嵌入式特征顏色提取算法研究

李慶利，王永強，陳 寶

（1.唐山學(xué)院 機電工程系，唐山 063000；2.唐山學(xué)院 計算機科學(xué)與技術(shù)系，唐山 063000；3.唐山學(xué)院 計算機中心，唐山 063000）

0 引言

隨著技術(shù)的進(jìn)步，機器視覺技術(shù)在工業(yè)領(lǐng)域的應(yīng)用日益廣泛，如產(chǎn)品表面缺陷的視覺檢測等。目前，常見的視覺檢測系統(tǒng)絕大多數(shù)是以PC機為平臺的，存在體積大、移動不便等缺點，很難滿足現(xiàn)場檢測的實時性要求；基于嵌入式平臺的視覺檢測系統(tǒng)具有低功耗、高集成度、體積小、應(yīng)用靈活及成本低、處理速度快等優(yōu)點[4,5]，已成為一大發(fā)展方向。

與灰度圖像相比彩色圖像提供的信息更加豐富，使用彩色圖像作為信息載體的視覺檢測技術(shù)備受關(guān)注[1～3]。作為其核心的特征顏色提取技術(shù)已經(jīng)成為熱點。

因此，研究嵌入式平臺下的圖像特征顏色提取技術(shù)具有很強的現(xiàn)實意義。本文主要研究了應(yīng)用于ARM微處理器平臺的特征顏色提取算法，綜合了聚類和直方圖兩類算法的優(yōu)點，提出了基于灰色關(guān)聯(lián)分析理論的快速特征顏色提取算法：通過各像素點之間的灰色關(guān)聯(lián)度確定初始特征顏色，然后使用顏色直方圖對其進(jìn)行修正。并以普通陶瓷磚表面缺陷檢測為例對算法進(jìn)行了測試驗證，實驗中系統(tǒng)準(zhǔn)確的提取了缺釉、裂紋等缺陷的特征顏色，實現(xiàn)了陶瓷磚表面缺陷的快速檢測。

1 算法設(shè)計

在PC機上常用的特征顏色提取算法有顏色直方圖和模糊聚類（FCM）等方法[6]。顏色直方圖算法一般選用HSV顏色空間，先將各分量進(jìn)行非等間隔的量化處理，然后進(jìn)行差分等計算處理求得極值；模糊聚類算法屬于由初始聚類中心出發(fā)進(jìn)行迭代運算的尋優(yōu)算法，一般工作在CIEL*a*b*顏色空間。由于需要用到差分或?qū)?yōu)運算，上述算法不能很好的滿足嵌入式系統(tǒng)對實時性和穩(wěn)定性的要求[7,8]，因此本文以提高圖像特征顏色提取算法的計算效率和魯棒性為設(shè)計重點。

1.1 顏色空間的選取

在彩色視覺檢測領(lǐng)域常被用到的顏色空間分別：CIEL*a*b*、HSV和RGB顏色空間等。CIEL*a*b* 顏色空間是一個均勻的顏色空間，經(jīng)常被用于色差的檢測；HSV顏色空間符合人眼的視覺特征，常用于顏色直方圖法進(jìn)行顏色特征提取；RGB顏色空間是目前使用最廣泛的顏色空間，現(xiàn)有彩色成像設(shè)備采集的顏色信息大多數(shù)是RGB空間的，RGB顏色值也便于設(shè)備存儲。由RGB顏色向CIEL*a*b*或HSV顏色轉(zhuǎn)換計算較為復(fù)雜，運算量較大。綜合考慮嵌入式平臺的性能和效率，選定在RGB顏色空間中進(jìn)行特征顏色提取。

1.2 特征顏色提取算法

1.2.1 關(guān)聯(lián)度計算

進(jìn)行特征顏色提取前首先需要解決的問題是各像素點間的關(guān)聯(lián)度（或稱隸屬度）計算方法。在CIEL*a*b*顏色空間像素點顏色間的隸屬度一般通過距離公式來計算[9]，即CIE色差公式。而為了方便在RGB顏色空間進(jìn)行處理，RGB顏色空間下的色差公式[10]亦成為研究熱點。然而不論是CIE色差公式或是RGB色差公式均較復(fù)雜，且在實際應(yīng)用時需進(jìn)行歸一化處理，增加了計算運算量。

本算法應(yīng)用鄧聚龍教授提出的灰色系統(tǒng)理論，將每個像素點顏色的RGB三個分量視為一條曲線，通過計算兩條曲線形狀的相似程度來確定顏色間的關(guān)聯(lián)程度。若兩條曲線形狀相似，則關(guān)聯(lián)度較大，否則亦然。

在RGB顏色空間中假定某一顏色X0作為參考曲線，則有X0={R0,G0,B0)，對于待測像素點則為Xi={RiGi,Bi)，根據(jù)灰色關(guān)聯(lián)度計算公式[11]簡化有：

式(1)中§稱為分辨系數(shù)，一般取§=0.5。

γ( X0,Xi)定義為像素點Xi與參考顏色X0的灰色關(guān)聯(lián)度（記作γ0,i），

1.2.2 分塊處理

灰色系統(tǒng)理論的研究對象是“小樣本，貧信息”系統(tǒng)[12]，若對一幅m行n列彩色圖像進(jìn)行整體處理，巨大的存儲量及運算量是嵌入式平臺難以承受的。因此，將整幅圖像分塊（子圖像）進(jìn)行處理，經(jīng)過實驗取3×3的子圖像（p=9）可獲得效率和精度上的較好平衡。

要提取3×3子圖像的特征顏色，首先根據(jù)式(1)計算子圖像中各像素點間的灰色關(guān)聯(lián)度值γi,j，并構(gòu)造矩陣A。然后，對矩陣A中的每一行進(jìn)行求和得Si。最后找出其中的最大者Smax（如式(2)所示），其對應(yīng)像素點顏色即為子圖像的特征顏色，記為X′。

1.2.3 初始特征顏色獲取

假定所有子圖像的特征顏色集合為{Xi′}（i=1…N），其中N為子圖像數(shù)目。計算集合{Xi′}中各特征顏色間的灰色關(guān)聯(lián)度，以關(guān)聯(lián)度最小的K種顏色作為初始特征顏色 {Xi〞} (i=1…K)。

1.2.4 圖像顏色分類

計算圖像中各像素點Xj與各初始特征顏色Xi〞的灰色關(guān)聯(lián)度，按最大值（如式(3)所示）將所有像素點分成K類。

1.2.5 算法步驟

步驟2：讀取3×3子圖像數(shù)據(jù)。

步驟3：按照式1和式2求取子圖像特征顏色X′。

步驟4：重復(fù)步驟2和3，求出所有子圖像的特征顏色，得{Xi′}（i=1…N）。

步驟5：計算各特征顏色間的灰色關(guān)聯(lián)度，以關(guān)聯(lián)度最小的K種顏色作為初始特征顏色{Xi〞} (i=1…K)。

步驟6：計算圖像中像素點Xj與各初始特征顏色Xi〞的灰色關(guān)聯(lián)度，按最大值將所有像素點分成K類。

步驟7：對分類后的像素點應(yīng)用直方圖進(jìn)行統(tǒng)計，修正初始特征顏色，得到最終的特征顏色。

2 實驗結(jié)果與分析

為了驗證軟件算法的穩(wěn)定性和計算效率，首先在PC機上進(jìn)行測試實驗。計算機配置：Intel 奔騰 G8603.0 GHz CPU，4GB內(nèi)存。

實驗一以400×400Lena圖像（如圖1(a)所示）為樣本進(jìn)行特征顏色提取。為對特征顏色提取效果進(jìn)行衡量，首先根據(jù)特征顏色將原圖像顏色進(jìn)行分類處理（效果如圖1(b)、1(c)所示），以此作為定性描述依據(jù)。其次，以處理后圖像的歸一化色彩誤差（NCD）和平均均方誤差（MSE）作為定量描述依據(jù)，具體數(shù)據(jù)如表1所示。由圖1(b)可見，當(dāng)K=16時主要顏色的視覺效果上已十分接近原圖；K=64時（如圖1(c)所示）時視覺效果上差別已經(jīng)非常小。由于不需要進(jìn)行迭代求解，所以本文算法在魯棒性上要優(yōu)于模糊聚類算法。由于是在對像素點分類后進(jìn)行直方圖統(tǒng)計計算的，所以精度和效率上也優(yōu)于單純的顏色直方圖法。

實驗二是在Lena圖像中分別加入不同比例的脈沖噪聲后進(jìn)行特征顏色提取（K=16），表2中列出了不同噪聲比例情況下的前四種主要特征顏色與原始圖像對應(yīng)顏色的色差值△E。由于本文算法中的步驟2、3有一定濾波效果，因此低密度噪聲對最后結(jié)果影響不大。

實驗三以陶瓷墻地磚表面缺陷檢測為應(yīng)用對象，在ARM平臺上對算法進(jìn)行了實驗測試。實驗用ARM配置為：Sungsang New Cortex-A8處理器，1GB內(nèi)存，Android 4.0操作系統(tǒng)。

實驗圖像由ov9650攝像頭拍攝，像素數(shù)為320×240，照度大于600lx，分別對具有簡單紋理（圖2(a)、(c)）和有缺釉、裂紋（圖2(e)、2(g)）的陶瓷磚采集圖像并處理。圖2(b)、2(d)分別為用提取出的4種特征顏色進(jìn)行顏色分類后的效果，圖2(f)中紅顏色標(biāo)示出的區(qū)域為缺釉處，面積小于5×5像素，占總像素的0.13%左右。圖2(h)中紅顏色標(biāo)示出的區(qū)域主要為裂紋，占總像素的3%左右。上述實驗運算時間均小于0.3秒。通過上述實驗可以看出，本文算法對于顏色較為復(fù)雜的圖像可快速準(zhǔn)確的提取出特征顏色，尤其是對占比例很小的特殊顏色。圖像采集時的照明情況（照度及均勻程度等）對最終結(jié)果影響較大，尤其是照明的不均勻性，會對產(chǎn)生較大的誤差，圖2(h)的右上角一些不是裂紋的像素點即被誤提取。

圖1 Lena圖像特征顏色提取效果

圖2 陶瓷磚檢測結(jié)果

表1 處理效果對比數(shù)據(jù)

表2 噪聲圖像提取效果對比數(shù)據(jù)

3 結(jié)論

本文中介紹的基于灰色系統(tǒng)理論的特征顏色提取算法，同時具有聚類法較高的計算效率和顏色直方圖法的穩(wěn)定性，且對噪聲的干擾不敏感。實驗證明，以該算法為核心組成的ARM平臺下的特征顏色提取系統(tǒng)，不僅能夠快速準(zhǔn)確的提取較為復(fù)雜的圖像特征顏色，還能夠可靠的識別傳統(tǒng)算法無法識別小面積色斑，如陶瓷磚表面的缺釉和裂紋等。充分發(fā)揮了ARM檢測系統(tǒng)體積小、成本低、處理速度快等特點。

[1]李立明,柴曉冬,鄭樹彬.基于RGB顏色模型的軌道輪廓識別算法[J].傳感器與微系統(tǒng),2012,31(5):142-144.

[2]劉晴,鄒北驥,陳再良,等.一種基于顏色特征的感興趣目標(biāo)提取方法[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2013,25(6):852-856.

[3]談蓉蓉,朱偉興.基于圖像處理技術(shù)的雜草特征提取方法研究[J].傳感器與微系統(tǒng).2009,28(2):56-65.

[4]郭偉,盧賢資,鐘鳴.一種微小型嵌入式圖像處理平臺的研究[J].傳感器與微系統(tǒng),2008,27(4):52-54.

[5]郎璐紅,余紅英,董俊.嵌入式ARM系統(tǒng)中圖像的識別方法研究[J].齊齊哈爾大學(xué)學(xué)報(自然科學(xué)版),2014,30(5):36-38.

[6]高春甫,賀新升,唐可洪,等.隨機紋理圖像的色差檢測[J].光學(xué)精密工程,2009,17(8):1999-2003.

[7]段汕,王贏飛.基于區(qū)域生長的彩色圖像顏色特征提取研究[J].中南民族大學(xué)學(xué)報（自然科學(xué)版）,2012,31(2):104-108.

[8]李慶利,王永強,張帆.陶瓷磚特征顏色提取算法研究[J].中國陶瓷,2012.48(12):58-60,93.

[9]薄明心.隨機紋理墻地磚差異區(qū)實時檢測方法的研究[D].吉林:吉林大學(xué),2006.

[10]頓紹坤.RGB顏色空間新的色差公式[J].科學(xué)技術(shù)與工程,2011,11(8):1833-1836.

[11]劉思峰,謝乃明.灰色系統(tǒng)理論及其應(yīng)用[M].北京:科學(xué)出版社,2013.48-56.

[12]黎鎖平.基于灰色關(guān)聯(lián)分析的多級別聚類評價模型的研究[J].甘肅工業(yè)大學(xué)學(xué)報,2000.26(4):100-103.