当前位置: 首页 > news >正文

图像处理:第二篇 —— 选择镜头的基础知识及对图像处理的影响

一、图像传感器的典型应用

图像处理过程大致可分为如下四步:

1.拍  摄      按下快门,拍摄图像

2.传  送      将图像数据由照相机传送到控制器。

3.处  理      前处理 : 对于图像数据进行加工,使其特征更加明显。

                  测算处理 : 根据图像数据对于损伤、尺寸等进行测算。

4.输出结果  将处理结果以信号的方式输出到相连的控制装置( PLC 等)。

大多数图像传感器制造商在产品目录中,对于第三步“处理”做了更多的说明。这表明这些厂家更重视控制器的处理能力。 实际上,第一步“拍摄”才是得到正确、稳定的图像处理效果所必需的重要的步骤。而这一步的关键在于“镜头和照明的选择”在初级篇中,将以“镜头的选择”为中心,介绍有关拍摄的知识。

二、镜头的基础知识及选择方法

在图像处理流程中,拍摄环节的质量直接决定后续处理效果,而镜头的选择是拍摄的关键。镜头如同图像系统的 “眼睛”,其性能参数会显著影响图像的清晰度、视野范围和细节表现力。

1.镜头的结构

镜头由多个镜片、光圈和调焦装置组成。

光圈负责调节进光量,调焦则确保物体成像清晰。选择镜头时,需重点关注视野、焦距、景深和失真等参数。

2.镜头的焦距及视野的计算方法

FA(工厂自动化)领域常用镜头焦距为 8mm、16mm、25mm 和 50mm,不同焦距对应不同的视野范围。

焦距与视野的关系可通过公式 “WD:视野角 = 焦距:CCD 尺寸” 计算(WD 为工作距离)。

例如,当焦距为 16mm、WD 为 200mm 时,结合 CCD 尺寸可算出视野大小。实际应用中,需根据检测对象的大小和拍摄距离选择合适焦距,确保目标完全纳入视野且细节清晰。

三.增加景深(对焦时的高度范围)、得到清晰画面的方法

景深是衡量镜头成像清晰度范围的重要指标,影响因素包括焦距、拍摄距离和光圈。焦距越小、拍摄距离越远、光圈越小,景深越大。小光圈虽能增加景深,但会减少进光量,需配合照明调整。使用延伸环或微距镜头时,景深会减小,需特别注意。

-镜头焦距越小,景深越大。

-与拍摄对象距离越远,景深越大。

 注意: 使用延伸环或微距镜头时,景深会变小。

-光圈越小,景深越大。对于同一只镜头而言,光圈越小,亮度越大,越容易聚焦。

 下图所示为拍摄斜面上表示高度的胶带的情况。 比较小光圈和大光圈时的拍摄效果。

小光圈时的图像 (CA-LH25)和大光圈时的图像 (CA-LH25)如下:

四.不同镜头性能造成对比度的差别

下图是使用本公司生产的高分辨率镜头 “CA-LH16” 和标准镜 “CV-L16” 拍摄的同一物体的图像。

1.由于镜头的材料及构造的不同,造成图像质量也不相同。

根据用途选择高分辨的镜头,可以得到高对比度的图像。

2.镜头性能还体现在对比度和失真度上。

高分辨率镜头(如 CA-LH16)能呈现更高对比度,让图像细节更突出,尤其适合检测微小缺陷。而镜头失真分为桶形和枕形,失真度数值越小,精度越高。测量场景应优先选择长焦距镜头,因其失真度相对较小。

3.相机像素也会影响成像质量。

200 万像素相机比 24 万像素相机在放大后仍能保持边缘清晰,更适合需要精细识别的场景,如文字读取。因此,需根据检测精度要求选择匹配的镜头和相机组合。

五.镜头的扭曲(失真)

什么是镜头的失真?

镜头的失真度是拍摄图像的中央部分与周围部分的变化比率。

由于存在像差,拍摄图像的周边部分会发生某种程度的扭曲现象。

失真可分为桶形失真和枕形失真两类。表示失真度的数值(绝对值)越小,则镜头的精度越高。 在测量尺寸时,应使用失真度小的镜头。一般说来,长焦距镜头的失真度会相对小一些。

总之,镜头选择需综合考虑视野、景深、失真等因素,结合具体应用场景优化参数。只有选对镜头,才能为后续图像处理提供高质量的原始数据,这是实现精准检测的前提。

http://www.dtcms.com/a/300697.html

相关文章:

  • 大语言模型Claude 4简介
  • 【MySQL篇】:MySQL基础了解以及库和表的相关操作
  • Java学习-------桥接模式
  • 【三桥君】如何让AI从简单的记忆型模型进化为具备深度推理能力的‘学霸’?—— 解析提升AI推理能力的四大核心技术
  • 3.Linuxvim编辑器及快捷键的使用
  • 零基础学习性能测试第六章:性能难点-Jmeter实现海量用户压测
  • 【java】 IntelliJ IDEA高效编程设置指南
  • Photo Studio PRO 安卓版:专业级照片编辑的移动解决方案
  • iOS安全和逆向系列教程 第20篇:Objective-C运行时机制深度解析与Hook技术
  • Linux驱动21 --- FFMPEG 音频 API
  • bash的特性-常见的快捷键
  • 51核和ARM核单片机OTA实战解析(一)
  • 【机器学习深度学习】NLP评价指标 BLEU 和 ROUGE
  • 零基础学习性能测试第五章:性能瓶颈分析与调优-内存资源瓶颈分析与优化建议
  • LeetCode Hot 100 括号生成
  • iOS安全和逆向系列教程 第21篇:iOS应用加密与混淆技术深度剖析
  • 生成式召回-TIGER范式
  • 【硬件-笔试面试题】硬件/电子工程师,笔试面试题-39,(知识点:单相桥式整流电路,输出电压计算,电流计算,二极管最大反向电压)
  • C语言笔记02
  • 【Oracle】套接字异常(SocketException)背后隐藏的Oracle问题:ORA-03137深度排查与解决之道
  • 【代码问题】【包安装】MMCV
  • SCUDATA esProc SPL Enterprise Edition(大数据计算引擎) v20250605 中文免费版
  • 【前后端】node mock.js+json-server
  • 第四科学范式(数据密集型科学):科学发现的新范式
  • hackthebox-Pwn-You know 0xDiablos(ret2text)
  • 详解删除链表的倒数第k个结点:双指针法优化与边界处理
  • SpringAI入门及浅实践,实战 Spring‎ AI 调用大模型、提示词工程、对话记忆、Adv‎isor 的使用
  • [spring6: Mvc-异步请求]-源码分析
  • 《 接口日志与异常处理统一设计:AOP与全局异常捕获》
  • 数据结构 堆(4)---TOP-K问题