李庆利，王永强，陈 宝

（1.唐山学院 机电工程系，唐山 063000；2.唐山学院 计算机科学与技术系，唐山 063000；3.唐山学院 计算机中心，唐山 063000）

0 引言

随着技术的进步，机器视觉技术在工业领域的应用日益广泛，如产品表面缺陷的视觉检测等。目前，常见的视觉检测系统绝大多数是以PC机为平台的，存在体积大、移动不便等缺点，很难满足现场检测的实时性要求；基于嵌入式平台的视觉检测系统具有低功耗、高集成度、体积小、应用灵活及成本低、处理速度快等优点[4,5]，已成为一大发展方向。

与灰度图像相比彩色图像提供的信息更加丰富，使用彩色图像作为信息载体的视觉检测技术备受关注[1～3]。作为其核心的特征颜色提取技术已经成为热点。

因此，研究嵌入式平台下的图像特征颜色提取技术具有很强的现实意义。本文主要研究了应用于ARM微处理器平台的特征颜色提取算法，综合了聚类和直方图两类算法的优点，提出了基于灰色关联分析理论的快速特征颜色提取算法：通过各像素点之间的灰色关联度确定初始特征颜色，然后使用颜色直方图对其进行修正。并以普通陶瓷砖表面缺陷检测为例对算法进行了测试验证，实验中系统准确的提取了缺釉、裂纹等缺陷的特征颜色，实现了陶瓷砖表面缺陷的快速检测。

1 算法设计

在PC机上常用的特征颜色提取算法有颜色直方图和模糊聚类（FCM）等方法[6]。颜色直方图算法一般选用HSV颜色空间，先将各分量进行非等间隔的量化处理，然后进行差分等计算处理求得极值；模糊聚类算法属于由初始聚类中心出发进行迭代运算的寻优算法，一般工作在CIEL*a*b*颜色空间。由于需要用到差分或寻优运算，上述算法不能很好的满足嵌入式系统对实时性和稳定性的要求[7,8]，因此本文以提高图像特征颜色提取算法的计算效率和鲁棒性为设计重点。

1.1 颜色空间的选取

在彩色视觉检测领域常被用到的颜色空间分别：CIEL*a*b*、HSV和RGB颜色空间等。CIEL*a*b* 颜色空间是一个均匀的颜色空间，经常被用于色差的检测；HSV颜色空间符合人眼的视觉特征，常用于颜色直方图法进行颜色特征提取；RGB颜色空间是目前使用最广泛的颜色空间，现有彩色成像设备采集的颜色信息大多数是RGB空间的，RGB颜色值也便于设备存储。由RGB颜色向CIEL*a*b*或HSV颜色转换计算较为复杂，运算量较大。综合考虑嵌入式平台的性能和效率，选定在RGB颜色空间中进行特征颜色提取。

1.2 特征颜色提取算法

1.2.1 关联度计算

进行特征颜色提取前首先需要解决的问题是各像素点间的关联度（或称隶属度）计算方法。在CIEL*a*b*颜色空间像素点颜色间的隶属度一般通过距离公式来计算[9]，即CIE色差公式。而为了方便在RGB颜色空间进行处理，RGB颜色空间下的色差公式[10]亦成为研究热点。然而不论是CIE色差公式或是RGB色差公式均较复杂，且在实际应用时需进行归一化处理，增加了计算运算量。

本算法应用邓聚龙教授提出的灰色系统理论，将每个像素点颜色的RGB三个分量视为一条曲线，通过计算两条曲线形状的相似程度来确定颜色间的关联程度。若两条曲线形状相似，则关联度较大，否则亦然。

在RGB颜色空间中假定某一颜色X0作为参考曲线，则有X0={R0,G0,B0)，对于待测像素点则为Xi={RiGi,Bi)，根据灰色关联度计算公式[11]简化有：

式(1)中§称为分辨系数，一般取§=0.5。

γ( X0,Xi)定义为像素点Xi与参考颜色X0的灰色关联度（记作γ0,i），

1.2.2 分块处理

灰色系统理论的研究对象是“小样本，贫信息”系统[12]，若对一幅m行n列彩色图像进行整体处理，巨大的存储量及运算量是嵌入式平台难以承受的。因此，将整幅图像分块（子图像）进行处理，经过实验取3×3的子图像（p=9）可获得效率和精度上的较好平衡。

要提取3×3子图像的特征颜色，首先根据式(1)计算子图像中各像素点间的灰色关联度值γi,j，并构造矩阵A。然后，对矩阵A中的每一行进行求和得Si。最后找出其中的最大者Smax（如式(2)所示），其对应像素点颜色即为子图像的特征颜色，记为X′。

1.2.3 初始特征颜色获取

假定所有子图像的特征颜色集合为{Xi′}（i=1…N），其中N为子图像数目。计算集合{Xi′}中各特征颜色间的灰色关联度，以关联度最小的K种颜色作为初始特征颜色 {Xi〞} (i=1…K)。

1.2.4 图像颜色分类

计算图像中各像素点Xj与各初始特征颜色Xi〞的灰色关联度，按最大值（如式(3)所示）将所有像素点分成K类。

1.2.5 算法步骤

步骤2：读取3×3子图像数据。

步骤3：按照式1和式2求取子图像特征颜色X′。

步骤4：重复步骤2和3，求出所有子图像的特征颜色，得{Xi′}（i=1…N）。

步骤5：计算各特征颜色间的灰色关联度，以关联度最小的K种颜色作为初始特征颜色{Xi〞} (i=1…K)。

步骤6：计算图像中像素点Xj与各初始特征颜色Xi〞的灰色关联度，按最大值将所有像素点分成K类。

步骤7：对分类后的像素点应用直方图进行统计，修正初始特征颜色，得到最终的特征颜色。

2 实验结果与分析

为了验证软件算法的稳定性和计算效率，首先在PC机上进行测试实验。计算机配置：Intel 奔腾 G8603.0 GHz CPU，4GB内存。

实验一以400×400Lena图像（如图1(a)所示）为样本进行特征颜色提取。为对特征颜色提取效果进行衡量，首先根据特征颜色将原图像颜色进行分类处理（效果如图1(b)、1(c)所示），以此作为定性描述依据。其次，以处理后图像的归一化色彩误差（NCD）和平均均方误差（MSE）作为定量描述依据，具体数据如表1所示。由图1(b)可见，当K=16时主要颜色的视觉效果上已十分接近原图；K=64时（如图1(c)所示）时视觉效果上差别已经非常小。由于不需要进行迭代求解，所以本文算法在鲁棒性上要优于模糊聚类算法。由于是在对像素点分类后进行直方图统计计算的，所以精度和效率上也优于单纯的颜色直方图法。

实验二是在Lena图像中分别加入不同比例的脉冲噪声后进行特征颜色提取（K=16），表2中列出了不同噪声比例情况下的前四种主要特征颜色与原始图像对应颜色的色差值△E。由于本文算法中的步骤2、3有一定滤波效果，因此低密度噪声对最后结果影响不大。

实验三以陶瓷墙地砖表面缺陷检测为应用对象，在ARM平台上对算法进行了实验测试。实验用ARM配置为：Sungsang New Cortex-A8处理器，1GB内存，Android 4.0操作系统。

实验图像由ov9650摄像头拍摄，像素数为320×240，照度大于600lx，分别对具有简单纹理（图2(a)、(c)）和有缺釉、裂纹（图2(e)、2(g)）的陶瓷砖采集图像并处理。图2(b)、2(d)分别为用提取出的4种特征颜色进行颜色分类后的效果，图2(f)中红颜色标示出的区域为缺釉处，面积小于5×5像素，占总像素的0.13%左右。图2(h)中红颜色标示出的区域主要为裂纹，占总像素的3%左右。上述实验运算时间均小于0.3秒。通过上述实验可以看出，本文算法对于颜色较为复杂的图像可快速准确的提取出特征颜色，尤其是对占比例很小的特殊颜色。图像采集时的照明情况（照度及均匀程度等）对最终结果影响较大，尤其是照明的不均匀性，会对产生较大的误差，图2(h)的右上角一些不是裂纹的像素点即被误提取。

图1 Lena图像特征颜色提取效果

图2 陶瓷砖检测结果

表1 处理效果对比数据

表2 噪声图像提取效果对比数据

3 结论

本文中介绍的基于灰色系统理论的特征颜色提取算法，同时具有聚类法较高的计算效率和颜色直方图法的稳定性，且对噪声的干扰不敏感。实验证明，以该算法为核心组成的ARM平台下的特征颜色提取系统，不仅能够快速准确的提取较为复杂的图像特征颜色，还能够可靠的识别传统算法无法识别小面积色斑，如陶瓷砖表面的缺釉和裂纹等。充分发挥了ARM检测系统体积小、成本低、处理速度快等特点。

[1]李立明,柴晓冬,郑树彬.基于RGB颜色模型的轨道轮廓识别算法[J].传感器与微系统,2012,31(5):142-144.

[2]刘晴,邹北骥,陈再良,等.一种基于颜色特征的感兴趣目标提取方法[J].计算机辅助设计与图形学学报,2013,25(6):852-856.

[3]谈蓉蓉,朱伟兴.基于图像处理技术的杂草特征提取方法研究[J].传感器与微系统.2009,28(2):56-65.

[4]郭伟,卢贤资,钟鸣.一种微小型嵌入式图像处理平台的研究[J].传感器与微系统,2008,27(4):52-54.

[5]郎璐红,余红英,董俊.嵌入式ARM系统中图像的识别方法研究[J].齐齐哈尔大学学报(自然科学版),2014,30(5):36-38.

[6]高春甫,贺新升,唐可洪,等.随机纹理图像的色差检测[J].光学精密工程,2009,17(8):1999-2003.

[7]段汕,王赢飞.基于区域生长的彩色图像颜色特征提取研究[J].中南民族大学学报（自然科学版）,2012,31(2):104-108.

[8]李庆利,王永强,张帆.陶瓷砖特征颜色提取算法研究[J].中国陶瓷,2012.48(12):58-60,93.

[9]薄明心.随机纹理墙地砖差异区实时检测方法的研究[D].吉林:吉林大学,2006.

[10]顿绍坤.RGB颜色空间新的色差公式[J].科学技术与工程,2011,11(8):1833-1836.

[11]刘思峰,谢乃明.灰色系统理论及其应用[M].北京:科学出版社,2013.48-56.

[12]黎锁平.基于灰色关联分析的多级别聚类评价模型的研究[J].甘肃工业大学学报,2000.26(4):100-103.