視覺檢測(cè)系統(tǒng)中圖像匹配算法研究

曹 欣，王浩全，石 卓

(中北大學(xué)動(dòng)態(tài)測(cè)試重點(diǎn)實(shí)驗(yàn)室，信息與通信工程學(xué)院，山西太原030051)

機(jī)器視覺系統(tǒng)是指通過機(jī)器視覺產(chǎn)品，也就是我們所說的圖像攝取裝置，來進(jìn)行工業(yè)圖像的采集［1］。早先一些傳統(tǒng)的生產(chǎn)線都采用人工視覺對(duì)產(chǎn)品進(jìn)行檢測(cè)，精確度達(dá)不到要求，且效率比較低，對(duì)于一些人工操作比較危險(xiǎn)的工作環(huán)境，用機(jī)器視覺來替代人工視覺是非常必要的，機(jī)器視覺檢測(cè)方法的使用大大地提高了自動(dòng)化的程度［2］，也提高了生產(chǎn)效率。

1 圖像采集過程

圖像采集一般由光源、鏡頭、CCD相機(jī)、圖像采集卡、圖像處理軟件以及視覺主機(jī)構(gòu)成。在采集的過程中，由光源提供照明，CCD相機(jī)進(jìn)行拍攝并將采集到的光信號(hào)轉(zhuǎn)化為模擬的電信號(hào)，輸入到圖像采集卡中進(jìn)行A/D轉(zhuǎn)換，動(dòng)態(tài)地采集到視覺主機(jī)內(nèi)存中，最終通過圖像處理技術(shù)及相關(guān)運(yùn)算完成對(duì)所要檢測(cè)對(duì)象的檢測(cè)，把被測(cè)物體的圖像顯示在系統(tǒng)顯示屏中。其工作原理如圖1所示。

圖1 工作原理圖

2 視覺檢測(cè)流程

視覺檢測(cè)是一個(gè)多步驟、復(fù)雜的處理過程，總體來說，主要分為圖像采集、圖像預(yù)處理、與標(biāo)準(zhǔn)模板對(duì)比、圖像匹配、輸出檢測(cè)結(jié)果等幾個(gè)部分。所采用的處理算法不同，不同的匹配算法之間的步驟也會(huì)存在很大的差異，處理出來的效果也會(huì)不一樣，但從本質(zhì)上說，其大致過程是一樣的。下圖2為視覺檢測(cè)流程圖。

圖2 視覺檢測(cè)流程圖

3 模板匹配及算法研究

3.1 邊緣檢測(cè)相關(guān)方法分析

從邊緣檢測(cè)流程圖可以看出，我們首先要采用CCD相機(jī)對(duì)標(biāo)準(zhǔn)工件和待檢測(cè)工件進(jìn)行邊緣提取處理，再進(jìn)行圖像匹配。邊緣檢測(cè)算子是通過檢查每個(gè)像素點(diǎn)的鄰域并對(duì)其灰度變化進(jìn)行量化來達(dá)到邊界提取的目的，而且大多數(shù)的檢測(cè)算子還可以確定邊界變化的方向。它的實(shí)質(zhì)是利用某種算子提取圖像背景與目標(biāo)圖像之間的交界線。因此實(shí)現(xiàn)邊緣提取最直觀的方法就是微分，對(duì)于數(shù)字圖像來說用到的方法是差分。常用的邊緣檢測(cè)算子為 roberts、sobel、prewitte、log、canny算子。

本文通過實(shí)驗(yàn)方法對(duì)五種經(jīng)典的邊緣檢測(cè)算子進(jìn)行了研究，通過實(shí)驗(yàn)結(jié)果比較得出Canny算子邊緣檢測(cè)結(jié)果相對(duì)于其他算法效果好。最終采用canny邊緣檢測(cè)算子進(jìn)行邊緣檢測(cè)，下面對(duì)canny算子進(jìn)行介紹。

Canny算子是相對(duì)來說比較新的一種邊緣檢測(cè)算子，它有自己的特點(diǎn)與優(yōu)勢(shì)，與其它算子相比教而言，邊緣檢測(cè)性能要更好一點(diǎn)，在圖像邊緣處理方面得到了廣泛的應(yīng)用。它具有三個(gè)判定準(zhǔn)則:信噪比準(zhǔn)則、定位精度準(zhǔn)則和單邊緣響應(yīng)準(zhǔn)則［3］。Canny算子主要是通過尋找圖像梯度局部的最大值來進(jìn)行邊緣檢測(cè)的，這種方法是采用高斯濾波器的導(dǎo)數(shù)來計(jì)算梯度的，使用兩個(gè)閾值分別對(duì)強(qiáng)邊緣和弱邊緣進(jìn)行檢測(cè)，而且僅當(dāng)檢測(cè)結(jié)果中強(qiáng)邊緣和弱邊緣相連時(shí)，才會(huì)輸出弱邊緣［4］。平滑圖像中數(shù)據(jù)陣列可以表示為:

式中，H(x，y;δ)為標(biāo)準(zhǔn)差δ的高斯平滑濾波器，δ決定了平滑程度，這里使用了2×2階有限差分，其方向角和梯度幅值分別為:

式中，I(x，y)為邊緣強(qiáng)度;θ(x，y)為正交于邊緣方向的法向矢量。

圖3 邊緣檢測(cè)結(jié)果

3.2 圖像匹配算法研究

3.2.1 基于絕對(duì)誤差的相似度評(píng)價(jià)原則

基于絕對(duì)誤差的相似度評(píng)價(jià)原則，采用兩次匹配策略，即先進(jìn)行一次粗匹配，再進(jìn)行精準(zhǔn)匹配。這種算法有效的避免了平方運(yùn)算，主要是衡量T(m，n)和Dxy(m，n)的誤差，其計(jì)算公式如下:

式中當(dāng)E(x，y)取到最小值的地方即為匹配目標(biāo)，要想提高計(jì)算速度，我們可以通過選取一個(gè)合適的誤差閾值E0，當(dāng)E(x，y)＞E0時(shí)就停止對(duì)該點(diǎn)的計(jì)算，繼續(xù)其他點(diǎn)的計(jì)算。對(duì)于這種方法中的粗匹配，我們采用的匹配方法是最多近鄰點(diǎn)距離方法，該方法是通過取模板隔行隔列數(shù)據(jù)，在被檢測(cè)圖形上隔行隔列地完成掃描配準(zhǔn)，相當(dāng)于在原圖1/4數(shù)據(jù)范圍內(nèi)進(jìn)行配準(zhǔn)，這種算法能夠大幅度減少計(jì)算量，在匹配速度方面也有了很大的提高。粗匹配過程中，在整個(gè)算法中還有一個(gè)非常重要的問題，那就是閾值的選取問題，主要通過F(m，n)與θ的大小關(guān)系來判斷ρ(m，n)的取值。本文采用自適應(yīng)閾值選取，通過求模板的平均灰度和被測(cè)圖像的平均灰度絕對(duì)差F=|ˉD－ˉT|的不同自適應(yīng)選取閾值。精準(zhǔn)匹配是在粗匹配的基礎(chǔ)上進(jìn)行精確配準(zhǔn)位置的搜索，采用公式6的原則，在第一次誤差率最小的點(diǎn)(xmin，ymin)的鄰域內(nèi)進(jìn)行搜索匹配，即從點(diǎn)(xmin－1，ymin－1)到點(diǎn)(xmin+1，ymin+1)的矩形內(nèi)進(jìn)行二次精準(zhǔn)匹配，得到最終的配準(zhǔn)結(jié)果。

3.2.2 基于特征和灰度結(jié)合的匹配算法

這種算法的基本思想，首先需要對(duì)被檢測(cè)圖像和模板圖像分別進(jìn)行邊緣提取。前面我們通過對(duì)幾種經(jīng)典邊緣檢測(cè)算子進(jìn)行了比較，分析圖像處理結(jié)果得到采用Canny算子提取邊緣得到的效果最好，因此，本文采用Canny算子對(duì)圖像進(jìn)行處理;其次就是要對(duì)圖像進(jìn)行二值化處理，圖像二值化處理變換函數(shù)為:

式中T為二值化閾值，對(duì)于傳統(tǒng)的直方圖求閾值法，當(dāng)圖像的直方圖具有雙峰特性的時(shí)候，圖像中的目標(biāo)和背景分別形成兩個(gè)波峰。此時(shí)，我們通常采用雙峰之間的谷底處灰度值作為閾值T，進(jìn)行圖像二值化處理。我們所要處理的圖像雙峰特性明顯，故采用直方圖法，經(jīng)過實(shí)驗(yàn)驗(yàn)證與比較，選取閾值T=70。

最后需要對(duì)圖像進(jìn)行匹配，令f(m，n)為M×N的待檢測(cè)圖像，g(u，v)為U×V的模板圖像，則有:

式中，d(i，j)代表的是相似性，為大小相同的兩窗口之間的距離函數(shù)。

式中，R［f(m，n)，f'(m，n)］為我們定義的二值圖像匹配距離函數(shù)。

式中，d(i'，j')為最佳匹配位置，P代表匹配范圍。

這種算法是通過加入圖像邊界信息，計(jì)算被檢測(cè)圖像和模板圖像的相似點(diǎn)個(gè)數(shù)，避免了相關(guān)法處理計(jì)算量大的問題，和基于絕對(duì)誤差的相似度評(píng)價(jià)原則算法中閾值選取問題，省去了人為的根據(jù)經(jīng)驗(yàn)設(shè)定閾值的情況，極大的提高了圖像匹配的精確度和匹配率，節(jié)省了時(shí)間。

圖4 匹配結(jié)果

4 結(jié)論

本文進(jìn)行了多次實(shí)驗(yàn)，驗(yàn)證了基于絕對(duì)誤差的相似度評(píng)價(jià)原則算法、基于特征和灰度的復(fù)合算法這兩種算法的匹配正確率。通過對(duì)比，由表1可以看出，本文所研究的復(fù)合算法，不論是匹配正確率還是匹配速度上都有所提高，能夠滿足系統(tǒng)的節(jié)拍要求，且其匹配準(zhǔn)確率較高、精度高，提高了整條生產(chǎn)線的良品率要求。

表1 實(shí)驗(yàn)結(jié)果對(duì)比表

［1］戴君，趙海洋.機(jī)器視覺［J］.機(jī)械設(shè)計(jì)與制造工程，1998，27(4):52 －53.

［2］張德豐.MATLAB數(shù)字圖像處理［M］.北京:機(jī)械工業(yè)出版社，2012(2):268.

［3］李雅梅，吳中福.川南石刻圖像模板匹配方法研究［J］.計(jì)算機(jī)科學(xué)，2008(7):247 － 249.

［4］朱紅高.圖像邊緣檢測(cè)技術(shù)研究現(xiàn)狀［J］.制造業(yè)自動(dòng)化，2010(1):45－47.

［5］Otsu N.A Threshold Selectoion Method from Gray Level Histogram［J］.IEEE Trans Action on SMC，1979(9):652－655.

［6］Pal NR，Pal SK.A review on Image Segmentation Techniques［J］.Pattern Recognition，1993，26(9):1277 －1294.