Komplexpraktikum Automatisierungstechnik. Versuch : Bildverarbeitung

Transkript

1 Komplexpraktikum Automatisierungstechnik Versuch : Bildverarbeitung 1. Grundlagen der digitalen Bildverarbeitung 1.1 Relevante Begriffe Ein Bild ist ein ebenes Objekt, dessen Bildwerte sich von Bildpunkt zu Bildpunkt verändern können. Ein Bildwert ist ein Wert, der einem Bildpunkt zugeordnet ist (z.b. Grauwert). Er hat eine syntaktische Informationsmenge (z.b. 8 Bit) und ist Merkmal eines Bildpunktes. Ein Bildpunkt (Pixel) ist ein definierter Ort eines Bildes. Die Bildebene kennzeichnet den Bereich, in dem sich alle Bildpunkte befinden. Die Bildinterpretation ist der Prozess der Gewinnung sematischer Information aus der syntaktischen Information aller Bildwerte. Die sematische Information repräsentiert die Bedeutung eines Bildes. Sie ist abhängig vom Beobachter. Beispiel: Ein geschlossener Bereich in einer Bildebene hat helle, seine Umgebung dagegen dunkle Bildpunkte. Die Bildwerte sind also Grauwerte. Der Übergang von hellen zu dunklen Bildpunkten lässt sich vom Beobachter als sematische Information Kante interpretieren. Bildverarbeitung ist mathematisch die Transformation eines Bildens von einem Bereich (z.b. Ortsbereich) in einen anderen Bereich (z.b. Ortsfrequenzbereich). Die Transformation eines Bildes ergibt nicht notwendigerweise wieder ein Bild. Ein Bildverarbeitungssystem (BVS) ist die physikalisch-technische Realisierung und die informations-technische Abfolge von Schritten der Bildverarbeitung. Es hat die Aufgabe, aus einem Bild eine Entscheidung (Inferenz) abzuleiten. Resultat der Entscheidung ist die pragmatische Information eines Bildes. 1

2 Bild 1.1 Schema eines Bildverarbeitungssystems 1.2 Teilschritte der digitalen Bildverarbeitung Elektronische Aufnahme eines Objektes als Bild (Bilderfassung) Bei der Bilderfassung bildet ein Aufnahmesystem (z.b. Kamera) eine reales, dreidimensionales Objekt ( Szene ) als zweidimensionales Bild im digitalen Speicher eines BVS ab. Diese digitale Repräsentation eines Bildes ist die Grundlage für jede nachfolgende Bildverarbeitung. Die Bilderfassung erfolgt in den Schritten Visualisierung, Projektion und Digitalisierung. Visualisierung von Objekten Ein Objekt wird für ein Aufnahmesystem erst durch Aussendung oder Reflexion von elektromagnetischer oder akustischer Strahlung sichtbar. Die Reflexion ist die häufigste Art der Sichtbarmachung. Hier hängt Sichtbarkeit wesentlich von der Strahlungsquelle und der Beschaffenheit der Objektoberfläche ab. Bei inkohärenten Punktquellen verringert sich die Intensität der Strahlung auf dem Objekt mit dem Quadrat der Entfernung. Die Ausleuchtung ausgedehnter Objekte mit einer Punktlichtquelle wird deshalb ungleichmäßig. Für eine gleichmäßige Beleuchtung sind verteilte Strahlungsquellen erforderlich. Diese können z.b. als Matrix von Punktquellen erstellt werden. Im Idealfall reflektiert eine Oberfläche die eintreffende Strahlung diffus zurück. Das Objekt heißt dann Lambert-Strahler. Bei spiegelnder Oberfläche wird einfallende Strahlung nur in eine Richtung reflektiert (gerichtete Reflexion). Meist tritt eine Mischung beider Arten der Reflexionen auf. Dabei sind die gerichteten Reflexionen (Glanzlichter) meist unerwünscht, weil diese ihr Aussehen bei minimalen Änderungen der Positionen von Objekt oder Quelle verändern. Bild 1.2. Einfluss der Beleuchtung und des Hintergrundes 2

3 Bild 1.2 zeigt beispielhaft: a) Der Schattenwurf der Münzen auf dem hellen Hintergrund ist deutlich sichtbar. b) Die Schattenbildung wird durch eine gleichmäßigere Beleuchtung vermieden. c) Der Schattenwurf wird durch einen dunklen Untergrund nicht sichtbar. Die Glanzlichter weisen jedoch auf eine ungünstige Beleuchtung hin. d) Das Ergebnis einer günstigen Wahl von Beleuchtung und Hintergrund. Die Schattenbildung und die Glanzlichter sind eliminiert. Das Beispiel verdeutlicht, dass für eine nachfolgende Bildverarbeitung eine an das jeweilige Problem angepasste Beleuchtungsmethode erforderlich ist. Eine optimale Beleuchtung setzt meist eine Minimierung der gerichteten Reflexion und Schattenbildung sowie einen möglichst hohen Kontrast zwischen Hintergrund und Objekt voraus. In der Bildverarbeitung werden viele Beleuchtungsmethoden genutzt: Beleuchtung von vorne oder von hinten, Stroboskop-, Blitz-, Hellfeld- oder Dunkelfeldbeleuchtung. Projektion der Objekte Ein Abbildungssystem projiziert ein dreidimensionales Objekt auf eine zweidimensionale Bildebene. Dabei kommt es i.a. zu geometrischen Verzerrungen (z.b. Kisseneffekt). Solche Verzerrungen erschweren eine fehlerfreie Bildverarbeitung und sind durch Auswahl geeigneter Linsensysteme zu minimieren. Digitalisierung der Bilder Den Abschluss der Bildaufnahme bildet die Digitalisierung. Sie umfasst die Rasterung der kontinuierlichen Bildausdehnung auf eine zweidimensionale Matrix und die Quantisierung der kontinuierlichen Bildwerte auf diskrete Grauwertstufen. Bild 1.3: Digitalisierung eines Bildes durch Rasterung und Quantisierung Rasterung einer kontinuierlichen Ortsfunktion f(x, y) bedeutet deren Abtastung an nur endlich vielen Stützstellen (x n, y m ). Diese haben äquidistante Abstände x bzw. y. Beginnt die Rasterung an der Stelle (x 0, y 0 ), dann gilt: 3

4 X n = x 0 + n x mit n = 0, 1, 2,, N-1 Y m = y 0 + m y mit m = 0, 1, 2,, M 1 Mit der Dirac-Funktion δ(x) folgt die diskrete örtliche Abtastfunktion A M 1 N 1 m= 0 n= 0 ( x, y ) δ ( x x ) δ ( y y ) n m = n m Die diskrete Bildwertmatrix BM (x n1, y m ) ergibt sich durch Multiplikation der Abtastfunktion A(x n1, y m ) mit der kontinuierlichen Ortsfunktion f(x,y) des Bildes. Die Elemente dieser Bildwertmatrix BM (x n1, y m ) sind die Bildwerte b der kontinuierlichen Ortsfunktion f(x,y) am Ort (x n1, y m ) (in Bild 1.4 fn, m = f(x n1, y m )). Die Bildwertmatrix BM (x n1, y m ) ist eine diskrete Ortsfunktion F(n, m). Die Bildwerte b der Ortsfunktion f(x, y), die nicht auf den Abtastpunkten (x n, y m ) liegen, sind in der diskreten Ortsfunktion F(n, m) nicht mehr enthalten. Entscheidend für den Informationsverlust durch die Rasterung ist die Anzahl der Intervalle x, y. Mit der Anzahl N der Intervalle x und der Anzahl M der Intervalle y wird in der Form N*M die Auflösung eines diskreten Bildes bezeichnet. Ein Bild mit der Auflösung 512*512 besteht aus 512*512= Bildpunkten in 512 Spalten und 512 Zeilen. Die Auflösung N*M ist hier im Bezug auf den Computerbildschirm definiert und darf nicht der physikalisch bedingten Auflösung verwechselt werden! Nach der Rasterung der Ortskoordinaten liegt eine Bildwertmatrix BM(x n, y m ) vor, deren Elemente abgetastete kontinuierliche Bildwerte b sind. Die Quantisierung der Bildwerte (Grauwerte) b erfolgt, indem deren Wertbereich [b min, b max ] in K äquidistante Intervalle b eingeteilt wird. Jedes Intervall wird durch eine Zahl k = 0,1, K-1 gekennzeichnet. Jedem abgetastetem, kontinuierlichen Bildwert b = F(n, m) wird die Zahl k zugeordnet, in deren Intervall sich der Bildwert b befindet. Das Ergebnis ist eine diskrete Ortsfunktion P(n, m) mit den diskreten Bildwerten b = 0,1, K-1. Die Anzahl K der Quantisierungsstufen bestimmt die Genauigkeit der Wiedergabe der Grauwerte. Die Anzahl K Quantisierungsstufen ist vom Einsatzfall abhängig. Üblicherweise wird eine Anzahl K = 2 D gewählt. (D = Anzahl der Bits zur binären Repräsentation.) Bei D = 8 ergeben sich K = 256 4

5 Quantisierungsstufen. Bei Grauwertbildern, repräsentiert der Wert k = 0 Schwarz und k = 255 Weiß. Die Grauabstufung erfolgt linear. 1.3 Vorverarbeitung von Bildern Ziel der Vorverarbeitung Das Ziel der Vorverarbeitung von Bildern ist eine aufgabenabhängige Korrektur des aufgenommenen Bildes für die Weiterverarbeitung. Dabei schließt die Bildrestaurierung Korrekturen von Mängeln ein, die z.b. durch Verzerrungen, Störung oder Digitalisierung hervorgerufen wurden. Das Ergebnis soll eine möglichst genaue Approximation des Originalbildes sein. Die Bildverbesserung wird als subjektive Vorverarbeitung bezeichnet. Die zahlreichen Verfahren für die Bildverbesserung hängen von der weiteren Nutzung des Bildes ab. Sie sollen z.b. relevante Bildinhalte hervorheben oder redundanter Bildinhalte unterdrücken. So werden z.b. Tiefpassfilter für Rauschbeseitigung oder Glättung von Kanten, Hochpassfilter zur Betonung von Kanten, Kantenoperatoren zur Extraktion von Kanten, Histogramm - Operationen für Kontrast- und Helligkeitserhöhung eingesetzt Bildanalyse Bildanalyse ist die Vermessung und/oder Klassifikation von Bildinformation. Diese Operation unterscheidet sich wegen der quantitativen Charakterisierung und der qualitativen Bewertung des Bildinhaltes erheblich von den vorangegangenen. Die Verfahren der Bildanalyse erzeugen aus den Bildwerten b eines Bildes P(n, m) eine Liste einzelner Objekte. Es findet ein Übergang von der Bilddarstellung in eine Bildbeschreibung statt, die eine Objekterkennung ermöglicht. Die Bildanalyse erfolgt i.a. in den Schritten: Segmentierung Merkmalsextraktion Objektklassifizierung Ausgabe Segmentierung Die Bildsegmentierung ist einer der wichtigsten Schritte der Bildverarbeitung. Sie ist eine Bildvereinfachung und reduziert Bildinformation auf interessierende Objekte. Diese Bildobjekte sind die Bereiche im Bild P(n, m), in die relevante Objekte abgebildet wurden. Die Segmentierung erfordert die Kenntnis über die Interpretation der Bildwerte b = P(n, m). Meist beschränkt sich die Segmentierung auf die Trennung der Bildobjekte vom Hintergrund. Dazu werden pixelorientierte Verfahren verwendet, die die Bildobjekte markieren bzw. isolieren. Dazu ist noch kein Wissen über Eigenschaften der Bildobjekte notwendig. Es muss nur die Bildwertmenge B Objekt der Bildobjekte und die Bildwertmenge B Untergrund des Untergrunds unterschieden werden. Die Segmentierung ist damit eine Klassifikation der Pixel (n, m, b) nach dem Pixelmerkmal Bildwert b (Grauwert). Es erfolgt eine Einteilung des Bildes in Objektpixel und Nicht- Objektpixel. 5

6 Eine sorgfältige Beleuchtung und die Wahl eines kontrastreichen Untergrundes verein- fachen die Klassifikation. Das Resultat der Segmentierung ist ein Binärbild. Dort sind die Nicht - Objektpixel (Untergrund) schwarz und die Objektpixel weiss gekennzeichnet (siehe Bild 1.6). Ist die Binarisierung zur Separierung von Objekten nicht ausreichend, sind zusätzliche Kenntnisse von Merkmalen wie Form, Größe oder Lage der Bildobjekte erforderlich. Die Segmentierung endet mit einer Markierung der separierten Bildobjekte. Die Segmentierung ist also der Übergang eines Bildes von der rein syntaktischen Information zu einer symbolischen Darstellung mit semantischer Information Merkmalsextraktion Bei der Merkmalsextraktion wird für jedes in der Segmentierung markierte Bildobjekt ein Merkmalvektor berechnet. Die Bildobjekte haben für jedes Einzelmerkmal e (z.b. Fläche, Umfang, ) eine typische Ausprägung. Unterscheiden sich zwei Bildobjekte, so unterscheiden sich auch deren Merkmalsvektoren. Ein Merkmalvektor ist damit eine komprimierte Darstellung eines Bildobjektes. In Bild 1.7 wird die Merkmalextraktion mit zwei Merkmalen e 0 und e 1 verdeutlicht. Merkmale: Eckenzahl: e 0 Є[0,10] Umfang: e 1 Є[0, 15] 2-dim. Merkmalsraum: E 2 = (e 0, e 1 ) Bild 1.7 Schema der Merkmalsextraktion Merkmale lassen sich in deskriptive Merkmale und abstrakte Merkmale einteilen. Zu den deskriptiven Merkmalen zählen Fläche, Umfang und Farbe, Reflexions- oder Absorptionsvermögen also Eigenschaften, die der Anschauung direkt zugänglich sind. Die abstrakten Merkmale sind wenig anschaulich. Sie werden meist aus Transformationen, z.b. der zweidimensionalen Fouriertransformation [1], S abgeleitet Objektklassifizierung Die Merkmalsvektoren ähnlicher Bildobjekte bilden mehr oder weniger konzentrierte Wolken (Cluster) im Merkmalsraum E. Ein oder mehrere Cluster bilden eine Objektklasse. Die Objektklassifizierung erfolgt dadurch, dass der Merkmalsvektor eines Objektes einem Cluster und damit einer Objektklasse zugeordnet wird. Der Merkmalsraum E 2 besteht hier aus den beiden Merkmalen e 0 und e 1. Die Begrenzung eines Clusters kann ein Rechteck oder ein Kreis sein. Dann kann einfach 6

7 geprüft werden, ob ein Merkmalsvektor x im Cluster liegt. i Diese Zuordnung ist nicht eindeutig, wenn sich der Vektor am Rande eines Clusters befindet. Das Verfahren ist auch auf höherdimensionalen n Merkmalsräume E übertragbar. Für die Auswahl der für eine Klassifikation relevanten Merkmale er existieren keine festen Regeln. Jede Aufgabe erfordert individuelle Lösungen, die meist auf heuristischem Weg gefunden werden. Die Objektklassifizierung wird häufig mittels wissensbasierten System, neuronalen Netzen oder numerischen Klassifikationsverfahren realisiert. Ausgabe ist die visuelle Darstellung erkannter Merkmale (z.b. Fehlstellen, Anzahl erkannter Objekte) auf einem Ausgabegerät (Monitor, Drucker), die Übergabe verschiedenster Objektmerkmale in ein statistisches Erfassungssystem (z.b. Fehlerhäufigkeit) und beim industriellen Einsatz ein Stellbefehl für den Prozess. 2. Aufbau eines Bildverarbeitungssystems Bild 2.1: Schematischer Aufbau eines technischen Bildverarbeitungssystems Die digitale Bildverarbeitung wird mit einem Bildverarbeitungssystem realisiert. Der erste Schritt ist die Aufnahme eines oder mehrerer Objekte mit einer (CCD-) Kamera. Sie wandelt ein Bild in elektrische Signale um, die dem so genannten Frame-Grabber (PC-Einsteckkarte) zugeführt werden. Der Frame-Grabber digitalisiert und speichert das aufgenommene Bild als diskrete 7

8 Matrix im Bildspeicher. Über einen Frame-Grabber-Ausgang kann das Kamerabild auf einem Monitor überwacht werden. Eine spezielle Bildverarbeitungssoftware greift auf das im Bildspeicher abgelegte Bild zurück und führt die Schritte der Bildvorverarbeitung und Objekterkennung durch. Die industrielle Bildverarbeitung endet mit der Ausgabe von Steuerparametern an einem Prozess. Eine Objekterkennung kann z.b. zur Sortierung erkannter Objekte führen. Das Praktikum beschränkt sich auf die Schritte Aufnahme, Vorverarbeitung und Objekterkennung. Dabei ist jeder Schritt auf dem Monitor sichtbar. 3. Versuchsaufgaben zu Prinzipien der Filterung und Vorverarbeitung 3.1. Versuchsdurchführung mit unterschiedlichen Softwarefiltern Filterwirkung Das Praktikum beschränkt sich ausschließlich auf die Verarbeitung von Grauwertbildern. Ein Bildpunkt wird durch einen Grauwert zwischen g = 0 (schwarz) und g = 255 (weiß) dargestellt. Alle Bildoperationen werden auf diese Grauwertbilder angewandt. Laden Sie aus dem Verzeichnis C:\Programme\Optimas\Image das Bild Hand.tif. Im Menü Datei sind die Links zu den Bildern ebenfalls abgespeichert. Mit Hilfe der im Menü Image Filters angebotenen Filter sind folgende Aufgaben zu bearbeiten: a) Beseitigen Sie weitgehend die punktuellen Bildstörungen. b) Heben Sie Details hervor (Bildschärfe verbessern). Wenden Sie dazu die in Frage kommenden Filter (Bildglättungs- oder Tiefpassfilter, Medianfilter, Bildverschärfung oder Hochpassfilter) der Reihe nach an. c) Beschreiben und bewerten Sie die Ergebnisse jeder Filteranwendung. d) Legen Sie am Schluss eine Filterauswahl für beide Teilaufgaben fest Kantendetektion Laden Sie aus dem Verzeichnis C:\Programme\Optimas\Image das Bild circuit.tif. Im Menü Image Filters werden mehrere Filter angeboten, die zur Hervorhebung von Kanten genutzt werden können. a) Machen Sie sich die Vor- und Nachteile der einzelnen Kantenextraktionsfilter durch Ausprobieren klar. Nutzen Sie dazu die Undo-Funktion im Menü Edit um stets wieder den Ausgangszustand des Bildes zu erreichen 8

9 b) Legen Sie eine Filterreihenfolge fest, die eine optimale Hervorhebung der Kanten realisiert. Nutzen Sie dazu auch Ihre Erkenntnisse aus dem Aufgabenkomplex 1, um eventuelle Bildverbesserungen vor der Kantenextraktion durchzuführen Binarisierung und Morphologie Laden Sie aus dem Verzeichnis C:\Programme\Optimas\Image das Bild mass5.tif. Ziel ist es, das Bild so zu bearbeiten, dass später nur die hellen viereckigen Bereiche einfach kontrolliert werden können (z.b. Flächenvermessung oder Maßhaltigkeit). Dazu ist es zunächst erforderlich, die Zahlen aus dem Bild zu entfernen. a) Ermitteln Sie einen geeigneten Schwellwert der Grauwerte um das Bild zu binarisieren. Über das Menü Image/Threshold/Simple Threshold können Sie diesen Schwellwert ermitteln. Wählen Sie ihn so, dass alle relevanten Flächen erfasst werden sowie genügend scharfe Übergänge an den Flächen erreicht werden. Notieren Sie sich den Schwellwert für das Protokoll. b) Führen Sie nun die Binarisierung durch. Im Menü Image/Binay Morphology klicken Sie mit der Maus auf Binarize. Der Parameter Threshold sollte als Foreground eingestellt sein. c) Jetzt wird schrittweise die Erosion der einzelnen Bereiche so lange durchgeführt, bis die störenden Zahlen verschwunden sind. Führen Sie dazu im Menü Image/Binay Morphology durch Anklicken von Erode und Einstellung 1 bei Iterations mit dem Betätigen des Feldes Apply Operation jeweils ein Erodiervorgang durch. Zählen Sie die Erodiervorgänge und registrieren Sie die Gesamtzahl der Vorgänge. Beschreiben Sie den Gesamtvorgang auch in Bezug auf die Veränderung der Flächen. d) Nun erfolgt die Wiederherstellung der viereckigen Flächen durch Dilatation. Führen Sie dazu im Menü Image/Binay Morphology durch Anklicken von Dilate und Einstellung 1 bei Iterations mit dem Betätigen des Feldes Apply Operation jeweils ein Dilatationsvorgang durch. Stoppen Sie die Dilatation, wenn Sie subjektiv der Meinung sind, dass die viereckigen Flächen wieder im Urzustand sind. Vergleichen Sie die Anzahl der Dilatationsvorgänge mit der Gesamtzahl der Erodiervorgänge Histogramm und Kontrastmanipulation In diesem Aufgabenkomplex sollen die Möglichkeiten der Verbesserung der Sichtbarkeit von Bildelementen demonstriert werden. Laden Sie aus dem Verzeichnis C:\Programme\Optimas\Image das Bild sand.tif. a) Stellen Sie das Menü Image/Tools/Histogramm dar. Was entnehmen Sie dem Histogramm und welche Schlussfolgerungen können für die Verbesserung der Sichtbarkeit gezogen werden. b) Setzen Sie die Schlussfolgerungen aus a) um und versuchen Sie über das Menü Image/Output LUT/Intensity Map die Sichtbarkeit der kleinen Bildelemente deutlich zu verbessern. Die unter a) aufgerufene Histogrammfunktion ist auch hier erkennbar. 9

10 Mit Hilfe der Maus kann der Verlauf der Histogrammkurve beliebig verändert werden. Reproduzierbarer ist allerdings die lineare Veränderung, bei der eine Aufspreizung der im Bild vorkommenden Grauwerte in maximal 255 vorgenommen wird. Jede Änderung mittels des zugehörigen Schiebereglers ist sofort im Bild sichtbar. 3.2 Versuchsaufgaben zu Prinzipien der 2D-FFT Vorbereitungsaufgaben a) Machen Sie sich mit der diskreten zweidimensionalen Fouriertransformation [1], S vertraut! b) Sie sollen ein Bildverarbeitungssystem für eine Objektsortierung in einem automatisierten Fertigungsprozess entwerfen. Die Aufgabe steht darin, viereckigen von kreisförmigen Objekten zu trennen. Notieren Sie stichpunktartig: Welchen Einfluss könnte die Beleuchtung haben? Welche Kriterien (Objektmerkmale) könnten für eine Unterscheidung der Objekte eingesetzt werden? Wie könnten diese Objektmerkmale einem Computer verständlich gemacht werden? Fouriertransformation (2D-FFT) Zweidimensionale Fouriertransformation (2D-FFT) eines Grauwertbildes a) Legen Sie das Bild mit der Maus auf den Drehteller, betätigen Sie den Aufnahme-Button (schwarzer Kreis mit rotem Viereck) und fokussieren Sie das Kamerabild. Laden Sie das Bild in den Hautspeicher in dem Sie erneut auf den Aufnahme-Button drücken (rotes Viereck wird zu grünem Dreieck). Wenden Sie die 2D-FT darauf an. Gehen Sie dazu in das Menü Image/Filters klicken 2D FFT an und stellen über Open Control die notwendigen Parameter wie Bildgröße, Gammabewertung ein und verschieben mit dem Button Move Sie den Rahmen derart, dass das gesamte Bild umschlossen wird. Was ist aus dem Amplitudenspektrum zu erkennen? b) Führen Sie eine Rücktransformation Inverse FFT des Amplitudenspektrums durch. Wie ist das Resultat zu erklären? c) Legen Sie nun das Bild mit dem periodischen Gitter nacheinander horizontal und vertikal über das Bild mit der Maus und starten Sie die 2D-FFT. Wie unterscheidet sich dieses Amplitudenspektrum von dem vorhergehenden und welche Information können abgelesen werden? d) Nehmen Sie die Folie (weißes Blatt unterlegen) mit den drei Gittern verschiedener Orientierungen auf und wenden Sie die 2D-FFT an. Achten Sie bitte darauf, dass alle drei Gitter vom Rahmen umschlossen werden und korrigieren Sie gegebenenfalls die Lage mittels 10

11 Move. Wie ordnen Sie das Amplitudenspektrum dem Grauwertbild zu? Notieren Sie sich die Orientierung der Gitter und der jeweils dazu gehörigen Ortsfrequenzen. f) Filtern Sie die Frequenzanteile des diagonalen Gitters manuell heraus. Markieren Sie dazu entsprechende Filterbereiche im Amplitudenspektrum vor der Rücktransformation. Ein Filterbereich wird im Bereich Frequency Select mit Range bei gedrückter linker Maustaste markiert. Die selektierten Frequenzbereiche werden dazu auf null gesetzt, ohne dabei die Anteile der horizontal und vertikal ausgerichteten Gitter mit zu verändern. Wählen Sie dazu entsprechend kleine Bereiche. Probieren Sie bei nicht zufrieden stellendem Ergebnis verschiedene Blendenöffnungen der Kamera aus. Die Rücktransformation kann erst nach abgeschlossener Filterung erfolgen. Nutzen Sie die Möglichkeit der Binarisierung und speichern sie das erhaltene Ergebnis. 3.3 Objekterkennung geometrischer Primitiva Bevor eine exakte Objekterkennung und Vermessung durchgeführt werden kann, muss eine Kalibrierung des Systems durchgeführt werden. Führen Sie eine Kalibrierung anhand folgender Schritte durch. Arbeiten Sie die Schritte so exakt wie möglich durch, denn davon hängt die Genauigkeit Ihrer späteren Vermessungsergebnisse ab. a) Legen Sie die weiße Vorlage mit dem schwarzen Kreuz unter die Kamera, betätigen Sie den Aufnahme-Button (schwarzer Kreis mit grünem Dreieck) und fokussieren Sie das Kamerabild. Der Aufnahme-Button erhält ein rotes Viereck und Sie befinden sich im Livebild-Modus. Richten Sie das schwarze Kreuz möglichst achsenparallel zu einem rechtwinkligen Koordinatensystem aus. Betätigen Sie danach erneut den Aufnahme-Button (jetzt schwarzer Kreis mit rotem Viereck) und das Bild wird gespeichert (Freeze). b) Aktivieren Sie im Menü Data die Funktion Calibrate Spatial und fügen Sie in dem sich danach öffnenden Fenster über den Button Add/Edit einen Namen (z.b. Praktikum) für die Kalibrierung hinzu. c) Verändern Sie in der darunter liegenden Auswahlmöglichkeit die Maßeinheit (Units) auf Millimeter (millimeters) und aktivieren Sie jetzt den Button Calibrate X, Y d) Führen Sie nun die Kalibrierung der beiden Achsen am ausgerichteten Kreuz durch. Betätigen Sie den Button Calibrate X und am Mauszeiger wird ein L angehängt. Mit der Spitze des Mauszeigers fahren Sie so exakt wie möglich an die linke Seite der Kreuzhorizontalen, drücken die linke Maustaste und führen die Linie möglichst exakt an das rechte Ende der Kreuzhorizontalen. Dort drücken Sie wieder die linke Maustaste und gleich darauf die rechte Maustaste. Daraufhin erscheint ein Fenster in dem Sie die Länge der Strecke in mm eintragen. Sie beträgt im Original 30 mm. Den Vorgang wiederholen Sie für die Kreuzvertikale. Danach drücken Sie auf OK und wählen im nächsten Fenster die neue Kalibrierung an. Durch das Klicken auf den Switch Button wird dies aktiviert und alle folgenden Messungen beziehen sich darauf. 11

12 An Hand von verschiedenen Merkmalen soll nun ein Algorithmus entwickelt werden, der es gestattet, die verschiedenen geometrischen Primitiva zu klassifizieren. Positionieren Sie die drei weißen Objekte unter der Kamera, schalten Sie in den Live-Modus und justieren Sie falls erforderlich die Schärfeneinstellung. Nutzen Sie bei der Vermessung der metallischen Objekte die Möglichkeit der zusätzlichen Beleuchtung. a) Nehmen sie die alle Objekte auf und führen Sie die Vermessung durch. Für die Vermessung starten Sie das Makro vermess.mac über den Menüpunkt Macro/Run. Für die Klassifizierung der Objektform ziehen wir zunächst den Formfaktor heran. Nutzen Sie für die Berechnung des Formfaktors die Formel: Formfaktor 4π A = 2 U b) Welche Erkenntnis gewinnen Sie mit der Berechnung der Formfaktoren für jede Fläche? Erstellen Sie eine Tabelle für die jeweiligen Ergebnisse. Welche weiteren Ergebnisse aus der Objektvermessung würden Sie heranziehen, um den Erkennungsalgorithmus zu verbessern. Schauen Sie sich dazu die Messwerte für die Rundheit (Circularity) und Rechteckigkeit (Rectangularity) an. Welche Zusammenhänge für die einzelnen Objekte sind zu erkennen? c) Führen Sie die Objekterkennung mit verschiedenen Einstellungen der Beleuchtung und der Blendenöffnung für die verschiedenen zur Verfügung stehenden Objekte durch. Testen Sie die Grenzen der Objekterkennung. Welche Schlüsse ziehen Sie aus Ihren Beobachtungen? d) Stellen Sie den Drehteller des Kamerasystems mit den darauf liegenden Objekten um 45 und führen Sie erneut die Messungen durch. Beachten Sie die Unterschiede bei der Auswahl der Beleuchtung. Tragen Sie die Ergebnisse in ihre Tabelle ein. e) Bestimmen Sie die auftretenden Fehler einer Objektvermessung für alle weißen und metallischen Objekte. Bestimmen Sie vorher durch Messung die realen Flächen der Objekte. Notieren Sie diese sowie die erkannten Flächeninhalte. Berechnen Sie jeweils den absoluten und relativen Fehler. 4. Auswertung: Beschreiben Sie in Stichpunkten Ihre Beobachtungen zu den einzelnen Aufgaben. Speichern Sie gegebenenfalls Bilder mit den Bearbeitungsergebnissen. Vergleichen Sie die errechneten Werte mit denen, die per Bildverarbeitungssoftware ermittelt wurden (Rückseite der Tabelle, die als Arbeitsblatt genutzt wurde). 12

13 5. Literatur [1] Abmayr, Wolfgang: Einführung in die digitale Bildverarbeitung ; ST330 [2] Steinbrecher, Rainer: Bildverarbeitung in der Praxis ; ST330 Autoren: Prof. Dr.-Ing. habil. L. Zipser Dipl.-Ing. (FH) D. Bartusch Dipl.-Ing. (FH) E. Steiner Überarbeitung: Dipl.-Ing. (FH) W.-D. Bretschneider November