基于小区域模板匹配的发动机缸体缺陷检测*

2012-10-22殷苏民鲍红力吉彬斌刘金亮张建刚

传感器与微系统 2012年6期

殷苏民，鲍红力，吉彬斌，刘金亮，张建刚

（江苏大学机械工程学院，江苏镇江 212013）

0 引言

某汽车发动机铸件生产企业在产品下线之前，要求对工件外观进行检验，防止有缺陷的不合格工件出厂，对后续的机械加工设备产生不良影响。传统的检测方法是根据检测要求进行人工目测，这种测量方法检测效率低，劳动强度大，并且检测结果受检测人员的主观影响较大。为此，在实际生产线上采用机器视觉系统进行在线检测，自动识别工件的瑕疵，实现质量检测的自动化，以提高生产效率，减轻劳动强度，提高检测质量。本文讨论的图像模板匹配技术即是视觉系统中采用的一种信息处理方法，也是图像处理中一个很重要的研究方向。图像匹配方法有多种:基于灰度信息、基于特征、基于变换域［1］。本文针对发动机缸体图像自身的特点，在基于灰度匹配算法的基础上，提出一种基于图像小区域的模板匹配算法，在实际应用中获得了良好的识别效果。

1 图像匹配原理

图像匹配是对两幅图像在灰度和空间上的配准，一般的图像匹配技术是利用已知的模板利用某种算法对识别图像进行匹配计算，进而获得图像中是否含有该模板的信息和坐标。如图1所示，匹配模板就是待匹配图像中的一幅已知的小图像（大小为m×n），而模板匹配就是在待匹配图像中（大小为M×N）搜寻含有匹配模板信息（这些信息主要包括灰度值等）的目标，通过一定的算法使匹配模板在待匹配图像中找到所要匹配的目标匹配区域，并确定目标匹配区域的坐标位置和相似度。

由于在图像中含有最多的信息就是灰度值，所以，如何依靠灰度值进行模板匹配成为了目前研究模板匹配的重要方法之一。对于特定目标进行模板灰度匹配时，对灰度匹配的模板图像要求较高，通常要使用合格的图像作为基准图像，再在基准图像上构建待搜索图像S（大小为M×N），并选择具有明显特征的小区域作为模板图T（大小为m×n），设 Si，j为模板覆盖下的子图（i，j为子图的左上角像素在S图中的坐标）;可以对灰度匹配原理描述如下:Si，j（m，n）和T（m，n）分别为搜索子图和模板中图位于m×n处得像素灰度，比较 Si，j（m，n）和 T（m ×n）的内容，求出二者的相关函数 f（i，j）来衡量 Si，j（m，n）和 T（m，n）的相似程度。相似程度计算公式由具体的灰度算法决定。

图1 模板匹配原理Fig 1 Template matching principle

依据上述原理，可以建立相应的灰度值匹配数学模型，假设S为待匹配图像的二维坐标数组，T为模板图像的二维坐标数组，I1（x，y）和I2（x，y）分别为待匹配图和模板图像空间位置处的灰度值，两幅图像的匹配表达式可以表示为

利用上述等式作为依据来进行灰度匹配。

2 区域模板分割与模板库的构建

由于本文的研究对象是发动机缸体，其尺寸较大，形状复杂，缸体灰度颜色相近，对整幅图直接进行图像匹配时，算法处理速度较慢，甚至会出现误判和错判现象。依据文献［2］可知，被搜索图像越大，匹配速度越慢，模板越小，匹配速度越快。因此，为了提高匹配速度和精度，本文提出对发动机缸体图像进行区域分割，进行基于小区域的模板图像匹配。该方法是在保证图像质量的前提下，通过进行区域模板分割，减少找到匹配目标所需用的匹配时间。根据模板图像与各面待匹配图像的特征和大小对待匹配图像进行区域分割，以使匹配的时候可以更好地得到待匹配图像中各个区域与模板中对应区域的相似性和灰度值。在区域分割完成后，将多个小区域模板进行集合，并用数值依次对它们进行区域编号，使其在进行图像匹配时，能够根据具体的要求方便地调用相应的区域模板。

3 基于灰度相关算法研究

进行区域分割后，要对待匹配图像进行灰度匹配。灰度匹配能够获得比较高的定位精度，在灰度匹配中通常采用2种方法来衡量模板图T（m，n）和待匹配图Si，j的相似程度:归一化互相关（normalized cross-correlation，NCC）算法和序贯相似检测算法（sequence similarity detection algorithm，SSDA）。

3．1 NCC 算法

NCC算法［3］首先选择一个大小为 m×n的模板图T（m，n），然后在待搜索图上循环选取m×n大小的区域，循环范围是整幅待匹配图S，循环匹配的过程中进行NCC相似度计算，归一化互相关算法得到的互相关值用于确定匹配的程度。NCC相似度公式为

根据施瓦兹不等式可以知道上式中0≤NCC（x，y）≤1，NCC的值越大，模板图和待匹配图的相似度越大。定义一个阈值 T，NCC（x，y）＞T，匹配成功;反之，匹配失败。

3．2 SSDA 算法

SSDA算法［4］的实现步骤如下:首先，选取一个误差准则作为终止不匹配点计算的标准，通常可选取绝对误差，即有

其中

其次，设定一个不变阈值Tk，匹配过程是在子图象中随机选取一点，计算它与模板中相应点的绝对误差值ε，将每一随机点对的误差累加起来，若累加到第r次时误差超过设定阈值Tk，则停止累加，记下此时的累加次数r，同时定义SSDA算法检测曲面为

并且在曲面最大值处对应的位置即为模板最佳匹配位置。这是因为该点需要多次累加误差才能超过阈值，因此，相对于其他点，它最有可能是匹配位置。

3．3 改进的SSDA算法

由于SSDA算法中阈值Tk的设置是固定的，因此，导致处理速度相对较慢，并且针对特定的图像，阈值Tk需要重新设置，这样就给自动测量带来很大的不便。如果通过设定一个动态阈值Tk，对不在阈值Tk范围的像素点，跳过搜索不进行比较，这样可以减少搜索的像素点数和进行相似度比较的次数，有效地改进图像单阈值的搜索速度，利用动态阈值的方法可以达到提高处理速度的目的。

文献［5］中可知改进的相似度计算公式为

利用公式（7），采用对模板图像进行粗细匹配相结合的方法进行相似度计算，进而找到匹配的最佳位置，并求出最佳匹配点和相似度。这种对SSDA算法进行改进的方法在匹配过程中有效地减少了相关性运算次数，达到了提高算法处理速度的目的。

4 发动机缸体区域匹配实验与结果分析

在上述模板区域分割和匹配算法的理论指导下，本文基于小区域模板匹配的发动机缸体检测算法流程如图2所示。

图2 模板匹配算法流程图Fig 2 Flow chart of template matching algorithm

1）取发动机缸体的标准样板图像作为模板图像，并进行图像采集;

2）对发动机缸体图像进行区域分割;根据发动机缸体侧面的形状参数进行区域分割，在区域分割完成后，构造多个小区域模板进行集合，用数值依次对区域进行编号;

3）根据实验要求，调出所需的2个实验小区域模板;

4）对发动机缸体进行粗匹配;利用式（7）计算模板图像与待搜索图像隔m行n列的起始像素D（0，0）的值，所隔的行数和列数根据实际的模板图来确定。此时的D（0，0）值作为初始阈值T，然后计算待匹配图上其他像素位置（x，y）处的D（x，y）值，如果计算过程中 D（x，y）超过 T，则停止计算此处的D（x，y），转入进行下一个像素点的计算，如果计算完所有的像素点后D（x，y）值仍小于T，则将此像素的位置定为相关匹配点，并用D（x，y）值来更新阈值T后再重新进行匹配，最后得到一个匹配后的粗匹配点集，粗匹配结束。粗匹配点集可以采用取最小的几个粗匹配点或利用设定差值的方法来获取。

5）对发动机缸体进行精匹配;在得到粗匹配点集后，对粗匹配点集上的每个点都进行精匹配。以粗匹配位置点为中心，在一定的矩形区域范围内逐行逐列进行计算，寻找最优的匹配点，最终得到搜索子图和模板图的最佳匹配值，计算出匹配点和相似度。

依据上述算法流程，在VC++6．0开发环境下编写程序。选择某一型号的汽车发动机缸体区域划分后的2个待匹配小区域进行匹配计算。

区域Ⅰ和区域Ⅱ的匹配实验如图3和图4所示。