王 力，曾佩佩，郝建新

(中國民航大學航空自動化學院，天津300300)

1 引言

電路板紅外故障檢測系統(tǒng)通過對比正常電路板工作時段的紅外圖像和故障電路板工作時段的紅外圖像來查找故障，由于兩次拍攝時電路板與紅外熱像儀的相對位置不可能完全不變，因此正常電路板紅外圖像和故障電路板紅外圖像中對應電路板區(qū)域存在相對位移，造成無法對比圖像來得出故障，因此需要高精度的圖像配準算法來解決這一問題。

目前圖像配準技術主要分為兩類:基于特征的圖像配準算法和基于像素的圖像配準算法。基于特征的圖像配準算法必須提取圖像的點、線、邊角等特征，配準的精度往往受到特征提取算法的制約，而電路板紅外圖像由于反映了電路板上元器件的發(fā)熱狀況，這些廣義上的特征不太明顯，提取難度較大，且提取精度不高。相比之下，基于像素的圖像配準算法由于是對圖像中全體像素點進行匹配，不需要提取特征信息，是一種魯棒性很強的算法。

基于互信息［1］的圖像配準方法是公認的一種配準精度較高的圖像配準方法，互信息量計算是基于互信息的圖像配準算法的關鍵內(nèi)容，互信息量計算復雜度與圖像像素級和圖像灰度級相關。故當今研究主要從兩個方面入手，一是壓縮圖像像素級，如唐斌兵等人［2］利用小波分解與重構(gòu)對圖像進行像素級壓縮，提高了配準效率，但壓縮掉的圖像高頻部分所包含的信息也一并去除了，圖像配準精度受影響較大。二是壓縮圖像灰度級，如周志勇等人［3］利用圖像梯度進行灰度壓縮，對圖像整體進行灰度壓縮，也會丟失掉一部分圖像信息。

本文提出基于ROI的灰度壓縮則是對包含圖像信息量最大的ROI部分進行灰度壓縮，不僅減小了圖像灰度級，圖像信息丟失也非常小，能夠在提高配準效率的前提下使配準精度不受影響。綜上所述，只要能夠準確提取電路板紅外圖像ROI，并基于ROI對圖像進行灰度壓縮，就能達到優(yōu)化互信息量計算，進而優(yōu)化圖像配準算法的目的。

最后提出一種自適應多目標ROI提取算法，結(jié)合區(qū)域生長與Otsu［4］算法，在無人工干預情形下自動搜索多個區(qū)域生長種子點，利用Otsu算法自適應確定分割閾值，完成電路板紅外圖像多個芯片分割，分割的多塊發(fā)熱芯片區(qū)域即為本文需要的ROI。結(jié)果表明，此算法能夠快速準確提取電路板紅外圖像所有芯片發(fā)熱區(qū)域，與目前圖像分割算法相比不僅易于實現(xiàn)，自動化程度較高，分割精度也滿足要求，在電路板紅外圖像分割中具有很高的實用性。

2 系統(tǒng)組成

電子板卡紅外故障檢測系統(tǒng)大致由采集圖像、圖像配準、圖像比對及故障分析四部分組成。其系統(tǒng)流程圖如圖1所示。

圖1 電路板紅外圖像故障檢測系統(tǒng)

(1)采集圖像。利用ImageIR紅外熱像儀采集在相同激勵下采集標準電路板和待測電路板的紅外圖像，本項目所用電路板為51單片機開發(fā)板。

(2)圖像配準。本文主要研究內(nèi)容，由于后期圖像比對需要對特定區(qū)域像素點進行比對，因此圖像配準精度要求較高，要求為亞像素級，圖像配準算法包含灰度壓縮，圖像變換(平移、旋轉(zhuǎn)、縮放、差值算法［5］等)，互信息量計算。研究電路板紅外圖像ROI的灰度壓縮算法，通過灰度壓縮來優(yōu)化互信息量計算，進而優(yōu)化圖像配準算法是本文的主要研究內(nèi)容。

(3)圖像比對。圖像比對的目的是查找待測電路板紅外圖像的溫度異常區(qū)域，具體方法有很多種，大致可以分為差分熱圖法和序列熱圖法［6］，差分熱圖法即將兩張紅外圖像做差分運算，差分后即可觀察出溫度異常區(qū)域，序列熱圖法是對兩塊電路板工作時段的多幅紅外圖像進行比對，通過比較特定區(qū)域像素點的溫度序列得出溫度異常區(qū)域。

(4)故障分析。得出溫度異常區(qū)域后，通過故障字典法，故障樹法，專家系統(tǒng)等故障分析技術來分析故障。

3 基于ROI的灰度壓縮算法

3.1 算法原理

分析某個芯片紅外圖像，如圖2所示，電路板紅外圖像可以大致分為三個部分:①芯片發(fā)熱部分;②芯片輻射熱量部分，此部分圍繞在芯片周圍，離芯片越近，圖像上顯示的溫度數(shù)值越高，離芯片越遠，圖像上顯示的溫度數(shù)值越低，受環(huán)境影響較大;③背景部分，除去芯片發(fā)熱部分和輻射熱量部分所剩下的區(qū)域，圖像上顯示的溫度數(shù)值最低，與環(huán)境溫度基本一致。分析上述特點，可以將芯片發(fā)熱部分提取為圖像ROI，基于ROI的灰度壓縮不僅盡可能保留了電路板紅外圖像信息，而且減少了灰度級數(shù)。

為了分析不同環(huán)境溫度下芯片發(fā)熱區(qū)域，輻射區(qū)域，背景區(qū)域溫度所受影響，拍攝不同環(huán)境溫度下芯片的紅外圖像，在三個區(qū)域內(nèi)各取一點進行比較研究，比較結(jié)果如表1所示。

圖2 芯片紅外圖像

從表1中可以看出:在不同的環(huán)境溫度下，芯片核心發(fā)熱區(qū)溫度數(shù)值基本不變，芯片輻射區(qū)域改變稍大，背景區(qū)域改變最大。因此，將芯片發(fā)熱區(qū)域作為ROI進行灰度壓縮，可以降低灰度級，顯著減少配準時間，特別是當兩幅待配準紅外圖像環(huán)境溫度差異較大時對灰度分布影響很小，保證了配準精度。

表1 不同環(huán)境溫度下三個區(qū)域所受影響

3.2 ROI提取以及ROI灰度壓縮

由于電路板紅外圖像溫度梯度分布十分均勻，因此利用閾值分割能夠?qū)⑿酒l(fā)熱區(qū)域進行提取，但由于不同芯片發(fā)熱區(qū)域溫度不相同，因此分割閾值必須根據(jù)發(fā)熱區(qū)域溫度不斷變化，Otsu算法是一種自適應溫度分割方法，能夠自適應確定分割閾值，實驗結(jié)果證明Otsu算法能夠準確提取芯片發(fā)熱區(qū)域。

接下來對ROI進行灰度壓縮，以壓縮成256灰度級為例，步驟如下:

(1)掃描ROI，求得ROI最高點與最低點，定義為 maxtemp與 mintemp。

(2)對ROI每一像素點進行灰度壓縮運算，ROI中像素點溫度值為 temp(x，y)，其中x，y為像素點在紅外圖像中的坐標值，灰度壓縮運算公式如下:

3.將紅外圖像非ROI像素點像素值置零，完成灰度壓縮運算。

3.3 灰度壓縮效果分析

將芯片在20°和25°環(huán)境溫度下分別作64級灰度壓縮，觀察灰度直方圖，如圖3～6所示。

圖3 線性灰度壓縮直方圖

圖4 分段線性壓縮直方圖

圖5 基于統(tǒng)計直方圖的灰度

圖6 基于ROI的灰度壓縮直方壓縮直方圖

從以上灰度直方圖可以看出，基于ROI的灰度壓縮在環(huán)境溫度變化時灰度分布基本沒有變化，而線性灰度壓縮，分段線性灰度壓縮和基于統(tǒng)計灰度壓縮的壓縮方法都是針對紅外圖像全局進行灰度壓縮，對于受環(huán)境影響大的輻射區(qū)域和背景區(qū)域也進行相同尺度的灰度壓縮，因此壓縮結(jié)果受環(huán)境影響較大。

再分析本文灰度壓縮算法和其他灰度壓縮算法在不同環(huán)境溫度下互信息量變化情況，計算芯片紅外圖像在18℃，20℃，22℃，25℃環(huán)境溫度下的互信息量，以25℃環(huán)境溫度下芯片紅外圖像作為基準圖像，分別計算18℃，20℃，22℃環(huán)境溫度下芯片紅外圖像與基準圖像的歸一化互信息量。計算結(jié)果如表2所示。

表2 不同環(huán)境溫度下灰度壓縮后歸一化互信息量比

從表2可以看出，在不同環(huán)境溫度下，基于ROI的灰度壓縮算法歸一化互信息量最高，對環(huán)境溫度最不敏感，在環(huán)境溫度變化時，不同環(huán)境溫度下紅外圖像由基于ROI的灰度壓縮算法壓縮后灰度分布基本一致，因此計算出的互信息量也基本保持不變。

4 多目標ROI提取方法

4.1 圖像預處理

紅外圖像噪聲比較大，對后續(xù)區(qū)域增長算法造成干擾，因此必須對紅外圖像進行去噪處理。紅外圖像噪聲大多屬于椒鹽噪聲，中值去噪算法［7］對于去除椒鹽噪聲有很好的效果，且算法比較成熟，在此不過多敘述。

4.2 多目標ROI提取

電路板紅外圖像中有多個發(fā)熱區(qū)域，不同發(fā)熱區(qū)域溫度不盡相同，單個芯片發(fā)熱區(qū)域溫度相差不大，在外圍輻射區(qū)域中，隨著與芯片發(fā)熱區(qū)域距離不斷擴大，溫度逐漸減小，因此，利用區(qū)域增長算法可以很容易的將芯片發(fā)熱區(qū)域和芯片輻射區(qū)域進行提取，再利用Otsu算法可提取核心發(fā)熱區(qū)域，算法流程如下:

步驟一:掃描全圖I，找到溫度最高的點作為初始種子點，記為P1:(x1，y1);

步驟二:確定種子生長規(guī)則:

(1)設定閾值 H_dist，若 I(x1，y1)－ I(x，y)＜ H_dist，則生長，反之，則停止生長。

(2)若 I(x，y)＜ I(x1，y1)，則生長，反之不生長。

(3)定義環(huán)境溫度為E_temp，設定閾值L_dist，若 I(x1，y1)＞E_temp－L_dist，則生長，反之不生長。其中H_dist和L_dist都隨著紅外圖像種子點自適應變化。

按照種子生長規(guī)則進行區(qū)域增長，增長范圍為種子點周圍3×3領域的像素，選擇符合種子生長規(guī)則的新像素點作為新的種子點。

步驟三:按照步驟二重復進行區(qū)域增長，直到?jīng)]有新的種子點為止，將生長的區(qū)域記為M1，M1中包含了一塊芯片的發(fā)熱區(qū)域和輻射區(qū)域。在圖像I中將M1區(qū)域像素置零，得到新的紅外圖像I1。重復步驟一和步驟二，得到新的生長區(qū)域M2。

步驟四:重復步驟三，設定閾值D_temp，當掃描全圖得到的溫度最高點I(x，y)－D_temp≤E_temp時，認定完成所有芯片發(fā)熱區(qū)域和輻射區(qū)域提取，記為M1～Mn。

步驟五:利用Otsu算法對區(qū)域M1～Mn進行閾值分割，得出每塊芯片的核心發(fā)熱區(qū)域，記為S1～Sn，即為圖像 ROI。

電路板紅外圖像如圖7所示。運用本文算法進行ROI提取，提取結(jié)果如圖8所示。

圖7 電路板紅外圖像

圖8 提取結(jié)果

5 實驗結(jié)果分析

為分析基于ROI的灰度壓縮算法對于配準精度和配準速度的影響，對不同環(huán)境溫度下電路板紅外圖像進行配準，實驗所用PC機配置如下:CPU為Core2－i5 2410M，內(nèi)存8G;軟件環(huán)境為Mat-lab2009R，將線性灰度壓縮，分段線性灰度壓縮，基于統(tǒng)計直方圖的灰度壓縮的電路板紅外圖像配準結(jié)果作為對比。浮動圖像為20℃環(huán)境溫度下的電路板紅外圖像，參考圖像為25℃環(huán)境溫度下同一電路板的紅外圖像，配準結(jié)果如表3～6所示。

表3 基于ROI的灰度壓縮紅外圖像配準結(jié)

表4 基于線性灰度壓縮紅外圖像配準結(jié)果

表5 基于分段線性灰度壓縮紅外圖像配準結(jié)果

表6 基于統(tǒng)計灰度直方圖的灰度壓縮紅外圖像配準結(jié)果

從理論上分析，根據(jù)文獻［1］互信息量計算方法，灰度級越小，計算速度越快，但相應的圖像信息丟失越多，配準精度越低，本文算法主要針對ROI進行灰度壓縮，而其余三種灰度壓縮算法針對全圖進行灰度壓縮，根據(jù)前文論證，在相同灰度級下，由于ROI所占圖像信息量最大，因此基于ROI的灰度壓縮能夠保留更多圖像信息，配準精度更高。

從配準結(jié)果可知，在灰度壓縮至64灰度級時，基于ROI的灰度壓縮算法相比其他灰度壓縮算法擁有更高的配準精度，在壓縮至32灰度級時，這三種算法得出了完全錯誤的結(jié)論，而基于ROI的灰度壓縮算法由于是將對環(huán)境溫度不敏感的芯片發(fā)熱區(qū)域進行灰度壓縮，在環(huán)境溫度改變時ROI內(nèi)灰度分布基本不變，故在256灰度級，64灰度級，32灰度級時基于ROI的灰度壓縮算法配準結(jié)果基本一致。而其余壓縮算法將芯片發(fā)熱區(qū)域、輻射區(qū)域、背景區(qū)域進行全局灰度壓縮，而輻射區(qū)域和背景區(qū)域?qū)Νh(huán)境溫度比較敏感，因此造成灰度壓縮后的基準圖像和浮動圖像灰度差異較大，配準結(jié)果誤差較大，配準結(jié)果與理論預期基本一致。

5 結(jié)論

本文基于ROI的灰度壓縮算法對電路板紅外圖像進行配準，在深入研究電路板紅外圖像區(qū)域性分布特點上，將芯片發(fā)熱區(qū)域提取為ROI，對ROI區(qū)域進行灰度壓縮，將壓縮后的圖像進行配準。

該算法在選取ROI時選取了受環(huán)境影響極小的芯片發(fā)熱區(qū)域，在環(huán)境溫度發(fā)生變化時很好的保留了圖像中的不變量，不同環(huán)境溫度下灰度壓縮結(jié)果基本一致，實驗結(jié)果表明，在64灰度級和32灰度級時，配準時間明顯小于256灰度級時的配準時間，配準精度基本不受影響，而其他三種灰度壓縮算法配準精度都不如本文算法的配準精度。

［1］ Cui Wei，Liu Shengxia，Xu Qian，et al.Novel infrared －visual image registration based on combined mutual and gradient information［J］.Laser ＆ Infrared，2011，41(2):224 －227.(in Chinese)崔偉，劉圣霞，徐騫，等.基于互信息和梯度的紅外與可見光圖像配準新方法［J］.激光與紅外，2011，41(2):224－227.

［2］ Tang Binbing，Chen Tuanqiang，Wang Zhengming.Novel image registration method based on wavelet transform［J］.Journal of Computer Applications，2007，27(9):2103 －2105.(in Chinese)唐斌兵，陳團強，王正明.基于小波變換的圖像配準方法［J］.計算機應用，2007，27(9):2103 －2105.

［3］ Zhou Zhiyong，Zhang Tao.Grayscale compression based on image gradient in medical image registration［J］.Computer Engineering，2011，37(7):237 － 240.(in Chi-nese)周志勇，張濤.醫(yī)學圖像配準中基于圖像梯度的灰度壓縮［J］.計算機工程，2011，37(7):237 －240.

［4］ Chen Zheng，Shi Yongpeng，Ji Shupeng.Improved image threshold segmentation algorithm based on OTSU method［J］.Laser ＆ Infrared，2012，42(5):584 －588.(in Chinese)陳崢，石勇鵬，吉書鵬.一種改進的 Otsu圖像閾值分割算法［J］.激光與紅外，2012，42(5):584 －588.

［5］ Gong Changlai，Yang Dongtao.Improved image zooming algorithm based on bilinear interpolation［J］.Laser ＆ Infrared，2009，39(8):899 －901.(in Chinese)龔昌來，楊冬濤.一種改進的雙線性插值圖像放大算法［J］.激光與紅外，2009，39(8):899 －901.

［6］ Cui Wei.Research on key technologies for printed circuit board detection by infrared thermorgraphy［D］.Nanjing:Nanjing University of Aeronautics and Astronautics，2011.(in Chinese)崔偉.電路板故障紅外熱像檢測關鍵技術研究［D］.南京:南京航空航天大學，2011.

［7］ Zhao Qinpei.The research of infrared image preprocessing and small target detection under complex background［D］.Shanghai:Shanghai Jiaotong University，2007.(in Chinese)趙欽佩.復雜背景條件下的紅外圖像預處理、檢測方法研究［D］.上海:上海交通大學，2007.