CN111709964B - 一种pcba目标边缘检测方法 - Google Patents

Abstract

本发明公开了一种PCBA目标边缘检测方法，包括：S1、使用具有动态阈值惩罚因子的引导滤波算法对待检测图像进行边缘保持去噪得到滤波后图像，所述具有动态阈值惩罚因子的引导滤波算法在具有全局惩罚因子的引导滤波算法的基础上引入动态阈值惩罚因子，动态阈值惩罚因子的值与像素块中边缘像素点数量成正比；S2、对滤波后图像进行非极大值抑制，进行限条件的保留屋脊状边缘及阶梯状边缘，得到抑制图像；S3、对抑制图像进行边缘像素及非边缘像素的分割，利用改进的局部自适应类间差分法提高边缘像素的辨识度；S4、连接边缘像素，得到边缘检测结果。本发明能够避免PCBA目标边缘检测中边缘稀疏区域过度平滑，减少伪边缘点，还能够避免边缘丢失和粘合。

Description

一种PCBA目标边缘检测方法

技术领域

本发明属于图像处理领域，具体涉及一种PCBA目标边缘检测方法。

背景技术

PCBA元器件边缘检测是自动化生产线智能机器人视觉引导的关键技术，传统canny算子具有较好抗噪与边缘定位能力而广泛应用于PCBA元器件的边缘检测。但由于智能手机PCBA元器件规格尺寸细小、集成密集，且镜头、插槽、芯片、电阻等各元器件光反射特性不同，采集的图像光照非常不均匀，在实际应用中，传统canny算子检测的元器件边缘存在明显的伪轮廓和边缘粘连情况，元器件边缘检测的精度不高，难以满足后续对元器件定位、测量及装配等高精度视觉引导技术的需求。传统canny算子采用高斯滤波来消除噪声，虽提高了图像的信噪比，但目标边缘过平滑现象突出、边缘细节信息丢失严重，导致最终检测的边缘存在明显的伪轮廓和边缘粘连现象；且在双阈值检测过程中易导致目标的边缘断裂，产生过多的伪边缘，进一步降低了边缘检测的表现力。

针对传统canny算子存在的以上问题，曾出现了许多改进算法。例如使用区域图引导的双边滤波替代高斯滤波，根据图像区域内噪声属性和区域之间的相似度动态调整滤波系数，在实现滤波的同时可以有效的保持图像的结构信息。该方法在边缘保持方面具有较好的效果，但算法过程复杂，耗时较为严重，且降噪效果不理想。另外，梯度幅值直方图和类间方差最大法的自动阈值选取方法也较为常见，通过将非极大值抑制后的像素点进行分割得到三类像素点，对每类像素点通过类间方差最大化求取最大值，即为三类像素点的分界点，该方法较好界定了区分非边缘像素与边缘像素的分割阈值，但在计算梯度等级时需要根据经验得出，方法的适应性较差。

因此，如何避免PCBA目标边缘检测中边缘稀疏区域过度平滑，减少伪边缘点，以及避免边缘丢失和粘合，成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术中存在的上述不足，本发明实际需要解决的问题是：如何避免PCBA目标边缘检测中边缘稀疏区域过度平滑，减少伪边缘点，以及避免边缘丢失和粘合。

为解决上述技术问题，本发明采用了如下的技术方案：

一种PCBA目标边缘检测方法，包括：

S1、使用具有动态阈值惩罚因子的引导滤波算法对待检测图像进行边缘保持去噪得到滤波后图像，所述具有动态阈值惩罚因子的引导滤波算法在具有全局惩罚因子的引导滤波算法的基础上引入动态阈值惩罚因子，动态阈值惩罚因子的值与像素块中边缘像素点数量成正比；

S2、对滤波后图像进行非极大值抑制，进行限条件的保留屋脊状边缘及阶梯状边缘，得到抑制图像；

S3、对抑制图像进行边缘像素及非边缘像素的分割，利用改进的局部自适应类间差分法提高边缘像素的辨识度；

S4、连接边缘像素，得到边缘检测结果。

优选地，步骤S1包括：

S101、使用引导图像与待滤波图像建立局部线性变换；

S102、计算窗口处于不同位置时的动态惩罚因子；

S103、基于局部线性变换及动态惩罚因子对待检测图像进行边缘保持去噪得到滤波后图像。

优选地，步骤S102中：

动态惩罚因子的计算公式如下：

Q_i＝βQ_i(β∈(0,1])

β＝S/|w|

式中，p_i为像素索引值i对应的引导图像，φ表示类间方差最优阈值，i和k为像素索引值，Q_i为像素索引值i对应的输出图像，Q’_i为像素索引值i对应的滤波后图像，β为动态阈值惩罚因子，S表示窗口内超过变化阈值的像素个数，|w|为邻域块中像素个数，μ_k为像素索引值k对应的邻域块的均值。

优选地，步骤S2包括：

S201、基于邻域像素判断像素块边缘类型；

S202、基于像素块边缘类型对像素块进行非极大值抑制。

优选地，步骤S202中：

滤波后图像中坐标为(i,j)的像素点的灰度值为A(i,j)，进行非极大值抑制对应的灰度值为A^*(i,j)；

当坐标为(i,j)的像素点处于屋脊状边缘，则

A_r＝A(i,j)；(A(i,j)≥A(i,j-1)∧A(i,j)≥A(i,j+1)∧A(i,j)≥μ(i,j))

当坐标为(i,j)的像素点处于阶梯状边缘，则

A_l(i,j)；(A(i,j)≥A(i-1,j)∧A(i,j)＞A(i,j+1)∧A(i,j)≥μ(i,j))

式中，n表示当前邻域块的大小，A_r和A_l分别表示屋脊状边缘像素值和阶梯状边缘像素值。

优选地，步骤S3包括：

S301、对于每个像素块，利用灰度直方图统计出像素块中灰度值的分布范围，记为[T₁,T₂]，像素块中每个灰度级g对应的像素个数N_g,灰度级g的概率P_g＝N_g/N，N为像素块内像素点个数；

S302、对像素块中的像素按灰度级进行非边缘和边缘分割；

S303、非边缘灰度级记为g_b,边缘灰度级记为go，分别计算各自的期望值，分别记为E_b和E_o(b∈[a,T],o∈[T+1,b])，基于E_b和E_o计算方差σ²从而得到局部最优阈值T_h；

S304、基于局部最优阈值T_h及容差T_c对像素进行像素值衰减。

优选地，步骤S303中：

T_h＝σ²。

优选地，步骤S304中：

X_i＝X_iθ(X_i＜T_h-T_c,X_i＜X/8)

X_i＝X_i(X_i＜T_h,X_i≥X/8)

式中，θ为像素值衰减比例，范围介于0-1之间，X为像素块邻域像素总和。

综上所述，本发明公开了一种PCBA目标边缘检测方法，包括：S1、使用具有动态阈值惩罚因子的引导滤波算法对待检测图像进行边缘保持去噪得到滤波后图像，所述具有动态阈值惩罚因子的引导滤波算法在具有全局惩罚因子的引导滤波算法的基础上引入动态阈值惩罚因子，动态阈值惩罚因子的值与像素块中边缘像素点数量成正比；S2、对滤波后图像进行非极大值抑制，进行限条件的保留屋脊状边缘及阶梯状边缘，得到抑制图像；S3、对抑制图像进行边缘像素及非边缘像素的分割，利用改进的局部自适应类间差分法提高边缘像素的辨识度；S4、连接边缘像素，得到边缘检测结果。本发明能够避免PCBA目标边缘检测中边缘稀疏区域过度平滑，减少伪边缘点，还能够避免边缘丢失和粘合。

附图说明

图1为本发明公开的一种PCBA目标边缘检测方法的一种具体实施方式的流程图；

图2(a)至图2(e)为Barbara图像采用不同滤波方法的效果图；

图3(a)至(d)为米字图案采用不同非极大值抑制方法的效果图；

图4(a)至(d)为圆形图案采用不同非极大值抑制方法的效果图；

图5(a)至图5(c)为Barbara图像采用不同局部自适应分割方法的效果图；

图6(a)至图6(c)为Lena图像采用不同局部自适应分割方法的效果图；

图7为计算图像中单连通区域个数的流程图；

图8(a)至图8(c)为Lena图像采用不同方法进行边缘检测的效果图；

图9(a)至图9(c)为PCBA电路板图像采用不同方法进行边缘检测的效果图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，本发明公开了一种PCBA目标边缘检测方法，包括：

S1、使用具有动态阈值惩罚因子的引导滤波算法对待检测图像进行边缘保持去噪得到滤波后图像，所述具有动态阈值惩罚因子的引导滤波算法在具有全局惩罚因子的引导滤波算法的基础上引入动态阈值惩罚因子，动态阈值惩罚因子的值与像素块中边缘像素点数量成正比；

S2、对滤波后图像进行非极大值抑制，进行限条件的保留屋脊状边缘及阶梯状边缘，得到抑制图像；

S3、对抑制图像进行边缘像素及非边缘像素的分割，利用改进的局部自适应类间差分法提高边缘像素的辨识度；

S4、连接边缘像素，得到边缘检测结果。

与现有技术相比，本发明能够避免PCBA目标边缘检测中边缘稀疏区域过度平滑，减少伪边缘点，还能够避免边缘丢失和粘合。

具体实施时，步骤S1包括：

S101、使用引导图像与待滤波图像建立局部线性变换；

本发明中，引导图像与待滤波图像可采用相同的图像，假设待滤波图像为I，引导图像为P，输出图像为Q。基于下式建立局部线型变换：

式中，Q_i为像素索引值i对应的输出图像，p_i为像素索引值i对应的引导图像，其中i，k为像素索引值，μ_k与

分别为像素索引值k对应的邻域块的像素的均值和方差，|w|为邻域块中像素个数，ε为惩罚项。由上式可知，每个窗口会被持有相同惩罚项的滤波算子多次覆盖，有研究人员以计算均值的方式得到每个窗口最终的处理结果。该方法在一定程度上解决了部分区域平滑不足的缺陷，但由于每个窗口中存在的边缘点数目不同，而处理过程使用相同的惩罚项，对于边缘稀疏区域存在过度平滑的问题。

S102、计算窗口处于不同位置时的动态惩罚因子；

S103、基于局部线性变换及动态惩罚因子对待检测图像进行边缘保持去噪得到滤波后图像。

针对引导滤波算法使用全局惩罚项带来的上述问题，本发明利用窗口内边缘点的数目作为判定依据，引入新的动态惩罚因子，权衡边缘稀疏和边缘丰富区域的滤波效果。

具体实施时，步骤S102中：

动态惩罚因子的计算公式如下：

Q_i＝βQ_i(β∈(0,1])

β＝S/|w|

式中，p_i为像素索引值i对应的引导图像，φ表示类间方差最优阈值，i和k为像素索引值，Q_i为像素索引值i对应的输出图像，Q’_i为像素索引值i对应的滤波后图像，β为动态阈值惩罚因子，S表示窗口内超过变化阈值的像素个数，|w|为邻域块中像素个数，μ_k为像素索引值k对应的邻域块的均值。

在本发明中首先使用引导图像与待滤波图像建立局部线性变换，确保引导图像中的边缘信息在滤波后的图像中得到保留。再对滑动窗口进行局部惩罚项的计算，其中：使用类间方差得到类间方差最优阈值T，然后将滑动窗口内像素值与T进行比较，记录超过阈值的像素数，再根据不同类之间的像素比值确定滑动窗口的惩罚因子。由于每个窗口包含的信息不同，因此计算得到的惩罚因子也不相同，即为动态惩罚因子。最后将滤波后的图像进行输出，得到的图像即得到滤波处理，又进行了局部线性变换保留了原图像中的边缘信息，不会弱化边缘检测的效果。

本发明使用基于误差敏感的峰值信噪比(PSNR)和基于亮度(均值)、对比度(方差)、结构三个层次评价图像失真效果的结构相似度(SSIM)两指标衡量改进后算法的执行效果。如表1所示，方法一为基于梯度直方图的类间差分法，方法二为区域图引导滤波，通过使用局部动态惩罚因子改进后的算法，滤波效果与区域图双边滤波和基于梯度直方图的类间差分法有较大的提升，说明图像中噪声得到很好的抑制，具体体现在本发明的PSNR有较好的数值表现。为了避免单一指标存在误差，本发明对滤波前后的两幅图像进行结构相似度度量，由表1可知，本发明算法结构相似性达到0.9987，该数据说明滤波后的图像细节得到最大程度的保留。

表1改进滤波算法峰值信噪比和结构相似性度量

对Barbara图像灰度等级直方图进行分析，图2(a)至图2(e)分别对应原图、高斯滤波算法、方法一、方法二和本发明。由图2(a)至图2(e)可以看到，图2(b)和图2(c)图像区域1相对于图2(a)图较为平滑，表明算法存在过度平滑问题，图2(d)图像较原图像明显得到增强，但增强幅度不稳定，表明算法引入较多伪边缘，图2(e)图与图2(a)图基本相似，表明算法在平滑过程中梯度保持效果较为明显。对于区域2中图2(b)、图2(c)变化趋于一致，表明算法降噪过程引入少量伪边缘，而图2(d)表明，算法获得较多伪边缘，图2(e)图像与图2(a)基本相同，表明本发明的算法有较好的降噪和梯度保持效果。

通过对lena和Barbara图像分析可以发现，基于梯度直方图的类间差分法在处理边缘稀疏图像时具有良好的降噪和梯度保持效果，而区域图引导滤波正好相反。本发明提出的具有“局部动态惩罚因子”的引导滤波算法在降噪的同时因为使用梯度引导图像，同时具有良好的梯度保持效果，在保边去噪方面表现良好。

具体实施时，步骤S2包括：

S201、基于邻域像素判断像素块(滑动窗口)边缘类型；

S202、基于像素块边缘类型对像素块进行非极大值抑制。

文献《一种基于Canny的边缘检测优化算法》(黄剑玲,陈博政.计算机仿真,2010,27(04):252-255)中提出不但考虑“屋脊状”边缘，还要考虑“阶梯状”边缘，该方法在实验结果中取得了较好的边缘细化效果。考虑到梯度方向并非与边缘像素具有一一对应关系，且距离越远相关性越差从而带来一定的随机误差，该文献中提出的方法在处理边缘丰富背景复杂的区域时仍会产生一定数量的伪边缘，且无法很好的解决边缘粘合的情况。为了尽可能减少随机误差，防止边缘丰富区域出现边缘粘合的问题，本发明对“屋脊状”和“阶梯状”边缘的边缘保留条件进行限制。

具体实施时，步骤S202中：

滤波后图像中坐标为(i,j)的像素点的灰度值为A(i,j)，进行非极大值抑制对应的灰度值为A^*(i,j)；

当坐标为(i,j)的像素点处于屋脊状边缘，则

A_r＝A(i,j)；(A(i,j)≥A(i,j-1)∧A(i,j)≥A(i,j+1)∧A(i,j)≥μ(i,j))

当坐标为(i,j)的像素点处于阶梯状边缘，则

A_l(i,j)；(A(i,j)≥A(i-1,j)∧A(i,j)＞A(i,j+1)∧A(i,j)≥μ(i,j))

式中，n表示当前邻域块的大小，A_r和A_l分别表示屋脊状边缘像素值和阶梯状边缘像素值。

在本发明中，窗口尺寸为3x3，首先根据邻域像素判断像素块中包含的边缘类型。再计算8邻域像素的均值，判定选出的边缘像素点是否均大于均值像素，排除不符合条件的像素值。待窗口遍历完成将抑制图像进行输出，通过后续算法进行像素点的连接。

为了证明本发明采用的非极大值抑制对边缘密集区域的分离特性，本发明使用具有8个方向的“米”字形和具有各个方向特性的圆环图像进行测试，结果如图3(a)至(d)和图4(a)至(d)(图像均未经任何滤波操作)所示。(a)至(d)分别对应原图、传统NMS算法、方法三、本发明的非极大值抑制。

图3(a)和图4(a)中每条边缘均由两条细线组成，其中图3(a)水平与垂直方向由实线组成，其它两条直线由虚线组成。图3(b)垂直与水平方向均不是单像素边缘，表明算法检测到相当多数量的伪边缘，出现了边缘粘合问题。图3(c)中区域划分阈值分割算法(此处统称为方法三)对实线有较好的处理效果，但是对两条虚线的分离情况效果较差，表明在处理连续性较差的“阶梯状”边缘时全部保留策略检测到较多的伪边缘，出现粘连情况。图3(d)为本发明的算法，水平与垂直方向将两条直线进行了很好的区分，而且对两条虚线的处理效果也比较明显，说明对“阶梯状”边缘的选择性保留策略效果较为明显，对边缘不连续且丰富的情况进行了很好的处理，对解决边缘粘连的情况有很大的帮助。

图4(b)中圆环上部和下部的分离不明显，出现粘连现象，而图4(c)仅在圆环上部出现粘连现象，表明引入“阶梯状”边缘保留策略对边缘的分离有较好的效果提升，但仍存在粘合问题。图4(d)为经过本发明的算法处理后的图像，将两个圆环进行了较好的分离，表明选择性保留策略对边缘密集区域的分离效果有较好的提升。

具体实施时，步骤S3包括：

S301、对于每个像素块，利用灰度直方图统计出像素块中灰度值的分布范围，记为[T₁,T₂]，像素块中每个灰度级g对应的像素个数N_g,灰度级g的概率P_g＝N_g/N，N为像素块内像素点个数；

S302、对像素块中的像素按灰度级进行非边缘和边缘分割；

S303、非边缘灰度级记为g_b,边缘灰度级记为g_o，分别计算各自的期望值，分别记为E_b和E_o(b∈[a,T],o∈[T+1,b])，基于E_b和E_o计算方差σ²从而得到局部最优阈值T_h；

S304、基于局部最优阈值T_h及容差T_c对像素进行像素值衰减。

具体实施时，步骤S303中：

T_h＝σ²。

不同像素块的期望值不一定是相同的，因此T_h是在改变的，具体使T_h改变的就是不同像素块中不同的像素值。

具体实施时，步骤S304中：

X_i＝X_iθ(X_i＜T_h-T_c,X_i＜X/8)

X_i＝X_i(X_i＜T_h,X_i≥X/8)

式中，θ为像素值衰减比例，范围介于0-1之间，X为像素块邻域像素总和。

在本发明中，利用线性回归的思想求解像素块中局部最优的阈值，并手动设置容差，确保在分离过程中不会出现对像素的重复划分。根据像素块中每个像素与阈值的比较，将小于阈值减去容差的部分像素值按照一定的比例进行衰减，提高边缘像素的辨识度。

以lena和Barbara图像为例，图像未经任何滤波操作。如图5(a)至图5(c)所示，在Barbara图像中，区域1部分，由于围巾与地板灰度差别较小，图5(a)、图5(b)图像出现边缘点丢失的问题，全局阈值导致灰度差值较小区域出现分割不敏感现象，图5(c)图像边缘较弱，但未出现边缘消失等问题，说明本发明算法对灰度不敏感区域具有较好的分离效果。区域2部分为桌布条纹，由于该区域边缘密集，图5(a)、图5(b)两图均出现边缘粘连情况，且图5(a)最为严重，表明基于梯度直方图的类间差分算法(此处称为方法四)对边缘丰富区域的处理效果较传统算法有所提高，图5(c)在该区域纹理清晰，表明算法对边缘丰富区域有较好的分离效果。图6(a)至图6(c)中，Lena图像中区域1部分为人物帽檐，该区域光线变化较为明显，使用全局阈值分割的图6(a)及图6(b)出现边缘缺失的现象，以图6(a)最为严重，而图6(c)由于使用局部自适应阈值方法，在光线较暗区域不受全局灰度值的影响，仍具有良好的分离效果。

为更加直观测试本发明的算法的执行效果，利用文献《A Multi-DirectionsAlgorithm for Edge Detection Based on Fuzzy Mathematical Morphology》(Hu D,Tian X.International Conference on Artificial Reality&Telexistence-workshops.IEEE,2007.)的一种边缘检测量化方法，m表示边缘点的数量，n表示满足3x3像素块中单连通条件的像素数，n与m的比值表示边缘连接的完整度，比值越小表示边缘连接的完整性越高。m可由下式计算得到，n可由图7所示步骤计算得到。

其中w,h分别表示图像的宽和长，P_ij表示坐标为(i,j)的像素点。

此外，为了验证本发明对手机PCBA电路板边缘提取的有效性，使用lena图像和手机PCBA电路板图像进行实验，利用lena图像检测算法在边缘分布稀疏和光线较暗区域的提取效果，利用PCBA电路板检测算法对局部光线变化频繁且边缘丰富区域的提取效果。

所有实验改进结果均借助VS2017和Pycharm仿真平台进行计算验证，实验图像借助实验室内模拟手机工业生产线搭建的移动平台进行采集。图8(a)至图8(c)分别方法一、方法五(龙建武,申铉京,臧慧,等.高斯尺度空间下估计背景的自适应阈值分割算法[J].自动化学报,2014,40(08):1773-1782)及本发明对lena图像检测结果图，图9(a)至图9(c)分别方法一、方法五及本发明对PCBA电路板图像检测效果图。表2为算法边缘检测后的完整度评价。

表2边缘完整度评价

以上仅是本发明优选的实施方式，需指出是，对于本领域技术人员在不脱离本技术方案的前提下，还可以做出若干变形和改进，上述变形和改进的技术方案应同样视为落入本申请要求保护的范围。

Claims (6)

1.一种PCBA目标边缘检测方法，其特征在于，包括：

S1、使用具有动态阈值惩罚因子的引导滤波算法对待检测图像进行边缘保持去噪得到滤波后图像，所述具有动态阈值惩罚因子的引导滤波算法在具有全局惩罚因子的引导滤波算法的基础上引入动态阈值惩罚因子，动态阈值惩罚因子的值与像素块中边缘像素点数量成正比；步骤S1包括：

S101、使用引导图像与待滤波图像建立局部线性变换；

S102、计算窗口处于不同位置时的动态惩罚因子；步骤S102中：

动态惩罚因子的计算公式如下：

Q_i＝βQ_i(β∈(0,1])

β＝S/|w|

式中，p_i为像素索引值i对应的引导图像，φ表示类间方差最优阈值，i和k为像素索引值，Q_i为像素索引值i对应的输出图像，Q_i'为像素索引值i对应的滤波后图像，β为动态阈值惩罚因子，S表示窗口内超过变化阈值的像素个数，|w|为邻域块中像素个数，μ_k为像素索引值k对应的邻域块的均值；

S103、基于局部线性变换及动态惩罚因子对待检测图像进行边缘保持去噪得到滤波后图像；

S2、对滤波后图像进行非极大值抑制，进行限条件的保留屋脊状边缘及阶梯状边缘，得到抑制图像；

S3、对抑制图像进行边缘像素及非边缘像素的分割，利用改进的局部自适应类间差分法提高边缘像素的辨识度；

S4、连接边缘像素，得到边缘检测结果。

2.如权利要求1所述的PCBA目标边缘检测方法，其特征在于，步骤S2包括：

S201、基于邻域像素判断像素块边缘类型；

S202、基于像素块边缘类型对像素块进行非极大值抑制。

3.如权利要求2所述的PCBA目标边缘检测方法，其特征在于，步骤S202中：

滤波后图像中坐标为(i,j)的像素点的灰度值为A(i,j)，进行非极大值抑制对应的灰度值为A^*(i,j)；

当坐标为(i,j)的像素点处于屋脊状边缘，则

A_r＝A(i,j)；(A(i,j)≥A(i,j-1)∧A(i,j)≥A(i,j+1)∧A(i,j)≥μ(i,j))

当坐标为(i,j)的像素点处于阶梯状边缘，则

A_l(i,j)；(A(i,j)≥A(i-1,j)∧A(i,j)＞A(i,j+1)∧A(i,j)≥μ(i,j))

式中，n表示当前邻域块的大小，A_r和A_l分别表示屋脊状边缘像素值和阶梯状边缘像素值。

4.如权利要求1所述的PCBA目标边缘检测方法，其特征在于，步骤S3包括：

S301、对于每个像素块，利用灰度直方图统计出像素块中灰度值的分布范围，记为[a,b]，像素块中每个灰度级g对应的像素个数N_g,灰度级g的概率P_g＝N_g/N，N为像素块内像素点个数；

S302、对像素块中的像素按灰度级进行非边缘和边缘分割；

S303、非边缘灰度级记为g_b,边缘灰度级记为g_o，分别计算各自的期望值，分别记为E_b和E_o(b∈[a,T],o∈[T+1,b])，基于E_b和E_o计算方差σ²从而得到局部最优阈值T_h；

S304、基于局部最优阈值T_h及容差T_c对像素进行像素值衰减。

5.如权利要求4所述的PCBA目标边缘检测方法，其特征在于，步骤S303中：

T_h＝σ²。

6.如权利要求5所述的PCBA目标边缘检测方法，其特征在于，步骤S304中：

X_i＝X_iθ(X_i＜T_h-T_c,X_i＜X/8)

X_i＝X_i(X_i＜T_h,X_i≥X/8)

式中，θ为像素值衰减比例，范围介于0-1之间，X为像素块邻域像素总和。

Images