基于局部渐进图割印刷电路板图像分割.docVIP

基于局部渐进图割印刷电路板图像分割 　　摘 要：针对图割算法对灰度不一致且结构复杂的印刷电路板（PCB）图像不能有效分割的情况，提出一种新的交互式局部渐进图割方法。通过分析用户交互过程中提供的信息生成局部约束能量项，并将其融入图割模型中，其中局部约束能量项依据用户添加的种子点的位置、类型以及与前一次分割结果的相对位置等信息自适应地生成。通过对多组锥束计算机断层成像（CBCT）系统采集的PCB图像进行分割实验，结果表明与经典的图割算法相比，所提方法能得到更准确的分割结果、更好的可控性及用户体验。 关键词：交互式图像分割； 印刷电路板； 图割； 局部约束；计算机断层成像 0 引言 基于锥束扫描的三维CT技术具有快速无损等优点，逐渐成为近年来进行印刷电路板（Printed Circuit Board， PCB）无损检测的重要手段。PCB的无损检测需要对PCB图像进行处理和分析，其中的一项重要内容就是实现对PCB图像的分割。PCB由承载导线的基板、大量的多层敷铜导线以及过孔等金属构成，其内部结构复杂，并且PCB板的厚度较薄，锥束CT扫描得到的PCB图像中导线、焊盘等目标的灰度往往不一致，甚至会出现目标的灰度值接近或低于背景的灰度值，要得到精确的分割结果难度很大。 由于图像类型的多样性和内容的复杂性，使得交互式分割相比全自动分割具有更强的实用性，应用也越来越多[1]。由Boykov等提出的graphcut模型[2]， 是目前研究和应用最为广泛的交互式图像分割方法之一。它具有很多优良的特性， 比如多特征/约束融合能力、全局最优、数值鲁棒性强、执行效率高和分割加权图的拓扑结构自由等[1]。其中Graph Cuts[3]和Lazy Snapping[4]算法是该方法的典型代表。文献[5]通过实验比较了多种交互式分割算法的性能，其中Graph Cuts算法在准确性、效率和可重复性等方面都具有很好的性能。然而目前基于种子点或笔画的graphcut算法的一个普遍的问题在于较少的种子点或笔画通常不能得到满意的分割结果，因此需要用户不断地进行交互直到获得满意的分割结果。 现有的大部分算法，比如Graph Cuts和Lazy Snapping等仅仅使用种子点或笔画处像素的颜色信息来更新图割模型，然后在新的图割模型上重新进行分割。这种方法会造成在交互过程中出现“波动”效应[6-8]，即用户不期望的前景和背景标号的改变。针对自然图像分割中的“波动”效应问题，文献[6]中提出的Progressive Cut算法通过对交互过程中用户真实意图的分析，相应地在能量函数中添加用户意图项来实现对图像的分割，有效地避免图割算法由于全局优化特性造成的“波动”效应。然而，该算法设计的用户意图项主要跟像素与用户笔画的空间距离相关，而没有考虑颜色信息，使得该算法只能在图像目标简单的情况下取得较好的效果。而PCB图像中的目标物体往往结构复杂，导线等目标之间存在大量空隙，仅仅依靠空间距离来刻画用户意图项存在很明显的不足。比如，用户添加一个额外种子点在一段细长导线上时，由于导线长宽比很大，而用户意图项仅仅与空间距离相关，用户意图项就不可能沿导线方向分布，而是一个以种子点为中心的圆形区域内，且与种子点的距离成负相关，这时生成用户意图与期望值之间必然存在较大误差，即导线两侧的背景区域可能存在与导线上区域具有相同的用户意图项的值。这些因素都使得Progressive Cut算法难以适用于PCB图像的分割。文献[7]中提出的Paint Selection算法为了解决“波动”效应问题，在获取分割结果之后添加了一个额外的“波动”消除操作，主要是通过判断新的分割区域与用户笔画刷的连通性来实现去除“波动”效应的功能。该方法虽然简单，但是应用于PCB图像分割时实用性不强，比如对PCB图像进行分割时，需要沿着错误分割的所有区域分别添加笔画，于是，该算法应用于含有大量细长导线等目标的PCB图像时，需要非常仔细地在错误区域添加笔画，人工交互的工作量将十分巨大。 为解决上述问题，本文提出一种新的交互式局部渐进图割（Local Progressive Graph Cuts，LPGC）方法，其主要思路是：依据用户新添加的种子点自适应地生成局部约束能量项，并添加到能量函数中，最后对改进的加权图模型应用st最小割算法，获得分割结果。由于将用户添加种子点生成的约束项限制在局部范围内，可以有效降低甚至避免传统图割算法中的“波动”效应，因此也可以使得分割结果对用户来说更加可控，改善了用户体验。 1 基于Graph Cuts的图像分割框架 基于Graph Cuts的图像分割框架的核心思想在于定义一个能量函数，然后将求解二元标号问题的全局优化过程转换为基于图论中的网络流优化[9]。