1、南京邮电大学毕 业 设 计 （ 论 文 ）题 目 基于独立成分分析的电路板图像分割设计与实现专 业 自动化学生姓名班级学号指导教师指导单位 自动化学院日期： 年 月 日至 年 月 日摘 要在电路板生产线中，想要获得清晰的电路板图像是很困难的。由于很多因素，对电路板造成了各种各样的污染，降低了图像的质量。所以，我们需要对电路板图像进行处理，改善图像质量，以便进行后续的图像缺陷检测。图像分割是从图像处理到图像分析、理解的根基，是图像特征提取和识别的重要步骤，所以能否准确的分割和定位区域边缘，是决定后续能否进行目标的特征提取以及能否成功识别的关键因素。本文分析了图像分割的研究现状，对几种经常使用的图
2、像分割方法的优缺点进行了对比，并详细阐述了基于独立成分分析的图像分割技术。通过对电路板图像进行预处理，并运用固定点算法对图像独立分量进行提取，实现了混合图像的盲分离，取得了较好的分离效果。最后利用一维最大熵方法进行图像的分割，分割效果显著。关键词：盲源分离；独立成分分析；固定点算法；电路板图像分割ABSTRACTIt is difficult to get clear image of circuit board in the production line. There are lots of factors which can bring a variety of pollution an
3、d reduce the quality of the image. So, we need to deal with the circuit board image and improve the quality of it for the image defect detection.Image segmentation is the basis of the whole process from image processing to image analysis and comprehension, it is an important step for extracting and
4、recognizing the features of pictures. Thus, whether it could segment accurately and locate the margin of area is being seen as a key to determine whether it could extract features of the targets and whether it could recognize successfully or not.This paper analyzes the current situation of image ext
5、raction study, and does some comparing among both the merits and demerits of several methods for image extraction which are often used, and elaborates some image extraction strategies based on independent component analysis. Then accomplishes the blind separation of composed images and gets a good r
6、esult of separating by pretreating circuit board image and using FastICA to extract the image independent component. And at last this paper would use the one-dimensional maximum entropy method to cut image apart which is conspicuously efficient. Key words：blind source separation；independent componen
7、t analysis；FastICA；PCB image segmentation目 录第一章 绪论 .11.1 电路板图像分割技术的背景与意义 .11.2 电路板图像分割技术的研究现状 .21.2.1 基于阈值的分割方法 .21.2.2 基于边缘的分割方法 .31.2.3 基于区域的分割方法 .31.2.4 基于直方图的分割方法 .51.2.5 基于小波变换的分割方法 .51.2.6 基于遗传算法的分割方法 .61.2.7 基于聚类的分割方法 .61.2.8 基于主动轮廓模型的分割方法 .61.3 图像分割的发展趋势 .71.4 本文组织结构 .8第二章 盲源分离与独立成分分析原理 .92.
8、1 盲源分离基本原理 .92.1.1 盲源分离的基本概念 .92.1.2 盲源分离的模型 .92.1.3 盲源分离的方法 .102.2 盲源分离的发展及发展趋势 .112.2.1 盲源分离的发展过程 .112.2.2 盲源分离的发展趋势 .122.3 独立成分分析的基本概念 .122.3.1 盲源分离与独立成分分析概述 .122.3.2 独立成分分析简介 .122.3.3 独立成分分析的应用 .132.4 本章小结 .13第三章 独立成分分析基本理论 .153.1 独立成分分析原理及模型 .153.2 独立成分分析的固定点算法 .163.2.1 数据的预处理 .173.2.2 固定点算法 .1
9、83.2.3 固定点算法的基本步骤 .193.3 本章小结 .20第四章 基于独立成分分析的电路板图像分割实验与总结 .214.1 本文方法概述 .214.2 过程描述与实现 .214.2.1 图像的读取 .214.2.2 图像的混合 .224.2.3 图像的预处理 .234.2.4 提取独立分量 .254.2.5 图像的分割 .284.2.6 图像的对比 .294.3 本章小结 .33结束语 .34致 谢 .35参考文献 .36附录 .38南京邮电大学 2015 届本科生毕业设计（论文）1第一章 绪论1.1 电路板图像分割技术的背景与意义在电路板的生产过程中，会经常遇到断路、短路、空洞、凹陷
10、、凸起等问题，而电路板图像在传输过程中，会出现图像重叠等问题，所以需要对电路板进行缺陷检测 1。目前厂商经常使用的检测方法有人工检测、电检测和光学检测。人工测试是一种比较传统的视觉检查方法，曾一段时间受到广泛的应用，其特点是投资小、方法简单，但是这种检测方法对后来新型的电路板是没有效果的。过去的电路板制造检测流程中，曾有一个相对还算实用的在线测试方法电测试 2。然而随着厂家电路板制造水平的逐步提高，这种检测方法的局限性逐渐表现出来。目前，针对传统电路板检测方法的一系列问题，如高成本、低效率，提出了一种基于数字图像处理的电路板自动光学检测（AOI）方法，创建了一个检测系统，可以对标准图像和待测图
11、像进行对比。自动光学检测是一种基于计算机图像处理的电路板线路缺陷检测方法。其算法与图像对比技术相结合，通过进行图像预处理、图像对比和缺陷检测算法，实现了快速、平稳、可靠的电路板检测 3。因此，近几年自动光学检测受到了各大厂商和社会各界的重视。AOI 的核心之一是图像处理，图像分割是图像处理中的重要步骤。图像分割的定义是：将我们的目标拆成许多个固定的、拥有区别于其他特点的模块并提出感兴趣模块的技术和过程。图像特征提取和识别都需要将图像分割所得到的结果作为其基础，更重要的是目前科研人员对图像的加工大多数都处在图像处理这一层次，因此仅在图像分割成功以后，我们对图像的进一步研究才能够成为可能 3。除此
12、之外，图像分割这门技术在我们的生产生活里也得到了十分普遍的运用，在许多应用系统里，如：计算机视觉、图像识别等，拥有十分重要的地位，也是研究开发计算机视觉系统，字符识别和目标自动获取等系统第一个要解决的问题。所有要对图像的目标进行提取，测量的系统，都少不了图像分割 4。亮度值有两个基本特性：相似性和不连续性，而图像分割的思路就是依据其中之一。相似性适合于根据原先就有的规则把像素图像分割成不一样的区域，而不连续性则主要用于按照亮度的间断变化分割图像。在电路板图像处理中，图像分割以及图像增强是非常重要的措施，直接影响以后的图像处理。对电路板的图像进行分割，可以提取电路板中的目标物，以对电路板进行检测
13、，识别电路板的缺陷 5。图像分割是图像分析一个十分重南京邮电大学 2015 届本科生毕业设计（论文）2要的组成部分，是图像理解的根基，能否准确的分割和定位区域边缘，决定了后续目标识别是否能够成功的关键因素。电路板图像分割有利于表达目标、提取图像特征、大数据降维等，丰富了电路板图像处理的途径，同时充实了计算机的视觉理论，是电路板图像分析和理解的关键。1.2 电路板图像分割技术的研究现状1.2.1 基于阈值的分割方法阈值分割是一个普遍运用的分割方法，这种方法的特点十分明显：计算量不大、实现简单、性能稳定等，因此该方法成为了分割技术力里十分受欢迎且运用非常广泛的分割方法 6。如果目标和背景存在着不一
14、样灰度级的图像，这种方法就显示出它的特点。在很多情况下，基于阈值的分割方法能够尽可能大的降低数据量，同时它还能极大的将分析及处理过程变得简单，所以，该分割方法是不可缺少的图像分割预处理过程。阈值化的目标就是把像素集合区分，而这种区分是按照灰度级来的。希望处理后的子集变成和目标物体一一对应的区域，并且每一个区域里面都存在着相同的特点，并且临近的区域也存在着这种一样的特点。这种分类能够运用灰度级的特征，选取单个或若干个阈值来实现 7。基于阈值的分割实质上是 f（输入图像）到 g（输出图像）的转换：（1-1）(,)=1 (,) 0 (,) 式中，T 是阈值， 表示对于物体的图像元素； 表示对于背景
15、(,)=1 (,)=0的图像元素。基于阈值的分割方法具有很多特点，如：运算量小、运算效率高、运算快等。在某些场合，例如需要注重运算效率，基于阈值的分割方法就获得了普遍的运用。现在，在许多领域，基于阈值的分割方法已受到普遍的运用。比如：红外技术运用、红外热图像的分割以及红外成像跟踪系统里目标分割；遥感运用里，分割合成孔径雷达图像中的目标；医疗运用里，分割血液细胞图像和分割磁共振图像；农业运用里，水果质量无损抽查过程中水果图像与背景的分割；工业的生产运用中，机器视觉应用于商品合格率抽查等。下面将图像分割运用到典型的 Lena 图像里，且分别运用了全局阈值和自适应阈值，如图 1.1 中的（a）和（b
16、）所示。南京邮电大学 2015 届本科生毕业设计（论文）3图 1.1 阈值分割实例1.2.2 基于边缘的分割方法边缘检测是图像分割的一种重要方法，即检测灰度级或结构存在突然变化的地方。这说明某个区域的结束，就是其他区域开始的地方。这种不连续性称为边缘。不一样的图像其灰度是不相同的，边界处通常有显著的边缘，利用这种特点能够分割图像。图像里边界处像素的灰度值不是连续的，这种间断性能够经过计算出导数检查出来。如果是阶跃状的边缘，其位置与一阶导数的极值点相对应，对应二阶导数的零交叉点。所以大多数情况下运用微分算子实现边缘检测。现实的运用情况里，不同的微分算子会用换成小区域模板，并通过模板和图像卷积来完
17、成微分运算。我们所运用的算子对噪声的反映十分敏感，仅仅适用于噪声不大并且比较简单的图像。因为噪声和边缘全是基于灰度的店，且是不连续的。在频域都是高频分量，如果直接进行微分计算，则无法完全消除噪声带来的影响。所以在运用微分算子对边缘进行检测之前，都要对图像实行平滑滤波处理 8。LoG 算子和 Canny算子都拥有着不错的边缘检测效果，如下图所示。(a) LoG 算子 (b) Canny 算子图 1.2 边缘分割实例1.2.3 基于区域的分割方法区域分割，其含义是指将准备分析的数据进行区域区分，将里面感兴趣的数据片段提取出来做更深的处理，并且把其它的数据抛弃。区域分割的首要目南京邮电大学 2015
18、 届本科生毕业设计（论文）4标，是减少接下来需要处理的数据量。区域分割对图像的三维信息进行了思考，例如：图像灰度、纹理、颜色和像素统计特性。根据这些特性，将需要进行分割的目标对象划分到同一个区域中。经常使用的区域分割途径有：区域生长法、分裂合并法和分水岭分割方法 8。1) 区域生长法区域生长的核心思想是：将存在类似特征的像素集合到一起组成区域。第一步，需要在每一个区域中找出一个“种子像素” ，将其当作区域生长的起始点；第二步，把“ 种子像素” 旁边和种子像素存在一样和类似性质的像素结合，并放到种子像素的区域中；第三步，把得到的新像素作为一个新的“种子像素” ，并且不停的重复如上步骤，直到不再存
19、在满足的像素能够合并进来。这样一个区域就长成了。“种子像素”的选取，对于区域生长来说十分重要。只有当所选择的“种子像素”是正确的，才能够确定“ 种子像素”生长过程里的相似性准则，才能够正确拟定能够让生长停止的标准和要求。相似性准则有很多，如：灰度级、彩色、纹理、梯度等。单个像素可以作为“种子像素” ，当然一些小区域存在许多像素，这也可以作为“ 种子像素”。图像的区域性质对于区域生长 准则很重要，许多准则都用到了它。依据不一样的原则可以制定出不一样的生长规则，并且区域生长过程会受到不一样的生长规则的影响。区域生长法的好处是运算量小，对于比较均匀的连通目标的分割效果较好。但是它也存在很多弊端，如：
20、需要操作人员来选取“ 种子点” 、对噪声十分敏锐、可能造成区域内存在空洞。除此之外，它是一种串行算法，遇到目标较大的情况下，分割速度会比较慢，所以在设计算法时，要最大程度的提高效率。(a)脑部头像 (b)区域生长法分割结果图 1.3 脑部图像和区域生长法分割的结果2) 区域分裂合并法区域生长的逆过程是分裂合并：首先以整个图像作为出发点，通过不停的分裂获得不同的子区域，接着合并前景区域，以达到提取目标这个目的。分裂南京邮电大学 2015 届本科生毕业设计（论文）5合并的设想是针对一个图像提出的，所以，当我们把一个图像分裂到像素级的时候，我们就能够确定这个像素是否是前景像素。如果全部像素点和子区域
21、结束了判断，将前景区域或像素合并到一起，我们就能够获得前景目标 9。在这一方面的解法中，使用最多的方法是四叉树分解法。假设 R 为正方形图像区域，P 为逻辑谓词。 基本分裂合并算法步骤如下：a) 对于任意区域，当 ，我们就把它分裂为不重叠的四等份；()=b) 对挨着的两个区域 和 ，它们同样也能够大小不同，如果满足条件 ，就把它们合并起来；()=c) 当更深层次的分裂或合并都无法进行，就终止。四叉树分割结果如图 1.4 所示。图 1.4 四叉树分割结果1.2.4 基于直方图的分割方法直方图分割跟其他图像分割方法相比较，则会发现这种方法非常有效，因为他们通常只需要一个通过像素。直方图分割里，通过对像素进行计算，并且在波峰和波谷用来确定图像里簇的位置 10。颜色和强度可以作为衡量。这种技术通过改进能够得到递归应，运用该方法中集群中的形象，能够分成更小的簇。多次进行这种操作，使用更小的簇，当不再有更多集群出现为止。这种方法可以快速适应多个帧的情况，并且让他们的单通效率不变。当许多帧被考虑的时候，直方图能够采取不同方式 10。相同的方法是采用一个框架并应用到多个，与后面的结果结合，在过去山峰和山谷很难辨识，但是现在更容易区别。
