基于同態(tài)濾波的手機鏡片表面缺陷檢測算法研究*

袁續(xù)凱　孫志剛

(華中科技大學(xué)自動化學(xué)院　武漢　430074)

?

基于同態(tài)濾波的手機鏡片表面缺陷檢測算法研究*

袁續(xù)凱孫志剛

(華中科技大學(xué)自動化學(xué)院武漢430074)

針對手機鏡片圖像采集時光照不均導(dǎo)致圖像細節(jié)難以辨認的現(xiàn)象,以及手機鏡片圖像背景單一的特征,提出了一種基于同態(tài)濾波和背景減除法的手機鏡片表面缺陷檢測算法。實驗結(jié)果表明,該算法能夠準確地識別出手機鏡片表面缺陷,并且能準確地對缺陷進行分類。

同態(tài)濾波; 背景減除; 缺陷檢測

Class NumberTP391

1　引言

鏡片(LENS)是手機等電子產(chǎn)品的顯示設(shè)備,在生產(chǎn)的過程中,鏡片表面可能會產(chǎn)生各種缺陷,其中有兩種缺陷占據(jù)這些缺陷的絕大部分,一種缺陷是裂紋,另外一種是氣泡。目前,生產(chǎn)廠商對鏡片表面缺陷進行檢測的工作停留在人工肉眼觀察的階段,用到的方法包括斑馬法和強光成像法等[1]。這些人工方法有著難以克服的缺點,包括主觀性強、效率低下、準確度不高、勞動強度大。運用數(shù)字圖像技術(shù),設(shè)計一種基于計算機視覺的鏡片表面缺陷自動檢測算法,具有很現(xiàn)實的意義。

同態(tài)濾波是增加高頻、減少低頻,銳化圖像邊緣并突出細節(jié)特征的圖像增強方法。文獻[2]中,應(yīng)用同態(tài)濾波的方法實現(xiàn)對云層圖像中低頻分量的抑制, 從而達到去除遙感影像中的云霧影響的目的。文獻[3]中,將同態(tài)濾波方法應(yīng)用到彩色圖像的光照補償中。文獻[4]利用同態(tài)濾波的原理,對紅外圖像的圖像細節(jié)進行增強。在采集手機鏡片圖像的過程中,本檢測系統(tǒng)采用的照明系統(tǒng)是同軸平行光照明系統(tǒng),這種照明系統(tǒng)要求鏡頭和相機的連線與被拍攝的手機鏡片垂直,稍微有一點偏移,就會造成光照不均的問題[5]。手機鏡片圖像照明不均,導(dǎo)致圖像上各部分的平均亮度有起伏,暗區(qū)的細節(jié)較難辨認。針對手機鏡片圖像光照不均導(dǎo)致的暗區(qū)細節(jié)難以辨認的問題,本文利用同態(tài)濾波方法對手機鏡片圖像進行了處理。

有缺陷的手機鏡片圖像由背景和缺陷部分組成,背景在灰度值上分布比較均勻,而其缺陷部分在灰度值上分布起伏不定,但其灰度值在其領(lǐng)域范圍內(nèi)相比背景部分較小。針對手機鏡片圖像的這個特點,本文提出了背景減除的方法來初步提取手機鏡片中的缺陷。

2　同態(tài)濾波的原理

被拍攝物體成像時,當圖像照明不均勻時圖像暗區(qū)部分的細節(jié)就會難以辨認。在圖像處理中,同態(tài)濾波是基于照度-反射模型的[6],可以消除光照不均勻帶來的干擾,同時這種方法不會影響圖像的細節(jié)部分[7]。如圖1所示,這是同態(tài)濾波方法的流程圖。如式(1)所示,一副圖像g(x,y)可以被表示為照度分量i(x,y)和反射分量j(x,y)的乘積[8],即：

g(x,y)=i(x,y)×j(x,y)

(1)

圖1同態(tài)濾波算法流程圖

不均勻的光照主要體現(xiàn)在照度分量i(x,y)中,照度分量通常由慢的空間變化來表示,屬于低頻部分；反射分量j(x,y)會引起突變,因此屬于高頻部分,通常和圖像的細節(jié)部分相聯(lián)系[9]。基于以上的分析,為了處理圖像中光照不均勻問題,其實就是要抑制圖像中低頻部分的影響,同時增大圖像的高頻分量。同態(tài)濾波的步驟如下所示：

1)先對圖像g(x,y)取對數(shù),照度分量i(x,y)和反射分量j(x,y)就會被分開,從而可以對圖像的低頻部分和高頻部分進行單獨處理。

Z(x,y)=lng(x,y)=lni(x,y)+lnj(x,y)

(2)

2)為了在頻域范圍內(nèi)對圖像進行處理,對上式進行一次傅里葉變換(DFT),得到表達式：

F{Z(x,y)}=F{g(x,y)}=

F{lni(x,y)}+F{lnj(x,y)}

(3)

或可以表示為Z(u,v)=M(u,v)+N(u,v)

其中：M(u,v)=F{lni(x,y)},N(u,v)=F{lnj(x,y)}。

3)借助一個濾波器函數(shù)對Z(u,v)進行處理：

Y(u,v)=H(u,v)Z(u,v)=H(u,v)M(u,v)+H(u,v)N(u,v)

(4)

4)濾波后,需要得到空間域內(nèi)的圖像,因此對上式進行傅里葉反變換(IDFT)。

F-1{Y(u,v)}=F-1{H(u,v)Z(u,v)}

=F-1{H(u,v)M(u,v)}+F-1{H(u,v)N(u,v)}

(5)

5)f(x,y)=exp{F-1Y(u,v)},經(jīng)自然變換后就得到了經(jīng)同態(tài)濾波處理后的圖像

3　手機鏡片表面缺陷檢測算法設(shè)計

本文所采用的基于同態(tài)濾波的手機鏡片表面缺陷檢測算法的流程如圖2所示。

圖2　手機鏡片表面缺陷檢測算法流程圖

3.1同態(tài)濾波處理

在對圖像進行同態(tài)濾波的過程中,濾波器H(u,v)的選擇是關(guān)鍵。在第2節(jié)中提到,不均勻的光照主要體現(xiàn)在照度分量i(x,y)中,而照度分量和圖像的低頻部分相聯(lián)系；反射分量j(x,y)會引起突變,因此屬于高頻部分,通常和圖像的細節(jié)部分相聯(lián)系。這里濾波器H(u,v)就是基于這種聯(lián)系進行選擇的。

在手機鏡片圖像的拍攝過程中由于照明不均,導(dǎo)致圖像各區(qū)域內(nèi)的平均亮度變化不定,亮度比較暗的區(qū)域內(nèi)的圖像細節(jié)難以分辨。在頻域范圍內(nèi),可以通過對圖像的低頻分量(照度分量)進行壓縮,同時增強高頻分量(圖像細節(jié))的方法,來增強手機鏡片上圖像上亮度比較暗的區(qū)域內(nèi)的細節(jié),同時亮度比較亮的區(qū)域內(nèi)的細節(jié)盡量不變。因此,在對手機鏡片圖像進行同態(tài)濾波過程中,這里的H(u,v)應(yīng)該選擇一個高通濾波器。經(jīng)過實驗驗證,本文這里的H(u,v)選擇的是一個高斯高通濾波器。

(6)

其中D0是截止頻率,D(u,v)是原點到點(u,v)的距離,a是修正參數(shù),n是濾波器的階數(shù)。針對手機鏡片的兩類缺陷裂紋和氣泡,用同態(tài)濾波的方法對圖像進行處理后,其效果如圖3所示。其中(a)、(b)是含有氣泡缺陷的鏡片經(jīng)同態(tài)濾波處理后前后對比圖,(c)、(d)是含有裂紋的鏡片經(jīng)同態(tài)濾波處理后前后對比圖。

圖3　同態(tài)濾波處理前后對比圖

從效果來看,由于在拍攝圖像的過程中光照不均,原圖的亮度偏低,圖像昏暗不清,特別是針對氣泡這樣的缺陷,缺陷的細節(jié)很容易淹沒在昏暗的背景中；經(jīng)同態(tài)濾波處理后,圖像更加清晰,缺陷的細節(jié)完全顯現(xiàn)出來。

3.2背景減除法處理

因為正常的手機鏡片圖像在灰度值上分布較均勻,諸如一些裂紋缺陷,其灰度值在其領(lǐng)域范圍內(nèi)相比正常區(qū)域較小,因此可以設(shè)置一個大小合適的模板遍歷圖像,即對圖像進行最大值濾波,經(jīng)過實驗驗證,這里的濾波器選用的是7×7最大值濾波器,用數(shù)學(xué)公式表示為R=max{fi|i=1,2,…,49}。取模板區(qū)域內(nèi)灰度值最大的像素作為輸出結(jié)果,遍歷完成后結(jié)果圖像即為背景圖像Q。將原圖像與背景圖像作減法運算,便去除了正常區(qū)域,缺陷區(qū)域便被分割出來,經(jīng)背景減除法處理后的圖像為

f(x,y)=R(x,y)-g(x,y)

(7)

其中R(x,y)是最大值濾波器提取到的背景圖像,g(x,y)是原始圖像經(jīng)同臺濾波處理后得到的圖像,f(x,y)是經(jīng)背景減除法處理后得到的圖像。

經(jīng)背景減除法處理后,其效果圖如圖4所示,其中(a)、(d)是上一步同態(tài)濾波后得到的圖像,(b)、(e)分別是對(a)、(d)用最大值濾波器處理后得到的手機鏡片背景圖像,(c)、(f)是分別對(a)、(d)運用背景減除法后得到的圖像?？梢钥吹?缺陷部分的細節(jié)在背景中分離了開來。

圖4　背景減除法處理前后對比圖

3.3二值化處理

經(jīng)背景減除法處理后,手機鏡片圖像的灰度級分布主要分為兩類,一類是背景,另外一類則是缺陷。兩類的灰度分布十分明顯,對圖像進行二值化分割時,可以選用全局的閾值處理。全局閾值處理的迭代算法如下所示。

1) 令全局閾值q等于圖像的平均灰度,作為閾值的初始估計值。

2) 使用閾值q來分割圖像。經(jīng)這樣處理后,將會產(chǎn)生兩類像素：M由所有灰度值大于q的像素組成,N由所有灰度值小于q的像素組成。對M和N兩部分分別計算平均灰度值m和n。

3) 更新閾值q,令q=(m+n)/2。

4) 重復(fù)步驟2)～3),直到閾值q的值小于一個預(yù)定義的參數(shù)Δq。

圖像經(jīng)全局閾值處理后,其效果圖如圖5所示,其中(a)、(c)含有兩類缺陷的鏡片圖像經(jīng)過背景減除法處理后得到的圖像,(b)、(d)是(a)、(c)經(jīng)二值化處理后得到的圖像。可以看到,缺陷部分和背景部分完全分離開來。二值化之后,借助OPENCV庫的輪廓提取函數(shù)就可將缺陷的輪廓標記出來。

圖5　圖像二值化處理效果圖

3.4缺陷特征提取和分類

手機鏡片圖像中,缺陷的類型主要是裂紋和氣泡兩種,注意到這兩類缺陷在形態(tài)有著明顯的不同,裂紋這種缺陷比較修長和狹窄,氣泡這種缺陷的形狀則接近圓形。因此為了缺陷分類的方便,本文選用面積、圓形度、扁平度三個幾何特征來提取手機鏡片圖像中的缺陷。

1) 面積S即檢測到的某個缺陷區(qū)域中的所有像素的總數(shù)。

2) 圓形度C。注意到裂紋缺陷和氣泡缺陷的邊界明顯不同,圓形度可以用來表征圖像邊界的復(fù)雜程度[10]。圓形度的表示公式如下：

(8)

其中L表示缺陷區(qū)域的周長。缺陷的形狀接近圓形時,C的值接近4π；缺陷越復(fù)雜,C的值越大。

3) 扁平度E。扁平度[11]即缺陷部分長軸L和短軸W的比值,長軸L是通過缺陷重心的直線被缺陷區(qū)域所截取的最長線段,短軸W是通過缺陷重心、與長軸垂直的直線被缺陷區(qū)域所截取的線段。扁平度公式如下所示：

(9)

由于手機鏡片圖像中,兩類缺陷裂紋和氣泡的形態(tài)差別特別大,通過上面幾個參數(shù)的判斷和比較就可以準確地對缺陷進行分類。具體做法是,以上三個形態(tài)特征,每個都設(shè)定一個閾值,對于任何一個缺陷,只要這個缺陷的三個幾何特征所計算出來的值都偏向于對應(yīng)的閾值,則可判定這個缺陷是裂紋還是氣泡。通過實驗驗證,本手機鏡片缺陷檢測系統(tǒng)將三個幾何特征面積、圓形度、扁平度的閾值設(shè)定為1100,16,2。如果同時有缺陷的像素總數(shù)小于1100,圓形度小于16,扁平度小于2,則可判定這個缺陷類型是氣泡,其余情況的則是裂紋。

4　檢測系統(tǒng)硬件、軟件平臺和實驗結(jié)果分析

4.1檢測系統(tǒng)硬件和軟件平臺

手機鏡片缺陷檢測系統(tǒng)總體結(jié)構(gòu)圖如圖6所示。

圖6　檢測系統(tǒng)總體結(jié)構(gòu)圖

如圖6所示,檢測系統(tǒng)利用由面陣CCD工業(yè)相機、同步編碼器搭建的硬件平臺,對由流水線傳送而來的手機鏡片進行拍攝,拍攝的圖片通過千兆網(wǎng)卡傳到與相機相連的計算機上,軟件平臺完成圖像數(shù)據(jù)的接收和實時顯示,通過控制軟件的圖像處理算法實現(xiàn)對手機鏡片缺陷的識別、判別和分類。圖7是檢測系統(tǒng)的實物圖。

在軟件平臺設(shè)計的過程中,以VS2013作為平臺設(shè)計工具,以C++作為程序設(shè)計語言,在算法的設(shè)計過程中,部分圖像處理函數(shù)運用的是OPENCV的庫函數(shù)。

4.2實驗結(jié)果

在第3節(jié)手機鏡片表面缺陷檢測算法的設(shè)計中,以含有裂紋和氣泡兩類缺陷的鏡片作為實驗鏡片,運用基于同態(tài)濾波的手機鏡片表面缺陷檢測算法對缺陷進行了檢測,其中圖3(a)、3(c)是相機采集到的含有兩類缺陷的原始手機鏡片圖像,圖5(b)、5(d)是經(jīng)本文提出的算法處理后得到的結(jié)果圖。

圖3(a)、3(c)中兩種缺陷的各形態(tài)特征的計算值和分類結(jié)果如表1所示。

可以看到裂紋和氣泡兩類缺陷被準確無誤地檢測了出來,并且兩類缺陷能夠被正確地分類。實驗統(tǒng)計發(fā)現(xiàn),對于手機鏡片表面兩類缺陷氣泡和裂紋,缺陷的識別準確率在95%以上；缺陷被檢測出來后,對缺陷進行分類,分類準確度能夠達到90%以上。

5　結(jié)語

本文針對手機鏡圖像采集時光照不均導(dǎo)致圖像細節(jié)難以辨認的現(xiàn)象,以及手機鏡片圖像背景單一的特征,提出了一種基于同態(tài)濾波和背景減除法的手機鏡片表面缺陷檢測算法。首先用同態(tài)濾波解決圖像光照不均勻的影響,再利用背景減除法將缺陷部分從背景中分割開來,最后根據(jù)提取的形態(tài)特征,對缺陷進行分類,確實缺陷是裂紋還是氣泡。結(jié)果表明,這種算法能夠準確地識別出缺陷,并且能夠準確的分類。

[1] 蔣錦濤.平板玻璃缺陷檢測系統(tǒng)的研究[D].合肥：安徽大學(xué),2007:1-2.

JIANG Jintao.Study on Online Defect Detection System for Float Glass Based on Linear CCD Sensor[D].Hefei: Anhui University, 2007:1-2.

[2] 葉秋果,宗景春,李釧,等.基于同態(tài)濾波的遙感影像去云霧處理[J].海洋測繪,2009,29(3)：45-46.

YE Qiuguo, ZONG Jingchun, Li Chuan, et all. Cloud and fog removal processing of remote sensing image based on homomorphic filtering[J].Hydrographic Surveying and Charting,2009,29(3):45-46.

[3] 羅海霞,劉斌,龍永紅,等.同態(tài)濾波在光照補償中的應(yīng)用[J].湖南工業(yè)大學(xué)學(xué)報,2008,22(5)：23-27.

LOU Haixia, LIU Bin, Long Yonghong, et all. Application of homomorphic filtering in illumination compensation[J].Journal of Hunan University of Technology, 2008,22(5):23-27.

[4] 胡竇明,趙海生,李云川,等.一種基于同態(tài)濾波的紅外圖像增強新方法[J].紅外技術(shù),2012,34(4)：224-228.

HU Duming,ZHAO Haisheng,LI Yunchuan,et al.A new Approach to Infrared Image Enhancement Based on Homomorphic Filter [J].Infrared Technology,2012,34(4)：224-228

[5] 康衛(wèi).遮光定向反射鏡用于同軸光源攝影的實驗[J].中國人民公安大學(xué)學(xué)報(自然科學(xué)版),2012,18(2):10-15.

KANG Wei.Experiment on Shading Directional Mirror Used for Coaxial Light Photography [J].Journal of Chinese People’s Public Security University (Science and Technology),2012,18(2):10-15.

[6] 梁琳,何衛(wèi)平,雷蕾,等.光照不均圖像增強方法綜述[J].計算機應(yīng)用研究,2010,27(5)：1624-1628.

LIANG Lin,HE Weiping,LEI Lei,et all. Survey on Enhancement Methods for Non-uniform Illumination Image[J].Application Research of Computers, 2010,27(5)：1624-1628.

[7] 肖俊,宋壽鵬,丁麗娟.空域同態(tài)濾波算法研究[J].中國圖像圖形學(xué)報,2008,13(12)：2302-2306.

XIAO Jun,SONG Shoupeng,DING Lijuan. Research on the Fast Algorithm of Homomorphic Filtering[J].Journal of Image and Graphics,2008,13(12):2302-2306.

[8] Gonzalez R C, Woods R E, Eddins S L.Digital image processing using MATLAB[M].India：Pearson Education India,2004:71-74.

[9] 陳春寧,王延杰.在頻域中利用同態(tài)濾波增強圖像對比度[J].微計算機信息,2007,23(6)：264 -266.

CHEN Chunning,WANG Yanjie.Image contrast enhancement by homomorphic filtering in frequency field[J].Microcomputer Information,2007,23(6):264-266.

[10] 戴舒文.觸點零件形貌在線自學(xué)習(xí)視覺檢測系統(tǒng)研究[D].上海：上海交通大學(xué),2009:37-39.

DAI Shuwen. Research on Online Self- learning Vision Detection System of Contact Appearance[D].Shanghai:Shanghai Jiao Tong University,2009:37-39.

[11] 孫亞根.基于機器視覺的電容屏缺陷識別方法研究[D].南京：南京理工大學(xué),2013:48-50.

SUN Yagen.Research on Capacitance Screen Defect Recognition Based on Machine Vision [D].Nanjing: Nanjing University of Science and Technology,2013:48-50

Surface Defect Detection Algorithm for Mobile Phone Lens Based on Homomorphic Filtering

YUAN XukaiSUN Zhigang

(School of Automation, Huazhong University of Science and Technology, Wuhan430074)

Aiming at the phenomenon that image detail is difficult to identify which is caused by uneven illumination when mobile phone lens image is acquired, and the characteristic that the image background of mobile phone lens is simple, a surface defect detection algorithm based on homomorphic filtering and background subtraction is introduced. Experimental results show that the algorithm can identify and classify the defects accurately.

homomorphic filtering, background subtraction, defect detection

2016年3月10日,

2016年4月19日

袁續(xù)凱,男,碩士研究生，研究方向：機器視覺與圖像處理。孫志剛,男,碩士生導(dǎo)師，研究方向：計算機實時控制、網(wǎng)絡(luò)化控制、機器視覺與圖像處理。

TP391DOI:10.3969/j.issn.1672-9722.2016.09.036