金板对比函数用来比较检查图像与金板的像素强度。金板，又叫标准件，或者是极品模板，是指一幅图像包含了一个检查目标的理想表示内容。如果一个检查图像中的一个像素与金板对应的像素在一定公差内强度不匹配，则返回为缺陷。

基于金板对比的检查是一种觉的视觉应用。当使用其它的方法检查缺陷不可行时，可以考虑使用金板对比的方法。使用金板对比函数，必须能够获得一幅图像，它可以代表应用程序的理想检查图像。

从概念上讲，基于金板对比的检查是简单的：从一个零件的检查图像中减去一个理想的零件图像。任何零件上可见的缺陷将显示了不同强度的在缺陷图像。下图说明了这个概念：

[attach]8174[/attach]

图1 金板对比示例

图1中的A图表示了一个标签检查应用程序的金板。图1中的B图表示为需要检查的图像。图C显示了生成的缺陷图像。检查图像中比模板亮的缺陷区域由绿色来表示，检查图像中比模板暗的缺陷区域则红色来表示。

使用简单的减法检测缺陷如果不考虑几个因素可能会影响应用程序的对比结果。下面的章节会讨论这些因素并解释NI视觉在金板对比时是如何补偿这些因素的。

在大多数应用程序中，检查图像中的零件位置与模板图像中的零件位置是不同的。下面的图说明了这个概念，并且演示了不同的零件位置如何影响检查。

[attach]8172[/attach]

图2 金板对比需要考虑对齐问题

上面图2-A是金板图像，图2-B是检查图像。B图中的检查图像与A图中的金板图像中的标签是一样的。但是B图中的检查图像在视野中有一定的逆时针倾斜，从而导致标签右边会比金板中要高一些。

图2-C显示了检显示了生成的缺陷图像。标签的右上角区域检测到比较暗的红色缺陷对应于模板中的像素，在模板图像中这里是白色的背景像素。同样的，在左下角则表现为明亮的绿色缺陷。在标签里的文字和标志也有缺陷，因为标签的错位。

对于一个有效的金板对比来说，对齐模板中的零件与检查图像中零件是非常必要的。为了对齐零件，你必须指定一个位置、角度以及比例以使金板可以叠加到检查图像上。可以使用NI视觉中其它的函数，如模式匹配、几何匹配或边缘检测来定义零件的位置、角度和比例。

检查图像中零件的视角与模板图像中零件的视角可能会出现不相同的情况。下面的图像表示了这个概念，并且演示了视角不同是如何影响检查的。

[attach]8173[/attach]

图3 金板对比需要考虑视角影响

图3-A是金板图像。图3-B是检查图像。A图与B图中的标签是相同的。A图中标签的左右两边到相机的距离差不多。B图中标签的左边距离相机比右边近，零件给出了一个弯曲的透视外观。

图C显示了生成的缺陷图像。虽然标签的角度和比例是一样的，模板仍然是不重合的，因为视角不同。

金板对比需要做视角差的校正，通过模板和检查图像中相关的几个点。这相关不仅计算出更精确的定位，同时也可以对输入对齐的两个像素进行错误纠正。

采集到的检查的图像与金板可能有不同的照明条件。作为强度的结果，在金板中的像素强度和检查图像中对应的像素强度可能是显著变化的。下面的图像表示了这个概念，并且显示了不同的像素强度是如何影响检查的。

[attach]8175[/attach]

图4 金板匹配需要考虑图像强度的影响

图4中的A图为金板图像。B图为检查图像。A图与B图中的标签是相同的。然而，检查图像是在一个衰减的照明下采集得到的。尽管两幅图像是对齐的，视角也做了校正变成一样的，但是由于照明强度的变化，在C图中显示中的缺陷图像，却显示了一个单一的、巨大的、黑色的缺陷。

金板对比在检查图像中使用直方图归一化像素强度。下图5-A显示了金板的直方图，它的强度峰值在110附近然后保持低值直到饱和值255。图5-B显示了检查图像的直方图，它的强度峰值在50附近，另一峰值在200附近。

使用直方图匹配算法，金板对比应用一个查找到来计算检查图像。当应用了检查表后，直方图生成的缺陷图像如图5-C所示，展现了和模板直方图相同的一般特征。注意它的峰值也在110附近，饱和值在255处。

[attach]8176[/attach]

图5 金板对比需要考虑强度的影响

即使在对齐、视角校正、直方图匹配后，缺陷图像也可以返回细小的缺陷，甚至于当检查图像中的零件与金板中的零件看起来几乎一样。这些细小的缺陷通常只限于边缘或者像素强度剧烈变化的地方。

下面的图6-A显示了金板图像。图6-B显示了检查图像。检查图像中的标签与金板中的标签几乎完全相同。图6-C显示了一些微不足道的细小缺陷，这些缺陷来自于小的、剩余的未对齐或者是图像采集中的量化误差（如相机的暗电流等）。虽然这些微波的变化不会影响被测产品的质量，但一个同样大小没有在边缘的划痕或污点则是一个显著的缺陷。

[attach]8177[/attach]

图6 金板匹配时需要忽略一定的边缘位置

金板对比会孤立检查图像中与金板不同的区域。为了在一个机器视觉应用程序中使用这些缺陷信息，你需要使用NI视觉函数分析和处理这些信息。例如，你可以使用粒子滤波器、二值形态学、粒子分析和二值粒子分类等函数处理和分析这些缺陷信息。