Canny算子在PCBA目標邊緣提取中的優化應用

李 彥，趙其峰，閆 河*，李曉玲，謝 敏

(1.重慶理工大學 計算機科學與工程學院，重慶 401320；2. 重慶理工大學 兩江人工智能學院，重慶 401147)

1 引 言

PCBA元器件邊緣檢測是自動化生產線智能機器人視覺引導的關鍵技術，傳統canny算子[1]具有較好抗噪與邊緣定位能力而廣泛應用于PCBA元器件的邊緣檢測。但由于智能手機PCBA元器件規格尺寸細小、集成密集，且鏡頭、插槽、芯片、電阻等各元器件光反射特性不同，采集的圖像光照非常不均勻，在實際應用中，傳統canny算子檢測的元器件邊緣存在明顯的偽輪廓和邊緣粘連情況[2]，元器件邊緣檢測的精度不高，難以滿足后續的對元器件定位、測量及裝配等高精度視覺引導技術的需求。文獻[3-4]指出，傳統canny算子采用高斯濾波來消除噪聲，雖提高了圖像的信噪比，但目標邊緣過平滑現象突出、邊緣細節信息丟失嚴重，導致最終檢測的邊緣存在明顯的偽輪廓和邊緣粘連現象；文獻[5]指出，傳統canny算子最后一步的雙閾值檢測易導致目標的邊緣斷裂，產生過多的偽邊緣，進一步加劇了邊緣檢測的表現力降低。

針對以上傳統canny算子存在的問題，曾出現了許多改進算法。文獻[6]提出使用區域圖引導的雙邊濾波替代高斯濾波，根據圖像區域內噪聲屬性和區域之間的相似度動態調整濾波系數，在實現濾波的同時可以有效地保持圖像的結構信息。該方法在邊緣保持方面具有較好的效果，但算法過程復雜，耗時較為嚴重[7]，且降噪效果不理想。文獻[8]提出一種梯度幅值直方圖和類間方差最大法的自動閾值選取方法，通過將非極大值抑制后的像素點進行分割得到三類像素點，對每類像素點通過類間方差最大化求取最大值，即為三類像素點的分界點，該方法較好界定了區分非邊緣像素與邊緣像素的分割閾值，但在計算梯度等級時需要根據經驗得出，方法的適應性較差[9]。

為避免降噪引入圖像模糊的問題，借助引導濾波梯度保持特性，本文提出改進的具有“動態”懲罰項的引導濾波算法(Dynamic Penalty Guided Filtering，DPGF)，相對于文獻[6]中提到的方法，引導濾波算法本身具有更快的處理速度[10]和較好的邊緣保持效果，使用局部動態懲罰項可以有效避免圖像的過度平滑或欠平滑問題，相比于區域引導方法，本文具有更精確和靈活的處理范圍；無論是雙閾值分割還是文獻[8]中提到的最優分割算法，其根本思想均是全局分割，為了將分割區域精細到單像素級別，本文使用局部自適應閾值(LATS)替代全局閾值，利用滑動窗口機制計算局部自適應閾值，實邊緣像素與非邊緣像素的正確分割。從而期望本文的改進算法，能有效保留邊緣完整度且能較好抑制偽邊緣的產生，同時，在應用于PCBA元器件邊緣檢測時，能有效減低元器件周密區域邊緣缺失和粘連現象的出現，從而能實現元器件輪廓邊緣的精確提取，為后續元器件的高精度尺寸測量、高精度定位提供準確的輪廓邊緣信息。

2 Canny算法改進

2.1 具有“動態懲罰因子”的引導濾波算法

假設待濾波圖像為I，引導圖像為P，輸出圖像為Q。根據文獻[10]中給出的算法公式可以得到式(1)所示的線性模型表達式：

(1)

其中：i，k為像素索引值，μk與σ2分別為鄰域塊的均值和方差，|w|為鄰域塊中像素個數，ε為懲罰項。由(1)式分析可知，每個窗口會被持有相同懲罰項的濾波算子多次覆蓋，文獻[10]以計算均值的方式得到每個窗口最終的處理結果。該方法在一定程度上解決了部分區域平滑不足的缺陷，但由于每個窗口中存在的邊緣點數目不同，而處理過程使用相同的懲罰項，對于邊緣稀疏區域存在過度平滑的問題。

針對引導濾波算法使用全局懲罰項帶來的上述問題，本文利用窗口內邊緣點的數目作為判定依據，引入新的閾值懲罰項β，權衡邊緣稀疏和邊緣豐富區域的濾波效果。改進后的算法為：

Qi=βQi(β∈(0，1])，

(2)

(3)

β=s/|w|，

(4)

其中：T表示類間方差最優閾值，用來表示像素塊中邊緣點的豐富程度，s表示窗口內超過變化閾值的像素個數，β為像素塊內閾值變化比，即“動態”懲罰因子。通過算法改進，在像素塊中邊緣像素點較多時會獲得較大的懲罰因子，反之，懲罰項隨之減小，解決了全局懲罰因子造成局部濾波不均的問題。

本文使用基于誤差敏感的峰值信噪比(Peak Signal to Noise Radio，PSNR)和基于亮度(均值)、對比度(方差)、結構三個層次評價圖像失真效果的結構相似度(Structural Similartiy，SSIM)[11-12]兩指標衡量改進后算法的執行效果。如表1，通過使用局部動態懲罰因子改進后的算法，濾波效果較文獻[6]，文獻[7]和文獻[13]有較大提升，說明圖像中噪聲得到很好的抑制，具體體現在本文PSNR有較好的數值表現。為了避免單一指標存在誤差，文本對濾波前后的兩幅圖像進行結構相似度度量，由表1可知，本文算法結構相似性達到0.998 7，該數據[13]說明濾波后的圖像細節得到最大程度的保留。

由于篇幅有限，本節只對手機PCBA電路板圖像灰度等級直方圖進行分析，如圖1所示，圖1(b)為傳統canny算子高斯濾波處理的結果，區域1部分峰值較高且位于中間部分，表明圖像整體對比度偏低，圖像區域1和2兩部分較圖1(a)部分差值較大，表明算法對圖像具有增強作用，但整體缺乏穩定性，破壞了圖像中的原本的梯度結構信息，這與引言部分分析一致，也是目前信噪比雖然可能被提升，但圖像質量卻下降的主要原因。圖1(c)區域1波峰部分較圖1(a)和1(b)兩圖增強明顯，區域2部分較圖1(a)增強穩定，主要原因是PCBA電子元件密集且主要為黑色，圖像亮度差異較小，雙邊濾波固有的特性是在灰度差異較小的部分使用高斯濾波進行處理，所以其灰度特征與圖1(b)相似，但增強幅度不同。圖1(d)區域1和2兩部分，較圖1(b)中，差值較小，但較圖1(a)梯度特征差異較大，區域2部分出現大量高頻噪點，與文中使用的快速雙邊濾波的特性有關。圖1(e)同樣使用高斯濾波，但與圖1(b)～1(d)不同的是，圖1(e)算法通過建立高斯尺度空間進行采樣，2區域中增強穩定，但1區域增強過大，加劇了圖像的對比度差值，偏離了原圖像梯度特征。圖1(f)中由于將雙邊濾波和引導濾波進行結合，整體梯度特性得到保持，但由于引導濾波中全局懲罰項的缺點，導致梯度增強不明顯，部分區域有過平滑現象，具體表現為區域2部分較圖1(a)更加平緩。圖1(g)為本文使用“動態”懲罰引導濾波算法處理得到的結果，較圖1(a)中梯度得到增強，且整體增強穩定，沒有出現大范圍的梯度劇變問題，在梯度保持的情況下增強了邊緣與背景的差異度，有利于實現兩者的分離。

表1 改進算法結果比較

通過對PCBA圖像梯度直方圖分析可以發現，文獻[13]算法在處理邊緣稠密，灰度差異較小的圖像時具有良好的降噪和梯度保持效果，而文獻[6]與文獻[7]和[9]正好相反。本節提出的具有“局部動態懲罰因子”的引導濾波算法在降噪的同時因為使用梯度引導圖像，同時具有良好的梯度保持效果，在保邊去噪方面表現良好。

(a)原圖像(a)Original image

(b)高斯濾波圖像(b)Gaussian filtered image

(c)文獻[6](c)Literature [6]

(d)文獻[7](d)Literature [7]

(e)文獻[9](e)Literature [9]

(f)文獻[13](f)Literature [13]

(g)DPGF算法(g)DPGF algorithm圖1 PCBA灰度直方圖Fig.1 PCBA grayscale histogram

2.2 局部自適應閾值分割算法

手機PCBA電路板元件稠密，規格較小，各元件對光源反射程度不同，導致工業相機采集圖像存在明暗的細微差別。傳統canny算子通過人工設置全局閾值完成像素點的分割，對邊緣豐富，目標較小的區域邊緣檢測效果較差，邊緣粘合情況嚴重。為了盡可能保留光源反射較差區域的邊緣細節，本文受文獻[9]中梯度幅值直方圖和類間方差最大法啟發，使用改進的局部自適應類間差分法提高局部閾值分割的有效性，避免因元件光學特性造成局部較暗而設定閾值較高出現大量邊緣丟失和粘合的情況。

設像素塊中像素的灰度范圍為[T1，T2]，每個灰度g對應的像素點個數為Ng，像素塊大小為，則每個灰度級占比像素的塊的概率可以由式(5)得出：

Pg=Ng/N，∑Pi=1(i∈[T1，T2]).

(5)

此時，對像素塊中背景灰度級gb(b∈[T1，T])和目標灰度級go(o∈[T+1，T2])求取期望值E，如式(6)所示：

E=∑gPb(b∈[T1，T2])，
Eb=∑gbPb(b∈[T1，T])，
Eo=∑goPo(o∈[T+1，T2]).

(6)

為了得到最優的局部分割閾值，可以使用線性回歸思想，求取類間方差的極大值，如式(7)所示：

σ2=(Eb-E)2+(Eo-E)2.

(7)

對σ2求得最大值記為本像素塊的局部最優閾值，為了保證良好的分離特性，設像素塊求得最大閾值為Th，容差為Tc則分離判定條件如式(8)所示：

Pi=Pi*θ(PiPi=Pi(Pi

(8)

其中：Tc為常數值，需人為設定值，本文選取7得到最佳閾值分割效果。θ為像素值衰減比例，范圍介于0～1之間，圖片不同，取值不同。P為像素塊中8鄰域像素總和。

以手機PCBA電路板局部放大圖像為例，圖像未經任何濾波操作。本節僅選取2.1節中數據表現較好的文獻[13]以及針對閾值分割進行改進的文獻[9]進行實驗對比，對于其它文獻由于在本章節使用方法不同，在此不做對比。如圖2，圖2(b)區域1部分，使用閾值分割的效果較好，除部分邊緣噪點外，整體輪廓清晰，區域2部分，由于元件與背景灰度差值較小，受背景刻線影響，分割效果不明顯，出現大量偽邊緣，表明算法缺乏對背景復雜情況下灰度差值較小區域的有效處理。圖2(c)區域1部分，檢測效果較差，出現區域粘合，區域2部分，檢測效果較好，但出現目標邊緣缺失現象，對灰度差值較小區域，分割仍然不敏感，表明算法對背景干擾刻線具有較好的屏蔽效果，但存在邊緣丟失現象，在邊緣密集區域，分割效果較差。圖(2)d在區域1部分，對邊緣密集區域分割較為，明顯，沒有出現邊緣粘合現象，區域2部分對背景中存在干擾的刻線具有較好的屏蔽效果，整體檢測效果均好于前兩種算法。

(a)原圖(a)Original image

(b)文獻[9](b)Reference [9]

(c)文獻[13](c)Reference [13]

(d)LATS方法(d)LATS algorithm 圖2 局部自適應分割圖Fig.2 Local adaptive segmentation map

3 實驗結果與分析

本文對手機電路板不同區域進行邊緣檢測，通過觀察對局部光線變化頻繁且邊緣豐富區域的提取效果來驗證算法的有效性。

本文所有實驗改進結果均借助VS2017和Pycharm仿真平臺進行計算驗證，實驗圖像借助實驗室內模擬手機工業生產線搭建的移動平臺進行采集。圖3為各種算法對PCBA電路板圖像邊緣檢測效果。圖4為不同窗口大小下，背景的抑制效果。

圖3為多電阻并排區域放大圖，圖3(a)中，圖像邊緣檢測混亂，出現較多的干擾點，未能將電阻邊緣進行獨立的分割，出現邊緣粘合問題，與引言部分分析一致，表明算法在降噪過程中不徹底。圖3(b)出現大量邊緣斷裂情況，整體的分割較差，該算法僅在執行速度上進行了優化，算法本身仍然保留了雙邊濾波算法的缺點，與本文前面分析結果相符。圖3(c)算法，對背景估計，利用高斯金字塔實現復雜背景的消除，該算法對圖像光照不均(主要由元件反光導致)，背景復雜，且差異較小的圖像處理效果不理想，圖中雖然對各個元件之間進行了分割，較圖3(a)、3(b)效果較好，但仍然因為背景的干擾出現邊緣粘連現象。圖3(d)算法，雖然在整體數據表現上較好，但在邊緣密集，背景復雜區域的分割效果較差，但整體的輪廓位置較為清晰。圖3(e)為本文算法的處理結果，雖然元件內部檢測不完整，但元件的邊緣檢測效果較好，在圖中除一條邊緣發生粘連情況外，其他元件邊緣獨立，表明算法對邊緣密集、背景復雜、光照不均情況下，PCBA元件邊緣檢測具有較好的實驗效果。

圖4為本文算法選用不同大小窗口對背景進行處理的效果，從圖4(a)～4(c)不斷增大窗口過程中，背景顏色逐漸變為全黑，干擾點的數量急劇減少，到圖4(d)時除元件本身外，背景顏色變為全黑色，干擾點的數量降到最低。在圖4(d)～4(f)窗口不算增大過程中，背景刻線以及白色干擾點開始逐漸增多，處理效果變差，因此本文在處理背景干擾的問題時，滑動窗口選擇為19所得到的效果最佳。

為更加直觀測試算法的執行效果，利用文獻[14]中提出的一種邊緣檢測量化方法，m表示邊緣點的數量，n表示滿足3×3 pixel塊中單連通條件的像素數，n與m的比值表示邊緣連接的完整度，比值越小表示邊緣連接的完整性越高。本文算法與文獻[6-7]，文獻[9，13]以及傳統算法進行比較，結果如表2所示，其中文獻[6，9]算法的邊緣完整度近似，表現效果與本文前面分析一致，傳統方法表現最差，得到的邊緣效果遠遠低于各文獻改進后的算法，文獻[7，13]整體表現較差，其主要原因與選取的檢測部位有關，對邊緣密集區域的邊緣檢測能力較弱。

(a)文獻[6](a)Literature [6]

(b)文獻[7](a)Literature [7]

(c)文獻[9](c)Literature [9]

(d)文獻[13](d)Literature [13]

(e)本文算法

(a)7×7窗口(a)7×7 window

(b)11×11窗口(b)11×11 window

(c)17×17窗口(c)17×17 window

(d)19×19窗口(d)19×19 window

(e)25×25窗口(e)25×25 window

(f)80×80窗口(f)80×80 window圖4 不同窗口大小對背景的屏蔽效果Fig.4 Shielding effect of different window sizes on the background

本文算法較其他算法得到的完整度最高，較其他文獻中表現最好的文獻[9]邊緣檢測完整度提高了23%，表明本文算法對手機PCBA板元器件邊緣檢測有較好的處理效果。

表2 邊緣完整度評價

4 結 論

邊緣檢測在機器視覺領域一直占據重要地位，本文對傳統canny算法內容進行改進，對保變去噪能力較好的引導濾波加入“動態”懲罰因子替代高斯濾波，同時使用局部自適應閾值完成像素點的分割。實驗結果表明，圖像除噪后峰值信噪比較之前提高了0.5～0.6，結構相似性達到0.99，算法邊緣保持效果大大提高；手機PCBA電路板元件稠密區域分割明顯，表明本文算法對解決光源充足情況下，環形光源與環形漫反射光源均無法克服元件反光差異而導致圖像中灰度變化，目標區域與背景差值較小而產生的邊緣粘合問題具有良好的實驗效果。由于本文算法整體耗時比傳統canny算法和文獻中提到的部分算法較高，需要進一步優化算法的執行效率，這也是以后需要改進的方向。