机器视觉入门知识详解
机器视觉培训系列教程之基础入门培训
机器视觉培训系列教程之基础入门培训第一节：机器视觉的概念和应用机器视觉是一种用于模拟人眼视觉系统的技术，它可以让机器像人一样“看”和“理解”周围的环境。
机器视觉的应用非常广泛，包括工业自动化、智能制造、无人驾驶、智能医疗等领域。
它可以帮助我们实现自动化生产，提高生产效率和产品质量；可以帮助机器人在复杂环境中实现导航和操作；可以帮助交通管理部门进行智能监控和交通管制。
通过机器视觉技术，我们可以让机器更好地适应人类生活和工作的需求，实现智能化、便捷化和高效化。
第二节：机器视觉技术的原理机器视觉技术主要包括图像采集、图像处理和图像识别三个方面。
图像采集是指通过摄像头等设备获取环境的图像信息；图像处理是指对采集到的图像进行处理和分析，包括去噪、滤波、边缘检测等操作；图像识别是指通过图像处理技术对图像中的目标进行识别和分类。
这三个方面相互配合，共同构成了机器视觉技术的基本原理和方法。
第三节：机器视觉的技术方法机器视觉的技术方法主要包括特征提取、对象识别、目标跟踪等。
特征提取是指从图像中提取出具有代表性的特征信息，如颜色、纹理、形状等；对象识别是指通过对特征点进行匹配和分类，识别出图像中的对象；目标跟踪是指通过对图像序列的处理和分析，实现对目标的实时监测和跟踪。
这些方法在机器视觉技术中起着非常重要的作用，对于实现各种应用场景具有至关重要的意义。
第四节：机器视觉的发展趋势机器视觉技术正以前所未有的速度和规模发展，未来的发展趋势主要包括深度学习、云端计算、多传感器融合等方面。
深度学习是指通过建立多层神经网络模型对图像进行识别和分类，实现更加精准和智能的图像处理；云端计算是指通过云平台实现图像数据的存储和计算，实现更加灵活和便捷的信息处理；多传感器融合是指通过多种传感器对环境进行多维度、多层次的感知，实现更加全面和深入的信息获取。
这些发展趋势将进一步推动机器视觉技术的发展，为各种应用场景提供更加全面、智能和便捷的解决方案。
机器视觉入门介绍
机器视觉入门介绍在当今科技飞速发展的时代，机器视觉作为一项重要的技术，正逐渐走进我们的生活和工作的各个领域。
那么，什么是机器视觉呢？简单来说，机器视觉就是让机器能够像人一样“看”世界，并理解所看到的内容。
想象一下，一台机器能够自动检测产品的质量，识别图像中的物体，或者引导机器人进行精确的操作。
这背后的核心技术就是机器视觉。
它依靠摄像头等设备获取图像或视频信息，然后通过一系列的处理和分析，提取出有用的信息和特征。
机器视觉系统通常由几个关键部分组成。
首先是图像获取设备，这就像是机器的“眼睛”，常见的有工业相机、摄像头等。
这些设备负责捕捉清晰、准确的图像。
然后是图像传输和存储环节，确保图像能够快速、稳定地传递到处理单元，并被妥善保存，以备后续分析使用。
接下来就是图像处理和分析的部分了，这可以说是机器视觉的“大脑”。
在这个环节中，会运用到各种算法和技术，来对图像进行增强、滤波、分割等操作，以便提取出我们关心的目标物体或特征。
比如，在检测产品表面缺陷时，机器需要能够准确地识别出那些微小的瑕疵，这就需要强大的图像处理能力。
为了让机器能够理解图像中的内容，特征提取是至关重要的一步。
这就好比我们人类在看一幅画时，会关注一些关键的特征，比如形状、颜色、纹理等。
机器也需要从图像中提取出类似的特征，然后将这些特征与已知的模式或模型进行匹配和比较。
在机器视觉的应用中，工业领域是一个重要的方面。
在生产线上，机器视觉可以用于产品质量检测，快速、准确地发现不合格的产品，大大提高了生产效率和产品质量。
例如，在电子制造业中，它可以检测电路板上的元件是否安装正确，焊点是否良好；在汽车制造业中，能够检测车身的表面是否有划痕、零部件是否装配到位。
除了工业，机器视觉在农业、医疗、安防等领域也发挥着重要作用。
在农业中，它可以帮助识别农作物的病虫害，进行精准的灌溉和施肥；在医疗领域，辅助医生进行疾病诊断，如通过分析医学影像来发现病变部位；在安防领域，实现人脸识别、行为分析等功能，增强公共安全保障。
机器视觉基础知识（ＰＤＦ）
机器视觉中的图像采集技术硬件基础知识
一、镜头基本概念（7）
镜头的调制传递函数MTF
第一节 工业镜头
机器视觉中的图像采集技术硬件基础知识
一、镜头基本概念（8）
镜头的调制传递函数MTF
第一节 工业镜头
机器视觉中的图像采集技术硬件基础知识
第一节 工业镜头
一、镜头基本概念（9）
镜头的调制传递函数MTF
机器视觉中的图像采集技术硬件基础知识
第一节 工业镜头
一、镜头基本概念（4）
镜头接口 – C-MOUNT 镜头的标准接口之一，镜头的接口螺纹参数： 公称直径：1“ 螺距：32牙 – CS－Mount是C－Mount的一个变种，区别仅仅在于 镜头定位面到图像传感器光敏面的距离的不同，C－ Mount 是17。5mm，CS－Mount是12。5mm。 – C/CS能够匹配的最大的图像传感器的尺寸不超过1“。
一、镜头基本概念（10）
系统的调制传递函数MTF
第一节 工业镜头
机器视觉中的图像采集技术硬件基础知识
第一节 工业镜头
二、镜头的分类（1）
按照等效焦距分为 广角镜头
等效焦距小于标准镜头（等效焦距为50mm）的镜头。特点 是最小工作距离短，景深大，视角大。常常表现为桶形畸变。 中焦距镜头 焦距介于广角镜头和长焦镜头之间的镜头。通常情况下畸变 校正较好。 长焦距镜头 等效焦距超过200mm的镜头。工作距离长，放大比大，畸变 常常表现为枕形状畸变。
像素速率（Pixel Rate）
相机每秒中能够输出像素的个数，仅仅对于数字相机有意 义。
机器视觉中的图像采集技术硬件基础知识
第二节 工业相机
一、工业相机的基本概念（5）
卷帘快门（Rolling Shutter）
机器视觉入门知识总结
机器视觉入门知识总结一、机器视觉系统工业相机类型：按照输出信号类型的不同分为模拟相机和数字相机两种。
而数字相机按照接口标准不同，可以分为1394相机、USB相机、CameraLink相机以及Gige相机四种。
其中CameraLink接口相机能够解决大数据量传送问题；Gige接口相机能够解决长距离、快速传输问题；而1394相机和USB接口相机具有简单易用、性价比高等特点；镜头接口类型：C接口、CS接口、U接口等；光源类型：环形光源、背光源、同轴光源、条形光源、点光源、球积分光源等；二、如何选择相机？1、根据应用的不同分别选用CCD或CMOS相机CCD工业相机主要应用在运动物体的图像提取，当然随着CMOS技术的发展，很多贴片机也在选用CMOS工业相机。
用在视觉自动检查的方案或行业中一般用CCD工业相机比较多。
CMOS工业相机由成本低，功耗低也应用越来越广泛。
2、分辨率的选择根据系统需求来选择分辨率大小。
首先考虑待观察或待测量物体的精度，根据精度选择分辨率。
相机像素精度=单方向视野范围大小/相机单方向分辨率。
则相机单方向分辨率=单方向视野范围大小/理论精度。
若单视野为5mm长，理论精度为0.02mm，则单方向分辨率=5/0.02=250。
然而为增加系统稳定性，不会只用一个像素单位对应一个测量/观察精度值，一般可以选择倍数4或更高。
这样该相机需求单方向分辨率为1000，选用130万像素已经足够。
其次看工业相机的输出，若是体式观察或机器软件分析识别，分辨率高是有帮助的；若是VGA输出或USB输出，在显示器上观察，则还依赖于显示器的分辨率，工业相机的分辨率再高，显示器分辨率不够，也是没有意义的；利用存储卡或拍照功能，工业相机的分辨率高也是有帮助的。
应用案例：假设检测一个物体的表面划痕，要求拍摄的物体大小为10*8mm,要求的检测精度是0.01mm。
首先假设我们要拍摄的视野范围在12*10mm,那么相机的最低分辨率应该选择在：(12/0.01)*(10/0.01)=1200*1000,约为120万像素的相机，也就是说一个像素对应一个检测的缺陷的话，那么最低分辨率必须不少于120万像素，但市面上常见的是130万像素的相机，因此一般而言是选用130万像素的相机。
机器视觉行业知识点总结
机器视觉行业知识点总结在这篇文章中，我们将对机器视觉行业的一些知识点进行总结和梳理，以帮助读者更好地理解这一领域的发展和应用。
一、机器视觉的基本原理1.图像采集和传感器技术图像采集是机器视觉系统的第一步，也是至关重要的一步。
图像传感器的选择将直接影响到后续的图像处理和分析效果。
常见的图像传感器有CCD（Charge-Coupled Device）和CMOS（Complementary Metal-Oxide-Semiconductor）两种类型，它们在成本、灵敏度和分辨率等方面各有优劣。
2.图像预处理图像预处理包括对图像进行去噪、增强、滤波、边缘检测等操作，目的是减少图像中的噪声和干扰，从而提高后续的图像处理和分析效果。
3.特征提取和描述特征提取和描述是机器视觉系统中的关键步骤，它涉及到对图像中的特征进行提取和描述，常用的特征包括边缘、角点、纹理等。
特征提取和描述的质量将直接影响到后续的目标检测、识别和跟踪效果。
4.目标检测、识别和跟踪目标检测、识别和跟踪是机器视觉系统中的核心任务之一，它涉及到对图像中的目标进行定位、识别和跟踪。
常见的目标检测和识别算法包括Haar特征、HOG特征、深度学习等技术。
5.应用领域机器视觉技术在工业自动化、智能制造、医疗影像诊断、交通监控、安防监控等领域都有广泛的应用。
其中，工业自动化是机器视觉技术应用最为广泛的领域之一，它包括产品的质量检测、组装线的监控、机器人视觉导航等方面。
二、机器视觉的发展趋势1.深度学习与机器视觉深度学习作为机器学习的一种方法，在图像识别和分析领域表现出了强大的能力，因此也在机器视觉领域得到了广泛的应用。
通过深度学习技术，机器视觉系统可以更准确地识别和分析图像中的目标，实现更高水平的自动化。
2.智能传感器与机器视觉智能传感器集成了传感器、处理器和通信接口等功能，它可以直接在传感器端进行数据的处理和分析，从而减轻了计算机端的负担。
智能传感器的发展将进一步推动机器视觉系统的智能化和自动化。
机器视觉培训教程
机器视觉培训教程第一点：机器视觉基础理论机器视觉是人工智能的一个重要分支，它涉及到计算机科学、图像处理、模式识别、机器学习等多个领域。
在本部分，我们将介绍机器视觉的基础理论，包括图像处理、特征提取、目标检测、图像分类等核心概念。
1.1 图像处理：图像处理是机器视觉的基本环节，主要包括图像增强、图像滤波、图像边缘检测等操作。
这些操作可以帮助机器更好地理解图像中的信息，提取出有用的特征。
1.2 特征提取：特征提取是机器视觉中的关键步骤，它的目的是从图像中提取出具有区分性的特征信息。
常用的特征提取方法有关联矩阵、主成分分析（PCA）、线性判别分析（LDA）等。
1.3 目标检测：目标检测是机器视觉中的一个重要任务，它的目的是在图像中找到并识别出特定目标。
常用的目标检测方法有基于滑动窗口的方法、基于区域的方法、基于深度学习的方法等。
1.4 图像分类：图像分类是机器视觉中的应用之一，它的目的是将给定的图像划分到预定义的类别中。
常用的图像分类方法有支持向量机（SVM）、卷积神经网络（CNN）等。
第二点：机器视觉应用案例机器视觉在现实生活中的应用非常广泛，涵盖了工业检测、自动驾驶、安防监控、医疗诊断等多个领域。
在本部分，我们将介绍几个典型的机器视觉应用案例，以帮助大家更好地理解机器视觉的实际应用。
2.1 工业检测：机器视觉在工业检测领域的应用非常广泛，它可以用于检测产品的质量、尺寸、形状等参数，提高生产效率，降低人工成本。
2.2 自动驾驶：机器视觉在自动驾驶领域的应用主要包括环境感知、车辆定位、目标识别等。
通过识别道路标志、行人、车辆等障碍物，自动驾驶系统可以做出相应的决策，保证行驶的安全性。
2.3 安防监控：机器视觉在安防监控领域的应用主要包括人脸识别、行为识别、车辆识别等。
通过实时监控和分析监控画面，机器视觉系统可以有效地发现异常情况，提高安防效果。
2.4 医疗诊断：机器视觉在医疗诊断领域的应用主要包括病变识别、组织分割、影像分析等。
机器视觉入门
机器视觉入门目录•1. 什么是机器视觉o 1.1. 机器视觉是人工智能重要的前沿技术o 1.2. 机器视觉能做什么o 1.3. 机器视觉的优势（为什么用机器视觉，不仅仅是替代人工哦）•2. 发展历程o 2.1. 源于国外o 2.2. 国内市场爆发式增长o 2.3. 核心部件国产化进行时《打开“视”界之门,挖掘机器视觉蓝海》1. 什么是机器视觉机器视觉通过模拟人类视觉系统，赋予机器“看”和“认知”的能力，是机器认识世界的基础。
机器视觉利用成像系统代替视觉器官作为输入手段，利用视觉控制系统代替大脑皮层和大脑的剩余部分完成对视觉图像的处理和解释，让机器自动完成对外部世界的视觉信息的探测，做出相应判断并采取行动，实现更复杂的指挥决策和自主行动。
作为人工智能最前沿的领域之一，视觉类技术是人工智能企业的布局重点，具有最大的技术分布。
1.1. 机器视觉是人工智能重要的前沿技术人工智能基础构架，如下图：国内外人工智能企业应用技术分布：1.2. 机器视觉能做什么•识别（填空题，描述看到的是什么）识别功能指甄别目标物体的物理特征，包括：o外形o颜色o字符识别（OCR、OVR）o条码其准确度和识别速度是衡量的重要指标•检测（判断题）o判断有无o外观验伤▪外观是否存在缺陷▪产品装配是否完整•定位获取目标物体的坐标和角度信息，自动判断物体位置•测量把获取的图像像素信息标定成常用的度量衡单位，然后在图像中精确地计算出目标物体的几何尺寸，主要应用于高精度及复杂形态测量。
o2D测量o3D测量1.3. 机器视觉的优势（为什么用机器视觉，不仅仅是替代人工哦）相对于人类视觉而言，机器视觉在量化程度、灰度分辨力、空间分辨力和观测速度等方面存在显著优势。
其利用相机、镜头、光源和光源控制系统采集目标物体数据，借助视觉控制系统、智能视觉软件和数据算法库进行图形分析和处理，软硬系统相辅相成，为下游自动化、智能化制造行业赋予视觉能力。
随着深度学习、3D 视觉技术、高精度成像技术和机器视觉互联互通技术的发展，机器视觉性能优势进一步提升，应用领域也向多个维度延伸。
机器视觉基础知识
机器视觉基础知识
机器视觉基础知识是指基于人类视觉系统原理和计算机科学技术，通过视觉传感器获取并解析图像信息，实现对图像的理解、分析和处理的一门技术。
机器视觉技术在工业、医疗、安防等领域得到广泛应用，其基础知识包括以下几个方面：
1. 图像采集：机器视觉系统通过摄像机、激光雷达等视觉传感器采集图像信息，获取目标物体的外在特征。
2. 图像预处理：为了提高图像的质量和准确性，需要对采集到的图像进行去噪、滤波、增强等处理。
3. 特征提取：通过图像处理算法，提取目标物体的形状、颜色、纹理等特征，作为后续处理的基础。
4. 目标检测：通过特定的算法，实现对图像中目标物体的自动识别和定位，为后续的分析和决策提供基础。
5. 图像分割：将图像分为不同的区域，为目标的进一步分析和处理提供基础。
6. 物体跟踪：对连续的图像序列中的目标物体进行跟踪，分析其运动轨迹和状态变化。
7. 三维重建：通过多视角的图像信息，实现对目标物体的三维重建，为后续的仿真和虚拟现实应用提供基础。
机器视觉技术的发展和应用，需要深入掌握以上基础知识，结合实际应用场景，灵活运用各种算法和技术手段，不断提升机器视觉系统的性能和应用效果。
机器视觉入门介绍
机器视觉入门介绍机器视觉，这个词听起来很高大上，对吧？其实它就是让电脑“看”得像人一样，处理图像和视频。
想象一下，机器能通过镜头识别物体、分析场景。
这不单单是科幻电影里的情节，而是现实生活中的一部分。
首先，我们得聊聊机器视觉的基础。
简单来说，机器视觉系统通常由相机、照明和图像处理软件组成。
相机捕捉图像，照明提供清晰的视觉效果，软件则负责分析和理解。
就像人眼看东西，机器也得“看”得清楚。
比如，在工厂里，机器能通过视觉系统检测产品是否合格，省时省力。
再深入一点。
机器视觉的关键在于图像处理技术。
这部分就像是机器的“大脑”。
它需要对图像进行处理、分割和识别。
不同的算法让机器能够识别颜色、形状、纹理等。
举个例子，自动驾驶汽车就是利用机器视觉来识别路标、行人和其他车辆。
简直是未来科技的缩影！接下来，我们可以看看机器视觉的应用。
它的身影无处不在。
在医疗领域，机器视觉帮助医生进行精确的手术，识别病灶。
食品行业里，机器能实时监控产品质量，确保消费者的安全。
再往大了说，机器视觉还可以在安防监控中识别可疑行为，提升安全性。
真是无孔不入。
当然，技术的发展也伴随着挑战。
像光照变化、复杂背景都会影响识别的准确性。
不同于人类的灵活性，机器视觉系统在这些情况下可能会出错。
研究人员正努力寻找解决方案，提升系统的鲁棒性，让机器在各种条件下都能“看得清”。
未来的发展方向，可能会结合深度学习等先进技术，提升视觉系统的智能水平。
总的来说，机器视觉不仅改变了我们的工作方式，还潜移默化地影响着生活中的方方面面。
它让我们看到了一种全新的可能性。
未来，随着技术的不断进步，机器视觉将会更加强大、更加普及。
想象一下，未来的生活中，机器视觉将成为我们生活的“眼睛”，帮助我们更好地探索这个世界。
快速学习机器视觉的基本概念
快速学习机器视觉的基本概念第一章：机器视觉的定义和发展历程机器视觉是指让机器具有模仿和理解人类视觉系统的能力，从图像和视频中提取信息并作出相应的判断和决策。
机器视觉的发展历程可以追溯到上世纪50年代，但直到近年来，随着计算机技术和人工智能的快速发展，机器视觉才取得了突破性进展。
第二章：机器视觉的基本原理1. 图像采集：机器视觉的第一步是通过各种传感器采集图像数据，常用的图像采集设备包括相机、摄像机和激光扫描仪等。
2. 图像预处理：图像预处理是为了更好地进行后续的分析和处理，包括去噪、增强对比度、图像滤波和图像拼接等技术。
3. 特征提取：特征提取是机器视觉中的一个重要环节，通过对图像进行边缘检测、角点检测和纹理分析等操作，提取出图像中的重要特征点。
4. 特征匹配：特征匹配是指将两幅图像中的特征点进行对应，寻找它们之间的相似性和关联性，常用的特征匹配算法包括SIFT 和SURF等。
5. 目标检测和识别：目标检测和识别是机器视觉中的核心任务之一，通过对图像中的目标进行定位和识别，常用的算法包括基于特征的方法和基于深度学习的方法。
6. 目标跟踪：目标跟踪是指在视频序列中实时追踪目标的位置和运动轨迹，常用的目标跟踪方法包括卡尔曼滤波和粒子滤波等。
第三章：机器视觉的应用领域1. 工业应用：机器视觉在工业领域中被广泛应用，如零件检测、质量控制、机器人导航和自动化生产等。
2. 医疗健康：机器视觉在医疗领域中有着重要的应用，如疾病诊断、医学影像分析和手术辅助等。
3. 交通安全：机器视觉在交通领域中起到了重要的作用，如交通监控、车牌识别和行人检测等。
4. 农业与农村发展：机器视觉可以提高农业生产效率和质量，如作物检测、果实分拣和农村环境监测等。
5. 智能安防：机器视觉在智能安防领域中扮演着重要的角色，如人脸识别、行为分析和入侵检测等。
第四章：机器视觉的发展趋势1. 深度学习：深度学习是机器视觉领域的重要技术，通过构建深层神经网络模型，可以实现更加准确和鲁棒的图像处理和分析。
机器视觉知识点归纳总结
机器视觉知识点归纳总结一、基本概念1. 图像与视频的基本概念图像是指由像素组成的二维数据，每个像素表示图像中的一个点的亮度和颜色。
而视频则是由一系列相继的图像组成的，每秒钟包含25~30帧图像。
在机器视觉中，图像和视频是最基本的数据类型，因此理解图像和视频的基本概念对于学习机器视觉至关重要。
2. 特征提取与描述特征是指图像或视频中的局部区域或结构，特征提取是指从原始图像中抽取出具有代表性和区分性的特征。
通常包括几何特征、颜色特征、纹理特征等。
特征描述是指用向量或矩阵等数据结构对提取出的特征进行表示和储存，以便进行后续的分析和处理。
3. 图像处理与分析图像处理是指采用数字图像处理技术对图像进行一系列的操作，如去噪、增强、分割、配准等。
图像分析则是指对图像进行解释和理解，包括目标检测、目标识别、目标跟踪等。
4. 神经网络与深度学习神经网络是一种模拟人脑神经元网络的数学模型，深度学习则是指基于多层神经网络的学习算法。
在机器视觉中，深度学习技术已经取得了很大的成功，如卷积神经网络（CNN）在图像识别、目标检测等领域的广泛应用。
5. 三维视觉三维视觉是指利用多个二维图像或视频重构出三维物体的形状和结构的技术。
它包括立体视觉、结构光、多视点等技术，常用于虚拟现实、医学影像学等领域。
二、常用算法1. 图像处理算法（1）滤波算法：用于去除图像中的噪声，如均值滤波、中值滤波、高斯滤波等。
（2）边缘检测算法：用于检测图像中的边缘结构，如Sobel算子、Canny算子等。
（3）图像分割算法：将图像分割成多个区域或对象，如基于阈值的分割、基于边缘的分割、基于区域的分割等。
（4）配准算法：用于将多幅图像进行配准，以便进行后续的处理和分析。
2. 特征提取与描述算法（1）HOG特征：Histogram of Oriented Gradients，是一种用于目标检测的特征描述方法。
（2）SIFT特征：Scale Invariant Feature Transform，是一种用于图像匹配和目标识别的特征描述方法。
图象处理-机器视觉-基础知识
图象处理-机器视觉-基础知识(总4页)--本页仅作为文档封面，使用时请直接删除即可----内页可以根据需求调整合适字体及大小--1.什么是机器视觉技术试论述其基本概念和目的。
答：机器视觉技术是是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。
机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。
机器视觉技术最大的特点是速度快、信息量大、功能多。
机器视觉是用机器代替人眼来完成观测和判断，常用于大批量生产过程汇总的产品质量检测，不适合人的危险环境和人眼视觉难以满足的场合。
机器视觉可以大大提高检测精度和速度，从而提高生产效率，并且可以避免人眼视觉检测所带来的偏差和误差。
2.机器视觉系统一般由哪几部分组成试详细论述之。
答：机器视觉系统主要包括三大部分：图像获取、图像处理和识别、输出显示或控制。
图像获取：是将被检测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据。
该部分主要包括，照明系统、图像聚焦光学系统、图像敏感元件（主要是CCD 和CMOS ）采集物体影像。
图像处理和识别：视觉信息的处理主要包括滤波去噪、图像增强、平滑、边缘锐化、分割、图像识别与理解等内容。
经过图像处理后，图像的质量得到提高，既改善了图像的视觉效果又便于计算机对图像进行分析、处理和识别。
输出显示和控制：主要是将分析结果输出到显示器或控制机构等输出设备。
3.试论述机器视觉技术的现状和发展前景。
答：。
机器视觉技术的现状： 机器视觉是近20～30年出现的新技术，由于其固有的柔性好、非接触、快速等特点，在各个领域得到很广泛的应用，如航空航天、工业、军事、民用等等领域。
发展前景：随着光学传感器、信息技术、信号处理、人工智能、模式识别研究的不断深入和计算机性价比的不断提高，机器视觉技术越来越成熟，特别是市面上已经有针对机器视觉系统开发的企业提供配套的软硬件服务，相信越来越多的客户会选择机器视觉系统代替人力进行工作，既便于管理又节省了成本。
学习机器视觉的基础知识和技能
学习机器视觉的基础知识和技能第一章：机器视觉简介机器视觉是研究如何使计算机能够“看”的一门学科。
它利用计算机视觉、模式识别和图像处理等技术，将图像或视频信号转化为可理解的数据并进行分析。
机器视觉被广泛应用于自动驾驶、智能安防、医学影像分析等领域。
1.1 机器视觉的发展历程机器视觉的发展可以追溯到上世纪60年代，当时国际上的研究者开始尝试将图像转化为数字信号进行处理和分析。
随着计算机硬件和算法的不断进步，机器视觉的应用范围也不断扩大。
1.2 机器视觉的基本原理机器视觉的基本原理是通过图像采集设备获取图像，然后通过图像处理算法对图像进行分析和处理，最后得到所需的信息。
图像采集设备可以是相机、摄像机等，图像处理算法可以包括边缘检测、图像分割、特征提取等。
第二章：机器视觉的关键技术机器视觉的关键技术包括图像预处理、目标检测、目标跟踪和目标识别等。
2.1 图像预处理图像预处理是指对图像进行去噪、平滑、增强等操作，以便更好地进行分析和处理。
常用的图像预处理方法包括灰度化、降噪、直方图均衡化等。
2.2 目标检测目标检测是指在图像或视频中自动识别和定位感兴趣的目标物体。
常用的目标检测方法包括滑动窗口、卷积神经网络等。
2.3 目标跟踪目标跟踪是指在视频序列中追踪一个或多个运动目标的位置。
常用的目标跟踪方法包括卡尔曼滤波、相关滤波等。
2.4 目标识别目标识别是指识别图像中的对象属于哪一类别。
常用的目标识别方法包括支持向量机、深度学习等。
第三章：机器视觉的应用领域机器视觉的应用领域非常广泛，涉及到工业自动化、智能交通、智能安防、医学影像等多个领域。
3.1 工业自动化机器视觉在工业自动化中扮演着重要角色，可以用于产品质量检测、物体定位等。
例如，可以通过机器视觉系统检测产品表面缺陷、尺寸偏差等问题，提高生产效率和产品质量。
3.2 智能交通机器视觉在智能交通领域的应用非常广泛。
通过图像识别技术，可以实现交通监控、车辆自动驾驶等功能。
机器视觉基础知识详解
机器视觉基础知识详解什么是机器视觉机器视觉是人工智能正在快速发展的一个分支。
简单说来，机器视觉就是用机器代替人眼来做测量和判断。
机器视觉系统是通过机器视觉产品（即图像摄取装置，分CMOS和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
机器视觉系统的分类•智能相机•基于嵌入式•基于PC机器视觉系统的组成•图像获取：光源、镜头、相机、采集卡、机械平台•图像处理与分析：工控主机、图像处理分析软件、图形交互界面。
•判决执行：电传单元、机械单元机器视觉的工作原理机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格/不合格、有/无等，实现自动识别功能。
机器视觉的应用案例一：机器人+视觉自动上下料定位的应用现场有两个振动盘，振动盘1作用是把玩偶振动到振动盘2中，振动盘2作用是把玩偶从反面振动为正面。
该应用采用了深圳视觉龙公司VD200视觉定位系统，该系统通过判断玩偶正反面，把玩偶处于正面的坐标值通过串口发送给机器人，机器人收到坐标后运动抓取产品，当振动盘中有很多玩偶处于反面时，VD200视觉定位系统需判断反面玩偶数量，当反面玩偶数量过多时，VD200视觉系统发送指令给振动盘2把反面玩偶振成正面。
该定位系统通过玩偶表面的小孔来判断玩偶是否处于正面，计算出玩偶中心点坐标，发送给机器人。
通过VD200视觉定位系统实现自动上料，大大减少人工成本，大幅提高生产效率。
案例二：视觉检测在电子元件的应用此产品为电子产品的按钮部件，产品来料为料带模式，料带上面为双排产品。
机器视觉基础知识
50% 分束片
.
29
六、软硬件知识--光源篇 常用照明技术
#5：结构光法——最简便的三维测量
激光或线性光 源
固定角度照射
三维深度信息
.
30
六、软硬件知识--光源篇 常用照明技术
#6：影子的利用——最不直接的测量
待测物高度信息
待测物长度信息
.
31
六、软硬件知识--光源篇 常用照明技术
典型系统由以下组成： •待测目标 •光源 •镜头 •相机 •图像采集卡 •图像处理软件 •输入输出板卡 •工业电脑
.
6
三、机器视觉系统基本构成
典型系统由以下组成： •待测目标 •光源 •镜头 •相机 •图像采集卡 •图像处理软件 •输入输出板卡 •工业电脑
“嵌入”
.
7
四、机器视觉系统应用分类
测量 （Measure）
• LED光源
• 其他（激光、紫外光等）
.
25
六、软硬件知识--光源篇 常用照明技术
#1：背光——测量系统的最佳选择
.
26
六、软硬件知识--光源篇 常用照明技术
#2：亮场——最直接的照明
.
27
六、软硬件知识--光源篇 常用照明技术
#3：暗场——适合光滑表面的照明
.
28
六、软硬件知识--光源篇 常用照明技术
象素值 = 0.2 MM
.
44
七、机器视觉系统搭建
获得完美图象的6大要素
#1：高系统精度
• 视野（FOV）
- 让视觉系统“关心”的部分尽可能“充满”视野。通俗来说，FOV越小越“好”。 - 相机分辨率相同视野越小系统精度越高 - 视野相同相机分辨率越高系统精度越高
机器视觉知识点总结
机器视觉知识点总结一、机器视觉概述机器视觉是一门研究如何使计算机“看”的技术，它利用计算机技术模拟人类的视觉功能，通过图像传感器采集目标信息，利用计算机进行分析与处理，进而实现对目标检测、识别、跟踪和理解等功能。
机器视觉技术被广泛应用于工业自动化、智能监控、智能交通、医学影像、军事侦察、机器人和虚拟现实等领域。
二、机器视觉基础知识1. 图像采集：图像采集是机器视觉的起点，图像可以通过摄像头、扫描仪、雷达和卫星等设备获得。
在进行图像采集前，需要考虑光照、角度、距离和分辨率等因素。
2. 图像处理：图像处理是指对采集到的图像进行预处理，包括颜色空间转换、滤波、锐化、边缘检测、图像分割等技术，目的是减少图像噪声、增强目标轮廓和提取目标特征。
3. 特征提取：特征提取是指从处理后的图像中抽取目标的关键特征，常用的特征包括纹理、形状、颜色、边缘等。
特征提取的目的是对目标进行描述和区分。
4. 目标检测：目标检测是利用特征提取技术，对图像中的目标进行定位和识别，常用的目标检测方法包括模板匹配、边缘检测、统计学方法、神经网络等。
5. 目标跟踪：目标跟踪是指在连续图像序列中，对目标的位置和运动轨迹进行跟踪，常用的目标跟踪方法包括卡尔曼滤波、粒子滤波、神经网络等。
6. 目标识别：目标识别是对检测到的目标进行进一步的识别和分类，实现对目标的自动识别和判别，常用的目标识别技术包括支持向量机、决策树、深度学习等。
三、机器视觉技术应用1. 工业自动化：机器视觉在工业领域的应用非常广泛，可以用于产品外观检测、质量控制、零件定位和装配、自动化检测等。
2. 智能监控：机器视觉技术可以用于监控系统，包括人脸识别、车牌识别、行人检测、烟火检测等，实现智能化监控和安全防范。
3. 智能交通：机器视觉可以应用于智能交通系统，包括车辆识别、交通流量检测、路况监测、智能停车等，提高交通管理效率和安全性。
4. 医学影像：机器视觉在医学影像诊断中的应用逐渐增多，包括医学图像分析、肿瘤检测、器官定位、医学影像处理等。
机器视觉入门介绍
机器视觉入门介绍在当今科技飞速发展的时代，机器视觉作为一项关键技术，正逐渐渗透到我们生活和工作的各个领域。
或许您曾听说过它，但对其具体内容却一知半解。
那么，就让我们一起走进机器视觉的世界，来一场入门之旅吧。
机器视觉，简单来说，就是让机器具备像人一样的“眼睛”和“大脑”，能够对周围的环境和物体进行观察、识别和理解。
它依靠一系列的硬件设备和软件算法，实现对图像或视频的采集、处理和分析。
要理解机器视觉，首先得了解它的工作原理。
这就好比我们的眼睛和大脑的协同工作。
机器视觉系统中的“眼睛”通常是由摄像头、图像传感器等硬件组成，负责捕捉外界的图像信息。
而“大脑”则是由计算机和各种图像处理算法构成，对采集到的图像进行处理和分析。
图像采集是机器视觉的第一步。
就像我们用手机拍照一样，机器通过摄像头获取到物体的图像。
但这只是开始，接下来的图像处理才是关键。
在这一环节，图像会经过一系列的操作，比如去噪、增强、分割等。
去噪就是去除图像中的干扰和噪声，让图像更清晰；增强则是突出图像中的某些特征，让重要的信息更加明显；分割则是将图像中的不同物体或区域区分开来。
完成图像处理后，机器就要对图像中的内容进行识别和分析了。
这就需要用到各种算法和模型。
比如，在识别物体的形状时，会用到形状匹配算法；在判断物体的颜色时，会用到颜色分析算法。
通过这些算法和模型，机器能够提取出图像中的关键信息，并与预先设定的标准进行对比和判断。
机器视觉的应用领域非常广泛。
在工业生产中，它可以用于产品质量检测。
想象一下，一条生产线上快速流动着各种零件，如果靠人工一个一个地检查，不仅效率低下，而且容易出错。
但有了机器视觉，就能快速而准确地检测出零件是否有缺陷，大大提高了生产效率和产品质量。
在农业领域，机器视觉可以帮助检测农作物的生长状况，判断是否有病虫害。
在交通领域，它可以用于车牌识别、交通流量监测等。
在医疗领域，机器视觉能够辅助医生进行疾病诊断，比如通过分析医学影像来发现病变部位。
机器视觉入门介绍
机器视觉入门介绍在当今科技飞速发展的时代，机器视觉作为一项关键技术，正逐渐渗透到我们生活和工作的各个领域。
那么，什么是机器视觉呢？简单来说，机器视觉就是让机器具备像人一样的“视觉”能力，能够获取、处理和理解图像或视频信息。
要理解机器视觉，我们先得从它的基本组成部分说起。
就像人的眼睛需要眼球、视神经和大脑来协同工作一样，机器视觉系统也有几个重要的组成部分。
首先是图像采集设备，这就好比是机器的“眼睛”，常见的有摄像头、扫描仪等。
它们负责捕捉外界的图像或视频信息。
然后是图像传输环节，把采集到的图像数据快速、准确地传输到处理单元。
接下来就是图像处理单元了，这可以说是机器视觉的“大脑”，负责对图像进行分析、处理和识别。
那机器视觉能做些什么呢？它的应用场景那可真是广泛。
在工业生产中，机器视觉可以用于产品质量检测。
比如说，在汽车制造厂里，它能够检测汽车零部件是否有缺陷，比如划痕、凹陷或者尺寸不符合标准等，这比人工检测更加准确和高效。
在农业领域，机器视觉可以帮助识别农作物的病虫害，还能对水果进行分拣，按照大小、颜色和品质等进行分类。
在物流行业，机器视觉能够实现包裹的自动分拣，大大提高了工作效率。
机器视觉的工作原理其实也不难理解。
当图像被采集设备获取后，会被转换成数字信号。
然后，通过一系列的算法和模型，对这些数字信号进行处理和分析。
比如说，边缘检测算法可以找出图像中物体的边缘；特征提取算法能够提取出物体的关键特征，比如形状、颜色、纹理等。
基于这些处理和分析的结果，机器视觉系统就能够做出判断和决策。
对于想要入门机器视觉的朋友来说，了解一些基本的技术和概念是很有必要的。
首先是图像分辨率，这决定了图像的清晰度和细节程度。
分辨率越高，图像越清晰，但同时处理的数据量也越大。
然后是光照条件，合适的光照对于获取高质量的图像至关重要。
太亮或太暗的环境都可能影响图像的质量，从而影响机器视觉系统的性能。
还有图像的颜色空间，常见的有 RGB（红、绿、蓝）和 HSV（色相、饱和度、明度）等，不同的颜色空间在不同的应用场景中有各自的优势。
机器视觉菜鸟入门基础知识
机器视觉概述
1. 机器视觉系统基本原理 2. 照明光源 3. 镜头 4. 工业摄像机 5. 图像采集/处理卡 6. 图像处理系统
第1章 机器视觉系统基本原理
1.1 机器视觉系统的原理 1.2 机器视觉系统与人的视觉的对比 1.3 机器视觉系统的构成
1.1 机器视觉系统的原理
2.1照明光源
简单视功能原理：人眼视网膜里存在着大量 光敏细胞，按其形状可分为杆状和锥状两 种。杆状光敏细胞的灵敏度极高，主要靠 它在低照度时辨别明暗，但它对彩色是不 敏感的；而锥状细胞既可辨别明暗，也可 辨别彩色。白天的视觉过程主要靠锥状细 胞来完成，夜晚视觉则由杆状细胞起作用。 所以在较暗处无法辨别彩色。
UV镜 雷登镜 增温镜 各色滤镜 带通滤镜
增倍镜 分光镜 棱镜
上海图星电子科技有限公司
第4章 工业摄像机
4. 工业摄像机
按不同芯片类型划分：
CCD摄像机，CCD称为电荷耦合器件，CCD实际 上只是一个把从图像半导体中出来的电子有组织 地储存起来的方法。
CMOS摄像机，CMOS称为“互补金属氧化物半 导体”，CMOS实际上只是将晶体管放在硅块上 的技术，没有更多的含义。CMOS可以将光敏元 件、放大器、A/D转换器、存储器、数字信号处 理器和计算机接口控制电路集成在一块硅片上， 具有结构简单、处理功能多、速度快、耗电低、 成本低等特点。
3. 镜头－有关镜头的基本概念
3. 镜头－有关镜头的基本概念
焦距（F）： 视场角： 物距： 像距： 光圈：一般用口径系数f表示，指镜头口径与焦距之比，f/2.8即指
1:2.8 景深（DOF）：在焦点前后各有一个容许弥散圆，这两个弥散圆之间
的距离就叫景深，即：在被摄主体(对焦点)前后，其影像仍然有一段 清晰范围的，就是景深。 分辨力：指能分清楚物体的能力，单位LP/mm（Line pairs/Milimeter） 快门，决定曝光时间 数值孔径，Numerical Aperture (NA) 基本放大倍数(光学放大倍数），Primary Magnification (PMAG) 调制传递函数（MTF），MTF好的镜头有利于低对比度景物的再现， 拍出的图像层次丰富、细节明显、质感细腻。 畸变：也叫失真
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
机器视觉入门知识详解
随着工业4.0时代的到来，机器视觉在智能制造业领域的作用越来越重要，为了能让更多用户获取机器视觉的相关基础知识，包括机器视觉技术是如何工作的、它为什么是实现流程自动化和质量改进的正确选择等。
小编为你准备了这篇机器视觉入门学习资料。
机器视觉是一门学科技术，广泛应用于生产制造检测等工业领域，用来保证产品质量，控制生产流程，感知环境等。
机器视觉系统是将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
机器视觉优势：机器视觉系统具有高效率、高度自动化的特点，可以实现很高的分辨率精度与速度。
机器视觉系统与被检测对象无接触，安全可靠。
人工检测与机器视觉自动检测的主要区别有：
为了更好地理解机器视觉，下面，我们来介绍在具体应用中的几种案例。
啤酒厂采用的填充液位检测系统为例来进行说明：
当每个啤酒瓶移动经过检测传感器时，检测传感器将会触发视觉系统发出频闪光，拍下啤酒瓶的照片。
采集到啤酒瓶的图像并将图像保存到内存后，视觉软件将会处理或分析该图像，并根据啤酒瓶的实际填充液位发出通过-未通过响应。
如果视觉系统检测到一个啤酒瓶未填充到位，即未通过检测，视觉系统将会向转向器发出信号，将该啤酒瓶从生产线上剔除。
操作员可以在显示屏上查看被剔除的啤酒
瓶和持续的流程统计数据。
机器人视觉引导玩偶定位应用：
现场有两个振动盘，振动盘1作用是把玩偶振动到振动盘2中，振动盘2作用是把玩偶从反面振动为正面。
该应用采用了深圳视觉龙公司VD200视觉定位系统，该系统通过判断玩偶正反面，把玩偶处于正面的坐标值通过串口发送给机器人，机器人收到坐标后运动抓取产品，当振动盘中有很多玩偶处于反面时，VD200视觉定位系统需判断反面玩偶数量，当反面玩偶数量过多时，VD200视觉系统发送指令给振动盘2把反面玩偶振成正面。
该定位系统通过玩偶表面的小孔来判断玩偶是否处于正面，计算出玩偶中心点坐标，发送给机器人。
通过VD200视觉定位系统实现自动上料，大大减少人工成本，大幅提高生产效率。
视觉检测在电子元件的应用：
此产品为电子产品的按钮部件，产品来料为料带模式，料带上面为双排产品。
通过对每个元器件定位后，使用斑点工具检测产品固定区域的灰度值，来判断此区域有无缺胶情况。
该应用采用了深圳视觉龙公司的DragonVision视觉系统方案，使用两个相机及光源配合机械设备，达到每次检测双面8个产品，每分钟检测大约1500个。
当出现产品不良时，立刻报警停机，保证了产品的合格率和设备的正常运行，提高生产效率。
机器视觉的应用领域:
•识别
标准一维码、二维码的解码
光学字符识别（OCR）和确认（OCV）
•检测
色彩和瑕疵检测
零件或部件的有无检测
目标位置和方向检测•测量
尺寸和容量检测
预设标记的测量，如孔位到孔位的距离
•机械手引导
输出空间坐标引导机械手精确定位
机器视觉系统的分类
•智能相机
•基于嵌入式
•基于PC
机器视觉系统的组成
•图像获取：光源、镜头、相机、采集卡、机械平台
•图像处理与分析：工控主机、图像处理分析软件、图形交互界面。
•判决执行：电传单元、机械单元
光源---光路原理
照相机并不能看见物体，而是看见从物体表面反射过来的光。
镜面反射：平滑表面以对顶角反射光线
漫射反射：粗糙表面会从各个方向漫射光线
发散反射：多数表面既有纹理，又有平滑表面，会对光线进行发散反
射
•光源---作用和要求
在机器视觉中的作用
照亮目标，提高亮度
形成有利于图像处理的效果
克服环境光照影响，保证图像稳定性
用作测量的工具或参照
良好的光场设计要求
对比度明显，目标与背景的边界清晰
背景尽量淡化而且均匀，不干扰图像处理
与颜色有关的还需要颜色真实，亮度适中，不过曝或欠曝；
•光源---光场构造
明场： 光线反射进入照相机
暗场：光线反射离开照相机
•光源---构造光源
使用不同照明技术对被测目标会产生不同的影响，以滚珠轴承为例：
•相机
种类：线&面、隔/逐、黑/彩、数/模、低/高、CCD/CMOS
指标：象元尺寸、分辨率、靶面大小、感应曲线、动态范围、灵敏度、速度噪声、填充因子、体积、质量、工作环境等
工作模式：Free run、Trigger（多种）、长时间曝光等
传输方式：GIGE，Cameralinker,模拟
•相机--按照图像传感器区分
CCD相机：使用CCD感光芯片为图像传感器的相机,集光电转换及电荷存贮、电荷转移、信号读取于一体，是典型的固体成像器件。
CMOS相机：使用CMOS感光芯片为图像传感器的相机 ,将光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器集成在一块芯片上，还具有局部像素的编程随机访问的优点。
•相机--按照输出图像颜色区分：
单色相机：输出图像为单色图像的相机。
彩色相机：输出图像为彩色图像的相机。
•相机--按输出信号区分
模拟信号相机：从传感器中传出的信号，被转换成模拟电压信号，即普通视频信号后再传
到图像采集卡中。
数字信号相机：信号自传感器中的像素输出后，在相机内部直接数字化并输出。
数字相机
又包含1394相机、USB相机、Gige相机、CameraLink相机等 •相机--按照传感器类型区分
面扫描相机：传感器上像素呈面状分布的相机，其所成图像为二维“面”图像。
线扫描相机：传感器上呈线状（一行或三行）分布的相机，其所成图像为一维“线”图像。
•相机--CMOS VS CCD
CCD
CMOS 串行处理 并行处理
光线灵敏度高，图像对比度高
光线灵敏度低，图像对比度低，高动态范围 低噪声
存在固定模式噪音 集成度较低
高集成度，芯片上集成了很多功能 取图速度慢，帧率低
取图速度块，帧率高 功耗一般
功耗较低 成本较高
成本低
•相机--传感器的尺寸
图像传感器感光区域的面积大小。
这个尺寸直接决定了整个系统的物理放大率。
如：1/3“、1/2”等。
绝大多数模拟相机的传感器的长宽比例是4：3 (H：V)，数字相机的长宽比例则包括多种：1：1，4：3，3：2 等。
•相机--像素
是成像于相机芯片的图像的最小组成单位。
以200万像素的相机为例，满屏有1600*1200个像素,成像于1/1.8英寸大小的CCD 芯
片。
•相机--分辨率
由相机所采用的芯片分辨率决定，是芯片靶面排列的像元数量。
通常面阵相机的分辨率用水平和垂直分辨率两个数字表示，如：1920（H）x 1080(V)，前面的数字表示每行的像元数量，即共有1920个像元，后面的数字表示像元的行数，即1080行。
•相机--帧率和行频
由相机的帧率/行频表示相机采集图像的频率，通常面阵相机用帧率表示，单位fps（Frame Per second），如30fps,表示相机在1秒钟内最多能采集30帧图像；线性相机通常用行频表示，单位KHz,如12KHz表示相机在1秒钟内最多能采集12000行图像数据。
•相机--快门速度（Shutter Speed）
CCD/CMOS相机多数采用电子快门，通过电信号脉冲的宽度来控制传感器的光积分（曝光）时间。
对于一般性能的的相机快门速度可以达到1/10000-1/100000秒。
卷帘快门（Rolling Shutter）：多数CMOS图像传感器上使用的快门，其特征是逐行曝光，每一行的曝光时间不一致。
全局快门（Global Shutter）：CCD传感器和极少数CMOS传感器采用的快门，传感器上所有像素同时刻曝光。
•相机--智能相机
智能工业相机是一种高度集成化的微小型机器视觉系统。
它将图像的采集、处理与通信功能集成于单一相机内，从而提供了具有多功能、模块化、高可靠性、易于实现的机器视觉解决方案。
智能工业相机一般由图像采集单元、图像处理单元、图像处理软件、网络通信装置等构成。
由于应用了最新的 DSP、FPGA及大容量存储技术，其智能化程度不断提高，可满足多种机器视觉的应用需求。
•镜头---主要参数
工业的镜头大都是多组镜片组合在一起的。
计算时会忽略厚度对透镜的影响将其等效成没有厚度的播透镜模型，即理想凸透镜。
参数：焦距/视场/物距/像距/光圈/景深/分辨力/放大倍数/畸变/接口
畸变：镜头中心区域和四周区域的放大倍数不相同。
畸变的校正一般用黑白分明的方格图像来进行，过程并不复杂。
一般如果畸变小于2%，人眼观察不到；若畸变小于CCD的一个像素，
摄像机也看不见。
•镜头---分类
CCTV镜头
专业摄影镜头
远心镜头
•镜头---远心镜头
在测量系统中，物距常发生变化，从而使像高发生变化，所以测得的物体尺寸也发生变化，即产生了测量误差；即使物距是固定的，也会因为CCD敏感表面不易精确调整在像平面上，同样也会产生测量误差。
采用远心物镜中的像方远心物镜可以消除物距变化带来的测量误差，而物方远心物镜则可以消除CCD位置不准带来的测量
误差。