一種高速印刷圖像處理算法

摘要：針對高速印刷圖像處理中的高實(shí)時(shí)性要求，分析了高速印品圖像的圖像特征，提出了一種利用灰度形態(tài)學(xué)提取輪廓進(jìn)行快速圖像配準(zhǔn)的方法。對配準(zhǔn)后的圖像，采用改進(jìn)的圖像差分算法進(jìn)行圖像比較和形態(tài)學(xué)濾波，能夠快速準(zhǔn)確地將印刷缺陷提取出來。實(shí)際應(yīng)用表明，該算法能滿足最高300 m/min彩色印品質(zhì)量檢測的需要。

關(guān)鍵詞：灰度形態(tài)學(xué)；輪廓提取；圖像配準(zhǔn)；圖像差分

中圖分類號(hào)：TP391．41文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001－3695(2007)05－0300－03

隨著凹印技術(shù)的發(fā)展，印刷速度越來越高，印刷對象發(fā)生了深刻變化，印刷圖案越來越復(fù)雜，印刷色彩越來越多，這就對印刷的精確性提出了更高的要求。傳統(tǒng)的人工檢測已經(jīng)很難滿足現(xiàn)代印刷的速度和準(zhǔn)確性的需要。隨著計(jì)算機(jī)技術(shù)的發(fā)展，出現(xiàn)了一些基于機(jī)器視覺的質(zhì)量檢測設(shè)備。由于受圖像處理龐大的數(shù)據(jù)量和硬件速度這一矛盾的制約，常用的機(jī)器視覺設(shè)備很難滿足高速印品質(zhì)量檢測的實(shí)時(shí)性和完全檢測的要求。為解決這一對矛盾，本文分析了高速、高精度圖像的成像機(jī)理和成像質(zhì)量，提出了一種基于輪廓的快速圖像配準(zhǔn)方法和基于圖像差分方法與數(shù)學(xué)形態(tài)學(xué)的圖像匹配算法。

實(shí)驗(yàn)的對象是瑞士博斯特650型印刷生產(chǎn)線，最高印刷速度250 m/min。為保證相機(jī)的采集速度與印刷速度和檢測精度匹配，減少運(yùn)動(dòng)模糊，采用了高速彩色線陣CCD相機(jī)和超強(qiáng)直流光源構(gòu)成采集系統(tǒng)。該系統(tǒng)能將相機(jī)的曝光時(shí)間控制在微秒級(jí)，從而保證運(yùn)動(dòng)模糊在1像素以內(nèi)。高速印刷時(shí)，影響視覺檢測主要是紙張抖動(dòng)和張力變化引起的圖像1~2個(gè)像素橫向和縱向（紙張前進(jìn)方向）偏移以及編碼器定位引起的2~3個(gè)像素縱向偏移。旋轉(zhuǎn)位移和尺度變化極小，且算法可修正。圖1是待處理的實(shí)例圖像。圖1(a)為標(biāo)準(zhǔn)圖像，(b)為待檢測圖像（矩型框中的黑色墨點(diǎn)為印刷中常見的飛墨缺陷）。圖2是從圖1中用硬件提取的R、G、B單通道圖像。從圖中可以看出三個(gè)單通道圖像有明顯的差異，缺陷在三個(gè)通道中都有分布。本文對彩色圖像的處理流程如圖3所示。

注：圖2（a）、（b）、（c）依次為標(biāo)準(zhǔn)圖像的R、G、B三個(gè)通道圖像；（d）、（e）、（f）依次為待測圖像的R、G、B三個(gè)通道圖像。

1基于輪廓的快速圖像配準(zhǔn)算法

圖像配準(zhǔn)的目的是建立兩個(gè)圖像的幾何相關(guān)性[1]。其考慮的參數(shù)主要有平移參數(shù)、旋轉(zhuǎn)參數(shù)、尺度參數(shù)和灰度幅度參數(shù)。用f(x，y)和g(x，y)表示待配準(zhǔn)圖像，則配準(zhǔn)過程可以描述為

輪廓提取是利用圖像灰度值局部不連續(xù)性和鄰域相似性，通過求取圖像局部梯度實(shí)現(xiàn)的[4]。常用的算子，如Sobel算子、Prewitt算子、Canny算子等，計(jì)算復(fù)雜度大且抗噪聲能力差；而形態(tài)學(xué)處理具有良好的并行計(jì)算和抗噪聲能力。因此，本文用灰度形態(tài)學(xué)的方法提取印刷圖像的輪廓。形態(tài)學(xué)提取圖像輪廓有三種方法：①fb-f;②f-fΘb；③fb-fΘb。方法①在提取高灰度值、小間距的輪廓時(shí)，容易產(chǎn)生輪廓錯(cuò)位和合并，導(dǎo)致檢測不準(zhǔn)確。方法②則容易引起間距小的低灰度輪廓的錯(cuò)位和合并。方法③又稱做形態(tài)學(xué)梯度，對噪聲敏感且提取的輪廓較粗，而且要進(jìn)行膨脹和腐蝕操作各一次，因而計(jì)算復(fù)雜度大[5]。在用輪廓進(jìn)行配準(zhǔn)定位時(shí)，輪廓越細(xì)膩和完整，配準(zhǔn)越精確。綜合考慮以上因素，為了保證高灰度值輪廓點(diǎn)的準(zhǔn)確提取，選擇方法②對圖像進(jìn)行處理。從標(biāo)準(zhǔn)圖像和待測圖像的G通道圖像提取的灰度輪廓如圖4所示。對其用二次平均閾值法求得閾值h=37。二值化處理的結(jié)果如圖5所示。

1．2基于輪廓的自搜索小區(qū)域快速圖像配準(zhǔn)算法

如果對原始圖像直接進(jìn)行配準(zhǔn)運(yùn)算，計(jì)算復(fù)雜度大。為了減少計(jì)算復(fù)雜度，本文提出了基于輪廓的自搜索小區(qū)域快速圖像配準(zhǔn)算法。其方法為：首先利用標(biāo)準(zhǔn)圖像二值輪廓圖像快速定位一個(gè)合適的M×N的配準(zhǔn)區(qū)域（本文取256×256的區(qū)域）；然后對配準(zhǔn)區(qū)域的灰度輪廓點(diǎn)進(jìn)行最大相關(guān)法配準(zhǔn)。

（1）配準(zhǔn)區(qū)域的快速定位

由于配準(zhǔn)區(qū)域遠(yuǎn)小于實(shí)際圖像，如果對不同的印刷品都以同一固定位置取配準(zhǔn)區(qū)域，則可能出現(xiàn)該區(qū)域圖像特征不明顯或者輪廓灰度值過低的情況，不利于精確配準(zhǔn)，需要搜索圖像以尋找較佳的配準(zhǔn)區(qū)域。由于同一印刷過程中，相機(jī)總是對重復(fù)場景采樣，配準(zhǔn)區(qū)域搜索只需在檢測開始時(shí)進(jìn)行，后續(xù)檢測可沿用相同區(qū)域。如果印刷內(nèi)容改變需重新搜索。

（2）相關(guān)性配準(zhǔn)操作

對灰度輪廓圖像采用相關(guān)系數(shù)法配準(zhǔn)結(jié)果可靠，抗干擾能力強(qiáng)，但計(jì)算復(fù)雜度大。在基于輪廓特征的配準(zhǔn)方法中，配準(zhǔn)主要利用輪廓特征，非輪廓點(diǎn)對配準(zhǔn)的貢獻(xiàn)不大，而且過多的非輪廓點(diǎn)還會(huì)帶來干擾因素，影響配準(zhǔn)精度。在輪廓圖像中，輪廓點(diǎn)只是極小的部分，因此在計(jì)算相關(guān)性系數(shù)時(shí)忽略t(x，y)中的非輪廓點(diǎn)能極大地降低計(jì)算規(guī)模。輪廓點(diǎn)是指前文中二值輪廓圖像輪廓點(diǎn)的對應(yīng)點(diǎn)。圖4(a)中的標(biāo)準(zhǔn)輪廓圖像的總像素個(gè)數(shù)為65 536個(gè)。其中僅有5 530個(gè)輪廓點(diǎn)，顯然該方法能大大節(jié)約計(jì)算量，求得待測圖像相對標(biāo)準(zhǔn)圖像的偏移值為Δx=2，Δy=0。

2基于圖像正差和負(fù)差的圖像匹配

常用的匹配算法，如最大相關(guān)系數(shù)法、特征匹配法和特征矢量法，計(jì)算復(fù)雜度大，很難保證高速印刷圖像在線檢測的實(shí)時(shí)性要求。本文根據(jù)印刷圖像的重復(fù)性特點(diǎn)，選擇了算法簡單、實(shí)時(shí)性強(qiáng)的圖像差分算法進(jìn)行圖像匹配。

2．1圖像差分

2．2圖像差分基準(zhǔn)圖像的選擇

圖像差分基準(zhǔn)圖像的選擇有兩種方式：①選擇固定的基準(zhǔn)圖像；②選用動(dòng)態(tài)基準(zhǔn)圖像。文中選用方法②，以前一個(gè)正確的圖像作為后一次差分處理的基準(zhǔn)圖像。它能夠把照明條件、印刷油墨色彩及生產(chǎn)環(huán)境等非質(zhì)量因素造成的圖像差異降到最低，具有更好的可靠性和精確性。

2．3基于正差和負(fù)差的圖像匹配

通常在圖像處理中只采用2.1節(jié)中所述的正差、負(fù)差、絕對值差中的一種方法。在高速運(yùn)動(dòng)圖像中，考慮到紙張的抖動(dòng)以及印刷圖像的重復(fù)性特征，本文將上述多種圖像差分方法相結(jié)合，并利用數(shù)學(xué)形態(tài)學(xué)濾波解決了印刷圖像的缺陷提取問題。

印刷缺陷包括明缺陷和暗缺陷兩種。明缺陷是指缺陷的灰度值比其鄰域高的缺陷；暗缺陷是指缺陷的灰度值比其鄰域低的缺陷。如果只用正差或者負(fù)差處理，則只能提取明缺陷或暗缺陷中的一種；如果用絕對值差進(jìn)行處理，則由于誤差的疊加放大了圖像偏移帶來的輪廓噪聲。本文采用正差和負(fù)差相結(jié)合的方法來提高處理的精確性，將從標(biāo)準(zhǔn)圖像和待測圖像對應(yīng)的R、G、B單通道圖像分別作正差和負(fù)差處理?，F(xiàn)在圖2中就是：

察，將所有結(jié)果圖像灰度值增加了100得到如圖6所示的效果。在經(jīng)過正差和負(fù)差處理后，缺陷在兩個(gè)結(jié)果圖像中都有反映。由于選擇的缺陷圖像以暗缺陷為主，故缺陷主要體現(xiàn)在負(fù)差的結(jié)果圖像上。結(jié)果圖像中還有一些殘留輪廓噪聲存在，特別是(be)和(eb)，但這些輪廓像素的實(shí)際灰度值極低，經(jīng)濾波操作很容易去除。正差和負(fù)差對處理結(jié)果也有明顯不同，正差保留輪廓邊緣上側(cè)的噪聲，類似于明缺陷；負(fù)差則保留輪廓邊緣下側(cè)的噪聲，類似于暗缺陷。

2．4形態(tài)學(xué)噪聲濾除算法

為了去除圖6中的偽缺陷和隨機(jī)噪聲，本文選擇了形態(tài)學(xué)濾波。后面以G通道的結(jié)果圖像（圖6(be)和(eb)）進(jìn)行闡述。

形態(tài)學(xué)濾波的結(jié)果與結(jié)構(gòu)元素b(s，t)有很大關(guān)系[2]。本文中所選擇的結(jié)構(gòu)元素不但要能去除圖6中所示的偽缺陷，而且能保留和突出缺陷。通過對噪聲和缺陷的分析，有如下結(jié)論：圖像偏移引起的殘余輪廓寬度不超過兩個(gè)像素，偽缺陷輪廓線條很細(xì)且灰度值很低，有方向性和不連續(xù)的特點(diǎn)；而真正的缺陷形狀不規(guī)則，具有鄰域連續(xù)和高灰度值的特點(diǎn)。本文用如圖7所示的結(jié)構(gòu)元素對圖6中的(eb)和(be)進(jìn)行腐蝕處理，再取閾值為5對圖像進(jìn)行閾值處理得到圖8所示的結(jié)果圖像。為顯示方便，圖8~10均為取反后的圖像。在圖8中，輪廓噪聲全部被去除，分布在(be)和(eb)上的黑點(diǎn)就是缺陷，滿足了處理要求。將G通道結(jié)果圖像(be)和(eb)相加得到G通道的缺陷圖像，如圖9所示。

對R通道和G通道作同樣處理后，再把所有結(jié)果圖像相加得到最終缺陷圖像，如圖10所示。圖11~14是其他比較典型的印刷缺陷（前者為原始圖像，后者為缺陷圖像）。

3結(jié)束語

本文針對高速印刷圖像處理中的高實(shí)時(shí)性要求，根據(jù)高速印品圖像的特征，提出了基于輪廓的自搜索小區(qū)域快速圖像配準(zhǔn)算法，并將多種圖像差分方法和形態(tài)學(xué)濾波相結(jié)合實(shí)現(xiàn)了印刷缺陷的提取。實(shí)際應(yīng)用證明，本文提出的高速印刷圖像處理算法能快速、準(zhǔn)確提取印刷過程中出現(xiàn)的飛墨、刀絲、臟版、蚊蟲和錯(cuò)印漏印等缺陷，適應(yīng)了高速凹印生產(chǎn)線的在線實(shí)時(shí)檢測要求，具有良好的應(yīng)用前景。

參考文獻(xiàn)：

［1］HUI Li，JUNATH B S M， SANJIT K M.A contour－based approach to multisensor image registration[J].IEEE Transactions on Image Processing， 1995，4（3）:320－334.

［2］RICHARD A P II.A new algorithm for image noise reduction using mathematical morphology[J].IEEE Transactions on Image Processing，1995，4（3）:554－568.

［3］STERNBERG S R. Gray scale morphology [J].Computer Vision， Graphics and Image Processing，1986，1（35）：333－355.

［4］ROMáN K， CLAUDIO D.Boundary extraction through gradient－based evolutionary algorithm[J].JCST，2003，3（1）:7－12. 

［5］王小鵬，郝重陽，樊養(yǎng)余，等.一種提取圖像細(xì)節(jié)邊緣的新方法[J].中國圖像圖形學(xué)報(bào)，2003，8（A11）:1286－1290.

［6］吳炯，張秀彬，張峰.移動(dòng)目標(biāo)的快速識(shí)別算法[J].微計(jì)算機(jī)信息，2004，20（3）：45－58.

［7］周彩霞，匡綱要.基于差影法粗分割與多模板匹配的人臉檢測[J].計(jì)算機(jī)工程與應(yīng)用，2004，25（10）：1648－1652.

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”