改进小波阈值去噪在PCB图像检测中应用研究.docVIP

改进小波阈值去噪在PCB图像检测中应用研究 　　摘 要： 应用自动光学检测仪检测印刷电路板图像的过程中，图像去噪是至关重要的一个步骤，针对PCB板图像对比度差、动态范围小、图像模糊等问题，提出了一种改进的小波阈值去噪算法。该算法对含噪声的PCB图像进行小波分解，在对分解后不同尺度下的小波系数按照改进的阈值方法进行处理的基础上，进行PCB图像重构。实验结果表明，该方法的均方根误差以及峰值信噪比值均优于传统的软硬阈值去噪方法，是一种有效的图像滤波算法。 　　关键字： 自动光学检测； 印刷电路板； 图像去噪； 小波变换 　　中图分类号： TN919?34 文献标识码： A 文章编号： 1004?373X（2014）02?0034?04 　　0 引 言 　　自动光学检测（Automated Optical Inspection）是一种基于机器视觉的理论和方法，综合应用自动控制、图像处理、模式识别和人工智能等技术的非接触组装缺陷检测系统。在这个过程中，图像处理系统是其核心部分，它主要通过计算机软件对从摄像系统获取的图像应用相关处理算法进行特征提取和缺陷识别，并将结果输出。由于图像在获取或传输过程中会受到各种噪声的污染，将会造成图像质量的退化，妨碍了对所采集图像的理解和分析，影响后续处理过程及最终的识别结果。为了减轻噪声对图像影响，避免漏判和误判，噪声的去除就显得尤为重要。 　　在函数逼近理论的推动下，20世纪80年代中后期发展并成熟起来的小波变换理论具有多分辨率分析的特点，近年来一直备受人们的关注。图像的去噪在小波应用中比较成熟。Donoho提出的基于统一阈值去噪算法是针对多维独立正态变量联合发布的[1?2]。其中基于硬阈值和软阈值去噪的方法应用较多。硬阈值去噪法能够很好地保留图像信号的边缘局部特征，但会引起振铃以及伪吉布斯效应等失真。软阈值去噪法相对于硬阈值去噪方法较为平滑，但会导致图像边缘模糊[3]。 　　本文针对AOI系统中获取到的含有噪声的PCB图像的特点，在传统硬阈值去噪算法和软阈值去噪算法的基础上提出了一种改进阈值的去噪算法，并将所提出的算法应用于实际的PCB图像去噪。对比几种小波去噪后的图像均方根误差和峰值信噪比，证明了本文提出算法的优势，在实际的应用中能够很好地保留图像的细节信息，并提高最终的缺陷识别率。 　　1 小波阈值去噪基本原理 　　1.1 小波域图像去噪基本原理 　　小波去噪的基本流程如图1所示。首先利用图像的多尺度特性使用小波变换对其分解，再对每一层小波系数进行阈值处理，最后利用去噪后的小波系数进行图像的重构[4]。 　　在小波域进行的图像去噪主要是针对加性噪声，而加性噪声中最难去除的是白噪声，白噪声在时间上是不相关的，它在整个图像中影响每个单独的频率分量。假设一副受到加性噪声污染的图像模型为： 　　[y（i，j）=x（i，j）+σn（i，j）， 0≤（i，j）≤N-1] （1） 　　式中：[x（i，j）]是源图像数据；[y（i，j）]掺杂加性噪声后得到的图像数据；[n（i，j）]是服从正态分布的加性噪声；[σ]是参量。希望从被污染的图像[y（i，j）]中恢复出原始图像[x（i，j）]。由图1可知，去噪的要领在于如何选择合适的阈值和采用什么样的类型准则以达到恢复最初图像的目的。 　　1.2 小波分解与重构 　　1988年S.Mallat提出了多分辨率分析概念，在泛函分析的框架下统一了各种具体的小波构造方法，给出了构造正交小波基的一般方法及其快速算法，即著名的Mallat算法，并将小波变换应用于图像分解和重构[5?6]。设[ψ（x，y）]为一维的母小波，对应的尺度函数为[?（x，y）]，其中[x]和[y]分别是其横坐标与纵坐标。若尺度是可分离的，则有：[?（x，y）=?（x）?（y）]。令[ψ（xi）]是和[?（xi）]对应的一维小波函数，则可按式（2）对小波函数进行分离： 　　[ψ（1）（x，y）=?（x）ψ（y）ψ（2）（x，y）=?（y）ψ（x）] （2） 　　[ψ（3）（x，y）=ψ（x）ψ（y）] 　　根据以上的分析可得，在能够分离的情况下，二维多分辨率可按如下步骤分离：首先沿[x]方向分别用[?（x）]和[ψ（x）]做分析，然后对这两部分再沿[y]方向分别用[?（y）]和[ψ（y）]做分析，这样得到的四路输出中，经[?（x）?（y）]处理得到是[f（x，y）]的第一级平滑逼近[Ad1f（x，y）]，其他的三路输出为[DH1f（n，m）]，[DV1f（n，m）]和[DD1f（n，m）]。图像可以看做是二维信号。设[f（x，y）∈L2（R2）]在分辨率为[j]时的离散近似记为[Adjf]，离散细节记为[Djf]，则 　　[Adjf（n，m）=f（x，y），?j，n（