机器视觉课内实验
机器视觉实训报告总结
机器视觉实训报告总结
机器视觉实训报告总结
本次实训利用机器视觉技术对小型实物进行定位、计算、识别及检测，实现对实物的自动抓取和识别。
一、实物抓取
1.采用预测定位技术，依据定位参照物，采用图像处理算法，识别定位目标，实现实物的快速定位。
2.采用模板匹配技术，通过辨识模板图像，把实物与模板图像的空间位置信息进行快速匹配，实现实物的精确定位。
二、计算技术
1.采用图像分割技术，对实物图像进行分割，获得图像的块状，进行计算和分析，实现实物的计算功能。
2.采用轮廓技术，对实物图像进行轮廓提取，实现实物的几何信息计算。
三、识别技术
1.采用特征技术，对实物图像进行特征提取，实现实物的识别功能。
2.采用模板匹配技术，通过辨识模板图像，实现实物图像的快速识别。
四、检测技术
1.采用图像处理技术，对实物图像进行形态学变换，实现实物的检测功能。
2.采用模板匹配技术，通过辨识模板图像，实现实物图像的快速检测。
总之，本次实训运用机器视觉技术，实现了实物的定位、计算、识别及检测，取得了较好的效果。
通过本次实训的学习，更加深入的理解了机器视觉技术的应用，让我们对机器视觉技术有了更加深刻的认识，有助于未来运用机器视觉技术解决工业上的实际问题。
计算机视觉课程设计报告
计算机视觉课程设计实验报告1．题目: 图像变形2．组员：曹英(E03640201) 叶超(E03640124) 李淑珍(E03640104)3．实验目的：掌握图像几何运算中变形算法4．实验原理：对两幅图分别进行卷绕、插值，每幅图得到一序列图片，然后对这些序列图片进行加权求和，得到一序列帧，再将其显示出来，就得到了由一幅图到另一幅图的变形。
5．实验步骤：对一幅图分别选4行4列的16个控制点，在每条边上进行五等分，每条边形成六个点，加上原来的16个就是36个控制点，这样就把它分成了不规则的25小块，对每小块进行卷绕、插值，本实验我们用的是最近邻插值，目标控制点就是将图片分成标准并且相同大小的25小块的36个点。
这样会得到一幅不规则图片，让它作为新的原图进行如前所述一样的处理，控制点都是这样自动产生的：一开始所选每个控制点到相应标准控制点等距离(本实验我们是分成9等分)产生一序列的36个控制点。
这样每产生一幅图都对它进行相类似的处理，控制点的产生方法就是上面所说的那样。
得到的一序列图片越来越接近原图，最后一幅与原图一样。
这样我们就可以得到这样的一序列图片：原图，手工选控制点进行处理后得到的不规则图，循环产生控制点得到的越来越接近原图的9幅图（最后一幅与原图一样）。
为了描述的方便，这里我把它编号为1_1到1_11。
对目标图进行与原图一样的处理。
编号也类似，即2_1到2_11。
最后进行加权求和，第一帧是原图，第二帧是1_10与2_2加权求和，其中1_10的权值是0.9，2_2的权值是0.1，第三帧是1_9与2_3加权求和，其中1_9的权值是0.8，2_3的权值是0.2，……，第十帧是1_2与2_10加权求和，其中1_10的权值是0.1，2_2的权值是0.9，第十一帧是目标图。
这样就得到了所要的结果。
这里需要说明的是两幅手工选择的控制点最好是那些有代表性的特征点，这样的话结果会更好。
6．实验结果图：第一帧到最后一帧的结果分别是：6．实验心得体会：1．通过这个实验，最大的感受就是学的东西必须去用才能真正的理解，不动手的时候根本不知道种种问题的存在，找资料也很重要，通过找资料，才能产生一些想法，知道该如何下手，用各种算法去实现它，最后得到一个最满意的算法。
机器视觉 实验指导书 2010-2011-2(王海晖)
《机器视觉》实验指导书实验一电子元件插针引脚测量实验（一）实验类型：验证性实验（二）实验目的：通过该实验使得学生掌握如何建立被测量工件对象的基本检测步骤，包括工件定位、光源调整、焦距调节等图象测量，进而掌握工件尺寸测量可视化组态编程方法和技术，掌握如何对多插针相关尺寸参数同时测量的新方法，建立被测量插针的基本检测框架，进而扎实掌握插件多针尺寸、针间距及针宽度测量新技术，具备解决实际复杂插件多针参数视觉测量的技术难题。
（三）实验要求：熟练掌握：用Halcon平台测量的步骤学生分组人数：1人/组（四）实验内容：【实验内容】测量如图1-1 所示电子插件插针参数尺寸(a) (b)图1-1 ：开关（a）需要测量开关引脚的宽度及相互之间的距离。
（b）确定检测边缘的矩形感兴趣区。
【实验原理】1、单个相机的影像截取控制流程如a)所示，实验中，采用单相机采集图像，对应的图像处理算子类型为：open_framegrabber (Name, 1, 1, 0, 0, 0, 0, 'default', -1, 'default', -1, 'default', 'default', Board0, -1, -1, FGHandle0) grab_image (Image0, FGHandle0)2、算子说明：1）open_framegrabber函数功能：打开并设置一个图像采集器调用格式：open_framegrabber ( : : Name, HorizontalResolution, VerticalResolution, ImageWidth, ImageHeight, StartRow, StartColumn, Field, BitsPerChannel, ColorSpace, Generic, ExternalTrigger, CameraType, Device, Port, LineIn : FGHandle )参数：Name--Halcon图像采集接口。
机器视觉及其应用实验报告
机器视觉及其应用实验报告机器视觉是一门利用计算机视觉技术进行图像处理和分析的学科。
通过机器视觉，计算机可以模拟人类感知视觉信息的过程，并基于此进行图像处理、目标检测、物体识别等应用。
本次实验的目标是研究机器视觉的基础概念及其应用，并通过Python编程实现一个实例。
本次实验基于Python语言和OpenCV库进行图像处理和分析。
首先，我们学习了机器视觉的基础概念，包括图像获取、图像处理和图像分析。
图像获取是指利用摄像头或其他设备获取图像数据。
图像处理是指对采集到的图像进行滤波、边缘检测、图像增强等操作，以便更好地识别和分析图像内容。
图像分析是指利用图像处理的结果进行目标检测、物体识别、运动跟踪等应用。
然后，在实验中我们使用Python编程语言和OpenCV库对图像数据进行处理和分析。
我们通过读取图像数据文件，加载图像数据，并利用OpenCV库的各种函数实现图像的滤波、边缘检测和图像增强等操作。
同时，我们还实现了简单的目标检测和运动跟踪算法。
具体来说，我们使用高斯滤波器对图像进行模糊处理，使用Sobel算子进行边缘检测，使用直方图均衡化方法进行图像增强，以及使用Haar级联检测器进行目标检测。
最后，我们通过实验结果验证了机器视觉的应用价值。
我们发现，通过图像处理和分析，计算机可以实现对图像的高效处理和分析，从而达到识别目标、检测运动等目的。
这些应用可以广泛应用于人脸识别、车牌识别、电子游戏等方面。
综上所述，本次实验研究了机器视觉的基础概念及其应用，并通过Python编程实现实例。
通过本次实验，我们对机器视觉有了更深入的了解，并通过实践掌握了图像处理和分析的相关技术。
北航机器视觉摄像机标定实验报告
摄像机标定实验一、实验目的1. 掌握图像坐标系、摄像机坐标系和世界坐标系的定义及相互之间的变换关系，掌握摄像机透视投影原理及模型；2. 了解摄像机标定的意义，掌握基于自由移动平面靶标的摄像机标定原理；3. 了解摄像机镜头光学畸变模型，掌握摄像机镜头径向畸变校正原理和实现方法；4．学习使用MATLAB 工具箱进行摄像机参数标定，精度评价以及畸变校正。
二、实验软件平台MATLAB (R2014a,64bit)，摄像机标定工具箱TOOLBOX_calib。
三、实验内容1. 先用AutoCAD 或者图像编程制作一个方格棋盘黑白靶标，并用打印机打印在A4 纸上，贴在某个平整的物面上，然后用摄像机从多个角度拍摄靶标图像7至10幅。
2.利用MATLAB工具箱TOOL_BOX对拍摄得到的图像进行摄像机标定，精度分析。
四、实验步骤及结果1.下载MATLAB摄像机标定工具箱TOOLBOX_calib（2015年10月14日更新），解压该工具箱。
2.使用摄像机从不同角度拍摄9幅方格棋盘黑白靶标的图片，将图片置于解压的工具箱文件夹内3.打开MATLAB软件，将MATLAB的path设置为解压后的TOOLBOX_calib文件夹。
在命令窗口输入calib，弹出窗口，选择第一项Standard模式。
4.点击Read images选项读入图片，将事先拍好的9幅靶标图片读入，如下图所示。
5.在提取图像进入程序后，我们要对图像提取角点，点击Extract grid corners，根据提示进行操作。
此时程序会弹出图像请用户标出角点，通过选取，得到了下图。
之后程序会要求输入每个格子的实际边长，我们打印的是40mm 大的格子，输入后得到了程序对每个角点的估计，如下图所示。
我们可以发现这张图上边的角点不太准，程序这时问我们需不需要增加畸变系数以使图像角点与程序计算得出的角点相匹配，我们按照提示输入-0.1后，得到下图，匹配的较好。
重复以上程序，将九张图全部提取出角点。
机器视觉实训报告
一、实训背景随着人工智能技术的飞速发展，机器视觉作为人工智能领域的一个重要分支，已在工业、医疗、农业等多个领域得到广泛应用。
为了更好地了解机器视觉技术，提高自身实践能力，我参加了本次机器视觉实训课程。
通过本次实训，我对机器视觉有了更深入的认识，掌握了机器视觉的基本原理、常用算法以及实际应用。
二、实训内容本次实训主要分为以下几个部分：1. 机器视觉基础知识学习- 了解机器视觉的定义、发展历程和分类。
- 学习图像处理的基本原理，包括图像的采集、预处理、特征提取和匹配等。
2. 机器视觉系统搭建- 学习搭建机器视觉系统所需的硬件设备，如光源、相机、镜头等。
- 掌握机器视觉系统的软件平台，如OpenCV、MATLAB等。
3. 图像处理与算法学习- 学习图像预处理方法，如滤波、阈值化、边缘检测等。
- 学习特征提取方法，如SIFT、SURF、ORB等。
- 学习图像匹配方法，如最近邻匹配、随机样本一致性（RANSAC）等。
4. 实际应用案例分析- 分析典型机器视觉应用案例，如人脸识别、车牌识别、物体检测等。
- 学习如何根据实际需求选择合适的算法和参数。
三、实训过程1. 理论学习- 通过查阅资料、阅读教材，掌握机器视觉基础知识。
- 参加实训课程，跟随老师学习图像处理与算法。
2. 实践操作- 使用OpenCV、MATLAB等软件进行图像处理实验。
- 搭建简单的机器视觉系统，进行图像采集、处理和分析。
3. 项目实践- 参与实际项目，如物体检测、人脸识别等，将所学知识应用于实际场景。
四、实训成果1. 理论水平提高- 通过本次实训，我对机器视觉有了更深入的理解，掌握了图像处理、特征提取和匹配等基本算法。
2. 实践能力提升- 通过实际操作，我熟悉了OpenCV、MATLAB等软件的使用，提高了编程能力和动手能力。
3. 项目经验积累- 参与实际项目，锻炼了团队合作能力和解决问题的能力。
五、实训总结本次机器视觉实训让我受益匪浅。
机器视觉实验指导书
目录第一章图像增强 (3)1.1 空域变换增强 (3)1.1.1直接灰度调整 (4)1.1.2 直方图处理 (10)1.1.3 图像间的代数运算 (14)1.2 空域滤波增强 (16)1.2.1 基本原理 (16)1.2.2平滑滤波器 (17)1.2.3 锐化滤波器 (20)1.3 频域增强 (23)1.3.1低通滤波 (24)1.3.2高通滤波 (24)第二章图像恢复和重建 (26)2.1退化模型 (26)2.1.1连续退化模型 (27)2.1.2离散退化模型 (28)2.2复原的代数方法 (29)2.2.1逆滤波复原 (29)2.2.2最小二乘方滤波 (30)2.3 MATLAB实现图像复原 (30)第三章图像编码与压缩 (33)3.1图像编码与压缩概述 (33)3.1.1图像压缩与编码的必要性 (33)3.1.2图像压缩编码的分类 (33)3.2无损压缩技术 (34)3.2.1无损压缩技术概述 (34)3.2.2霍夫曼(huffman)编码 (35)3.2.3行程编码 (38)3.3有损压缩编码 (40)3.3.1有损压缩编码原理 (40)第四章图像分割 (45)4.1灰度阈值分割法 (45)4.1.1双峰法 (45)4.1.2 p-参数法 (46)4.1.3最大方差自动取阈法 (46)4.2边缘检测方法 (49)4.2.1边缘算子法 (49)第五章工件尺寸和面积测量 (53)5.1 图像采集部分 (54)5.2 图像处理与面积计算部分 (54)5.2.1 图像预处理 (54)5.2.2 工件面积计算 (55)第六章车牌识别 (63)6.1 总体设计方案 (63)6.2 各模块实现方法 (64)实验一 MATLAB基本图像处理算法实验 (78)实验二机器视觉基本程序编写实验 (79)实验三尺寸测量 (80)实验四模式识别 (81)第一章图像增强图像增强是指按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要的信息的处理方法。
校园机器视觉实训报告
一、引言随着人工智能技术的飞速发展，机器视觉技术在各个领域得到了广泛应用。
为了提高学生的实践能力，我校特开设了校园机器视觉实训课程。
通过本课程的学习，学生能够掌握机器视觉的基本原理、系统搭建、图像处理方法以及在实际应用中的操作技巧。
以下是本次实训的报告。
二、实训内容1. 机器视觉系统搭建本次实训首先进行了机器视觉系统的搭建，包括硬件和软件两部分。
硬件部分主要包括：工业相机、光源、镜头、图像采集卡、计算机等。
软件部分主要包括：图像采集软件、图像处理软件、机器视觉开发平台等。
2. 图像采集与处理在搭建好机器视觉系统后，我们进行了图像采集与处理实验。
具体步骤如下：（1）打开图像采集软件，设置相机参数，如分辨率、帧率等。
（2）调整光源，确保光线均匀照射到被测物体上。
（3）调整镜头焦距，使被测物体清晰。
（4）通过图像采集卡将相机采集到的图像传输到计算机。
（5）使用图像处理软件对采集到的图像进行处理，如灰度化、滤波、边缘检测等。
3. 目标识别与定位在图像处理的基础上，我们进行了目标识别与定位实验。
具体步骤如下：（1）对图像进行预处理，如去噪、二值化等。
（2）利用特征提取算法（如SIFT、SURF等）提取图像特征。
（3）使用机器学习算法（如KNN、SVM等）对目标进行分类。
（4）根据分类结果，对目标进行定位。
4. 实际应用案例本次实训还选取了实际应用案例，如人脸识别、车牌识别、机器人路径规划等。
通过这些案例，学生能够了解机器视觉技术在现实生活中的应用，并掌握相应的解决方法。
三、实训成果通过本次实训，我们取得了以下成果：1. 掌握了机器视觉系统的搭建方法。
2. 熟悉了图像采集与处理流程。
3. 学会了目标识别与定位方法。
4. 熟悉了机器视觉在实际应用中的解决方案。
四、实训总结1. 机器视觉技术在各个领域具有广泛的应用前景，通过本次实训，学生能够了解并掌握机器视觉的基本原理和应用方法。
2. 实训过程中，学生积极参与，遇到问题能够相互讨论、共同解决，提高了团队合作能力。
面向工业的机器视觉检测实验报告
面向工业的机器视觉检测实验报告一、实验背景在现代工业生产中，产品质量的检测和控制是至关重要的环节。
传统的人工检测方法不仅效率低下，而且容易受到人为因素的影响，导致检测结果的准确性和稳定性难以保证。
随着机器视觉技术的不断发展，其在工业检测领域的应用越来越广泛。
机器视觉检测系统具有非接触、高精度、高速度、自动化等优点，能够有效地提高生产效率和产品质量。
本次实验旨在研究机器视觉检测技术在工业生产中的应用，评估其检测效果和性能，并为实际应用提供参考依据。
二、实验目的1、了解机器视觉检测系统的组成和工作原理。
2、掌握机器视觉检测系统的搭建和调试方法。
3、研究机器视觉检测技术在工业产品检测中的应用，包括缺陷检测、尺寸测量、形状识别等。
4、评估机器视觉检测系统的检测精度、速度和稳定性。
5、分析机器视觉检测技术在工业应用中存在的问题和挑战，并提出改进措施和建议。
三、实验设备和材料1、机器视觉检测系统：包括相机、镜头、光源、图像采集卡、计算机等。
2、实验样品：选择了一批具有代表性的工业产品，如电子元件、机械零件、塑料制品等。
3、检测工具：如卡尺、千分尺等，用于对比和验证机器视觉检测结果。
四、实验原理机器视觉检测技术是通过相机获取被测物体的图像，然后利用图像处理算法对图像进行分析和处理，提取出有用的信息，如物体的形状、尺寸、颜色、纹理等，从而实现对物体的检测和识别。
其基本流程包括图像采集、图像预处理、特征提取、目标识别和检测结果输出等。
五、实验步骤1、系统搭建（1）根据实验需求选择合适的相机、镜头和光源，并进行安装和调试，确保能够获取清晰、高质量的图像。
（2）将相机通过图像采集卡与计算机连接，安装好驱动程序和图像处理软件。
2、图像采集（1）将实验样品放置在检测平台上，调整相机的位置和角度，使样品能够完整地出现在相机的视野中。
（2）设置合适的曝光时间、增益和帧率等参数，采集多幅图像。
3、图像预处理（1）对采集到的图像进行去噪、增强、二值化等预处理操作，提高图像的质量和对比度。
机器视觉及应用实验报告
H a r b i n I n s t i t u t e o f T e c h n o l o g y实验报告课程名称：机器视觉及其应用实验名称：摄像机标定上机验证院系：自动化测试与控制系班级：1036103实验人：胡洋学号：6100100311教师：陈凤东实验时间：2013.11.8哈尔滨工业大学《机器视觉及其应用》实验报告一、 实验名称：摄像机标定上机验证二、 实验人员：胡洋 三、 实验日期：2013.11.8 四、 实验目的：上机验证摄像机标定方法五、 实验原理：摄像机标定是一个确定摄像机内部参数(包括几何与光学参数)和外部参数(包括摄像机相对世界坐标的位置及方向)的过程。
摄像机标定的目的是建立摄像机世界坐标系中坐标T w w w z y x ),,(与其相应图像像素坐标(u,v)之间的关系。
最终实现利用计算机采集得到的二维图像来恢复待测物体的三维信息的目的。
摄像机标定方法是视觉系统实现的前提和基础。
目前现有的摄像机标定技术大体可以分成两类：传统的摄像机标定方法和摄像机自标定方法。
传统的摄像机标定方法是在一定的摄像机模型基础上，基于形状、尺寸已知的特定参照物，利用参照物上的特征点的世界坐标和相应的像素坐标之间的关系，通过一系列数学变换和计算方法，求取摄像机模型的内外参数。
传统的摄像机标定方法需要高精度的已知结构信息，过程复杂，但是标定精度高，适用于多种摄像机模型。
而摄像机自标定方法则不依赖特定的标定参照物，仅仅利用摄像机获取的一系列图像信息来确定摄像机参数。
摄像机自标定方法对环境适应较好，可以无人参与下完成标定，但是精度低，鲁棒性不足，不适用于测量场合。
传统的摄像机标定方法按其求解的方法可分为三类：线性方法、非线性优化方法和考虑畸变补偿的两步法[15]。
线性方法不需要迭代，速度较快。
但是定标过程中忽略了摄像机镜头的非线性畸变，使得定标精度受到影响。
一般的线性求解方法是透镜变换方法和直接线性变换(DLT)方法，他们都是利用一定数目的已知特征点的成像信息和公式(2-18)的投影变换矩阵求解。
机器视觉测量实验报告
机器视觉测量实验报告
实验名称：机器视觉测量实验
实验组织：大学机械学院
实验时间：2024年6月5日
实验目的：本次实验旨在探究如何使用机器视觉技术来准确地测量物体的尺寸及形状。
实验步骤：
1、实验准备：首先在实验室准备机器视觉测量系统，包括一台摄像机、一台显示器、一台运动控制器和一台定位台，实验参数的设置，比如检测区域、检测方法、测量时间等；
2、样本准备：用于测量的物体以及所需要的校准器；
3、编写程序：编写测量程序，根据实验参数设置检测区域以及检测方法；
4、测试：运行测试程序，输出测量数据，并分析显示结果；
5、数据分析：将测量结果进行评价和分析，结果说明机器视觉技术对准确测量物体尺寸及形状有较好的效果。
实验结果：本次实验测量的物体均是圆柱体，大部分尺寸充分符合要求，最大偏差仅在0.02毫米以内，表明机器视觉技术在这方面的准确性很好。
结论：本次实验证明，采用机器视觉技术进行物体尺寸及形状测量是一种可行的方法，机器视觉测量系统的测量精度可满足大部分应用需要。
建议：本次实验仅局限于圆柱体测量。
机器视觉实验报告书
一、实验名称基于机器视觉的物体识别与跟踪系统二、实验目的1. 了解机器视觉的基本原理和常用算法。
2. 掌握图像采集、预处理、特征提取、识别和跟踪的基本方法。
3. 培养动手能力和编程能力，提高实际应用机器视觉技术解决实际问题的能力。
三、实验内容及工作原理1. 实验内容本实验主要包括以下内容：（1）图像采集：使用摄像头采集待识别物体的图像。
（2）图像预处理：对采集到的图像进行灰度化、滤波、二值化等处理，提高图像质量。
（3）特征提取：提取图像中物体的特征，如颜色、形状、纹理等。
（4）物体识别：利用机器学习算法对提取的特征进行分类，实现物体识别。
（5）物体跟踪：根据识别结果，对物体进行实时跟踪。
2. 工作原理（1）图像采集：通过摄像头将物体图像转换为数字图像，然后存储到计算机中。
（2）图像预处理：对图像进行灰度化、滤波、二值化等处理，去除噪声，突出物体特征。
（3）特征提取：根据需要识别的物体类型，选择合适的特征提取方法。
如颜色特征、形状特征、纹理特征等。
（4）物体识别：利用机器学习算法对提取的特征进行分类，实现物体识别。
（5）物体跟踪：根据识别结果，实时更新物体位置，实现物体跟踪。
四、实验步骤1. 准备实验设备：摄像头、计算机、图像采集软件等。
2. 编写图像采集程序：使用OpenCV等图像处理库，实现图像采集功能。
3. 编写图像预处理程序：对采集到的图像进行灰度化、滤波、二值化等处理。
4. 编写特征提取程序：根据需要识别的物体类型，选择合适的特征提取方法。
5. 编写物体识别程序：利用机器学习算法对提取的特征进行分类。
6. 编写物体跟踪程序：根据识别结果，实时更新物体位置。
7. 实验验证：使用实际物体进行实验，验证系统性能。
五、实验结果与分析1. 实验结果本实验成功实现了基于机器视觉的物体识别与跟踪系统。
通过图像采集、预处理、特征提取、识别和跟踪等步骤，系统能够准确识别和跟踪物体。
2. 实验分析（1）图像预处理：图像预处理是提高物体识别准确率的关键步骤。
机器视觉实验实训总结报告
一、实验背景随着科技的发展，机器视觉技术已经广泛应用于工业、医疗、农业、交通等多个领域。
为了更好地掌握这一技术，我们开展了为期一个月的机器视觉实验实训。
本次实训旨在通过理论学习和实际操作，深入了解机器视觉的基本原理、应用领域及实验方法，提高我们的实践操作能力和创新能力。
二、实验目的1. 理解机器视觉的基本原理，包括图像采集、图像处理、图像分析和模式识别等环节。
2. 掌握常用的机器视觉软件和硬件，如MATLAB、OpenCV、Halcon等。
3. 通过实际操作，提高对机器视觉系统的搭建、调试和优化能力。
4. 培养团队协作精神，提高创新思维和解决问题的能力。
三、实验内容本次实训主要包括以下内容：1. 理论课程：介绍了机器视觉的基本概念、发展历程、应用领域及常用算法等。
2. 实验课程：- 图像采集：学习如何搭建机器视觉系统，包括光源、镜头、相机等硬件设备的选型和配置。
- 图像处理：掌握图像预处理、图像增强、图像分割、特征提取等基本操作。
- 图像分析：学习图像分类、目标检测、物体跟踪等算法。
- 模式识别：了解机器学习、深度学习等在机器视觉领域的应用。
四、实验过程1. 前期准备：查阅相关资料，了解机器视觉的基本原理和应用领域，熟悉实验设备。
2. 理论学习：参加理论课程，学习机器视觉的基本知识，为实验操作打下基础。
3. 实验操作：- 图像采集：搭建实验平台，进行图像采集，观察图像质量，调整设备参数。
- 图像处理：运用MATLAB、OpenCV等软件，对采集到的图像进行处理，提取特征。
- 图像分析：实现图像分类、目标检测、物体跟踪等功能，验证算法效果。
- 模式识别：尝试使用机器学习、深度学习等方法，提高图像识别的准确率。
五、实验成果1. 成功搭建了多个机器视觉实验平台，包括图像采集、图像处理、图像分析和模式识别等环节。
2. 掌握了MATLAB、OpenCV等常用软件的使用方法，能够独立完成图像处理和分析任务。
机器视觉测量实验报告
机器视觉测量实验报告
一、实验背景
本次实验是实验机器视觉测量系统的性能，可以通过测量产品特征来确定产品的质量。
二、实验原理
机器视觉测量系统是自动化测量技术，其实验原理是利用机器视觉及其控制系统精准地获取产品表面形状及相关特征，并通过视觉软件的运算算法完成特征量的测量和判定工作，采用机器视觉测量系统可比传统的测量准确性和精准度提高许多。
三、实验设备
本次实验中用到的设备包括：
1）机器视觉测量系统：由光源、CCD成像模组、照明电源、控制卡和相关软件组成的机器视觉测量系统，可以精准地检测出产品表面形状及相关特征。
2）视觉软件：视觉软件是控制系统的核心部分，提供了检测算法，按照相应的检测算法完成对特征值的量测和判定，获得更加准确的测量结果。
3）实物样品：用于机器视觉测量系统检测的实物样品，根据具体情况定义不同的产品特征来检测实物样品的质量。
四、实验步骤
1.根据检测要求，选取实物样品，放置在视觉测量系统的检测位置：
2.确定检测算法，设置照明电源，找出最佳的检测条件：。
机器视觉测量实验报告(3篇)
第1篇一、实验目的本次实验旨在通过机器视觉技术，了解和掌握机器视觉测量系统的基本原理和操作方法，掌握图像采集、图像处理、特征提取和尺寸测量的过程。
通过实验，加深对机器视觉技术在工业生产中的应用的理解。
二、实验设备1. 机器视觉测量系统：包括工业相机、光源、图像采集卡、控制计算机等。
2. 实验样品：不同尺寸和形状的工件。
3. 图像处理软件：如MATLAB、OpenCV等。
三、实验原理机器视觉测量系统通过图像采集设备获取物体的图像，然后利用图像处理技术对图像进行处理，提取出物体的特征信息，进而实现对物体尺寸的测量。
实验中主要涉及以下原理：1. 图像采集：通过工业相机获取物体的图像，图像采集过程中需要注意曝光时间、分辨率等因素。
2. 图像处理：对采集到的图像进行预处理，如灰度化、滤波、二值化等，以去除噪声和干扰。
3. 特征提取：从处理后的图像中提取出物体的特征信息，如边缘、角点、形状等。
4. 尺寸测量：根据提取的特征信息，利用几何关系计算出物体的尺寸。
四、实验步骤1. 样品准备：将不同尺寸和形状的工件放置在实验平台上，确保样品与相机平行。
2. 光源设置：根据样品的特性选择合适的光源，如背光、侧光等，以提高图像质量。
3. 图像采集：通过工业相机获取样品的图像，并将图像传输到控制计算机。
4. 图像处理：对采集到的图像进行预处理，如灰度化、滤波、二值化等。
5. 特征提取：从处理后的图像中提取出物体的特征信息，如边缘、角点、形状等。
6. 尺寸测量：根据提取的特征信息，利用几何关系计算出物体的尺寸。
7. 结果分析：对测量结果进行分析，评估机器视觉测量系统的精度和稳定性。
五、实验结果与分析1. 图像采集：实验中使用了不同曝光时间的图像，通过对比发现，曝光时间适中时，图像质量较好，噪声较少。
2. 图像处理：通过灰度化、滤波、二值化等处理，可以有效去除噪声和干扰，提高图像质量。
3. 特征提取：通过边缘检测、角点检测等算法，可以提取出物体的特征信息，为尺寸测量提供依据。
机器视觉综合实训总结报告
一、引言随着科技的不断发展，机器视觉技术在工业、农业、医疗、安防等多个领域得到了广泛应用。
为了提高我国机器视觉技术水平，培养一批具备实践能力的专业人才，我们开展了为期一个月的机器视觉综合实训。
本文将对本次实训进行总结，分析实训过程中的收获与不足，为今后类似实训提供参考。
二、实训内容与过程1. 实训内容本次实训主要围绕以下几个方面展开：（1）机器视觉基础知识：学习机器视觉基本概念、图像处理、图像采集与传输等。
（2）OpenCV库应用：学习OpenCV库的基本功能，如图像处理、几何变换、特征提取、目标检测等。
（3）机器人视觉系统搭建：了解机器人视觉系统的组成，学习如何搭建简单的机器人视觉系统。
（4）实际项目案例分析：分析实际应用案例，如产品检测、缺陷检测、目标跟踪等。
（5）综合实训项目：分组完成一个综合实训项目，运用所学知识解决实际问题。
2. 实训过程（1）理论学习：首先，我们通过查阅资料、课堂讲解等方式，学习了机器视觉的基本知识和OpenCV库的应用。
（2）实践操作：在理论学习的基础上，我们开始进行实践操作。
通过编写代码，完成图像处理、几何变换、特征提取等任务。
（3）项目案例分析：分析实际应用案例，了解机器视觉在各个领域的应用。
（4）综合实训项目：分组完成一个综合实训项目，运用所学知识解决实际问题。
在项目过程中，我们遇到了很多困难，但在老师和同学的帮助下，我们逐渐克服了困难，最终完成了项目。
三、实训收获与体会1. 理论知识与实践相结合通过本次实训，我们深刻体会到理论知识与实践操作相结合的重要性。
在实训过程中，我们不仅掌握了机器视觉的基本知识，还学会了如何运用这些知识解决实际问题。
2. 团队协作与沟通在综合实训项目中，我们分组完成了一个实际项目。
在这个过程中，我们学会了如何与团队成员沟通、协作，共同解决问题。
3. 问题解决能力在实训过程中，我们遇到了很多困难，如代码编写错误、算法优化等。
通过不断尝试、总结经验，我们提高了自己的问题解决能力。
机器视觉实训报告总结
机器视觉实训报告总结
1、机器视觉实训介绍
机器视觉实训是一种利用计算机程序，以图形处理，模式识别和图像分析技术来模拟人类感知的技术。
它具有计算机自动识别物体形状、大小、颜色、位置和位置的能力，可以检测不同自然环境中的物体和活动，使计算机系统有能力实现自主感知和控制，从而实现自主操作的能力。
2、机器视觉实训概述
本次实训是基于Matlab平台开展的机器视觉实训，主要学习目标是通过学习Matlab软件对图像处理的基本技能，使学员能够了解机器视觉以及机器视觉应用的基本原理，充分掌握基于Matlab的计算机视觉的技术。
具体来说，本次实训为学员提供了关于图像处理的基本知识，掌握图像滤波、图像增强、图像分割和特征提取的基本技术，能够运用图像分析、模式识别和智能控制等技术，通过Matlab编程来实现机器视觉系统的搭建和应用开发。
3、机器视觉实训感悟
机器视觉实训让我深刻地了解到，计算机视觉技术是一种系统性的技术，需要全面综合地掌握和应用。
它需要通过多种技术，比如数字图像处理、模式识别、智能控制等，以及程序设计、算法设计等专业知识，来实现对图像特征的提取和自动分析，来使机器自动识别和控制。
本次实训让我更深入地了解到了机器视觉的基本原理，学会了机器视觉的基础技术，提高了机器视觉系统的搭建能力和应用开发能力。
本文就是我本次机器视觉实训的总结，我希望通过本次实训，能够获得一定的收获，对机器视觉有更深入的理解和掌握。
关于机器视觉实验报告
一、实验背景随着计算机技术的发展，机器视觉技术已经成为人工智能领域的一个重要分支。
机器视觉通过模拟人类视觉感知，利用计算机对图像或视频进行分析、处理和理解，从而实现对物体、场景的识别和检测。
本实验旨在通过实际操作，了解机器视觉的基本原理、技术方法和应用领域，并掌握相关软件的使用。
二、实验目的1. 理解机器视觉的基本概念和原理；2. 掌握图像采集、处理、特征提取和识别的基本方法；3. 学习并运用相关软件进行图像分析和处理；4. 了解机器视觉在各个领域的应用。
三、实验内容1. 实验一：图像采集与预处理（1）实验目的：掌握图像采集方法和预处理技术。
（2）实验步骤：1）使用摄像头采集图像；2）对采集到的图像进行灰度化、滤波、边缘检测等预处理操作；3）观察预处理效果，分析预处理对图像质量的影响。
2. 实验二：图像特征提取（1）实验目的：学习并掌握图像特征提取方法。
（2）实验步骤：1）选择合适的特征提取方法，如HOG（Histogram of Oriented Gradients）、SIFT（Scale-Invariant Feature Transform）等；2）对预处理后的图像进行特征提取；3）观察提取到的特征，分析特征对识别效果的影响。
3. 实验三：图像识别与分类（1）实验目的：学习并掌握图像识别与分类方法。
（2）实验步骤：1）选择合适的分类器，如支持向量机（SVM）、K近邻（KNN）等；2）对提取到的特征进行分类；3）观察分类结果，分析分类器的性能。
4. 实验四：机器视觉在人脸识别中的应用（1）实验目的：了解机器视觉在人脸识别领域的应用。
（2）实验步骤：1）采集人脸图像；2）对人脸图像进行预处理、特征提取和识别；3）观察识别结果，分析人脸识别系统的性能。
四、实验结果与分析1. 实验一：图像预处理通过对图像进行灰度化、滤波和边缘检测等预处理操作，可以有效提高图像质量，减少噪声对后续处理的影响。
实验结果表明，预处理后的图像质量得到了明显改善。
机器视觉实验报告
机器视觉实验报告机器视觉实验报告引言机器视觉是一种模拟人类视觉系统的技术，通过计算机视觉算法和图像处理技术，使计算机能够识别和理解图像。
本实验旨在探索机器视觉在不同场景下的应用，并评估其性能和准确性。
实验一：物体识别在第一个实验中，我们使用了一个经典的物体识别算法——卷积神经网络（Convolutional Neural Network，CNN）。
我们为该网络提供了一组包含不同物体的图像样本，训练它来识别这些物体。
经过多次训练和调优后，我们得到了一个准确率达到90%以上的物体识别模型。
实验二：人脸识别人脸识别是机器视觉领域的一个重要应用。
在本实验中，我们使用了一种基于深度学习的人脸识别算法。
我们收集了一组包含不同人的人脸图像，并将其用于训练模型。
经过反复的训练和验证，我们的人脸识别模型在准确率方面取得了令人满意的结果。
实验三：图像分割图像分割是指将图像划分为若干个区域的过程。
在本实验中，我们使用了一种基于深度学习的图像分割算法。
我们提供了一组包含不同对象的图像样本，并训练模型来识别和分割这些对象。
通过与手动标注的结果进行比较，我们发现该算法在图像分割任务上表现出色。
实验四：运动检测运动检测是机器视觉中的一个重要任务，它可以用于安防监控、行为分析等领域。
在本实验中，我们使用了一种基于光流法的运动检测算法。
我们提供了一组包含运动和静止场景的视频样本，并训练模型来检测和跟踪运动目标。
实验结果显示，该算法在运动检测方面具有较高的准确率和鲁棒性。
实验五：场景理解场景理解是机器视觉中的一个挑战性任务，它要求计算机能够对图像进行语义分析和推理。
在本实验中，我们使用了一种基于深度学习的场景理解算法。
我们提供了一组包含不同场景的图像样本，并训练模型来理解和描述这些场景。
实验结果表明，该算法在场景理解方面取得了显著的进展。
结论通过本次实验，我们深入了解了机器视觉技术的应用和发展。
从物体识别到场景理解，机器视觉在各个领域都展现出了巨大的潜力和前景。
机器人视觉实训总结报告
一、实训背景随着我国智能制造产业的快速发展，机器人视觉技术在工业自动化领域的应用日益广泛。
为了提升学生的专业技能，培养具备机器人视觉技术应用能力的人才，我校开展了机器人视觉实训课程。
本报告将从实训内容、实训过程、实训成果等方面进行总结。
一、实训内容1. 机器人视觉系统基本原理介绍了机器人视觉系统的基本概念、组成部分、工作原理等，让学生对机器人视觉系统有一个整体的认识。
2. 图像采集与处理讲解了图像采集设备的选择、图像预处理、特征提取、图像识别等基本技术，使学生掌握图像处理的基本方法。
3. 机器人视觉应用案例以实际工业应用为例，介绍了机器人视觉在工件检测、装配、搬运、分拣等领域的应用案例，让学生了解机器人视觉在实际生产中的应用价值。
4. 实训项目实践（1）搭建机器人视觉系统：根据实训要求，搭建机器人视觉系统，包括相机、镜头、光源、控制器等。
（2）图像采集与处理：利用所搭建的机器人视觉系统，对目标物体进行图像采集、预处理、特征提取等操作。
（3）图像识别与分类：根据采集到的图像，进行目标物体的识别与分类。
（4）机器人视觉应用：将识别与分类的结果应用于机器人控制，实现机器人对目标物体的操作。
二、实训过程1. 讲解与演示实训教师首先对机器人视觉系统进行讲解，然后通过实际操作演示，让学生了解系统搭建、图像处理、应用等方面的内容。
2. 学生分组实践将学生分成若干小组，每组负责完成一个实训项目。
在实训过程中，教师进行现场指导，解答学生遇到的问题。
3. 交流与讨论实训过程中，各小组之间进行交流与讨论，分享经验、互相学习，共同提高。
4. 作品展示与评审实训结束后，各小组展示自己的作品，并接受教师评审。
教师根据作品质量、团队合作等方面进行评分。
三、实训成果1. 学生掌握了机器人视觉系统基本原理，能够搭建简单的机器人视觉系统。
2. 学生熟悉了图像采集、处理、识别等基本技术，能够对图像进行处理和分析。
3. 学生了解了机器人视觉在实际生产中的应用案例，提高了对机器人视觉技术的认识。
- 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)。
机器视觉课内实验报告（4次）学院：自动化班级：智能姓名：学号：目录实验一：一种摄像机标定算法的编程实现 (1)实验二：图像预处理算法的编程实现 (8)实验三：基于一阶微分算子的边缘检测 (14)实验四：基于二阶微分算子的边缘检测 (17)《机器视觉》课内实验报告(1)摄像机标定算法的编程实现智能科学与技术专业：班级：学号：姓名：实验时间：实验一MATLAB 编程实现基于直接线性变换的摄像机标定方法一、实验目的掌握摄像机标定方法的原理，采用直接线性变换方法，通过MATLAB 编程实现摄像机内参数和外参数的估计。
二、实验原理摄像机标定是指建立摄像机图像像素位置与场景点位置之间的关系，其途径是根据摄像机模型，由已知特征点的图像坐标求解摄像机的模型参数。
直接线性变换是将像点和物点的成像几何关系在齐次坐标下写成透视投影矩阵的形式：其中(u ，v ，1)为图像坐标系下的点的齐次坐标，(X,Y,Z)为世界坐标系下的空间点的欧氏坐标，P 为3*4的透视投影矩阵，s 为未知尺度因子。
消去s ，可以得到方程组:当已知N 个空间点和对应的图像上的点时，可以得到一个含有2*N 个方程的方程组： 三、实验步骤1 读取一幅图像并显示;2 检查内存（数组）中的图像;3 实现图像直方图均衡化;4 读取图像中像素点的坐标值;5 保存图像;6 检查新生成文件的信息;7 使用阈值操作将图像转换为二值图像; 8 根据RGB 图像创建一幅灰度图像; 9 调节图像的对比度;10 在同一个窗口内显示两幅图像;11 掌握Matlab 命令及函数，获取标定块图像的特征点坐标;12 根据DLT 摄像机标定方法原理编写Matlab 程序，估计摄像机内参数和外参数;⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⨯1143w w w Z Y X P v u s 0034333231142322213433323114131211=----+++=----+++u p uZ p uY p uX p p Z p Y p X p u p uZ p uY p uX p p Z p Y p X p w w w w w w w w w w w w 0=AL四、程序代码及实验结果显示代码：I=imread('C:\Users\w\12.jpg');imshow(I);whosfigure,I1=rgb2gray(I);figure,imshow(I1)imhist(I1);I2=histeq(I1);figure,imshow(I2)figure,imhist(I2)a=imread('C:\Users\w\12.jpg');imwrite(I1,'DSgray.jpg');imwrite(I2,'DSgrayeq.jpg');inf=imfinfo('C:\Users\w\12.jpg');level=graythresh(I2);bw=im2bw(I2,level);figure,imshow(bw)whosI3=imadjust(I2,stretchlim(I2),[0 1]); figure,imshow(I3);a=imread('C:\Users\w\12.jpg');b=imread('DSgray.jpg');subplot(1,2,1),imshow(a);subplot(1,2,2),imshow(b);clear;xpot=[];ypot=[];imshow('C:\Users\w\12.jpg');hold on;n=input('Please input the number of pot:'); for i=1:n[x,y]=ginput(1);plot(x,y,'or');text(x+1,y+1,num2str(i));xpot=[xpot,x];ypot=[ypot,y];end[xpot;ypot][xw;yw;zw]a=[xw',yw',zw',ones([100 1]),zeros([100 4]),(-1)*xpot'.*xw',(-1)*xpot'.*yw',(-1)*xpot'.*zw',-1*xpot';zeros([1004]),xw',yw',zw',ones([100 1]),(-1)*ypot'.*xw',(-1)*ypot'.*yw',(-1)*ypot'.*zw',-1*ypot'];c=a(:,1:11);b=a(:,12);l=(-1)*(c'*c)^(-1)*c'*b;显示两幅图对比度调节均衡化直方图灰度图直方图二进制图图片信息：名称：12.jpg项目类型：JPG图像文件夹路径：C:\Users\w创建日期：2017年11月6日, 星期一 13:16修改日期：2017年11月6日, 星期一 13:16 大小：111KB分辨率：1024 x 638宽度：1024像素高度：638像素水平分辨率：72dpi垂直分辨率：72dpi位深度：24检查内存中的图像：Name Size Bytes Class AttributesI 638x1024x3 1959936 uint8 ans 2x15 240 doublei 1x1 8 doublen 1x1 8 doublex 1x1 8 doublexpot 1x15 120 doubley 1x1 8 doubleypot 1x15 120 doubleName Size Bytes Class AttributesI 638x1024x3 1959936 uint8 I1 638x1024 653312 uint8I2 638x1024 653312 uint8a 638x1024x3 1959936 uint8ans 2x15 240 doublebw 638x1024 653312 logicali 1x1 8 doubleinf 1x1 42720 structlevel 1x1 8 doublen 1x1 8 doublex 1x1 8 doublexpot 1x15 120 doubley 1x1 8 doubleypot 1x15 120 doublePlease input the number of pot:10ans =550.3592 391.7113 261.9085 521.5141 838.8099 921.7394 211.4296 117.6831 770.3028 957.7958463.7254 308.6831 146.4296 160.8521 283.4437 492.5704 460.1197 247.3873 113.9789 157.2465五、实验心得《机器视觉》课内实验报告(2)图像预处理算法的编程实现智能科学与技术专业：班级：学号：姓名：实验时间：实验二：图像预处理算法的编程实现一、实验目的掌握图像预处理的基本方法及其主要思想，编程实现直方图均衡化、直方图规定化和图像的锐化处理。
二、实验原理（1）直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围，从而可达到增强图像整体对比度的效果。
直方图均衡化是灰度变换的一个重要应用，广泛应用在图像增强处理中，它是以累计分布函数变换为基础的直方图修正法之一，可以产生一幅灰度级分布具有均匀概率密度的图像，扩展了像素的取值动态范围。
若像素点的原灰度为R ，变换后的灰度为S ，需要注意的是R 、S 是归一化后的灰度值，其灰度变换函数T(R)为：1,,010)()(0⋯=-≤≤===∑∑==k l R nn R p R T S j koj j j k j r ；；式中，是第j 级灰度值的概率，是图像中j 级灰度的像素总数，是图像中灰度级的总数目，是图像中像素的总数。
对变换后的S 值取最靠近的一个灰度级的值，建立灰度级变换表，将原图像变换为直方图均衡的图像。
(2) 直方图规定化是能够有目的地增强某个灰度区间的图像， 即能够人为地修正直方图的形状， 使之与期望的形状相匹配。
换句话说，希望可以人为地改变直方图形状，使之成为某个特定的形状，直方图规定化就是针对上述要求提出来的一种增强技术，它可以按照预先设定的某个形状来调整图像的直方图。
直方图规定化是在运用均衡化原理的基础上，通过建立原始图像和期望图像之间的关系，选择地控制直方图，使原始图像的直方图变成规定的形状，从而弥补了直方图均衡不具备交互作用的特性。
（3）图像锐化是一种补偿轮廓、突出边缘信息以使图像更为清晰的处理方法。
为了要把图像中间任何方向伸展的边缘和轮廓线变得清晰，我们希望对图像的某种运算是各向同性的。
可以证明偏导平方和的运算是各向同性的，即:式中是图像旋转前的坐标，是图像旋转后的坐标。
梯度运算就是在这个式子的基础上开方得到的。
图像（x ，y ）点的梯度值：为了突出物体的边缘，常常采用梯度值的改进算法，将图像各个点的梯度值与某一阈值作比较，如果大于阈值，该像素点的灰度用梯度值表示，否则用一个固定的灰度值表示。
我们在对图像增强的过程中，采用的是一种简单的高频滤波增强方法：式中f，g分别为锐化前后的图像，是与扩散效应有关的系数。
表示对图像f进行二次微分的拉普拉斯算子。
这表明不模糊的图像可以由模糊的图像减去乘上系数的模糊图像拉普拉斯算子来得到。
可以用下面的模板H={{1，4，1}，{4，-20，4}，{1，4，1}}来近似。
在具体实现时，上述模板H中的各个系数可以改变，这个系数的选择也很重要，太大了会使图像的轮廓过冲，太小了则图像锐化不明显。
实验表明，选取2-8之间往往可以达到比较满意的效果。
三、实验步骤1、输入一幅图像；2、对该图像进行直方图均衡化处理，输出实验结果；3、对该图像进行直方图规定化处理，输出实验结果；4、对该图像进行图像锐化，输出实验结果；5、对实验结果截图,并分析实验结果。
四、程序代码及实验结果显示1、直方图均衡化I=imread('C:\Users\w\桌面图片\c.jpg');I=rgb2gray(I);figure;subplot(2,2,1);imshow(I);subplot(2,2,2);imhist(I); %获取图像数据直方图I1=histeq(I); %直方图均衡化subplot(2,2,3);imshow(I1);subplot(2,2,4);imhist(I1);2、直方图规定化clear all;close all;% 扩展原图像形成中间图像的高斯滤波orgin=imread('C:\Users\w\桌面图片\c.jpg');orgin=rgb2gray(orgin); %读入原图像[m_o,n_o]=size(orgin);orgin_hist=imhist(orgin)/(m_o*n_o);standard = imread('C:\Users\w\桌面图片\j.jpg'); % 读入标准图standard=rgb2gray(standard);[m_s,n_s]=size(standard);standard_hist=imhist(standard)/(m_s*n_s);startdard_value=[]; % 标准图累积直方orgin_value=[]; % 原图像累积直方for i=1:256startdard_value=[startdard_value sum(standard_hist(1:i))];orgin_value=[orgin_value sum(orgin_hist(1:i))];endfor i=1:256value{i}=startdard_value-orgin_value(i);value{i}=abs(value{i});[temp index(i)]=min(value{i});endnewimg=zeros(m_o,n_o);for i=1:m_ofor j=1:n_onewimg(i,j)=index(orgin(i,j)+1)-1;endendnewimg=uint8(newimg);subplot(2,3,1);imshow(orgin);title('原图');subplot(2,3,2);imshow(standard);title('标准图');subplot(2,3,3);imshow(newimg);title('myself匹配到标准图'); subplot(2,3,4);imhist(orgin);title('原图');subplot(2,3,5);imhist(standard);title('标准图');subplot(2,3,6);imhist(newimg);title('myself匹配到标准图');3、直方图锐化I=imread('C:\Users\w\桌面图片\j.jpg');A=rgb2gray(I);figure, subplot(221),imshow(A); title('原图');hs=fspecial('sobel');S=imfilter(A,hs);hp=fspecial('prewitt');P=imfilter(A,hs);A=double(A);%双精度型H=[0 1 0,1 -4 1,0 1 0];%拉普拉斯算子 J=conv2(A,H,'same');K=A-J;subplot(222),imshow(K);title('拉普拉斯锐化图像');subplot(223),imshow(S);title('sobel算子锐化图像');subplot(224),imshow(P);title('prewitt算子锐化图像');五、实验总结《机器视觉》课内实验报告(3)基于一阶微分算子的边缘检测智能科学与技术专业：班级：学号：姓名：实验时间：实验三：基于一阶微分算子的边缘检测一、实验目的1 了解常见的一阶微分算子的原理及其卷积模板。