基于RGB和HSV的膠囊異囊缺陷識(shí)別方法

陳 毅，劉曉玉，蔣 崢，劉 斌，齊丹陽(yáng)

（武漢科技大學(xué) 信息科學(xué)與工程學(xué)院，湖北 武漢430081）

0 引 言

膠囊缺陷主要包括黑點(diǎn)、氣泡、油污、異物、厚薄不均、雙帽、破癟、異囊等，其中異囊缺陷是膠囊缺陷中的一種特殊缺陷，主要是指某一批次一種顏色的膠囊中混有其它顏色的膠囊。異囊的形成主要有兩方面原因：一方面是由于廠家某一時(shí)段會(huì)同時(shí)生產(chǎn)多種顏色的膠囊，在膠囊收集裝袋的過(guò)程中可能未將袋中的殘留膠囊清空；另一方面是膠囊缺陷自動(dòng)檢測(cè)機(jī)的入料口處殘留了上一批次的膠囊。膠囊廠生產(chǎn)的膠囊會(huì)銷售給制藥企業(yè)，制藥企業(yè)向膠囊中灌裝藥物形成最終的藥品。而制藥企業(yè)購(gòu)買膠囊時(shí)會(huì)有很多相關(guān)指標(biāo)，其中重要的一項(xiàng)為同一批次膠囊要求百分之一百不能混有異囊，否則按照合同賠償相應(yīng)損失。這里的損失絕大多數(shù)是以百萬(wàn)元計(jì)，其原因在于藥品流通在市場(chǎng)中，如果同一批藥品中有異囊出現(xiàn)，制藥企業(yè)可能要擔(dān)負(fù)制假藥的責(zé)任，從而極大地?fù)p害企業(yè)的信譽(yù)度，造成無(wú)法挽回的損失。

關(guān)于膠囊缺陷檢測(cè)技術(shù)，文獻(xiàn) ［1］提出了基于彩色圖像的破損膠囊檢測(cè)方法。文獻(xiàn) ［2，3］主要是針對(duì)膠囊形變?nèi)毕莸难芯?。文獻(xiàn) ［4］研究了一種膠囊缺陷檢測(cè)系統(tǒng)，能夠檢測(cè)大多數(shù)種類的瑕疵。但是上述缺陷檢測(cè)方法中都沒(méi)有涉及異囊的檢測(cè)方法。

檢測(cè)異囊實(shí)質(zhì)就是顏色識(shí)別，顏色識(shí)別目前主要的工作集中于顏色空間的選取和色差的計(jì)算。色差即顏色的差異，不同的顏色空間可使用不同的色差公式?？紤]到采集的圖像是RGB格式，且從RGB 顏色空間轉(zhuǎn)換到其它顏色空間要花費(fèi)大量時(shí)間，因此，本文在RGB顏色空間下分割圖形，采用基于圖像直方圖的加權(quán)平均方法獲取R、G、B分量的值，將R、G、B 分量值轉(zhuǎn)成H、S、V 分量值，利用基于HSV 帶權(quán)重的色差公式計(jì)算色差，從而達(dá)到檢測(cè)異囊的目的。

1 顏色空間

顏色空間指彩色坐標(biāo)系統(tǒng)，其中表示了彩色圖像的數(shù)值。目前提出的顏色空間主要分3類：基于物理學(xué)和工藝的彩色空間，它包括RGB 顏色空間，CMY （K）顏色空間，YCbCr顏色空間等；均勻顏色空間，它包括CIELAB顏色空間，CIELUV 顏色空間；基于感知的顏色空間，它包括HSI顏色空間，HSV 顏色空間，對(duì)立顏色空間等。

1.1 RGB顏色空間

RGB顏色空間是計(jì)算機(jī)技術(shù)中使用最廣泛的顏色空間，它建立在加性混合3 種基色R、G、B 的基礎(chǔ)上。RGB顏色空間采用物理三基色表示，因而物理意義很清楚，適合彩色顯像管工作，然而這一體制并不適應(yīng)人的視覺(jué)特點(diǎn)。

RGB顏色空間的色差公式目前常用的有距離色差公式、角度色差公式，但由于RGB顏色空間本身不均勻的固有屬性，這些度量公式效果不佳。楊振亞等人提出了一種綜合距離和角度特點(diǎn)的色差公式［5］，該公式在一定程度上補(bǔ)償了RGB顏色空間的不均勻性，但實(shí)驗(yàn)表明該公式的色差變化不平滑，當(dāng)色差大于某一值時(shí)會(huì)產(chǎn)生小范圍的突變，不利于圖像處理。

1.2 HSV顏色空間

HSV 顏色空間是用孟賽爾顏色空間的色調(diào)H，飽和度S，亮度V 為三要素來(lái)表示的，屬于非線性彩色表示系統(tǒng)。HSV 色彩表示方法同人對(duì)色彩的感知相一致，且在HSV空間中，人對(duì)色差的感知較均勻，因此HSV 空間是適合人的視覺(jué)特性的顏色空間，其各個(gè)分量的獨(dú)立性強(qiáng)，有利于圖像處理。

1.3 RGB到HSV顏色空間的轉(zhuǎn)換

對(duì)于R，G，B ∈［0，255］，H ∈［00，1800］，S，V ∈［0，1］，RGB空間到HSV 空間的映射過(guò)程如下。設(shè)：Max＝max （R ，G，B ）；Min＝min （R ，G，B ）。

當(dāng)Max≠M(fèi)in時(shí)，定義

則

其中

2 異囊檢測(cè)

2.1 檢測(cè)系統(tǒng)概述

異囊檢測(cè)部分主要包括高速工業(yè)相機(jī)采集圖像、上位機(jī)對(duì)圖像進(jìn)行圖像處理、下位機(jī)根據(jù)上位機(jī)處理結(jié)果判斷是否剔除膠囊。系統(tǒng)如圖1所示，采集到的原始圖像如圖2所示。通常膠囊由顏色不同的二節(jié) （俗稱帽和體）組成，這里圖2中左側(cè)膠囊的上面一節(jié)為銀灰色，下面一節(jié)為紅色，右側(cè)膠囊上面一節(jié)為黑色，下面一節(jié)為紅色。在線檢測(cè)之前，首先要通過(guò)手動(dòng)定標(biāo)的方式確定所檢測(cè)批次膠囊上下兩節(jié)的標(biāo)準(zhǔn)顏色值。在線檢測(cè)中，對(duì)于每顆被檢測(cè)膠囊，需獲取其上下兩節(jié)的顏色值，并與事先標(biāo)定的標(biāo)準(zhǔn)顏色值進(jìn)行比較，當(dāng)兩部分的顏色差異值都小于規(guī)定的閾值，則認(rèn)為不是異囊否則認(rèn)為是異囊。設(shè)定本文檢測(cè)的某一批次膠囊是圖2中左側(cè)所示的膠囊，則由于圖2中右側(cè)膠囊顏色和左側(cè)膠囊顏色不一致，可判定為異囊。

圖1 系統(tǒng)組成

2.2 基于RGB和HSV顏色空間的檢測(cè)

RGB顏色空間具有顏色簡(jiǎn)潔、高速、對(duì)硬件要求低的特點(diǎn)。但它并不是一個(gè)直觀的顏色空間，各個(gè)分量之間冗余信息多，對(duì)目標(biāo)物體的顏色描述相對(duì)復(fù)雜，不利于顏色的識(shí)別。HSV 顏色空間與人眼視覺(jué)感知相一致，因此在該顏色空間中可以較好地得到顏色的認(rèn)知屬性，這比較有利于算法的設(shè)計(jì)與實(shí)現(xiàn)。

圖2 采集到的原始圖像

由于工業(yè)相機(jī)采集到的圖片是基于RGB 格式的，若直接基于HSV 圖像進(jìn)行檢查則須經(jīng)過(guò)RGB到HSV 轉(zhuǎn)換的步驟。而該轉(zhuǎn)換必須遍歷每個(gè)像素點(diǎn)，從而使得計(jì)算量比較大，這對(duì)于在線實(shí)時(shí)檢測(cè)系統(tǒng)來(lái)說(shuō)無(wú)疑是一大瓶頸。故本文采取基于RGB顏色空間獲取一組能夠表示當(dāng)前顏色的R、G、B分量值值，然后將這組R、G、B分量值轉(zhuǎn)換成H、S、V 分量值，再利用HSV 顏色空間的色差公式計(jì)算色差的方法檢測(cè)異囊。由于這里的轉(zhuǎn)換僅僅是將一組R、G、B分量值即3個(gè)數(shù)據(jù)轉(zhuǎn)換成相應(yīng)的3個(gè)數(shù)據(jù)H、S、V 分量值而已，因此這次轉(zhuǎn)換所花費(fèi)的時(shí)間完全可以忽略不計(jì)，這與將一整幅RGB 圖像轉(zhuǎn)換成HSV 圖像所消耗的時(shí)間區(qū)別較大。檢測(cè)算法的完整流程如圖3所示。

圖3 算法流程

2.2.1 基于RGB的圖像分割

從圖2我們知道，膠囊的顏色要分成上下兩部分的顏色。膠囊的顏色本身非常多樣，不同藥廠有不同的要求，可謂是五花八門，因此要準(zhǔn)確提取膠囊的顏色需要將膠囊分割成兩部分。目前，彩色圖像分割有多種方法，大部分基 于 灰 度 圖 像 分 割 技 術(shù) 如 直 方 圖 閾 值 法［6，7］、聚 類［8，9］、區(qū)域增長(zhǎng)［10］、邊緣檢測(cè)、模糊方法［11］、神經(jīng)元網(wǎng)絡(luò)［12］都可以擴(kuò)展到彩色圖像。許多彩色圖像分割方法不僅把灰度圖像分割方法應(yīng)用于不同的顏色空間，而且可以直接應(yīng)用于每個(gè)顏色分量上，其結(jié)果再通過(guò)一定的方式進(jìn)行組合，即可獲取最后的分割結(jié)果。

由于采集到的圖像中膠囊基本上都是居于圖像正中間，所以本文針對(duì)固定區(qū)域來(lái)進(jìn)行顏色的檢測(cè)。固定的區(qū)域如圖4中虛線方框區(qū)域所示，該區(qū)域?qū)?yīng)的R、G、B分量圖像如圖5所示。鑒于圖像中膠囊兩節(jié)之間有明顯的分隔線這一重要特征，本文采取基于Y 方向的Scharr算子應(yīng)用于彩色圖像的R 分量圖像從而尋找到分隔線，然后根據(jù)分隔線所在位置進(jìn)行圖像的分割，如圖6所示。

圖4 原始圖像疊加選定區(qū)域框后的圖像

圖5 R、G、B分量圖像

圖6 分割圖

2.2.2 RGB分量值的獲取

對(duì)分割后的圖像要進(jìn)一步提取R、G、B的值，該步驟關(guān)系到后續(xù)顏色值的比較以及最終的檢測(cè)精度，因此非常關(guān)鍵。提取R、G、B的值最常用的方法就是求取圖像的灰度平均值，但是該方法不僅受圖像噪聲的影響，而且由于光照不均其精度也不夠。對(duì)圖像進(jìn)行濾波可以消除一部分噪聲的影響，但也增加了一定的計(jì)算量。另外在實(shí)際的生成過(guò)程中我們發(fā)現(xiàn)，有部分膠囊的顏色較為相近，在檢驗(yàn)過(guò)程中若人眼不仔細(xì)觀察則會(huì)誤認(rèn)為是同一種膠囊，這種情況也給精確識(shí)別所有異囊?guī)?lái)一定的難度。

本文考慮到以上因素，提出了一種基于歸一化直方圖的方法獲取R、G、B的值。該方法的主要思想是認(rèn)為直方圖中概率值越大的灰度級(jí)則其有效程度越高，在計(jì)算過(guò)程中則主要計(jì)算有效程度高的灰度級(jí)。圖7為B 分量圖像的歸一化直方圖，從圖中可以清晰地看到有些灰度級(jí)的概率值很小，即在圖像中所占比重很少，可以判定為噪聲或其它干擾因素，所以計(jì)算分量值時(shí)這部分不應(yīng)該計(jì)算在內(nèi)。本文先按照直方圖概率值進(jìn)行降序排序，排序后的概率值依次命名為p0，p1，…，p255，對(duì)應(yīng)的灰度級(jí)依次命名為a0，a1，…，a255。接著將概率值從下標(biāo)0開(kāi)始依次取值，當(dāng)取到下標(biāo)為m 時(shí)，若所取的概率值總和Pm達(dá)到一定的閾值s則停止。Pm計(jì)算如下面公式所示

其中m 滿足下面公式的要求

然后計(jì)算這部分概率值對(duì)應(yīng)灰度級(jí)的加權(quán)平均值，計(jì)算公式如下

式中：result——本次顏色分量值計(jì)算結(jié)果。

圖7 B分量圖像的直方圖

2.2.3 基于HSV 的色差計(jì)算

先將上一節(jié)獲取到的R、G、B分量值按照1.3節(jié)中的轉(zhuǎn)換方法將其轉(zhuǎn)換成H、S、V 分量值。色差［13，14］衡量的是2種顏色的相似程度。在HSV 顏色空間中，H 色調(diào)描述的是一種純色的顏色屬性，S飽和度則表示一種純色被白光稀釋的程度，V 亮度則是一個(gè)比較主觀的描述子。也就是說(shuō)，H 和S在很大程度上表征了一種顏色?；谝陨峡紤]，本文采取一種加權(quán)的方式計(jì)算色差。對(duì)于HSV 顏色空間的2個(gè)顏色值F1＝（H1，S1，V1）T和F2＝（H2，S2，V2）T，色差定義如下

其中

且k＞0.5，即讓H 和S 對(duì)色差的貢獻(xiàn)遠(yuǎn)大于V 的貢獻(xiàn)。

2.2.4 顏色比較

由于膠囊由兩節(jié)組成因而呈現(xiàn)有2種顏色，并且膠囊的擺放順序是隨機(jī)的，因此在檢測(cè)異囊時(shí)，顏色的比較要進(jìn)行多次。這里設(shè)膠囊上下兩節(jié)的標(biāo)準(zhǔn)顏色值分別為up－Color，downColor，當(dāng)前檢測(cè)到的顏色值為up，down，其中每個(gè)顏色值都包含H、S、V 這3 個(gè)分量值，比較步驟如下：

（1）按 照2.2.3 節(jié) 中 公 式 計(jì) 算 得 到 色 差 值dist1 和dist2，即

如果dist1和dist2同時(shí)小于閾值T，那么表示是同一種顏色膠囊則比較結(jié)束，否則進(jìn)行下一步驟。

（2）交換顏色值的比較順序，按照2.2.3 節(jié)中公式再次計(jì)算色差值dist1和dist2，即

如果dist1和dist2同時(shí)小于閾值T，那么表示是同一種顏色膠囊則比較結(jié)束，否則認(rèn)為是異囊，比較結(jié)束。

這里閾值T 可以經(jīng)過(guò)實(shí)驗(yàn)和在線測(cè)試確定。

3 本文算法與常規(guī)基于HSV 算法比較

3.1 常規(guī)HSV檢測(cè)算法

常規(guī)就HSV 顏色空間的顏色識(shí)別方法是首先將圖片整體轉(zhuǎn)換成HSV 格式，然后再檢測(cè)。檢測(cè)的主要步驟是圖像分割，然后獲取HSV 分量值，再進(jìn)行色差計(jì)算和顏色比較，方法參照2.2節(jié)所述方法。

3.2 對(duì)比分析

基于vc6.0和opencv1.0的軟件平臺(tái)下，在Inter（R）Pentium （R）CPU 單核E5300、2.6GHz硬件環(huán)境下，經(jīng)過(guò)嚴(yán)格測(cè)試表明，本文方法和常規(guī)基于HSV 的檢測(cè)方法的檢測(cè)都能達(dá)到較高精度滿足現(xiàn)實(shí)需要。但是利用Pentium CPU 內(nèi)部時(shí)間戳進(jìn)行計(jì)時(shí)，發(fā)現(xiàn)基于HSV 的檢測(cè)方法中，從RGB到HSV 的轉(zhuǎn)換步驟所花費(fèi)時(shí)間占程序整體花費(fèi)時(shí)間比率達(dá)10%以上。顯然上述花費(fèi)的時(shí)間代價(jià)較大，而且轉(zhuǎn)換的圖像為較小圖像，對(duì)于稍大的圖像可以預(yù)見(jiàn)其時(shí)間代價(jià)會(huì)更大，將不利于圖像的在線處理。

其中，表1中異囊檢出率是指待檢測(cè)膠囊是異囊而最終作為異囊被正確檢測(cè)出來(lái)的準(zhǔn)確率，可以看到，除常規(guī)HSV 算法中當(dāng)所取圖像較大時(shí)稍有誤差，其他的算法在在線實(shí)驗(yàn)中都能達(dá)到100%，也即滿足我們前面所述的目標(biāo)；非異囊誤檢率是指待檢測(cè)膠囊本來(lái)不是異囊但最終卻被當(dāng)做異囊檢測(cè)出來(lái)，對(duì)于圖像大小是340＊70 時(shí)，本文算法的非異囊誤檢率是0.0067%，即約15000顆膠囊中可能會(huì)有一顆會(huì)被誤認(rèn)為是異囊而檢測(cè)出來(lái)，這樣的誤檢率對(duì)于生產(chǎn)廠家來(lái)說(shuō)是可以接受的。

表1 不同算法比較

4 結(jié)束語(yǔ)

本文提出了一種簡(jiǎn)單有效的基于RGB 顏色空間利用HSV 顏色空間色差公式檢測(cè)異囊的方法。本文的創(chuàng)新之處一是利用歸一化直方圖加權(quán)平均的方法獲取顏色分量值，二是巧妙利用RGB和HSV 之間的聯(lián)系和各自的優(yōu)點(diǎn)，在RGB顏色空間中獲取顏色值，通過(guò)避免顏色空間的轉(zhuǎn)換來(lái)提高計(jì)算速度，使用HSV 顏色空間的色差公式計(jì)算色差保證了檢測(cè)精度。這對(duì)于顏色識(shí)別一類問(wèn)題提出了新的一種解決思路。

［1］LI Lian，YAN Yang.The image processing analysis and research of damaged capsule ［C］／／The 13th Youth Academic Conference Paper Set of China Instrument Society，2011 （in Chinese）.［李連，閆洋.破損膠囊檢測(cè)的圖像處理分析與研究 ［C］／／中國(guó)儀器儀表學(xué)會(huì)第十三屆青年學(xué)術(shù)會(huì)議論文集，2011.］

［2］WANG Juan，ZHOU Yongxia.Image processing in capsule shape defect detection ［J］.Journal of China University of Metrology，2012，23 （3）：239－245 （in Chinese）. ［王娟，周永霞.圖像處理在膠囊外形缺陷檢測(cè)中的應(yīng)用 ［J］.中國(guó)計(jì)量學(xué)院學(xué)報(bào)，2012，23 （3）：239－245.］

［3］LAI Dahu，HUANG Yanwei，et al.Inspection for defected capsules based on extreme learning machine ［J］.Journal of Fuzhou University，2012，40 （4）：489－494 （in Chinese）.［賴大虎，黃宴委.基于極端學(xué)習(xí)機(jī)的膠囊缺陷檢測(cè) ［J］.福州大學(xué)學(xué)報(bào)，2012，40 （4）：489－494.］

［4］WU De.The research of the capsule detection system based on image processing ［D］Guangzhou：Guangdong University of Technology，2011 （in Chinese）. ［吳德.基于圖像處理的膠囊檢測(cè)系統(tǒng)的研究 ［D］.廣州：廣東工業(yè)大學(xué)，2011.］

［5］YANG Zhenya，WANG Yong，YANG Zhendong，et al.Vector－angular distance color difference formula in RGB color space［J］.Computer Engineering and Applications，2010，46 （6）：154－156 （in Chinese）.［楊振亞，王勇，楊振東，等.RGB顏色空間的矢量－角度距離色差公式 ［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46 （6）：154－156.］

［6］Siang Tan K，Mat Isa NA.Color image segmentation using histogram thresholding－fuzzy C－means hybrid approach ［J］.Pattern Recognition，2011，44 （1）：1－15.

［7］Qin K，Xu K，Liu F，et al.Image segmentation based on histogram analysis utilizing the cloud model［J］.Computers ＆Mathematics with Applications，2011，62 （7）：2824－2833.

［8］WANG Gaihua，LI Dehua.Texture feature fusion－based twostage clustering segmentation algorithm ［J］.Journal of Image and Graphics，2012，17 （9）：1075－1084 （in Chinese）.［王改華，李德華.融合紋理特征的兩階段聚類分割算法 ［J］.中國(guó)圖象圖形學(xué)報(bào)，2012，17 （9）：1075－1084.］

［9］Wang W，Wang D，Wang L.Fuzzy clustering segmentation algorithm research for sport graphics based on artificial life［C］／／2nd International Conference on Consumer Electronics，Communications and Networks.IEEE，2012：1046－1049.

［10］Tang J.A color image segmentation algorithm based on region growing ［C］／／Proc of the 2nd IEEE International Conference on Computer Engineering and Technology，2010：634－637.

［11］YU Yong，ZHENG Jiao，GUO Xijuan. Weighted fuzzy threshold segmentation algorithm based on image pixels spatial information ［J］.Computer Applications and Software，2013，30 （3）：274－277 （in Chinese）.［于勇，鄭姣，郭希娟.基于圖像像素間空間信息的加權(quán)模糊閾值分割算法 ［J］.計(jì)算機(jī)應(yīng)用與軟件，2013，30 （3）：274－277.］

［12］Wang H，Ji C，Gu B，et al.A simplified pulse－coupled neural network for cucumber image segmentation ［C］／／Proc of IEEE International Conference on Computational and Information Sciences，2010：1053－1057.

［13］Fernández－Vázquez R，Stinco CM，Hernanz D，et al.Colour training and colour differences thresholds in orange juice ［J］.Food Quality and Preference，2013，30 （2）：320－327.

［14］Liu GH，Yang JY.Content－based image retrieval using color difference histogram ［J］.Pattern Recognition，2013，46（1）：188－198.