一種高速印刷圖像處理算法

摘要：針對高速印刷圖像處理中的高實時性要求，分析了高速印品圖像的圖像特征，提出了一種利用灰度形態(tài)學提取輪廓進行快速圖像配準的方法。對配準后的圖像，采用改進的圖像差分算法進行圖像比較和形態(tài)學濾波，能夠快速準確地將印刷缺陷提取出來。實際應用表明，該算法能滿足最高300 m/min彩色印品質量檢測的需要。

關鍵詞：灰度形態(tài)學；輪廓提??；圖像配準；圖像差分

中圖分類號：TP391．41文獻標志碼：A

文章編號：1001－3695(2007)05－0300－03

隨著凹印技術的發(fā)展，印刷速度越來越高，印刷對象發(fā)生了深刻變化，印刷圖案越來越復雜，印刷色彩越來越多，這就對印刷的精確性提出了更高的要求。傳統(tǒng)的人工檢測已經很難滿足現代印刷的速度和準確性的需要。隨著計算機技術的發(fā)展，出現了一些基于機器視覺的質量檢測設備。由于受圖像處理龐大的數據量和硬件速度這一矛盾的制約，常用的機器視覺設備很難滿足高速印品質量檢測的實時性和完全檢測的要求。為解決這一對矛盾，本文分析了高速、高精度圖像的成像機理和成像質量，提出了一種基于輪廓的快速圖像配準方法和基于圖像差分方法與數學形態(tài)學的圖像匹配算法。

實驗的對象是瑞士博斯特650型印刷生產線，最高印刷速度250 m/min。為保證相機的采集速度與印刷速度和檢測精度匹配，減少運動模糊，采用了高速彩色線陣CCD相機和超強直流光源構成采集系統(tǒng)。該系統(tǒng)能將相機的曝光時間控制在微秒級，從而保證運動模糊在1像素以內。高速印刷時，影響視覺檢測主要是紙張抖動和張力變化引起的圖像1~2個像素橫向和縱向（紙張前進方向）偏移以及編碼器定位引起的2~3個像素縱向偏移。旋轉位移和尺度變化極小，且算法可修正。圖1是待處理的實例圖像。圖1(a)為標準圖像，(b)為待檢測圖像（矩型框中的黑色墨點為印刷中常見的飛墨缺陷）。圖2是從圖1中用硬件提取的R、G、B單通道圖像。從圖中可以看出三個單通道圖像有明顯的差異，缺陷在三個通道中都有分布。本文對彩色圖像的處理流程如圖3所示。

注：圖2（a）、（b）、（c）依次為標準圖像的R、G、B三個通道圖像；（d）、（e）、（f）依次為待測圖像的R、G、B三個通道圖像。

1基于輪廓的快速圖像配準算法

圖像配準的目的是建立兩個圖像的幾何相關性[1]。其考慮的參數主要有平移參數、旋轉參數、尺度參數和灰度幅度參數。用f(x，y)和g(x，y)表示待配準圖像，則配準過程可以描述為

輪廓提取是利用圖像灰度值局部不連續(xù)性和鄰域相似性，通過求取圖像局部梯度實現的[4]。常用的算子，如Sobel算子、Prewitt算子、Canny算子等，計算復雜度大且抗噪聲能力差；而形態(tài)學處理具有良好的并行計算和抗噪聲能力。因此，本文用灰度形態(tài)學的方法提取印刷圖像的輪廓。形態(tài)學提取圖像輪廓有三種方法：①fb-f;②f-fΘb；③fb-fΘb。方法①在提取高灰度值、小間距的輪廓時，容易產生輪廓錯位和合并，導致檢測不準確。方法②則容易引起間距小的低灰度輪廓的錯位和合并。方法③又稱做形態(tài)學梯度，對噪聲敏感且提取的輪廓較粗，而且要進行膨脹和腐蝕操作各一次，因而計算復雜度大[5]。在用輪廓進行配準定位時，輪廓越細膩和完整，配準越精確。綜合考慮以上因素，為了保證高灰度值輪廓點的準確提取，選擇方法②對圖像進行處理。從標準圖像和待測圖像的G通道圖像提取的灰度輪廓如圖4所示。對其用二次平均閾值法求得閾值h=37。二值化處理的結果如圖5所示。

1．2基于輪廓的自搜索小區(qū)域快速圖像配準算法

如果對原始圖像直接進行配準運算，計算復雜度大。為了減少計算復雜度，本文提出了基于輪廓的自搜索小區(qū)域快速圖像配準算法。其方法為：首先利用標準圖像二值輪廓圖像快速定位一個合適的M×N的配準區(qū)域（本文取256×256的區(qū)域）；然后對配準區(qū)域的灰度輪廓點進行最大相關法配準。

（1）配準區(qū)域的快速定位

由于配準區(qū)域遠小于實際圖像，如果對不同的印刷品都以同一固定位置取配準區(qū)域，則可能出現該區(qū)域圖像特征不明顯或者輪廓灰度值過低的情況，不利于精確配準，需要搜索圖像以尋找較佳的配準區(qū)域。由于同一印刷過程中，相機總是對重復場景采樣，配準區(qū)域搜索只需在檢測開始時進行，后續(xù)檢測可沿用相同區(qū)域。如果印刷內容改變需重新搜索。

（2）相關性配準操作

對灰度輪廓圖像采用相關系數法配準結果可靠，抗干擾能力強，但計算復雜度大。在基于輪廓特征的配準方法中，配準主要利用輪廓特征，非輪廓點對配準的貢獻不大，而且過多的非輪廓點還會帶來干擾因素，影響配準精度。在輪廓圖像中，輪廓點只是極小的部分，因此在計算相關性系數時忽略t(x，y)中的非輪廓點能極大地降低計算規(guī)模。輪廓點是指前文中二值輪廓圖像輪廓點的對應點。圖4(a)中的標準輪廓圖像的總像素個數為65 536個。其中僅有5 530個輪廓點，顯然該方法能大大節(jié)約計算量，求得待測圖像相對標準圖像的偏移值為Δx=2，Δy=0。

2基于圖像正差和負差的圖像匹配

常用的匹配算法，如最大相關系數法、特征匹配法和特征矢量法，計算復雜度大，很難保證高速印刷圖像在線檢測的實時性要求。本文根據印刷圖像的重復性特點，選擇了算法簡單、實時性強的圖像差分算法進行圖像匹配。

2．1圖像差分

2．2圖像差分基準圖像的選擇

圖像差分基準圖像的選擇有兩種方式：①選擇固定的基準圖像；②選用動態(tài)基準圖像。文中選用方法②，以前一個正確的圖像作為后一次差分處理的基準圖像。它能夠把照明條件、印刷油墨色彩及生產環(huán)境等非質量因素造成的圖像差異降到最低，具有更好的可靠性和精確性。

2．3基于正差和負差的圖像匹配

通常在圖像處理中只采用2.1節(jié)中所述的正差、負差、絕對值差中的一種方法。在高速運動圖像中，考慮到紙張的抖動以及印刷圖像的重復性特征，本文將上述多種圖像差分方法相結合，并利用數學形態(tài)學濾波解決了印刷圖像的缺陷提取問題。

印刷缺陷包括明缺陷和暗缺陷兩種。明缺陷是指缺陷的灰度值比其鄰域高的缺陷；暗缺陷是指缺陷的灰度值比其鄰域低的缺陷。如果只用正差或者負差處理，則只能提取明缺陷或暗缺陷中的一種；如果用絕對值差進行處理，則由于誤差的疊加放大了圖像偏移帶來的輪廓噪聲。本文采用正差和負差相結合的方法來提高處理的精確性，將從標準圖像和待測圖像對應的R、G、B單通道圖像分別作正差和負差處理?，F在圖2中就是：

察，將所有結果圖像灰度值增加了100得到如圖6所示的效果。在經過正差和負差處理后，缺陷在兩個結果圖像中都有反映。由于選擇的缺陷圖像以暗缺陷為主，故缺陷主要體現在負差的結果圖像上。結果圖像中還有一些殘留輪廓噪聲存在，特別是(be)和(eb)，但這些輪廓像素的實際灰度值極低，經濾波操作很容易去除。正差和負差對處理結果也有明顯不同，正差保留輪廓邊緣上側的噪聲，類似于明缺陷；負差則保留輪廓邊緣下側的噪聲，類似于暗缺陷。

2．4形態(tài)學噪聲濾除算法

為了去除圖6中的偽缺陷和隨機噪聲，本文選擇了形態(tài)學濾波。后面以G通道的結果圖像（圖6(be)和(eb)）進行闡述。

形態(tài)學濾波的結果與結構元素b(s，t)有很大關系[2]。本文中所選擇的結構元素不但要能去除圖6中所示的偽缺陷，而且能保留和突出缺陷。通過對噪聲和缺陷的分析，有如下結論：圖像偏移引起的殘余輪廓寬度不超過兩個像素，偽缺陷輪廓線條很細且灰度值很低，有方向性和不連續(xù)的特點；而真正的缺陷形狀不規(guī)則，具有鄰域連續(xù)和高灰度值的特點。本文用如圖7所示的結構元素對圖6中的(eb)和(be)進行腐蝕處理，再取閾值為5對圖像進行閾值處理得到圖8所示的結果圖像。為顯示方便，圖8~10均為取反后的圖像。在圖8中，輪廓噪聲全部被去除，分布在(be)和(eb)上的黑點就是缺陷，滿足了處理要求。將G通道結果圖像(be)和(eb)相加得到G通道的缺陷圖像，如圖9所示。

對R通道和G通道作同樣處理后，再把所有結果圖像相加得到最終缺陷圖像，如圖10所示。圖11~14是其他比較典型的印刷缺陷（前者為原始圖像，后者為缺陷圖像）。

3結束語

本文針對高速印刷圖像處理中的高實時性要求，根據高速印品圖像的特征，提出了基于輪廓的自搜索小區(qū)域快速圖像配準算法，并將多種圖像差分方法和形態(tài)學濾波相結合實現了印刷缺陷的提取。實際應用證明，本文提出的高速印刷圖像處理算法能快速、準確提取印刷過程中出現的飛墨、刀絲、臟版、蚊蟲和錯印漏印等缺陷，適應了高速凹印生產線的在線實時檢測要求，具有良好的應用前景。

參考文獻：

［1］HUI Li，JUNATH B S M， SANJIT K M.A contour－based approach to multisensor image registration[J].IEEE Transactions on Image Processing， 1995，4（3）:320－334.

［2］RICHARD A P II.A new algorithm for image noise reduction using mathematical morphology[J].IEEE Transactions on Image Processing，1995，4（3）:554－568.

［3］STERNBERG S R. Gray scale morphology [J].Computer Vision， Graphics and Image Processing，1986，1（35）：333－355.

［4］ROMáN K， CLAUDIO D.Boundary extraction through gradient－based evolutionary algorithm[J].JCST，2003，3（1）:7－12. 

［5］王小鵬，郝重陽，樊養(yǎng)余，等.一種提取圖像細節(jié)邊緣的新方法[J].中國圖像圖形學報，2003，8（A11）:1286－1290.

［6］吳炯，張秀彬，張峰.移動目標的快速識別算法[J].微計算機信息，2004，20（3）：45－58.

［7］周彩霞，匡綱要.基于差影法粗分割與多模板匹配的人臉檢測[J].計算機工程與應用，2004，25（10）：1648－1652.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”