李克新，王金聰，宋文龍

(東北林業(yè)大學(xué)機電工程學(xué)院，哈爾濱 150040)

20世紀80年代后期以來，隨著計算機技術(shù)的飛速發(fā)展和普及，設(shè)備的運行效率在不斷提高，集成電路由原來的高密度轉(zhuǎn)向多針和小型化的方向發(fā)展，雙列直插器件也逐漸由封裝更為科學(xué)的表面貼裝器件所代替，相應(yīng)的電子SMT技術(shù)也得到了發(fā)展，該技術(shù)包括組件，組裝設(shè)備，焊接和組裝配套材料。SMT器件組裝技術(shù)是20世紀80年新興的更為科學(xué)的一種封裝技術(shù)，這種封裝技術(shù)被認為是在電子組裝技術(shù)領(lǐng)域的一場革命［1］。

在BGA集成電路的視覺定位系統(tǒng)中，邊緣提取是圖像處理的第一個環(huán)節(jié)也是最重要的一個環(huán)節(jié)。邊緣提取可以將芯片引腳圖像從背景中分離開，為下一步的定位以及識別做前提準備。作為圖像特征中一個非常重要的因素，邊緣在很大程度上應(yīng)用于人類判別物體。處理圖像過程中，對邊緣進行檢測的重要意義是確保留下有關(guān)物體邊界有用的基本結(jié)構(gòu)信息，進而降低處理的數(shù)據(jù)量，從而使圖像的分析過程得到進一步地簡化。作為視覺圖像中最基本的特征，邊緣除了包括兩個視覺圖像區(qū)域的交叉外，其中也包括視覺圖像兩個區(qū)域?qū)傩园l(fā)生突變的地方，因為此處匯集了視覺圖像的信息，最關(guān)鍵的是此處也是視覺圖像模糊性最大的地方［2］。由此看來，在BGA視覺系統(tǒng)的初級處理中，圖像的邊緣提取起著舉足輕重的作用，即邊緣提取的好壞直接決定定位系統(tǒng)的精度，本文首先介紹了傳統(tǒng)的邊緣提取方法，然后重點介紹基于蛇模型的BGA圖像邊緣提取方法，并針對BGA圖像特點對其進行了改進［3］。

1 基于經(jīng)典算子的BGA圖像邊緣提取

經(jīng)典邊緣算子是以微分算子作為基礎(chǔ)準則構(gòu)成的梯度算子。一般比較常用的梯度算子有Roberts算子、Prewitt算子、Sobel算子、Laplace算子等［4］。

1.1 Roberts算子

一般來講，以局部差分算子作為邊緣尋找準則是Roberts算子常用的方法，運用近似梯度幅值對視覺圖像的邊緣進行檢測和識別。g(x，y)=，其中f(x，y)，f(x+1，y+1)，f(x+1)，f(x，y+1)分別為4鄰域坐標，且是具有整數(shù)像素坐標的輸入圖像。

1.2 Sobel算子

索貝爾算子(Sobel Operator)是圖像處理中的算子之一，主要用作邊緣檢測。在技術(shù)上，它是一離散性差分算子，用來運算圖像亮度函數(shù)的梯度之近似值。它由下式給出:S=(dx2+dy2)2。在圖像處理中，每個點都嚴格采用兩個核做卷積運算，在兩個核中，垂直邊緣受一個核會的響應(yīng)很大，另外水平邊緣受另一個核的響應(yīng)也較大，而這兩個核卷積的最大值便是輸出位。這種算子是基于加權(quán)點灰度像素周圍相鄰的極端值的邊緣檢測，可以平滑噪聲，使得邊緣方向信息準確性得到進一步的提高。從中可以看出:定位邊緣精度不夠高是本算子處理圖像邊緣的缺陷，因此若是在不要求精度的情況下，此邊緣檢測方法較為常用。

1.3 Prewitt算子

Prewitt算子則是運用像素鄰近點的灰度差找其中的極大值的原理 (在邊緣處達到最大)檢測出邊緣。Prewitt算子首先通過加權(quán)平滑對圖像進行處理，補充一點的是:處理時，選擇不同的權(quán)值貫穿在整個平滑過程中，接著再進行微分運算，以此來獲得抵抗噪聲的效果。同圖像的邊緣相類似，噪聲是高頻分量，經(jīng)過微分運算后，圖像中的噪聲也就自然而然地增強了，于是把噪聲誤認為邊緣具有一定的可能性，進而導(dǎo)致檢測出較粗的邊緣，影響到檢測的精度［5］。

1.4 Laplace算子

利用經(jīng)典算子對BGA芯片圖像邊緣提取的實驗結(jié)果，如圖1所示。

圖1 邊緣提取算法提取后的圖像(a)BGA原圖;(b)Robert算子提取的BGA邊緣圖;(c)Prewitt算子提取的BGA邊緣圖;(d)Sobel算子提取的BGA邊緣圖;(e)Laplace算子提取的BGA邊緣圖Fig.1 The image after applying edge extraction algorithm(a)the artwork of the BGA．(b)the BGA edge map by Robert operator．(c)the BGA edge map by Prewitt operator．(d)the BGA edge map by Sobel operator．(e)the BGA edge map by Laplace operator．

從圖1中知道，檢測出的邊緣較穩(wěn)定應(yīng)屬Sobel算子和Prewitt算子，但輸出的邊緣比較寬，邊緣定位不好［6］。Laplace算子邊緣定位精度較好，能檢測出絕大部分邊緣但也存在虛假邊緣，邊緣不連續(xù)，在實際應(yīng)用中很少單獨使用，往往和其他算子組合起來應(yīng)用。針對上述實驗的經(jīng)典邊緣提取算子，計算簡單、速度較快是它們的優(yōu)勢，普遍存在的不足是對噪聲的干擾都比較敏感，這也從另一方便導(dǎo)致了檢測出的圖像存在較多的假邊緣，同時增加了真邊緣丟失，也降低了抗噪性能。

2 基于蛇模型BGA圖像邊緣處理

2.1 傳統(tǒng)蛇模型基本原理

蛇模型指的是表征擬合誤差的“能量”為最小化的曲線，基本原理可以定義如下:對于每一個擬合目標，假設(shè)有一個待選集，所定義能量函數(shù)要使得相關(guān)聯(lián)于待選集中每一條曲線。

設(shè)v(s)={x(s)，y(s)}為活動曲線，s∈ ［0，1］是弧長，能量函數(shù)如下:

式中:Eint(v(s))=(α(s)|v′(s)|2+β(s)|v″(s)|2)/2是內(nèi)部能量函數(shù)，控制參數(shù)α控制的是參數(shù)曲線的彈性，控制參數(shù)β控制的是參數(shù)曲線的剛性，v′(s)和v″(s)分別為v(s)對s的一、二階導(dǎo)數(shù)。外部能量函數(shù)是Eext(v(s)):

BGA原始圖像如圖2所示，傳統(tǒng)蛇模型處理的BGA圖像如圖3所示。

圖2 BGA原始圖像Fig.2 The original image of the BGA

圖3 傳統(tǒng)蛇模型處理的BGA圖像Fig.3 The BGA image processed by traditional snake model

從圖3可知:傳統(tǒng)蛇模型盡管相對的穩(wěn)定和簡易，但如實驗數(shù)據(jù)顯示仍存在一定的問題:初始輪廓敏感性相對來說較明顯，另外對于全局極值，蛇模型不一定收斂其中，并且收斂速度太慢，收斂數(shù)不穩(wěn)定。

2.2 改進的氣球蛇模型

針對傳統(tǒng)蛇模型存在的對初始輪廓太過于敏感的問題，Cochen等首次提出了“氣球”模型，為了確保輪廓線向目標靠攏就額外施加另一外部約束力在輪廓線上。于是，在此外力的作用下，不斷向外膨脹的輪廓線最終漸變成目標輪廓，此力可稱之為氣球力。

在基本snake模型中，離散化的數(shù)值求解過程的復(fù)雜性往往是造成問題存在的因素，外力Fext的方向就是能量Eext的最速下降方向，而迭代步長正比于Eext的梯度絕對值，一旦輪廓線輕易地越過平衡點就說明了步長過大，便導(dǎo)致了無法收斂到物體邊界［7］。為了解決這個問題，Cochen等提出歸一化外部力，于是便可以忽略由噪聲產(chǎn)生梯度最大值的孤立點，將其綜合在一起得出:

式中:n(s)是輪廓線上控制點;v(s)的單位法向量;k1是膨脹力的幅值，取正、負值就可以使輪廓線具有伸縮行為能力，一般k1≈k2。

利用改建的氣球蛇模型處理的BGA圖像如圖4所示。

圖4 Balloon snake模型處理的BGA圖像Fig.4 The BGA image processed by the balloon snake model

4 結(jié)束語

作為近幾十年來視覺圖像領(lǐng)域的研究熱點，蛇模型是的提出從很大程度上促進了視覺圖像處理等相關(guān)領(lǐng)域地發(fā)展。本文首先介紹了幾種種經(jīng)典算子提取邊緣的算法的原理，并將之應(yīng)用于BGA引腳圖像的邊緣提取，并對幾種算法進行了分析;最后確定針對BGA基于蛇模型理論的邊緣提取算法。通過在實驗數(shù)據(jù)處理中分析可得:計算簡單、速度較快是傳統(tǒng)邊緣提取算子的優(yōu)勢，普遍存在的不足是對噪聲的干擾都比較敏感。往往由于存在圖像噪聲，在實際應(yīng)用過程中要不斷對傳統(tǒng)的算法進行改善或?qū)⑵渑c其他一些算法進行不同程度的結(jié)合來處理視覺圖像。改進的balloon snake提取算法的圖像處理方法，大大地降低了對噪聲敏感性，提高了邊緣判定準確性，在不遺漏真邊緣的同時最大程度的不引入偽邊緣，具有一定的抗噪聲能力，速度快，效果好，抗干擾性強。

【參 考 文 獻】

［1］謝恩桓．新世紀IC封裝的回顧和發(fā)展趨勢展望［J］．電子與封裝，2003，3(4):1 －5．

［2］Ruyten W．Subpixel localization of synthetic references in digital images by use of an augmented template［J］．Optical Engineering，2002，41(3):601-607．

［3］王立成．面陣列芯片封裝設(shè)備中的視覺定位技術(shù)［D］．武漢:華中科技大學(xué)，2004．

［4］侯衛(wèi)萍，王立海．數(shù)學(xué)形態(tài)學(xué)與Canny算子在木材腐杉圖像特征提取中應(yīng)用［J］．森林工程，2011，27(2):28 －31．

［5］Cass T A．Polynomial-time geometric matching for object recognition［J］．International Journal of Computer Vision，1997，21(1-2):37-61．

［6］Hiroi T，et al．Precise visual inspection for LSI wafer patterns using sub-pixel Image alignment［A］．Proc．Of the Second IEEE Workshop on Applications of Computer Vision［C］，F(xiàn)lorida，1994:26-34．

［7］曹遠星，董育寧．蛇模型綜述［J］．信息技術(shù)，2003，3(4):46－49．