（计算机应用技术专业论文）基于机器视觉的磁瓦表面缺陷检测系统的研究.pdf

五邑大学硕士学位论文 摘要 电动机是所有自动设备的动力之源，磁瓦是电动机中的一个主要组成部件，其 性能关系到电动系统的可靠性、稳定性和安全性。对于功能面的缺陷，必须在检测 时予以剔除，以免装入电动机后产生突发性的损坏，造成无法预料的后果。传统的 检测方法主要采用人工目视检测，由于磁瓦功能面自身的特点，使得检测的劳动强 度大、误检率高，极大地限制了生产效率和产品质量的提高。为此，本课题结合机 器视觉检测技术，开发了磁瓦表面缺陷检测系统。 本文的主要工作： 1 ) 通过现场调研，总结出磁瓦表面缺陷的种类和等级。 2 ) 综合利用图像处理和识别的各种技术，提出实现表面缺陷自动检测的算法。对 采集到的图像运用直方图均衡化达到图像增强的目的，将均值滤波与中值滤波 方法相结合有效消除了噪声并保护了边缘。根据灰度直方图选取阈值进行图像 分割，基于一阶边缘检测算子进行边缘检测，区域标记并提取图像的特征参数， 最后根据计算的缺陷面积判断产品是否合格。 3 ) 应用数学形态学理论对图像进行处理，从整幅图像中把待检测的缺陷区域提取 出来；根据图像的特点，选择相应的形态结构，使之更好的适应本系统的缺陷 检测。 4 ) 使用v i s u a lc + + 开发平台设计实现了磁瓦表面缺陷自动检测软件。 本文的创新点： 1 ) 根据表面缺陷的形态和其影响性能的强弱，尝试提出了四种类型和三种等级的 缺陷分类分级标准。 2 ) 应用均值滤波和中值滤波相结合的滤波方法，根据c c d ( c h a r g e c o u p l e dd e v i c e ) 采 集到的图像实际特征，调整滤波器的系数，使之更加适合本课题采集的图像。 3 ) 将数学形态学理论引入到表面缺陷检测系统中，根据不同的缺陷类别确定合适 的形态结构，建立缺陷识别模型。 基于机器视觉的缺陷检测技术具有非接触、自动化的特点，通过实验显示，本 表面缺陷检测系统能够得到比较精确的检测结果，达到了预期的要求。 关键词：机器视觉；磁瓦；缺陷检测；数学形态学；图像处理 五邑大学硕士学位论文 a b s tr a c t a r cs e g m e n t sc e r a m i cm a g n e t ( a s c m ) ，o n eo ft h ec o m p o n e n t so fm o t o rt h a ti sp o w e rs o u r c eo f a l la u t o m a t i cd e v i c e s ，i sc l o s e l yc o n c e r n e dw i t hr e l i a b i l i t y , s t a b i l i t ya n ds e c u r i t yo fa u t o m a t i cs y s t e m t h ea r cs e g m e n t sc e r a m i cm a g n e tw i t hd e f e c t so nt h ew o r k i n gf a c em u s tb ef o u n da n de l i m i n a t e d b e f o r et h e ya r e i n s t a l l e di n t om o t o rt ok e e pf r o ms u d d e na c c i d e n t s t r a d i t i o n a ld e t e c t i o nm e t h o d s a d o p t i n gm o s t l ym a n u a le y e b a l l i n gg i v er i s et oi m m e n s el a b o u ri n t e n s i t ya n dh i 曲r a t i oo fw r o n g d e t e c t i o nf o rt h ec h a r a c t e r i s t i co fa s c m sw o r k i n gf a c e ，w h i c hl i m i ti m p r o v e m e n to fp r o d u c t i v i t y a n dq u a l i t y t h ed i s s e r t a t i o ni n t r o d u c e sa na u t o m a t i cd e t e c t i o ns y s t e mo fd e f e c to nt h ew o r k i n gf a c e o f a s c mw i t hm a c h i n ev i s i o nt e n o l o g y t h ew o r kc a nb ei n c l u d e da sf o l l o w s ： 1 ) d e f e c tc l a s s e sa n dg r a d e so fa r cs e g m e n t sc e r a m i cm a g n e ta r ed e f i n e db yi n v e s t i g a t i n gf r o m m a n u f a c t e r 2 ) s o m ek i n d so fi m a g e p r o c e s s i n g a n d r e c o g n i t i o n t e c h n o l o g i e s a r eu t i l i z e d t o a c q u i r e c h a r a c t e r i s t i cp a r a m e t e r so fd e f e c t s ，s u c ha sh i s t o g r a me q u i l i b r i u m ，i m p r o v e df i l t e rt e c h n o l o g y c o m b i n i n gm e a nf i l t e ra n dm e d i a nf i l t e r , a u t o m a t i ct h r e s h o l ds e l e c t i o nu s i n gg r a yh i s t o g r a m ， e d g ed e t e c t i n go fw o r k i n gf a c eu s i n gu n i q u ee d g ed e t e c t i n go p e r a t o r s ，r e g i o n a ll a b e l i n g ，a r e a c o m p u t i n g ，a n dj u d g ed e t e c tp r o d u c t 3 ) t h ed e f e c t sa r e ao fw h o l ei m a g ei se x t r a c t e db ym a t h e m a t i c a lm o r p h o l o g yi m a g ep r o c e s s i n g t e n o l o g y ；t h e s em o r p h o l o g ys t r u c t u r ew h i c ha r ec h o o s e db yt h ec h a r a c t e r i s t i co fi m a g ea r eg o o d f i tf o rt h ed e f e c t sd e t e c t i n gs y s t e m 4 ) t h es o f t w a r es y s t e mo fa u t o m a t i cd e t e c t i o no fw o r k i n gf a c ed e f e c ti si m p l e m e n t e di nv i s u a l c - t - ke n v i r o n m e n t t h em a j o ri n n o v a t i o n sa c h i e v e di nt h ed i s s e r t a t i o na r ea sf o l l o w s ： 1 ) d e f e c tc l a s s e sa n dg r a d e sa r ed e f i n e da c c o r d i n gt os h a p eo fd e f e c ta n di n f l u e n c eo nd e t e c t i n g p e r f o r m a n c e ，r e s p e c t i v e l y t h eq u a n t i t a t i v es t a n d a r do fd e f e c tc l a s s e sa n dg r a d e si sp r e s e n t e d t e n t a t i v e l y 2 ) i m p r o v e df i l t e rt e c h n o l o g yc o m b i n i n gm e a nf i l t e ra n dm e d i a nf i l t e ri su t i l i z e dw i t ht h ef i l t e r c o e f f i c i e n ta d j u s t e dt ot h ec h a r a c t e ro ft h e a c q u i r e di m a g ew i t hc c d ( c h a r g e - c o u p l e d d e v i c e ) 五邑大学硕士学位论文 3 ) m a t h e m a t i c a lm o r p h o l o g yi si n t r o d u c e di n t ot h ed e f e c t sd e t e c t i n gs y s t e m ，p r o p e rm o r p h o l o g y s t r u c t u r ea r ec h o o s e da c c o r d i n gt od i f f e r e n td e f e c t sc l a s s e s m a c h i n ev i s i o nb a s e dd e f e c t sd e t e c t i n gt e c h n o l o g yt a k e so nt h ec h a r a c t e r i s t i co fn o n c o n t a c ta n d a u t o m a t i c t e s t i n gs h o w st h a tt h es y s t e mc a no b t a i na c c u r a t ed e t e c t i o nr e s u l t s ，w h i c ha c h i e v e s p r e v i o u sr e q u i r e m e n t s k e yw o r d s ：m a c h i n ev i s i o n ；a r cs e g m e n t sc e r a m i cm a g n e t ；d i s f i g u r e m e n td e c t e c t i n g ； m a t h e m a t i c a lm o r p h o l o g y ；i m a g ep r o c e s s i n g i i i 本人声明 我声明，本论文及其研究工作由本人在导师指导下独立完成，完成论文所用的 一切资料均已在参考文献中列出一 作者：严俊龙 签字：彦 父惹 ， 2 0 0 8 年4 月1 5 日 五邑大学硕士学位论文 1 1 研究背景及意义 第一章绪论 产品在连续、高速的自动化生产过程中会产生各种各样的质量问题，诸如崩烂、裂 纹和划痕等表面缺陷，这些表面缺陷一方面影响外观质量，在使用中容易引起表面的腐 蚀等问题，另一方面也反映了内部质量问题。这些质量问题一旦出现，导致大量废品， 大大增加了原辅材料的消耗和生产成本。目前，国内主要采用人工对产品质量进行在线 或离线检测，但是，在线检测只能实行人工抽检，效率低而且精度也不高；离线检测无 法实时防止废品连续出现，也不能克服人工疲劳带来的误差。所以，人工检测难以达到 降低消耗、提高产品质量的目的，采用机器视觉的表面缺陷检测成为迫切需要。 磁瓦作为电动机的一个重要部件，在很大程度上决定着其性能和使用寿命，江门市 粉末冶金厂是全国最大的微电机用永磁铁磁瓦生产基地，通过对其进行现场调研得知， 该公司目前现对磁瓦的表面缺陷的检测主要依靠人工目视检测方法。随着市场日益激烈 的竞争，公司的现代化、信息化和自动化程度要求不断提高，目前的检测方法已无法满 足公司的需要，从而迫切需要一种智能化、高效率和高精度的磁瓦检测方法。 近来迅速发展的以图像处理技术为基础的机器视觉技术f j 冶恰可以解决这一问题。 用机器视觉检测方法不仅可以大大提高生产效率和生产的自动化程度，而且机器视觉易 于实现信息集成，满足数字化、自动化生产的要求【2 】【3 1 。然而，视觉信息本身具有数据 量大、运算复杂的特点，一直是这项技术应用于在线检测的最大障碍。近年来随着计算 机处理速度和传输速度不断提高，制约实时性的瓶颈得到了一定的缓解【4 】【5 】进而促进 了机器视觉技术在工业检测和控制领域的实用化。 针对这种现状，我们决定自行研究开发“磁瓦表面缺陷检测系统 ，确保各类缺陷及 时准确检出，从根本上解决人工检测效率低、精度低的问题，同时，还可以降低原材料 消耗、能耗和人力成本，该课题还可以推广到其他需要表面质量检测的行业中，如印刷、 包装等行业，因此具有重要的实际应用价值和现实意义。 五邑大学硕士学位论文 1 2 国内外基于机器视觉表面缺陷检测的研究现状 1 2 1 机器视觉应用现状 机器视觉技术是一项综合技术，其中包括数字图像处理技术、机械工程技术、控制 技术、光源照明技术、光学成像技术、传感器技术、模拟与数字视频技术、计算机软硬 件技术、人机接口技术等。它不会有人眼的疲劳，有着比人眼更高的精度和速度，借助 红外线、紫外线、x 射线、超声波等高新探测技术，机器视觉在探测不可视物体和高危 险场景时，更具有其突出的优点。机器视觉技术现己得到广泛的应用睁b 】： 1 、机器视觉在工业中的应用 许多领域像冶金、化工、建材、安全保卫、工件检测等工业生产过程中，这些工业 对象复杂，过程涉及参数众多，并有显著的非线性、骤变性、离散性、分布性和不确定 性。尤其是在周围环境极其恶劣( 例如高温环境和不确定对象，其形状参数难以用普通 的测量手段进行测量) 的情况下，对这类系统要想建立确定的模型是十分困难的，因此， 用常规控制技术难以实现对象的计算机实时控制。对于这类复杂对象的自动控制，所遇 到的最大困难是检测问题，而大多数场合，可通过机器视觉来实现。 机器视觉系统可用于工业领域的很多方面，如零件检验与尺寸测量、零件的缺陷检 查、零件装配、机器人的引导和零件的识别等。应用图像处理及机器视觉检测技术最多 的部门是电子工业，其次是汽车工业、木材工业、纺织工业、食品加工工业、包装工业 及航空工业等等，已取得的应用成果有：( a ) 产品形状和表面缺陷检查；( b ) 产品非破坏性 检查；( c ) 机器人；( d ) 产品分类等。 2 、机器视觉在医学中的应用 在医学领域，机器视觉用于辅助医生进行医学影像的分析，主要利用数字图像处理 技术、信息融合技术对x 射线透视图、核磁共振图像、c t 图像或其它医学影像数据进 行统计和分析。不同医学影像设备得到的是不同特性的生物组织的图像，例如，x 射线 反映的是骨骼组织，核磁共振影像反映的是有机组织，而医生往往需要考虑骨骼与有机 组织的关系，因而需要利用数字图像处理技术将两种图像适当地叠加起来，以便于医学 分析。 3 、机器视觉在机器人导航及视觉伺服系统的应用 赋予机器人视觉是机器人研究的重点之一，其目的是要通过图像定位和图像理解向 2 五邑大学硕士学位论文 机器人运动控制系统反馈目标或自身的状态与位置信息。 4 、机器视觉在图像监控、安防、交通管理中的应用 传统的交通监控方法，如电磁感应环线圈式车辆检测器，由于它埋在路基下，车辆 通过时对线圈的压力以及路面的维修均会破坏线圈，而且存在不能识别车辆的行驶方 向，不能进行车辆分类等缺点；雷达波检测器只能检测运动车辆，但对车辆缓行和车辆 静止的情况就无法检测出来。基于机器视觉技术开发的交通监控系统，实时工作性强， 适应高速公路、城市道路等各种交通环境的能力强，使交通监控系统更加智能化，能提 供更多的功能。 1 2 2 表面缺陷检测方法 1 、人工目视检测法 人工检测1 1 4 】主要是凭借检测者肉眼观察缺陷，但肉眼检测能力毕竟有限，目标物从 眼前飞驰而过的情况下，眼球无法及时聚焦，从而产生“运动模糊感”。目标物的移动 速度若高于l o o m m i n ，就完全无法看清，从而造成产品表面缺陷的大量误检或漏检。 由此可见，人工目视检测已不适应现代工业发展的需要。 2 、频闪检测法 人的视觉反应方式【捌，类似于照相过程中光的化学反应，化学药品在光的照射下会 被激活从而使成像于底片上的影像模糊不清，纠正的办法就是增大照相机的快门速度， 以缩短光对底片上药品的活化时间，从而得到清晰的图像。显然，人眼摄取图像的速度 是不可能加快的，这就要寻找一个相当于照相机快门的代用品。1 0 - 3 0 1 t s 的脉冲闪光会 引起视网膜的静止反应，起到相当于照相机快门的作用。在此时间内，以6 0 0 m m i n 速 度移动的物体只移动了o 1 m m ，其移动距离对眼睛而言可视为静止，在人的眼睛里留下 的是一系列清晰的图像。熟悉表面缺陷且经过培训的检查人员，在速度高达2 0 0 r e r a i n 的传送带上也能马上把缺陷识别出来。 3 、红外检测法 红外检测法【1 6 】的检测原理是，在产品传送道上设置一个高频感应线圈，当产品通过 时，表面会产生感应电流。由于高频感应的集肤效应，其穿透深度将小于l m m 。在有 缺陷的区域，感应电流从缺陷下方流过，从而增加了电流的行程，导致在单位长度的表 面上消耗更多电能，这将引起产品局部表面的温度上升。缺陷处的局部升温取决于缺陷 3 五邑大学硕士学位论文 的平均深度、线圈工作频率、特定的输入电能、被检产品的电性能和热性能、感应线圈 的宽度和传送带运动速度等因素，因此，如能使其它各种因素在一定范围内保持恒定， 就可通过检测局部升温值来计算缺陷深度。 4 、漏磁检测法 漏磁检测法【1 7 】的检测原理是利用漏磁通密度与缺陷的体积成正比的关系，通过测量 漏磁通密度从而确定缺陷的大小并对缺陷进行粗略分类。在直流磁场作用下，被检测物 体( 如钢板) 磁化并接近饱和状态，此时在缺陷部位有几乎和缺陷体积成比例的磁力线 向外泄漏，通过传感器可以把磁力线检测出来，从而将把物体缺陷大小测定出来。 5 、c c d 检测法 c c d ( c h a r g ec o u p l e dd e v i c e s 即电荷耦合器件) 【1 8 】的检测原理是利用特殊光源( 包括 荧光管、卤素灯等) 以一定方向照射到产品表面上，c c d 摄像机( 分为线阵c c d 和面 阵c c d ) 在产品表面上扫描成像，所得图像信号输入计算机，通过图像预处理、图像 边缘检测、图像二值化等图像处理后，提取图像的特征参数，再进行图像识别，判断出 是否存在缺陷。 实质上，上述表面缺陷检测技术都有各自的特色和适用范围，也存在各自的不足。 与其他检测技术相比，c c d 检测系统具有体积小、重量轻、耐振动冲击、受环境电磁 场影响小、非接触、测量精度高和成本低等特点，使基于c c d 成像的检测方法成为当 前研究工作中的主流。但是，该方法缺乏众多缺陷的产生机理的综合知识和通用的高速、 海量数字信号处理平台和图像处理及模式识别专用算法。随着计算机技术的发展，模式 识别、神经元理论及专家系统等日趋成熟，机器视觉技术将在产品表面缺陷检测中得到 越来越多的运用。 1 2 3 磁瓦表面缺陷检测现状 在国外，机器视觉检测技术的应用普及主要体现在半导体及电子行业的产品检测上。 例如，从半导体的晶片加工、切割到i c 封装、打标等，每一道程序都需要视觉检验： 在p c b 方面? 各类生产和组装设备中单、双及多层板的表面缺陷检验、定位孔对位， 丝印质量检验等；s m t 表面贴装的定位；电子零件的表面质量检验、标记检验等。 在国内，近年来机器视觉检测技术得到了很大的发展，特别是在工业产品检测领域 u 9 】。在产品表面缺陷检测中，刘兴占等1 2 0 就提出了一种采用机器视觉检测技术对模具表 4 五邑大学硕士学位论文 面缺陷进行检测的方法；张晓波等【2 l 】开发了一种针对汽车制动阈表面缺陷的自动检测系 统，该系统针对制动阈所具有的独特缺陷特征选择了相应的图像处理与识别算法；付颜 军等 2 2 1 提出了一种针对钢管内壁这种弧形表面缺陷的检测方法。 近年来虽然机器视觉检测技术在很多领域得到了长足的发展和应用，但是至今没有 一种方法对大多数应用环境普遍适用。往往由于检测的目标多样化，同时加上缺陷特征 复杂化，这就要求针对不同的应用领域我们必须选用不同的处理和识别算法予以处理。 虽然机器视觉技术在产品表面质量检测中的运用取得了很大的进步，但目前国内外 运用机器视觉检测技术对磁瓦表面缺陷进行检测尚属空白。 1 3 课题的研究内容和创新点 在本系统中，由于磁瓦表面缺陷存在种类多、形状各异等特点，导致对检测方法和 处理速度有很高的要求，再加上图像处理与模式识别领域中的许多新算法目前很难应用 到实际工程项目中，故机器视觉技术在这类缺陷检测任务中的应用，仍然是一个难题。 本论文的主要目标就是以己有的图像处理和模式识别理论为基础，通过大量的实验，设 计适合磁瓦表面缺陷检测的算法，结合这些算法和开发的磁瓦表面缺陷检测流程而设计 磁瓦表面缺陷检测系统软件。 1 3 1 课题研究内容 1 ) 对磁瓦检测进行了现场调研，根据目前磁瓦生产厂家对磁瓦质量等级的一般要 求，仔细研究缺陷的形态，定义了四种缺陷类型和三个缺陷等级。 2 ) 综合利用图像处理和识别的各种技术，提出实现表面缺陷自动检测的算法。对 采集到的图像运用直方图均衡化达到图像增强的目的，将均值滤波与中值滤波 方法相结合有效消除了噪声并保护了边缘。根据灰度直方图选取阈值进行图像 分割，运用数学形态学理论使缺陷轮廓凸出，基于一阶边缘检测算子进行边缘 检测，区域标记并提取图像的特征参数，最后根据计算的缺陷面积判断产品是 否合格。 3 ) 根据磁瓦本身具有缺陷灰度变化不明显的特点，设计了适合本系统的图像处理 流程。 4 ) 运用c 抖程序设计语言和基于w i n d o w s 平台的v i s u a lc 十+ 软件开发工具开发了 s 五邑大学硕士学位论文 磁瓦缺陷检测软件。工作界面的菜单项中既给出用于实现全自动检测的一个按 键，又给出检测过程的每个步骤的按键，可以观察中间值。 5 ) 开发了主要图像处理和识别算法函数库，为本系统今后进一步的开发、扩展和 完善奠定了良好的基础。 1 3 2 课题的创新点 1 ) 通过仔细研究缺陷的形态，尝试提出了缺陷的分类分级标准，定义了四种缺陷 类型，根据检测缺陷的难易程度，确定了三种缺陷等级。 2 ) 应用均值滤波和中值滤波相结合的滤波方法，并根据c c d 采集到的图像特征调 整了滤波器的系数，使之更加适合本课题采集的图像。 3 ) 应用数学形态学理论对图像进行处理，从整幅图像中把待检测的缺陷区域提取 出来；根据图像特点选择相应的形态结构，使之更好的适应本系统的缺陷检测。 6 五邑大学硕士学位论文 第二章磁瓦表面缺陷图像的处理算法研究 2 1 缺陷分类分级依据和标准 通过对磁瓦生产厂家进行的现场调研，根据他们对磁瓦缺陷的规定和我们对磁 瓦的表面缺陷检测的难易程度的分析，对磁瓦表面缺陷进行了分类和分级。 1 ) 分类：( 1 ) 裂纹；( 2 ) 崩烂；( 3 ) 夹层；( 4 ) 起级。 ( a ) 裂纹 必j ，缺m ( b ) 崩烂 盟掺 o j ，- 4 - ：层 【l 三上 图2 - 1 四种类型的缺陷 2 ) 分级： ( 1 )第一级：包括缺陷( 崩烂、过渡圆裂、内外r 裂) ； ( 2 ) 第二级：包括缺陷( 夹层、起级) ； ( 3 ) 第三级：包括缺陷( 明裂纹、暗裂纹) 。 通过对磁瓦表面缺陷进行分类和分级，从而确定了一种缺陷判别的依据和标准，同 时更利于根据不同的表面缺陷选取合适的检测算法，提高缺陷检测的精度。 7 五邑大学硕士学位论文 2 2 改进的中值滤波 2 3 - 2 5 】 c c d 技术由于受到目标图像环境、光学系统的衍射、c c d 器件本身的噪声、电子 电路干扰等影响，采集到的图像不可避免会出现各种类型的噪声，引起图像质量的下降， 对于有噪声图像来说，其后续处理的成败往往取决于其前期处理的效果和质量。图像降 噪方法可分为线性和非线性方法。线性方法提出的较早，且有完备的理论基础。在对付 零均值的高斯噪声时，均值滤波是非常有效的方法。但线性方法在滤除噪声的同时也破 坏了图像中的细节，从而使图像变得模糊，同时线性方法无法滤除颗粒噪声。1 9 7 4 年 t u k e y 首先将非线性的滤波算法中值滤波应用于图像处理，由于这种方法在保护图像细 节的同时能有效地滤除冲激噪声，因此在图像处理领域得到了广泛的应用。 2 2 1 中值滤波原理 与加权平均方式的平滑滤波不同，中值滤波是将邻域中的像素按灰度等级排序，取 其中间值为输出像素。在一维情况下，中值滤波是取一移动窗口，它含有奇数个像素， 在图像上从左到右，然后再移行从上到下。取窗口后，对应窗口中心像素的灰度值，用 窗口内各像素灰度的中间数值来代替。一维的概念很容易推广到二维，但窗口的形式可 有十字形、矩形和方形，窗口的像素总数应为奇数，通常采用方形或十字形，图2 2 为 常用的中值滤波窗口。设二维图像石( 劢z 2 ，窗口大小为a = m n 的中值为： 勖= m e d i a n ( f t )i , j ，( 2 1 ) z 表示所有自然数的集合。 图2 - 2 四种常用中值滤波窗口 中值滤波的效果依赖于两个要素：邻域的空间范围和中值计算中涉及的像素数( 当 空间范围较大时，一般只取若干稀疏分布的像素作中值计算) 。中值滤波能够在抑制随 机噪声的同时不使边缘模糊，因而受到欢迎，需要注意的是，当窗口内噪声点的个数大 8 五邑大学硕士学位论文 于窗口宽度的一半时，中值滤波的效果会减弱。 2 2 2 改进的自适应中值滤波算法 张恒等1 2 6 1 提出的一种改进的自适应中值滤波算法，该算法对含有噪声的图像上每一 点都以其为中心选取一个( x n ) 区域。首先，在这个区域内找到灰度的中值，对于区域 内每一点都以这个中值为基础计算其权值，当某点的灰度越接近灰度中值，其权值越大， 当某点的灰度越远离灰度中值，权值越小。因此，它给颗粒噪声点赋的权值非常小，以 至在作累加的时候，颗粒噪声点的值可以被忽略，可以滤除颗粒噪声点；同时，累加器 相当于均值滤波，可以抑制一部分高斯噪声。这样就把中值滤波算法滤除冲激噪声与均 值滤波算法滤除高斯噪声方面各自的优势结合起来，形成了一种混合滤波算法。但是原 算法给出的加权系数并不适合本课题所采集的图像，本文对这种算法的系数做了进一步 调整，使之更加适合本课题图像的性质。 算法如下： 1 ) 在处理图像中的第( 切个像素时，首先以其为中心选取( i v x n ) 的区域，求出这个 区域的灰度中值拟切。 2 ) 令，为n 2 的整数部分，然后对这个( 切点的( x n ) 区域的每一点按下式计算其 相应的加权系数，似砂。 i + r j + rr，、1 s ”m = 1 1 【o 5 + ( ，( 聊，刀) - m ( i ，) ) 2 ) j ，( 2 - 2 ) m = i - rn = j 一7 r ( 聊，刀) ：巡塑墼型生划 ( 2 3 ) ，“m 其中，帆矽为x n ) 区域内第( 巩功点的灰度值，可以看出，帆砂和嘶相差越 大，相对应的，仇砂就越4 i 反之概矽和嘶相差越小，相对应的，似矽就越大， 而当概圳和嘶力相等的时候，似矽最大，此时中值被赋予最大的权值。 3 ) 将第俐点的x 坳区域内每一点的灰度值撕砂与相应的，似，砂相乘，记为 撕，砂，将d ( 朋，拧) 作为所处理点的滤波输出。 9 “邑大学硕，i j 学位论文 ( a ) 原始图像( b ) 原始中值滤波后图像 ( c ) 先中值滤波后均值滤波图像( d ) 改进中值滤波后图像 图2 3 三种中值滤波效果 图2 3 的( b ) 、( c ) 、( d ) 、是分别采用原始中值滤波、先中值后均值的滤波、改进中值 滤波后的图像。改进的中值滤波算法把原始中值滤波在滤波冲激噪声方面与均值滤波算 法在滤除高斯噪声方面各自的优势结合起来，有利于后续的处理与识别。 2 3 基于直方图的阈值分割 一幅图像中包含对象物、背景和噪声，根据处理的目的( 感兴趣的可能只是其中的 某些区域) 将这些区域提出的过程称为图像的分割。常用的方法有：按狄度幅度不同来 分割各个区域；按边缘不同来划分各个区域；按形状来划分各个区域等。在本文中感兴 趣的区域即为缺陷图像本身，为了将其提取出来，可以采用按灰度不同来分割区域的办 法。根据缺陷图像与背景的灰度不同，设置灰度门限的方法来处理对象物，从而把缺陷 图像和背景作为分离的二值图像对待，这个过程也称为图像的二值化。 二值图像是整幅图像画面内仅有黑白二值的图像。在数字图像处理中，二值图像占 有非常重要的地位。因为在某些情况下，即使图像本身是有灰度的，也要设法使它变成 二值图像再进行处理( 这叫图像的二值化) ，这是因为在图像处理系统中，所要求处理 的速度高、成本低、信息量大的浓淡图像计算成本太高。另外，二值化后的图像能够用 几何学的概念进行分析和特征描述，比起灰度图像来要方便得多。下文进行的对磁瓦缺 1 0 五邑大学硕士学位论文 陷图像的轮廓跟踪、中心区域分割、特征提取及边缘线形状检测等都是针对二值图像进 行的。 从图像采集卡得到的是灰度图像，共有2 5 6 个灰度级。为了分析图像的特征和简化 计算，我们要将灰度图像转化为二值图像，使得图像只有两个灰度级：0 和l ( 即黑和 自) 。方法一般是通过图像阈值分割方法将目标( 对象物) 从图像中分割出来，取灰度 值为1 ，而将其他物体或背景全部认为是背景，则取值为o 。二值图像的优点不仅体现 在比灰度图像存储容量小，计算速度快，便于进行图像的布尔逻辑运算来组合图像，而 且更主要的是通过二值图像可计算出图像目标物的几何特征，比如目标物的大小、位置， 能大大简化在其后的分析和处理步骤。二值化的关键是阈值的选取，如果阈值选取过高， 则过多的目标点被误判为背景；阈值选的过低，则会出现相反的情况。关于阈值选取的 方法很多，如直方图阈值分割法、类间方差阈值分割法、二维最大熵值分割法、模糊阈 值分割法、共生矩阵阈值分割法等。检测图像中包括背景和被测物体，灰度集中在两个 灰度级附近，属于典型的直方图双峰法类型，故采用直方图分割法。 采用直方图分割并二值化，首先需要得到图像的灰度直方图。灰度直方图是数字图 像处理中一个最简单、最有用的工具。它是图像灰度值的函数，描述的是图像中具有该 灰度值的像素的个数，其横坐标表示像素的灰度级别，纵坐标是该灰度出现的频率( 像 素的个数) 。根据直方图的分布情况，很容易确定它们的阈值t 。这种方法很适用于前 景图像与背景的灰度值差别很大的情况，直观性强且程序简单。 灰度图像的灰度级范围为0 ，l ，2 5 5 ，设灰度级i 的像素个数为嘞，则幅 2 5 5 图像的总像素为= 。 灰度级f 出现的概率定义为z = 斋。 灰度直方图即为灰度级的像素数胁与灰度i 的二维关系，它反映了一幅图像上灰度 分布的统计特性，成为利用像素灰度作为属性的分割方法的基础。如图2 - 4 为原图像的 直方图。 五邑大学硕士学位论文 图2 - 4 带表面缺陷磁瓦的直方图 由直方图可看到图像的像素分布的双峰分别为4 0 附近和2 0 附近，因此，选取的阈 值为3 2 。再经二值化处理后，得到了如图2 5 所示的二值化图像，与原图相比效果非常 理想。 2 4 边缘检测 2 4 1 概述 图2 - 5 原图阈值分割后得到的图像 边缘检测技术对于处理数字图像非常重要，因为边缘是所要提取目标和背景的分界 线，提取出边缘才能将目标和背景分开。在图像中，边界表明一个特征区域的终结和另 一个特征区域的开始，边界所分开区域的内部特征或属性是一致的，而不同区域内部的 特征或属性是不同的，边缘的检测正是利用物体和背景在某种图像性质上的差异来实现 的，这些差异包括灰度、颜色或者纹理特征。边缘检测实际上就是检测图像特性发生变 化的位置。 由于噪声和模糊的存在，检测到的边界可能会变宽或在某些点处发生间断，因此， 边界检测包括两个基本内容：首先抽取反映灰度变换的边缘点，而后剔除某些边界点或 1 2 4 3 2 1 拍 打 伯 虮 五邑大学硕士学位论文 填补边界点或边界间断点，并将这些边缘连接成完整的线。 边缘是灰度值不连续的结果，这种不连续性常可利用求导数方便地检测到。一般常 用一阶和二阶导数来检测边缘。 一阶导数可用于检测图像中的一个点是否是边缘的点，二阶导数的符号可以用于判 断一个边缘像素是在边缘亮的一边还是在暗的一边。围绕着一条边缘，二阶导数有两条 附加性质：( 1 ) 对图像中的每条边缘二阶导数生成两个值；( 2 ) 一条连接二阶导数正极值 和负极值的虚构线将在边缘中点附近穿过零点，二阶导数的这个过零点的性质对于确定 粗边线的中心非常有用。 2 4 2 一阶边缘检测算子 边缘检测是提取图像中不连续部分的特征，根据闭合的边缘确定区域。由于边缘检 测方法不需要将图像逐个像素地分割，因而更适合大图像的分割。边缘蕴含了丰富的内 在信息( 如方向、阶跃性质等) ，是图像识别中抽取图像特征的重要属性。从本质上说， 图像边缘是图像局部特性不连续性( 灰度突变，颜色突变等) 的反映，它标志着一个区 域的终结和另一个区域的开始。边缘的特性是边缘走向的像素变化平缓，而垂直于边缘 方向的像素变化剧烈。所以，从这个意义上说，提取边缘的算法是检测出符合边缘特性 的边缘像素的数学算子。下面介绍几种常用的边缘检测算子【2 7 】【2 引，用这些算子与图像卷 积，可以找出图像边缘的位置和方向。 1 ) r o b e r t s 算子 图像讹纠的梯度定义为： a f ( x , y ) 一a f ( x , y ) i + a f ( x , y ) j ( 2 - 4 ) a 茗 a y 梯度的模为： a f ( x ，y ) l = ( 2 5 ) 通常把梯度的模就叫做图像的梯度。r o b e r t s 算子是用斜向上4 个像素交叉差分来表 示梯度的，即 a f ( 训) ：厄瓦而瓦鬲i 砑q 而j 万孑丽 ( 2 6 ) 1 3 五邑大学硕士学位论文 上式也可简化为： a f ( x ，y ) - - - i f ( x ，y ) - f ( x + l ，y + 1 ) j + l f ( x + l ，y ) - f ( x ，y + i ) 1 或 , x f ( x ，y ) = m a x o f ( x ，力一f ( x + 1 ，y + 1 ) i ，i 厂( x + 1 ，j ，) 一f ( x ，y + 1 ) i ) 也可以表示成掩模的形式如图2 - 6 所示。 1o o1 o 1 - lo ( a ) 掩模一( b ) 掩模二 图2 - 6r o b e r t s 算子模板 ( 2 7 ) ( 2 8 ) 2 ) s o b e l 算子 s o b e l 算子是一种简单常用的算子，它是在以纸砂为中心的3 3 邻域上计算机x 方向和y 方向的偏导数，即 瓯= l 厂( x + 1 ，y 一1 ) + 2 f ( x + 1 ，y ) + 厂( x + 1 ，y + 1 ) 卜【厂( x 一1 ，y 一1 ) + 2 f ( x 一1 ，y ) + f ( x - 1 ，y + 1 ) 】 ( 2 9 ) s ，= 【厂( x l ，y + 1 ) + 2 f ( x ，y + 1 ) + ( x + 1 ，y - i - 1 ) 一驴( x l ，y 1 ) + 2 f ( x ，y 1 ) + ，( x + 1 ，y - 1 ) 】 ( 2 1 0 ) 上式应用t f ( x , y ) 邻域的图像强度加权平均差值。其梯度大小为 a f ( x ，y ) = s ：+ $ ( 2 1 1 ) 或绝对值为 a f ( x ，y ) = l s 工i + l s y l ( 2 一1 2 ) 取适当的阈值乃如果v ，j ，) r 则佛一点为阶跃性边缘点。 s o b e l 算子可以写成如图2 7 所示的掩模形式。 l21 o 0o - 1 2- 1 ( a ) 水平掩模 图2 - 7s o b e l 算子模板 1 4 ( b ) 垂直掩模 五邑大学硕士学位论文 2 4 3二阶边缘检测算子 前面讨论的是计算一阶导数的边缘检测器，如果所求的一阶导数高于某一阈值，则 可以确定该点为边缘。然而这样做可能会导致检测到的边缘点太多。一种更好的方法就 是求梯度局部最大值对应的点，并认为它们是边缘点。通过去除一阶导数中的非局部最 大值，可以检测出更精确的边缘。一阶导数的局部最大值对应着二阶导数的零交叉点 ( z e r o c r o s s i n g ) ，这样，通过找图像强度的二阶导数的零交叉点就能找到精确边缘点。 在二维空间，对应二阶导数有几种算子，本文主要讨论以下几种：k i r s e h 算子、l a p l a c e 算子 2 9 1 3 0 1 。 1 ) k i r s c h 算子 k i r s c h 算子对数字图像中的每个像素& 力，分析其八邻域的灰度变化，以其中3 个 邻点的加权和减去剩下5 个邻点的加权和。令3 个邻点似纠环绕中心点不断移位，取其 中差值的最大值为k i r s c h 算子值，即 讯= m a x l ，m a x 5 s f 一3 t j i = o , i ，2 ，一z ( 2 - 1 3 ) 其中，& 为3 邻点之和；乃为5 邻点之和。取适当的阈值乃如果融 乃则伍 点为阶跃性边缘点。k i r s c h 算子可以写成如图2 8 所示掩模形式。 - 355 - 3o 5 - 3- 3- 3 3 - 3- 3 5o- 3 5 5- 3 - 3- 35 3o 5 - 3- 35 53- 3 5o3 5- 33 - 3- 3- 3 - 3o5 - 355 553 503 - 3- 3- 3 图2 - 8k i r s c h 算子模板 2 ) l a p l a c e 算子 阶跃状边缘的二阶导数在边缘处出现零点，边缘点两边的二阶导数异号，即出现所 谓的零交叉，因此，可以利用对图像的各个像素求二阶导数鱼铲和鱼 笋盟之和 的方法寻找边界。即 1 5 五邑大学硕士学位论文 瑚w ) = 挈+ 毫笋 ( 2 戗一咖。 对于数字图像，可以用差分近似微分，即可对图像的每个像素取x 方向和y 方向的 二阶差分之和来近似上式，因此有 a 2 f ( x ，y ) = 征厂( x + 1 ，力一f ( x ，y ) 】一l 厂( x ，) ，) 一f ( x 一1 ，y ) b + 秒y + 1 ) - f ( x ，y ) 卜l 厂( x ，力一f ( x ，y 一1 ) b ( 2 1 5 ) = f ( x + l ，y ) + f ( x - 1 ，y ) + f ( x ，y + 1 ) + f ( x ，y - 1 ) 一4 f ( x ，j ，) l a p l a c e 算子可以写成如图2 - 9 所示掩模形式。 01o 141 o1o 图2 - 9l a p l a c e 算子模板 如果a 2 f ( x ，y ) 在伍纠点出现零交叉，则该点为阶跃边缘点。l a p l a c e 算子对孤立像素 的响应要比对边缘或线的响应更强烈，因此在l a p l a c e 算子作为边缘检测之前，如果能 先对图像作平滑处理，则效果更好。 2 4 4 c a n n y 算子 c a n n y 算子【3 1 1 用于寻找图像的局部极大值。一个闽值的判断往往是不够的，由于噪 声影响，边缘信号的响应只有差不多一半是大于这个阈值的，由此往往造成斑纹现象， 即边缘断裂现象。如果把这个阈值降低，往往发现一些错误的“边缘 ，为了解决这个 问题，c a n n y 提出了双阈值方法。 c a n n y 算子是高斯函数的一阶导数，是对信噪比与定位之乘积的最优化逼近算子。 其算法具体步骤如下： 1 ) 首先用二维高斯滤波模板对图像进行滤波以消除噪声。 2 ) 用导数算子( 如s o b e l 算子) 找到图像灰度的沿着两个方向的偏导数假黝，并求 出梯度的大小和梯度方向。l s i = + $ ( 2 - 1 6 ) c 口= a r c t a n 争) ( 2 - 1 7 ) 1 6 五邑大学硕士学位论文 3 ) 把边缘的梯度方向大致地分为四种( 水平，竖直，4 5 。方向，1 3 5 。方向) 。各个 方向用不同的邻近像素进行比较，以决定局部极大值。若某个像素的灰度值与其梯度方 向上前后两个像素的灰度值相比不是最大的，那么该像素值为0 ，即不是边缘，这个过 程称为“非极大值抑制 。 4 ) 使用累计直方图计算两个阈值。凡是大于高阈值的一定是边缘；凡是小于低阈值 的一定不是边缘；如果检测结果大于低阈值但又