機器視覺圖像邊緣細節無序增強算法研究

張 姣,張 毅

(1. 重慶移通學院智能工程學院,重慶 401520;2. 重慶郵電大學先進制造工程學院,重慶 400065)

1 引言

機器視覺系統廣泛應用在工業生產中,使機械能夠替代人完成重復性強、危險系數高的工作。但現場作業所采集的視覺圖像,通常會存在光照不均、邊緣細節模糊等情況,為后續的圖像識別和特征提取帶來較大難度,影響機器的正常操作。為了讓機器識別作業更加精準,需要對機器視覺圖像的邊緣細節進行增強處理。

但當前的圖像增強技術應用效果參差不齊,性能完善的不夠全面。比如高對比度區域經過增強后很容易出現光暈、或主要構圖區域與邊緣輪廓產生脫節等現象。

為此,孔祥陽等人[1]研究了一種紅外偏振增強算法?；诨ソY構基礎上,利用正則約束完成對圖像參數的加權融合,獲取圖像邊緣信息以及輪廓特征,并經過灰度值的優化最終得到增強后圖像。該方法對紅外圖像適應性更好,對其它圖像的適應性則不強;陶兆勝等人[2]研究一種分段修復算法,利用修復模板糾正圖像錯誤像素,分段分析圖像邊緣特征及紋理信息,經過相似度和圖像熵的函數運算,完成圖像邊緣信息修復,但對于無法獲取完整信息的模糊部位,其圖像增強效果并不明顯。

上述二者均存在一定的局限性,為此本文提出一種邊緣細節無序增強算法,通過灰度值均衡改善圖像亮度不均問題,凸顯低灰度區域細節,增強邊緣輪廓及線條,平衡后預估圖像的原始邊緣細節,利用邊緣檢測算子對預測邊緣實施銳化處理,使用雙邊濾波算法減少過渡部分產生的光暈,對圖像及圖像整體構造的融合處理,達到整體增強的效果。

2 機器視覺圖像灰度均衡處理

首先對采集到的機器視覺圖像,利用直方圖在密度和距離兩個屬性向量上,將圖像灰度均衡化,強化圖像對比度的同時,避免出現圖像局部過度增強等不均衡現象,減少圖像紋理特征丟失現象[3]。

灰度密度均衡處理,實際上是將目標映射在直方圖上,使其灰度均衡分布。由于各個級別的灰度像素點數量差異并不大,因此針對機器視覺圖像這類離散圖像,直方圖變換函數[4]表示如下

(1)

式中ko=mj-1+1,…,mj,i=1,2…,n0,表示圖像中的灰度級,sko表示目標圖像中不同灰度級別,Pko表示離散后圖像灰度,N表示目標圖像中存在的像素總數量,Ni表示圖像所有像素中灰度級別為i的像素總數量。

調整目標圖像中灰度間距,是在灰度均衡基礎上通過數量統計以及等間距序列運算實現的。假設目標圖像經過灰度的密度均衡后,各級灰度的總數量為Mko,則

(2)

這時可以計算出灰度間的距離變換情況,用函數表示為

(3)

式中,L表示像素間的距離,從距離變換后圖像中,找出高質量邊緣細節,利用數學運算提取圖像的邊緣特征。根據灰度間距將目標圖像中的灰度級別分組[5],按序列合并子直方圖中灰度不為零部分,得出分組數量n,組建圖像的映射曲線。將不為零的子直方圖視作原始分組,其公式表示為

G(i)=H(ko),H(ko)≠0

(4)

式中,將直方圖中不為零部分G(i)的最小概率密度[6]及周圍概率密度略小的灰度級相繼合并,根據合并組數量均衡處理直方圖上像素分布灰度

W=(Mj-Mj-1)/n

(5)

根據圖像中每個組內灰度密度具體分布情況,將目標圖像轉換成灰度圖像,并利用映射函數[7]T(ko)將灰度間存在的線性關系表達出來,具體構建過程如下:

假設灰度集G(i)中包含第ko級灰度,且G(i)中還包含其它級別的灰度值,那么映射出的變換關系可表示為

(6)

假設灰度集G(i)中包含第ko級灰度,且G(i)中只存在ko一個灰度值,或者灰度級ko存在位置是在G(i)和G(i+1)之間的,這時映射出的變換關系表示為

T(k)=i*N+Mj-1+1

(7)

假設灰度級ko的灰度值小于第一個灰度集合中最下層灰度,子直方圖內映射出的灰度值最小關系為

T(ko)=Mj-1+1

(8)

假設灰度級ko的灰度值大于第n個灰度集合中最大灰度,那么子直方圖內映射出的灰度值最大關系為

T(ko)=Mj

(9)

式中,L(i)表示的是第i組集合中最小灰度值,R(i)表示的是第i組集合中最小灰度值,i=1,2,…,n。

進過上述灰度均衡處理后,利用圖像函數f(x,y)完成細節的自適應恢復,在2D內積空間L(R)×L(R)中,存在隨機感知矩陣[8]Φ,假設對目標圖像采取隨機采樣原則,這時無論是主構圖區域還是邊緣細節部分,都存在同樣的被采集概率,在目標圖像中隨機采樣獲取mr個對應測量值,用yr=Φr表示。利用感知恢復算法恢復mr個測量值完成標準壓縮,這時所得到的圖像屬于低質量圖像[9]f1=1。

上述的采樣方法有效減少了圖像測量次數,并在此過程中獲得了較為低質的圖像f1,利用f1可以達到預測和判斷原始圖像f邊緣信息的目的。

Γ(f)≈Γ(fp)≈Γ[I(f1)]

(10)

式中,當Γ(f)=1時,表示f邊緣細節的像素;當Γ(f)=0時,表示f主要構圖區域像素;fp表示在低質圖像f1基礎上通過預測得到的高質圖像;I表示預測算子[10],可以完成具體的降噪、去模糊等相關運算過程,Γ表示圖像邊緣檢測計算函數,為方便計算,將f1直接視為高質圖像fp,這樣一來可以通過對目標圖像的邊緣Γ(fp)預測獲得高質量圖像的邊緣細節Γ(f)。

這時得到的邊緣并不十分準確,想要恢復圖像的邊緣細節并加以增強,邊緣及附近的像素就至關重要,通過數學形態運算提取低質量圖像的邊緣及細節,以此作為根據,明確采樣圖像相應重要部位的像素情況,這一自適應過程的具體過程如下

a=Mp[Γ(fp)]

(11)

3 圖像邊緣細節無序增強實現

通過銳化達到增強像素對比度的目的,突出圖像整體細節,針對失真的邊緣輪廓,通過對圖像高低頻的判斷,最終利用雙邊濾波法[12]完成邊緣細節的增強。

為了保證圖像增強后保持清晰、銳化后不顯得突兀,利用邊緣檢測算子進行銳化,具體過程如下

(12)

?表示推導因子,繼續推導得到更加具體的二維銳化公式

g(x,y)=f(x,y)+α[-?2f(x,y)]

(13)

(14)

整理出圖像最終銳化公式

g(x,y)=(1+4α)f(x,y)-α[f(x+1,y)+

f(x-1,y)+f(x,y+1)+f(x,y-1)]

(15)

其中,α表示圖像銳化強弱程度的常數系數,一般為正;若α取值過大,會導致圖像過度增強而不自然,若取值過小,則銳化效果不明顯,達不到清晰邊緣的效果,因此可根據實際圖像選取合適的α值[13]。

經過銳化增強過后的圖像,其高頻區域的灰度無法強調邊緣與主構圖之間過渡部分,為了保證圖像的整個邊緣細節都是清晰可見的,利用雙邊濾波算法消除邊緣過渡部分光暈,不僅能夠調節圖像像素點之間的距離,同時還可以改善像素明暗程度。明暗差異化處理公式為:

(16)

d2(x,y)=(x-xc)2+(y-yc)2

(17)

p2(x,y)=[f(x,y)-f(xc-yc)]2

(18)

式中,d2(x,y)表示目標像素點與圖像中心點的距離平方值,p2(x,y)表示目標像素具體灰度值與中心像素灰度值的差值平方,(xc,yc)表示圖像中心點像素,σd表示目標圖像中像素標準參數,σr表示圖像的亮度強弱標準參數。

像素的同態濾波[14]可表示為:

lg[R(x,y)]=lg[S(x,y)]-lg[S(x,y)*G′(x,y)]

(19)

對式(19)實行反向函數變化,得到對應的映射圖像R(x,y)。

圖像邊緣細節增強過后,可能會出現與目標圖像主要構圖區域明顯分離的情況,本文采用融合技術將主要構圖與邊緣細節完成融合,實現較好的增強效果。融合表達式如下所示

Rg(x,y)=mR1g(x,y)+(1-m)R2g(x,y)

g=R,G,B

(20)

其中,Ri(x,y)表示主構圖與邊緣細節融合后目標圖像的R、G、B值,R1g(x,y)表示圖像經過灰度值平衡后的R、G、B值,R2g(x,y)表示經過雙邊濾波法增強后R、G、B的數值,m表示改變因子,取值滿足大于0小于1的條件。

針對細節增強后可能產生嚴重色差,導致圖像成像比例不均衡、甚至顏色失真的情況,提出加入顏色恢復因子Cg[15],經過函數計算完成最終的圖像細節增強,過程如下

(21)

式中,F表示目標圖像顏色增益系數,λ表示圖像亮度調節系數,α表示R、G、B三種顏色數值比例,Sg(x,y)表示目標圖像中R、G、B初始色彩比例,最終邊緣顏色增強的表達式為

Fg(x,y)=Cg(x,y)Rg(x,y)

(22)

式中,g=1,2,3,Rg(x,y)和Fg(x,y)分別表示顏色邊緣顏色恢復前后的色彩比例,完成顏色增強后,最終得出機器視覺圖像邊緣細節的增強圖像。

4 仿真研究

為了驗證本文方法對機器視覺圖像的邊緣細節增強效果,進行仿真,利用不同方法對指定零件圖像進行細節增強處理,對比方法為文獻[1]提出的一種紅外偏振增強算法和文獻[2]提出的一種分段修復算法。從定性和定量兩方面具體評估增強效果,即從圖像能觀察到的變化、信息量大小及增強程度來分別衡量。

圖1表示通過機器視覺采集的零件圖像,可以看出其邊緣輪廓相對模糊,很難判斷其真實輪廓,因此工業機器無法準確分類和抓取,機器視覺下的原始圖像背景整體偏暗,灰度不均衡,因此實驗首先對原始圖像進行灰度值的均衡處理,三種方法的均衡結果如圖2所示。

圖1 機器視覺下原始圖像

圖2 三種方法下圖像均衡處理結果

從圖2中是三種方法下的直方圖均衡處理結果,可以看出,本文方法調整了圖像亮度不均的問題,同時拓展了圖像的亮度區域,對細節部分做到了小幅度的提升和增強;紅外偏振增強算法和分段修復算法下,圖像的亮度和對比度都有相應的提升,但曝光也相對增加,經過二者均衡后的圖像細節并未得到突顯,尤其是經過分段修復算法均衡后,圖像細節反而變得更加模糊。

經過灰度均衡處理后,進一步完成對圖像邊緣細節增強,圖3為三種不同方法下針對圖像邊緣輪廓以及細節的增強結果。

從圖3中可以看出,紅外偏振增強算法處理后圖像邊緣、輪廓均有明顯的增強效果,但圖像還是存在少量殘留噪聲及背景虛化,分段修復算法下圖像過于明亮導致對比度失衡,而經過本文方法完成邊緣細節增強后,圖像明暗有致,細節刻畫完好,邊緣及目標輪廓都非常清晰,細節的增強效果更好。

上述實驗是對方法的視覺主觀評價,為了實驗結論更加嚴謹有效,本文客觀地量化圖像中信息熵及增強程度,進行進一步判斷。熵值表現的是圖像中信息量的多少,對比度增益這個指標表現的則是圖像增強程度,即圖像增強前后的對比度變化,這個值越小表明圖像在細節增強過程中,對原始圖像的改變越小,具體計算結果如表1所示。

表1 圖像增強前后信息計算

從表1中可以看出,經過紅外偏振增強算法和分段修復算法完成細節增強后,圖像的信息熵仍然較小,表示細節恢復并不完全,而本文方法增強后信息熵明顯增加,圖像信息得到完善;從對比度增益的比較結果來看,本文方法更好地保留了原始圖像的細節,效果更好。

5 結論

由仿真的對比測試結果可知,本文方法在對于圖像邊緣細節的處理上更加成熟和完善,對于圖像明暗變化的處理更加均勻平衡,沒有產生過于突兀的亮度不均現象,且經過細節增強后的圖像,在保留了原始圖像特征的基礎上,更有效地完善了圖像邊緣輪廓和細節,增強效果更好。