機器視覺檢測膠囊圖像的預處理研究

鄭 瀚，韋文斌，齊子城

(1.廣西工學院電子信息與控制工程系，廣西 柳州 545006;2.中國兵器科學研究院測控技術與儀器研究所，浙江 寧波 310014)

在缺陷膠囊的檢測中，多數廠家仍然采用人工檢測，這種方法存在著多種缺點，如勞動強度大，而且容易受到個人視力、情緒、光線、現場環境噪聲等因素的影響。該檢測方法既費時費力，又難以保證檢測質量。因此，對于膠囊缺陷檢測的研究具有重要的意義。

1 系統的組成

圖像識別系統主要組成部分，如圖1所示。

圖1 圖像識別框圖

進行圖像預處理的目的是為了去除干擾、噪聲和差異，將原始彩色圖像變成適合于計算機進行特征提取的形式，為特征提取做好必要的準備。圖像預處理的質量直接影響到整個系統的識別準確率［1］。

2 圖像的預處理

2.1 原始圖像預處理流程圖

在圖像預處理過程中，主要步驟，如圖2所示。

圖2 圖像預處理過程

文中主要以破損膠囊的圖像為例進行了預處理。包括灰度變換、濾波、邊緣增強、閾值分割、邊緣提取、缺陷識別等幾個步驟。

圖3 破裂原始圖像

2.2 圖像預處理

灰度變換是所有圖像增強技術中的基本手段之一，主要有以下幾種:圖像求反、線性灰度變換、對數變換、灰度切割等。其實質就是按照一定的修改規則，改變圖像的每一個像素灰度。使圖像的動態范圍增大，擴大對比度，以使獲得的圖像更加清晰。

在濾波部分，由于設計本身以及設備等外界因素的干擾，在膠囊缺陷圖像采集的過程中難免會引入一些噪聲，使圖像的質量受到影響。為減少這樣的影響，需要對圖像進行濾波處理。常用的濾波方法，主要有:均值濾波、逆濾波、維納濾波、中值濾波等。

邊緣增強就是為了將物體的邊緣和輪廓凸顯出來，方便提取物體的特征而對物體進行識別和分析。邊緣是一個區域的結束，也是一個區域的開始。在圖像中，邊緣和輪廓的灰度一般會突變。圖像的邊緣有方向和幅度兩個屬性，沿邊緣方向像素變化平緩，垂直于邊緣方向像素代表實際邊緣。邊緣上的這種變化可以用微分算子檢測出來，常用算法有:梯度、高斯－拉普拉斯、Canny 算子等算法［2］。

圖像分割是將圖像細分為它的子區域或對象。圖像分割算法一般基于亮度值的兩個基本特征:不連續性和相似性。第一類方法基于亮度的不連續變化分割圖像，比如圖像的邊緣。第二類方法依據事先制定的準則將圖像分割為相似的區域。比如門限處理、區域增長、區域分離、聚合等［3］。文中主要指將圖像中灰度與其周圍明顯不同的區域提取出來［4］。

在邊緣提取中，集合A的邊界表示為β(A)，B是一個適當的結構元素。它可以通過先由B對A的腐蝕，然后再用A減去腐蝕得到。即

從而提取到邊緣信息。

在得到感興趣的目標以后，為對膠囊的缺損進行分類，需要進行特征提取，然后對提取的數據進行分析和設計。文中主要以破損膠囊目標區域的形狀進行了初步分析。實際基于幾何形狀基本可以識別出簡單的膠囊缺陷，但膠囊缺陷有多種。有些僅靠幾何形狀難以做出判斷，因此還需要尋求其他方法。

3 文中選用方法

3.1 濾波

由于設備自身原因及外界干擾因素的存在，在膠囊缺陷圖像采集過程中難免會引入噪聲。為減少噪聲對圖像的影響，應對圖像進行濾波。

3.1.1 幾種濾波方法介紹

(1)均值濾波。是一種常用的線性低通濾波。均值濾波器的濾波過程是使一個模板在圖像上滑動，模板中心位置的值等于模板內各像素點灰度的平均值。它的數學表達式為

(2)逆濾波。是研究退化圖像最簡單的方法。其表達式為

圖4 逆濾波示意圖

逆濾波器的問題是會出現病態性，即在頻域中對應圖像信號的那些頻率上，若H(u，v)=0或微小，而噪聲頻譜 N(u，v)≠0，則 N(u，v)H－1(u，v)就難以計算或者比F(u，v)大得多，從而使復原結果與期望結果相差較大，甚至面目全非。

(3)維納濾波。是尋找一個濾波器，使得復原后的圖像與原始圖像的均方差最小。因此維納濾波也叫作最小均方誤差濾波。其綜合了退化函數和噪聲統計特性兩個方面進行復原處理。可以自動抑制噪聲，信噪比高。但維納濾波也存在一些問題。因為維納濾波是建立在最小化統計準則基礎上的。所以其得到的結果也只是平均意義上的最優，而且其花費的時間也較多。

(4)中值濾波。是一種非線性的平滑濾波器。它在消除噪聲的同時，能較好地保持圖像細節，防止圖像邊緣變得模糊。在一定條件下，對濾波脈沖干擾及圖像掃描噪聲最為有效。定義如下:設{xij(i，j)∈I2}表示數字圖像各點的灰度值，濾波窗口為A，yij為窗A在xij點的中值，則

3.1.2 文中濾波方法

因選用數字攝像機拍攝圖像，數字攝像機的噪聲呈孤立的點狀，容易惡化圖像的質量，使圖像模糊，將圖像自身的特征掩蓋，因此就需要一種高效的濾波方法［5］。基于這些特征，文中選用自適應中值濾波方法。

自適應中值濾波是一種非線性的去噪方法。其原理是把數字圖像或數字序列中任一點的值，用該點領域中各個點值的中間值代替。用一個窗口在圖像上掃描，把窗口內包含的圖像像素按灰度級升(或降)序排列起來，取灰度值居中的像素灰度為窗口中心像素的灰度，完成自適應中值濾波。

二維中值濾波可以取線性、方形、十字形或菱形;常用維數有3×3，5×5，7×7等。

圖5 幾種中值濾波窗

經自適應中值濾波后，所得結果如圖6所示。

圖6 自適應中值濾波化圖像

3.2 分割

在圖像中，分割是為將圖像劃分為不同的區域。基于灰度閾值的分割方法是圖像分割的經典方法［6］。在圖像目標區域和背景區域內部灰度的相關性較強，可以使用灰度的均一性作為分割的依據。而如何選擇一個最佳的分割閾值則是圖像分割的關鍵。根據圖像的特點及其條件，最佳閾值選取的方法有人工選擇法和自動閾值法。

3.2.1 幾種分割方法介紹

(1)人工選擇法。是通過人眼的觀察，應用人對圖像的知識，在分析圖像直方圖的基礎上，人工選用合適的閾值。也可以在人工選出閾值后，根據分割效果，不斷地交互操作，從而選擇出最佳閾值。但其缺點是必須有人介入，這樣很不合理。

(2)自動閾值法。通常使用灰度直方圖來分析圖像中灰度值的分布，結合特定的應用領域知識來選擇最合適的閾值。主要有3種選擇:迭代式閾值選擇、最小誤差閾值選擇法、Otsu法閾值選擇。

迭代式閾值選擇方法的基本思想是:開始時選擇一個閾值作為初始估計值，然后按某種策略不斷地改進這一估計值，直到滿意給定的準則為止。

最小誤差閾值選擇法通常以圖像中灰度為模式特征［3］。假設各模式的灰度是獨立同分布的隨機變量，并假設圖像中待分割的模式服從一定的概率分布，則可以得到滿足最小誤差分類準則的分割閾值，但其缺點在于，難以獲得待分割模式的概率分布。

Otsu法閾值選擇是文中主要選用的閾值分割算法。

3.2.2 文中選用分割方法

文中由于光源的不均勻性會造成膠囊在各個位置圖像的灰度值存在較大的差異。膠囊中間部分的亮度會稍大于兩邊的部分。而且也因為雙峰法和自動取值法有著明顯的缺點，且適應能力差，所以在文中選用最大類間方差法對圖像進行閾值分割。

最大類間方差法是由Ostu基于最小二乘法推導而成，又稱為大津法。具體實現方法如下:設一幅圖像的灰度值可以分為0～m級，灰度值為i的像素數為ni，則總像素數位

那么各灰度值出現的概率為Pi=ni/N，然后將灰度值分為兩組:c0={0－k}和c1={k+1－m}，則c0出現的概率為

c1出現的概率為

由以上兩式可以推出c0平均值為

c1的平均值為

其中，uk=是閾值為k時的灰度平均值;u=是整體圖像的灰度平均值。這樣兩極之間的方差就可以表示為

從0～m之間改變k值，計算上式求其最大值便是所求的閾值。選用最大類間方差法對圖像進行了閾值分割后，其處理結果如圖7所示。

4 實驗

圖7 閾值分割

系統采用大恒圖像采集系統，用1024×1024相機完成對膠囊原始圖像采集，然后應用LabVIEW軟件實現上述圖像處理算法。實驗素材來源于膠囊制造企業，并且人為加入外殼破損、大小丸和異形丸等問題膠囊，參加測試膠囊共計100顆。實驗以10顆一組分為10組，隨機反復實驗，驗證本膠囊外殼缺陷檢測系統的可靠性和穩定性。部分實驗數據如表1和表2所示。

如表1所示為對同一組實驗膠囊進行反復識別實驗，從隨即抽取的5組數據中可以看出系統具有較高的可靠性。如表2所示，對所有樣品進行實驗，并與工人篩選結果進行比較，識別正確率高于90%，具有一定的實際應用價值。

表1 單組膠囊多次實驗結果

表2 10組膠囊實驗結果

5 結束語

提出了一種完整的膠囊識別圖像增強預處理算法及實現，包括灰度化處理、中值濾波、對比度調整、邊緣增強等。采用多種識別方法對膠囊的多種缺陷進行分類識別。并通過搭建實驗平臺予以驗證，結果表明，預處理的功能模塊能夠有效抑制采集過程中引入的噪聲，增強圖像質量，突出缺陷特征信息，達到了較高的識別精度。

［1］王吳雨.圖像處理技術在玻璃缺陷檢測中的應用［J］.工業控制計算機，2011，24(2):37 －40.

［2］姚敏.數字圖像處理［M］.北京:機械工業出版社，2006.

［3］阮秋琦.數字圖像處理［M］.2版.北京:電子工業出版社，2007.

［4］侯艷麗，楊國勝，黃春艷.基于字符識別的門牌號識別算法研究［J］.河南大學學報:自然版，2004，34(1):76 －79.

［5］王飛，崔鳳奎，劉建亭，等.一種平板玻璃缺陷在線檢測系統的研究［J］.應用光學，2010，32(3):72 －76.

［6］杜李峰.齒輪接觸疲勞試驗中若干關鍵技術的研究［D］.杭州:浙江大學，2008.