机器视觉与颜色

颜色是从电磁波谱的可见部分的光的表现形式。它是由一个观察者的感知，因此，主观的两个人可以从同一个场景中的同一个对象辨别不同的颜色。这种解释的差异也延伸到他们的镜头和图像传感器的相机系统。

一个相机系统对颜色的响应不仅在不同的制造和型号之间变化，而且在相同的组件和模型的组件之间也有不同的变化。现场照明通过改变颜色的外观增加了进一步的不确定性。这些细微之处是从事实上，光是有自己的颜色。在一个场景中的每个对象吸收和反射（过滤器）这个光谱不同，相机系统响应（接受和拒绝）的反射光谱在自己的方式。色机视觉的挑战是提供一致的分析，在整个系统的操作和系统之间进行相同的任务，同时也模仿人类的能力来辨别和解释颜色。

今天的机器视觉系统的大部分成功地限制自己的灰度图像分析。然而，在某些情况下，它是不可靠的，甚至是不可能的，只是依赖于强度和/或几何（形状）。

在这些情况下，颜色机器视觉软件的灵活性是必要的： 

最佳化的图像转换成单色的图像进行适当的分析，使用灰度机器视觉软件工具。

 

计算色差，识别异常。

比较区域内的颜色样本对颜色样本的颜色，以评估是否存在一个可接受的匹配或确定最佳匹配。

将基于颜色的图像分割到不同的对象或特征。

彩色图像包含一个更大的数据量来处理通常的三倍以上的灰度图像，并需要更复杂的处理。有效的和优化的算法是必要的，在一个合理的时间量的时间来分析这些图像。

 

颜色分析工具

目前有软件工具，以帮助识别零件，产品和项目使用颜色，评估质量，从颜色和隔离功能，使用颜色。颜色匹配工具确定在图像中感兴趣区域的每个区域的样本的集合的最佳匹配颜色。从图像中可以指定一个颜色样本，以屏蔽掉不希望的颜色或使用数值的能力。

一个颜色样本可以是一个单一的颜色或颜色分布。颜色匹配方法和颜色差异的解释可以手动调整，以适应特定的应用程序的要求。颜色匹配工具还可以匹配每个图像像素到颜色样本，将图像分割成适当的元素，进一步分析使用其他工具。的颜色距离工具揭示了内部和图像之间的颜色差异的程度，而投影工具增强颜色的灰度图像转换为分析再次使用其他工具。

彩色相机的大多数功能单一的传感器，采用彩色滤波阵列（CFA）或马赛克。这马赛克通常由红（R）、绿（G）、蓝（B）的光学过滤器覆盖在像素的具体模式。

马赛克的操作进行的相机或软件是需要转换的原始传感器数据到一个适当的彩色图像，例如，为每个像素位置的RGB值。几个去马赛克技术存在，每个与速度和质量之间进行权衡，如彩色文物介绍。这马赛克的操作可以和必须调整规范（RGB）为例的设置，响应，摄像系统和照明，从而产生一致的彩色图像。

通常的因素是确定的，最经常自动执行一个白平衡校准：机器视觉系统提出了一个样本被视为白色和正常化的因素，以产生一个白色的图像，相应地计算。

控制场景照明也是有效的彩色机器视觉的光源，通常是白色和扩散，必须提供一个足够一致的输出和场景必须充分笼罩在不同环境光的影响。

 

颜色空间

通常情况下，颜色是由三个组成部分的数学表示，因此可视化的一个点或区域在三维（三维）空间。机器视觉中最常见的颜色空间是RGB、色相、饱和度和明度（HSL）和国际照明委员会（CIELAB）。

RGB是最常见的颜色空间，因为它是用天然的相机和所有的电脑显示器。在HSL，给定的颜色是由其色相饱和度或纯度和亮度为代表。CIELAB色空间的建立是为了模仿人类的感知；颜色之间的数值差异是典型的人类解释比例。

在HSL和CIELAB，很容易从照明亮度不均匀系数的影响，所产生的不利影响的分析。CIELAB是有用的当自动检测需要复制人的检验标准。

从彩色图像中提取只是强度或亮度信息的结果可能会导致对象或功能，仅在颜色上不同，成为彼此区分。主成分投影是一种工具，在某些软件包，使用颜色分布趋势，以优化从彩色到灰度的转换，并最大限度地减少关键图像信息的损失。

 

颜色距离

颜色距离是如何测量颜色之间的差异。在其最简单的形式中，在图像中的每一个像素和一个参考图像中的相应的像素之间的距离或一个特定的颜色。距离可以计算使用的各种方法，例如，Euclidean，曼哈顿和马氏/ delta-e.颜色的距离可以是一个简单而有效的方法检测最好的特点是其颜色缺陷。

 

等色操作

一种颜色匹配工具执行两个基本任务之一：颜色识别或监督的颜色分割。颜色识别将一个给定区域的颜色与一组预定义的颜色样本进行比较，以确定是否存在一个最佳匹配。

该区域的颜色需要被识别是事先知道或位于使用另一种工具，如几何图案识别。监督的颜色分割由一个图像或区域中的每个像素的关联（和替换），其中一个预定义的颜色样本，因此分离的对象或功能，他们的颜色。

监督的颜色分割也被用来获取图像上的颜色统计；一个颜色样本与另一个。从参考图像或特定颜色定义颜色样本。如果基于一个图像，样品的颜色是来自统计分析（平均或分布）。在一个图像中的目标区域相匹配，通过比较其统计（平均或分布）与那些每个样本或每个像素的最接近的样本的投票。

均值为基础的方法是快速的，但需要一个仔细定义的目标区域。基于投票的方法是比较慢，但目标区域可以更松散的定义，它更强大的外围颜色。后者的方法也提供了更详细的结果，并用于监督的颜色分割。基于直方图的方法是理想的彩色样本。

计算一个分数来表示目标颜色是如何接近每个样本颜色的。为特定应用程序提供用于定制颜色匹配的控件。一场比赛的报告，如果得分是以上阈值的最佳颜色样本（接受水平）和下一个最好的颜色样本。

一种情况可能出现的得分被认为是可以接受的两个或两个以上的颜色样本，   但色样之间的距离过近，那里是一个明确的匹配。一种彩色距离公差调整目标颜色如何接近需要到样品颜色被认为是匹配的。

 

优化速度

在颜色的工作意味着有更多的数据来处理和数据需要更复杂的操作。颜色分析工具不仅要准确和强大的是有效的，但他们也必须优化速度。颜色分析工具充分利用矢量（SIMD）在当代教学单元的处理器，以及多核设计。

颜色分析工具提供的准确性，坚固性，灵活性和速度，以解决颜色应用程序的信心。这些颜色工具的补充与一套全面的现场验证的灰度分析工具。

 

技术提示

颜色匹配工具确定在图像中感兴趣区域的每个区域的样本的集合的最佳匹配颜色。

颜色距离可以是一个简单而有效的方法，检测缺陷最好的特点是他们的颜色。

颜色分析工具不仅要准确和强大的是有效的，但他们也必须优化速度。