CN105976354B - 基于颜色和梯度的元件定位方法和系统 - Google Patents

Abstract

本发明涉及一种基于颜色和梯度的元件定位方法和系统，其是获取模板图像的HSV图像和梯度幅值图像以及待测图像的HSV图像和梯度幅值图像，将模板图像的HSV图像中各像素点的V通道数值分别替换为模板图像的梯度幅值图像中对应像素点的梯度幅值，得到目标模板图像，将待测图像的HSV图像中各像素点的V通道数值也分别替换为待测图像的梯度幅值图像中对应像素点的梯度幅值，得到目标待测图像，利用目标模板图像和目标待测图像进行模板匹配，就可以对待测图像中的待测元件进行定位。此方案中由于在模板匹配时考虑了图像的梯度信息，可以有效地降低不同光照的影响，从而有效地提高电子元件定位的稳定性。

Description

基于颜色和梯度的元件定位方法和系统

技术领域

本发明涉及自动光学检测领域，特别是涉及基于颜色和梯度的元件定位方法和系统。

背景技术

当前，对PCB电路板(印制电路板)进行检测，使用较多的是AOI(Automatic OpticInspection，自动光学检测)系统，自动光学检测是工业制作过程的必要环节，利用光学方式取得成品的表面状态，以影像处理来检测异物或表面瑕疵。电子元件的错、漏、反检测是电路板缺陷检测领域中的一种常见应用，机器通过摄像头自动扫描电路板获取图像，提取每个电子元件的局部图像，并通过图像处理技术，判断电子元件是否存在错、漏、反缺陷，最后将疑似缺陷的元件显示或标记出来，方便查看与检修。

对电子元件的检测的首先要解决的问题是电子元件的精确定位，只有取得了电子元件的精确定位的结果后，才能进行元件错件、漏件、反件等缺陷问题的检测。在传统的AOI系统中，电子元件的精确定位主要是通过彩色图像的模板匹配得到的，也即是通过工人制版时得到的电子元件的模板图像片在待搜索的区域进行搜索，以得到电子元件的定位信息。

但是这种基于彩色图像模板匹配的方法考虑的信息太过单调，只依赖于彩色图像的三个通道的颜色信息，比较容易受到光照、周围类似颜色区域的影响，定位的结果不够稳定。

发明内容

基于此，有必要针对现有元件定位方法得到定位结果的稳定性不够的问题，提供一种基于颜色和梯度的元件定位方法和系统。

一种基于颜色和梯度的元件定位方法，包括以下步骤：

获取待测元件的模板图像和对待测元件进行实际拍摄的待测图像；

获取模板图像的HSV图像和梯度幅值图像，获取待测图像的HSV图像和梯度幅值图像；

将模板图像的HSV图像中各像素点的V通道数值分别替换为模板图像的梯度幅值图像中对应像素点的梯度幅值，获得目标模板图像；

将待测图像的HSV图像中各像素点的V通道数值分别替换为待测图像的梯度幅值图像中对应像素点的梯度幅值，获得目标待测图像；

通过目标模板图像对目标待测图像进行模板匹配，确定待测元件在待测图像中所在的位置。

一种基于颜色和梯度的元件定位系统，包括以下单元：

第一获取单元，用于获取待测元件的模板图像和对待测元件进行实际拍摄的待测图像；

第二获取单元，用于获取模板图像的HSV图像和梯度幅值图像，获取待测图像的HSV图像和梯度幅值图像；

合成单元，用于将模板图像的HSV图像中各像素点的V通道数值分别替换为模板图像的梯度幅值图像中对应像素点的梯度幅值，获得目标模板图像；

合成单元还用于将待测图像的HSV图像中各像素点的V通道数值分别替换为待测图像的梯度幅值图像中对应像素点的梯度幅值，获得目标待测图像；

匹配单元，用于通过目标模板图像对目标待测图像进行模板匹配，确定待测元件在待测图像中所在的位置。

根据上述本发明的方案，其是先分别获取待测元件的模板图像和对待测元件进行实际拍摄的待测图像，再获取模板图像的HSV图像和梯度幅值图像以及待测图像的HSV图像和梯度幅值图像，将模板图像的HSV图像中各像素点的V 通道数值分别替换为模板图像的梯度幅值图像中对应像素点的梯度幅值，得到目标模板图像，将待测图像的HSV图像中各像素点的V通道数值也分别替换为待测图像的梯度幅值图像中对应像素点的梯度幅值，得到目标待测图像，利用目标模板图像和目标待测图像进行模板匹配，就可以对待测图像中的待测元件进行定位。此方案中将图像转换到HSV颜色空间，再将HSV三个通道中的V 通道数值替换为图像的梯度幅值，由于在模板匹配时考虑了图像的梯度信息，可以有效地降低不同光照的影响，从而有效地提高电子元件定位的稳定性。

附图说明

图1是其中一个实施例中基于颜色和梯度的元件定位方法的流程示意图；

图2是其中一个实施例中基于颜色和梯度的元件定位系统的结构示意图；

图3是其中一个实施例中基于颜色和梯度的元件定位系统的结构示意图；

图4是其中一个实施例中基于颜色和梯度的元件定位系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

参见图1所示，为本发明的基于颜色和梯度的元件定位方法的实施例。该实施例中的基于颜色和梯度的元件定位方法包括如下步骤：

步骤S101：获取待测元件的模板图像和对待测元件进行实际拍摄的待测图像；

待测元件可以为PCB板上的电子元器件，如电阻、电感、电容等；模板图像中只包括待测元件的图像信息；待测图像是包括待测元件的PCB板图像，是对包括待测元件的PCB板进行实际拍摄得到的；

步骤S102：获取模板图像的HSV图像和梯度幅值图像，获取待测图像的 HSV图像和梯度幅值图像；

模板图像的HSV图像是模板图像在H(色调)、S(饱和度)、V(明度)三个通道的图像，模板图像的HSV图像中的各像素点是与模板图像的各像素点相对应的；模板图像的梯度幅值图像是根据模板图像中各像素点的梯度幅值组成的，模板图像的梯度幅值图像中的各像素点也是与模板图像的各像素点相对应的；待测图像的HSV图像是待测图像在H(色调)、S(饱和度)、V(明度)三个通道的图像，待测图像的HSV图像中的各像素点是与待测图像的各像素点相对应的；待测图像的梯度幅值图像是根据待测图像中各像素点的梯度幅值组成的，待测图像的梯度幅值图像中的各像素点也是与待测图像的各像素点相对应的；

步骤S103：将模板图像的HSV图像中各像素点的V通道数值分别替换为模板图像的梯度幅值图像中对应像素点的梯度幅值，获得目标模板图像；

步骤S104：将待测图像的HSV图像中各像素点的V通道数值分别替换为待测图像的梯度幅值图像中对应像素点的梯度幅值，获得目标待测图像；

步骤S105：通过目标模板图像对目标待测图像进行模板匹配，确定待测元件在待测图像中所在的位置。

在本实施例中，其是将图像转换到HSV颜色空间，再将HSV三个通道中的V通道数值替换为图像的梯度幅值，由于在模板匹配时考虑了图像的梯度信息，可以有效地降低不同光照的影响，从而有效地提高电子元件定位的稳定性。

在其中一个实施例中，获取模板图像的HSV图像的步骤包括以下步骤：

将模板图像从RGB颜色空间转换到HSV颜色空间，获得模板图像的HSV 图像；

获取待测图像的HSV图像的步骤包括以下步骤：

将待测图像从RGB颜色空间转换到HSV颜色空间，获得待测图像的HSV 图像。

在本实施例中，获取模板图像和待测图像两者的HSV图像，均是将原始图像从RGB颜色空间转换到HSV颜色空间获得的，一般图像的RGB颜色空间数据较易获得，而且方便转换到HSV颜色空间数据。

优选的，从RGB颜色空间转换到HSV颜色空间的公式为：

V＝C_max

式中，R、G、B分别为转换前图像中任意一个像素点在RGB颜色空间中三个通道的数值，H、S、V分别为转换后对应像素点在HSV颜色空间中三个通道的数值，mod 6表示除以数值6取余数，转换前图像可以为模板图像或待测图像，根据上述公式就可以分别获得模板图像的HSV图像和待测图像的HSV图像。

在其中一个实施例中，获取模板图像的梯度幅值图像的步骤包括以下步骤：

根据模板图像获取模板图像的灰度图像，对模板图像的灰度图像进行卷积运算，获得在横向方向上的第一边缘图像和在纵向方向上的第二边缘图像，根据第一边缘图像和第二边缘图像获取模板图像的梯度幅值图像；

获取待测图像的梯度幅值图像的步骤包括以下步骤：

根据待测图像获取待测图像的灰度图像，对待测图像的灰度图像进行卷积运算，获得在横向方向上的第三边缘图像和在纵向方向上的第四边缘图像，根据第三边缘图像和第四边缘图像获取待测图像的梯度幅值图像。

在本实施例中，梯度幅值图像是根据灰度图像获取的，对灰度图像进行卷积运算获得的边缘图像中包含了待测元件的边缘信息，因此获取的模板图像和待测图像两者的梯度幅值图像也包含了待测元件的边缘信息，梯度幅值图像的这一特点有助于待测元件的检测定位，提高定位的稳定性。

在其中一个实施例中，根据模板图像获取模板图像的灰度图像的步骤包括以下步骤：

将模板图像从RGB颜色空间转换到灰度空间，获得模板图像的灰度图像；

根据待测图像获取待测图像的灰度图像的步骤包括以下步骤：

将待测图像从RGB颜色空间转换到灰度空间，获得待测图像的灰度图像。

在本实施例中，获取模板图像和待测图像两者的灰度图像，均是将原始图像从RGB颜色空间转换到灰度空间获得的，一般图像的RGB颜色空间数据较易获得，而且方便转换到灰度空间数据。

优选的，从RGB颜色空间转换到灰度空间的公式为：

Gray＝0.30×R+0.59×G+0.11×B

式中，R、G、B分别为转换前图像中任意一个像素点在RGB颜色空间中三个通道的数值，Gray为转换后对应像素点的灰度值，转换前图像可以为模板图像或待测图像。

在其中一个实施例中，对模板图像的灰度图像进行卷积运算的步骤包括以下步骤：

通过索贝尔算子、鲁宾孙算子或拉普拉斯算子中的任意一种算子对模板图像的灰度图像进行卷积运算；

对待测图像的灰度图像进行卷积运算的步骤包括以下步骤：

通过索贝尔算子、鲁宾孙算子或拉普拉斯算子中的任意一种算子对待测图像的灰度图像进行卷积运算。

在本实施例中，可以灵活选用索贝尔算子(Sobel算子)、鲁宾孙算子 (Robinson算子)、拉普拉斯算子(Laplace算子)等算子中的一种对图像进行卷积运算，便于得到包含待测元件边缘信息的边缘图像。

在其中一个实施例中，根据第一边缘图像和第二边缘图像获取模板图像的梯度幅值图像的步骤包括以下步骤：

根据第一边缘图像中各像素点的梯度幅值和第二边缘图像中对应像素点的梯度幅值计算模板图像中对应像素点的梯度幅值，获得模板图像的梯度幅值图像；

根据第三边缘图像和第四边缘图像获取待测图像的梯度幅值图像的步骤包括以下步骤：

根据第三边缘图像中各像素点的梯度幅值和第四边缘图像中对应像素点的梯度幅值计算待测图像中对应像素点的梯度幅值，获得待测图像的梯度幅值图像。

在本实施例中，获得横向方向上的边缘图像和纵向方向上的边缘图像后，结合这两种图像中各像素点的梯度幅值可以获得原始图像中对应像素点的梯度幅值，从而获得梯度幅值图像。

在一个优选的实施例中，可以通过Sobel算子卷积运算获取横向方向上的边缘图像，以及纵向方向上的边缘图像，将横向方向上的边缘图像像素点的梯度幅值的平方与纵向方向上的边缘图像中对应像素点的梯度幅值的平方之和作为梯度幅值图像中对应像素点的梯度幅值，从而获得梯度幅值图像。

根据横向方向上的边缘图像中各像素点的梯度幅值和纵向方向上的边缘图像中对应像素点的梯度幅值计算梯度幅值图像中对应像素点的梯度幅值的公式为：

式中，x为横向方向上的边缘图像中任意一个像素点的梯度幅值，y为纵向方向上的边缘图像中对应像素点的梯度幅值，m为梯度幅值图像中对应像素点的梯度幅值，可以获得模板图像的梯度幅值图像或者待测图像的梯度幅值图像。

另外，也可以根据横向方向上的边缘图像中所有像素点的梯度幅值矩阵和纵向方向上的边缘图像中对应所有像素点的梯度幅值矩阵来计算梯度幅值图像的梯度幅值矩阵，公式为：

式中，IM_X为横向方向上的边缘图像中所有像素点的梯度幅值矩阵，IM_Y 为纵向方向上的边缘图像中对应所有像素点的梯度幅值矩阵，M为梯度幅值图像中对应所有像素点的梯度幅值矩阵，矩阵平方运算是指对矩阵中对应元素进行平方运算。

在其中一个实施例中，通过目标模板图像对目标待测图像进行模板匹配，确定待测元件在待测图像中所在的位置的步骤包括以下步骤：

选取目标待测图像中任意一个像素点，并根据所选取的像素点在目标待测图像中获取与目标模板图像相同大小的图像作为目标待测图像的子图像，其中，子图像的横向边缘与目标待测图像的横向边缘平行，子图像的纵向边缘与目标待测图像的纵向边缘平行，所选取的像素点为所述子图像的一个顶点；

计算各子图像与目标模板图像的匹配度，选取代表匹配程度最高的匹配度对应的子图像，确定代表匹配程度最高的匹配度对应的子图像在目标待测图像中的位置为待测元件在待测图像中的位置。

在本实施例中，通过在目标待测图像中选取与目标模板图像大小相同的子图像，并计算子图像与目标模板图像的匹配度，只要某一子图像与目标模板图像的匹配度代表两者的匹配程度最高，就可以确定带字图像的位置即为待测元件的位置。

在一个具体的实施例中，模板匹配是通过滑动目标模板图像和目标待测图像进行比较来定位待测元件，一般是通过计算目标模板图像与目标待测图像中对应的子图像的匹配度来确定的，模板匹配的匹配度的计算通常有以下几种方式：

(1)平方差匹配

R(x，y)＝∑_x′，y′(T(x′，y′)-I(x+x′，y+y′))²

其中，T表示目标模板图像中像素点的表示颜色信息和梯度信息的数值，I 表示目标待测图像中像素点的表示颜色信息和梯度信息的数值，x’，y’分别是目标模板图像中各像素点的横纵坐标值，x，y分别是目标待测图像中各像素点的横纵坐标值。匹配值R(x，y)值越小，表示匹配程度越高。

标准平方差匹配，公式为：

(2)相关匹配

此类相关匹配采用目标模板图像和目标待测图像之间的乘法操作，匹配值越大表示匹配程度越高，0表示最差的匹配效果，公式为：

R(x，y)＝∑_x′，y′(T(x′，y′)·I(x+x′，y+y′))

标准相关匹配，公式为：

(3)CV_TM_CCOEFF相关匹配

此类相关匹配将目标模板图像对其均值的相对值与目标待测图像对其均值的相对值进行匹配，1表示完美匹配，-1表示糟糕的匹配，0表示没有任何相关性(随机序列)，公式为：

R(x，y)＝∑_x′，y′(T’(x′，y′)·I‘(x+x′，y+y′))

其中，T’(x′，y′)＝T(x′，y′)-1/(w·h)·∑_x′，y′T(x′，y′)

I‘(x+x′，y+y′)＝I(x+x′，y+y′)-1/(w·h)·∑_x′，y′I(x+x′，y+y′)

w、h分别表示目标模板图像中横向方向上像素点的个数和纵向方向上像素点的个数。

CV_TM_CCOEFF标准相关匹配，公式为：

本发明提供了一种基于颜色和梯度的元件定位方法，根据已知元件的图像中颜色和梯度信息，在待测图像中定位元件的位置，定位准确，为对元件进行错，漏，反等检测提供了重要依据。通过考虑图像中的梯度幅值信息，避免了元件因为光照的影响而导致定位不准的问题，提高了元件定位的稳定性。

根据上述基于颜色和梯度的元件定位方法，本发明还提供一种元件的定位系统，以下就本发明的元件的定位系统的实施例进行详细说明。

参见图2所示，为本发明的基于颜色和梯度的元件定位系统的实施例。该实施例中的基于颜色和梯度的元件定位系统包括第一获取单元210，第二获取单元220，合成单元230，匹配单元240，其中：

第一获取单元210，用于获取待测元件的模板图像和对待测元件进行实际拍摄的待测图像；

第二获取单元220，用于获取模板图像的HSV图像和梯度幅值图像，获取待测图像的HSV图像和梯度幅值图像；

合成单元230，用于将模板图像的HSV图像中各像素点的V通道数值分别替换为模板图像的梯度幅值图像中对应像素点的梯度幅值，获得目标模板图像；

合成单元230还用于将待测图像的HSV图像中各像素点的V通道数值分别替换为待测图像的梯度幅值图像中对应像素点的梯度幅值，获得目标待测图像；

匹配单元240，用于通过目标模板图像对目标待测图像进行模板匹配，确定待测元件在待测图像中所在的位置。

在其中一个实施例中，第二获取单元220将模板图像从RGB颜色空间转换到HSV颜色空间，获得模板图像的HSV图像；

第二获取单元220还将待测图像从RGB颜色空间转换到HSV颜色空间，获得待测图像的HSV图像。

在其中一个实施例中，如图3所示，第二获取单元220包括以下单元：

灰度获取单元221，用于根据模板图像获取模板图像的灰度图像；

卷积单元222，用于对模板图像的灰度图像进行卷积运算，获得在横向方向上的第一边缘图像和在纵向方向上的第二边缘图像；

梯度获取单元223，用于根据第一边缘图像和第二边缘图像获取模板图像的梯度幅值图像；

灰度获取单元221还用于根据待测图像获取待测图像的灰度图像；

卷积单元222还用于对待测图像的灰度图像进行卷积运算，获得在横向方向上的第三边缘图像和在纵向方向上的第四边缘图像；

梯度获取单元223还用于根据第三边缘图像和第四边缘图像获取待测图像的梯度幅值图像。

在其中一个实施例中，灰度获取单元221将模板图像从RGB颜色空间转换到灰度空间，获得模板图像的灰度图像；

灰度获取单元221将待测图像从RGB颜色空间转换到灰度空间，获得待测图像的灰度图像。

在其中一个实施例中，卷积单元222通过索贝尔算子、鲁宾孙算子或拉普拉斯算子中的任意一种算子对模板图像的灰度图像进行卷积运算；

卷积单元222通过索贝尔算子、鲁宾孙算子或拉普拉斯算子中的任意一种算子对待测图像的灰度图像进行卷积运算。

在其中一个实施例中，梯度获取单元223根据第一边缘图像中各像素点的梯度幅值和第二边缘图像中对应像素点的梯度幅值计算模板图像中对应像素点的梯度幅值，获得模板图像的梯度幅值图像；

梯度获取单元223根据第三边缘图像中各像素点的梯度幅值和第四边缘图像中对应像素点的梯度幅值计算待测图像中对应像素点的梯度幅值，获得待测图像的梯度幅值图像。

在其中一个实施例中，如图4所示，匹配单元240包括以下单元：

选图单元241，用于选取目标待测图像中任意一个像素点，并根据所选取的像素点在目标待测图像中获取与目标模板图像相同大小的图像作为目标待测图的子图像，其中，子图像的横向边缘与目标待测图像的横向边缘平行，子图像的纵向边缘与目标待测图像的纵向边缘平行，所选取的像素点为子图像的一个顶点；

定位单元242，用于计算各子图像与目标模板图像的匹配度，选取代表匹配程度最高的匹配度对应的子图像，确定代表匹配程度最高的匹配度对应的子图像在目标待测图像中的位置为待测元件在待测图像中的位置。

本发明的基于颜色和梯度的元件定位系统与本发明的基于颜色和梯度的元件定位方法一一对应，在上述基于颜色和梯度的元件定位方法的实施例阐述的技术特征及其有益效果均适用于基于颜色和梯度的元件定位系统的实施例中。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于颜色和梯度的元件定位方法，其特征在于，包括以下步骤：

获取待测元件的模板图像和对所述待测元件进行实际拍摄的待测图像；

获取所述模板图像的HSV图像和梯度幅值图像，获取所述待测图像的HSV图像和梯度幅值图像；

将所述模板图像的HSV图像中各像素点的V通道数值分别替换为所述模板图像的梯度幅值图像中对应像素点的梯度幅值，获得目标模板图像；

将所述待测图像的HSV图像中各像素点的V通道数值分别替换为所述待测图像的梯度幅值图像中对应像素点的梯度幅值，获得目标待测图像；

通过所述目标模板图像对所述目标待测图像进行模板匹配，确定所述待测元件在所述待测图像中所在的位置；

获取所述模板图像的梯度幅值图像的步骤包括以下步骤：

根据所述模板图像获取所述模板图像的灰度图像，对所述模板图像的灰度图像进行卷积运算，获得在横向方向上的第一边缘图像和在纵向方向上的第二边缘图像，根据所述第一边缘图像和所述第二边缘图像获取所述模板图像的梯度幅值图像。

2.根据权利要求1所述的基于颜色和梯度的元件定位方法，其特征在于：

获取所述待测图像的梯度幅值图像的步骤包括以下步骤：

根据所述待测图像获取所述待测图像的灰度图像，对所述待测图像的灰度图像进行卷积运算，获得在横向方向上的第三边缘图像和在纵向方向上的第四边缘图像，根据所述第三边缘图像和所述第四边缘图像获取所述待测图像的梯度幅值图像。

3.根据权利要求2所述的基于颜色和梯度的元件定位方法，其特征在于：

所述对所述模板图像的灰度图像进行卷积运算的步骤包括以下步骤：

通过索贝尔算子、鲁宾孙算子或拉普拉斯算子中的任意一种算子对所述模板图像的灰度图像进行卷积运算；

所述对所述待测图像的灰度图像进行卷积运算的步骤包括以下步骤：

通过索贝尔算子、鲁宾孙算子或拉普拉斯算子中的任意一种算子对所述待测图像的灰度图像进行卷积运算。

4.根据权利要求2所述的基于颜色和梯度的元件定位方法，其特征在于：

所述根据所述第一边缘图像和所述第二边缘图像获取所述模板图像的梯度幅值图像的步骤包括以下步骤：

根据所述第一边缘图像中各像素点的梯度幅值和所述第二边缘图像中对应像素点的梯度幅值计算所述模板图像中对应像素点的梯度幅值，获得所述模板图像的梯度幅值图像；

所述根据所述第三边缘图像和所述第四边缘图像获取所述待测图像的梯度幅值图像的步骤包括以下步骤：

根据所述第三边缘图像中各像素点的梯度幅值和所述第四边缘图像中对应像素点的梯度幅值计算所述待测图像中对应像素点的梯度幅值，获得所述待测图像的梯度幅值图像。

5.根据权利要求1至4中任意一项所述的基于颜色和梯度的元件定位方法，其特征在于，所述通过所述目标模板图像对所述目标待测图像进行模板匹配，确定所述待测元件在所述待测图像中所在的位置的步骤包括以下步骤：

选取所述目标待测图像中任意一个像素点，并根据所选取的像素点在所述目标待测图像中获取与所述目标模板图像相同大小的图像作为所述目标待测图像的子图像，其中，所述子图像的横向边缘与所述目标待测图像的横向边缘平行，所述子图像的纵向边缘与所述目标待测图像的纵向边缘平行，所选取的像素点为所述子图像的一个顶点；

计算各所述子图像与所述目标模板图像的匹配度，选取代表匹配程度最高的匹配度对应的子图像，确定所述代表匹配程度最高的匹配度对应的子图像在所述目标待测图像中的位置为所述待测元件在所述待测图像中的位置。

6.一种基于颜色和梯度的元件定位系统，其特征在于，包括以下单元：

第一获取单元，用于获取待测元件的模板图像和对所述待测元件进行实际拍摄的待测图像；

第二获取单元，用于获取所述模板图像的HSV图像和梯度幅值图像，获取所述待测图像的HSV图像和梯度幅值图像；

合成单元，用于将所述模板图像的HSV图像中各像素点的V通道数值分别替换为所述模板图像的梯度幅值图像中对应像素点的梯度幅值，获得目标模板图像；

所述合成单元还用于将所述待测图像的HSV图像中各像素点的V通道数值分别替换为所述待测图像的梯度幅值图像中对应像素点的梯度幅值，获得目标待测图像；

匹配单元，用于通过所述目标模板图像对所述目标待测图像进行模板匹配，确定所述待测元件在所述待测图像中所在的位置；

所述第二获取单元包括以下单元：

灰度获取单元，用于根据所述模板图像获取所述模板图像的灰度图像；

卷积单元，用于对所述模板图像的灰度图像进行卷积运算，获得在横向方向上的第一边缘图像和在纵向方向上的第二边缘图像；

梯度获取单元，用于根据所述第一边缘图像和所述第二边缘图像获取所述模板图像的梯度幅值图像。

7.根据权利要求6所述的基于颜色和梯度的元件定位系统，其特征在于：

所述灰度获取单元还用于根据所述待测图像获取所述待测图像的灰度图像；

所述卷积单元还用于对所述待测图像的灰度图像进行卷积运算，获得在横向方向上的第三边缘图像和在纵向方向上的第四边缘图像；

所述梯度获取单元还用于根据所述第三边缘图像和所述第四边缘图像获取所述待测图像的梯度幅值图像。

8.根据权利要求7所述的基于颜色和梯度的元件定位系统，其特征在于：

所述卷积单元通过索贝尔算子、鲁宾孙算子或拉普拉斯算子中的任意一种算子对所述模板图像的灰度图像进行卷积运算；

所述卷积单元通过索贝尔算子、鲁宾孙算子或拉普拉斯算子中的任意一种算子对所述待测图像的灰度图像进行卷积运算。

9.根据权利要求7所述的基于颜色和梯度的元件定位系统，其特征在于：

所述梯度获取单元根据所述第一边缘图像中各像素点的梯度幅值和所述第二边缘图像中对应像素点的梯度幅值计算所述模板图像中对应像素点的梯度幅值，获得所述模板图像的梯度幅值图像；

所述梯度获取单元根据所述第三边缘图像中各像素点的梯度幅值和所述第四边缘图像中对应像素点的梯度幅值计算所述待测图像中对应像素点的梯度幅值，获得所述待测图像的梯度幅值图像。

10.根据权利要求6至9中任意一项所述的基于颜色和梯度的元件定位系统，其特征在于，所述匹配单元包括以下单元：

选图单元，用于选取所述目标待测图像中任意一个像素点，并根据所选取的像素点在所述目标待测图像中获取与所述目标模板图像相同大小的图像作为所述目标待测图像 的子图像，其中，所述子图像的横向边缘与所述目标待测图像的横向边缘平行，所述子图像的纵向边缘与所述目标待测图像的纵向边缘平行，所选取的像素点为所述子图像的一个顶点；

定位单元，用于计算各所述子图像与所述目标模板图像的匹配度，选取代表匹配程度最高的匹配度对应的子图像，确定所述代表匹配程度最高的匹配度对应的子图像在所述目标待测图像中的位置为所述待测元件在所述待测图像中的位置。