【word】 区域生长法在PCB元件分割中的应用
区域生长法在PCB元件分割中的应用
小型微型计算机系统
JournalofChineseComputerSystems
2007年8月第8期
Vo1.28No.82007
区域生长法在PCB元件分割中的应用
鲁宏伟,文燕
(华中科技大学计算机科学与技术学院,湖北武汉430074)
E—mail:luhw@hust.edu,cn
摘要:针对PCB图像中元件区域的提取,提出一种基于种子窗口和自适应生长阚值的区域生长算法,实现元件的自动分割.
算法改进了以往区域生长算法中种子点的选取方法,并以初始种子点附近区域的统计值和已生长区域的特征相结合的方法自
动确定生长阉值,分割过程兼顾元件的局部特征和全局特征.实验结果
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
明,基于种子窗口和自适应生长闽值的改进区域生长
法具有较好的分割效果.
关键词:元件分割;区域生长;种子选取;生长阈值
中图分类号:TP391.4文献标识码:A文章编号:1000—1220(2007)08—1489.03
RegionGrowingAlgorithminPCBElementSegmentation
LUHong—Wei,WENYan
(CollegeofComputerScienceandTechnology,HuazhongUniversityofScienceandTechnology,Wuhan430074,China)
Abstract:Thispaperpresentsaregion-growingalgorithmbasedontheinitialpointselectioninwindowsandadaptivegrowing
threshold,tOsegmenttheelementareafromPCBpictureautomatically.Theselectionoftheinitialpointinregion—growingal—
gorithmisimproved.Andthegrowingthresholdsaredeterminatedautomaticallybyanapproachwhichgroundsonstatistical
dataoftheareaneartheinitialpointandthefeatureofthegrownregion.Thepartialfeatureandglobalfeatureareconsidered
intheprocessofelementsegmentation.Theresultshowsthattheimprovedregion?growingalgorithmhasaperfecteffect
Keywords:elementsegmentation;regiongrowing;initialpointselection;growingthreshold
1引言
随着电子科技的发展,印刷
电路
模拟电路李宁答案12数字电路仿真实验电路与电子学第1章单片机复位电路图组合逻辑电路课后答案
板(PrintedCircuitBoard
简称PCB)进入了大批量生产阶段.由于印制板生产技术涉
及多种工艺技术,任何一个工序出问题,都会对产品的质量造
成影响,为此,精确高效的PCB检测设备在生产中是必不可
少的L1].自动光学检测(AutomaticOpticalInspection简称
AOI)是目前应用非常广泛的PCB检测技术.它是指用光学
成像技术获取被检测产品的数字图像,然后由计算机根据模
板图像提供的信息对待测图像进行分析以实现对产品质量的
检验L2].在产品检测过程中,元件区域的周长,面积等几何信
息和表面字母标识是检验的重要指标,因此从PCB图像中精
确分割出元件区域是电路板实时检测的重要前提和基础.根
据元件形状以及灰度变化等特征,对不同类型的元件采用相
应的图像分割方法,本文主要研究的是电路板矩形元件.
区域生长技术是一种非常重要的图像分割技术[3].它的
基本思想是以一组”种子”点开始将与种子性质相似(诸如灰
度级或颜色的特定范围)的相邻像素附加到生长区域的每个
种子上【4].此方法实现简单,比较适合分割均匀的连通目标,
在边缘不易提取的情况下也有较好的分割效果,但它对初始
种子点的依赖性较强,对噪声的干扰比较敏感,如果种子点不
慎落入噪声区域,则无法生成所需的元件区域;同时,它对生
长阈值的选择十分敏感,它往往要靠用户根据对一类图像的
样本分析并通过经验选取,因而人工选择一个合适并且通用
的生长闽值比较困难Is.s].
针对以上问题,本文提出一种基于种子窗口和自适应生
长阈值的区域生长法.它继承区域生长法的基本思想,改进区
域生长算法中种子点的选取方法,同时用户不必依据经验设
定生长阈值,而以种子点附近的统计值和已生长区域特征相
结合的方法确定生长阈值从而完成对元件的分割.
2算法描述
2.1种子点的选取
区域生长法的基础在于种子点即初始像素点的确定,它
将直接影响分割的效果.PCB元件表面灰度由于字母型号标
识的影响,变得不均匀,如果种子点不慎落在字母标识的区域
内,则无法生长出来理想的元件区域;靠近元件边界的定位圆
孔内部灰度与元件表面灰度相差较大,因此选取种子点应避
免选在定位圆孔内,否则容易只生长出定位圆孔区域;此外,
元件四周都整齐排列着引脚,在灰度图像中,引脚之间的缝隙
灰度与元件表面灰度很接近,若种子点选在边界附近,则易出
现生长区域的泄漏.因此所选种子点应该在元件的大致区域
内,避免落在噪声点上,且离元件边界有一定距离.为此,我们
收稿日期:2006—05—15基金项目:国家自然科学基金项目(30470489)资助,作者简介:鲁宏伟,男,1964年生,教授,研究方向为多媒体技术
与应用,计算机网络安全;文燕,女,1981年生,硕士研究生,研究方向为多媒体技术与应用.
1490小型微型计算机系统2007焦
采取以下步骤完成对种子点的选取.
2.1.1确定种子窗口选择区域
由于噪声光照等因素的影响,为了取得高质量的图像,必
须先对整幅PCB彩色图像进行平滑处理,之后进行中值滤
波.为了减少运算量,将彩色图像转换为灰度图像.根据
模板
个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载
提供的待分割元件坐标信息以及尺寸大小,从中截取出包含
待分割元件的大致区域,如图1所示.在该区域中,再以模板
提供的元件坐标为中心点,选取一个矩形区域作为种子窗I:1
的选择区域,如图2所示.
一?图1包含待分割元件区域的图像图2种子窗I:1选择区域
Fig.1ApictureincludingaregionFig.2Theselecting
forelementsegmentationregionofseedwindows
2.1.2选取种子窗口
为了取得生长效果最好的种子点,先在种子窗I:1选择区
域内,均匀选取个大小相同的窗I:1S,一1,2,3,…,[(本
文选取一6,如图3所示),然后再在这个窗I:1中按照以下
的策略选择其中一个作为种子窗口.
图3种子窗口选择区域内的6个M×N窗口
Fig.36seedwindows(M×N)inselectingregion
由于种子点的选取对字母标识等噪声很敏感,经实验可
知,噪声的灰度比元件表面背景灰度值高,所以当有噪声点落
入所选窗口内时,平均灰度值会提高.落入窗口的噪声点越
多,均值灰度越高,反之,落入的噪声点越少,均值灰度越低,
所以选取平均灰度值最低的窗口作为种子选取的区域比较合
适.
定义1.设窗口大小为M×N的图像具有L个灰度级,
W一{0,1,…,L一1),称
函数
excel方差函数excelsd函数已知函数 2 f x m x mx m 2 1 4 2拉格朗日函数pdf函数公式下载
f:M×?一
为该窗口的灰度函数,窗口中的点(z,)处的灰度记为f(x,
),且选取L一256.
在窗口s内(设其窗口大小为M×N),计算该窗口的平
均灰度
一
厂(),一1,2,…,
则选取为种子窗口,使得1??,且有HjminH.
1?l?
2.1.3选取种子点
定义2在M×N的灰度图像.P中
W={0,1,…,L一1),Gi={,)I厂(z,)一i),i?
,K一#Gi,称Fi—K/M?为灰度i的频度,U一{FIi?
)为图像.P的直方图[.
在种子窗口S?中,对任一像元(z,),取?,使得n
—maxF.定义
“;W
D(x,)=If(x,)一II+e(z,)
其中e(x,)是,)处梯度,则选取(z,y)为种子点,使得D
„yb
(
D??
2.2区域生长阈值的确定
种子点选取以后,最关键的是生长阈值的确定,生长阈值
如果选的不合适,容易出现生长区域过小或者生长到元件边
界以外,分割效果不理想.在拍摄PCB图像过程中,光照等外
界因素会使图像灰度发生动态变化,同时每个元件表面的灰
度分布情况也不尽相同,因此人工选择一个合适并且通用的
生长阈值比较困难,而采用自适应的生长阈值比较符合生产
的实际应用.
本文给出两种基于自适应生长阈值的区域生长法:基于
局部统计值的区域生长法和基于已生长区域特征的区域生长
法.前者是在种子点附近的一个区域内,选择统计像素点差值
的平均值作为生长阈值,将相邻像素的灰度差不大于此平均
值作为生长条件,它保证了生长区域的局部均匀性;而后者依
据已生长种子区域的特征来确定生长阈值,将像素灰度与已
生成种子区域的灰度均值之差不大于此阈值作为生长条件,
它保证了区域的整体均匀性.虽然这两种方法都不需要人工
设定阈值,有一定的应用价值,但显然如果将这两个方法结合
起来,不仅可以满足自适应生长阈值的要求,而且生长过程兼
顾局部特征和全局特征,分割效果将更好.
设.P为包含待分割元件区域的图像,现将综合局部统计
值和已生长区域特征的区域生长法算法描述如下:
(1)利用2.1节所描述的种子窗口方法选取初始种子点
(z,yb),已生长区域R的初始值为R一{(z,y)),集合4是
未生长完全点的集合,初始值为A一{(z,y)).集合B为己
生长完全点的集合,初始值为B一圣.
(2)基于局部统计值的生长阈值丁.的选取:
以(z,y)为中心,选取一个边长为M的方块像素区域.
设为该方块区域所有点组成的集合.任取(z,)?,定义
为(z,)的8邻域点集合,
S一{(z+U,Y+)IU,?{一1,1),(z+U,Y+)?J)
计算基于局部统计值得到的生长阈值
To=??If(x,)一f(k,z)I【?)?J(??1)?
其中丁?是反映生长苛刻程度的量,随着环境和条件的变化,
有一定的变化.经实验得出,取T.一2分割效果比较好.
(3)判断4是否为空,如果为空,结束生长;否则计算已
生长区域R的均值及
标准
excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载
方差m,,作为衡量灰度一致性的
特征量.设为已生长区域R的像元个数,则
1厂———————————一
一
音Ef(,),一?寺.(厂(,z)一)
8期鲁宏伟等:区域生长法在PCB元件分割的应用1491
在上述值基础上计算基于已生长区域特征得到的生长
阂值
Tl=(1,--a)T
丁是反映生长条件苛刻程度的量,T一3经实验得出,效
果较好.
从A中任取一像元(zo,Yo),转(4).
(4)记
1一{(zo一1,Yo),o+1,yo),o,Y0—1),(xo,Y.+
1)),按以下3个式子更新尺,A和B,然后转(3).
Rc=RU{(z,)?lIIf(x,)一f(xo,Yo)I<丁.且
lf(x,)一l<丁1)
Ac=AU{,)?IlIf(x,)一f(xo,Yo)I<丁.且
(a)基于随机选取种
子点的生长结果
(b)基于窗口种子点
选取的生长结果
lf(x,)一ml<丁l且,)B),{o,Yo))
Bc=BU{(o,Yo)}
3实验分析
为了比较不同方式下分割效果,分别给出了图1在不同
方式下的生长结果(如图4所示).
图4(a)中,在元件区域范围内随机选择种子点,但不慎
落入字母标识区域,仅生成了一小块区域,而不是整个元件区
域.图4(b)是采用基于窗口种子选择的区域生长算法所生长
出来的元件区域.显然,该方法生长效果较为理想,有效避免
了图4(a)情况的发生,经大量的实验证明,基于窗口种子选
取的方法具有较好的健壮性.
(c)基于局部统计值
阈值的生长结果
(d)基于已生长区域
阈值的生长结果
(e)综合局部统计值
阈值的生长结果
图4不同方式下的生长结果
Fig.4Growingresultsindifferentways
由图4(c),图4(d)和图4(e)比较得出,基于局部统计值[1]Nam—HyeongKim,Jae—YoungPyun,eta1.Real—timeinspection
的生长区域边界较平滑,毛刺少,接近实际元件边界,但内部systemforprintedcircuitboards[c]?In;IndustrialElectron一
空洞较多,尤其在边界定位圆孔处出现漏生长;基于已生长区ics,2001,Proceedings?ISIE2001,Pusan,2001,1:166—170?
域的生长结果内部比较均匀,定位圆处边界没有出现凹陷,但[2]Hecht0Dish.n?Aut.matic.pticalinspecti.n(A0I)[c]?In:
它的边界上较多毛刺,对下一步边界提取干扰很大;综合二者
特征的生长区域不仅内部较好,且边界毛刺少,较平滑,可以
精确提取出矩形边界.大量实验结果表明,综合局部统计值和
已生长区域特征的区域生长法比仅利用其中之一特征的分割
效果好.
4结论
(1)当元件表面有噪声干扰较大时,种子点的选取显得
尤为重要,经大量实验证明,采用基于种子窗口的区域生长法
可以有效避免因选取异常种子点而造成的元件分割失败.
(2)综合局部统计值和已生长区域的区域生长结果优于
用户事先依据经验人工设定阈值的生长结果,分割效果更理
想.但这种方法运行速度较慢,占用内存空间较大,在实际的
检测过程中,该算法可做适当的优化.基于局部统计值得到的
生长阈值对于某一型号的元件来说差别不大.在PCB检测的
流水线上,该生长阈值可以用于同一型号的元件区域生长,实
现一次计算多次使用的方式,将加快程序运行速度,减小所占
内存空间.其他优化的方法还需进一步探索.
References:
ElectronicComponentsandTechnologyConference,1990.Pro-
ceedings.,40th,LasVegas,NV,I990:659—66I.
[3]WanS-Y,HigginsWE.Symmetricregiongrowing[J].Image
Processing.2003,12(9):1007一1015.
[4]ChangYL,LiXB.Adaptiveimageregion—growing[J].IEEE—
IP,1994,3(6):868—872.
[5]PohleR,ToenniesKD.Anewapproachformodel—basedadap—
tiveregiongrowinginmedicalimageanalysis[C].In:Proceed—
ingsofthe9thInternationalConferenceonComputerAnalysis
andPatterns,Warsaw,2001:238—246.
[6]0rphanoudakisSC,TziritasG,HarisK.Ahybridalgorithm
forthesegmentationof2D/3Dimages[c].In:Proceedingsof
InternationalConferenceonInformationProcessinginMedical
Imaging,Brest,1995:385—386
[7]VekslerO.FastvariablewindowforstereocorrespondenceUS—
ingintegralimages[C].In:IEEEComputerSocietyConference
onComputerVisionandPatternRecognition,Madison,2003,
556—561.
[8]HadjidemetriouE,GrossbergMDNayar,eta1.Muhiresolu—
tionhistogramsandtheiruseforrecognition[J].PatternAnaly—
sisandMachineIntelligence.2004,26(7):831-847.