基于Halcon的汽車連桿工件WD-2的圖像處理方法研究

丁建軍 蘇 通 朱勇杰 馬俊智 孫 超

(江漢大學物理與信息工程學院 湖北 武漢 430056)

0 引 言

圖像處理技術發展至今，形成了多種方法，使人們可以根據實際需求選擇。野外失火時需要檢測火焰發生地點，用到基于火焰顏色像素值的通道檢測法，這種方法由于涉及到多種閾值的設定而效率較低[1]；進行路面裂紋檢測時用到的方向可調濾波方法，是一種方向可選的卷積算法，本質上則是2D高斯濾波，這種方法會造成一定程度的邊緣模糊[2]；常見的是自動化生產中機械手對工件的識別抓取，獲取的圖像常用中值濾波進行處理，當工件邊緣細節不明顯時也能較好地去除噪聲，然而在處理細節較多的工件時表現不甚理想[3-5]。

Akar等[6]用Matlab軟件對圖像濾波方法進行了比較分析。各種方法的優缺點在一種五金工件的圖像處理過程中也有提及，遺憾的是，文章中選擇的方法是常用方法——中值濾波[4]。根據以上比較分析，考慮一種方法可以在圖像處理時模糊其他不重要的區域，強化邊緣和細節部分。

得益于計算機軟件技術的快速發展，圖像處理可以通過很多程序實現，其中Halcon軟件擁有很多功能強大的算子，通過組合使用能夠達到我們的目的[7-9]。早前，Kamei等[10]在濾波設計理論方面就提供了幫助，現在本文結合該理論和Thi等[11]的機器學習思維模式，對高斯濾波進行優化，將其加入一個新規則后，設置合理閾值和步長進行測試。最后結合現在的圖像處理技術進行特征提取[5,12-13]，實現目標。

1 Halcon圖像濾波方法

1.1 常用濾波方法比較

Halcon中包含的的濾波方法很多，通過比較常用的三種濾波方法找到基本思路和改進點。表1中列出了這三種濾波方法的原理和特點。

表1 三種濾波方法比較分析

三種濾波方法的公式化描述依次如式(1)-式(3)所示。

(1)

g(x,y)=med{f(x+k,y+l),(k,l∈W)}

(2)

(3)

式中：g(x,y)和f(x,y)分別代表坐標(x,y)位置經過處理后和處理前的圖像像素值；m代表鄰域窗口點的數量；med代表取中值；W是鄰域窗口大小，通常是3×3或5×5；(x+k，y+l)代表該鄰域窗口里不同位置點的坐標值；σ是鄰域窗口里像素值的標準差。

不采用均值濾波和中值濾波是因為汽車連桿工件WD-2的細節部分比較多，這兩種方法在去噪的同時容易破壞細節，使特征識別趨于困難。

權重因子的加入使高斯濾波在處理圖像細節方面更具有合理性，離目標像素越近的點對最終結果的貢獻越大，然而圖像的整體出現模糊現象，不能有效突出工件邊緣輪廓，所以特征識別就仍然有改善的空間。

1.2 改進方法設計

從上面三種常用濾波方法可以看出，濾波的思路是用模板中特定的像素值來替換模板中心點的像素值。而高斯濾波表現相對較好是因為加入了權重因子，從這個思想出發，研究一下高斯濾波權重的分布，其公式化描述如下：

(4)

(5)

式中：c是基于原像素點空間距離的權重函數；kd是用來將結果進行單位化的功能函數。

高斯濾波中加入的是與空間距離相關的權重因子，如果對某一圖像的全局采用這種加權計算，必然會引起全圖的模糊。思考的方向是，在汽車連桿工件WD-2的邊緣處強化某一種濾波處理，而在其他背景里弱化這種處理。于是新的權重分布加入進來以便解決這個問題，這個權重分布比較可靠的是像素間相似度，因為工件邊緣與背景的像素值差別通常很大，意味著可以將邊緣有效強化，新規則加入后的公式化描述如下：

(6)

(7)

式中：s是基于原像素點相似程度的權重函數；k為將結果進行單位化的功能函數。

加入這個權重后，像素值相差大的地方(汽車連桿工件WD-2邊緣部分)會被直接分辨出來，從而使工件輪廓變得清晰；圖像中的其他區域因為像素間相似度很高，新權重因子的值接近1，則相當于進行高斯濾波。然而由于權重因子的增加，算法的效率會有所降低，實驗中利用圖像的一些特性設置不同閾值，將函數分解，來實現方法的加速。

灰度最大化處理方法選用直方圖法，由于將圖像中相同灰度值的點放在一個直方圖中，所以計算代價較小，利用了這種方法在灰度最大化處理中的高效率性。

最后的特征提取選用Halcon中的累計直方圖方法，這個方法的好處是確定一個閾值后，采用機器學習思維模式，設置一個合理步長，不斷嘗試后能得到較理想的另一閾值，同一環境下的后續實驗均可以設置為相同的閾值。

2 實驗過程與分析

本文研究路線如圖1所示。

圖1 研究路線

2.1 圖像采集

本文利用已有的機器視覺檢測系統獲取工件圖像，檢測系統如圖2所示。

圖2 機器視覺檢測系統

圖2中各設備參數及工作條件如下：計算機的處理器頻率為3.40 GHz，雙目相機為德國Basler相機，相機分辨率1 280×960，使用鏡頭視角8 mm，兩相機水平距離120 mm，相機豎直放置，距離待測工件平臺450 mm。獲取圖像時的具體環境為:實驗室面積30 m2，六盞40 W日光燈正常照明。待測工件所在平臺的反光會使相機接收到的光照亮度不均勻，從而產生一些高斯噪聲。圖像獲取方法為：將工件擺放在相機下方平臺上，對該工件連續拍攝2幅圖片，作為對比實驗的原始圖像A1、B1，然后將該工件擺放其他位置重復操作，直到獲取100幅原始圖像。圖像的前期處理為：將圖像像素統一設置成800×600，按位置信息分成兩組，依次為A1、A2、A3、…、A50，B1、B2、B3、…、B50。選擇原始圖像A1作為對比實驗的處理對象進行說明，原始圖像如圖3所示。

圖3 待測工件原始圖像

2.2 高斯濾波實驗

先用高斯濾波方法來對圖像進行處理，試圖消除噪聲，主要的程序為：

gauss_filter(Image,ImageGauss,5)

算子中最后一個值設置的是濾波器大小，值越大，則分配權重越均勻，圖形越平滑，但同樣意味著圖像會更模糊，增益大于5時容易導致濾波溢出，輸出效果不理想，所以實驗中選取Size=5。

將得到的圖片ImageGauss進一步做二值化處理，主要的程序為：

equ_histo_image(ImageGauss,ImageEquHisto)

scale_image(ImageEquHisto,ImageScaled,1.0,0)

equ_histo_image將圖像灰度直方圖均衡化，scale_image中的后兩個值Mult和Add根據最佳選取規則確定，實驗中通過式(8)和式(9)計算得出。

Mult=255/(Gmax-Gmin)=1.0

(8)

Add=-Mult×Gmin=0

(9)

式中：Gmax和Gmin分別是圖像的最大像素值和最小像素值。

最后進行工件輪廓提取，選取工件前半部的圓作為特征，主要的程序如下：

edges_sub_pix(ImageScaled,Edges,‘canny’,1,10,43)

這個算子存在兩個閾值，實驗中通過灰度直方圖中像素值的分布確定低閾值為10后保持不變，對高閾值設置步長為1，從10開始增加，不斷嘗試得到較理想的高閾值。

最后得到的結果如圖4-圖8所示。

圖4 ImageGauss

圖5 ImageScaled

圖6 ImageGauss灰度直方圖

圖7 ImageScaled灰度直方圖

圖8 特征提取1

2.3 改進方法濾波實驗和結果分析

實驗步驟與高斯濾波實驗相同，開始時調出圖像灰度分布，鎖定程序應用窗口范圍，在濾波程序中用到改進方法，核心程序為：

bilateral_filter (Gj,Gj,ImageBilateral,5,20,[],[])

equ_histo_image(ImageBilateral,ImageEquHisto)

scale_image(ImageEquHisto,ImageScaled1,1.0,0)

edges_sub_pix(ImageScaled1,Edges,‘canny’,1,12,41)

程序說明及相關參數選擇情況如下。

bilateral_filter稱為雙邊濾波算子，在原有的高斯濾波中加入了連接圖像進行過渡，連接圖像一般為原始圖像，可以凸顯邊緣，同時模糊其他區域。第一個參數值代表的是高斯濾波器大小，考慮到平滑度和輸出效果，仍然設置成Size1=5。第二個參數值代表的是相似度權重，觀察圖像灰度值分布，相似度的變動幅度在15到25之間有較好輸出效果，以15為起點、步長為0.5逐漸增加相似度權重，在其為20時得到較好的輸出圖像，因此設置Size2=20。需要說明的是，步長設置根據機器學習的思維，值太小則嘗試次數過多，值太大則容易錯過最佳值，兼顧效率和結果質量，步長取0.5是合適的。

equ_histo_image將圖像灰度直方圖均衡化，輸出像素值分布較均勻的圖像。scale_image對圖像做比例運算，其中乘數因子(第一個參數值)和加數因子(第二個參數值)選取規則和高斯濾波相同，該運算實現圖像的二值化處理。

edges_sub_pix進行輪廓特征提取，經過程序(未列出)鎖定工件前半部的圓，‘canny’使緊接著的參數alpha值越大，邊緣細節越少。本文的目的是使細節盡可能多地體現出來，所以alpha應盡量小，然而其值過小會導致圖像變黑，實驗中選取alpha=1是合適的。低閾值和高閾值的選取規則同高斯濾波實驗一樣，通過灰度直方圖的分布確定低閾值為11，對高閾值設置步長為1，從11開始增加，不斷嘗試得到較理想的高閾值。這里，理想的圖像輸出結果是根據顯示的輪廓邊緣線條判斷，高閾值過大會導致邊緣線條數量多且雜亂無序，實驗中觀察到高閾值為41時比較理想，且偏差在3以內對結果的影響可忽略。

最后得到的輸出結果如圖9-圖13所示。

圖9 ImageBilateral

圖11 ImageBilateral灰度直方圖

圖10 ImageScaled1

圖12 ImageScaled1灰度直方圖

圖13 特征提取2

能直觀感受到圖13相對于圖8，模糊了其他背景區域，而在邊緣部分更加凸出。從濾波后的灰度直方圖也能發現，圖11相對于圖6，相鄰灰度的直方圖高度變化沒有這么平滑，灰度變化的范圍也相對縮窄，圖11中某些灰度對應的點明顯多于相鄰區域，這些點處于變化較快的邊界上。最后用Imagetest軟件做評測，這個軟件便于我們從數據上了解圖像變化，而不僅限于直觀感受。評測結果如圖14和圖15所示。

圖14 ImageGauss解像力

圖15 ImageBilateral解像力

從兩幅解像力數據圖中可以看出，改進方法處理后的圖像，解像力的分值發生了突變，選取3個突變峰值，通過對比，這些分值突變對應的點所在位置就是工件的邊緣輪廓點。以上結果說明，本文方法在圖像特征識別上的表現更好。

同時對之前分組的圖像分別進行兩種方法處理，A組采用高斯濾波方法，B組采用加入新權重的濾波方法，得到輸出圖各50幅，利用圓的特征識別程序進行測試，高斯濾波方法有效識別圖像48幅，識別率為96%，改進方法有效識別圖像50幅，識別率為100%。結果說明，本文方法提升了識別率。

識別率的提升有助于通過計算機將程序連接機械臂，應用于工件的分類抓取，實現生產自動化，這將作為下一步的工作。

3 結 語

本文對WD-2汽車連桿工件的圖像進行了分析處理，結合濾波方法的理論，使用Halcon完成了新規則的加入算法實現。通過兩組對比實驗，加入新規則的方法得到了最想要的結果，即模糊其他不重要的區域，強化邊緣和細節部分，驗證了本文方法更適用于處理WD-2汽車連桿工件的圖像。