机器视觉检测胶囊图像的预处理研究

2012-06-23韦文斌齐子城

电子科技 2012年12期

关键词：灰度预处理边缘

郑瀚，韦文斌，齐子城

(1.广西工学院电子信息与控制工程系，广西柳州 545006;2.中国兵器科学研究院测控技术与仪器研究所，浙江宁波 310014)

在缺陷胶囊的检测中，多数厂家仍然采用人工检测，这种方法存在着多种缺点，如劳动强度大，而且容易受到个人视力、情绪、光线、现场环境噪声等因素的影响。该检测方法既费时费力，又难以保证检测质量。因此，对于胶囊缺陷检测的研究具有重要的意义。

1 系统的组成

图像识别系统主要组成部分，如图1所示。

图1 图像识别框图

进行图像预处理的目的是为了去除干扰、噪声和差异，将原始彩色图像变成适合于计算机进行特征提取的形式，为特征提取做好必要的准备。图像预处理的质量直接影响到整个系统的识别准确率［1］。

2 图像的预处理

2.1 原始图像预处理流程图

在图像预处理过程中，主要步骤，如图2所示。

图2 图像预处理过程

文中主要以破损胶囊的图像为例进行了预处理。包括灰度变换、滤波、边缘增强、阈值分割、边缘提取、缺陷识别等几个步骤。

图3 破裂原始图像

2.2 图像预处理

灰度变换是所有图像增强技术中的基本手段之一，主要有以下几种:图像求反、线性灰度变换、对数变换、灰度切割等。其实质就是按照一定的修改规则，改变图像的每一个像素灰度。使图像的动态范围增大，扩大对比度，以使获得的图像更加清晰。

在滤波部分，由于设计本身以及设备等外界因素的干扰，在胶囊缺陷图像采集的过程中难免会引入一些噪声，使图像的质量受到影响。为减少这样的影响，需要对图像进行滤波处理。常用的滤波方法，主要有:均值滤波、逆滤波、维纳滤波、中值滤波等。

边缘增强就是为了将物体的边缘和轮廓凸显出来，方便提取物体的特征而对物体进行识别和分析。边缘是一个区域的结束，也是一个区域的开始。在图像中，边缘和轮廓的灰度一般会突变。图像的边缘有方向和幅度两个属性，沿边缘方向像素变化平缓，垂直于边缘方向像素代表实际边缘。边缘上的这种变化可以用微分算子检测出来，常用算法有:梯度、高斯－拉普拉斯、Canny 算子等算法［2］。

图像分割是将图像细分为它的子区域或对象。图像分割算法一般基于亮度值的两个基本特征:不连续性和相似性。第一类方法基于亮度的不连续变化分割图像，比如图像的边缘。第二类方法依据事先制定的准则将图像分割为相似的区域。比如门限处理、区域增长、区域分离、聚合等［3］。文中主要指将图像中灰度与其周围明显不同的区域提取出来［4］。

在边缘提取中，集合A的边界表示为β(A)，B是一个适当的结构元素。它可以通过先由B对A的腐蚀，然后再用A减去腐蚀得到。即

从而提取到边缘信息。

在得到感兴趣的目标以后，为对胶囊的缺损进行分类，需要进行特征提取，然后对提取的数据进行分析和设计。文中主要以破损胶囊目标区域的形状进行了初步分析。实际基于几何形状基本可以识别出简单的胶囊缺陷，但胶囊缺陷有多种。有些仅靠几何形状难以做出判断，因此还需要寻求其他方法。

3 文中选用方法

3.1 滤波

由于设备自身原因及外界干扰因素的存在，在胶囊缺陷图像采集过程中难免会引入噪声。为减少噪声对图像的影响，应对图像进行滤波。

3.1.1 几种滤波方法介绍

(1)均值滤波。是一种常用的线性低通滤波。均值滤波器的滤波过程是使一个模板在图像上滑动，模板中心位置的值等于模板内各像素点灰度的平均值。它的数学表达式为

(2)逆滤波。是研究退化图像最简单的方法。其表达式为

图4 逆滤波示意图

逆滤波器的问题是会出现病态性，即在频域中对应图像信号的那些频率上，若H(u，v)=0或微小，而噪声频谱 N(u，v)≠0，则 N(u，v)H－1(u，v)就难以计算或者比F(u，v)大得多，从而使复原结果与期望结果相差较大，甚至面目全非。

(3)维纳滤波。是寻找一个滤波器，使得复原后的图像与原始图像的均方差最小。因此维纳滤波也叫作最小均方误差滤波。其综合了退化函数和噪声统计特性两个方面进行复原处理。可以自动抑制噪声，信噪比高。但维纳滤波也存在一些问题。因为维纳滤波是建立在最小化统计准则基础上的。所以其得到的结果也只是平均意义上的最优，而且其花费的时间也较多。

(4)中值滤波。是一种非线性的平滑滤波器。它在消除噪声的同时，能较好地保持图像细节，防止图像边缘变得模糊。在一定条件下，对滤波脉冲干扰及图像扫描噪声最为有效。定义如下:设{xij(i，j)∈I2}表示数字图像各点的灰度值，滤波窗口为A，yij为窗A在xij点的中值，则

3.1.2 文中滤波方法

因选用数字摄像机拍摄图像，数字摄像机的噪声呈孤立的点状，容易恶化图像的质量，使图像模糊，将图像自身的特征掩盖，因此就需要一种高效的滤波方法［5］。基于这些特征，文中选用自适应中值滤波方法。

自适应中值滤波是一种非线性的去噪方法。其原理是把数字图像或数字序列中任一点的值，用该点领域中各个点值的中间值代替。用一个窗口在图像上扫描，把窗口内包含的图像像素按灰度级升(或降)序排列起来，取灰度值居中的像素灰度为窗口中心像素的灰度，完成自适应中值滤波。

二维中值滤波可以取线性、方形、十字形或菱形;常用维数有3×3，5×5，7×7等。

图5 几种中值滤波窗

经自适应中值滤波后，所得结果如图6所示。

图6 自适应中值滤波化图像

3.2 分割

在图像中，分割是为将图像划分为不同的区域。基于灰度阈值的分割方法是图像分割的经典方法［6］。在图像目标区域和背景区域内部灰度的相关性较强，可以使用灰度的均一性作为分割的依据。而如何选择一个最佳的分割阈值则是图像分割的关键。根据图像的特点及其条件，最佳阈值选取的方法有人工选择法和自动阈值法。

3.2.1 几种分割方法介绍

(1)人工选择法。是通过人眼的观察，应用人对图像的知识，在分析图像直方图的基础上，人工选用合适的阈值。也可以在人工选出阈值后，根据分割效果，不断地交互操作，从而选择出最佳阈值。但其缺点是必须有人介入，这样很不合理。

(2)自动阈值法。通常使用灰度直方图来分析图像中灰度值的分布，结合特定的应用领域知识来选择最合适的阈值。主要有3种选择:迭代式阈值选择、最小误差阈值选择法、Otsu法阈值选择。

迭代式阈值选择方法的基本思想是:开始时选择一个阈值作为初始估计值，然后按某种策略不断地改进这一估计值，直到满意给定的准则为止。

最小误差阈值选择法通常以图像中灰度为模式特征［3］。假设各模式的灰度是独立同分布的随机变量，并假设图像中待分割的模式服从一定的概率分布，则可以得到满足最小误差分类准则的分割阈值，但其缺点在于，难以获得待分割模式的概率分布。

Otsu法阈值选择是文中主要选用的阈值分割算法。

3.2.2 文中选用分割方法

文中由于光源的不均匀性会造成胶囊在各个位置图像的灰度值存在较大的差异。胶囊中间部分的亮度会稍大于两边的部分。而且也因为双峰法和自动取值法有着明显的缺点，且适应能力差，所以在文中选用最大类间方差法对图像进行阈值分割。

最大类间方差法是由Ostu基于最小二乘法推导而成，又称为大津法。具体实现方法如下:设一幅图像的灰度值可以分为0～m级，灰度值为i的像素数为ni，则总像素数位

那么各灰度值出现的概率为Pi=ni/N，然后将灰度值分为两组:c0={0－k}和c1={k+1－m}，则c0出现的概率为

c1出现的概率为

由以上两式可以推出c0平均值为

c1的平均值为

其中，uk=是阈值为k时的灰度平均值;u=是整体图像的灰度平均值。这样两极之间的方差就可以表示为

从0～m之间改变k值，计算上式求其最大值便是所求的阈值。选用最大类间方差法对图像进行了阈值分割后，其处理结果如图7所示。

4 实验

图7 阈值分割

系统采用大恒图像采集系统，用1024×1024相机完成对胶囊原始图像采集，然后应用LabVIEW软件实现上述图像处理算法。实验素材来源于胶囊制造企业，并且人为加入外壳破损、大小丸和异形丸等问题胶囊，参加测试胶囊共计100颗。实验以10颗一组分为10组，随机反复实验，验证本胶囊外壳缺陷检测系统的可靠性和稳定性。部分实验数据如表1和表2所示。

如表1所示为对同一组实验胶囊进行反复识别实验，从随即抽取的5组数据中可以看出系统具有较高的可靠性。如表2所示，对所有样品进行实验，并与工人筛选结果进行比较，识别正确率高于90%，具有一定的实际应用价值。