《基于机器视觉的印刷品缺陷自动检测系统》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
摘要摘要随着近代商品包装工业的发展，人们对商品包装的外观、色调及画面的设计要求越来越高，但由于工艺、机械等因素，在印刷过程中不可避免的会出现如漏印、飞墨、污点、字符局部或全部漏印、起皱褶、条纹、刀丝、套印不准等缺陷。由于存在多种主观因素的影响，传统靠人工检测的方法已很难保质保量地完成检测任务。近年来，随着计算机软、硬件的飞速发展，利用机器视觉来进行印刷品表面图像质量的自动检测已变得切实可行。本文以印刷品缺陷自动检测为应用背景，将图像处理、机器视觉与印刷技术相结合，实现基于机器视觉的印刷品缺陷自动检测。论文首先介绍了机器视觉的系统组成，在分析功能需求、技术难点的基础上提出了系统的总体设计方案，包括相应的硬件、软件设计方案。在图像预处理环节，本文在分析了几种常见的图像降噪技术及其各自优缺点后，选择自适应中值滤波算法对图像进行降噪处理，实验证明该算法能有效滤除CCD图像常见的椒盐噪声。，在图像配准环节，本文根据印刷品生产的特点，提出利用角点检测和霍夫变换相结合的改进配准算法，该算法首先利用角点检测技术检测ROI区域角点，通过比较待检图像、模板图像的角点坐标取得平移量，然后在ROI区域中局部运用霍夫变换对角点边缘直线进行检测，通过对比待检图像、模板图像的直线参数取得旋转量，实验证明，该算法同时兼顾了系统的实时性和精确性，取得了良好的配准效果。在印刷品缺陷检测环节，首先分析现有的三种基于图像处理的印刷品缺陷检测算法，并阐述各自的优劣，最后以绝对值差影算法为基础，使用基于区域生长的连通性分析算法，解决差影检测算法无法准确统计缺陷信息和对噪声敏感的问题。最后，以七组存在不同类型缺陷的印刷品作为实验样品，对上述各步骤算法的有效性作进一步的验证，并以实验结果为基础，分析了系统的实时性、精确性及抗噪能力。．关键词：机器视觉；印刷品；缺陷检测 广东工业大学硕士学位论文Abstract．Withthedevelopmentofmodemindustrial，people’Srequirementforpackinghavebeenincreasinglydemanding，butduetothetechnology,machineryandotherfactors，wecanusuallyfindmiss-printed，inksplash，stain，foldandotherdefectinprintingproduct．Thetraditionalmethodtofindtheprintingdefectismanuallybymen，itisverydifficultandunreliablebecauseofsubjectivefactors．Inrecentyears，computerhardwareandsoftwarerapidlydevelopment，usingmachinevisiontoautomaticallydetectprintingproductqualityhasbecomefeasible．Inthispaper,weuseimageprocessmethod，machinevision，combinewithmodemprintingtechnology，towordoutasystemtodetectprintingproductdefectautomatically．First，basingonanalyzingofthecustomer’Srequirementandthedifficultpointofthesystem，webrieflyintroducethewholesolutionofthissystem，includingthehardwarecomponentandthestructureofthesoftwaresystem．Duringthepretreatmentprocess，weanalysisedtheadvantagesanddisadvantagesofthreekindscommon．usednoisereductionmethod，afterthatwechooseadaptivemedianfilteralgorithmtoreducenoise，accordingtotheexperimentalresults，wefindthisalgorithmisquiteeffectiveinreducingsaltandpeppernoise，whichiscommonseeminCCDimage．Intheimagematchingprocess，weuseHoughTransformcombinedwithcomerpointdetecttechnologytodevelopanewalgorithmforimagematching．FirstlyweusecomerdetecttechnologytodetectthecomerpointintheROIreign，aftercomparethecoordinatesofthispointwiththesame+pointinmoduleimage，wecangetthehorizontalandverticaldisplacementofthetargetimage，andthen，weuseHoughTransforminaverysmallreigntogetthelinesofthecomerlines，comparethecoordinatesofthelineswiththesamelineinthemoduleimage，andwecangettherotationvalueforthetargetimage．Thisalgorithmhasquitegoodinaccuracyandreal-timeperformance．Inthedefectdetectprocess，weanalysisedtheadvantagesandⅡ Abstractdisadvantagesofthreekindscommon-useddefectdetectalgorithm，basingonimage·subtractmethod，wedevelopedanewalgorithmthatcombinewithPrioriknowledgeandRegiongrowingmethodtoanalysisdefectinprintingproduct，whichcansolvethenoise·sanativeanddefectstatisticsproblem．Attheendofthispaper,wefindsevengroupsofprintingproductswithdifferentkindsofdefectsastheexperimentsamples，tofurtherverifythewholesystemandallthealgorithmmentionedabove，accordingtotheresult，weanalysisedthereal．time，accuracyandnoiseimmunityperformanceofthissystem．’Keywords：MachineVision；Print；DefectDetectionIII 广东工业大学硕士学位论文IV 目录目录摘要．．．．．．．．．⋯．．．．．．．．．．．．⋯．．．．．．．．．⋯．．．．．．．．．．．．．．．．．．．．．．．．．．⋯．．．⋯．．．．．．．．．．．．．．．．．．．．．．．．．．⋯．．．．．．．．．IAbstract⋯．．．⋯．．．．⋯．．⋯⋯．．．．．．．．⋯．．．．．．．．．．．．．．．．．．．．．．．．．．⋯．．．⋯．．．．．．．．．．．．⋯．．．．．．．．．．．⋯．．．．．．．．II第一章绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。11．1本课题的研究背景及意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．11．1．1课题研究背景⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．11．1．2选题意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．11．2国内外研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．21．2．1国外发展状况⋯⋯⋯⋯⋯⋯⋯⋯⋯．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．21．2．2国内发展状况⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．31．3本论文的研究内容及章节安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．41．3．1主要研究内容⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一41．3．2论文章节安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．5第二章印刷图像自动检测系统总体方案设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．62．1引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯62．1．1机器视觉检测系统的结构特点⋯⋯⋯⋯⋯⋯⋯．：⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯62．1．2机器视觉检测系统的功能特点⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．72．2系统设计的功能需求分析和系统的总体设计方案⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．72．2．1用户基本功能需求分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．72．2．2．系统的总体设计方案⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．82．3机器视觉检测系统的硬件构成⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．82．3．1图像采集系统⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯：⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯92．3．2工控机的选型及传动装置的设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯122．4机器视觉检测系统的软件设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．132．4．1软件的开发平台⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．132．4．2系统软件的功能模块⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．132．5本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．14第三章印刷品图像的预处理技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯153．1引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．15V 广东工业大学硕士学位论文3．2图像的降噪⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．-⋯⋯⋯⋯⋯⋯．153．2．1印刷品图像噪声类型及来源描述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯153．2．2图像的降噪技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．163。2．3自适应中值滤波⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．193．3图像的几何变换⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯203．3．1图像的平移⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．203．3．2图像的旋转⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．213．5实验结果及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．223．6本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯-⋯⋯⋯⋯．24第四章印刷品图像位置配准方法研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．254．1图像配准综述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯254．1．1图像配准的数学模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．254．1．2图像配准效果的度量标准⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯254．1．3图像配准的影响因素⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．264．2图像配准的常用方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．284．2．1基于灰度信息的图像配准方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯284．2．2基于变换域的图像配准方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．304．2．3基于特征的图像配准方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯314．3霍夫变换与角点检测相结合的配准算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．334．3．1配准算法的总体思路⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯■⋯⋯⋯．．334．3．2ROI区域的选取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯344．3．3角点检测⋯⋯⋯⋯．．+⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．354．3．4霍夫变换求取旋转角的原理及实现⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯394．4实验结果及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．424．5本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯44第五章印刷品图像缺陷检测方法研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯45—5．t引．言⋯．jj⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．4S5．2模板制作⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．4S5．2．1统计平均法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4S5．2．2阈值法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯46 目录5．3常用的印刷品缺陷检测算法分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．465．3．1基于灰度相关的缺陷检测算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．475．3．2分层检测算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯485．3．3差影检测算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．505．4缺陷提取算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．515．4．1基于阈值的图像分割⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．515．4．2基于差值的图像分割⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．535．5连通性分析算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯555．5．1传统的连通性分析算法⋯⋯⋯：⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．555．5．2基于区域生长的连通性分析算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯565．6实验结果及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．585．7本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯64结论．⋯．．⋯．．．．⋯．．．．．⋯．．⋯．．．．．．．⋯．．．．．．．．．．⋯．．．⋯．．．．⋯．．．．．．．．．．．．⋯．．．．．⋯．．．⋯．．．．⋯．．．．．．．．⋯65参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。67攻读学位期间发表论文⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．71独创性声明⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．72学位论文版权使用授权声明⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。72ji!I：谢．．．⋯．．．．⋯．．．．⋯．．．．⋯．．．．．⋯．．．．．．．．．．．．．．．．．．⋯．．⋯．．．．⋯．．．．．．．⋯．．．．．．．．．⋯．．．．．⋯．．．．⋯⋯．73VU 广东工业大学硕士学住论文Contents．Abstract(Chinese)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．IAbstract(EngIish)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．IIChapter1Introduction⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．11．1TheresearchbackgroundandsignificanceofthisSUbject⋯⋯⋯⋯⋯⋯⋯．．11．1。1Researchbackground⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯11．1．2Significanceofthissubject⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．'1．2Theresearchactualityofthissubject⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．21．2．1Overseasresearchactualityandanalysis⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯21．2．2Domesticresearchactualityandanalysis⋯⋯⋯⋯．⋯⋯．⋯⋯⋯⋯⋯⋯⋯．31．3Mainresearchcontentsandstructureofthisthesis⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯41．3．1Mainresearchcontentsofthisthesis⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．41．3．2Thestructureofthisthesis⋯⋯⋯．．j⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．5Chapter2Printingautomaticsurveysystemoveralldesign⋯．．．．．⋯．．．．．．⋯．62．1Foreword⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．62．1．1Thestructureofmachinevisioninspectionsystemfeatures⋯⋯⋯⋯．．62．1．2Machinevisioninspectionsystemfeatures⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．72．2Systemfunctionalrequirementsanalysisandsystemdesignplan⋯⋯⋯．．72．2．1Basicfunctiontheuserneedsanalysis⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．72．2．2．’Theoveralldesignofthesystem⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．82．3Machinevisioninspectionsystemhardwarestructure⋯⋯⋯⋯⋯⋯⋯⋯⋯．．82．3．1Imageacquisitionsystem⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．92．3．2Industrialcomputerselectionanddesignoftransmission⋯⋯⋯⋯⋯．122．4Machinevisioninspectionsystemsoftwaredesign⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．132．4．1Softwaredevelopmentplatform⋯⋯⋯⋯⋯⋯⋯．⋯⋯．⋯⋯⋯⋯⋯⋯⋯⋯⋯132．4．2Systemsoftwaremodules．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．132．5Conclusion．．⋯⋯．．．⋯⋯．．⋯⋯⋯⋯⋯⋯．．⋯⋯⋯．．⋯⋯⋯．⋯⋯．⋯⋯⋯⋯．⋯．．⋯⋯．．14Chapter3PrintedimagepreprOcessingtechniques⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。t53．。IForeword．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．：．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．15Ⅷ 3．2Imagenoisereduction⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．153．2一Publicationsandsourcesofnoisetypedescriptionofimage⋯⋯⋯153．2．2Imagenoisereductiontechnology⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．163．2．3Adaptivemedianfilter⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．193．3Imagegeometrictransformation⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．203．3．1Imagetranslation⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．203．3．2Imagerotation⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．213．4Experimentalresultsandanalysis⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．223．5Conclusion⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．：⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．24Chapter4Printedimagepositionregistrationmethod⋯．．⋯．．．．．．．．．．．．．⋯．．．．254．1Summaryofimageregistration⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．254．1一Themathematicalmodelofimageregistration⋯⋯⋯⋯⋯⋯⋯⋯⋯254．1．2Effectofimageregistrationmetrics⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．254．1．3FactorsAffectingImageRegistration⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．264．2Commonmethodofimageregistration⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．284．2一Informationbasedongrayimageregistrationmethod⋯⋯⋯⋯⋯⋯⋯．284．2．2Transformdomain-basedImageRegistration⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．304．2．3Feature-basedimageregistration⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．314．3Houghtransformandcornerdetectionalgorithmforregistration．．．．．．．．．．．334．3．1Thegeneralidea⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯334．3．2ROIregionselection⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯344．3．3Cornerdetectionalgorithm⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯354．3．4Houghtransformtogetrotationangle⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．394．4Experimentalresultsandanalysis⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯、⋯⋯⋯⋯424．5Conclusion⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯44Chapter5Printedimagedefectdetectionmethod．．．．．．．．．．．．．．⋯．．．．．．．．．．．．．．．．．．455．1Foreword⋯⋯⋯⋯⋯⋯⋯⋯⋯·⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯455．2TemplateMaking⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯455．2．1Statisticalaverage⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．455．2．2Threshold⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．46 广东工业大学硕士学位论文5．3Commonprintdefectdetectionalgorithmanalysis⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯465．3．1Defectdetectionbasedongraycorrelationalgorithm⋯⋯⋯⋯⋯⋯⋯．475．3．2Hierarchicaldetectionalgorithm．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．485．3．3Subtractiondetectionalgorithm．．．．．．．．．．．．．．．⋯⋯．．．．．．．．．．．．．．．．．．．．．．．⋯．．．．．．．．．505．4Defectextractionalgorithm⋯⋯⋯⋯．⋯⋯⋯．⋯⋯⋯．．．⋯⋯⋯⋯．⋯．．⋯⋯．．⋯．⋯515．4．1Imagesegmentationbasedonthreshold⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯515．4．2Imagesegmentationbasedondifference⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．535．5Connectivityanalysisalgorithm．．⋯．．．．．．．．．⋯．．．．．⋯．．．．．．．．．．．．⋯．．⋯．．．．．⋯．．．．．．．．．555．5．1Connectivityanalysisalgorithmforthetraditional⋯⋯⋯⋯⋯⋯⋯⋯⋯．555．5．2Regiongrowingbasedonpriorknowledgeandconnectivityanalysisalgorithm．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．。．．．．．．．．．565．6Experimentalresultsandanalysis．．．．．．．．．．．⋯。．．⋯．．．．．．⋯．．．．．．．．．．．．．．．．．．⋯．．．．．．．．585．7Conclusion．．．．⋯．．．．．．⋯．．⋯．．．．．．．．．．．．．．．．．．．．．．．．⋯．．．．．⋯．．．．⋯．．．．．⋯．．⋯．．．．．．⋯．．．．．．．．74Conclusion．．．．⋯．．．．⋯．．．．．．．．．．．⋯．．．．．．．．．．．．．．．．．．．．．．．．⋯．．．．⋯．．．．．．．．．．．．．⋯．．．⋯．．．．．⋯．．．．．．．．65References．．．．⋯．．．．⋯．．．．．．．．．．．⋯．．．．．．．．．．．．．⋯．．．．．．．．⋯．．．．．⋯．．．．．．．．．．．．⋯．．⋯．．．．．．⋯．．．．．．．．67Publishedpaper．．．⋯．．．．．．．．．．．⋯．．．．．．．．．．．．⋯．．．．．．．．．．⋯．．．⋯⋯．．．．．．．．．．．．．．．⋯．．．．．⋯．．．．．．．．．71OriginalCreationDeclaration．．．．．．．．．．．．．．．．．．．．．．．⋯．．．⋯．．．．．．．⋯．．．．．．．．⋯．．．．．．⋯．．．⋯．．72Copyrightuseauthorizedstatement．．．．．．．．．．．⋯．．．．⋯．．．．．．⋯．．．．．⋯．．⋯．．．．．⋯．．．⋯．．72Thanks．．．．．．．．．．．⋯．．．．⋯．．．．．．．．．．．．⋯．．．．．．．．．．．．．．．．．．．．．．．⋯．．．．．⋯．．．．．．．．．．．．．⋯．．⋯．．．．．⋯．．．．．．．．73X 第一章绪论1．1本课题的研究背景及意义1．1．1课题研究背景随着近代商品包装工业的发展，人们对商品包装的外观、色调及画面的设计要求越来越高，特别是随着经济的发展，商品促进市场的繁荣，各种超市及购物中心的出现，人们更多的依赖于商品的外观来评价商品的档次，商品的包装就显得尤为重要，这种市场的需求也推动了印刷技术的发展。因此在这样的时代大背景下，需要快速的高精度印刷图像检测识别算法来满足印刷图像检测高速度和高精度的特点，在高分辨率、大数据量的情况下实现实时检测。由于印刷技术的不完善以及一些不易避免的随机因素，在印刷过程中常会出现各种缺陷，常见的印刷品缺陷主要有漏印、飞墨、污点、字符局部或全部漏印、起皱褶、条纹、刀丝、套印不准、糊版、脏版、墨色过浅或过重等【tJ，从而导致废品率过高会严重地影响生产效率。传统上的视觉检测和质量控制是通过有经验的专业人员来完成的，然而人工检查除了速度慢，需要占大量的人力、物力资源和场地资源外，更有下列几个问题【：1：l、容易出现漏检的情况。由于长时间的重复劳动，人眼极易出现疲劳。此时，出现差错的概率非常大，甚至会将一些严重的废品放过去。一旦有缺陷的产品出厂，将会严重损害客户的利益，给客户带来损失，同时影响到印刷企业的形象和声誉。2、无法保证统一的质量标准。人工检查时，对于墨色浅的情况，合格与否是检查者根据主观判断的，不同的人甚至同一人在不同的状态下的判断标准都很难做到统一。3、传统印刷质量检测技术是非在线的，检测控制周期长，印刷材料浪费，生产效率低下，不符合现代印刷市场发展趋势的要求。1．一t。2选题意义一为了使印刷品的废品率得到严格的控制，需要在印刷的时候对印刷品进行检测，尽量把每一件废品在出厂之前剔除。传统上的视觉检测和质量控制是通过有经验的 广东工业大学硕士学位论文专业人员来完成的，然而人工检查除了速度慢，需要占大量的人力、物力资源和场地资源外，而且存在容易生产效率点、出现漏检等缺点。基于上述特点，进行相关理论研究与系统开发就成为近年来各国机器视觉技术的研究人员与印刷设备制造商的紧迫工作[31。目前在基于机器视觉的印刷质量检测系统的研制与开发方面，国外企业走在前面，当前市场上应用的高端印刷质量检测系统基本上都是日本、美国、以色列、加拿大等国企业的产品，国内开发并成功应用的只有北京大恒图像推出的人民币号码在线检测系统和上海利盟德有限公司开发的高速字符／条码在线识别系统等[41。因此，为了提高国内中小型印刷企业的生产自动化水平和印刷产品质量，对印刷图像在线检测方法与技术进行研究并开发出经济实用的印刷图像在线检测系统，是对国内广大科研工作者的迫切要求。然而，现代印刷机的速度越来越快，与之要相呼应的印刷质量自动检测，我国还较为落后【51。传统的检测方法已不能满足现代印刷的要求。基于图像处理的印品质量自动检测系统有着广泛的应用前景。国外已经开发出相应的印刷质量检测系统，但是价格十分昂贵，且如果出现问题，售后维修不能保证，耽误生产的正常进行。国内少数厂家也开发出相关的检测设备，不过其中的核心算法，都是购买国外公司的，没有自主的知识产权，所以开发出我国具有自主知识产权的印刷质量自动检测系统，势在必行。因此，为满足我国印刷业的快速发展对印刷质量进行自动检测的技术需求，我们提出进行基于印刷图像自动检测的图像处理算法的研究，为印刷图像自动检测系统的研制与开发提供理论与技术基础。同时，好的图像处理算法在纺织、印染等行业也有良好的应用前景，对相关行业的自动化水平提高有巨大的促进作用。1．2国内外研究现状1．2．1国外发展状况1990年，日本的Tanimizu对印刷工业自动质量检测进行了研究，提出了索引空间法，以X、Y轴表示各象素点的位置坐标，以Z轴表示象素点灰度值，建立了空间坐标系，通过比较坐标系中模板图像和待检图像对应位置的灰度值，来确定待检图像中是否存在缺陷点[61，这种方法的优点是图像处理过程和检测过程相对独立，能够检测比较复杂的图片。缺点是算法比较复杂，应用上很不方便。1993年，法国的B．Mehermi提出了一种把n-tuple方法和逐象素比较相结合的2 第一幸绪论方法，这种方法具有速度快、参数输出多等特点[71，但它需要专门的硬件设备，同时要通过示教才能完成自动质量检测的任务。以后，很多学者通过对这些算法的改进，提出了很多新的算法，例如人工神经网络法、阈值比较法、模板比较法。这些方法都有其局限性，都只能检测一定范围内的缺陷，在实际应用中必须根据需要选用适合的算法，使其在满足检测需要的同时，提高系统的运行速度。2003年，英国埃克塞特大学的J．Luo和Z．Zhang，基于图像处理技术，提出了一种彩色印刷品检测算、法【。l。该算法首先进行照明修正，然后给出色彩三维直方图，进行特征提取，最后利用神经网络进行图像分类，识别合格图像。2009年，德国VisionExperts公司开发的印刷品质量检测系统能在线检测出各种纸张、多种材料表面的印刷错误。德国的ELTROMAT公司生产的GEDNOTA—SAVE系列高精度印刷品质量检测系统己用于对钞票印刷的质量检测过程。实践证明它们大大缩短了检测的时间，提高了检测速度，达到了监控高精度印刷品生产过程的目的。测到颜色差异、漏印、条痕以及斑点等印刷错误。加拿大的DALSA公司也研制出了类似的系统。1．2．2国内发展状况近年来，国内对此课题的研究也取得了很大进展，一些研究成果也已成功应用在钞票印刷等现代化生产线上。1998年，中国科学院合肥智能机械研究所对小张钞票的印刷质量检测问题进行了研究，初步设计了小张钞票质量检测系统，基本能够在2米／秒的运动速度下，完成废错钞票的识别和分检【，l，实现人民币印刷质量的自动监控。2001年，北方交通大学的阮秋琦教授对此课题进行了研究，提出了一种基于动态阈值和分层检测方法的图像缺陷识别算法110l。该算法可以根据阈值的设定来对一些象素点进行免检，从而达到缩短检测时间的目的。2001年，南京航空航天大学和南京一家生产烟草包装质量检测设备公司合作，发挥各自的优势开发了香烟小包装实时检测系统⋯l。一一一2002年，华东船舶工业学院的韩斌等利用遗传算法技术对印刷品缺陷进行计算⋯机自动检测，能够从印刷品图像中提取缺陷图像，实现印刷品表面的印后缺陷自动检测112l。但是应用遗传算法对准图像存在着一定的误差，还需改进。2003年，哈尔滨工业大学的李娟建立了模拟印刷品印刷过程的实验系统，并对 广东工业大学硕士学位论文常见印刷品缺陷进行了初步检测验证[131。2010年，北京大恒图像公司研制的印刷质量在线检测系统，系统的最高检测精度达0．001mm2，检测标准可以自动学习设定，能够检测出墨色浓淡、颜色深浅、线条断线、文字缺残等。在检测出质量问题时，能发出声光报警信号，并显示错误类型及相应的图像信息。因此，目前国内的研究重点还在算法的识别率及系统的稳定性、实时性上。尤其是对印刷图像在线检测系统的研究，目前国内成功的产品并不多，相应的高实时性处理算法研究也远远滞后于对通用图像处理算法的研究，应用于实际生产中的一些算法在准确性、实时性和可操作性上也还存在较大的问题。1．3本论文的研究内容及章节安排1．3．1主要研究内容本论文主要研究印刷品质量的自动检测，包括图像采集硬件系统和图像缺陷检测的相关算法。主要的研究内容和关键问题包括以下几个方面：l、设计印刷品缺陷自动检测系统的硬件系统。硬件是软件的载体，针对印刷图像的特点，合理选择图像采集部件、光源部件，设计并形成合理光路是整体系统的基础，也是本系统能成功实现的前提。2、提高图像的预处理速度。由于生产环境、机械、人为等原因，从生产线上获得的图像不可避免的会产生噪音、移位、甚至变形，因此在检测图像前需要对图像进行降噪和几何变换等预处理。实验证明，图像的预处理时间在整个工作周期中占有很可观的比例。本文主要从快速中值滤波、图像增强等角度出发研究适合印刷品图像的预处理算法。3、在满足系统实时性要求的前提下提高配准精确度。图像的精确配准是实现印刷品缺陷自动检测的重要前提，配准的精度很大程度上决定系统的检测精度。另一方面，为满足检测精度的要求，摄像机的镜头选取一般为高像素、大分辨率的镜头。这使得图像的配准工作同时面临数据量大、实时性高的压力。如何在保证配准速度的前提下提高配准精度是本文的一个重要研究内容。～4、实现印刷品缺陷的自动检测。造成印刷品缺陷的因素具有多样性，针对印刷品图像，系统检测的缺陷为漏印、飞墨、污点、字符、条纹、糊版、脏版等常见缺陷。4 第一章绪论1．3．2论文章节安排第一章：绪论，主要介绍课题的研究背景、意义以及该领域国内外最新的研究现状。给出主要研究内容及论文结构安排。第二章：介绍印刷品缺陷自动检测系统整体设计，从实际出发，设计一套基于机器视觉技术的印刷品缺陷自动检测系统，给出系统硬件及软件的总体设计方案，并详细介绍照明、图像采集和传动控制系统。第三章：介绍预处理算法和模板制作方法，首先对采集到的印刷品图像所存在的干扰因素进行分析，进而通过实验对比几种常用的预处理算法和模板制作方法，最后采用改进的自适应中值滤波算法来完成进行预处理操作，并使用基于阈值的统计平均法制作标准模板图像。第四章：介绍印刷品配准算法，在详细分析、比较现有的典型图像配准算法的基础上，将角点检测算法和霍夫变换算法结合起来，提出一种利用ROI区域角点及角点边缘进行配准的算法。第五章：介绍印刷品缺陷检测算法，通过对几种基于图像处理的印刷品缺陷检测算法进行详细分析、比较和实验后，针对缺陷提取和待检图像判定进行具体的阐述，最后以图像差影法为基础，使用基于区域生长的连通性分析算法。结论对本课题的研究工作做全面的总结并对日后进一步的工作提出合理的建议。5 广东工业大学硕士学位论文第二章印刷图像自动检测系统总体方案设计2．1引言系统的总体设计是整个系统得以实现的重要环节之一。它的正确性、可行性、先进性等因素直接决定了整个系统的功能和性能，并对系统的可靠性、实时性、可扩展性以及运行效率等性能指标有很大的影响。与其他系统开发一样，在设计机器视觉检测系统的总体结构前，首先需要了解机器视觉检测系统自身的特点，所要实现的功能并结合用户的实际需求，制定合理、有效的设计方案。2．1．1机器视觉检测系统的结构特点机器视觉应用非常广泛，不同的系统使用的部件也不尽相同，但是组成机器视觉系统的硬件主要部分都是一样的。典型的视觉系统如图2．1所示【1．1：镜头图2．1机器视觉系统的典型结构Fig．2-lTipicalcomponentsofmachinevisionsystem由图2．1知，机器视觉系统典型结构主要由光源、光学系统、CCD／CMOS相机、图像采集卡、机器视觉软件、检测器、输入／输出等I／O接口胶控制结构组成。组建机器视觉系统时，需要根据客户需求、现场环境、产品特点等因素选择各部件。因此，在组建系统前，必须先熟悉系统的工作原理、各部件的技术参数、性能指标等，然后才能根据客户的检测要求选用合适的部件搭建系统。6 第二章印刷图像自动检测系统总体方案设计2．1．2机器视觉检测系统的功能特点机器视觉是数字图像处理技术的工业应用，与其他普通质量检测系统相比，机器视觉检测系统在功能上具有以下特点【-s】：l、检测的实时性：为达到实时检测的目的，系统的检测效率需要高于，至少等于产线的印刷效率。2、处理的灵活性：系统应能提供各种用户接口，以适应不同的检测环境和检测需求，如可以自定义系统的图像采集频率、检测速率、缺陷的面积、周长等。4、检测的稳定性：系统在检测过程通常有噪音、震动等干扰出现，所以在机械设计上需要有抗干扰的考虑。由于工业生产环境常常较为恶劣，所以稳定性主要还是依赖于图象处理算法。5、检测的可靠性：机器视觉系统检测的可靠性一方面体现在误检率上，即检测系统工作的误码率需要满足客户需求。另一方面体现在算法的容错性、健壮性上，即检测算法应能适应图像采集、检测过程可能出现的各种异常。此外，机器视觉检测系统还应有操作简便化、接口通用化、界面友好化、结构模块化等特点，以适应各种复杂、多样的工业应用现场。2．2系统设计的功能需求分析和系统的总体设计方案2．2．1用户基本功能需求分析系统的设计方案应以客户的具体需求作为根本出发点。跟企业就检测目标作充分沟通，并从生产现场提取各种缺陷样品后，结合自身所具备的硬件条件及技术能力，初步确定用户基本需求如下：1、可检测的印刷品图像表面的缺陷为：材料划痕、刀丝、飞墨、糊板、漏印、条痕等缺陷；2、可检测的印刷品最大面积为230x307ram；3、可提供输入接口，自定义缺陷的面积、周长大小，并作为检测的依据；．一．4、检测精度：纵向分辨率≥O．3mm／pixl，．横向分辨率≥O．3mm／pixl；_一’=一⋯一5、提供检测结果的保存、读取功能。⋯一此外，检测系统应能提供友好的、简便的操作界面，并提供相关的操用帮助文档，方便操作人员进行检测操作。7 广东工业大学硕士学位论文2．2．2．系统的总体设计方案在了解机器视觉系统的组成特点、功能特点，以及客户的具体需求后，下面开始着手设计系统的总体方案。考虑到主处理器需要适应各种环境复杂的工业使用现场，并需要向外设提供RS232、USB、RJ45等通用接El，本系统采用工控机作为分析处理核心组成机器视觉系统，总体结构如图2．2所示t图2．2系统的总体设计方案Fig．2·2Blockdiagramofthesystemstructure由图2．2可知，系统主要包括图像获取、图像处理、传送部件、结果处理几个大部份构成。光源、CCD相机和图像采集卡一起组成图像获取部件，负责图像的采集工作；工控机负责协调各部件之间的工作，和图像处理算法一起构成图像处理部件；传动控制器、传送装置及旋转编码器一起组成传送部件。检测结果趣储、显示构成结果处理部件，负责对输出检测结果。另外，系统还提供参数设置接口，用户可以通过该接口设定图像采集频率、检测频率、缺陷面积、周长大小等。2．3机器视觉检测系统的硬件构成根据客户的功能需求及2．2．2节的总体设计方案，在掌握各部件的工作原理及相关部件的参数指标后，初步确定系统的硬件构成，如图2．3所示。8 $--章印刷图像自动检测系统总体方案设计．图2．3机器视觉检测系统的硬件构成Fig．2—3Thesketchmapofharw．arestructureofthemachinevision如图2．3，系统先利用高清、高速的摄像镜头拍摄标准图像，通过模板制作算法做成模板图像作为检测标准，然后拍摄被检测的图像，再将两者进行对比，对比之后如果发现被检测图像与标准图像的差别超出允许范围，系统就认为这个被检测图像为不合格品。检测进行时，将待检测的印刷品放在滚筒表面，滚筒在电机的带动下将印刷品传送到CCD摄像机下面，CCD摄像机在获得工控主机采集图像的命令后对图像进行采集，然后通过图像采集卡传送到计算机的内存，再由本文开发的软件程序对内存中的图像进行检测，并输出检测结果。传动装置根据工控机的检测结果对不合格的产品进行分类处理。由于CCD摄像机与滚筒之间是独立工作的，为保证CCD的图像采集操作和滚筒的运动同步，需要在CCD摄像机和滚筒之间加上定位装置，即转动编码器来协调控制。编码器与滚筒装配在同一轴上，同步运动，编码器每发出一个脉冲，就控制摄像机曝光一次。编码器转一周，摄像机同时也完成了一幅图像的扫描，即实现了图像进给与图像扫描之间的同步。二二j⋯二．．12．3．1图像采集系统一图像的采集实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据。机器视觉系统的图像输入装置可以是数字相机、数字摄像机等，9 广东工业大学硕士学位论文它们都把三维的影像作为输入源，即输入计算机的是三维感观世界的二维投影。图像采集主要由三部分组成：CCD摄像机、光源、数字图像获取。2．3．1．1COD摄像头CCD全称ChargeCoupledDevice，即电荷耦合器件，是20世纪70年代初发展起来的一种新型的半导体集成光电器件。既具有光电转换的功能，又具有信号电荷的存储、转移和输出的功能。因其具有灵敏度高、光谱响应宽、动态范围大、象元尺寸小、抗震动、防潮湿及成本低、功耗低、噪声低、使用寿命长等特点，所以多年来一直受到各国普遍重视，发展十分迅速。以CCD图像传感器为核心组成的CCD摄像装置称为线CCD摄像系统，其工作原理如图2-4所示【161。V被测部件动台图2．4CCD相机的工作原理图Fig．2·4PrincipleofOperationforChargeCoupledDevice如图2．4，CCD相机先由光学系统将景物或图像聚集到CCD光敏单元上，再由光敏单元将光强分布变成与之成正比的电荷分布，然后由脉冲电路按时序采样，使其变成串行的图像电信号，将图像信号接入图像显示器或记录器就可获得我们所需要的图像信息。衡量CCD摄像头好坏的指标很多，有像素数量、灵敏度、信噪比等，‘一一：其中像素数以及CCD尺寸是最重要的指标。像素数是指CCD上感光元件的数量。摄像机拍摄的画面可以理解为由很多个小的点组成，每个点就是一个像素。显然，像素数越多，画面就会越清晰，如果CCD没有足够的像素的话，拍摄出来的画面的10 第二章印刷图像自动检测系统总体方案设计清晰度就会大受影响，因此，理论上CCD的像素数量应该越多越好。但CCD像素数的增加会使制造成本以及成品率下降，所以具体选型时，应根据用户的检测精度需求选择合适参数的CCD摄像头。根基客户的实际检测需求及2．2节的系统总体设计方案，通过具体实验比较各种型号的CCD摄像头后，我们最终确定选用德国映美精公司的DMK41BU02面阵CCD工业相机，其主要的技术参数如下【-，】：分辨率水平：1360，垂直：1024帧速率15，7．5，3．75帧每秒该摄像头提供外部触发输出接口，可以接收由工控机发出的采集图像信号，方便的解决了图像采集与缺陷检测处理之间的同步问题。此外，该款摄像头的输出接口为通用的USB2．0接口，可通过驱动把数字图像送到工控机内存中，因此系统不需要用到图像采集卡。2．3．1．2光源图像数据采集的基本要求是信号的线性度好、噪声小、分辨率高、转换速度快。在图像数据采集系统中，由于CCD图像传感器是感光设备，光照的强弱将直接影响扫描所得图像的质量，因此对照明装置的要求一般都很高。在不同场合、不同时刻或不同天气状况，自然光强都会在很大范围内波动，使成像的一致性大大降低，有可能直接导致识别率的降低。解决该问题主要是要保证成像环境的一致性，在密封环境下可以使用固定光源保证稳定的光强，在不能密封的情况下可以采用高强度的频闪装置以屏蔽自然光影响，提高一致性。本系统中，对印刷品质量进行检测时，要把待测图像与模板图像对应比较，系统要保证不会由于亮度的变化而引起图像像素灰度值的变化太大而把待测图像判断为不合格产品，因此要求照明装置亮度稳定，照明强度高。照明系统主要由光源和灯具组成，其作用是为了使目标得到充分的照明，以保证像平面有足够的照度。由于工厂生产线一般在室内，而且CCD对各种环境因素的干扰很敏感，因此必须采用特别设计的人工照明系统来保证成像时像传感器得到充分、稳定、均匀的照度。一不同类型的应用对光源的要求也不同，只有明确了各种光源的特性才能根据需要选定合适的光源。此外，被测物体的几何形状、材料的光学特性等对光源的选择也有不同的要求。选择光源时一般要考虑以下几个因素[151： 广东工业大学硕士学位论文1、波长的要求2、亮度的要求3、物体的反射率4、图像的传递效率及图像输入设备的性能5、空间有效性6、使CCD工作在线性范围内照明系统设计的要求是：抗干扰、低温、稳定、高亮度，在稳定高亮度的同时，要保证对印刷品的低热辐射而不影响其平整性，杜绝光源可能引起的烤焦或点燃等现象。同时由于采用线阵CCD，若使用交流光源，会因为交流光源闪烁特性，而无法保证在CCD的每一个曝光时间内保持光源亮度一致，以至于影响图像的采集。经过实验比较，我们最终选定日本CCS的条形光源，该品牌的光源具有使用寿命长、响应速度快的特点，通过接入专用数字电源，能为我们提供稳定、均匀的光源环境。2．3．2工控机的选型及传动装置的设计2．3．2．1工控机的选型工控机是一种加固的增强型个人计算机，它可以作为一个工业控制器在工业环境中可靠运行，文中图像采集系统及实验平台采用的工控机参数如下：操作系统：WindowsXPCPU：主频2．5GHz硬盘：。40G内存：1G．2．3．2．2传动装置的设计系统设计目标中要求系统工作时不仅能检测待检印刷品缺陷，而且能实时控制印刷品传送装置的工作，剔除不合格产品。印刷品传送装置可由相应的传动轴、力一矩电机及其控制驱动电路等组成，其中力矩电机用来拖动传动轴。一：：●———=一’一一⋯～～——为了实现检测时对力矩电机的控制和对不合格产品的剔除，采用基于运动控制卡的力矩电机控制装置，并借助VC++编程实现控制软件设计。软件设计时，力矩电机的转速、功率等参数的确定取决于系统印刷品传送装置特别是传动轴的设计和12 第二章印刷图像自动检测系统总体方案设计系统要求的检测速度。传动控制部分结构图见图2．5所示。图2．5传动控制部分结构框图Fig．2-5Blockdiagramofthecontrolandimplementstructure图2．5中，运动控制卡接收来自工控机的指令，并通过驱动单元控制力矩电机的运转，实现印刷品进给与图像获取的严格同步。2．4机器视觉检测系统的软件设计2．4．1软件的开发平台软件开发平台的选择需要根据系统需求及编程人员的使用习惯选定。经过比较，本系统最终选定的开发环境如下：1、操作系统：WindowsXP；2、编程平台：VisualStudio2008：3、使用的图像处理库文件：ICImagingControl3．1、OpenCVl．0图像处理库。由于工控机的操作系统是WindowsXP，出于兼容性、可移植性考虑，本软件开发过程使用的操作系统同样是WindowsXP。在编程平台上，我们选用微软最新的软件开发平台VisualStudio2008，该平台不仅向编程人员提供了良好的操作界面、完美的代码段编辑器以及各种功能强大的控件，其自身携带的MFC更是方便编程人员在很短的时间内开发出系统界面。在图像处理库方面，选用了摄像头自带的ICImagingControl3．1及Intel公司开源、跨平台的机器视觉库OpenCVl．0进行混合编程。2．4．2系统软件的功能模块软件设计是整个系统的灵魂，是整个系统能否成功的关键。从编程语言的选择，到软件要实现的功能以及界面友好、操作方便、维护简单、易于扩展等特性都要考虑到。从编程语言方面考虑，由于系统采用的是基于Windows的软件系统，编程软件选择VisualStudi02008，因为VisualStudi02008是Windows下的主要编程工具之一一，它能方便地形成应用软件中所需的各种用户界面和工具，并直接与系统及底层硬件交换数据，省去了很多繁杂的工作[191。用该工具开发的系统具有维护容易、界13 广东工业大学硕士学位论文面友好、代码效率高、执行速度快等一系列优点，是目前应用软件开发中广泛采用的主要工具之一。1缺陷检测模块竺竺兰竺兰竺竺一，图2-6检测软件的功能模块框架Fig．2·6Softwarestructureofthemachinevisionsystem系统模块化软件流程图如图2-6所示。根基用户的检测需求，基于机器视觉检测的软件系统需要包括图像采集、参数获取、图像处理、结果处理等功能。各个功能模块之间以图像信息流为基础相互联系，而在实现上又相对独立。图像采集模块负责完成图像的采集工作，是整个系统的基础模块；参数获取模块用于获取用户的系统设置参数，如图像的采集频率、采集时间、采集数量，构成缺陷的区域面积、周长大小等；图像处理模块包括图像预处理和缺陷检测两大部分，是系统的核心模块，负责对输入的图像进行预处理及检测缺陷；最后，结果处理模块负责实时显示检测结果及相关的存档工作。系统采用模块化设计模式，最后将它们组合成为一个完整的印刷品缺陷检测系统软件，这充分体现了模块化程序设计的优越性。．2．5本章小结根据印刷品缺陷检测的特点及实际生产要求，提出了一套基于图像处理的印刷品缺陷自动检测系统软、硬件设计方案。对整个系统的工作原理、流程、组成结构及各个子部分的功能、设计和选型作了具体的阐述，并介绍了系统软件设计的平台、构成模块等。14结果处理图像处理参数获取图像采集 第三章印厣】品图像的预处理技术第三章印刷品图像的预处理技术3．1引言由于采集设备自身的原因和外界的干扰，在图像的获取：传输、存储过程会不可避免地出现噪声及畸变，所以在对图像信息进行分析之前，需要对图像进行特定的预处理，从而增强图像中有用的信息，减少或去除图像中无用或干扰的成分。3．2图像的降噪3．2．1印刷品图像噪声类型及来源描述在数字图像的获取和传输过程中，由于各种因素的干扰，图像不可避免的会受到噪声污染，从而造成图像质量的下降。常见的图像噪声有加性噪声、乘性噪声、量化噪声和椒盐噪声等【20l。l、加性噪声。加性噪声是和图像信号不相关的随机噪声，如高斯白噪声、图像在传输过程中引进的“信道噪声’’图像传感器引入的“随机噪声"等。带有这类噪声的图像F’可以看作无噪声图像，和噪声Ⅳ之和，即，’=F+Ⅳ。2、乘性噪声。乘性噪声是和图像信号相关的噪声信号，往往随着图像信号的变化而变化，如电视扫描光栅、胶片颗粒噪声等，这类噪声和图像的关系F’=(1+^DF。3、量化噪声。量化噪声是数字图像的主要噪声源，其大小与数字图像的采样有关，因此这类噪声是不可避免的，为了尽量减少量化噪声的影响，必须增大图像的采样频率，但这样会增加数字图像的存储量，因此量化噪声的去除必须在图像的容量和可视性之间进行折中。4、椒盐噪声。在图像处理过程中，由图像传感器、信道传输、解码处理等所产生的脉冲噪声，会在图像中引起黑一白点，因此称为椒盐噪声。～⋯．通过大量实验研究验证，使用CCD摄像机采集印刷品图像的过程中，极易产生⋯椒盐噪声，其特征如图3．1所示：一⋯～15 广东工业大学硕士学位论丈图3．1含有常见椒盐噪声的CCD图像Fig．3·1ImpulsenoiseinCCDimage图3．1是含有常见椒盐噪声的CCD图像，这些噪声的大小及来源取决于CCD摄像头的使用方法和环境，如是否被冷却、是否有杂散光等。总的来说，CCD摄像头图像采集噪声主要有以下几个来、源【zl】．1、在对物体的入射光线进行光电转换时产生的和成像物体相关的噪声。这种噪声分布符合统计学的泊松随机分布。2、由于CCD器件本身问题而产生，与成像无关的电子噪声，如热电子噪声等，这部分噪声信号目前无法和有用信号加以区别。3、图像输出噪声。在CCD摄像头输出图像时，在信号放大、模数转换等环节被放大，进一步降低了图像的质量，这种噪声分布符合统计学的高斯随机分布。在对图像进行降噪处理前，有两点是需要明确的：一是图像受到的是何种类型的噪声干扰：二是受干扰的程度如何。然后才能有目的地制定合适有效的预处理方案。3．2．2图像的降噪技术常用的降噪方法有空域滤波法和频率域滤波法。频域滤波一般用以滤除高频噪声信号，该方法需要进行时域和频域的转换，运算量大、实时性差；空域滤波能减弱或消除图像中的高频率分量而不影响低频分量，相对来说运算量小、处理速度快、实时性好。本课题的设计目标是要实现印刷品质量的在线检测，具有较高的实时性要求，因此图像的预处理方案将考虑空域滤波法。常用的空域滤被法有邻域平均法、加权平均法、中值滤波法等阎。16 第三章印刷品图像的预处理技术邻域平均法采用模板计算的思想，实现一种邻域运算。设f(i，_，)是给定的含有噪声的图像，经过邻域平均法处理后的图像为g(i，，)，它的模板邻域S为NXN，像删)_玄丕们∽∞．1)吉任11卜1限2)!×ll(3．2)9l1l1I3．2．2．2加权平均法系数采用不同的数值。一般认为离对应模板中心像素近的像素应对滤波结果有较大．。去心]’㈦3，门Ho(形·F)U=一H0W17(3．4) 广东工业大学硕士学位论文式(3．3)中，日是卷积模板，，是待处理的图像，形是有加权值的图像，分母起归一化的作用。用卷积模板日进行归一化卷积，将图像F和形变换为一幅新图像G。在实际应用中，可以根据具体的局部图像结构来确定卷积模板，使加权值成为‘自由调节参数，应用比较灵活，但由于模板不能分解，计算效率不高，且该法依然无法避免图像模糊问题。3．2．2．3中值滤波法中值滤波是由Tukey发明的一种非线性信号处理技术f24】，早期用于一维信号处理，后来很快被用N-维数字图像平滑中。信号中值是按信号值大小顺序排列的中间值，对于二维图像信号集{xij：f，J∈N)，二维中值滤波定义为【25l：巧=Med{x，／)=Med{xj+，’巾：，．，s∈4>(3．5)式(3．5)中，Ⅳ表示自然数集，么为截取图像数据的窗口，窗A可以采取不同的形式，通常有线段窗、方形窗、十字窗和圆形窗等。中值滤波是非线性滤波器，它在保护图像边缘的同时，除去孤点、线噪声。一般要求窗宽的一半大于噪声的延续宽度。传统中值滤波的基本流程如图3．2所示：图3．2传统中值滤波流程一．．一一一：=：一：。：-：=：：==_～一⋯——=二■豆弹‘Traditionalmedianfilteringprocess由图3．2知，中值滤波法的基本思想是：对于当前的像素点，选取一定大小的邻域窗口，利用邻域内像素灰度值的中值来代替该像素点的灰度值。窗口的大小决18● 第三章印刷品图像的预处理技术定在多少个像素值中求中值，窗口的形状决定在什么样的几何空间中取像素点计算中值，窗口的形状和尺寸对滤波效果影响很大。对二维图像，一般可以选择矩形窗口、十字形窗口等，它的中心位于被处理像素点上。中值滤波为非线性滤波，在噪声不明显时，可以在去除脉冲噪声、椒盐噪声的同时保持图像的边缘细节，它不依赖于邻域内与典型值差别很大的值，在一定条件下可以克服线性滤波器的缺点，对滤除图像采集噪声最为有效【：s】。但随着噪声的密度变大，该法的滤波能力越弱，图像模糊情况也变得越严重。本章将在3．6节“实验结果与分析"中通过实验的方式对中值滤波的性能作进一步的讨论，并结合实验结果对上述结论进行比较验证。3．2．3自适应中值滤波实验表明，使用CCD摄像机采集印刷品图像的过程中，极易产生脉冲噪声(也称为椒盐噪声)[2"rl。对比3．3．2节各种降噪技术知，中值滤波降噪是最适合消除椒盐噪声的，刚好适用于本课题所采集图像的降噪要求。但是传统中值滤波方法选用固定大小的滤窗，使得图像在去除脉冲噪声的同时也丢失了边缘、尖角等信息，让图像整体变得模糊化。为进一步消除图像去噪与图像模糊之前的矛盾，结合相关的研究成果，决定引入一种自适应中值滤波技术，以满足本课题的检测精度要求。自适应中值滤波器的滤波方式和传统的中值滤波器一样【：·J，都使用一个矩形区域的窗口＆，不同的是在滤波过程中，自适应滤波器会根据一定的设定条件改变，即增加滤窗的大小，同时当判断滤窗中心的像素是噪声时，该值用中值代替，否则不改变其当前像素值，这样用滤波器的输出来替代像素(x，J，)处的值，设彳12‰一乙。，彳22‰一Z眦，B1=乙一Z,m，B2=乙一‰，乙。、z眦、k分别是滤窗内灰度的最小值、最大值和中值，‰是滤窗所允许的最大值。其流程如图3．3所示：19 广东工业大学硕士学位论文图3．3自适应中值滤波流程Fig．3-3Adaptivemedianfilterprocess自适应中值滤波器会根据一定的设定条件改变滤窗的大小，即当噪声面积较大时，通过增加滤窗的大小将噪声予以去除，同时当判断滤窗中心的像素不是噪声时，不改变其当前像素值，即不用中值代替。这样，自适应中值滤波器可以处理噪声概率更大的脉冲噪声，同时在平滑非脉冲噪声图像时能够更好地保持图像细节[29l，这是传统中值滤波器做不到的。为比较传统中值滤波算法与本文采用的自适应中值滤波在性能上的区别，本文采用多幅叠加不同密度的椒盐噪声图像，分别采用两种滤波方法进行降噪，将在本章3．6节“实验结果与分析"中结合实验结果作迸一步讨论。·3．3图像的几何变换印刷品缺陷自动检测的一个重要的处理环节为将待检图像和模板图像进行配准，该过程需要对图像进行几何变换，即对待检图像进行平移、旋转操作，使待检图像和模板图像像素建立空间上建立映射关系，为图像的差影操作做准备。3．3．1图像的平移：一：一图像平移就是将图像中所有的点都按照指定的平移量水平、垂直移动[301。如图34所示，设(而，％)为原图像上的一点，图像水平平移量为tx，垂直平移量为ty，则平移后点(Xo，yo)坐标变为(而，乃)。 第三章印刷品图像的预处理技术YⅢ嘲斟㈦6)3．3．2图像的旋转逆时针进行旋转操作Ⅲl。设(Xo，Yo)是原图上的像素点，旋转点为点0，旋转角度为0，旋转后得到点(而，舅)，该过程的变换关系如图3-5的图(口)所示：图3．5图像旋转示意图Fig．3—5Schematicdiagramofimagerotation 广东工业大学硕士学位论文设旋转前待处理图像上旋转点为(％，％)，用极坐标表示如下：j‰封Xcos(9)(3．7)‘I．’，，【Yo=，．xsin(q,)由图3-5图(口)中的几何关系得知，旋转后的点“，M)可表示为：J五2，．cos(妒)cos(9)+，．s访(缈)sin(e)(3．8)【乃=，．sin(ap)cos(O)一rcos(6p)sin(O)上述图3—5(口)是绕坐标原点(O，0)进行的，但在实际应用中如果需要绕某个给定点(口，6)对图像进行旋转操作，则要先将坐标系平移到该点，再进行旋转，最后再平移回原处，如3-5的图(b)所示。3．5实验结果及分析．为了验证自适应中值滤波的性能，我们把待检图像人为的加上不同加度的椒盐噪声，如图3-6所示，按顺序从左至右受噪声污染的密度分别为P=0．1、P=O．3、和P=0．5：(口)P=O．1p)P=O．30)P=O．5图3-6受不同程度椒盐噪声污染的印刷品图像Fig．3—6Differentdegreesofimpulsenoisepollutioninprimedimage按3．2．2节介绍的传统中值滤波算法，对以上图像进行滤波预处理操作，预处理的效果如图3．7所示： 第三章印用J品图像的预处理技术(口)P=O．1(6)P=O．3(c)P=0．5图3．7传统中值滤波对污染图像的降噪效果Fig．3-7Traditionmedianfilterprocessingeffectonimagepollution对污染图像按3．3．3节介绍的自适应中值滤波算法进行滤波，其效果如图3．8所P-0．1(6)P=O．3(c)P=0．5图3．8自适应中值滤波对污染图像的降噪效果}一Fig．3-8Adaptivemedianfilterprocessingeffectonimagepollution由图3．8可以看出，传统的中值滤波器在噪声强度较小时可以在保持图像细节的同时较好地抑制噪声，但随着椒盐噪声强度的增加，降噪的能力很快地下降了， 广东工业大学硕士学位论文图像变得越来越模糊，部分的图像细节丢失。而自适应中值滤波器，在有效地抑制噪声的同时还充分地保护了图像细节随着图像被污染程度的增加，自适应滤波器的信噪比也呈下降趋势，但是相对于传统的滤波器来说性能有较大的优势。由此可见，在对含有空间密度较大的脉冲噪声图像进行滤波时，自适应中值滤波器较传统中值滤波器具有很大的优越性，在很大程度上降低了滤除噪声和图像细节丢失之间的矛盾。3．6本章小结‘本章描述了图像常见噪声的类型及其特征，分析了印刷品在线检测系统在图像采集过程可能引入噪声的环节；介绍了常见的图像降噪方法，如邻域平均法、加权平均法和中值滤波法等，并针对CCD采集图像过程常见的椒盐噪声，在中值滤波基础上引入自适应中值滤波法，结合实验结果说明其滤波降噪的有效性和优越性。 第四章印刷品图像位置配准方法研究4．1图像配准综述近年来，图像配准技术的研究涵盖了多个应用领域。该技术在计算机视觉及模式识别、医学图像分析、遥感数据处理、语音理解、机器人学、计算机辅助设计与制造、天文学等学科中配准技术均占有举足轻重的地位，其中前三个应用领域中针对图像的配准技术的研究开展的较多，图像配准已成为其中很多研究课题的必备环节。图像的配准是图像处理的基本任务之一。简单来讲，图像配准就是要把不同时间、不同传感器、不同视觉或其他不同条件下获得的两幅或多幅图像在空间上进行匹配，使不同图像上的像素点在几何上建立一一对应的映射关系，达到图像矫形的目的。4．1．1图像配准的数学模型图像的配准问题可以定义为两幅图像在像素坐标和灰度值上的双重映射[321。设模板图像为‘(x，Y)，待配准图像为‘(x，Y)，那么两幅图像之间的坐标和灰度值的映射关系可表示为：厶(x，y)=g(1t(f(x，y)))(4．1)式(4．1)中，其中g表示两幅图像对应点之间的灰度值变换关系，厂表示像素点在二维空间上的几何变换关系，即图像‘上的像素点，lO’，J，．)在几何空间上满足：II(Xt,Y’)=f(12(x，y))(4．2)由于模板图像与待检图像之间的灰度值关系已经在第三章“印刷品图像的预处理技术"中讨论过，即本章涉及的图像的配准关系只需讨论几何空间上的配准关系。因此，式(4．1)可简化为下式：‘(z，J，)‘=／(厶(工，y))(4．3)4．1．2图像配准效果的度量标准．衡量图像配准效果的度量有很多种，这里提供3种最常见度量，分别是平均灰‘25‘ 广东工业大学硕士学位论文度差(Mean)、均方差(Ⅶ)，以及峰值信噪比(PSNR)，为后面的配准实验提供相对全面和准确的度量值。设配准的模板图像为Ii(i，J)，配准后的图像为12(i，歹)，图像大小为M×N，那么三个度量可分别表示为：MN∑∑(‘(，，j)-12(i，肋Mean=土L型———————一(4．4)Var=(4．5)，气气zPSNR=1019—_1丌产=——一志善蔷(棚卜删”2(4．6)式(4．6)中，峰值信噪比(PSNR)是使用最普遍的测量法，较为全面地衡量输出图像与原始图像之间的差别。PSNR的单位为dB，其值越大，就代表图像失真越少，配准效果越好。4．1．3图像配准的影响因素印刷品缺陷自动检测系统主要是为提高设备的检测速度和精度，尤其是印刷品上很多质量缺陷只是很细微的图像变化，如刀丝、划痕、小墨点、颜色不均匀等，快速的印刷过程中操作人员无法依靠肉眼对印刷品的质量做出准确的判断。影响印刷图像配准的因素包括不利因素和有利因素，印刷品图像变形是影响图像配准的主要不利因素。在印刷机的印刷过程中，由于牵引和张紧装置的作用，印刷品图像变形一般只存在于两个方向上，即纵向(运动方向)和横向(滚筒轴线方向)，几乎不会出现图像的旋转变形，这其实也是对印刷图像配准的一个有利影响因素。造成图像变形的影响因素主要包括以下三个方面[331：一j．筒上印屈IJ介质在张紧机构作用下造成的拉伸变形；⋯一—=～二二二二r=-一：～2、在印刷过程中介质出现窜动或跳动造成的图像偏移量和旋转量；3、由于图像采集装置中同步信号造成的印品实际长度与图像帧幅之间的误差累积，最后造成了采集到图像的纵向偏移。 第四章印序IJ品图像位置配准方法研究造成图像横向变形的主要因素则只有一个：EpSJJ介质在印刷过程中的横向窜动。另外，印刷质量在线检测过程中还存在着噪声干扰大、可能存在局部缺陷、环境光干扰影响图像色彩、灰度与对比度属性、光源老化影响灰度变化等因素。这些都会对印刷图像的配准过程造成一定的困难和障碍。当然，特征点的选取过程需要考虑图像中一些有利于配准的因素，就印刷品图像而言，主要有以下四个方面：l、印刷品的色标印刷过程中在印刷介质的边缘部分都有一些标记，一般称为色标，通常一定颜色的实心块、圆环区域、方框、色条、或者它们的组合。色标的颜色、个数、位置、形状根据不同的印刷要求也不一样。如图4．1是一种常见的色标形式：图4．1印刷品中的常见标十字色标Fig．4一lThecommonmakerintheprintmaterial2、印刷品之间的帧空隙印刷品在印刷过程是连续进行的，但为方便裁剪，印刷品不同帧之间通常留有一定宽度的帧间隙，如图4．2所示。这些空隙通常为空白色或其他单色背景，通过图像的预处理也可以作为图像的配准特征点。1．7．盆盘凸：谤，■?'o·jI'’冀，÷誊t■嗽：JF=：斌k—矗^·鑫．；裔糕括：：：翰㈣l■秘旧蠡,,--411釉阀-孓．孕$p：泞，．一?，一，，一÷'氛J-(，‘．，月K巍：j—："；一女盛域骗罱匦烈l■鼬嘲扣-|釉_确I甄△．△·6≯图4．2印刷品帧与帧之间的空隙Fig．4-2Printimagesspacebetweenframes 广东工业大学硕士学位论文3、印刷品的边框与条纹：各种印刷品中，通常包含特征明显的角点、边框或条纹，如图4．3所示：国一图4．3印刷品图像明显的边框与条纹Fig．4—3Borderandstripesinprintedimages由图4．3可知，印刷品图像都包含大量边框、条纹、角点，预处理后用角点提取、边缘提取算法可以作为配准的特征点。4、不同成品帧在检测过程相对移位较小在本课题的开题阶段，经过我们到佛山顺德某印刷工厂实地调研发现，印刷品的生产目前己基本实现半自动化生产，即产线在人工加载印刷介质后，会自动对印刷介质进行移动、定位及加载油墨完成印刷，最后由人工检测缺陷，完成成品的分类入库。在产线的半自动印刷过程，需要对印刷介质进行定位，尽管定位十分粗略，最终导致不同成品的面板帧之间存在一定的位移量、旋转量，但我们可以据此当作图像配准的粗调过程。我们的配准算法正是利用了这种特性，大大降低了配准的搜索范围，减少配准过程的时耗，很大程度上提高系统的实时性。4．2图像配准的常用方法迄今为止在国内外的图像处理领域已经报到了很多种图像配准的方法，各种方法都是面向一定范围的应用领域，也具有各自特点。关于配准方法的分类也有很多种，总体来说可以分为以下三大类【¨l：，．4．2．1基于灰度信息的图像配准方法基于灰度信息的图像配准方法不需要对图像进行预处理，而是利用图像本身的灰度值信息来统计出特定度量值，并以此衡量图像之间的相似程度。主要特点是实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变换的搜索过程中往往需要巨大的运算量。其中常用的算法有：互相关、不变矩和最大互信息等算法。互相关配准要求待配准图像和标准模板图像具有相似的尺度和灰度信息。将模28 第四章印刷品图像位置配准方法研究板窗口遍历待配准图像，计算标准模板图像和待配准图像每一处对应位置的互相关值，最大值处就是模板在待配准图像中的对应位置。互相关常用的定义式如下【，，】．∑∑(M(x，y)I(x+i，y+f))c(i，jf)=(4．7)∑∑(膨(x，y-露(x，y))(m+f，y+i)-i(x+i，J，+劝aL力2忑永xy瓦再雨万厦丽五鬲而而“名’YjYJY以上的两个公式计算的是归一化的互相关系数，进行归一化的目的是防止局部灰度强弱对配准的度量造成影响。由式(4．7)和(4．8)可知，计算互相关系数时需要进行多次的乘积运算，为降低算法运算复杂度和减少运算时间，提出了一种序贯相似检测算法(SSDA)，该算法选用待配准图像与标准模板图像之间差的绝对值来判断图像中是否存在模板【，s】，算法常见的两种表示形式：SAD(m，．)-ZZ‘-(x，y)-I(x+m，J，+刀)I(4．9)jJ，SSD(m，．)=EZ(MCx，y)一I(x+m，y+力))2(4．10)lySSDA算法是用误差绝对值的累加和作为的相似度判定准则，在图像无法配准的位置，随累加次数的增长，SAD(m，刀)值快速增长；而在图像配准位置上，随累加次数的增长，SAD(m，刀)值增长缓慢。选择一个的固定门限值T，并规定累加误差只要超过该门限值T即停止运算，使得各个无法配准位置上累加运算提前终止，从而大大节省运算量，缩减了算法时间。在配准的位置上，经过许多点的累加后，才能达到设定的门限值T。因而，可以把累加次数作为是否配准的判据，将累加次数最大的位置设定为配准位置，这种方法称为固定门限的SSDA算法，该方法在实际使用是需要根据局部灰度信息和配准窗口的大小动态调整门限大小，从而进一步提高算法效率。～一综上所述，基于灰度信息的图像配准是研究得最早的一种配准方法明，尽管具体的算法各自具有一定的优点，但总的来说有着共同的不足之处，那就是对于噪声的影响和不同灰度属性或对比度差异的影响缺乏鲁棒性，且计算互相关度量时，需 广东工业大学硕士学位论文要统计统计整幅图像的所有灰度值，实时性能也存在一定的局限性。4．2．2基于变换域的图像配准方法基于变换域的图像配准方法是一类重要的方法，如傅立叶变换法、小波变换变换法及walsh变换法等，其中最为典型的算法是傅里叶变换法。图像的旋转、平移、缩放变换都能在傅里叶变换频域中反映出来，而且使用频域方法的好处是对噪声干扰有一定的抵抗能力，同时傅立叶变换可以采用快速傅里叶变换(F刀)提高执行的速度，既有成熟的快速算法又有简便的硬件实现，因此，傅氏变换是图像配准中常用的方法之一。设图像彳和五存在位移关系，位移量为(‰，％)，即【3。1石(x，Y)=A(x一民，y—yo)(4．11)那么彳和五对应的傅里叶变换巧和E的关系为：疋({，17)---e一’2霄‘。如叼期’·E(考，17)(4．12)对应的频域中两个图像的互能量谱为[391：』堡：翌黾堕型：P胁(盼叫(4．13)I互(毒，77)E。((毒，叩))I式(4．13)中，F‘指F的共轭变换。互功率谱进行反变换，就可得到一个脉冲函数a(x一：Co，J，一Yo)。此函数在偏移位置处有明显峰值，其他位置的值接近于零，据此就可找到两幅图像间的偏移量[40l。用Matlab可较为方便地运行以上算法，我们用一幅带有椒盐噪声的图像与模板进行配准，检测结果如图4-4所示：(口)含椒盐噪声的图像配准过程(b)含有峰值的互功率谱反变换图4-4傅立叶变换成功配准的情况Fig．4-4Successfulregistrationoffourierfransform 第四章印刷品图像位置配准方法研究图4-4(a)显示了傅立叶变换成功配准含有椒盐噪声图像的过程，图(b)最大峰值的位置对应于两幅图像之间的平移量。反之，如果配准失败，则(4．13)式反傅里叶变换后没明显的峰值，且呈现不规则分布。我们用一幅被椒盐噪声完全湮没的图像与模板进行配准，以达到配准失败的目的。算法在Matlab平台的仿真结果如图4．5所示：图4．5傅立叶变换配准失败的情况Fig．4-5Fouderfransformfailregistration图4．5显示互功率谱反变换后在各位置上没有明显峰值，且分布极不规则，表明图像配准失败。由此可见，变换域配准方法在噪声的敏感性和计算的复杂度上都有一定的优势，但这一方法受限于傅里叶变换的不变性质，只适用于在傅里叶变换中有相应定义形式的变换，而对变换形式较为复杂的情况，该法则显得无能为力【．I】。4．2．3基于特征的图像配准方法基于特征的图像配准算法是当前应用最为广泛的图像配准算法，与基于灰度的图像配准方法相比，该配准算法并不是直接通过整幅图像全部像素灰度进行配准计算，而是通过提取一定程度上可以代表图像性质的特征控制结构(也称特征点)，然后通过特征点进行配准，因此基于特征的图像配准方法可以大大降低灰度变化对于配准结果的不利影响，在图像配准算法中具有极强的适应性，总体来讲，其特点可以概括为以下几个方面：一一——1、特征点像素数量比整幅图像的像素点要少很多，可以大大减少计算量，提高实时性；2、特征点的匹配度量值对位置的变化比较敏感，可以提高匹配的精确程度； 广东工业大学硕士学位论文3、针对特征点的配准过程可以减少噪声对配准的影响，对灰度变化、图像形变及遮挡都有较好的适应能力：4、特征点的选取根据不同的检测对像可以由算法自动设定，也可以由用户指定，具有良好的灵活性。目前，国内外对图像特征配准算法的报到很多，根据特征选择和特征匹配方法的不同所衍生出的具体算法也也多种多样的。总体来说这类算法的实现主要分为以下三个个阶段：．图4．6基于特征的图像配准方法实现流程Fi94·6Feature—·basedimageregistrationimplementationprocess图4-6中，特征集的提取即图像特征点的计算与提取，是该类算法的关键点。图像分割、边缘检测等技术的发展，为图像特征的提取提供了基础方法，目前已报道的有很多图像分割方法可以用来做图像配准需要的边缘轮廓和区域的检测，比如Canny边缘提取算子，拉普拉斯一高斯算子(LOG)，动态阈值技术，区域增长等等。尽管方法很多且各具特点，但并没有任何一种方法能对所有种类的图像都能获得最佳效果，．大多数的分割技术都是依赖于图像本身的特点。通过上面对基于图像特征配准方法的介绍可以知道，虽然使用此方法可以避免在使用基于图像灰度信息配准时所出现的问题，但是此方法自身也存在两点不足：1、对噪声较为敏感印刷品缺陷检测系统的预处理环节无法百分之百的将图像采集过程中带入的噪声滤除，所以待配准图像中不可避免的会存在噪声。由于这些噪声的存在，使得图像信息的缺失，也导致无法对图像中的特征进行正常的提取，而且噪声越大，对图像信息的影响就越大，特征的提取就越困难。2、配准偏差大～一在计算配准参数前，需要求得最佳配准对，由于图像的初始的角度和位置可能存在较大的差异，在达到最佳配准之前会遇到很多的局部最优值的陷阱，使得配准出现较大的偏差，并导致速度较慢。综上所述，对于印刷图像的配准，单独使用基于图像特征的配准方法并不能取32 第四章印厣J品图像位置配准方法研究得很好的效果。但是，在获得图像先验知识后，使用此方法能够提高图像配准的精度和速度。例如：印刷品图像是深色背景，可以考虑使用图像边界作为配准特征；如果知道图像的旋转角度差，配准时只需要平移两个参数，因此可以在很大程度上提高配准的速度。4．3霍夫变换与角点检测相结合的配准算法根据4．4节对各种传统配准算法的分析比较得出，功能结构单一的配准算法通常在配准过程存在比较严重的问题，导致无法使用其中一种算法来解决印刷品图像的配准问题。’．因此，本文从系统的实时性、精确性要求出发，结合印刷品图像存在丰富角点、边缘、条纹等自身特点，引入一种霍夫变换与角点检测相结合的配准算法，该算法对于存在噪声、灰度变化以及局部缺陷的待配准印刷品图像，也可以快速并有效地完成配准操作。4．3．1配准算法的总体思路霍夫变换与角点检测相结合的配准算法总体思路如图4．7所示：图4．7配准算法总体思路●Fig．4-7DiagramofRegistrationAlgorithm图4．7中，本算法首先在标准模板图像和待配准图像中提取ROI(Regionof善菇tercst)区域，初步缩小关注的图像区域；第二步在已选取的ROI区域内，运行角点检测算法，求出ROI区域中角点位置信息，即角点在平面上的坐标；第三步利用霍夫变换检测出图像角点边缘上的直线方程，并计算直线与水平方向的夹角；第四步，待检图像角点坐标与事先求得的模板图像角点坐标相减，获得平移量，第五步 广东工业大学硕士学位论文待检图像边缘直线与事先求得的模板图像边缘直线相对水平方向的夹角相减获得旋转量，最后，以求得的平移量和旋转量作为变换参数对图像进行几何变换，进而完成图像配准操作。霍夫变换求取边缘直线不但具有抗噪声好、不受边缘断点影响等优点，而且精确度很高，但霍夫变换在检测直线过程计算量很大，严重影响系统的实时性能。本文充分结合印刷品生产工艺及图像自身特点，使算法只在一个很小的范围内利用霍夫变换搜索直线，既保证边缘直线检测的精确度，也兼顾了系统的实时性要求。下面对各过程作详细描述。4．3．2ROI区域的选取本章曾在4．1．3节分析了印刷品图像具有的一系列利于配准的因素，如图像外部的色标、图像的边缘及图像内部的角点、条纹等。我们在选取ROI区域过程应当充分考虑这些因素，优先考虑特征明显的区域作为特征提取的ROI区域。总体来讲，ROI区域的选取应该遵循以下几点原则m，：1、保证所选的两个ROI区域相同；2、所选的ROI区域形状规则(如：矩形、圆形)；3、不要选择采集范围的边缘区域作为ROI区域，因为光学镜头容易此区域产生畸变；4、尽量选择只包含图案形状规则的区域作为ROI区域。以上是ROI区域选取的一般原则。本算法是利用角点和直线进行配准，因此在选取ROI区域时不但要选取形状规则的区域，而且是包含角点及直线的区域，如下图所示：(口)待检图像 第四章印厣】品图像位置配准方法研究(b)ROI示例l(c)ROI示例2(c)ROI示例3图4-8ROI区域的选取示例Fig．4-8ROIregionselection图4-8中，针对待检图像，我们可以选择角点丰富的数字l、4、7等区域上的边缘角点作为所选择的ROI区域，即方框框起来部分。ROI区域选定后，印刷品图像的配准操作的焦点从整幅图像转向所选择的ROI区域上。4．3．3角点检测根据检测过程中的不同原理，角点检测算法概括起来大致可以分为三类：一是基于模板的角点检测算法，二是基于边缘的角点检测算法，三是基于图像灰度变化的角点检测算法。其中基于图像灰度变化的角点检测算法在实际应用中使用最为广泛。本节所论述的Susan算子角点检测算法就是属于基于图像灰度变化的角点检测算法。4．3．3．1Susan角点检测模型Susan算法采用的角点检测模板与常规的卷积算法所采用的检测模板不同，常规的卷积算法一般都是采用正方形模板来进行图像角点检测，而Susan算法却是使用一种近似圆形的模板，如图4．9所示。图4-9SUSan算子圆形模板Fig．4-9Susancirculartemplateoperator35 广东工业大学硕士学位论文Susan算子角点检测的原理为：当模板在目标图像上移动时，模板中心像素周围邻域就被分成了两个区域，亮度值和核心像素点亮度值相同或相似的区域以及亮度值和核心点像素值相差比较明显的区域。设阈值r表示几何亮度门限，当某一像素点灰度与模板核心像素点灰度差值小于几何门限，时，就认为该点与核具有相同(或相近)的灰度值，由满足这样条件的所有像素点组成的区域称为USAN区域。由USAN区域的定义可以知道USAN区域包含了图像局部许多重要的结构信息，它的大小反映了图像局部特征的强度，当模板在图像中移动时，USAN区域大体可以分为三类，当模板完全处于背景或图像中时，USAN区域最大，大小为模板大小，当模板中心处于角点上时，USAN区域最小，当模板中心处于边界上时USAN区域大小为模板大小的一半，当模板由图像中逐渐移向图像边缘时，USAN区域逐渐变小。图4．10直观地显示了Susan算子模板在目标图像中移动时得到的USAN区域大小变化情况【431。m’伯)‘图4．10Susan算子位置图Fi94—10Susanoperatorlocationmap将模板窗口在待检灰度图像上逐像素点移动，并将模板窗口中各点的灰度值和核心点的灰度值进行比较，相似比较函数如式(4．14)所示：时㈦=仨裟曲B丁4“)式中：l(ro)为核心点的灰度值，，(厂)为模板上其它点的灰度值，丁灰度差的门限值，c(，，％)是用来比较的输出函数，将模板窗口中的每一点都代入上式，求出每一‘一点的c(r，％)值，．并采用下式计算出输出函数c(，．，ro)的总和刀：甩(％)=∑c(r，to)(4．15)将刀值与一个特定的f-j限g进行比较。设‰为USAN的最大面积，将g定义 第四章印刷品图像位置配准方法研究为刀咖／2。通过下式产生角点初始响应函数：讹)=P瓴’磊P：：三铝㈧㈤实际检测时，根据(4．16)式的计算结果，当R(ro)大于零则判断该点为角点，否则不是角点。通过上面介绍的Susan角点检测模型可以得出Susan算法的特点：l、直接对图像灰度值进行操作，方法简单，无需梯度运算，保证算法的效率；2、定位准确，对多个区域的结点也能精确检测；3、对局部噪声不敏感，抗噪能力强。当然，Susan算法在检测过程也具有一定的缺点。首先该算法在角点检测时运算复杂、繁琐，需要逐个统计与核心点灰度值相似的点的数目；其次，实际检测图像一般不为二值图像，门限值丁需要根据图像中不同区域处目标与背景的对比度不同而变化，而SUSAN中阈值r确实为固定值。4．3．3．2Susan角点检测的改进模型SUSAN方法通过计算核心点和检测窗口相似点的数目，然后和事先设定的门限值丁进行比较来判断核心点是否为角点。但在实际的检测过程中，虽然核心点与检测窗口内相似点的数目符合阈值的规定，但若与核心相似的点不连通，则此核心点不能算作角点。由此本文采用了一种根据USAN区域的形状来检测角点的改进SUSAN角点检测算法。此算法不仅解决了上述问题，而且还进一步解决了传统的SUSAN检测算法中运算复杂、繁琐，以及门限值T的选取问题。基于上述思想，将中的所有像素点按给定的门限值r进行划分，若角点所在区域像素的数目小于检测窗口区域总像素数目的一半，并且非角点所在区域的像素点为单连通时，则认为此核心点为角点[441。这种思想的具体实现步骤如下：1、选定划分区域的门限值r门限值r选取的好坏会直接关系到角点提取的结果，所以门限值的选取在本方法中非常关键。下面将介绍如何使用迭代方法选取最佳门限值。⋯一在选择的区域中，初始的门限值设定为死=(k+k)／2，其中k为检测窗口区域中像素的最大灰度值，k为最小值。则37 广东工业大学硕士学位论文r￡一l芝虬一Z，N，．×册Z+l=(型)一一+型芒r一)／2(4．17)芝以∑以其中，互为第i次迭代所求得的门限值，虬是灰度值为rn的像素个数，L为灰度级数设定为256。当互+。一Z的绝对值小于e时，即：阮+l一互l
此文档下载收益归作者所有
