一種基于Hough變換和圖像融合的快速破損檢測(cè)

劉 娣，周武能，張?jiān)斘?/p>

(東華大學(xué)信息科學(xué)與技術(shù)學(xué)院，上海 201620)

0 引言

從20世紀(jì)70年代中期開(kāi)始，計(jì)算機(jī)技術(shù)和人工智能、思維科學(xué)研究的迅速發(fā)展，人們開(kāi)始研究運(yùn)用計(jì)算機(jī)系統(tǒng)解釋圖像，數(shù)字圖像處理的先決條件是將圖像轉(zhuǎn)化為數(shù)字形式，存儲(chǔ)在計(jì)算機(jī)中，然后按特定的目標(biāo)，運(yùn)用特定的操作來(lái)“改造”圖像［1］。

傳統(tǒng)的繞繩包裝破損檢驗(yàn)借助于人的視覺(jué)、主觀判斷能力或硬件設(shè)備，因而占用大量的人力，而且長(zhǎng)時(shí)間勞動(dòng)易產(chǎn)生視覺(jué)疲勞造成誤檢［2］，嚴(yán)重影響出廠產(chǎn)品質(zhì)量，流通出去也會(huì)對(duì)生產(chǎn)廠商的企業(yè)形象造成負(fù)面影響［3］。與傳統(tǒng)工業(yè)檢測(cè)相比，數(shù)字圖像處理減少了成本，提高了檢測(cè)的準(zhǔn)確性。近年來(lái)工業(yè)檢測(cè)中運(yùn)用數(shù)字圖像處理增強(qiáng)圖像的特征信息，灰度圖像的變換主要涉及直方圖均衡化、邊緣檢測(cè)、閾值分割、對(duì)比度拉伸等，由于灰度圖像丟失了彩色圖像中的許多信息，其檢測(cè)結(jié)果準(zhǔn)確性不高。對(duì)于彩色空間的圖像處理，主要涉及小波變換［4-6］、Retine x理論［7-9］、彩色邊緣等方式。這些算法都能增強(qiáng)圖像的特征信息，但容易受環(huán)境干擾，影響檢測(cè)的準(zhǔn)確性，不能滿足工業(yè)繩團(tuán)包裝的實(shí)時(shí)檢測(cè)。

針對(duì)這一情況，本文提出一種基于計(jì)算機(jī)視覺(jué)的薄膜破損檢測(cè)方法:在取連續(xù)2幀圖像的基礎(chǔ)上，運(yùn)用Hough變換分割出ROI區(qū)域，將對(duì)應(yīng)的ROI區(qū)域通過(guò)小波變換，圖像融合后轉(zhuǎn)化到HSI(色度、飽和度、亮度)空間進(jìn)行閾值分割，判斷是否存在破損。

本文的算法實(shí)現(xiàn)了工業(yè)繩團(tuán)包裝中破損的實(shí)時(shí)檢測(cè)，能夠有效地降低時(shí)間，節(jié)約成本，提高檢測(cè)的準(zhǔn)確性。

1 計(jì)算機(jī)視覺(jué)

本文中，計(jì)算機(jī)視覺(jué)就是運(yùn)用計(jì)算機(jī)、攝像頭等成像系統(tǒng)代替視覺(jué)器官作為輸入敏感手段，由計(jì)算機(jī)代替大腦完成處理和解釋，實(shí)現(xiàn)對(duì)透明薄膜包裝的實(shí)時(shí)檢測(cè)。

本文針對(duì)透明塑料薄膜的工業(yè)檢測(cè)，設(shè)計(jì)出一套檢測(cè)薄膜破損方案，具體流程如圖1所示。

圖1 檢測(cè)流程圖

如圖1所示，利用計(jì)算機(jī)視覺(jué)代替?zhèn)鹘y(tǒng)的人工檢測(cè)，當(dāng)勻速傳送帶將包裝繩團(tuán)傳送至碗狀光源正下方時(shí)，進(jìn)行連續(xù)2幀圖片的拍攝。首先運(yùn)用Hough變換提取感興趣區(qū)域(ROI)，由于拍攝時(shí)間隔時(shí)間很短，分割后的區(qū)域是互相對(duì)應(yīng)的，其次參考各個(gè)像素點(diǎn)的能量和可見(jiàn)度，最大限度地增加特征區(qū)域和背景區(qū)域的對(duì)比度，運(yùn)用連續(xù)的2幅圖像進(jìn)行處理，可以減少噪聲對(duì)結(jié)果產(chǎn)生的影響，同時(shí)增加破損區(qū)域和周圍區(qū)域的對(duì)比度，最后在S空間進(jìn)行閾值分割，判別透明薄膜是否存在破損。

該方案中，包裝材料是透明塑料薄膜，包裝過(guò)程采用熱處理，因此拍攝視頻時(shí)，需要在暗黑的環(huán)境中，運(yùn)用廣角鏡頭、同軸光源和碗狀光源進(jìn)行拍攝。同軸光源可以有效地減少薄膜反射率，碗狀光源主要是自動(dòng)設(shè)置光源模式，將繩團(tuán)和光線對(duì)比，拍攝效果更好［3］。即當(dāng)繩團(tuán)為紅色時(shí)，碗狀光源可設(shè)置為藍(lán)光，當(dāng)繩團(tuán)是藍(lán)色時(shí)，設(shè)置光源模式為紅光。

2 對(duì)ROI區(qū)域進(jìn)行處理

霍夫變換(Hough)是圖像處理中識(shí)別幾何形狀的一種方法，霍夫變換不受圖形旋轉(zhuǎn)的影響，易于進(jìn)行幾何圖形的快速變換［10］。最基本的霍夫變換是從黑白圖像中檢測(cè)直線(線段)［9］。圖像中的一個(gè)點(diǎn)對(duì)應(yīng)參數(shù)平面中的一條正弦曲線，圖像中的一條直線對(duì)應(yīng)參數(shù)平面中的一個(gè)點(diǎn)。對(duì)圖像上所有的點(diǎn)作霍夫變換，最終檢測(cè)出的直線是在參數(shù)平面中直線相交最多的那個(gè)點(diǎn)所對(duì)應(yīng)的直線。但在進(jìn)行Hough變換時(shí)，所檢測(cè)的幾何形狀必須為規(guī)則圖形，不然結(jié)果會(huì)產(chǎn)生錯(cuò)誤。

2.1 運(yùn)用Hough變換分割出ROI

繩團(tuán)的工業(yè)檢測(cè)中，在同軸光源上方拍攝視頻，同軸光源的可視區(qū)域是規(guī)則圓形，繩團(tuán)在其圓內(nèi)，可以運(yùn)用Hough變換對(duì)連續(xù)2幀進(jìn)行圓分割。這樣可以更有針對(duì)性地對(duì)ROI區(qū)域進(jìn)行處理，在進(jìn)行圖像處理時(shí)，減少了非感興趣區(qū)域的像素干擾。

Hough圓變換的基本原理是將影像空間中的曲線變換到參數(shù)空間中，通過(guò)檢測(cè)參數(shù)空間的極值點(diǎn)，確定出該曲線的描述參數(shù)。

對(duì)于圖像中任意確定的一點(diǎn)均有參數(shù)空間的1個(gè)三維的錐面與之對(duì)應(yīng)。對(duì)于圓周上的任何點(diǎn)集合{(xi，yi)}，這些三維錐面構(gòu)成圓錐面簇。若集合中的點(diǎn)在同一個(gè)圓周上，則這些圓錐簇相較于參數(shù)空間上的某一點(diǎn)，這點(diǎn)恰好對(duì)應(yīng)于圖像平面的圓心坐標(biāo)及圓的半徑。對(duì)于數(shù)字圖像，則可寫為:

其中ξ是考慮到對(duì)圖像進(jìn)行數(shù)字化和量化的補(bǔ)償。

運(yùn)用Hough變換提取出圓區(qū)域，對(duì)于后續(xù)的圖像處理降低了干擾，減少了運(yùn)行時(shí)間，提高了運(yùn)行效率，更有利于孔洞破損的檢測(cè)。

2.2 小波變換中增強(qiáng)圖像細(xì)節(jié)

小波分析的數(shù)學(xué)思想來(lái)源于調(diào)和分析，其形成于20世紀(jì)50年代初的純數(shù)學(xué)領(lǐng)域?！靶　笔侵钙渚哂兴p性;稱之為“波”則是指它具有波動(dòng)性，其振幅呈正負(fù)相間的震蕩形式。小波變換有利于增強(qiáng)圖像細(xì)節(jié)，突出特征區(qū)域。

采用二維離散小波進(jìn)行圖像增強(qiáng)，即對(duì)二維圖像信號(hào)在水平和垂直方向做一維離散小波變換［14］。

進(jìn)行二維變換時(shí)，需要一個(gè)尺度函數(shù)φ(x，y)和3 個(gè)二維小波 ΨH(x，y)，ΨV(x，y)和 ΨD(x，y)。小波度量函數(shù)ΨH，ΨV，ΨD，表達(dá)了圖像沿列方向的灰度變化(例如水平邊緣)，沿行方向的灰度變化(例如垂直邊緣)，沿對(duì)應(yīng)對(duì)角線方向的灰度變化［18］。和可分離的“方向敏感”小波

定義一個(gè)尺度和平移基函數(shù):

其中，上標(biāo)i指出式(2)～式(4)中的方向小波。i是假定值H，V和D的上標(biāo)。于是，大小為M×N的圖像f(x，y)的離散小波變換是:

WiΨ(j，m，n)系數(shù)對(duì)尺度 j≥j0附加了水平、垂直和對(duì)角方向的細(xì)節(jié)。通常令j0=0，并且選擇，因此有j=0，1，2，…，J-1 和 m=n=0，1，2，…，2j-1。給出式(5)和式(8)中的Wφ和，f(x，y)可通過(guò)小波反變換得到:

二維DWT可以使用數(shù)字濾波器和下取樣器來(lái)實(shí)現(xiàn)。先簡(jiǎn)單地取f(x，y)的行的一維FWT，然后，取結(jié)果列的一維FWT，可以得到水平、垂直和對(duì)角線細(xì)節(jié)系數(shù)，得到基于小波變換的子圖像和在每個(gè)尺度處的方向特征。反向進(jìn)行處理，近似子圖像和細(xì)節(jié)子圖像被上取樣，并在行和列上和一維濾波器進(jìn)行卷積，得到j(luò)+1的近似，重復(fù)該過(guò)程，直至重建原圖像。如圖2所示。

圖2 圖像增強(qiáng)過(guò)程

圖2中，↓2表示間隔性的采樣，↑2表示在每個(gè)樣本點(diǎn)間插入0值。

工業(yè)繩團(tuán)包裝中的破損為閉合圖像，ΨH(x，y)，ΨV(x，y)，ΨD(x，y)保留原圖像中的各個(gè)邊緣等細(xì)節(jié)部分，突出了破損檢測(cè)中的細(xì)節(jié)部分。

2.3 圖像融合

圖像融合是把從同一場(chǎng)景獲得的多幅圖像綜合成一幅圖像的圖像處理技術(shù)［12］。圖像融合可以根據(jù)需要有效地突出源圖像的共有部分、特征部分，強(qiáng)化融合后圖像的對(duì)比度信息。本文中，圖像融合采用連續(xù)的2幀，這樣在圖像融合時(shí)可減少噪聲的干擾，并且較少了圖像中有用信息的丟失，對(duì)圖像的特征增強(qiáng)起到了疊加作用，更有利于進(jìn)行圖像判別。

小波變換后的圖像f(x，y)是大小為M×N的數(shù)字圖像，二維傅里葉變換(DFT):

截止頻率在距頻率矩形中心距離為D0的濾波器傳遞函數(shù)如下，其中D0是一個(gè)正常數(shù)，D(u，v)是頻率域中點(diǎn)(u，v)與頻率矩形中心的距離:

其中，令P=2M，Q=2N，在該濾波中，低頻分量減少，高頻分量未發(fā)生改變，高頻是感興趣特征。

在分割出的ROI區(qū)域中，繩團(tuán)包裝中可能存在的孔洞破損是高頻分量，運(yùn)用高頻濾波可淡化背景區(qū)域的影響，突出高頻與背景部分的差異。

作為顯著性特征，源圖像中像素的梯度能量作為圖像融合的系數(shù)值［15］。通過(guò)比較分析，拉普拉斯能量(Energy of Laplacian，EOL)比梯度能量更能有效地增加感興趣區(qū)域的清晰度，拉普拉斯能量越大，放映的局部圖像越清晰，本文是以小波變換后的圖像為主，利用像素的EOL和可見(jiàn)度(Visibility，VI)進(jìn)行圖像融合?？梢?jiàn)度反映了ROI區(qū)域局部灰度對(duì)比度，可見(jiàn)度越大，ROI區(qū)域的灰度對(duì)比度越大。

像素點(diǎn)(x，y)處的EOI和VI定義為:

在EOL公式中，有:

其中，f(u，v)為(u，v)處的像素值，w 是以(x，y)為中心大小為l×l的窗口(l一般為3或5)，mk為窗口w中所有像素灰度平均值，N為窗口w中像素總數(shù)，α為常數(shù)(0.6 ≤α ≤0.7)。

圖像加權(quán)平均融合g(x，y)規(guī)則算法:

1)將小波變換后的 RGB 圖像 f(x，y)，g(x，y)進(jìn)行歸一化處理。

2)將大小為M×N的圖像f(x，y)與圖像g(x，y)填充為(M+2)×(N+2)，分別在上下2行，左右2列進(jìn)行填充，填充部分的像素值為:

g(x，y)也采用如下形式填充，f(x，y)，g(x，y)填充后的圖像記為 f'(x，y)，g'(x，y)，進(jìn)行填充的主要目的是為了使融合后的圖像和ROI區(qū)域的大小一致。

3)計(jì)算 f'(x，y)，g'(x，y)中各像素點(diǎn)的 EOL 和VI，進(jìn)行歸一化處理后，記為 Efij，Vfij和 Egij，Vgij，將其作為圖像融合的各點(diǎn)系數(shù)強(qiáng)度值。

4)記輸出圖像為O1，融合過(guò)程中的圖像為:

其中 i，j分別表示 ROI圖像 f(x，y)，g(x，y)中像素點(diǎn)的位置。融合后的圖像O1=w1g1ij+w2f1ij，其中w1+w2=1，w1=w2=0.5。

5)將融合后的RGB圖像轉(zhuǎn)化到HSI空間，記為HSI_RGB。

6)將HSI_RGB圖像在H，S，I空間進(jìn)行閾值分割，設(shè)定閾值T=0.15時(shí)，效果最好。

輸出圖像結(jié)合了圖像中的拉普拉斯能量和可見(jiàn)度作為加權(quán)融合的系數(shù)，加強(qiáng)了圖像中的特征信息以及邊緣細(xì)節(jié)，使人眼更容易識(shí)別。

2.4 彩色模型

自然情況下的彩色圖像運(yùn)用RGB(紅、綠、藍(lán))彩色模型，該模型中3個(gè)分量組成了日常生活中最常見(jiàn)的彩色圖像。HSI(色調(diào)、飽和度、亮度)空間模型是由人為制定的，解除了圖像中顏色和灰度信息的聯(lián)系，更符合人類描述和解釋顏色的方式［16］。本文將融合過(guò)的RGB空間圖像運(yùn)用HSI空間，圖像的結(jié)果更加直觀，更便于閾值分割，進(jìn)行破損判別，在HSI空間中，H是描述純色的屬性，S能夠表示純色被白光稀釋的程度，I表示圖像紅、綠、藍(lán)分量的平均值。

HSI空間的顏色系統(tǒng)更能接近于人們視線的感知，得到的圖像結(jié)果更直觀，檢測(cè)的準(zhǔn)確性更高。

3 仿真實(shí)驗(yàn)結(jié)果與分析

為比較融合后的圖像效果，運(yùn)用Matlab進(jìn)行了大量的仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果取得了一定效果，由于篇幅的限制，給出一組結(jié)果來(lái)進(jìn)行分析。

如圖3所示，將分割后的ROI區(qū)域，即圖3(a)、圖3(b)兩幅圖像進(jìn)行融合，找出其中的破損，見(jiàn)圖3(c)。

圖3 不同算法圖像對(duì)比

圖3(a)、圖3(b)對(duì)應(yīng)2幅原圖中的ROI區(qū)域，圖3(c)采用的是普通像素級(jí)的融合方法，圖3(d)將對(duì)比度拉伸后進(jìn)行圖像融合，圖3(e)將均衡化的圖像進(jìn)行融合，圖3(f)為運(yùn)用本文算法融合后的圖像，圖3(g)為融合后圖像的HSI空間。圖3(h)為在HSI空間進(jìn)行閾值分割后的圖像。

目前評(píng)價(jià)圖像融合效果的方法主要可以分為2類，即主觀評(píng)價(jià)方法和客觀評(píng)價(jià)方法［13］。主觀評(píng)價(jià)方法是由人直接對(duì)圖像進(jìn)行質(zhì)量評(píng)價(jià)，具有簡(jiǎn)單直觀的特點(diǎn)，但是人的主觀意識(shí)可能會(huì)影響評(píng)價(jià)效果。

客觀評(píng)價(jià)融合后的圖像，需要將融合后的圖像與原圖中所包含的信息量進(jìn)行比較，找出2幅圖像中相關(guān)性或一幅圖像包含另外一幅圖像的信息量，如果相關(guān)性越大，則證明圖像的融合質(zhì)量越好。

對(duì)于圖像質(zhì)量的評(píng)價(jià)，本文采用不同圖像融合算法，比較結(jié)果如表1所示。

表1 融合效果性能評(píng)價(jià)指標(biāo)

通過(guò)數(shù)據(jù)分析，運(yùn)用本文算法的圖像經(jīng)融合后在信息熵、標(biāo)準(zhǔn)差、平均梯度上的交互信息量的總和均比前3種方法大，圖像在邊緣、能量以及可視度方面均取得了很好的效果。如圖3(f)所示，融合后的圖像更有利于人眼對(duì)破損的判別。

4 結(jié)束語(yǔ)

數(shù)字圖像處理將模擬圖像信號(hào)轉(zhuǎn)換為離散的數(shù)字信號(hào)并利用計(jì)算機(jī)對(duì)其進(jìn)行處理，目前在航空航天、生物醫(yī)學(xué)工程、工業(yè)檢測(cè)、機(jī)器人視覺(jué)、公安司法、軍事制導(dǎo)、文化藝術(shù)等眾多領(lǐng)域取得發(fā)展。

傳統(tǒng)檢測(cè)破損中很多運(yùn)用的都是硬件檢測(cè)［11］。硬件檢測(cè)的準(zhǔn)確率高，速度快，但硬件檢測(cè)也有其自身的缺陷，如占地空間大、成本高、通用性低等［12］。本文將圖像處理技術(shù)運(yùn)用于工業(yè)產(chǎn)品的檢測(cè)，首先對(duì)拍攝的光源有要求，是運(yùn)用同軸光源、碗狀光源、廣角鏡頭來(lái)拍攝圖像，減少了塑料透明薄膜表面的反射率。其次對(duì)圖像的分割，將Hough變換與小波變換，圖像融合相結(jié)合，減少了計(jì)算機(jī)的運(yùn)行時(shí)間，加強(qiáng)了抗干擾性，提高了檢測(cè)效率和檢測(cè)結(jié)果的準(zhǔn)確性。在該方法中，筆者運(yùn)用軟件進(jìn)行判別。這一判別節(jié)約空間、節(jié)約成本、通用性強(qiáng)、易操作、綜合運(yùn)用各個(gè)領(lǐng)域的知識(shí)，設(shè)計(jì)具有綜合性等優(yōu)點(diǎn)。將數(shù)字圖像處理運(yùn)用到工業(yè)檢測(cè)，雖然現(xiàn)在這一領(lǐng)域未得到廣泛運(yùn)用，但是其發(fā)展具有廣闊的前景。

在實(shí)踐中，筆者運(yùn)用軟件算法來(lái)代替硬件的檢測(cè)。這要求必須了解算法的原理，在此基礎(chǔ)上進(jìn)行編程，再將得出的結(jié)果進(jìn)行比較，除了考慮圖像的處理效果，在圖像處理系統(tǒng)中，需要考慮的一個(gè)最基本、最重要的問(wèn)題就是圖像實(shí)時(shí)處理需要的時(shí)間。所以需要進(jìn)行算法的設(shè)計(jì)，不然會(huì)因?yàn)闀r(shí)間問(wèn)題而不能實(shí)時(shí)采用。因此，對(duì)于本文的研究，筆者將不斷改進(jìn)，開(kāi)發(fā)出高速率、高準(zhǔn)確率檢測(cè)的圖像處理實(shí)時(shí)檢測(cè)系統(tǒng)。

［1］黃愛(ài)民，安向京，駱力.數(shù)字圖像處理與分析基礎(chǔ)［M］.北京:中國(guó)水利水電出版社，2010:6-9.

［2］劉朋瑞.數(shù)字圖像預(yù)處理的硬件設(shè)計(jì)實(shí)現(xiàn)方法［D］.上海:上海交通大學(xué)，2007.

［3］代勤，王延杰，韓廣良.基于改進(jìn)Hough變換和透視變換的透視圖像矯正［J］.液晶與顯示，2012，27(4):1-59.

［4］Huang Kaiqi，Wang Qiao，Wu Zhenyang.Natrual color image enhancement and evaluation algorithm based on human visual system［J］.Comput.Vis.Image Underst.，2006，103(1):52-63.

［5］李天剛，王素品，秦辰.基于信息熵窗的小波低頻子帶弱目標(biāo)圖像的增強(qiáng)［J］.西安交通大學(xué)學(xué)報(bào)，2006，40(2):187-190.

［6］何宏，唐志航，張細(xì)致，等.基于小波多尺度積的圖像增強(qiáng)新算法［J］.計(jì)算機(jī)應(yīng)用與軟件，2007，24(3):163-165.

［7］景曉軍，周賢偉，付婭麗.圖像處理技術(shù)及其應(yīng)用［M］.北京:國(guó)防工業(yè)出版社，2008:6-33.

［8］李小霞，李鋮果，鄒建華，等.一種新的低照度彩色圖像增強(qiáng)算法［J］.計(jì)算機(jī)應(yīng)用研究，2011，28(1):22-25.

［9］Ding C，Ren X F，Zha H，et al.Spectral min-max cut for graph partitioning and data clustering［C］//Proc.of the IEEE Conference on Data Mining.2011:51-55.

［10］Soille P.The Analysis Principles of Morphological Image and Applications［M］.Publishing House of Qinghua Universiy，2011.

［11］劉松濤，周曉東.圖像融合技術(shù)研究最新進(jìn)展［J］.激光與紅外，2006，36(8):627-631.

［12］狄紅衛(wèi)，劉顯峰.基于結(jié)構(gòu)相似度圖像融合質(zhì)量評(píng)價(jià)［J］.光子學(xué)報(bào)，2009，33(6):728-731.

［13］倪國(guó)強(qiáng).基于視覺(jué)神經(jīng)動(dòng)力學(xué)的圖像融合與處理技術(shù)若干新進(jìn)展［J］.激光與紅外，2005，35(11):817-821.

［14］周金萍.圖像處理與應(yīng)用實(shí)例［M］.北京:科學(xué)出版社，2010.

［15］苗啟廣，王寶數(shù).一種自適應(yīng)PCNN多聚集圖像融合新方法［J］.電子與信息學(xué)報(bào)，2006，28(3):466-470.

［16］張猛，余仲秋，姚紹文.手寫體數(shù)字識(shí)別中圖像處理的研究［J］.微計(jì)算機(jī)信，2006，22(6):256-258.

［17］Rafael C Gonzalez，Richard E Woods.Digital Image Processing［M］.Third Edition.Publishing House of Electronics Industry，2010:89-91.