李 彥，趙其峰，閆 河*，李曉玲，謝 敏

(1.重慶理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，重慶 401320；2. 重慶理工大學(xué) 兩江人工智能學(xué)院，重慶 401147)

1 引 言

PCBA元器件邊緣檢測是自動化生產(chǎn)線智能機(jī)器人視覺引導(dǎo)的關(guān)鍵技術(shù)，傳統(tǒng)canny算子[1]具有較好抗噪與邊緣定位能力而廣泛應(yīng)用于PCBA元器件的邊緣檢測。但由于智能手機(jī)PCBA元器件規(guī)格尺寸細(xì)小、集成密集，且鏡頭、插槽、芯片、電阻等各元器件光反射特性不同，采集的圖像光照非常不均勻，在實(shí)際應(yīng)用中，傳統(tǒng)canny算子檢測的元器件邊緣存在明顯的偽輪廓和邊緣粘連情況[2]，元器件邊緣檢測的精度不高，難以滿足后續(xù)的對元器件定位、測量及裝配等高精度視覺引導(dǎo)技術(shù)的需求。文獻(xiàn)[3-4]指出，傳統(tǒng)canny算子采用高斯濾波來消除噪聲，雖提高了圖像的信噪比，但目標(biāo)邊緣過平滑現(xiàn)象突出、邊緣細(xì)節(jié)信息丟失嚴(yán)重，導(dǎo)致最終檢測的邊緣存在明顯的偽輪廓和邊緣粘連現(xiàn)象；文獻(xiàn)[5]指出，傳統(tǒng)canny算子最后一步的雙閾值檢測易導(dǎo)致目標(biāo)的邊緣斷裂，產(chǎn)生過多的偽邊緣，進(jìn)一步加劇了邊緣檢測的表現(xiàn)力降低。

針對以上傳統(tǒng)canny算子存在的問題，曾出現(xiàn)了許多改進(jìn)算法。文獻(xiàn)[6]提出使用區(qū)域圖引導(dǎo)的雙邊濾波替代高斯濾波，根據(jù)圖像區(qū)域內(nèi)噪聲屬性和區(qū)域之間的相似度動態(tài)調(diào)整濾波系數(shù)，在實(shí)現(xiàn)濾波的同時(shí)可以有效地保持圖像的結(jié)構(gòu)信息。該方法在邊緣保持方面具有較好的效果，但算法過程復(fù)雜，耗時(shí)較為嚴(yán)重[7]，且降噪效果不理想。文獻(xiàn)[8]提出一種梯度幅值直方圖和類間方差最大法的自動閾值選取方法，通過將非極大值抑制后的像素點(diǎn)進(jìn)行分割得到三類像素點(diǎn)，對每類像素點(diǎn)通過類間方差最大化求取最大值，即為三類像素點(diǎn)的分界點(diǎn)，該方法較好界定了區(qū)分非邊緣像素與邊緣像素的分割閾值，但在計(jì)算梯度等級時(shí)需要根據(jù)經(jīng)驗(yàn)得出，方法的適應(yīng)性較差[9]。

為避免降噪引入圖像模糊的問題，借助引導(dǎo)濾波梯度保持特性，本文提出改進(jìn)的具有“動態(tài)”懲罰項(xiàng)的引導(dǎo)濾波算法(Dynamic Penalty Guided Filtering，DPGF)，相對于文獻(xiàn)[6]中提到的方法，引導(dǎo)濾波算法本身具有更快的處理速度[10]和較好的邊緣保持效果，使用局部動態(tài)懲罰項(xiàng)可以有效避免圖像的過度平滑或欠平滑問題，相比于區(qū)域引導(dǎo)方法，本文具有更精確和靈活的處理范圍；無論是雙閾值分割還是文獻(xiàn)[8]中提到的最優(yōu)分割算法，其根本思想均是全局分割，為了將分割區(qū)域精細(xì)到單像素級別，本文使用局部自適應(yīng)閾值(LATS)替代全局閾值，利用滑動窗口機(jī)制計(jì)算局部自適應(yīng)閾值，實(shí)邊緣像素與非邊緣像素的正確分割。從而期望本文的改進(jìn)算法，能有效保留邊緣完整度且能較好抑制偽邊緣的產(chǎn)生，同時(shí)，在應(yīng)用于PCBA元器件邊緣檢測時(shí)，能有效減低元器件周密區(qū)域邊緣缺失和粘連現(xiàn)象的出現(xiàn)，從而能實(shí)現(xiàn)元器件輪廓邊緣的精確提取，為后續(xù)元器件的高精度尺寸測量、高精度定位提供準(zhǔn)確的輪廓邊緣信息。

2 Canny算法改進(jìn)

2.1 具有“動態(tài)懲罰因子”的引導(dǎo)濾波算法

假設(shè)待濾波圖像為I，引導(dǎo)圖像為P，輸出圖像為Q。根據(jù)文獻(xiàn)[10]中給出的算法公式可以得到式(1)所示的線性模型表達(dá)式：

(1)

其中：i，k為像素索引值，μk與σ2分別為鄰域塊的均值和方差，|w|為鄰域塊中像素個(gè)數(shù)，ε為懲罰項(xiàng)。由(1)式分析可知，每個(gè)窗口會被持有相同懲罰項(xiàng)的濾波算子多次覆蓋，文獻(xiàn)[10]以計(jì)算均值的方式得到每個(gè)窗口最終的處理結(jié)果。該方法在一定程度上解決了部分區(qū)域平滑不足的缺陷，但由于每個(gè)窗口中存在的邊緣點(diǎn)數(shù)目不同，而處理過程使用相同的懲罰項(xiàng)，對于邊緣稀疏區(qū)域存在過度平滑的問題。

針對引導(dǎo)濾波算法使用全局懲罰項(xiàng)帶來的上述問題，本文利用窗口內(nèi)邊緣點(diǎn)的數(shù)目作為判定依據(jù)，引入新的閾值懲罰項(xiàng)β，權(quán)衡邊緣稀疏和邊緣豐富區(qū)域的濾波效果。改進(jìn)后的算法為：

Qi=βQi(β∈(0，1])，

(2)

(3)

β=s/|w|，

(4)

其中：T表示類間方差最優(yōu)閾值，用來表示像素塊中邊緣點(diǎn)的豐富程度，s表示窗口內(nèi)超過變化閾值的像素個(gè)數(shù)，β為像素塊內(nèi)閾值變化比，即“動態(tài)”懲罰因子。通過算法改進(jìn)，在像素塊中邊緣像素點(diǎn)較多時(shí)會獲得較大的懲罰因子，反之，懲罰項(xiàng)隨之減小，解決了全局懲罰因子造成局部濾波不均的問題。

本文使用基于誤差敏感的峰值信噪比(Peak Signal to Noise Radio，PSNR)和基于亮度(均值)、對比度(方差)、結(jié)構(gòu)三個(gè)層次評價(jià)圖像失真效果的結(jié)構(gòu)相似度(Structural Similartiy，SSIM)[11-12]兩指標(biāo)衡量改進(jìn)后算法的執(zhí)行效果。如表1，通過使用局部動態(tài)懲罰因子改進(jìn)后的算法，濾波效果較文獻(xiàn)[6]，文獻(xiàn)[7]和文獻(xiàn)[13]有較大提升，說明圖像中噪聲得到很好的抑制，具體體現(xiàn)在本文PSNR有較好的數(shù)值表現(xiàn)。為了避免單一指標(biāo)存在誤差，文本對濾波前后的兩幅圖像進(jìn)行結(jié)構(gòu)相似度度量，由表1可知，本文算法結(jié)構(gòu)相似性達(dá)到0.998 7，該數(shù)據(jù)[13]說明濾波后的圖像細(xì)節(jié)得到最大程度的保留。

由于篇幅有限，本節(jié)只對手機(jī)PCBA電路板圖像灰度等級直方圖進(jìn)行分析，如圖1所示，圖1(b)為傳統(tǒng)canny算子高斯濾波處理的結(jié)果，區(qū)域1部分峰值較高且位于中間部分，表明圖像整體對比度偏低，圖像區(qū)域1和2兩部分較圖1(a)部分差值較大，表明算法對圖像具有增強(qiáng)作用，但整體缺乏穩(wěn)定性，破壞了圖像中的原本的梯度結(jié)構(gòu)信息，這與引言部分分析一致，也是目前信噪比雖然可能被提升，但圖像質(zhì)量卻下降的主要原因。圖1(c)區(qū)域1波峰部分較圖1(a)和1(b)兩圖增強(qiáng)明顯，區(qū)域2部分較圖1(a)增強(qiáng)穩(wěn)定，主要原因是PCBA電子元件密集且主要為黑色，圖像亮度差異較小，雙邊濾波固有的特性是在灰度差異較小的部分使用高斯濾波進(jìn)行處理，所以其灰度特征與圖1(b)相似，但增強(qiáng)幅度不同。圖1(d)區(qū)域1和2兩部分，較圖1(b)中，差值較小，但較圖1(a)梯度特征差異較大，區(qū)域2部分出現(xiàn)大量高頻噪點(diǎn)，與文中使用的快速雙邊濾波的特性有關(guān)。圖1(e)同樣使用高斯濾波，但與圖1(b)～1(d)不同的是，圖1(e)算法通過建立高斯尺度空間進(jìn)行采樣，2區(qū)域中增強(qiáng)穩(wěn)定，但1區(qū)域增強(qiáng)過大，加劇了圖像的對比度差值，偏離了原圖像梯度特征。圖1(f)中由于將雙邊濾波和引導(dǎo)濾波進(jìn)行結(jié)合，整體梯度特性得到保持，但由于引導(dǎo)濾波中全局懲罰項(xiàng)的缺點(diǎn)，導(dǎo)致梯度增強(qiáng)不明顯，部分區(qū)域有過平滑現(xiàn)象，具體表現(xiàn)為區(qū)域2部分較圖1(a)更加平緩。圖1(g)為本文使用“動態(tài)”懲罰引導(dǎo)濾波算法處理得到的結(jié)果，較圖1(a)中梯度得到增強(qiáng)，且整體增強(qiáng)穩(wěn)定，沒有出現(xiàn)大范圍的梯度劇變問題，在梯度保持的情況下增強(qiáng)了邊緣與背景的差異度，有利于實(shí)現(xiàn)兩者的分離。

表1 改進(jìn)算法結(jié)果比較

通過對PCBA圖像梯度直方圖分析可以發(fā)現(xiàn)，文獻(xiàn)[13]算法在處理邊緣稠密，灰度差異較小的圖像時(shí)具有良好的降噪和梯度保持效果，而文獻(xiàn)[6]與文獻(xiàn)[7]和[9]正好相反。本節(jié)提出的具有“局部動態(tài)懲罰因子”的引導(dǎo)濾波算法在降噪的同時(shí)因?yàn)槭褂锰荻纫龑?dǎo)圖像，同時(shí)具有良好的梯度保持效果，在保邊去噪方面表現(xiàn)良好。

(a)原圖像(a)Original image

(b)高斯濾波圖像(b)Gaussian filtered image

(c)文獻(xiàn)[6](c)Literature [6]

(d)文獻(xiàn)[7](d)Literature [7]

(e)文獻(xiàn)[9](e)Literature [9]

(f)文獻(xiàn)[13](f)Literature [13]

(g)DPGF算法(g)DPGF algorithm圖1 PCBA灰度直方圖Fig.1 PCBA grayscale histogram

2.2 局部自適應(yīng)閾值分割算法

手機(jī)PCBA電路板元件稠密，規(guī)格較小，各元件對光源反射程度不同，導(dǎo)致工業(yè)相機(jī)采集圖像存在明暗的細(xì)微差別。傳統(tǒng)canny算子通過人工設(shè)置全局閾值完成像素點(diǎn)的分割，對邊緣豐富，目標(biāo)較小的區(qū)域邊緣檢測效果較差，邊緣粘合情況嚴(yán)重。為了盡可能保留光源反射較差區(qū)域的邊緣細(xì)節(jié)，本文受文獻(xiàn)[9]中梯度幅值直方圖和類間方差最大法啟發(fā)，使用改進(jìn)的局部自適應(yīng)類間差分法提高局部閾值分割的有效性，避免因元件光學(xué)特性造成局部較暗而設(shè)定閾值較高出現(xiàn)大量邊緣丟失和粘合的情況。

設(shè)像素塊中像素的灰度范圍為[T1，T2]，每個(gè)灰度g對應(yīng)的像素點(diǎn)個(gè)數(shù)為Ng，像素塊大小為，則每個(gè)灰度級占比像素的塊的概率可以由式(5)得出：

Pg=Ng/N，∑Pi=1(i∈[T1，T2]).

(5)

此時(shí)，對像素塊中背景灰度級gb(b∈[T1，T])和目標(biāo)灰度級go(o∈[T+1，T2])求取期望值E，如式(6)所示：

E=∑gPb(b∈[T1，T2])，
Eb=∑gbPb(b∈[T1，T])，
Eo=∑goPo(o∈[T+1，T2]).

(6)

為了得到最優(yōu)的局部分割閾值，可以使用線性回歸思想，求取類間方差的極大值，如式(7)所示：

σ2=(Eb-E)2+(Eo-E)2.

(7)

對σ2求得最大值記為本像素塊的局部最優(yōu)閾值，為了保證良好的分離特性，設(shè)像素塊求得最大閾值為Th，容差為Tc則分離判定條件如式(8)所示：

Pi=Pi*θ(PiPi=Pi(Pi

(8)

其中：Tc為常數(shù)值，需人為設(shè)定值，本文選取7得到最佳閾值分割效果。θ為像素值衰減比例，范圍介于0～1之間，圖片不同，取值不同。P為像素塊中8鄰域像素總和。

以手機(jī)PCBA電路板局部放大圖像為例，圖像未經(jīng)任何濾波操作。本節(jié)僅選取2.1節(jié)中數(shù)據(jù)表現(xiàn)較好的文獻(xiàn)[13]以及針對閾值分割進(jìn)行改進(jìn)的文獻(xiàn)[9]進(jìn)行實(shí)驗(yàn)對比，對于其它文獻(xiàn)由于在本章節(jié)使用方法不同，在此不做對比。如圖2，圖2(b)區(qū)域1部分，使用閾值分割的效果較好，除部分邊緣噪點(diǎn)外，整體輪廓清晰，區(qū)域2部分，由于元件與背景灰度差值較小，受背景刻線影響，分割效果不明顯，出現(xiàn)大量偽邊緣，表明算法缺乏對背景復(fù)雜情況下灰度差值較小區(qū)域的有效處理。圖2(c)區(qū)域1部分，檢測效果較差，出現(xiàn)區(qū)域粘合，區(qū)域2部分，檢測效果較好，但出現(xiàn)目標(biāo)邊緣缺失現(xiàn)象，對灰度差值較小區(qū)域，分割仍然不敏感，表明算法對背景干擾刻線具有較好的屏蔽效果，但存在邊緣丟失現(xiàn)象，在邊緣密集區(qū)域，分割效果較差。圖(2)d在區(qū)域1部分，對邊緣密集區(qū)域分割較為，明顯，沒有出現(xiàn)邊緣粘合現(xiàn)象，區(qū)域2部分對背景中存在干擾的刻線具有較好的屏蔽效果，整體檢測效果均好于前兩種算法。

(a)原圖(a)Original image

(b)文獻(xiàn)[9](b)Reference [9]

(c)文獻(xiàn)[13](c)Reference [13]

(d)LATS方法(d)LATS algorithm 圖2 局部自適應(yīng)分割圖Fig.2 Local adaptive segmentation map

3 實(shí)驗(yàn)結(jié)果與分析

本文對手機(jī)電路板不同區(qū)域進(jìn)行邊緣檢測，通過觀察對局部光線變化頻繁且邊緣豐富區(qū)域的提取效果來驗(yàn)證算法的有效性。

本文所有實(shí)驗(yàn)改進(jìn)結(jié)果均借助VS2017和Pycharm仿真平臺進(jìn)行計(jì)算驗(yàn)證，實(shí)驗(yàn)圖像借助實(shí)驗(yàn)室內(nèi)模擬手機(jī)工業(yè)生產(chǎn)線搭建的移動平臺進(jìn)行采集。圖3為各種算法對PCBA電路板圖像邊緣檢測效果。圖4為不同窗口大小下，背景的抑制效果。

圖3為多電阻并排區(qū)域放大圖，圖3(a)中，圖像邊緣檢測混亂，出現(xiàn)較多的干擾點(diǎn)，未能將電阻邊緣進(jìn)行獨(dú)立的分割，出現(xiàn)邊緣粘合問題，與引言部分分析一致，表明算法在降噪過程中不徹底。圖3(b)出現(xiàn)大量邊緣斷裂情況，整體的分割較差，該算法僅在執(zhí)行速度上進(jìn)行了優(yōu)化，算法本身仍然保留了雙邊濾波算法的缺點(diǎn)，與本文前面分析結(jié)果相符。圖3(c)算法，對背景估計(jì)，利用高斯金字塔實(shí)現(xiàn)復(fù)雜背景的消除，該算法對圖像光照不均(主要由元件反光導(dǎo)致)，背景復(fù)雜，且差異較小的圖像處理效果不理想，圖中雖然對各個(gè)元件之間進(jìn)行了分割，較圖3(a)、3(b)效果較好，但仍然因?yàn)楸尘暗母蓴_出現(xiàn)邊緣粘連現(xiàn)象。圖3(d)算法，雖然在整體數(shù)據(jù)表現(xiàn)上較好，但在邊緣密集，背景復(fù)雜區(qū)域的分割效果較差，但整體的輪廓位置較為清晰。圖3(e)為本文算法的處理結(jié)果，雖然元件內(nèi)部檢測不完整，但元件的邊緣檢測效果較好，在圖中除一條邊緣發(fā)生粘連情況外，其他元件邊緣獨(dú)立，表明算法對邊緣密集、背景復(fù)雜、光照不均情況下，PCBA元件邊緣檢測具有較好的實(shí)驗(yàn)效果。

圖4為本文算法選用不同大小窗口對背景進(jìn)行處理的效果，從圖4(a)～4(c)不斷增大窗口過程中，背景顏色逐漸變?yōu)槿?，干擾點(diǎn)的數(shù)量急劇減少，到圖4(d)時(shí)除元件本身外，背景顏色變?yōu)槿谏?，干擾點(diǎn)的數(shù)量降到最低。在圖4(d)～4(f)窗口不算增大過程中，背景刻線以及白色干擾點(diǎn)開始逐漸增多，處理效果變差，因此本文在處理背景干擾的問題時(shí)，滑動窗口選擇為19所得到的效果最佳。

為更加直觀測試算法的執(zhí)行效果，利用文獻(xiàn)[14]中提出的一種邊緣檢測量化方法，m表示邊緣點(diǎn)的數(shù)量，n表示滿足3×3 pixel塊中單連通條件的像素?cái)?shù)，n與m的比值表示邊緣連接的完整度，比值越小表示邊緣連接的完整性越高。本文算法與文獻(xiàn)[6-7]，文獻(xiàn)[9，13]以及傳統(tǒng)算法進(jìn)行比較，結(jié)果如表2所示，其中文獻(xiàn)[6，9]算法的邊緣完整度近似，表現(xiàn)效果與本文前面分析一致，傳統(tǒng)方法表現(xiàn)最差，得到的邊緣效果遠(yuǎn)遠(yuǎn)低于各文獻(xiàn)改進(jìn)后的算法，文獻(xiàn)[7，13]整體表現(xiàn)較差，其主要原因與選取的檢測部位有關(guān)，對邊緣密集區(qū)域的邊緣檢測能力較弱。

(a)文獻(xiàn)[6](a)Literature [6]

(b)文獻(xiàn)[7](a)Literature [7]

(c)文獻(xiàn)[9](c)Literature [9]

(d)文獻(xiàn)[13](d)Literature [13]

(e)本文算法

(a)7×7窗口(a)7×7 window

(b)11×11窗口(b)11×11 window

(c)17×17窗口(c)17×17 window

(d)19×19窗口(d)19×19 window

(e)25×25窗口(e)25×25 window

(f)80×80窗口(f)80×80 window圖4 不同窗口大小對背景的屏蔽效果Fig.4 Shielding effect of different window sizes on the background

本文算法較其他算法得到的完整度最高，較其他文獻(xiàn)中表現(xiàn)最好的文獻(xiàn)[9]邊緣檢測完整度提高了23%，表明本文算法對手機(jī)PCBA板元器件邊緣檢測有較好的處理效果。

表2 邊緣完整度評價(jià)

4 結(jié) 論

邊緣檢測在機(jī)器視覺領(lǐng)域一直占據(jù)重要地位，本文對傳統(tǒng)canny算法內(nèi)容進(jìn)行改進(jìn)，對保變?nèi)ピ肽芰^好的引導(dǎo)濾波加入“動態(tài)”懲罰因子替代高斯濾波，同時(shí)使用局部自適應(yīng)閾值完成像素點(diǎn)的分割。實(shí)驗(yàn)結(jié)果表明，圖像除噪后峰值信噪比較之前提高了0.5～0.6，結(jié)構(gòu)相似性達(dá)到0.99，算法邊緣保持效果大大提高；手機(jī)PCBA電路板元件稠密區(qū)域分割明顯，表明本文算法對解決光源充足情況下，環(huán)形光源與環(huán)形漫反射光源均無法克服元件反光差異而導(dǎo)致圖像中灰度變化，目標(biāo)區(qū)域與背景差值較小而產(chǎn)生的邊緣粘合問題具有良好的實(shí)驗(yàn)效果。由于本文算法整體耗時(shí)比傳統(tǒng)canny算法和文獻(xiàn)中提到的部分算法較高，需要進(jìn)一步優(yōu)化算法的執(zhí)行效率，這也是以后需要改進(jìn)的方向。