面向引線框架缺陷識別的圖像配準算法

趙景波+趙建輝+許曉帆

摘 要： 為了降低引線框架缺陷識別的誤檢率，比較了基于灰度的模板匹配和基于特征的匹配算法之間的優(yōu)缺點，并針對引線框架缺陷檢測中參考圖和檢測圖存在差異的特點，提出基于區(qū)域定位和不變矩的特征匹配算法。該算法通過邊緣檢測定位出特征區(qū)域，并用不變矩進行區(qū)域特征描述。在缺陷識別試驗中，相比于模板匹配算法，該算法表現(xiàn)出更快的結算速度，更高的配準精度，更低的配準失敗概率。結果表明，該配準算法適用于引線框架缺陷識別，降低誤檢率。

關鍵詞： 引線框架； 機器視覺； 模板匹配； 特征匹配算法

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2014）04?0101?03

Image registration algorithm for lead frame defect detection

ZHAO Jing?bo1， ZHAO Jian?hui2， XU Xiao?fan1，2

（1. Northwestern Polytechnical University， Xian 710129， China； 2. Unit 93995 of PLA， Xian 710306， China）

Abstract： To reduce the false detecting rate in lead frame defect recognition， the advantages and drawbacks of template matching based on gray and matching algorithm based on invariant moment. A feature matching algorithm based on area position and moment invariant is proposed according to the characteristic that the difference exists in conference image and sensed image during lead frame defect detection. The algorithn can ensure the feature area location by edge detection and describe the region feature by means of invariant moment. In the test of defect recognition， the algorithm showed up more rapid calculating speed， higher registration accuracy and lower registration false rate than the template matching algorithm. The results show that the image registration algrithm is suitable for lead frame defect detection and reduction of the false detecting rate.

Keywords： lead frame； machine vision； template matching； feature matching algorithm

引線框架作為集成電路的芯片載體，是一種借助于鍵合材料（金絲、鋁絲、銅絲）實現(xiàn)芯片內部電路引出端與外引線的電氣連接，形成電氣回路的關鍵結構件[1]。對于集成度高的芯片，其引線框架采用蝕刻工藝制造。在工藝實施過程中，產(chǎn)品中會出現(xiàn)一些特有的缺陷[2]。目前，部分生產(chǎn)企業(yè)采用了基于機器視覺的缺陷檢測系統(tǒng)，但是，此類檢測系統(tǒng)普遍存在誤檢率過高的問題，導致產(chǎn)量很難提高。本文分析了誤檢率高的原因，針對圖像配準環(huán)節(jié)提出了改進的算法，可有效改善檢測效果。

1 缺陷檢測流程

1.1 圖像預處理

對于由光學傳感器獲得的數(shù)字圖像，由于成像條件、光照條件及采集設備等的影響，往往使所采集圖像中的有用信號淹沒在噪聲中。因此，圖像預處理通常包括噪聲去除濾波、二值化、圖像邊緣檢測等幾個方面，使圖像特征更加明顯[3]。

1.2 子區(qū)域的矩比較或紋理特征比較

預處理后，最簡單的找缺陷的方法就是點對點對比，這種單純基于灰度的方法，在實際工作過程中，存在嚴重的誤報現(xiàn)象。因此可以將圖像分為自區(qū)域，對比相應區(qū)域的矩，如果相差在某一閾值范圍外，便認為找到了缺陷。式（1）定義了區(qū)域的[p+q]階矩。

[mpq=（u，v）∈Fupyqf（u，v）] （1）

基于紋理的缺陷檢測具有更高的穩(wěn)定性和誤檢率。Sarkar. N給出了一種對比相應區(qū)域紋理特征矩陣的方法來檢測產(chǎn)品缺陷，經(jīng)證明，能有效避免因光線變化而帶來的誤檢[4]。

2 高誤檢率原因分析

被測引線框架是由與氣泵相連機械手依次放置在攝像頭前的。位置誤差和振動會引起成像角度和距離的偏差，進而導致被測件圖像與參考圖像（無缺陷的標準件）沒有對齊。由于兩幅圖像坐標的偏差，用來對比的區(qū)域之間無法建立起相應的聯(lián)系，導致誤檢率偏高。為免于此，兩個圖像必須很好地對齊，對齊的過程稱之為配準。另外，配準算法還必須對光照變化具有魯棒性。配準的方法將在下節(jié)詳細論述。

3 圖像配準算法

3.1 圖像配準的一般步驟

至今為止也沒有一種能適應任何圖像的通用配準算法，但是，幾乎所有的算法都可以分為4個步驟[5]：

（1） 特征檢測。人工或自動地檢測出圖像中的特殊對象（如邊界閉合的區(qū)域、邊緣、輪廓、線交點、角等等）。接下來，用特殊的點（重心、線端點、孤立點）表示出來，這些點在某些文獻中稱之為控制點（CPs）；

（2） 特征匹配。運用各種特征描述子和相似性度量以及這些特征間的空間關系，來建立參考圖像和獲取圖像之間的相關性。這是配準中的關鍵一步；

（3） 估計變換模型。對齊獲得圖像和參考圖像需要知道它們之間的映射函數(shù)。所以這一步要估計映射函數(shù)的類型和參數(shù)。類型往往是仿射變換的一種，參數(shù)則由建立的特征相關性的均值計算得到；

（4） 圖像重新采樣和變換。用映射函數(shù)的均值變換獲得圖像。在非整數(shù)坐標處的圖像的值由插值技術算出。

3.2 基于灰度的配準算法

魯棒模板匹配是基于灰度的配準算法的代表，目前已經(jīng)應用于IC芯片的封裝中，已經(jīng)是成熟的技術。

模板匹配技術原本是獨立于圖像配準之外的技術，其本意是在一副圖像中搜索目標物體，用來描述目標物體的圖像稱之為模板圖像。要進行模板匹配，首先要計算模板和圖像之間的相似度，式（2）給出了一種差值絕對值（SAD）的相似性度量：

[SAD（r，c）=1n（u，v）∈Tt（u，v）-f（r+u，c+v）] （2）

式中：[t（u，v）]為模板中某點灰度值；[f（r+u，c+v）]為ROI中的某點灰度值；SAD（r，c）為以SAD（差值絕對值）度量的相似度。

如果模板和圖像的ROI相同，則SAD值為0，所以這種度量準確地說應為“不相似度”。根據(jù)具體情況，給SAD（r，c）設置一個閾值，來判斷是否在此處找到了模板。

但是這種度量對于光照變化比較敏感，如果模板圖像和被測圖像不是在相同光照條件下取得的，將會得到很多錯誤位置找到模板。Carsten Steger等針對PCB板圖像做的試驗清楚地反映了這一點[6]。隨后，他給出了不隨線性光照變化而變化的相似性度量：歸一化互相關系數(shù)（NCC），其計算方法由公式（3）給出：

[NCC（r，c）=1n（u，v）∈Tt（u，v）-mts2t?f（r+u，c+u）-mf（r，c）s2f（r，c）] （3）

式中：[mt]為模板平均灰度值；[s2t]為模板像素灰度方差；[mf（r，c）]為ROI的平均灰度值；[s2f（r，c）]為ROI的灰度方差。

為了實現(xiàn)對旋轉的魯棒性，需要創(chuàng)建多個方向的模板，然后依次匹配，直到找到模板位置為止。如果將參考圖像的特征區(qū)域作為模板，那么被測圖像中找到模板的位置就可認為是相應的特征區(qū)域，于是便實現(xiàn)了特征匹配。因為要沿圖像中的每一點移動模板，并在每個位置按下列公式計算相似度，還有需要創(chuàng)建不同方向的模板，其計算量是比較大的（雖然可以用金字塔算法來提高模板搜索速度），不利于產(chǎn)品的實時檢測。更為嚴重的是，由于被測圖像和參考圖像并非是同一物體的成像，被測件的表面在模板對應區(qū)域如果出現(xiàn)缺陷，會出現(xiàn)模板的錯誤匹配，進而導致配準的失敗。綜上所述，魯棒模板匹配算法并不適用于本應用。

3.3 基于不變矩的配準算法

為了尋找與區(qū)域位置無關的矩，可以在式（1）基礎上構造中心矩：

[upq=（u，v）∈F（u-u）p（v-v）qf（u，v）u=m10m00，v=m01m00] （4）

式中：[（u，v）]可以認為是區(qū)域的幾何中心坐標。更進一步，Ming?Kuei Hu將中心矩歸一化，并由此構建出了7個不變矩，也稱Hu矩。經(jīng)證明，它們不但不受區(qū)域的平移影響，也不受旋轉、縮放的影響[7]。

[ηpq=upquγ00， γ=p+q2+1] （5）

[?1=η20+η02?2=（η20-η02）2+4η211?3=（η30-3η12）2+（3η21-η03）2?4=（η30+η12）2+（η21+η03）2?5=（η30-3η12）（η21+η03）[（η30+η12）2-3（η21+η03）2]+ （3η21-η03）（η21+η03）[3（η30+η12）2-（η21+η03）2]?6=（η20-η02）[（η30+η12）2-（η21+η03）2]+ 4η11（η30+η12）（η21+η03）?7=（3η21-η03）（η30+η12）[（η30+η12）2-3（η21+η03）2]+ （3η12-η30）（η03+η21）[3（η30+η12）2-（η21+η03）2]] （6）

基于灰度的模板匹配之所以會造成配準失敗，根本原因在于使用的圖像信息過多，包括了缺陷的灰度信息。因此如果只是提取被測圖像和參考圖像的特征區(qū)域（不在可能出現(xiàn)缺陷的部位提取），然后利用不變矩的不變性來進行特征匹配（兩幅圖中不變矩相等的區(qū)域認為是對應區(qū)域），那么便可以完成圖像配準。

4 試驗及結論

設計仿真試驗，分別采用模板匹配算法和基于區(qū)域定位及不變矩的算法，以檢驗本文提出算法的配準效果。選取××公司編號為××的一批引線框架50個，作為試驗樣本。其中，良好樣本30個，缺陷樣本20個（4種缺陷，每種各5個）。試驗步驟如下：

（1） 使用如圖1所示的“引線框架缺陷檢測系統(tǒng)”的硬件系統(tǒng)獲得如圖2（a）所示的標準引線框架圖像和被測框架產(chǎn)品圖像，然后人工對產(chǎn)品圖像進行平移和旋轉，得到圖2（c），平移坐標和旋轉角度作為實際值。

圖1 引線框架缺陷檢測硬件系統(tǒng)

（2） 選取圖像中灰度分布較為特殊的的區(qū)域作為模板，如圖2（b）所示（圖2（a）中用黑色線框出了模板的范圍），采用3.2節(jié)所述的模板匹配法進行匹配，模板旋轉步長選為5°。匹配結果如圖2（d）所示，得到圖像位置和角度偏差的測量值。。

（3） 對標準圖像圖3（a）進行Canny邊緣檢測獲得圖像輪廓，得到如圖3（b）的結果，對區(qū)域面積進行篩選得到特征區(qū)域，如圖2（c）所示，并用3.3節(jié)所示方法進行Hu矩計算。對被測件也采用相同的步驟處理，如圖3（d）～（f）所示。對于Hu矩相近的區(qū)域建立對應關系，并估算空間變換參數(shù)，得到如圖3（g）所示的配準結果。

試驗結果如表1所示。試驗結果可見，由于被測圖像和參考圖像可能因為產(chǎn)品缺陷的原因而出現(xiàn)的灰度值不一致情況，模板匹配算法會有一定的配準失敗率；而且，模板旋轉角度的步長限制了圖像配準角度誤差的降低?；诓蛔兙胤椒ǖ膱D像配準算法可以達到準確配準的效果，同時可以兼顧計算量和實時性的要求，為進一步降低引線框架檢測系統(tǒng)的誤檢率提供了良好的基礎。

圖2 引線框架的模板匹配圖像配準過程

圖3 引線框架的特征配準算法

參考文獻

[1] 馬莒生，黃福祥，黃樂，等.銅基引線框架材料的研究與發(fā)展[J].功能材料，2002，33（1）：1?4.

[2] 寧洪龍，黃福祥，馬莒生，等.電子封裝中的局部鍍銀研究[J]. 稀有金屬材料與工程，2004，33（2）：176?178.

[3] 李哲毓，高明，馬衛(wèi)紅.基于計算機視覺的管殼表面劃痕檢測技術研究[J].應用光學，2007，28（6）：802?805.

[4] 張培培，杜楊，曲曉鵬，等.基于圖像紋理的印刷缺陷檢測[J]. 電腦編程技巧與維護，2010（12）：105?106.

[5] ZITOV?Barbara， FLUSSER Jan. Image registration methods： a survey [J]. Image Vision Comput， 2003， 21（11）： 977?1000.

[6] STEGER C， ULRICH M， WIEDEMANN C. Machine vision algorithms and applications [M]. [S.l.]： [s.n.]， 2008.

[7] HU Ming?kui. Visual pattern recognition by moment invariants [J]. IRE Transactions on Information Theory， 1962， 8（2）： 179?187.

（2） 特征匹配。運用各種特征描述子和相似性度量以及這些特征間的空間關系，來建立參考圖像和獲取圖像之間的相關性。這是配準中的關鍵一步；

（3） 估計變換模型。對齊獲得圖像和參考圖像需要知道它們之間的映射函數(shù)。所以這一步要估計映射函數(shù)的類型和參數(shù)。類型往往是仿射變換的一種，參數(shù)則由建立的特征相關性的均值計算得到；

（4） 圖像重新采樣和變換。用映射函數(shù)的均值變換獲得圖像。在非整數(shù)坐標處的圖像的值由插值技術算出。

3.2 基于灰度的配準算法

魯棒模板匹配是基于灰度的配準算法的代表，目前已經(jīng)應用于IC芯片的封裝中，已經(jīng)是成熟的技術。

模板匹配技術原本是獨立于圖像配準之外的技術，其本意是在一副圖像中搜索目標物體，用來描述目標物體的圖像稱之為模板圖像。要進行模板匹配，首先要計算模板和圖像之間的相似度，式（2）給出了一種差值絕對值（SAD）的相似性度量：

[SAD（r，c）=1n（u，v）∈Tt（u，v）-f（r+u，c+v）] （2）

式中：[t（u，v）]為模板中某點灰度值；[f（r+u，c+v）]為ROI中的某點灰度值；SAD（r，c）為以SAD（差值絕對值）度量的相似度。

如果模板和圖像的ROI相同，則SAD值為0，所以這種度量準確地說應為“不相似度”。根據(jù)具體情況，給SAD（r，c）設置一個閾值，來判斷是否在此處找到了模板。

但是這種度量對于光照變化比較敏感，如果模板圖像和被測圖像不是在相同光照條件下取得的，將會得到很多錯誤位置找到模板。Carsten Steger等針對PCB板圖像做的試驗清楚地反映了這一點[6]。隨后，他給出了不隨線性光照變化而變化的相似性度量：歸一化互相關系數(shù)（NCC），其計算方法由公式（3）給出：

[NCC（r，c）=1n（u，v）∈Tt（u，v）-mts2t?f（r+u，c+u）-mf（r，c）s2f（r，c）] （3）

式中：[mt]為模板平均灰度值；[s2t]為模板像素灰度方差；[mf（r，c）]為ROI的平均灰度值；[s2f（r，c）]為ROI的灰度方差。

為了實現(xiàn)對旋轉的魯棒性，需要創(chuàng)建多個方向的模板，然后依次匹配，直到找到模板位置為止。如果將參考圖像的特征區(qū)域作為模板，那么被測圖像中找到模板的位置就可認為是相應的特征區(qū)域，于是便實現(xiàn)了特征匹配。因為要沿圖像中的每一點移動模板，并在每個位置按下列公式計算相似度，還有需要創(chuàng)建不同方向的模板，其計算量是比較大的（雖然可以用金字塔算法來提高模板搜索速度），不利于產(chǎn)品的實時檢測。更為嚴重的是，由于被測圖像和參考圖像并非是同一物體的成像，被測件的表面在模板對應區(qū)域如果出現(xiàn)缺陷，會出現(xiàn)模板的錯誤匹配，進而導致配準的失敗。綜上所述，魯棒模板匹配算法并不適用于本應用。

3.3 基于不變矩的配準算法

為了尋找與區(qū)域位置無關的矩，可以在式（1）基礎上構造中心矩：

[upq=（u，v）∈F（u-u）p（v-v）qf（u，v）u=m10m00，v=m01m00] （4）

式中：[（u，v）]可以認為是區(qū)域的幾何中心坐標。更進一步，Ming?Kuei Hu將中心矩歸一化，并由此構建出了7個不變矩，也稱Hu矩。經(jīng)證明，它們不但不受區(qū)域的平移影響，也不受旋轉、縮放的影響[7]。

[ηpq=upquγ00， γ=p+q2+1] （5）

[?1=η20+η02?2=（η20-η02）2+4η211?3=（η30-3η12）2+（3η21-η03）2?4=（η30+η12）2+（η21+η03）2?5=（η30-3η12）（η21+η03）[（η30+η12）2-3（η21+η03）2]+ （3η21-η03）（η21+η03）[3（η30+η12）2-（η21+η03）2]?6=（η20-η02）[（η30+η12）2-（η21+η03）2]+ 4η11（η30+η12）（η21+η03）?7=（3η21-η03）（η30+η12）[（η30+η12）2-3（η21+η03）2]+ （3η12-η30）（η03+η21）[3（η30+η12）2-（η21+η03）2]] （6）

基于灰度的模板匹配之所以會造成配準失敗，根本原因在于使用的圖像信息過多，包括了缺陷的灰度信息。因此如果只是提取被測圖像和參考圖像的特征區(qū)域（不在可能出現(xiàn)缺陷的部位提?。缓罄貌蛔兙氐牟蛔冃詠磉M行特征匹配（兩幅圖中不變矩相等的區(qū)域認為是對應區(qū)域），那么便可以完成圖像配準。

4 試驗及結論

設計仿真試驗，分別采用模板匹配算法和基于區(qū)域定位及不變矩的算法，以檢驗本文提出算法的配準效果。選取××公司編號為××的一批引線框架50個，作為試驗樣本。其中，良好樣本30個，缺陷樣本20個（4種缺陷，每種各5個）。試驗步驟如下：

（1） 使用如圖1所示的“引線框架缺陷檢測系統(tǒng)”的硬件系統(tǒng)獲得如圖2（a）所示的標準引線框架圖像和被測框架產(chǎn)品圖像，然后人工對產(chǎn)品圖像進行平移和旋轉，得到圖2（c），平移坐標和旋轉角度作為實際值。

圖1 引線框架缺陷檢測硬件系統(tǒng)

（2） 選取圖像中灰度分布較為特殊的的區(qū)域作為模板，如圖2（b）所示（圖2（a）中用黑色線框出了模板的范圍），采用3.2節(jié)所述的模板匹配法進行匹配，模板旋轉步長選為5°。匹配結果如圖2（d）所示，得到圖像位置和角度偏差的測量值。。

（3） 對標準圖像圖3（a）進行Canny邊緣檢測獲得圖像輪廓，得到如圖3（b）的結果，對區(qū)域面積進行篩選得到特征區(qū)域，如圖2（c）所示，并用3.3節(jié)所示方法進行Hu矩計算。對被測件也采用相同的步驟處理，如圖3（d）～（f）所示。對于Hu矩相近的區(qū)域建立對應關系，并估算空間變換參數(shù)，得到如圖3（g）所示的配準結果。

試驗結果如表1所示。試驗結果可見，由于被測圖像和參考圖像可能因為產(chǎn)品缺陷的原因而出現(xiàn)的灰度值不一致情況，模板匹配算法會有一定的配準失敗率；而且，模板旋轉角度的步長限制了圖像配準角度誤差的降低。基于不變矩方法的圖像配準算法可以達到準確配準的效果，同時可以兼顧計算量和實時性的要求，為進一步降低引線框架檢測系統(tǒng)的誤檢率提供了良好的基礎。

圖2 引線框架的模板匹配圖像配準過程

圖3 引線框架的特征配準算法

參考文獻

[1] 馬莒生，黃福祥，黃樂，等.銅基引線框架材料的研究與發(fā)展[J].功能材料，2002，33（1）：1?4.

[2] 寧洪龍，黃福祥，馬莒生，等.電子封裝中的局部鍍銀研究[J]. 稀有金屬材料與工程，2004，33（2）：176?178.

[3] 李哲毓，高明，馬衛(wèi)紅.基于計算機視覺的管殼表面劃痕檢測技術研究[J].應用光學，2007，28（6）：802?805.

[4] 張培培，杜楊，曲曉鵬，等.基于圖像紋理的印刷缺陷檢測[J]. 電腦編程技巧與維護，2010（12）：105?106.

[5] ZITOV?Barbara， FLUSSER Jan. Image registration methods： a survey [J]. Image Vision Comput， 2003， 21（11）： 977?1000.

[6] STEGER C， ULRICH M， WIEDEMANN C. Machine vision algorithms and applications [M]. [S.l.]： [s.n.]， 2008.

[7] HU Ming?kui. Visual pattern recognition by moment invariants [J]. IRE Transactions on Information Theory， 1962， 8（2）： 179?187.

（2） 特征匹配。運用各種特征描述子和相似性度量以及這些特征間的空間關系，來建立參考圖像和獲取圖像之間的相關性。這是配準中的關鍵一步；

（3） 估計變換模型。對齊獲得圖像和參考圖像需要知道它們之間的映射函數(shù)。所以這一步要估計映射函數(shù)的類型和參數(shù)。類型往往是仿射變換的一種，參數(shù)則由建立的特征相關性的均值計算得到；

（4） 圖像重新采樣和變換。用映射函數(shù)的均值變換獲得圖像。在非整數(shù)坐標處的圖像的值由插值技術算出。

3.2 基于灰度的配準算法

魯棒模板匹配是基于灰度的配準算法的代表，目前已經(jīng)應用于IC芯片的封裝中，已經(jīng)是成熟的技術。

模板匹配技術原本是獨立于圖像配準之外的技術，其本意是在一副圖像中搜索目標物體，用來描述目標物體的圖像稱之為模板圖像。要進行模板匹配，首先要計算模板和圖像之間的相似度，式（2）給出了一種差值絕對值（SAD）的相似性度量：

[SAD（r，c）=1n（u，v）∈Tt（u，v）-f（r+u，c+v）] （2）

式中：[t（u，v）]為模板中某點灰度值；[f（r+u，c+v）]為ROI中的某點灰度值；SAD（r，c）為以SAD（差值絕對值）度量的相似度。

如果模板和圖像的ROI相同，則SAD值為0，所以這種度量準確地說應為“不相似度”。根據(jù)具體情況，給SAD（r，c）設置一個閾值，來判斷是否在此處找到了模板。

但是這種度量對于光照變化比較敏感，如果模板圖像和被測圖像不是在相同光照條件下取得的，將會得到很多錯誤位置找到模板。Carsten Steger等針對PCB板圖像做的試驗清楚地反映了這一點[6]。隨后，他給出了不隨線性光照變化而變化的相似性度量：歸一化互相關系數(shù)（NCC），其計算方法由公式（3）給出：

[NCC（r，c）=1n（u，v）∈Tt（u，v）-mts2t?f（r+u，c+u）-mf（r，c）s2f（r，c）] （3）

式中：[mt]為模板平均灰度值；[s2t]為模板像素灰度方差；[mf（r，c）]為ROI的平均灰度值；[s2f（r，c）]為ROI的灰度方差。

為了實現(xiàn)對旋轉的魯棒性，需要創(chuàng)建多個方向的模板，然后依次匹配，直到找到模板位置為止。如果將參考圖像的特征區(qū)域作為模板，那么被測圖像中找到模板的位置就可認為是相應的特征區(qū)域，于是便實現(xiàn)了特征匹配。因為要沿圖像中的每一點移動模板，并在每個位置按下列公式計算相似度，還有需要創(chuàng)建不同方向的模板，其計算量是比較大的（雖然可以用金字塔算法來提高模板搜索速度），不利于產(chǎn)品的實時檢測。更為嚴重的是，由于被測圖像和參考圖像并非是同一物體的成像，被測件的表面在模板對應區(qū)域如果出現(xiàn)缺陷，會出現(xiàn)模板的錯誤匹配，進而導致配準的失敗。綜上所述，魯棒模板匹配算法并不適用于本應用。

3.3 基于不變矩的配準算法

為了尋找與區(qū)域位置無關的矩，可以在式（1）基礎上構造中心矩：

[upq=（u，v）∈F（u-u）p（v-v）qf（u，v）u=m10m00，v=m01m00] （4）

式中：[（u，v）]可以認為是區(qū)域的幾何中心坐標。更進一步，Ming?Kuei Hu將中心矩歸一化，并由此構建出了7個不變矩，也稱Hu矩。經(jīng)證明，它們不但不受區(qū)域的平移影響，也不受旋轉、縮放的影響[7]。

[ηpq=upquγ00， γ=p+q2+1] （5）

[?1=η20+η02?2=（η20-η02）2+4η211?3=（η30-3η12）2+（3η21-η03）2?4=（η30+η12）2+（η21+η03）2?5=（η30-3η12）（η21+η03）[（η30+η12）2-3（η21+η03）2]+ （3η21-η03）（η21+η03）[3（η30+η12）2-（η21+η03）2]?6=（η20-η02）[（η30+η12）2-（η21+η03）2]+ 4η11（η30+η12）（η21+η03）?7=（3η21-η03）（η30+η12）[（η30+η12）2-3（η21+η03）2]+ （3η12-η30）（η03+η21）[3（η30+η12）2-（η21+η03）2]] （6）

基于灰度的模板匹配之所以會造成配準失敗，根本原因在于使用的圖像信息過多，包括了缺陷的灰度信息。因此如果只是提取被測圖像和參考圖像的特征區(qū)域（不在可能出現(xiàn)缺陷的部位提?。?，然后利用不變矩的不變性來進行特征匹配（兩幅圖中不變矩相等的區(qū)域認為是對應區(qū)域），那么便可以完成圖像配準。

4 試驗及結論

設計仿真試驗，分別采用模板匹配算法和基于區(qū)域定位及不變矩的算法，以檢驗本文提出算法的配準效果。選取××公司編號為××的一批引線框架50個，作為試驗樣本。其中，良好樣本30個，缺陷樣本20個（4種缺陷，每種各5個）。試驗步驟如下：

（1） 使用如圖1所示的“引線框架缺陷檢測系統(tǒng)”的硬件系統(tǒng)獲得如圖2（a）所示的標準引線框架圖像和被測框架產(chǎn)品圖像，然后人工對產(chǎn)品圖像進行平移和旋轉，得到圖2（c），平移坐標和旋轉角度作為實際值。

圖1 引線框架缺陷檢測硬件系統(tǒng)

（2） 選取圖像中灰度分布較為特殊的的區(qū)域作為模板，如圖2（b）所示（圖2（a）中用黑色線框出了模板的范圍），采用3.2節(jié)所述的模板匹配法進行匹配，模板旋轉步長選為5°。匹配結果如圖2（d）所示，得到圖像位置和角度偏差的測量值。。

（3） 對標準圖像圖3（a）進行Canny邊緣檢測獲得圖像輪廓，得到如圖3（b）的結果，對區(qū)域面積進行篩選得到特征區(qū)域，如圖2（c）所示，并用3.3節(jié)所示方法進行Hu矩計算。對被測件也采用相同的步驟處理，如圖3（d）～（f）所示。對于Hu矩相近的區(qū)域建立對應關系，并估算空間變換參數(shù)，得到如圖3（g）所示的配準結果。

試驗結果如表1所示。試驗結果可見，由于被測圖像和參考圖像可能因為產(chǎn)品缺陷的原因而出現(xiàn)的灰度值不一致情況，模板匹配算法會有一定的配準失敗率；而且，模板旋轉角度的步長限制了圖像配準角度誤差的降低?；诓蛔兙胤椒ǖ膱D像配準算法可以達到準確配準的效果，同時可以兼顧計算量和實時性的要求，為進一步降低引線框架檢測系統(tǒng)的誤檢率提供了良好的基礎。

圖2 引線框架的模板匹配圖像配準過程

圖3 引線框架的特征配準算法

參考文獻

[1] 馬莒生，黃福祥，黃樂，等.銅基引線框架材料的研究與發(fā)展[J].功能材料，2002，33（1）：1?4.

[2] 寧洪龍，黃福祥，馬莒生，等.電子封裝中的局部鍍銀研究[J]. 稀有金屬材料與工程，2004，33（2）：176?178.

[3] 李哲毓，高明，馬衛(wèi)紅.基于計算機視覺的管殼表面劃痕檢測技術研究[J].應用光學，2007，28（6）：802?805.

[4] 張培培，杜楊，曲曉鵬，等.基于圖像紋理的印刷缺陷檢測[J]. 電腦編程技巧與維護，2010（12）：105?106.

[5] ZITOV?Barbara， FLUSSER Jan. Image registration methods： a survey [J]. Image Vision Comput， 2003， 21（11）： 977?1000.

[6] STEGER C， ULRICH M， WIEDEMANN C. Machine vision algorithms and applications [M]. [S.l.]： [s.n.]， 2008.

[7] HU Ming?kui. Visual pattern recognition by moment invariants [J]. IRE Transactions on Information Theory， 1962， 8（2）： 179?187.