基于自適應雙邊濾波的V型焊縫特征提取研究

張 帥 楊龍興 丁 力

(江蘇理工學院機械工程學院，江蘇 常州 213001)

焊接工藝在生產制造業中起著至關重要的作用，它己經滲透到了各個領域的加工環節中，與此同時，自動化焊接技術也愈發成熟并已在諸多行業得到了廣泛的應用，例如車輛、飛機等大型的加工制造產業[1]。要想實現自動焊接的高精準性，焊縫的特征提取是至關重要的一步，如焊縫的寬度、深度、中心線以及角點位置，特別是角點能夠反映出豐富的焊縫信息[2]，對于V型焊縫而言，特征角點便顯得格外重要。只有在焊接的過程中獲取到了足夠精確的焊縫特征信息，才能規劃出準確的自動焊接路徑。

文獻[3]提出了一種改進的最小二乘法，采取引入相關變量對待擬合點進行篩選，去除偏離嚴重的點，通過多次篩選擬合進而得出最優的焊縫中心線。文獻[4]提出了一種基于直線擬合的斜率分析法，對多個連續的光點進行直線擬合計算出斜率值，通過分析斜率變化情況實現了對于線結構光焊縫特征的有效提取。文獻[5]提出了一種改進的快速中值濾波算法，改變了中值濾波傳統濾波窗口單行排序的方式，采取濾波窗口沿著x軸方向，y軸方向和y=-x方向多方向同時排序的方式，大大地縮短了程序運行的時間。

上述方法在圖像預處理過程中大都采取中值濾波對圖像進行去噪處理，中值濾波能夠有效的去除圖像中的椒鹽噪聲和斑塊噪聲，但中值濾波會對激光條紋的邊界部分造成一定模糊，因此提出在圖像預處理中使用自適應雙邊濾波對圖像進行去噪處理。

雙邊濾波算法是一種非線性濾波方法，擁有良好的去噪效果，且在去噪的同時，也能夠較好地保持住原圖像的邊緣特征。文獻[6]和文獻[7]對傳統的雙邊濾波算法進行改進，實現其濾波算法中圖像空間標準差和灰度標準差的自適應調整，省去了原本需要根據圖像具體情況進行手動調參的步驟。為了實現V型焊縫圖像邊緣的特征保護，從而更準確提取出焊縫特征，本文在其基礎上根據焊接環境的具體情況提出一種基于改進自適應雙邊濾波V型焊縫特征的提取方法。

1 V型焊縫圖像預處理

原始的激光條紋圖像預處理的質量，會對后續焊縫的特征信息提取造成不可忽視的影響。高質量的圖像預處理能夠極大地降低后續焊縫特征提取過程中的難度，同時也能提高特征提取的精準度。

1.1 灰度化

由于受焊接環境的影響，CCD相機采集到的激光條紋圖像中存在著大量的噪聲，這些噪聲會對后續焊縫特征的提取造成較大的誤差。圖1為激光條紋的原始像，大小為372×402像素。圖2為灰度化之后的激光條紋圖像，灰度化能夠將彩色圖像轉換為單通道的灰度圖像，一方面是為了去除顏色對圖像處理的干擾，另一方面是為了減少圖像原始數據量，降低后續的計算工作量。

對于灰度圖中的噪聲，最常見的做法是采取中值濾波去除噪聲，中值濾波能夠有效地去除圖像中的椒鹽噪聲和斑塊噪聲，但是，中值濾波會對激光條紋的邊界部分造成一定模糊，其濾波效果如圖3b，因此使用雙邊濾波算法對圖像進行去噪處理。高斯濾波是一種線性平滑濾波方式，能夠有效地去除高斯噪聲，廣泛應用于各種圖像噪聲去除，但是高斯濾波不具備圖像邊界的識別能力，通常會在去除噪聲的同時將圖像邊界也變得模糊。雙邊濾波算法是一種基于高斯濾波算法衍生出的噪聲去除算法，不僅有效地克服了高斯濾波在去噪時只針對圖像空間信息而忽略圖像灰度信息的缺點外，同時將圖像的空間信息與灰度信息進行非線性組合，保留了高斯濾波優秀的去噪能力的同時，也能夠較好地保持激光條紋圖像的邊緣信息。

1.2 傳統的雙邊濾波方式

傳統的雙邊濾波算法公式如下：

(1)

(2)

(3)

式中：f(i,j)為濾波后圖像f在坐標(i,j)處的灰度值，gray(i,j) 噪聲圖像f在坐標(i,j)處的灰度值，‖為取絕對值符號，r為濾波窗口半徑，v表示為以坐標(i,j)為中心 ，以邊長為(2r+1)的正方形區域內像素點坐標的集合，ωs(x,y) ，ωg(x,y) 分別為坐標(x,y)處的空間權重和灰度相似權重，σs、σg分別為空間域標準差和灰度域標準差。

ωs為空間高斯函數，其參數σs決定空間權重分布?？芍襰越大，空間權重越分散，去噪效果就越好，但計算量也越大同時圖像也就越模糊；反之，空間權重就會越集中，濾波后的圖像就會越清晰，但去噪的效果就越差。ωg為灰度相似度函數，與中心點的灰度相似度越大的像素點分配的權重就越大。灰度標準差σg為ωg的參數，其值越大，對灰度的相似度的要求就越低。雙邊濾波的權重由ωs和ωg共同決定。圖3c為濾波窗口半徑r=4，空間域標準差σs=2，灰度域σg=0.1的效果圖，與圖3b相比較可以看出，激光條紋的邊界部分更加清晰。傳統的雙邊濾波器的參數不定，需要根據實際的噪聲情況進行手動調參，且很少存在參數能夠通用的情況，因此提出一種自適應的雙邊濾波算法。

1.3 自適應雙邊濾波

(1) 空間域標準差

空間標域準差σs與濾波窗口半徑r之間呈一定的線性關系，導致噪聲標準差的準確度和濾波后圖像清晰度之間存在矛盾。由于高斯函數的95%以上的分量都集中在區間[-2σs,2σs]中，為獲得更多的樣本數目，同時保證圖像的清晰度，令

(4)

式中：k為常數，r為雙邊濾波窗口半徑，并且通過多次實驗得出，k的最佳取值范圍在[0.75-0.85]，能夠有效防止空間權重過渡分散，導致圖像模糊，其余在窗口邊緣處r2-(kr)2個像素點的主要作用是參與噪聲標準差的計算。

(2) 灰度標準差

灰度標準差σg較空間標準差σs而言，對雙邊濾波的去噪效果具有更大的影響，當σg的數值較大時對圖像噪聲的去除十分有利，但同時也會使得圖像更加模糊，導至細節丟失?；叶葮藴什瞀襣與噪聲方差σz存在線性關系，并且σg/σz的比值范圍為[2, 3][8]，為了保留更多的圖像細節信息，這里取σg= 2σz。噪聲方差σz可通過拉普拉斯變換進行快速估算[9]。

(5)

式中：W和H分別為圖像的寬和高，*為卷積操作，gray(i,j)*N表示灰度圖與模板N進行卷積運算，N為離散拉普拉斯變換的掩模，

(6)

將其帶回公式可求得灰度標準差σg

(7)

以matlab2016b為實驗平臺，濾波窗口半徑r取4，常數k取0.8進行濾波可以得到圖3d。通過對比圖3c與圖3d，可以看出改進的自適應雙邊濾波算法與傳統的雙邊濾波算法結果相差無幾，同時改進后的算法實現了空間標準差和灰度標準差的自適應調整，滿足后續焊縫特征提取的要求。

1.4 閾值分割

為了能夠從圖像中得到目標物體，降低圖像處理的時間，需要精確選取出感興趣的區域。最常用的方法是對通過閾值分割對圖像進行二值化處理，以此將激光條紋信息單獨分離出來。二值化算法有兩種，一種是全局閾值分割，另一種是局部閾值分割，這里采用全局閾值分割。通過 Otsu自適應閾值分割法對焊縫圖像進行處理，閾值處理后的圖像如圖4所示。經過以上步驟的處理，可以得到一條明亮的焊縫條紋圖像。

2 激光條紋中心線提取

只有準確地提取出激光條紋的中心線，才能夠得到焊縫特征角點。首先對二值化的圖像，灰度重心法能夠有效求取焊縫條紋的區域中心點，然后根據激光條紋的形狀特征分割成4塊區域。通過最小二乘法對每塊區域的點進行直線擬合，得到4條直線和它們的回歸方程。

2.1 灰度重心法

對于亮度不均勻的目標圖像(如光斑，光條紋等)，灰度重心法可按目標光強分布采取灰度加權算法求出目標圖像質心坐標，即光斑或光條紋中心坐標?；叶戎匦姆ㄖ嗅槍Χ祷瘓D像的型心法公式如下：

(8)

式中：(x,y)表示該區域重心的坐標，(i,j)表示該區域中所有點的坐標，S表示該區域，N表示該區域像素個數。每間隔5個單位長度對焊縫條紋進行重心求解，得到激光條紋中心點坐標如表1所示。

2.2 最小二乘法

最小二乘法是使用頻率較高的直線擬合方法，其原理為：對給定的點集{(xi，yi)|1≤i≤n} ，設擬合的直線方程為y=ax+b，當所有待擬合點到擬合直線的距離之和S最小時，該直線為最終的擬合直線，如圖5。

根據原理可得到如下等式：

(9)

表1 坐標點數據

對a，b求偏導，當?S/?a=0,?S/?b=0 時，S可取到其最小值。

代入數據，通過對方程組的求解可得到a和b的值，即得出擬合直線。這里將得到的表1中的點按照焊縫條紋的特征分為4份，對每份單獨進行直線擬合，可得到4條焊縫中心線L1、L2、L3和L4，如圖6所示。4條中心線回歸方程的數據如表2所示。

表2 中心線方程數據

3 焊縫特征角點提取

為了給跟蹤焊接的機器人提供準確的焊接位置信息，需要進一步的獲得焊縫特征角點在像素中的坐標。通過對已經得到的四條直線聯立方程組求解交點便能夠得到焊縫角點的坐標，具體的坐標值如表3所示。

表3 焊縫角點坐標

4 結語

(1)提出的自適應雙邊濾波算法相比于常規的中值濾波算法，在去噪的同時能夠更好保持住激光條紋的邊界特征，同時相比于傳統的雙邊濾波算法，實現了權重數值的自適應，省去了人工調參的環節。

(2)采用灰度重心法和最小二乘法結合的方法能夠有效地提取出激光條紋中心線。

(3)通過對中心線方程聯立求解得到的焊縫角點坐標可精確至小數點后3位，滿足實際的焊接要求。