PCB缺陷检测中图像分割算法的分析与比较

PCB缺陷检测中图像分割算法的分析与比较摘要：图像分割在图像处理中占有重要的地位，分割结果的好坏直接影响图像的后续处理。本文介绍了4种常用的图像分割方法及其在PCB缺陷检测中的应用，并且利用实际的分割效果对4种分割方法进行了比较。对PCB检测的实际应用提出了一种比较好的图像分割思路，并且做了实验研究。关键词：图像处理；图像分割；PCB检测引言：图像分割是图像处理中的一项关键技术，分割结果的好坏直接影响到图像的后续处理。本文中图像分割的目的是根据图像灰度等级准确划分出其中有意义的目标区域。但是由于系统在PCB图像的采集、传输过程中，由于光照不均，CCD摄像机自身的电子干扰，都不同程度的带来噪声，使图像污染。这些噪声也给图像分割带来了一定的难度。而传统的图像分割方法针对实际应用，本文分别采用四种公认比较好的分割方法对PCB图像进行分割，并对分割效果进行了比较，最后确定了适合PCB检测的图像分割方法。下面对它们进行具体说明。1.基于标准图像的模糊推理法模糊理论在图像处理中的应用越来越广。在图像分割中，它可以把数据的校验用一些模糊规则来进行描述。用基于标准图像的模糊推理法进行图像的分割主要包括以下几步[1]：(1)计算原始图像的灰度直方图并用迭代阈值法计算它的阈值；(2)寻找目标和背景的像素簇的峰值；(3)计算LD(象素值低与较低之间的阈值)和LB（像素值高与较高之间的阈值）；(4)使用模糊逻辑方法（FLM-fuzzylinguisticmethod）来获取二值图像数据；待处理PCB图像的灰度直方图如图1所示图1像素值直方图Fig.1Pixelvaluehistogram背景和目标对象是直方图中的两个簇。这里采用迭代阈值的方法来求取待检测图像的阈值。具体过程如下[2]：1）求出图像中的最小和最大灰度值Hmin及Hmax,令阈值初始值为：T0像素数像素值DarkmaxthresholdBrightmax255（=12(Hmin+Hmax)（1）(2)根据阈值TK将图像分割成目标和背景两部分，求出两部分的平均灰度值H0、Hb及新的阈值Tk+10kkkTkkTkhkHh=∑∑（2）kkkTkkTbkhkHh=∑∑（3）Tk+1=1(H+H2素个数。（1）按（2）中0b式中，hk是灰度值为k的像的算式进行迭代，直到Tk+1=Tk时结束方图上看，由此得到的阈值处在两个灰度区域重心的平均位置，从路径规划的角度看是一种最优阈值，它可以概略地将目标、背景分成两类，因而可认为tb=Tk。但要精确地分割出背景，还必须结合其实际分布情况来考虑。在通常情况下，目标簇和背景簇都会有一个峰值，在这里用Darkmax代表背景簇的峰值，Brightmax代表目标簇的峰值。通过下面两个式子来计算LD与LB。LD=(Darkmax+Threshold)/2(5)old)/2(6)因此，模糊逻辑的成员函数可以获得，如图2所示。每一个规度范围内的像素值都会属于Dark,LightDark,LightBright和Bright四个成员之一。图2输入的成员函数令F(x,y)是FLM成员函数的输F1(x,y),F2(x,y),F3(x,y),F1)(4)，取结束时的Tk为分割阈值。从直LB=(Brightmax+ThreshFig.2Membershipsfunctionofinput入，Fc(x,y)是3×3模板的中心像素，F4(x,y)是这个模板的四邻域，如图3所示。F2FcF4F3图33×3模板的4邻域Fig.34-neighborhoodofa3×3maskS(x,y)是FLM的输入的参考图像数据。它可以是PCB设计图像数据，S(x,y)必须与Fc(x,y)相互对应。下面为FLM定义了四种环境规则。S(x,y)必须与Fc(x,y)相互对应。1）Bright环境如果F1(x,y),F2(x,y),F3(x,y),F4(x,y)中有4个是Bright，或者其中有3个为Bright和1个LightBright,则Fc(x,y)为Bright2）Dark环境：如果F1（x,y）,F2(x,y),F3(x,y),F4(x,y)中有4个是Dark，或者其中有3个Dark和1个LightDark，则Fc(x,y)为Dark(3)LightBright环境如果F1(x,y),F2(x,y),F3(x1,则Fc(x,y)为LightBright,境值为Dark的个数超过1,则Fc(x,y)为LightDark数的输出是中心像素的状态，用B(x,y)来表示，它的位置也和Fc(x,y)相对应，并且是二图像数据，FLM的具体描述如下：(1)If(Fc(x,y)isDark)and(S()icknd),then(B(x,y)isBackground);(2)If(Fc(x,y)isDark)and(S(x,y)isObject)and(F1（x,y）,F2(x,y),F3(x,y),F4(x,y)isBrightEnvironment),thenB(xisbject),else(B(x,y)isBackground);(3)If(Fc（x,y）isBright)and(S(x,y)isObject),then(B(x,y)isObject);(4)If(Fc（x,y）isBright)andsrond(F1(x,y),F2(x,y),F3(x,y),F4(x,y)isDarknd),else(B(x,y)isObject);(6)If(Fc（x,y）isLightDark)and(S(x,y)isObject)and(F1(x,y),F2(x,y),F3(x,y),htBrightEnvironmentorBrightEnvironment),then(B(x,y)is)B((7)IisObject),then(B(x,y)isObject);LightBright)and(S(x,y)isBackground)and(F1(x,y),F2(x,y),F3(x,isat);又保留了图像的细节特征，是一种有效的图像分割方法，高，否则就会影响分割效果。4-（a）为原始的采集图像，它是c逻辑方法的处理结果。（（,y),F4(x,y)中环境值为Bright的个数超过(4)LightDark环境如果F1(x,y),F2(x,y),F3(xy),F4(x,y)中环函值x,ysBagrouO(,y)(S(x,y)iBackgund)aEnvironment),then(B(x,y)isBackgrou(5)If(Fc（x,y）isLightDark)and(S(x,y)isBackground),then(B(x,y)isBackground);F4(x,y)isLigObject,else(x,y)isBackground);f(Fc（x,y）isLightBright)and(S(x,y)(8)If(Fc（x,y）isy),F4(x,y)isLightDarkEnvironmentorDarkEnvironment),then(B(x,y)Bckground),else(B(x,y)isObjec这种模糊逻辑方法去除噪声的同时，但是它也有个缺点，就是在使用这种方法之前，待处理图像和标准图像的校准精度要以下是通过具体的实验对一幅图像进行处理的效果图，图PCB上的一个焊盘，图4-（b）为处理过程中采用的参考图像，图4-（）为采用模糊（b）参考图像（二值）（c）处理后图4模糊推理方法进行图像分割的效果Fig.4Resultsofimagesegmentationwithfuzzyreasoningmethod.基于梯度调整的矩量保持法2.1矩量保持法[3]其基木，2,…，（a）原始图像2思想是使阈值分割前后图像的矩保持不变。设每个点从具有灰度值g∈{0,1},其中L为灰度级总数，并用Ni(i∈{0,1,…，L－1})1L−表示第i个灰度级在图像中出现的次数,表示灰度级i出现的频率:P=Ni/N第k矩mk定义为:m0=1;Lkkimpi−=阶10i=∑k=1,2,…（7）对于二值化图像，意味着保持前3阶矩不变，即存在如下矩量保持方程组:0000110pZpZm+=(8)1100111pZpZm+=（9）2200112pZpZm+=（10）3300113pZpZm+=（11）这里Z0和Z1，表示二值化后每个类别代表灰度值，p0和p1代表二值化后两个灰度值的分布概率，经简化后1021/2pdm−10(4)cc=（12）−其中，1320221mmmmmc−=−1232mmcmm121m−=−21/2101[(4)]2dcc1c=−−然后从灰度级直方图中选取阈值t最为接近2.2矩量保持法的梯度调整[4]进行图像分割。这种分割方法在实际应用中，发现分割后的目标边缘细节信息有很大的丢失。通过对算法原理及不足点的分析，可以利用图像中目标边界和相邻背景的灰度差别较大，而目标区域或背景区域内部像素间的灰度差别较小的特性，进矩量保持自动阈值法，改进后的算法的基本原理如下：首先由矩量保持法得到初始分割阈值t,然图像进行处理，计算出图像的梯度分布。设现行扫描点、后一行扫描点和下一列中相邻点的灰度为f(i,j),f(i+1,j)和f(i,j+1),在x,y方向上的一阶差分定义为：p0-分位数。矩量保持法是根据样本估计总体的特性推导而出，是根据图像的整体信息用梯度调整来改后利用梯度算子对(,)(1,)(,)(,)(,1)(,)XyfijfijfijfijfijfijΔ=+−⎧⎨Δ=+−(13)⎩梯度定义为：G=(,)(,)XyfijifijjΔ+Δ(14)1/2（15）为了简便计算，梯度模G[f(i,j)]选用如下的近似公式：G[f(i,j)]＝max[其模为：22||[((,))((,))]XyGfijfij=Δ+Δ|(,)XfijΔ|,|(,)yfijΔ|](16)根据计算出的梯度模，找出边缘像素。设边缘像素的梯度为Gef(i,j),则有：eeTG≥⎧⎨G[f(i,j)]G[f(i,j)]f(i,j)=0[(,)]eGfijT⎩（17）当选取在(Gmax-Gmin)/2左右。其中Te为边界梯度阈值，可适再求出边缘像素的梯度均值：Me=E[Ge[f(i,j)]]（18）这样，基于梯度调整的矩量保持自动阈值分割法的阈值T为：T=t-α·MG(19)其中，α（0≤α≤0.3）为调整系数，根据经验在0.1左右选择。（a）矩量保持法(b)基于梯度调整后的矩量保持法图5矩量保持法图像分割效果比较图nvariableintensitymoment通过上图我们可以看出，的矩量保法，能够把一些细节信息很好的保留下来，弥补了矩量保持法的不足。3.这里的熵是指灰度直方图的熵。和上面一样，pi仍旧表示灰度级i出现的概率:Pi=Ni/N如果图像可以分为两个区域，且阈值为t,即21)-1};(22)则区域R1和R2上的灰度级3)R2:pt其中i=t=0,1,2,…,L-1(25)两个与RR2E1以下是对图4－（a）用基于梯度调整的矩量保持法对其进行分割，并与矩量保持法的分割效果做了比较，如图5所示：Fig.5Comparativeresultsafterimagesegmentationwithi经梯度调整以后持最大熵法[3][5](20)R1={0,1,2,…,t};(R2={t+1,t+2,…,L分布可以写成:R1:p0/Pt,p1/Pt,…,pt/Pt(2+1/(1-Pt),pt+2/(1-Pt),…,pL-1/(1-Pt)(24)0ttiPp=∑1和相伴的熵为(t)=001lg[lglg]lgttiiiiittiitttttppEpppPPPPPP==−=−−=∑∑+(26)112111()lg[lglg(1)]lg(1)1111LLiintiiittititttttppEEpppPPPPPP−−=+=+−=−=−−−=−+−−−−∑∑其中iEtt=0,1,2,…,L-1(27)lgtiit0Epp=−∑t=0,1,2,…,L-1