1 前沿

　　閾值分割是圖像預處理中關鍵的步驟，實質是對每一個象素點確定一個閾值，根據閾值決定當前象素是前景還是背景點，目前，已有大量的閾值處理方法，比如全局閾值和局域閾值，是最簡單的分割方法，而后者則是把整幅圖分成許多子圖像，每幅圖像分別使用不同的閾值進行分割。

　　本文分析了算法，并在此基礎上提出了一種改進的自適應閾值選取方法，實踐證明，這種方法簡單、計算量小、速度快、統計準確，可以適時獲取圖像的閾值，PCB圖像分割的效果非常好，圖像分割以后，保證了目標圖形的完好無損，圖象增強之后，使的開路和短路更加清晰、突出，為以后的圖像處理做好了充分的準備工作。

　　2 算法理論

　　自適應閾值分割算法：

　?。?）將圖像分成4個子圖像；

　　（2）計算每個字圖像的均值；

　?。?）根據均值設置閾值，閾值只應用在對應的子圖像；

　?。?）根據閾值，對每個子塊進行分割。

　　此算法中，將均值作為子塊的閾值。

　　印刷電路板的灰度分布特征，其具有以下特征：

　　（1）具有明顯的背景峰值和目標峰值；

　　（2）兩個峰值距離較遠，而且其間灰度值基本相等，沒有明顯的波谷；

　?。?）背景象素點和目標象素點的灰度變化具有連續性，目標邊界的灰度是漸變的，不是突變的。

　　經實踐證明，算法不適合印刷電路板，分割的效果也不是很好，因為平均灰度不一定是直方圖的波谷，而且在PCB的直方圖中有很大一部分平坦的區域，甚至為0的灰度級，尋找極小值點比較困難，為了對PCB圖像進行準確的分割，需要尋找另外一種有效的方法，注意到，平均灰度值點是在兩個峰值之間（即，平均灰度值在背景灰度值和目標灰度值之間），而且靠近于波谷，所以考慮在其領域內尋找極小值點。 為了分割PCB的目標圖像，可以先確定出直方圖的目標峰，再確定極小值點，然后可以找出背景峰，將極小值點作為分割閾值，在目標峰和背景峰附近選擇一個灰度值，分別作為開路、短路增強的閾值，在PCB圖像中，但有時目標比較稀疏，但有時比較密集。尋找整個直方圖的最大值點比較簡單，但是如何確定這個峰值是背景峰還是目標峰，成為問題的關鍵。

　　對于一般的PCB圖像，其目標（銅線）表現為高灰度，背景表現為低灰度，以下討論一種可行的閾值搜索方法。

　?。?）找出最大的一個峰值所對應的灰度值。在全灰度區間[0，255]找出f（H）的最大值，其對應值即為H；

　?。?）計算圖像的平均灰度：

　　（3）確定是背景峰還是目標峰：

　　如果選取極小值點，在平均值點的30鄰域內，尋找極小值，其對應值即為Hmin。

　　注：鄰域的大小可以根據實際情況自行選定。

　?。?）確定的第二個峰值點：

　　如果（3）中找到只是背景峰值Hb，那么在灰度區間[Hmin，255）找出f（H）的最小值，其對應值即為目標峰值點Hf；

　　如果（3）中找到的是目標峰值Hf，那么在灰度區間[0，Hmin]找出f（H）的最小值，其對應值即為背景峰值點Hb；

　?。?）以Hmin為閾值，進行圖像分割；

　　在背景峰值Hb右側附近找出一個灰度級（一般為Hb+10），進行短路增強；

　　在目標峰值Hf左側附近找出一個灰度級（一般為Hf-10）進行開路增強。

　　注：本算法特別適用于直方圖的連續的圖像，對于不連續的直方圖，可以先進行臨近插值，將直方圖轉換成連續圖形，即可采用上述方法來確定閾值。

　　3 實驗結果

　　當圖像存在噪聲時，通常采取兩種做法：

　?。?）先濾波再做二值化處理，這樣原圖像將丟失大量的邊緣細節信息，使得統計結果不夠準確；

　?。?）不處理，但這樣又會使圖像中存在許多細小的噪聲，同樣統計結果也不夠準確。

　　為了保證統計結果的準確性，既不要由于濾波的影響，而使圖像的某些邊緣丟失，線寬減小，又不可將那些噪聲點誤當成線條而統計進來，可以采用先二值化再去除噪聲的方法。

　　本實驗中，從攝像機中得到的圖像比較清晰，噪聲很少，所以對其直接處理。

　　該實驗結果表明該方法是一張實用性較好的方法，而且快速、簡單。