基于图像分析的排气管法兰面尺寸测量

郑 琳，张仁杰

(上海理工大学 光电信息与计算机工程学院，上海200093)

基于图像分析的排气管法兰面尺寸测量

郑 琳，张仁杰

(上海理工大学 光电信息与计算机工程学院，上海200093)

针对现有检测发动机排气管进气法兰面几何尺寸数字测量方法存在的问题和局限性，通过对比现有的机械零件测量中的几种数字图像阈值分割算法的实验仿真结果，综合分析确定了相对误差最小的迭代分割算法作为排气管进气法兰面的阈值分割算法，实现了对多孔零件的准确测量。

图像处理；法兰面；图像分割

传统的测量方法是借助于游标卡尺等物理测量工具的接触式测量，不仅费时费力，也会因为视觉偏差和人眼疲惫而产生测量误差，检测效率极低。基于数字图像处理[1-3]的测量方法的出现，成功解决了上述问题。它具有工作效率和测量精度高等优点。图像测量技术就是在测量时将被测对象的图像当作检测和传递信息的手段或载体，通过设计图像处理算法，结合相关软件模拟实现对物体二维几何量的测量[4-7]。对零件几何量的精确测量不仅能保证零件最后的加工质量，同时也是提高生产效率的关键。零件几何测量力求做到省时省力，还要保证测量的精度，传统的手工测量方法无法满足这样的生产要求。应用数字图像处理技术对零件几何量进行测量，可以做到高效率、实时在线、非接触和高精度，亦可避免测量过程中人为因素的影响，进一步提高生产的自动化程度。本课题的主要目的是研究机械零件的基本几何元素的图像测量方法，主要研究零件含有多个被测元素时，在保证测量精度的前提下，寻找适合多个圆的快速测量方法，主要针对尺寸测量方面[8-10]。

1 工件测量系统的基本组成

整个测量系统由照明系统，被测工件，CCD高速成像系统，图像处理系统，模拟仿真，数据读出几个部分组成，这里主要研究针对工件的图像处理系统的研究。

图1 测量系统处理流程图

其中系统的精度是考量测量系统优劣的重要因素，为了提高该系统的测量精度，首先选用高分辨率的CCD摄像机、另外图像卡的采样频率需满足一定的值，或采用特殊的光源进行照明，图像处理系统的算法也要适合实际的发动机排气管进气法兰面几何要素的测量，然而这些措施有时会产生耦合，如光学系统放大倍数太大，有可能导致目标超出视场的范围，但是如果利用软件来提高测量的精度就会消除这些影响，同时具有简单易操作的优点。为此，通过这里采用一个功能集成的软件来提高测量系统的精度。

2 图像处理系统实现

2.1 图像处理流程

本文所提出的基于图像处理技术的发动机排气管法兰面多圆半径计算方法主要流程是：首先将原始图片转换成640×480像素的给定大小图片；然后对图像进行灰度化处理[11]；再通过自动阈值分割方法提取包含多圆的区域，并对其标记；接下来计算每个圆的连通区域包含的像素点个数依此求出圆的面积；最后通过面积反求半径。该算法的流程如图1所示。

2.2 变换图像尺寸

由于工业现场对算法处理速度的要求以及配合标准化生产还要考虑图像能够提取到有效信息，综合分析选用像素为640×480大小。用图片编辑软件ACDsee进行处理得到目标结果。

2.3 图像灰度化处理

对彩色的法兰面图像进行灰度化处理的目的是为了减少数据量，提高运算速度，作为图像处理系统中的预处理过程，灰度化的图片对于提取法兰面多圆的几何尺寸已经足够。

2.4 自动阈值分割提取有效区域

阈值分割算法提取有效区域计算面积是整个测量系统的关键，合适的阈值分割算法计算出来的区域面积越精确，算法的有效性也越高。全局阈值法指利用全局信息对整幅图像求出最优分割阈值，可以是单阈值，也可以是多阈值；局部阈值法是把原始的整幅图像分为几个小的子图像，再对每个子图像应用全局阈值法分别求出最优分割阈值。其中全局法又可分为基于点的阈值法和基于区域的阈值法。阈值分割法的结果很大程度上依赖于阈值的选择，因此该方法的关键是如何选择合适的阈值[12-13]。

阈值分割的基本原理为：假设f(x,y)为图像点(x,y)处的灰度值；图像的灰度等级为0,1,2,…,L-1,选取图像的灰度阈值大小为K；选取灰度值 的区域为目标区域，相反的灰度值f(x,y)≤K的区域为背景区域。由于只用固定的全局阈值对整幅图像进行分割不能涵盖局部特定区域图像的情况而使分割效果不明显，也不能应对当图像中出现阴影，背景区域灰度改变，各区域对比度不同，光照度不均匀，随机噪声等情况，综合考虑选择基于区域的局部多阈值法[14-15]。本文选用3种比较经典的阈值分割算法：最优阈值分割算法，最大类间方差分割算法，迭代分割算法。下面介绍这3种方法的基本原理及实验结果：

(1)最优阈值分割算法。当目标区域和背景区域的灰度值有重叠时，只用唯一的全局阈值完全提取出来。为了减小误分割的概率，因而采用最优阈值分割法。设一幅图像只包含目标和背景两种灰度值区域，所以直方图可看成灰度值概率密度函数的近似。该密度函数为目标和背景的单峰密度函数之和。假设已知密度函数的形式，那么就存在使误差最小的一组最优阈值把图像分成两类区域。设存在加性高斯噪声的图像的混合概率密度为

(1)

其中，m1和m2分别是背景和目标区域的平均灰度值；s1和s2分别是关于均值的均方差；P1和P2分别是背景和目标区域灰度值的行验概率。根据概率定义有P1+P2=1，所以混合概率密度中有5个未知的参数。如果能求出这些参数就可以确定混合概率密度。

假设m1T的像素分割为目标。这时错误地将1个目标像素划分为背景的概率和1个背景像素错误地划分为目标的概率分别是

(2)

(2)

总的误差概率是

E(T)=P2E1(T)+P1E2(T)

(4)

为求得使该误差最小的阈值可将E(T)对T求导并令导数为零，这样得到

p1p1(T)=p2p2(T)

(5)

将此结果用于高斯密度，即可得到一元二次方程Ax2+Bx+C=0根判别式的系数

(6)

当两个区域的方差不等时，一元二次方程有两个不同的解：当两个区域的方差相等时，一元二次方程有两个相等的解，即有唯一解

(7)

图3为基于Matlab的最优阈值分割算法的实验结果图。

(2)最大类间方差分割算法。从模式识别的角度看，最佳阈值应当产生最佳的目标类与背景类的分离性能，此性能我们用类别方差来表征，为此引入类内方差，类间方差和总体方差。最大类间方差法计算简单、稳定有效，一直广为使用，是一种受到普遍欢迎的阈值选取方法。其基本思路是将直方图在某一阈值处分割成两组，当被分成的两组的方差为最大时，得到阈值。图4为基于Matlab仿真的最大类间方差分割算法的实验过程图。

图3 最优阈值算法结果图

图4 最大类间方差分割算法结果图

因为方差是灰度分布均匀性的一种量度，方差值越大，说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小；

(3)迭代分割算法。采用逐渐逼近思想的迭代法流程主要分以下4步：

1)首先求出图象的最大灰度值Zmax和最小灰度值Zmin，令初始阈值为图像的 算术平均值

(8)

2)根据阈值TK将图象分割为目标区域和背景区域，分别求出两者的平均灰度值ZO和ZB；

3)解出下一个新阈值

(9)

4)若TK=TK+1，则此解即为所求阈值；否则继续执行步骤2)，循环迭代直到满足TK=TK+1条件，得到所求阈值。

图5为基于Matlab的迭代分割算法的实验效果图。

求解得：ZO=52 ，ZB=3，Tk=Tk+1=119.951 6。

由仿真结果可知迭代所得的阈值分割的图像效果最佳。基于迭代的阈值能区分出图像的前景和背景的主要区域所在，但在图像的细微处还没有很好的区分度。对某些特定图像，微小数据的变化有可能引起分割效果产生比较大的变化，对于直方图中体现出的出现明显双峰同时谷底较深的图像，迭代方法可以较快地获得满意结果。对于直方图中双峰不明显，或图像目标和背景比例差异悬殊，迭代法所选取的阈值不如最优阈值法和最大类间方差法，本文不再赘余。

图5 迭代分割算法后效果图

2.5 求解圆直径

在多孔零件图像测量中，采用两种方法实现零件内多个圆元素的同步检测。第一种方法先将多个圆分离，然后对各个圆单独进行点霍夫变换检测，不仅减少了无效累积，还有效的去除了噪声点；第二种方法则采用普适的多圆检测算法，算法几乎适用于所有情况下的多个圆检测任务。本文采用前一种方法，不再详述。

选择包含一个圆孔A的局部区域进行像素计数，根据提取到的目标区域的像素个数，结合比例尺，折算出圆的有效面积S，那么等效圆的直径为

(10)

其中，L为圆的直径，这种方法不必考虑圆的细节要素，因而减少了由重心法求解重心时造成的误差影响。

2.6 测量结果与结论

图6为标准参照下工件尺寸测量图。

图6 工件尺寸测量图

表1为3种分割方法得到圆孔A的实验结果与实测结果对比图：(选取A孔作为测量对象的原因是因为A孔区域附近的噪声最为明显，因而可以成为评判系统优劣的重要标准)

表1 A孔3种分割方法圆孔实测结果对比图

上述实验表明：3种方法分割得到的结果对比，迭代分割算法相比于最优阈值和最大类间方差分割算法得到的结果相对误差更小，精度更高，在这种特定情形下能够将背景与目标更为有效地区分开。

3 结束语

本文提出的将迭代分割算法应用于到发动机排气管进气法兰面的几何尺寸测量中的方法。对工业现场实际测量尺寸提供了准确有效的工具，由于只是针对特定的机械零件的特征尺寸进行测量，仍然存在一定的局限性。另外这里抓取的只是测量系统的一部分内容，以后还有广阔的进步空间。

[1] 冈萨雷斯. 数字图像处理[M]. 北京：电子工业出版社,2003.

[2] 杨 帆. 数字图像处理与分析[M]. 北京：北京航空航天大学出版社，2007.

[3] 马平. 数字图像处理和压缩[M]. 北京：电子工业出版社，2007.

[4] 闫敬文. 数字图像处理[M]. 北京：国防工业出版社，2007.

[5] 王慧琴. 数字图像处理[M]. 北京:北京邮电出版社, 2006.

[6] 阮秋琦. 数字图像处理学[M]. 北京:电子工业出版社, 2001.

[7] 何东健. 数字图像处理[M]. 西安:西安电子科技大学出版社, 2003.

[8] 王家文, 曹宇. Matlab6.5图形图像处理[M]. 北京:国防工业出版社, 2004.

[9] 余成波. 数字图像处理及Matlab实现[M]. 重庆:重庆大学出版社, 2003.

[10] 张志涌, 徐彦琴. Matlab教程-基于6.X版本[M].北京航空航天大学出版社, 2001.

[11] 夏德深, 傅德胜. 计算机图像处理及用[M]. 南京:东南大学出版社, 2004.

[12] 金炜,潘英俊,魏彪;基于改进遗传算法的图像阈值小波去噪研究[J].计算机工程与应用，2005，41(22)：66-69.

[13] 李忠海.图像直方图局部极值算法及其在边界检测中的应用[J].吉林大学学报，2003，21(5)：89-91.

[14] 方勇,戚飞虎.基于软阈值的小波图像增强方法[J].计算机工程与应用，2002，38(23):16-19.

[15] Pratt W K. Digital image processing[M].3rd Edition. New York：Wiley Inter-Science，1991.

Measurement of the Exhaust Pipe Flange Size Based on Image Analysis

ZHENG Lin，ZHANG Renjie

(School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology,
Shanghai 200093, China)

In consideration of the existing detection engine exhaust pipe inlet flange surface geometry problems and the limitations of the digital measurement methods, a new method is proposed. By comparing the existing mechanical parts measurement of several digital image threshold segmentation algorithm simulation results, the minimum relative error of iterative segmentation algorithm is chosen as the exhaust pipe inlet flange surface threshold segmentation algorithm to realize the accurate measurement of porous parts.

image processing; flange surface; image segmentation

2016- 03- 28

郑琳(1991-)， 男，硕士研究生。研究方向：仪器科学与技术。

10.16180/j.cnki.issn1007-7820.2017.02.027

TP391.41

A

1007-7820(2017)02-101-04