CN103247049A - 一种smt焊点图像分割方法 - Google Patents

Abstract

本发明公开了一种SMT焊点图像分割方法，包括以下步骤：(1)对原始焊点RGB真彩图进行预处理：包括焊点彩色图像的平滑、颜色空间从RGB到HIS的转换、焊点图像的锐化；(2)对焊点图像H分量进行分割：将焊点图像分成n块子图像，运用改进的最大类间方差法求出每个子图像的分割阈值λ_k(1≤k≤n)，根据每个子图像的分割阈值λ_k，分别对每个子图像进行分割；(3)运用区域生长法对焊点图像I分量进行分割；(4)通过对焊点图像H分量和I分量的分割图进行图像算术运算，得到完整的焊点形态图像；(5)对完整的焊点图像进行形态学处理，得到最终分割图像。本方法可以有效地避免传统分割方法产生的错分割及不能分割的现象，改善焊点图像的分割质量。

Description

一种SMT焊点图像分割方法

技术领域

本发明涉及微电子封装与组装技术，具体涉及一种SMT焊点图像分割方法。

背景技术

图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。基于图像分割的目标表达、特征提取和参数测量等方法，将原始图像转化为更直接更紧凑的形式，使得图像的分析和理解成为可能。图像分割是图像处理中的重要问题，也是计算机视觉研究中的一个经典难题。在应用于SMT焊点质量检测的SMT焊点图像分割方面，目前常用的分割方法是阈值分割法，阈值分割法主要包括迭代法、最大类间方差（Otsu）法和最大熵自动阈值法等几种。

最大类间方差法是公认的具有良好性能的阈值分割法，但是该法只考虑了类间方差，忽视了类内内聚性，因而不能很好的反映分类的好坏，存在错分割及不能分割的现象。

发明内容

针对现有技术的不足，本发明提供一种SMT焊点图像分割方法。通过对图像进行分块和引入类内内聚度两个角度来改进最大类间方差法，并采取改进的最大类间方差法和HSI颜色空间相结合的分割方法来对SMT焊点图像进行分割。

采用本发明提供的分割方法，可以有效地避免传统分割方法产生的错分割及不能分割的现象，改善焊点图像的分割质量。

本发明的技术方案如下所述。

一种SMT焊点图像分割方法，包括以下步骤：

（1）对原始焊点RGB真彩图进行预处理：包括焊点彩色图像的平滑、颜色空间从RGB到HIS的转换、焊点图像的锐化。

（2）对焊点图像H分量进行分割：将焊点图像分成n块子图像，运用改进的最大类间方差法求出每个子图像的分割阈值λ_k(1≤k≤n)，根据每个子图像的分割阈值λ_k，分别对每个子图像进行分割。

（3）运用区域生长法对焊点图像I分量进行分割。

（4）通过对焊点图像H分量和I分量的分割图进行图像算术运算，得到完整的焊点形态图像。

（5）对完整的焊点图像进行形态学处理，得到最终分割图像。

在最大类间方差法基础上，引入类内内聚度，在图像中的背景和目标类中，将每一个像素到相应类中心的方差定义为类内的内聚度；设灰度阈值λ将图像分割成背景区域A和目标区域B。

改进的最大类间方差法：

（1）计算图像各像素级的概率分布p_k，k=0,1,2,...,L-1；

其中：1～L为图像的灰度级；k为灰度值；p_k为灰度值k出现的概率；

（2）分别计算背景类A和目标类B出现的概率p_A、p_B，两类各自的均值μ_A、μ_B，两类各自的类内内聚度

两类的类间方差σ²；

背景类A出现的概率为： $p_A=\underset{k=0}{\overset{\mathrm{\λ}}{\mathrm{\Σ}}}{p}_k;$

目标类B出现的概率为： $p_B=\underset{k=\mathrm{\λ}+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_k=1-p_A;$

背景类A的灰度均值为： ${\mathrm{\μ}}_A=\underset{k=0}{\overset{\mathrm{\λ}}{\mathrm{\Σ}}}{\mathrm{kp}}_k/p_A;$

目标类B的灰度均值为： ${\mathrm{\μ}}_B=\underset{k=\mathrm{\λ}+1}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{kp}}_k/p_B;$

图像总的灰度均值为： $\mathrm{\μ}=p_A{\mathrm{\μ}}_A+p_B{\mathrm{\μ}}_B=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{kp}}_k;$

背景类A的类内内聚度： ${\mathrm{\δ}}_A^2=\underset{k=0}{\overset{\mathrm{\λ}}{\mathrm{\Σ}}}{(k-{\mathrm{\μ}}_A)}^2\frac{p_k}{P_A};$

目标类B的类内内聚度： ${\mathrm{\δ}}_B^2=\underset{k=\mathrm{\λ}+1}{\overset{L-1}{\mathrm{\Σ}}}{(k-{\mathrm{\μ}}_B)}^2\frac{p_k}{P_B};$

两类的类间方差： ${\mathrm{\σ}}^2=p_A{({\mathrm{\μ}}_A-\mathrm{\μ})}^2+p_B{({\mathrm{\μ}}_B-\mathrm{\μ})}^2;$

两类总的类内聚度： ${\mathrm{\δ}}^2=p_A{\mathrm{\δ}}_A^2+p_B{\mathrm{\δ}}_B^2;$

（3）在考虑类间方差和类内聚度的基础上，引入阈值判别函数：

（4）求出T(λ)的最大值，并记下对应的λ值，即λ为最佳分割阈值。

附图说明

图1为一种SMT焊点图像分割方法的流程框图。

具体实施方式

下面结合实施例和附图对本发明作进一步的说明。

一种SMT焊点图像分割方法，包括以下步骤：

1.对原始焊点RGB真彩图进行预处理：包括焊点彩色图像的平滑、颜色空间从RGB到HIS的转换、焊点图像的锐化。

（1）焊点彩色图像的平滑：

焊点彩色图像平滑具体形式为：

$\stackrel{\_}{f}(x,y)=\frac{1}{N}\left|\begin{array}{c}\underset{(x,y)\∈S_{\mathrm{xy}}}{\mathrm{\Σ}}{f}_R(x,y)\\ \underset{(x,y)\∈S_{\mathrm{xy}}}{\mathrm{\Σ}}{f}_G(x,y)\\ \underset{(x,y)\∈S_{\mathrm{xy}}}{\mathrm{\Σ}}{f}_B(x,y)\end{array}\right|$

由上式可知，对基于RGB颜色空间模型的焊点图像进行平滑操作，就是对焊点图像的三个彩色分量R、G和B分别进行平滑操作，再把三分量平滑后的结果合成一幅图像。

根据图像平滑的不同掩膜和窗口，对焊点彩色图像平滑的方式为：首先，选取中心系数为1的3×3掩膜对焊点彩色三分量进行两次平滑；其次，选取3×3方形窗口进行平滑。多次平滑是为了去除图像中较大的噪声点，不同平滑方式是为了能够去除不同类型的噪声。

（2）颜色空间的选取与转换：

HSI有两个重要的特征，一是I分量与彩色信息无关；二是H和S分量与人感受彩色方式紧密相连。这些特点使得HSI颜色空间模型非常适合基于人的视觉系统对彩色感知特性的图像分割。因此，本发明中选取HSI颜色空间模型。

从RGB到HSI的变换公式为：

$H=\arctan (\sqrt{3}(G-B)/(R-G)+(R-B))$

I=(R+G+B)/3

S=1-(min(R,G,B)/I)

将平滑后的焊点图像从RGB颜色空间转换成HSI颜色空间。

（3）焊点图像的锐化：

基于HSI颜色空间的锐化公式为：

${\▿}^2\left[\stackrel{\_}{f}(x,y)\right]=\left|\begin{array}{c}{\▿}^2{f}_H(x,y)\\ {\▿}^2{f}_S(x,y)\\ {\▿}^2{f}_I(x,y)\end{array}\right|$

其中，

为图像锐化后的结果。

由上式可知，对基于HSI颜色空间的图像进行图像锐化操作就是对图像的三个分量H、S和I分别进行锐化操作，再把三分量的锐化结果合成一幅图像。

本例采取中心系数为5的拉普拉斯模板进行焊点图像锐化处理，经过拉普拉斯图像锐化处理的焊点图像，既保持了原图像中的背景信息，又使焊点的边缘得到明显的细化和加强。

2.对焊点图像H分量进行分割：将焊点图像分成n块子图像，运用改进的最大类间方差法求出每个子图像的分割阈值λ_k(1≤k≤n)，根据每个子图像的分割阈值λ_k，分别对每个子图像进行分割。

改进的最大类间方差法：

（1）计算图像各像素级的概率分布p_k，k=0,1,2,...,L-1；

其中：1～L为图像的灰度级；k为灰度值；p_k为灰度值k出现的概率；

（2）分别计算背景类A和目标类B出现的概率p_A、p_B，两类各自的均值μ_A、μ_B，两类各自的类内内聚度

两类的类间方差σ²；

背景类A出现的概率为： $p_A=\underset{k=0}{\overset{\mathrm{\λ}}{\mathrm{\Σ}}}{p}_k;$

目标类B出现的概率为： $p_B=\underset{k=\mathrm{\λ}+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_k=1-p_A;$

背景类A的灰度均值为： ${\mathrm{\μ}}_A=\underset{k=0}{\overset{\mathrm{\λ}}{\mathrm{\Σ}}}{\mathrm{kp}}_k/p_A;$

目标类B的灰度均值为： ${\mathrm{\μ}}_B=\underset{k=\mathrm{\λ}+1}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{kp}}_k/p_B;$

图像总的灰度均值为： $\mathrm{\μ}=p_A{\mathrm{\μ}}_A+p_B{\mathrm{\μ}}_B=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{kp}}_k;$

背景类A的类内内聚度： ${\mathrm{\δ}}_A^2=\underset{k=0}{\overset{\mathrm{\λ}}{\mathrm{\Σ}}}{(k-{\mathrm{\μ}}_A)}^2\frac{p_k}{P_A};$

目标类B的类内内聚度： ${\mathrm{\δ}}_B^2=\underset{k=\mathrm{\λ}+1}{\overset{L-1}{\mathrm{\Σ}}}{(k-{\mathrm{\μ}}_B)}^2\frac{p_k}{P_B};$

两类的类间方差： ${\mathrm{\σ}}^2=p_A{({\mathrm{\μ}}_A-\mathrm{\μ})}^2+p_B{({\mathrm{\μ}}_B-\mathrm{\μ})}^2;$

两类总的类内聚度： ${\mathrm{\δ}}^2=p_A{\mathrm{\δ}}_A^2+p_B{\mathrm{\δ}}_B^2;$

（3）在考虑类间方差和类内聚度的基础上，引入阈值判别函数：

（4）求出T(λ)的最大值，并记下对应的λ值，即λ为最佳分割阈值。

运用改进的Otsu方法对焊点图像H分量进行图像分割，改进的Otsu分割方法较之传统Otsu方法，可以消除焊点区域上的不良现象，焊点分割的效果更好。

3.运用区域生长法对焊点图像I分量进行分割：

根据实际焊点图像的特点选取焊点图像中元器件体的中心点作为种子像素点，同时选取八连通域的灰度差方法作为生长准则。基于区域灰度差的生长准则主要有如下步骤：

（1）对图像进行逐行扫描，找出没有归属的像素；

（2）以该像素为中心检查它的相邻像素，即将邻域中的像素逐个与它比较，如果灰度差小于预先设定的阈值，则将它们合并；

（3）以新合并的像素为中心，返回到步骤（2），检查新像素的邻域，直到区域不能进一步扩张；

（4）返回到步骤（1），继续扫描直到不存在没有归属的像素就结束整个生长过程。

当图像中存在缓慢变化的区域时，有可能会将不同区域逐步合并而产生错误，采取新像素所在区域的平均灰度值去与各邻域像素的灰度值进行比较。对一个含有N个像素的图像区域S，其均值为：

$\mathrm{\μ}=\frac{1}{N}\underset{S}{\mathrm{\Σ}}f(x,y)$

则像素的比较测试为：

$\underset{s}{\max }|f(x,y)-\mathrm{\&mu;}|<T$

其中，f(x,y)表示像素值，T为预先设定的阈值。设定阈值T为0.3。运用区域生长法对焊点图像I分量进行分割。

4.通过对焊点图像H分量和I分量的分割图进行图像算术运算，得到完整的焊点形态图像。

由于对H分量和I分量分割出的焊点形态都是不完整的，因此，利用两个分量分割出的图像存在互补关系，进行图像的算术运算得到完整的焊点形态。

5.对完整的焊点图像进行形态学处理，得到最终分割图像。

首先，选取半径为4的圆形结构单元进行开运算操作；其次，选取半径为2的圆形结构单元进行闭运算操作。

Claims (2)

1.一种SMT焊点图像分割方法，包括以下步骤：

（1）对原始焊点RGB真彩图进行预处理：包括焊点彩色图像的平滑、颜色空间从RGB到HIS的转换、焊点图像的锐化；

（2）对焊点图像H分量进行分割：将焊点图像分成n块子图像,运用改进的最大类间方差法求出每个子图像的分割阈值λ_k(1≤k≤n),根据每个子图像的分割阈值λ_k，分别对每个子图像进行分割；

（3）运用区域生长法对焊点图像I分量进行分割；

（4）通过对焊点图像H分量和I分量的分割图进行图像算术运算，得到完整的焊点形态图像；

（5）对完整的焊点图像进行形态学处理，得到最终分割图像。

2.根据权利要求1所述的SMT焊点图像分割方法，其特征在于步骤2中所述的改进的最大类间方差法，如下所述：

在最大类间方差法基础上，引入类内内聚度，在图像中的背景和目标类中，将每一个像素到相应类中心的方差定义为类内的内聚度；设灰度阈值λ将图像分割成背景区域A和目标区域B；

（1）计算图像各像素级的概率分布p_k，k=0,1,2,...,L-1；

其中：1～L为图像的灰度级；k为灰度值；p_k为灰度值k出现的概率；

（2）分别计算背景类A和目标类B出现的概率p_A、p_B，两类各自的均值μ_A、μ_B，两类各自的类内内聚度

两类的类间方差σ²；

背景类A出现的概率为： $p_A=\underset{k=0}{\overset{\mathrm{\&lambda;}}{\mathrm{\&Sigma;}}}{p}_k;$

目标类B出现的概率为： $p_B=\underset{k=\mathrm{\&lambda;}+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}_k=1-p_A;$

背景类A的灰度均值为： ${\mathrm{\&mu;}}_A=\underset{k=0}{\overset{\mathrm{\&lambda;}}{\mathrm{\&Sigma;}}}{\mathrm{kp}}_k/p_A;$

目标类B的灰度均值为： ${\mathrm{\&mu;}}_B=\underset{k=\mathrm{\&lambda;}+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{\mathrm{kp}}_k/p_B;$

图像总的灰度均值为： $\mathrm{\&mu;}=p_A{\mathrm{\&mu;}}_A+p_B{\mathrm{\&mu;}}_B=\underset{k=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{\mathrm{kp}}_k;$

背景类A的类内内聚度： ${\mathrm{\&delta;}}_A^2=\underset{k=0}{\overset{\mathrm{\&lambda;}}{\mathrm{\&Sigma;}}}{(k-{\mathrm{\&mu;}}_A)}^2\frac{p_k}{P_A};$

目标类B的类内内聚度： ${\mathrm{\&delta;}}_B^2=\underset{k=\mathrm{\&lambda;}+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{(k-{\mathrm{\&mu;}}_B)}^2\frac{p_k}{P_B};$

两类的类间方差： ${\mathrm{\&sigma;}}^2=p_A{({\mathrm{\&mu;}}_A-\mathrm{\&mu;})}^2+p_B{({\mathrm{\&mu;}}_B-\mathrm{\&mu;})}^2;$

两类总的类内聚度： ${\mathrm{\&delta;}}^2=p_A{\mathrm{\&delta;}}_A^2+p_B{\mathrm{\&delta;}}_B^2;$

（3）在考虑类间方差和类内聚度的基础上，引入阈值判别函数：

（4）求出T(λ)的最大值，并记下对应的λ值，即λ为最佳分割阈值。

Images