而区域是图像物体的总体区域。图像的形状特征提取方法主要有:用边界特征值法提取图像外边界如Hough变换、几何参数法、形状不变矩法以及傅里叶形状描述法。本项目中由于几何不变矩具有图像在缩放、平移、旋转时的不变特性以及识别简单形状的效果突出等优点，所以可以采用这种特征集合来描述图像。下面对Hu不变矩进行描述和计算并罗列出焊缝二值图ROI的Hu不变矩。

首先求(p+q)阶不变矩。对于灰度分布为f(i,j)的图像，其(p+q)阶矩为:

图像的(p+q)阶中心矩则为:

中心矩的矩形为(i0,j0)为:

而数字图像是呈离散状态的，所以需要将不变矩离散化，根据式((4.5)和(4.6)，可得离散状态下灰度分布为f (i,j)且像素为MXN的图像的(p+q)阶矩和中心矩分别为:

中心矩的矩形为(i0,j0)为:

其中mpq会随着图像的变化而变化，而upq具有平移不变性却对旋转敏感，所以直接使用普通不变矩或者中心矩，不能满足特征的平移、旋转、缩放不变性。因此，可以将中心矩利用下式进行归一化，归一化的中心矩具有在原先的基础上具备了旋转不变性。

公式(4.9)中:

Hu利用了归一化的二阶和三阶中心矩构造了如下所示的7个Hu不变矩: 

利用上述(4.5)到(4.16)的公式，用MATLAB编程得到求解图像的Hu不变矩的程序，程序的输入为图像，输出为图像对应的7个Hu不变矩组成元素。本项目的模式识别环节是为了得到相机实时图像下的焊缝是处于对接、搭接还是T形角接状态，针对不同的状态采用不同的焊缝与线结构光交点提取算法同时对焊炬姿态进行微调以适应焊缝焊接减少焊接误差，所以，在进行Hu不变矩特征提取时可以仅针对双目视觉系统中某单个相机采集的图像，如下表4-2所示为双目视觉系统中左目采集的三种焊缝二值图ROI的Hu不变矩，且由于篇幅原因，表中只列出每个状态下各5组数据。

焊接机器人从表4-2中可以看出，三种焊缝图像的I4、I5、I7有着鲜明的区别，所以利用图像的Hu不变矩组成的特征向量对于图像识别而言具有较好的区分度且该特征向量获取简单、稳定性高。