（计算机应用技术专业论文）基于图像边缘提取的电池极片瑕疵检测研究.pdf

摘要 电池的极片缺陷是影响电池质量的重要因素，对电池进行极片缺 陷检测对于提高电池的质量具有非常重要的作用。传统的人工检测的 方法不能得到令人满意的检测结果，因此研究和开发电池极片瑕疵检 测系统已经成为电池企业的共识。 图像的边缘携带了图像的大部分信息，它包含了图像的基本特 征。边缘检测是图像处理和模式识别的重要方法，如图像分割和自动 目标识别等，它是图像处理研究领域的重要课题之一。本文对基于边 缘提取的电池极片瑕疵检测技术进行了研究，其主要工作包括以下几 个方面： 1 针对电池极片图像目标小、对比度低等特点，本文研究了 s u s a n ( s m a l l e s tu n i v a l u es e g m e n ta s s i m i l a t i n gn u c l e u s ) 算子一种 具有良好的抗噪能力，对图像的边缘、角点能够很好的识别算法。并 针对该算法对脉冲噪声的敏感、参数需要手动设置的缺点，提出了一 种基于中值滤波的d s u s a n 边缘检测算法。 2 针对部分电池极片检测对像素精度要求高的特点，研究了 c a n n y 算子，并提出利用像素8 邻域计算图像梯度，根据图像边缘梯 度特征信息，用模糊最大熵值自适应确定高、低阈值的f c a n n y 边缘 检测算法。 3 针对检测出的极片边缘二值图像，利用数学形态学知识滤波去 噪，提取缺陷目标的面积、周长、圆形度等特征参数，组成特征矢量 来对缺陷种类进行识别，并提出了一种针对电池极片瑕疵检测的方 案。 4 应用v i s u a lc + + n e t 语言来开发检测系统，从极片图像的读取， 到边缘检测、特征提取直至缺陷判断都采用了模块化的编程方法。 为了验证本文提出检测方案的可行性，本文对在工厂实际得到的 含有缺陷目标的极片图像进行了检测，取得了较好的效果，证明了本 文方案的可行性。 关键词边缘检测；f - c a n n y 算子；d s u s a n ；数学形态学；熵 a bs t r a c t d e f e c t so fe l e c t r o d ea r et h ee s s e n c i a lf a c t o r st or e d u c et h eq u a l i t yo f b a t t e r y , i ti sv e r yi m p o r t a n tf o re l e c t r o d ed e f e c t si n s p e c t i o nt oi m p r o v e q u a l i t y o fb a r e r y t r a d i t i o n a le l e c t r o d ed e f e c t si n s p e c t i o nd o n eb y p e r s o n a li n s p e c t o r si so u to fs a t i s f a c t i o nf o ru s e r d e v e l o p i n ga u t o m a t i c s u r f a c ed e f e c t si n s p e c t i o ns y s t e m si sae m e r g i n gd e m a n do fb a t t e r y p r o d u c t i o ne n t e r p r i s e e d g e so fa l li m a g er e f l e c tt h eb i gp a r t so fi n f o r m a t i o no ft h e i m a g e t h e yc o n t a i nt h em a i nc h a r a c t e r i s t i c so fi m a g e e d g ed e t e c t i o ni sa v i t a lp a r to fm a n yi m a g ep r o c e s s i n ga n dp a t t e r nr e c o g n i t i o ns y s t e m s t y p i c a la r e a so fa p p l i c a t i o n sa r ei m a g es e g m e n t a t i o n ，s t e r e ov i s i o na n d i d e n t i f i c a t i o no fo b je c t sa si na u t o m a t i ct a r g e tr e c o g n i t i o n i ti so n eo ft h e m o s ti m p o r t a n tp a r t si ni m a g ep r o c e s s i n g i nt h i st h e s i s ，ip r o p o s e da n e l e c t r o d ed e f e c t se d g ed e t e c t i o nm e t h o db a s e do ne d g ee x t r a c t i o n t h e d e t a i l sa r ea sf o l l o w s ： 1 a c c o r d i n gt ot h ep r o p e r t yo fl o wc o n t r a s ta n ds m a l lt a r g e tf o r e l e c t r o d ei m a g e ，w ep r o p o s e da ne d g ed e t e c t i o nm e t h o db a s e do n d - s u s a na l g o r i t h m ，w h i c hi sa s s o c i a t e dw i t ht h em e d i a nf i l t e r i n g o p e r a t i o n t h es u s a na l g o r i t h m h a sg o o da n t i - n o i s ep r o p e r t y , w h i c hc a n r e c o g n i z et h ei m a g ee d g ev e r yw e l l t h ec a s es t u d yi n d i c a t et h a tt h i s m e t h o di se f f e c t i v ef o rm yr e s e a r c h 2 d u et oe x t r e m e l yh i g hp i x e la c c u r a c yn e e df o rs o m ee l e c t r o d e d e f e c t si n s p e c t i o n ，t h ec a n n y o p e r a t o ri su s e dt oe x t r a c tt h ed e f e c te d g e ， a n di t sp r i n c i p l ea n di m p l e m e n t a t i o na r ed i s c u s s e d t h ep r o p e r t yo fl o w c o n t r a s ta n ds m a l lt a r g e tf o re l e c t r o d ei m a g ei sc o n s i d e r e d an e w e l e c t r o d ed e f e c t se d g ed e t e c t i o nm e t h o di sp r o p o s e di nt h i sp a p e rt o a d a p t i v e l yd e t e r m i n et h eh i g ha n dl o wt h r e s h o l d so ff c a n n yo p e r a t o r u s i n gf u z z ym a x i m u me n t r o p yb yt h ee d g eg r a d i e n t f e a t u r eo ft h e e l e c t r o d e si m a g e 3 af i l t e rm e t h o db a s e do nm a t h e m a t i c a lm o r p h o l o g yi su s e df o r i m a g ed e n o i s i n ga f t e re d g es e g m e n t a t i o n s o m ec h a r a c t e r i s t i cp a r a m e t e r s a r ed e t e c t e d c l a s s i f ye l e c t r o d ed e f e c tb yc o m p u t i n gr o t u n d i t yd e g r e ea n d s l i g h t n e s sd e g r e ea sc h a r a c t e r i s t i cv e c t o r as o l u t i o np l a nf o re l e c t r o d e d e f e c t si n s p e c t i o ni sp u tf o r w a r d 1 1 4 m i c r o s o f tv i s u a lc + + n e tp r o g r a mi s a p p l i e dt od e v e l o pt h i s d e t e c t i o ns y s t e m t h em o d u l a r i z a t i o np r o g r a mm e t h o di su s e di nt h e p r o c e s so fe l e c t r o d ei m a g ea c q u i s i t i o n ，i m a g es e g e m e n t a t i o n ，f e a t u r e e x t r a c t i o na n df l a w sd e t e c t i o n i no r d e rt ov a l i d a t et h ea b o v ei n s p e c t i o nm e t h o d s ，w eh a v ed e t e c t e d t h ee l e c t r o d ei m a g ew i t hs o m ed e f e c t s ，w h i c ho b t a i n e df r o mt h ef a c t o r y t h ed e t e c t e dr e s u l t sa r e d e f i n i t e l ya c c u r a t e i ti sp r o v e dt h a tt h i s a l g o r i t h mi sa d a p t a b l ef o rd e t e c t i o no fb a r e r yq u a l i t y k e yw o r d s e d g ed e t e c t i o n ，f c a n n yo p e r a t o r , d s u s a n ， m a t h e m a t i c a lm o r p h o l o g y , e n t r o p y i i i 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的 地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包 含为获得中南大学或其他单位的学位或证书而使用过的材料。与我共 同工作的同志对本研究所作的贡献均己在论文中作了明确的说明。 日期：纱7 年，月，萝e t 关于学位论文使用授权说明 本人了解中南大学有关保留、使用学位论文的规定，即：学校有 权保留学位论文并根据国家或湖南省有关部门规定送交学位论文，允 许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容， 可以采用复印、缩印或其它手段保存学位论文。同时授权中国科学技 术信息研究所将本学位论文收录到中国学位论文全文数据库，并通 过网络向社会公众提供信息服务。 作者签名：整垂垦导师签名：日期：沙 年厂月用日 硕士学位论文 第一章绪论 1 1 研究背景 第一章绪论 动力电池的发展经历过第一代铅酸蓄电池( v r l a b ) ，以c d - n i 电池和m h n i 电池等碱性蓄电池为代表的第二代动力电池。随着人们环境保护意识的不断提 高，加之石油气资源的日益枯竭，用电池为动力源的电动汽车，是近年来国际发 达国家竞相研究开发的热点。2 0 0 5 年以后，全世界纯电动车市场将达到1 3 2 万 辆，预测到2 0 1 0 年将达5 9 5 万辆【l 】。锂离子电池作为第三代动力电池的代表， 有着工作电压高、容量大、循环寿命长、自放电率低、没有记忆效应和无污染等 诸多优点，使其成为动力电池的研究热点。但是电池的安全性问题，也成为关注 的热点，锂离子动力电池工艺及技术要求非常的严格、复杂，生产流程主要包括 制浆、涂布、装配、化成等步骤。涂布过程是涂布机将制成的浆料均匀地涂覆在 金属箔的表面，烘干，分别制成正极极片和负极极片。其中电池极片的好坏直接 关系到电池的质量，对后面的电池化成和充放电的效果有重要影响。由于国内针 对电池极片瑕疵检测没有成熟的产品问世，国内电池生产厂家几乎是采用人工检 测，这显然不符合现代化生产和管理。 业界认为，从长远看，价格不是制约动力锂离子电池发展的难题，目前制约 动力锂离子电池发展的主要因素在于人们对其安全性和产品成熟程度的担忧。电 池的安全性需要经过严格的测试，在厂家试验过之后还要通过用户的实际应用来 观察，如果经过一段时间的考验没有出什么问题，才能说它是成熟的。 目前市场上高精度电池检测设备，主要检测电流，电压，内阻，温度等参数， 随着计算机视觉的发展，越来越多的工业检测领域把数字图像处理技术应用于各 种产品生产检测过程【2 卅。国内市场上也出现了利用计算机视觉对电池极片上焊 接的极耳进行焊接缺陷检测，并切除检测不合格的极耳。 1 2 电池极片检测目前存在的问题 1 我国锂离子电池极片检测几乎是通过人眼检测，在涂布的过程中，工作 人员凭主观经验判断出瑕疵极片，然后用直尺测量瑕疵极片长、宽等参数，以确 定是极片否合格，对于不合格的瑕疵极片，根据目前的标准人为判断瑕疵种类。 目前大部分电池极片的瑕疵目标比较小，因此，采用人工视觉检测存在劳动强度 大、速度低、容易受人为因素影响、误检率和漏检率高等缺点。 2 针对检测出的瑕疵极片，仅记录了一个瑕疵类型数据，其他一些缺陷参 硕士学位论文第一章绪论 数说明均无记载，没有一个严格的品质控制标准，人为因素非常大。无法和电池 行业已经存在的e r p 系统信息融合；无法对电池极片瑕疵信息进行历史数据查 询，及时进行数据分析，找出问题的症结所在。 因此，目前电池极片的检测无论是在工艺上，还是在管理上，都存在很多问 题。通过一种新的电池极片瑕疵检测方法，不仅能够大大的节约电池极片检测过 程，降低生产成本，还有助于提高生产控制和管理水平。 1 3 论文选题的目的与意义 论文选题以国家科技支撑项目“动力型超级电容电池系统的关键材料及器件 研发与应用 ( 2 0 0 7 b a e l 2 8 0 1 ) 为基础，来源于某电池企业的电池资源管理系统。 电池极片的好坏对电池的性能有着重大的影响。因此，开发一套性价比高的极片 质量检测系统势在必行。不仅可以节约人力成本，而且可以提高电池生产质量。 目前，本课题利用数字图像处理术进行了极片图像的离线检测，从检测的结果来 看，要想使检测率和识别率更上一个台阶，重点在于对底、中层图像处理和识别 上进一步深入的研究。其中，底层图像处理主要包括对数字图像的去噪、对比度 增强、锐化、图像复原等前端处理。中层图像处理主要包含边缘检测、图像分割、 目标特征描述等。 边缘检测作为数字图像处理学的中级特征处理模块，起到衔接图像预处理和 机器视觉高级阶段的作用，属于基础和关键性技术。其目的是把图像分成各具特 性的区域并把其中感兴趣的区域提取出来，把输入图像转化为分割图像，它对提 取目标特征、目标识别与分类以及其后的高层处理等都非常重要。本文针对极片 瑕疵图像的特性，提出了边缘检测算子，无疑是对缺陷图像检测领域有一定的理 论和实际意义，特别是有助于电池极片缺陷的检测系统自动化的发展。 1 4 论文的研究内容 图像分割是图像处理、模式识别和人工智能等多个领域中一个十分重要的问 题。目前的图像分割主要包括三种方法：阈值分割、边缘检测、区域分割。其中 用于瑕疵检测的主要是前面两种分割方法。本文研究的电池极片瑕疵目标比较 小，对比度比较低和形状复杂等特点，极片瑕疵图像无明显峰值，很难通过阈值 分割出背景目标，因此，本文主要进行边缘检测在电池极片图像中瑕疵目标的应 用和探索，寻找合适的缺陷提取方法，为后续的瑕疵缺陷识别和整个检测系统的 建立奠定基础。本文的具体研究内容如下： 1 提出一种基于改进的s u s a n 算法为基础的电池缺陷边缘检测方法。 2 硕士学位论文第一章绪论 2 针对一部分极片瑕疵目标，在合格和不合格之间，改进的s u s a n 检测 算法容易误检，提出了一种改进c a n n y 算子的电池极片边缘检测方法。 3 针对分割后电池极片缺陷二值边缘图像，利用数学形态学方法去噪，进 行缺陷的形状特征参数提取，然后根据计算得到的形状特征参数进行极片缺陷识 别和判断。 4 应用v i s u a lc + + n e t 语言开发了电池极片瑕疵离线检测软件。 1 5 章节安排 论文全文共分六部分： 第一章绪论，简单介绍了本文的研究背景、目前存在的问题、目的和意义， 以及本文本所做的工作。 第二章，对图像边缘检测技术进行了阐述。 第三章，在深入研究传统的s u s a n 算法基础上，针对传统s u s a n 算法对 脉冲噪声比较敏感，缺乏自适应性的缺陷，提出一种针对电池极片缺陷的 d s u s a n 自适应边缘检测方法。 第四章，深入研究了传统的c a n n y 算法，在传统的c a n n y 边缘检测算子基 础上，提出一种利用像素8 邻域计算图像梯度，并根据电池极片图像边缘梯度特 征信息，用模糊最大熵来自适应确定高、低阈值的改进f c a n n y 算子。利用 f c a n n y 算子来检测一些“中性 极片。 第五章，为缺陷的特征提取和判断决策，针对极片缺陷的种类和不同特征， 利用数学形态学原理去除噪，提取出极片缺陷的特征参数，组成缺陷判断决策的 特征矢量，实现缺陷种类的判别，提出一种可行的电池极片瑕疵检测方案。 第六章，在某企业的电池管理平台基础上，设计了一套离线检测电池极片瑕 疵软件模块。 第七章是全文的总结，对结果进行分析，并展望了电池极片图像中缺陷目标 检测的发展。 3 硕士学位论文第二章图像边缘检测技术 第二章图像边缘检测技术 2 1 图像边缘检测 2 1 1 图像边缘的定义 直观上，在图像中相邻的两个类型区域的分界线称为边缘，边缘【5 】表明一个 类型区域的终止和另一类型个区域的开始，同一类型区域内部属性和特征相似， 不同类型区域之间的属性和特征彼此是不同的，图像中相邻两个区域的特征的差 异正是发生在边界处。基于数字图像处理是模拟人眼视觉的特性，人眼观察到的 图像中灰度分布跳变形成的条状图像细节为视觉图像边缘，本课题中着重研究的 都是视觉图像边缘。 图像的大部分主要信息都存在于图像的边缘中。边缘主要表现为图像局部特 征的不连续性，是图像中灰度变化比较剧烈的地方，也即我们通常所说的信号发 生奇异变化的地方。奇异信号沿边缘走向的灰度变化剧烈，通常我们将边缘划分 为三种【6 】：阶跃状( 如图2 1 ( a ) ) ；脉冲状( 如图2 1 ( b ) ) ；屋顶状( 如图2 1 ( c ) ) 。 阶跃边缘处于图像中两个具有不同灰度值的相邻区域之间，脉冲状边缘主要对应 细条状的灰度突变区域，而屋顶状边缘位于灰度增加与减少的交界处，边缘上升 下降都比较缓慢。对这三种边缘在数学上可利用灰度的导数来刻画边缘点的变 化，分别求其一阶、二阶导数来确定边缘。阶跃状边缘点处的一阶导数幅值最大， 二阶导数过零点；脉冲边缘两个二阶导数过零点正好分别对应脉冲的上升沿和下 降沿；屋顶状边缘剖面一阶导数过零点可以确定屋顶边缘中心位置。 ( a ) 2 1 2 图像边缘检测的步骤 ( c ) 图2 - 1 边缘类型 边缘检测是采用某种算法来提出图像中灰度发生急剧变化的区域。由于在成 像过程中受到外界光源及噪声等因素影响，都会导致图像的模糊和变形，从而造 成图像边缘提取，缺陷分割和特征提取的极大困难。因此在边缘检测之前一般要 4 硕士学位论文 第二章图像边缘检测技术 做图像预处理工作，如去除部分噪声，增强图像的边缘等，图像的边缘检测一般 分为以下四个步骤： 滤波：去除图像中的噪声成分称为图像的滤波操作，主要分为频率滤波和空 间滤波。频率滤波的处理是在图像的某种变换域内进行，空间滤波法对图像处理 时直接对图像灰度作运算。基于图像求导数的边缘检测算法，对噪声很敏感，因 此必须使用滤波器来改善与噪声有关的边缘检测方法的性能。 边缘增强：它是将图像中相邻像素或区域的亮度值相差较大的边缘使其突 出。增强算法可以突出领域强度值有显著变化的点，边缘增强分为基于点处理和 基于模板处理两种方法。 检测：是指检测出灰度或结构中具有突变的地方，传统经典的边缘检测算子 基于一阶、二阶导数来判断边缘点，但在图像中有些点也符合导数的判断条件， 因此，应该用某种方法来确定哪些点是真正的边缘点，剔除虚假边缘点。 定位：确定边缘所在的像素，如果要更加精确地确定边缘位置，可用某个解 析函数逼近实际数据，由于拟合模型常根据一个小区域中所有像素进行，所以得 到的边缘位置可以达到亚像素级。 在工业生产瑕疵边缘检测中，主要是用到前面的三个步骤，对于采集的图像 质量较好的实时检测系统，通常不需要去噪等预处理操作也能得到较好的检测结 果。对于边缘的定位，一般情况没有必要指出边缘的精确位置或方位。边缘检测 误差通常是指边缘误分类误差，即把假边缘误判为真边缘加以保留，或者是把真 边缘误作假边缘去除。边缘检测算子步骤如图2 2 所示，边缘检测和一般意义上 的缺陷分割一样，必须考虑如下问题： ( 1 ) 检测到的极片瑕疵边缘应该是连续的、封闭的。 ( 2 ) 应该尽可能检测出图像中的重要特征，去掉一些噪声细节。 ( 3 ) 算法的运行时间应该尽量短。 ( 4 ) 算法应尽可能减少认为输入参数，实现自动化。 2 2 图像边缘检测方法 图2 - 2 边缘检测步骤 从上个世纪6 0 年代至今，边缘检测技术是图像处理和计算机视觉等领域最 基本的技术，如何快速、准确提取图像边缘一直是国内外研究热点。早期的经典 算子包括一阶微分、二阶微分等，在最近的二十年里发展了许多新型的现代边缘 5 硕士学位论文第二章图像边缘检测技术 检测器，如小波变换边缘检测、神经网络的边缘检测等。下面将按经典边缘检测 算子和现代边缘检测算子两大类分别阐述。 2 2 1 经典边缘检测方法 1 基于一阶导数的边缘检测 基于一阶导数的边缘检测算法是最常见的边缘检测算法，主要思想是针对边 缘是图像局部灰度显著变化的部分，在灰度突变处求导将产生局部峰值，这个产 生局部最大导数值的像素点也就是边界点。在实际中常用小区域的模板进行卷积 来近似计算导数。根据模板的大小不同，目前已提出了许多不同的算子，常见的 有r o b e r t s 算子、s o b e l 算子、p r e w i t t 算子、k i r s c h 算子等。 r o b e r t sl g 于1 9 6 5 年提出了r o b e r t s 算子【7 1 ，它根据任意一对互相垂直方向 上的差分可用来计算梯度的原理，采用对角线方向相邻两像素之差计算梯度。 r o b e r t s 算子是2 2 模板求导数。该算子定位精度较好，但对噪声非常敏感，在 图像测量中应用广泛【8 】。 d a v i s 于1 9 7 5 年提出了s o b e l 算子【9 】，它考虑数字图像f ( x ，y ) 的每个像素上、 下、左、右邻点灰度的加权差，与之接近的邻点权值大，s o b e l 算子是3 x 3 模板 求导数。该算子在检测边缘的同时，能有效抑制噪音，但检测边缘像素较宽。靳鹏 飞【l o 】对实际图像中出现的边缘类型进行了数学模型描述，把连续型的边缘模型 作为研究对像，重新构造了图像边缘方向进行检测的模板，提取的边缘结构细腻。 p r e w i t t 于1 9 7 0 年提出了提取边缘的p r e w i t t 算子【】，它和s o b e l 算子一样， 离散出两个卷积模板，分别对应水平最大响应和垂直最大响应，但对每个像素临 近点的权值一样。该算子对噪声有一定的抑制作用，得到的像素也较宽。刘明艳 等【1 2 】在p r e w i t t 基础上引入衰减因子，得到的边缘图像明显细化。 r ，k i r s c h 于1 9 7 1 年提出了一种能检测边缘方向的k i r s c h 算子新方法【1 3 】： 它利用8 个模板来确定梯度幅值和梯度的方向。这些算子模板由理想的边缘子图 像构成，依次用边缘模板去检测图像，与被检测区域最为相似的模板给出最大值。 该算子在计算边缘强度的同时可以得到边缘的方向，运算时间较长。吕俊白【1 4 】 将8 个模板合成一个8 x 8 的矩阵，减少了运算量。 基于一阶导数的边缘检测算子，最突出的贡献是将边缘点理解为灰度突变 点，认为那些局部梯度幅值较大的点为边缘像素点。但是图像中的噪声也是灰度 变化频率中的高频部分，因此这些方法检测精度和抗噪性不理想，同时，一阶导 数它是一种矢量，不但有大小还有方向，数据存储比较大。 2 基于二阶导数的边缘检测 基于二阶导数边缘检测算子基本思想是：检测图像二阶导数的零点确定边缘 点，可用二阶微分算子和图像卷积实现，并可通过二阶导数的正负判断像素在明 6 硕士学位论文第二章图像边缘检测技术 区还是暗区。基于二阶导数算子，它是一个标量而不是一个向量，也进行各向同 性的运算，它对灰度突变敏感。常见的二阶导数的边缘检测算子有l a p l a c i a n 算 子、l o g 算子等。 l a p l a c i a n 1 5 】算子二阶导数通过一个3 x 3 模板卷积来近似计算，它对细线和 孤立点检测效果较好，而且该算子对方向不敏感，各向同性、线性和位移不变性； 但是对噪音敏感，不能检测出边缘方向，检测到的边缘较宽。鲍宗泛等【1 6 】对图 像边缘检测的l a p l a c e 模板，增加了8 个检测方向，并适当设置了权系数。孙增 国【1 7 】利用l a p l a c i a n 算子检测图像边缘信息，通过比例线性叠加完成图像增强。 l a p l a c i a n 算子利用图像强度二阶导数的零交叉点来求边缘点的算法对噪声 十分敏感，在边缘检测前需要滤除噪声。为此，m a r r 和h i l d r e t h 1 8 】提出先用高斯 函数对图像平滑滤波，然后对滤波后的图像进行拉普拉斯运算，二阶导数值等于 零的像素点认为是边界点。数学上已证明，马尔算子是按零交叉检测阶跃边缘的 最佳算子【l 引，该算子抗噪声能力增强，得到边缘精度很高，并且能够提取对比 度较低的图像边缘，但是计算量较大，不能检测边缘方向，在很多有方向性差异 的场合并不适应，严国萍等【2 0 】提出了基于l o g 算子的各向异性的算子，解决了 边缘方向丢失的问题。t a o ，z p 等【2 1 】把l o g 算子应用到图像匹配领域。 3 基于曲面拟合边缘检测算法 基于一阶、二阶导数检测图像边缘的算子往往对噪声敏感。因此对一些噪声 影响比较严重的图像就难以取得满意的效果。若用平面或高阶曲面来拟合图像中 某一小区域的灰度表面，求这个拟合平面或曲面的外法线方向的微分或二阶微分 检测边缘，可减少噪声影响。曲面拟合法是用平面或高阶曲面【2 2 。2 3 1 来拟合图像中 某一小区域的灰度表面，求这个拟合曲面中心点处的梯度再进行边缘检测。其过 程是求平均后再求差分，因而对噪声有一定的抑制作用；但是随着拟合函数的阶 数边高，计算量也大大增加。 4 c a n n y 边缘检测算法 1 9 8 6 年j o h n c a n n y 在i e e e 上发表了划时代意义的文章ac o m p u t a t i o n a l a p p r o a c ht oe d g ed e t e c t i o n 2 4 ，他把边缘检测问题转化为检测单位函数极大值的 问题，并对过去的一些方法和应用做了总结【2 5 1 ，提出了判定边缘检测算子的三 个准则。c a n n y 算子先利用高斯平滑滤波器来平滑图像以去除噪声，通过一阶求 导来计算梯度的幅值和方向，对得到的图像进行非极大值抑制过程，最后采用双 阈值来连接边缘。c a n n y 算子尽管通过高斯滤波平滑去掉部分噪声，但是在2 x 2 的邻域内求有限差分均值来计算梯度幅值，对噪声也敏感，同时c a n n y 算子高、 低阈值的参数人为确定，这就存在检测出假边缘的同时还会丢失灰度值变化缓慢 的局部边缘的问题。但是由于c a n n y 边缘检测算法是基于最优化理论，具有信 7 硕士学位论文第二章图像边缘检测技术 噪比大、检测精度高等优点，很快就成为评价其他边缘检测方法的标准，非常适 合对检测精度要求很高的场合，在生物医学【2 6 1 、工业瑕疵检测【2 7 】等领域得到广 泛的应用。 针对c a n n y 算子，d e r i c h e t 2 8 1 构造出一种可以递归的方法；沈俊博士【2 9 】用指 数滤波器代替高斯滤波起来对图像进行平滑，并通过对图像2 次递归来计算梯 度；王朝琴等【3 0 】用中值滤波代替高斯滤波；吕哲等【3 l 】采用新的基于梯度方向的 检测和连接边缘；“ux i a n g 等【3 2 】利用指数熵来求高、低阈值。 2 2 2 现代边缘检测方法 由于经典的边缘检测方法存在计算量大、计算时间长、对噪声敏感等缺点， 近年来，一些新的检测方法在图像边缘检测上得到应用与研究，如：s u s a n 算 法、小波变换，神经网络，数学形态学方法等。 1 s u s a n 算法 1 9 9 7 年英国牛津大学的s m s m i t h 和j m b r a d y 人提出了一种用于低层次 图像处理的最小核值相似区( 9 0s m a l l e s tu n i v a l u es e g m e n ta s s i m i l a t i n gn u c l e u s ， 简称s u s a n ) 算法【3 3 】。它的基本检测思想是：在每个像素移动一个小的圆形模板 以检测局部信息，并利用预先设定的亮度阈值比较模板核及其周围像素的亮度 值，亮度值相同或相近的为一个u s a n ，最后通过面积最小的u s a n 检测角点。 它直接对图像灰度值进行操作，方法简单，无需梯度运算，保证了算法的效率； 具有积分特性，这样就使得s u s a n 算法在抗噪音和计算速度方面有较大的改进， s u s a n 算法非常适合对算法时间要求高，而且对微小灰度变化敏感的检测，目 前该算法在红外小目标检测、瑕疵检测等【3 4 3 5 】领域应用广泛。但s u s a n 算法对 脉冲噪声比较敏感，而且对不同的对比度图像采用固定的灰度差值，不能很好的 区分目标和背景。 2 小波变换的边缘检测方法 小波分析【3 6 3 7 】是2 0 世纪8 0 年代后期形成的一个新兴的数学分支，它用时域 和频域的联合表示信号的特征。小波变换就是时域频域的局部变换，即在低频 部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分 辨率和较低的频率分辨率，因此能够更有效地从信号中提取有用信息。一幅图像 中，图像的能量大部分集中在低频和中频部分，图像的边缘和噪声对应于高频部 分。经小波分解后得到的图像序列由近似部分和细节部分组成，近似部分是原始 图像对高频部分进行滤波后所得的近似表示。经过滤波后，近似部分去除了高频 分量，因此能够检测到图像中的边缘。 基于小波的图像边缘检测技术发展非常的迅速，这些年已经诞生了很多种新 颖的技术和方法，如多次度小波变换边界提取算法【3 8 】、嵌入可信度的边缘检测 8 硕+ 学位论文第二章图像边缘检测技术 算法【”】等。 3 基于神经网络边缘检测方法 神经网络【4 0 4 1 】是由大规模神经元互联组成的高度非线性动力学系统，它的并 行计算能力，非线形映射和自适应能力等特点得到了充分的认识。其基本思想是： 先将输入图像映射为某种神经网络结构，目前最常用的是b p 网络、h o p f i e l d 网 络、自组织网络，然后输入一定的先验知识，也即是图像边缘，再进行训练直到 学习过程收敛为止。神经网络提取边缘利用了已有的知识库，具有较好的抗噪声 特点，但是先验知识、收敛准则等都是一些很大的难题。 4 基于数学形态学方法 数学形态学方法【4 2 书】以几何学为基础对图像进行分析，将结构元素应用于输 入图像，从而创造出与输入图像同等大小的输出图像。其边缘检测的基本思想是 引入形态学边缘检测算子，该算子主要由腐蚀和膨胀两种基本的运算构成，图像 经历边缘检测算子处理后，会在图像边缘处形成凸脊，再与原图像作差分得到边 缘。基于形态学的边缘检测计算量小，抗噪性强，但是需要选择合适的结构元素。 目前该方法已经在医学生物】等领域得到应用。 5 其他方法 除了一些边缘检测算外，近年还有一些图像的边缘检测方法也在一定程度上 得到了图像的边缘，如：基于分形几何的边缘检测法【4 5 1 ，标记松弛匹配澍4 6 1 ，遗 传算法【4 7 4 8 1 和基于模糊理论的边缘检测算法等【4 9 踟】。这些方法都在图像边缘的某 一特征上做出改进但是同样存在边缘模糊和漏检等缺陷，因此针对电池极片图 像，寻求一种性价比较高的边缘检测技术非常必要。 2 2 3 几种检测方法性能比较 为了寻找出适合提取电池极片瑕疵边缘的算子，针对一幅典型2 5 6 x 2 5 6 大小 的电池极片图像，在相同的软硬件配置条件下应用梯度算法( r o b e r t s ) 、曲面拟合算 法、l a p l a c i a n 算子、c a n n y 算法、s u s a n 算法，这几种算法代表了上述经典边 缘检测算法和现代边缘检测算法。现代边缘检测算法中神经网络边缘检测算法需 长时间自学习，因此不适合实时检测；小波变换边缘检测算法理论非常复杂，而 且理论正在发展阶段，因此，本文也不作讨论；数学形态学边缘检测对小目标不 敏。针对上面五种边缘检测算法分割效果如图2 3 所示，其处理性能比较如表2 1 所示： 9 硕士学位论文 第二章图像边缘检测技术 ( e ) c a n n y 检测教果 ( f ) s u s a n 检测效果 图2 - 3 电池极片图像边雏检测结果 表2 1 算法检测性能比较 一一一一一一 硕十学位论文第二章图像边缘检测技术 根据图2 3 和表2 1 来比较一下上述典型的边缘检测器。梯度算子仅计算相 邻像素的灰度差，对噪声比较敏感，对具有陡峭变化的低噪声图像响应最好，不 适合电池极片对比度低的图像边缘检测；l a p l a c i a n 算子产生双像素宽的边缘， 不能提供边缘的方向信息，对噪声相当敏感，很少直接用于检测边缘。曲面拟合 算法不仅拟合了真正的边缘，也拟合了许多虚假边缘；s u s a n 算法非常快速的 检测出边缘，适合于电池极片瑕疵边缘检测，但在检测边缘的同时，也检测出一 部分噪声点( 图2 3 f ) ，因此，s u s n a 算法在极片检测中如何尽可能在提取边缘 点的同时，最大可能的抑制噪声点成为用于电池极片瑕疵边缘检测的主要问题； c a n n y 算子能够比较清晰的检测出边缘，而且检测到的边缘线较细，也适合于电 池极片瑕疵边缘检测，但是也存在虚假边缘，而且容易丢失一些灰度变化缓慢的 局部边缘。由此可见，几种经典的边缘检测都不能完全适应电池极片瑕疵边缘检 测，需要针对电池极片图像寻找一种新或改进的算法，该算法即要较好的提取电 池极片瑕疵边缘，又能抑制噪声的干扰，同时该算法还要具备快速、自适应性。 硕士学位论文第三章基于s u s a n 算子的电池极片瑕疵边缘检测研究 第三章基于s u s a n 算子的电池极片瑕疵边缘检测研究 3 1 引言 电池极片图像中缺陷目标和背景对比度低，而且不具备明显纹理特征，瑕疵 目标的形状也比较复杂，整个瑕疵目标占整幅图像的比例非常小，受噪声影响较 大。因此，对电池极片缺陷检测采用边缘检测算子须对边缘、角点非常敏感，抗 噪性强，同时，该算法还必须运算速度非常快，4 为以后电池极片在线检测奠定基 础。 针对电池极片图像的特点，传统s u s a n 算法对脉冲噪声敏感，而且固定的 灰度差阈值不能很好的区分不同对比度电池极片图像目标和背景。因此，本节提 出一种改进的s u s a n 算法，该算法用中值滤波代替s u s a n 滤波，自适应设置 灰度差阈值，使之对极片小目标敏感，抑制背景和噪声。 3 2s u s a n 边缘检测算法 1 9 9 7 年英国牛津大学的s m s m i t h 和j m b r a d y 人提出了一种用于低层 次图像处理的最小核值相似区( 即s m a l l e s tu n i v a l u es e g m e n ta s s i m i l a t i n g n u c l e u s ，简称s u s a n ) 算法。它直接对图像灰度值进行操作，方法简单，无需 梯度运算，保证了算法的效率。 s u s a n 算子的模板与常规卷积算法的正方模板不同，它使用了一种近似圆 形的模板来遍历图像，若模板内其他任意像素的灰度值与模板中心像素( 核) 的 灰度值的差小于一定阈值，就认为该点与核具有相同或相近) 的灰度值，满足这 样条件的像素组成的区域称为核值相似区。s u s a n 准则的原理如图3 1 所示， 图3 1 ( a ) 在白色背景上有一个灰色多边形，用一圆形模板置于多边形6 不同位置； 图3 1 ( b ) 中6 个圆形模板的黑色区域对应于图3 1 ( a ) 相应各位置的u s a n 。 用3 1 ( b ) 图中的圆形模板扫描整个图像，将模板内部每个像素的灰度值与模 板中心像素的灰度值进行比较，并给定阈值以确定像素是否属于u s a n 区域，图 像中某一点的u s a n 区大d , n 由o n ( 3 1 ) 式表示【5 1 】： n ( r o ) = c ( ) r e m ( r o ) ( 3 1 ) ( 3 - 1 ) 式中，m ( r o ) 是一个以r o 为圆心的模板，r o 为模板中心像素( 核) 的位置， ，为模板内其他像素的位置，刀( ro ) 为模板内c ( r ，r o ) 值为1 的点数，也即u s a n 值大小；c ( r ，r o ) 为模板内的像素是否属于u s a n 区内像素的判别函数，其定义 1 2 硕士学位论文 第三章基于s u s a n 算子的电池极片瑕疵边缘检测研究 如下【5 l 】： c a ) 模板的六个不同位置( b ) 六位置u s a n 区域 图3 - 1s u s a n 原理图 c ( ，。) = ：，矿fi i ，z ( ( ，r ) ) 一- j z ( ( 厂r 。o ) ) i i ： ( 3 - 2 ) i ( r o ) 是模板中心像素( 核) 的灰度值，i ( r ) 为模板内的其他任意像素的灰度 值，f 是灰度差门限。从公式( 3 1 ) 和公式( 3 2 ) 可知，阈值t 可以用来检测u s a n 区域面积的最小值，也可以确定消除的噪声的最大值。 但实际处理中，经常用指数函数来定义判别函数【5 l 】： c ( r , r o ) ：e x p ( ( 一i ( r ) - i ( r o ) ) n ) ( 3 - 3 ) 针对电池极片检测指数a 取6 时检测效果较好。 选择好定义判别函数后，运用( 3 4 ) 式来对电池极片图像进行s u s a n 滤波， 公式如下： ， + i ，y + 加、2 0 2 7 2 ，( 训) = 业l 函珏丽而而厂一 ( 3 _ 4 ) yp 、2 仃2 ，2 j 一 “，) ，o j ( x ，j ，) 为滤波后图像，仃为高斯平滑系数，控制着图像的平滑程度。对滤波 后的图像，通过圆形模板计算u s a n 的大小。当圆形模板完全处在图像或背景 中时，u s a n 值最大，是整个圆形模板的面积如图3 1 ( b ) 中的a 位置；随着模板 移向图像边缘时，u s a n 值开始逐渐变小如图3 1 ( b ) 中的b 位置；当模板中心处 于边缘时，u s a n 区域面积是整个圆形模板的一半如图3 1 ( b ) 中的c 位置；当模 板中心处于六变形几个角的位置时，u s a n 区域面积最小如图3 1 ( b ) 中的e 位置。 1 3 硕士学位论文第三章基于s u s a n 算子的电池极片瑕疵边缘检测研究 所以s u s a n 算法检测边缘点，其实就是寻找图像中像素的u s a n 值小于或等于 1 2 最大值的点。 在得到每个像素的u s a n 区域以后，再由( 3 5 ) 式产生u s a n 特征图像，即 对图像边缘的响应。 r ( r o ) ：j g - n ( r o ) i f 刀( r o ) p 3 + p 5 + p s p 岬2 岬3