局部自适应分割算法在PCB图像处理中的应用

李世文

（河源职业技术学院，广东 河源517000 ）

随着电子技术的发展，关于电路板方面图像处理的研究显得越来越重要，在PCB的缺陷检测中，常用的检测方法有人工检测、基于机器视觉的检测等［1］，随着技术的发展基于机器视觉的检测方法应用越来越广，检测方法主要是通过摄像头获取电路板图像，而后把电路板的图像发送给计算机进行灰度化、滤波、图像分割、边缘检测［2］等获取电路板的缺陷信息［3］。采用这种方式所获取的边缘信息没有考虑具体的环境和应用场合，所获取的边缘信息不一定很准确。

针对这种情况，本文采用局部自适应分割算法并结合数学形态学来对PCB图像进行边缘检测，数学形态［4］时针对不同的情况采用不同的相关运算，从而获得想要的信息。数学形态学主要包括膨胀、腐蚀、开运算和闭运算，它的应用非常广泛。所以本文利用数学形态学在PCB图像中进行滤波来提高边缘检测的效率。

1 PCB图像的边缘检测流程

首先通过摄像头获取图像，由于图像在拍摄过程中可能存在有噪声干扰，所以需要对灰度化后的图像进行滤波。然后采用局部自适应去获取图像的阈值，通过该阈值来分割PCB图像，最后对图像进行形态滤波和Sobel边缘检测。具体如图1所示。

图1 PCB缺陷检测流程

2 具体算法的实现

2.1 局部自适应二值化分割

在图像二值化处理中，由于外界光照的影响，或者是拍摄的角度、噪声都可以引起图像的照度不均匀，如果此时用单一的阈值去分隔图像，会发现分割的效果比较差，主要原因是由于光照不均匀整幅图像没有一个能兼顾整个域的阈值，在这种情况下单一阈值分隔效果显然不好，为了解决单一阈值分隔问题，本文采用了局部自适应的分隔方法对PCB图像进行分隔：首先对PCB图像进行分块，在图像分隔的时候，每一块单独采用一个阈值进行分隔。在根据具体情况对图像进行分块之后，分别单独计算每个分块图像的阈值，具体阈值的计算采用最大类间方差二值化（OSTU）来获取每块的阈值。OSTU是日本学者提出的一种图像分隔方法，它利用统计学的相关知识对图像进行分隔。具体对于某一分块图像而言，这块图像按照某个阈值t可以把图像像素分为两部分，第一部分如公式（1）所示，第二部分如公式（2）所示，公式（3）和（4）分别为计算这两部分的均值。

公式（5）和（6）分别计算这两部分的方差。这两部分像素计算到的均值、方差分别代入倒公式（7）中，如果能够使得公式（7）达到最大值时，此时的t值就是需要获取的阈值。

通过上述步骤可以对每块图像进行类间方差二值化的阈值分隔，显然分块越多分隔效果越好，计算量也越大，其时间复杂度也越大。

下面是对局部阈值分隔和全局阈值分隔的效果进行对比和分析，其中图2是光照不均匀的PCB原始图像，图3是采用本文的方法局部阈值分隔后的图像，图4是采用全局阈值分隔后的PCB图像，对比图3和图4明显可以看出来图3的分隔效果较好。图4因为采用全局阈值分隔，所以在PCB的左边基本上已经很难正确达到分割的效果。

图2 PCB原图

图3 局部自适应阈值分隔后图像

图4 全局阈值分隔后图像

在对原始图像进行局部阈值分割时，采用了分块的方法，分块的时候采用比较折衷的方法，把整个PCB图像分为32块，然后每块图像计算他们的局部阈值，从结果也可以看出分成32块对图像进行分隔基本上可以满足要求，如果分块太少在一定程度上也会影响分隔效果。

2.2 数学形态学算法介绍

数学形态学在图像处理中需要构建一个结构元素，该结构元素在图像上进行匹配操作，获取图像的相关特征的同时，在一定程度上还可以抑制噪声，而在膨胀和腐蚀的基础上推导出来点动开、闭算法是在PCB缺陷图像处理中的核心的内容，所以本文主要对这四种操作进行相应的介绍。

公式（8）和（9）分别为膨胀和腐蚀运算，从两个公式可以看出：与用滑动窗口内分别取最大和最小值的一种滤波技术。其开和闭运算分别对应公式（10）和（11），在腐蚀和膨胀的基础上推导出来的，开运算也就是先进行腐蚀之后再进行膨胀运算，闭运算是先膨胀后腐蚀。

数学形态开操作主要功能是滤去峰值噪声，对毛刺等的去除非常有效，所以在电路板检测中，利用开操作，也就是先膨胀后腐蚀元素可以去除电路板的毛刺，在PCB电路板去除毛刺之后与标准的电路板相异或，根据异或之后的结果就能检测PCB板的毛刺缺陷。数学形态的闭运算能够滤除波谷噪声，填平小沟结构，所以在PCB检测中利用闭操作，也就是先腐蚀后膨胀，可以填平PCB板的凹陷、缺损缺陷。待检测PCB图像进行闭操作之后，得到了一副有凹陷和缺损的图像，与标准PCB图像相异或就能检测出PCB的缺损和凹陷等缺陷。

所以针对PCB缺陷图像处理特点，需要对PCB在不同场合使用开操作或者闭操作。所以需要采用开闭算法的级联和组合来实现对不同图像的检测处理。图5为采用形态滤波之后的效果图，本文在图像二值化分隔的基础上对图像先进行了腐蚀，之后再对图像进行了膨胀操作，也就是闭运算，通过闭运算可以和图4比较，发现通过该操作后起到了填平凹陷和缺损。

图5 局部阈值分隔后形态滤波

2.3 边缘sobel算子进行边缘检测

Sobel算子首先是利用模板计算偏导数gx和gy的值，然后利用公式（14）判断实现边缘的检测。由于在上面采用了局部自适应阈值法已经对图像进行了二值化，系统的边缘信息就会比较好地保留，相比如果前面没有采用局部自适应二值化，在边缘检测中就有可能会漏掉一部分信息。所以即使其在时间和空间来说，复杂度比较大也是值得的。

对形态滤波之后的图像进行边缘检测，结果如图6所示，采用本文的方法基本上包含了PCB板的全包边缘信息。

图6 边缘检测结果

3 实验结果分析

从相关测试结果图来看，采用全局固定阈值的分割效果并不好，这主要是因为固定阈值完全是用户根据自己的经验来设定的，处理不好可以再另外设一种阈值，同时由于图像受到光照等因素的影响，根本不存在有一个固定的值来对图像进行分割，这样采用局部阈值就显得很有必要了。图3是局部阈值分割后的PCB图像，基本上可以正确对图像进行分割，图5是形态滤波之后的PCB图像，通过它可以滤除部分不需要的信息，图6是最后边缘检测的结果。同时本文通过对大量PCB图像进行边缘检测验证，发现采用局部自适应阈值方法在PCB边缘检测中的效果非常好，过去由于光照或者其他原因导致检测效果差等问题都可以解决，在实际的应用中也需要根据不同情况，应用不同的处理方法有效地提取一幅图像中感兴趣的部分。

4 结论

结合局部自适应阈值分割法、数学形态滤波技术和Sobel算子对PCB图像进行了边缘信息的提取，局部自适应阈值分割法主要是对图像进行二值化分割，数学形态滤波技术主要是空洞填充、噪声滤除，通过Sobel来提取PCB图像边缘信息。从仿真结果和实验所得图像来看，可以获得图像较为准确的边缘信息，具有较好的应用前景。