在機器視覺這一領域誕生的初期，一種普遍的研究范式，是將圖像看做二維的數字信號，然后借用數字信號處理中的方法，這就是圖像處理。今天小編給大家介紹的就是圖像處理的相關技術。

點運算

有一些運算只對圖像的每一個像元點操作，產生一幅新圖像，二值化就是一個典型的例子。在預先設定了閥值的情況下，二值化的輸出僅僅取決于該點的值，因此

式中 fA 和 fB 分別為輸入和輸出圖像。這種運算可使用查找表，LUT，在圖像數據順序通過時一次完成。各種灰度校正也是這種運算，所不同的是二值化產生了二值圖像，而校正產生的仍為灰度圖像。

局部運算

局部運算的輸出仍為一幅圖像，輸出圖像的每一個像元值取決于輸入圖像相對應的像元以及它周圍的鄰近像元。因此

式中的 N 代表以[i,j]為中心的局部子圖像。這種運算的一個例子見下圖，這種運算幾乎會出現在每一個機器視覺系統中，它的輸入圖像可以是灰度圖像，也可以是二值圖像；它可以作平滑、銳化、去噪、細化、邊緣檢出等等運算，局部像元的取法可以有多種方法，十字形、方形、蜂窩形等等，但使用得最多的是方形，例如使用 3×3 或 5×5 或 7×7 的方形模板，模板中每一位置具有一個核系數，用此模板對每一像元及其相鄰像元作卷積，是用得最多的一種運算，其它如中值濾波也是去除噪音的較好算法。

全局算法

有一些算法是基于整個輸入圖像而獲得的，被稱作全局算子

這類算法的一個例子在下圖中顯示。

它的輸出可以是一幅圖像，也可以是符號輸出。直方圖、富氏變換、廣義 Hough 變換都是全局算法。

物體級算法

在大多數機器視覺的應用領域，都要求計算出圖像中物體的特性。為了識別這些物體，大小、平均灰度、周長、重心、形狀和其他一些特性都是常用到的，是直接對目標物體計算而獲得的；而在缺陷檢測中，也是通過對目標物體所作的檢測而獲得的。這就引出一個非常困難，而在機器視覺系統中又至關重要的問題：目標物體是什么？在哪里？?

在機器視覺中的很多算法都是圍繞圖像中的物體在哪里這一目的而展開的。而圖像中的物體還會帶來令人左右為難的決策。

例如，我們必須使用屬于目標物體的所有點來計算該物體的特性；但我們又必須使用這些特性來區別這些點是否屬于該物體。

所以從背景像元成功分割出前景物體是視覺系統工作成敗的關鍵。為了徹底理解圖像的內容，機器視覺必須對目標物體作多種運算操作，以便做出正確的分割。

下圖演示了對一個物體的邊緣進行跟蹤以后獲取的鏈碼，通過對鏈碼可以直接做形狀分類；還可以通過鏈碼做富氏算子變換，從而突出反映形狀的分量。從這個例子可以看出物體級算法不象前面所述的三種類型的算法那么有規律，可以按照像元掃描的順序來進行，便于使用專門芯片來實時完成。物體目標級算法往往是較復雜的，只適用于處理器來執行，例如 PC 機的 CPU，專用信號處理器 DSP 等；同時這些算法的運算時間不是往往固定的，而是隨著圖像內容的復雜程度而變化的。

編輯：黃飛