嵌入式特征顏色提取算法研究

李慶利，王永強(qiáng)，陳 寶

（1.唐山學(xué)院 機(jī)電工程系，唐山 063000；2.唐山學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，唐山 063000；3.唐山學(xué)院 計(jì)算機(jī)中心，唐山 063000）

0 引言

隨著技術(shù)的進(jìn)步，機(jī)器視覺技術(shù)在工業(yè)領(lǐng)域的應(yīng)用日益廣泛，如產(chǎn)品表面缺陷的視覺檢測等。目前，常見的視覺檢測系統(tǒng)絕大多數(shù)是以PC機(jī)為平臺(tái)的，存在體積大、移動(dòng)不便等缺點(diǎn)，很難滿足現(xiàn)場檢測的實(shí)時(shí)性要求；基于嵌入式平臺(tái)的視覺檢測系統(tǒng)具有低功耗、高集成度、體積小、應(yīng)用靈活及成本低、處理速度快等優(yōu)點(diǎn)[4,5]，已成為一大發(fā)展方向。

與灰度圖像相比彩色圖像提供的信息更加豐富，使用彩色圖像作為信息載體的視覺檢測技術(shù)備受關(guān)注[1～3]。作為其核心的特征顏色提取技術(shù)已經(jīng)成為熱點(diǎn)。

因此，研究嵌入式平臺(tái)下的圖像特征顏色提取技術(shù)具有很強(qiáng)的現(xiàn)實(shí)意義。本文主要研究了應(yīng)用于ARM微處理器平臺(tái)的特征顏色提取算法，綜合了聚類和直方圖兩類算法的優(yōu)點(diǎn)，提出了基于灰色關(guān)聯(lián)分析理論的快速特征顏色提取算法：通過各像素點(diǎn)之間的灰色關(guān)聯(lián)度確定初始特征顏色，然后使用顏色直方圖對(duì)其進(jìn)行修正。并以普通陶瓷磚表面缺陷檢測為例對(duì)算法進(jìn)行了測試驗(yàn)證，實(shí)驗(yàn)中系統(tǒng)準(zhǔn)確的提取了缺釉、裂紋等缺陷的特征顏色，實(shí)現(xiàn)了陶瓷磚表面缺陷的快速檢測。

1 算法設(shè)計(jì)

在PC機(jī)上常用的特征顏色提取算法有顏色直方圖和模糊聚類（FCM）等方法[6]。顏色直方圖算法一般選用HSV顏色空間，先將各分量進(jìn)行非等間隔的量化處理，然后進(jìn)行差分等計(jì)算處理求得極值；模糊聚類算法屬于由初始聚類中心出發(fā)進(jìn)行迭代運(yùn)算的尋優(yōu)算法，一般工作在CIEL*a*b*顏色空間。由于需要用到差分或?qū)?yōu)運(yùn)算，上述算法不能很好的滿足嵌入式系統(tǒng)對(duì)實(shí)時(shí)性和穩(wěn)定性的要求[7,8]，因此本文以提高圖像特征顏色提取算法的計(jì)算效率和魯棒性為設(shè)計(jì)重點(diǎn)。

1.1 顏色空間的選取

在彩色視覺檢測領(lǐng)域常被用到的顏色空間分別：CIEL*a*b*、HSV和RGB顏色空間等。CIEL*a*b* 顏色空間是一個(gè)均勻的顏色空間，經(jīng)常被用于色差的檢測；HSV顏色空間符合人眼的視覺特征，常用于顏色直方圖法進(jìn)行顏色特征提??；RGB顏色空間是目前使用最廣泛的顏色空間，現(xiàn)有彩色成像設(shè)備采集的顏色信息大多數(shù)是RGB空間的，RGB顏色值也便于設(shè)備存儲(chǔ)。由RGB顏色向CIEL*a*b*或HSV顏色轉(zhuǎn)換計(jì)算較為復(fù)雜，運(yùn)算量較大。綜合考慮嵌入式平臺(tái)的性能和效率，選定在RGB顏色空間中進(jìn)行特征顏色提取。

1.2 特征顏色提取算法

1.2.1 關(guān)聯(lián)度計(jì)算

進(jìn)行特征顏色提取前首先需要解決的問題是各像素點(diǎn)間的關(guān)聯(lián)度（或稱隸屬度）計(jì)算方法。在CIEL*a*b*顏色空間像素點(diǎn)顏色間的隸屬度一般通過距離公式來計(jì)算[9]，即CIE色差公式。而為了方便在RGB顏色空間進(jìn)行處理，RGB顏色空間下的色差公式[10]亦成為研究熱點(diǎn)。然而不論是CIE色差公式或是RGB色差公式均較復(fù)雜，且在實(shí)際應(yīng)用時(shí)需進(jìn)行歸一化處理，增加了計(jì)算運(yùn)算量。

本算法應(yīng)用鄧聚龍教授提出的灰色系統(tǒng)理論，將每個(gè)像素點(diǎn)顏色的RGB三個(gè)分量視為一條曲線，通過計(jì)算兩條曲線形狀的相似程度來確定顏色間的關(guān)聯(lián)程度。若兩條曲線形狀相似，則關(guān)聯(lián)度較大，否則亦然。

在RGB顏色空間中假定某一顏色X0作為參考曲線，則有X0={R0,G0,B0)，對(duì)于待測像素點(diǎn)則為Xi={RiGi,Bi)，根據(jù)灰色關(guān)聯(lián)度計(jì)算公式[11]簡化有：

式(1)中§稱為分辨系數(shù)，一般取§=0.5。

γ( X0,Xi)定義為像素點(diǎn)Xi與參考顏色X0的灰色關(guān)聯(lián)度（記作γ0,i），

1.2.2 分塊處理

灰色系統(tǒng)理論的研究對(duì)象是“小樣本，貧信息”系統(tǒng)[12]，若對(duì)一幅m行n列彩色圖像進(jìn)行整體處理，巨大的存儲(chǔ)量及運(yùn)算量是嵌入式平臺(tái)難以承受的。因此，將整幅圖像分塊（子圖像）進(jìn)行處理，經(jīng)過實(shí)驗(yàn)取3×3的子圖像（p=9）可獲得效率和精度上的較好平衡。

要提取3×3子圖像的特征顏色，首先根據(jù)式(1)計(jì)算子圖像中各像素點(diǎn)間的灰色關(guān)聯(lián)度值γi,j，并構(gòu)造矩陣A。然后，對(duì)矩陣A中的每一行進(jìn)行求和得Si。最后找出其中的最大者Smax（如式(2)所示），其對(duì)應(yīng)像素點(diǎn)顏色即為子圖像的特征顏色，記為X′。

1.2.3 初始特征顏色獲取

假定所有子圖像的特征顏色集合為{Xi′}（i=1…N），其中N為子圖像數(shù)目。計(jì)算集合{Xi′}中各特征顏色間的灰色關(guān)聯(lián)度，以關(guān)聯(lián)度最小的K種顏色作為初始特征顏色 {Xi〞} (i=1…K)。

1.2.4 圖像顏色分類

計(jì)算圖像中各像素點(diǎn)Xj與各初始特征顏色Xi〞的灰色關(guān)聯(lián)度，按最大值（如式(3)所示）將所有像素點(diǎn)分成K類。

1.2.5 算法步驟

步驟2：讀取3×3子圖像數(shù)據(jù)。

步驟3：按照式1和式2求取子圖像特征顏色X′。

步驟4：重復(fù)步驟2和3，求出所有子圖像的特征顏色，得{Xi′}（i=1…N）。

步驟5：計(jì)算各特征顏色間的灰色關(guān)聯(lián)度，以關(guān)聯(lián)度最小的K種顏色作為初始特征顏色{Xi〞} (i=1…K)。

步驟6：計(jì)算圖像中像素點(diǎn)Xj與各初始特征顏色Xi〞的灰色關(guān)聯(lián)度，按最大值將所有像素點(diǎn)分成K類。

步驟7：對(duì)分類后的像素點(diǎn)應(yīng)用直方圖進(jìn)行統(tǒng)計(jì)，修正初始特征顏色，得到最終的特征顏色。

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證軟件算法的穩(wěn)定性和計(jì)算效率，首先在PC機(jī)上進(jìn)行測試實(shí)驗(yàn)。計(jì)算機(jī)配置：Intel 奔騰 G8603.0 GHz CPU，4GB內(nèi)存。

實(shí)驗(yàn)一以400×400Lena圖像（如圖1(a)所示）為樣本進(jìn)行特征顏色提取。為對(duì)特征顏色提取效果進(jìn)行衡量，首先根據(jù)特征顏色將原圖像顏色進(jìn)行分類處理（效果如圖1(b)、1(c)所示），以此作為定性描述依據(jù)。其次，以處理后圖像的歸一化色彩誤差（NCD）和平均均方誤差（MSE）作為定量描述依據(jù)，具體數(shù)據(jù)如表1所示。由圖1(b)可見，當(dāng)K=16時(shí)主要顏色的視覺效果上已十分接近原圖；K=64時(shí)（如圖1(c)所示）時(shí)視覺效果上差別已經(jīng)非常小。由于不需要進(jìn)行迭代求解，所以本文算法在魯棒性上要優(yōu)于模糊聚類算法。由于是在對(duì)像素點(diǎn)分類后進(jìn)行直方圖統(tǒng)計(jì)計(jì)算的，所以精度和效率上也優(yōu)于單純的顏色直方圖法。

實(shí)驗(yàn)二是在Lena圖像中分別加入不同比例的脈沖噪聲后進(jìn)行特征顏色提?。↘=16），表2中列出了不同噪聲比例情況下的前四種主要特征顏色與原始圖像對(duì)應(yīng)顏色的色差值△E。由于本文算法中的步驟2、3有一定濾波效果，因此低密度噪聲對(duì)最后結(jié)果影響不大。

實(shí)驗(yàn)三以陶瓷墻地磚表面缺陷檢測為應(yīng)用對(duì)象，在ARM平臺(tái)上對(duì)算法進(jìn)行了實(shí)驗(yàn)測試。實(shí)驗(yàn)用ARM配置為：Sungsang New Cortex-A8處理器，1GB內(nèi)存，Android 4.0操作系統(tǒng)。

實(shí)驗(yàn)圖像由ov9650攝像頭拍攝，像素?cái)?shù)為320×240，照度大于600lx，分別對(duì)具有簡單紋理（圖2(a)、(c)）和有缺釉、裂紋（圖2(e)、2(g)）的陶瓷磚采集圖像并處理。圖2(b)、2(d)分別為用提取出的4種特征顏色進(jìn)行顏色分類后的效果，圖2(f)中紅顏色標(biāo)示出的區(qū)域?yàn)槿庇蕴?，面積小于5×5像素，占總像素的0.13%左右。圖2(h)中紅顏色標(biāo)示出的區(qū)域主要為裂紋，占總像素的3%左右。上述實(shí)驗(yàn)運(yùn)算時(shí)間均小于0.3秒。通過上述實(shí)驗(yàn)可以看出，本文算法對(duì)于顏色較為復(fù)雜的圖像可快速準(zhǔn)確的提取出特征顏色，尤其是對(duì)占比例很小的特殊顏色。圖像采集時(shí)的照明情況（照度及均勻程度等）對(duì)最終結(jié)果影響較大，尤其是照明的不均勻性，會(huì)對(duì)產(chǎn)生較大的誤差，圖2(h)的右上角一些不是裂紋的像素點(diǎn)即被誤提取。

圖1 Lena圖像特征顏色提取效果

圖2 陶瓷磚檢測結(jié)果

表1 處理效果對(duì)比數(shù)據(jù)

表2 噪聲圖像提取效果對(duì)比數(shù)據(jù)

3 結(jié)論

本文中介紹的基于灰色系統(tǒng)理論的特征顏色提取算法，同時(shí)具有聚類法較高的計(jì)算效率和顏色直方圖法的穩(wěn)定性，且對(duì)噪聲的干擾不敏感。實(shí)驗(yàn)證明，以該算法為核心組成的ARM平臺(tái)下的特征顏色提取系統(tǒng)，不僅能夠快速準(zhǔn)確的提取較為復(fù)雜的圖像特征顏色，還能夠可靠的識(shí)別傳統(tǒng)算法無法識(shí)別小面積色斑，如陶瓷磚表面的缺釉和裂紋等。充分發(fā)揮了ARM檢測系統(tǒng)體積小、成本低、處理速度快等特點(diǎn)。

[1]李立明,柴曉冬,鄭樹彬.基于RGB顏色模型的軌道輪廓識(shí)別算法[J].傳感器與微系統(tǒng),2012,31(5):142-144.

[2]劉晴,鄒北驥,陳再良,等.一種基于顏色特征的感興趣目標(biāo)提取方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2013,25(6):852-856.

[3]談蓉蓉,朱偉興.基于圖像處理技術(shù)的雜草特征提取方法研究[J].傳感器與微系統(tǒng).2009,28(2):56-65.

[4]郭偉,盧賢資,鐘鳴.一種微小型嵌入式圖像處理平臺(tái)的研究[J].傳感器與微系統(tǒng),2008,27(4):52-54.

[5]郎璐紅,余紅英,董俊.嵌入式ARM系統(tǒng)中圖像的識(shí)別方法研究[J].齊齊哈爾大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,30(5):36-38.

[6]高春甫,賀新升,唐可洪,等.隨機(jī)紋理圖像的色差檢測[J].光學(xué)精密工程,2009,17(8):1999-2003.

[7]段汕,王贏飛.基于區(qū)域生長的彩色圖像顏色特征提取研究[J].中南民族大學(xué)學(xué)報(bào)（自然科學(xué)版）,2012,31(2):104-108.

[8]李慶利,王永強(qiáng),張帆.陶瓷磚特征顏色提取算法研究[J].中國陶瓷,2012.48(12):58-60,93.

[9]薄明心.隨機(jī)紋理墻地磚差異區(qū)實(shí)時(shí)檢測方法的研究[D].吉林:吉林大學(xué),2006.

[10]頓紹坤.RGB顏色空間新的色差公式[J].科學(xué)技術(shù)與工程,2011,11(8):1833-1836.

[11]劉思峰,謝乃明.灰色系統(tǒng)理論及其應(yīng)用[M].北京:科學(xué)出版社,2013.48-56.

[12]黎鎖平.基于灰色關(guān)聯(lián)分析的多級(jí)別聚類評(píng)價(jià)模型的研究[J].甘肅工業(yè)大學(xué)學(xué)報(bào),2000.26(4):100-103.