摘要：針對(duì)高速高精度幀片機(jī)視覺檢測(cè)中的元件圖像分割問題，提出了一種改進(jìn)分水嶺算法。該算法結(jié)合傳統(tǒng)的邊緣檢測(cè)和閾值分割，并采用一定的集水盆區(qū)域合并準(zhǔn)則，有效地抑制了過分割現(xiàn)象。現(xiàn)場(chǎng)運(yùn)行結(jié)果表明該算法效果很好，滿足了幀片機(jī)視覺檢測(cè)的要求。
關(guān)鍵詞：分水嶺算法 貼片機(jī) 圖像分割
隨著表面貼裝技術(shù)的迅速發(fā)展，貼片機(jī)在我國(guó)電子組裝行業(yè)中的應(yīng)用越來越廣泛。它是機(jī)-電-光以及微型計(jì)算機(jī)控制技術(shù)的綜合體，通過吸取-位移-定位-放置等功能，實(shí)現(xiàn)了將表面貼裝元件快速而準(zhǔn)確地貼裝到PCB板指定的焊盤位置。其中貼片機(jī)視覺檢測(cè)的任務(wù)是完成帖裝元件的中心定位、質(zhì)量檢測(cè)以及貼裝校正等。而實(shí)現(xiàn)正確的視覺定位與檢測(cè)的前提是保證圖像的正確分割，即將貼裝元件準(zhǔn)確地從圖像的背景中分割出來。
圖像分割作為由圖像處理到圖像分析的關(guān)鍵步驟，至今已有許多相關(guān)算法被提出，大致分為三類：一是基于閾值的方法；二是基于區(qū)域的方法；三是基于邊緣的方法。盡管這些方法已被廣泛應(yīng)用于醫(yī)學(xué)圖像分割、遙感影像特征提取以及紅外目標(biāo)檢測(cè)等諸多領(lǐng)域中，但對(duì)于貼片機(jī)這種高速運(yùn)動(dòng)環(huán)境下的高速高精度圖像分割算法國(guó)內(nèi)目前尚處于研究應(yīng)用的起步階段。
分水嶺（Watershed）算法是一種新近發(fā)展起來的數(shù)學(xué)形態(tài)學(xué)圖像分割方法。這種方法之所以引起人們的重視，一是其計(jì)算速度較快，二是物體輪廓線的封閉性，三是定位的精確性。但分水嶺算法對(duì)微弱邊緣也具有良好的響應(yīng)，因此采用分水嶺算法進(jìn)行圖像分割時(shí)，通常會(huì)產(chǎn)生過度分割的現(xiàn)象。
本文針對(duì)項(xiàng)目組在國(guó)內(nèi)率先研制和產(chǎn)業(yè)化的八頭全自動(dòng)高速高精度貼片機(jī)中涉及的微型計(jì)算機(jī)視覺檢測(cè)問題，提出了一種以分水嶺算法為基礎(chǔ)，并結(jié)合傳統(tǒng)的邊緣檢測(cè)和閾值分割算法的改進(jìn)分水嶺算法，避免了分水嶺變換過度分割的缺陷，實(shí)現(xiàn)了貼裝元件與背景的精確分割。
1 傳統(tǒng)閾值分割算法及其缺陷
簡(jiǎn)單說來，灰度圖像的閾值分割就是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各像素的灰度值與這個(gè)閾值相比較。像素灰度值大于閾值的為一類，像素灰度值小于閾值的為另一類，灰度值等于閾值的像素可歸入上述兩類之一。這兩類像素一般分屬圖像中的兩類區(qū)域，所以對(duì)像素根據(jù)閾值分類就達(dá)到了將目標(biāo)從背景中分割出來的目的。
如果要把圖像中各種灰度的像素分成多個(gè)不同的類，那么需要選擇一系列閾值以將每個(gè)像素分到合適的類別中去。如果只用一個(gè)閾值分割稱為單閾值分割方法，如果用多個(gè)閾值分割稱為多閾值分割方法。
一幅原始圖像f(x,y)取單閾值T分割后的圖像可定義為：
在一般的多閾值分割情況下，取閾值分割后的圖像可表示為：
F（x,y）=k 如Tk-1<f(x,y)≤Tk k=0,1,2,…，K （2）
其中T0，T1，…，Tk是一系列分割閾值，k表示賦予分割后圖像各區(qū)域的不同標(biāo)號(hào)。
由此可見，閾值分割算法主要有兩個(gè)步驟：
（1）確定需要的閾值；
（2）將分割閾值與像素值比較以劃分像素。
以上步驟中，確定閾值是分割的關(guān)鍵，如果能確定一個(gè)合適的閾值就可以方便地將圖像分割開來。但由于圖像的復(fù)雜多變性，確定一個(gè)準(zhǔn)確的閾值并非易事。近年來許多閾值分割算法還借用了神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、遺傳算法、小波變換等工具，但由于所處理的圖像不同，每種方法的適用性都受到一定的局限。特別是對(duì)于貼片機(jī)，照明情況復(fù)雜多變，光照條件和變化對(duì)貼裝元件圖像的灰度分布以及元件與背景的對(duì)對(duì)度影響很大，因此很難確定一個(gè)準(zhǔn)確的閾值來對(duì)圖像進(jìn)行分割，傳統(tǒng)的閾值分割算法受到了很大限制。特別當(dāng)元件與背景的對(duì)比度差或元件旁邊有干擾點(diǎn)時(shí)，即使閾值已被確定，也有可能導(dǎo)致誤分割。
2 傳統(tǒng)分水嶺算法及其缺陷
分水嶺算法是一種基于數(shù)學(xué)形態(tài)學(xué)的分割方法，基本原理是把灰度圖像看作是測(cè)地學(xué)上的地形表面，圖像中每個(gè)像素的灰度值代表該點(diǎn)的海拔高度，圖像中每一個(gè)局部極小值及其影響區(qū)域被稱為集水分別，而集水分盆的邊界則形成分水嶺。分水嶺的計(jì)算方法很多，圖1描述了分水嶺算法的經(jīng)曲體形：浸沒模擬。在圖像的每一個(gè)局部極小值處刺穿一個(gè)小孔，然后將其逐漸深入一個(gè)湖中，圖像的局部極小值點(diǎn)先進(jìn)水，水逐漸浸入整個(gè)集水盆地。當(dāng)水位達(dá)到盆地的邊緣高度就將溢出，這時(shí)在水溢出處建立堤壩。如此直到整個(gè)圖像沉入水中，所建立的堤壩就成為分開盆地的分水嶺。
g(x,y)=W{f(x,y)} (3)
基于上述浸沒模擬，人們提出了許多分水嶺計(jì)算方法，比較經(jīng)典的是Vincent L提出的。在該算法中，分水嶺計(jì)算分為兩個(gè)步驟，一個(gè)是排序，另一個(gè)是淹沒。首先按像素灰度值的升存排列像素，然后升序?qū)崿F(xiàn)淹沒過程，并利用一個(gè)先進(jìn)先出的數(shù)據(jù)結(jié)構(gòu)，即循環(huán)隊(duì)列來擴(kuò)展標(biāo)記過的聚水分別地。通過一定的規(guī)則，分配分水嶺標(biāo)記，最終得到準(zhǔn)確的結(jié)果。
3 改進(jìn)分水嶺算法
圖像分割的目的是將圖像分割成不同的特體，即提取出物體的邊緣。由于特體邊緣的灰度變化比較強(qiáng)烈，而梯度圖像正好描述了該圖的灰度變化情況，因此，可使用梯度圖像的分水嶺變化換來進(jìn)行圖像分割。梯度圖像可將原始圖像通過梯度算子邊緣檢測(cè)得到，這里采用索貝爾（Sobel）算子，其兩價(jià)個(gè)3×3梯度變換卷積模板如圖3。
原始輸入圖像f（x,y）經(jīng)過邊緣檢測(cè)索貝爾算法S{·}得到梯度圖像f‘（x,y）的算法可以簡(jiǎn)單表示為：
f‘(x,y)=S{f(x,y)} (4)
分水嶺變換得到輸入圖像的集水分別圖像，而集水盆之間相鄰的像素點(diǎn)，即為分水嶺。顯然，分水嶺表示圖像極大值點(diǎn)。但是這些極大值點(diǎn)中并非所有都是期望的，有些是由于物體的細(xì)小結(jié)構(gòu)和噪聲引起。如果每一個(gè)極大值點(diǎn)都確定一個(gè)集水盆，那么輸出圖像將產(chǎn)生過分割。由于背景之間、物體之間的像素灰度值分別具有相似性，而背景與物體之間的像素灰度值則差別較大，分水嶺變換輸出圖像的各極大值點(diǎn)之間也反映了這種相似性和差別。因此，設(shè)定一分割閾值，定義為兩相鄰極大值點(diǎn)之間的灰度差。其某一極大值點(diǎn)與它最鄰近的另一極大值點(diǎn)之間的灰度差小于該閾值時(shí)，由這兩個(gè)極大值點(diǎn)確定的集水盆將合并；否則兩集水盆操保持不變。該算法描述為：設(shè)分水嶺變換后的輸出圖像為g(x,y)，任意兩相鄰極大值點(diǎn)的灰度值分別為p1、p2，對(duì)應(yīng)的集水分盆分別為C1、C2，若用（C1+C2）表示兩集水盆合并，（C1、C2）表示兩集水分別保持不變，分割閾值為T1，則該算法的輸出圖像G（x,y）可表示為：
經(jīng)過區(qū)域合并后的圖像G（x,y）為一灰度圖像，而且特體仍有可能被分割成灰度值各不相同的幾個(gè)區(qū)域?？紤]到元件位于圖像中心位置一定范圍內(nèi)，基于這種先驗(yàn)知識(shí)，對(duì)G（x,y）再作一閾值分割，取閾值T2為圖像左上角位置像素灰度值，G（x,y）中灰度值等于T2的像素變換為最小值（0），其余像素變換為最大值（255），經(jīng)過變換后的目標(biāo)圖像F（x,y）可表示為：
這樣得到的目標(biāo)圖像為二值化圖像，元件為全白，背景為全黑，實(shí)現(xiàn)了元件的正確分割。
綜上所述，改變分水嶺算法的具體實(shí)現(xiàn)步驟如下：
（1）原始輸入圖像f(x,y)進(jìn)行分水嶺變換輸出包含所有集水盆的灰度圖像g（x,y）；
（2）梯度圖像f‘(x,y)進(jìn)行分水嶺變換輸出包含所有集水盆的灰度圖像g(x,y)；
（3）針對(duì)g(x,y)中所有相鄰的集水分別，在分割閾值T1下進(jìn)行區(qū)域合并，輸出灰度圖像G（x,y）。其中T1取值為g(x,y)中特體與背景所處極大值點(diǎn)之間的最小灰度差，算法描述見式（5）；
（4）G（x,y）在閾值T2下進(jìn)行分割，算法描述見式（6），最終得到目標(biāo)圖像F（x,y）。
至此實(shí)現(xiàn)了物體與背景的分割。
4 試驗(yàn)結(jié)果及分析
將改進(jìn)分水嶺算法應(yīng)用于貼片機(jī)視覺檢測(cè)中的貼裝元件圖像分割。為了便于比較，本文也給出了采用傳統(tǒng)閾值分割后的分割結(jié)果，如圖3。
第一列為三種類型元件及其吸嘴的原始灰度圖，分別為Chip、Sot和Soic?？梢姴煌愋偷脑?，其圖像灰度分布各不相同。
.gif)
第二列為傳統(tǒng)閾值分割后的二值化圖，分割閾值分別為90、75和50?？梢姼黝愒姆指铋撝挡顒e較大，不能統(tǒng)一。如果閾值太低，則吸嘴上部分較亮的區(qū)域也被分割出來；反之，則元件某些管腳的連接部分就不能合并到管腳中，導(dǎo)致這些管腳被分割成兩部分。這些都不利于后續(xù)圖像分析。
第三列為采用改進(jìn)分水嶺算法分割一的二值化圖，分割閾值均為50?？梢?，吸嘴完全被分割到背景中，而元件所有管腳及其連接部分都合并到一個(gè)區(qū)域中，不存在過分割現(xiàn)象。而且由于該算法采用的閾值實(shí)際為一相對(duì)值（相鄰極值點(diǎn)的灰度差），不同于傳統(tǒng)閾值分割中閾值T1為一絕對(duì)值。試驗(yàn)證明，當(dāng)T1在一個(gè)比較大的范圍內(nèi)變化時(shí)，均能實(shí)現(xiàn)元件的正確分割，該算法具有較好的穩(wěn)定性。
圖像的正確分割是進(jìn)行圖像分析的前景，本文提出的將分水嶺變換與邊緣檢測(cè)、閾值分割相結(jié)合以及集水盆合并處理的改進(jìn)算法，可以比較好地處理物體的分割和背景的抑制與消除問題。該算法在貼片機(jī)現(xiàn)場(chǎng)生產(chǎn)過程中的應(yīng)用表明，其性能穩(wěn)定可靠，實(shí)現(xiàn)了貼裝元件圖像的正確分割，滿足了貼片機(jī)視覺檢測(cè)的要求，為后續(xù)圖像分析打下了良好的基礎(chǔ)。
：鞏經(jīng)理
：13915946763
：南京塞姆泵業(yè)有限公司
|
|
|
|
|
|
|
|