计算机视觉图像中所涉及的目标对象大多数可分解为由多个可解析的函数式来表达的几何基元,如点、直线段、圆、矩形等。通过这些几何基元组合的几何图元可以用来描述目标对象,尤其是在工业过程的计算机视觉检测、控制系统中。目标对象形态的几何学特性十分有助于提高视觉系统应用算法的精度、效率。本文主要针对几何图元分析与处理过程中三个关键技术点:图像分割、图元形态识别和图元形位参数检测进行分析。在一些经典算法的基础上,引入脉冲耦合神经网络、粒子群算法等智能信息处理技术,构建了自动图像分割算法、几何图元形态识别算法及形位参数检测算法。并分别将上述算法应用于LED芯片检测系统中LED芯片形位参数检测和伺服运动控制系统的标定。相关的研究工作和主要内容如下:(1)基于脉冲耦合神经网络的自动图像分割算法脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)是模拟小型哺乳动物视觉神经细胞活动而得到的一种新型神经网络。利用PCNN神经元的脉冲耦合特性,图像分割按照像素点的灰度相似性及空间分布的相似性来进行,分割过程完全依赖于图像的自然属性,有利保存图像的细节。针对PCNN参数众多和结构复杂等应用的难点问题,提出了基于粒子群(Particle Swarm Optimization, PSO)和PCNN模型自动图像分割算法(PSO-PCNN):首先,通过Lena和LED芯片图像分割实验,验证基于简化的PCNN模型的图像分割算法的可行性,并比较了不同分割判断准则下的图像分割效果和最佳迭代次数;其次,设计了一种综合反映分割质量和运行效率的适应度函数,利用改进的粒子群优化算法,实现PCNN模型参数的自动设置。仿真实验结果表明PSO-PCNN能有效抑制了弱边缘、背景噪声的影响,图元检测的检测准确性高于基于PCNN模型和OTUS自动阈值的分割算法。(2)几何图元形态识别算法针对特征、特征描述子和特征的相似性测度对几何图元的形态识别、分类以及算法效率有着巨大影响,本文介绍了几种常用的特征描述子,重点研究了不变矩尤其是Hu矩在形态识别上的应用和具体表现,针对区域矩运算数据量大的问题,引入轮廓矩描述方法,实验结果表明轮廓矩对几何图元形态识别具有较好的平移、缩放、旋转不变性,相对于区域矩,运算效率有了较大提升。(3)几何图元形位参数检测算法针对现存的几何图元检测算法存在运算复杂、检测精度低、对噪声及背景敏感等缺点,本文在标准Hough变换的基础,对比分析了几种典型的Hough变换,重点研究了基于随机Hough变换(Randomized Hough Transform,RHT)的几何图元检测方法,提出了RHT与最小二乘法相结合的几何图元形位参数检测算法(RHT-LSM)。该算法从含噪数据集中筛选出目标图元边缘点集合,利用最小二乘法优化减小边缘点集的拟合误差,用以解决RHT算法精度低,内存消耗大和峰值扩散等问题。最后本文给出了基于RHT-LSM的直线、矩形和圆的检测算法,并对多目标检测中的随机抽样概率模型作了分析,总结出通过划分子区域,结合图元先验知识,剔除非目标点以降低无效抽样概率的方法。仿真实验表明RHT-LSM算法具有较强的目标检测的能力和较高的检测精度。(4)LED芯片视觉检测系统应用研究本文简述了LED芯片检测视觉检测系统的组成、基本工作流程和LED芯片视觉检测平台。应用实验由两部分组成:其一,通过该实验平台获得LED芯片显微图像,利用PSO-PCNN自动图像分割算法,提取LED芯片电极的二值化分割图像;二值化电极图像经过连通体扫描、相似性测度分析,实现LED芯片电极形态的识别;最后调用RHT-LSM几何图元参数检测算法计算LED芯片电极参数。其二,采用与第一部分相似的实验流程,利用卡尺图像进行了伺服运动系统标定实验。应用实验结果表明本文中几何图元分析处理算法具有较高的检测精度和良好的鲁棒性。