采用图像分割的汽车仪表LED指示灯自动检验方法

摘要

本发明专利公开了一种采用图像分割的汽车仪表LED指示灯自动检验方法，提出一种基于最大类间方差的区域生长法，自动选取LED灯发光区域质心作为种子点进行区域生长，实现区域分割与提取，并基于种子点和区域面积判断灯的亮度和颜色是否正确。本发明专利可有效地提高汽车仪表LED指示灯的检验正确率与效率，为汽车仪表的自动化生产提供有力手段。

权利要求

1.一种采用图像分割的汽车仪表LED指示灯自动检验方法，其特征在于，包括如下步骤：(1)采集汽车仪表LED指示灯彩色图像；

(2)将彩色图像转为灰度图像，对灰度图像进行类间最大方差阈值分割得到二值化图像，对二值化图像做形态学开运算，提取每个LED灯发光区域质心作为种子点；

(3)将彩色图像分成R、G、B三分量，每一分量构成一幅灰度图像，其中，R为红，G为绿，B为蓝；

(4)确定生长准则，基于种子点运用区域生长算法分别对R、G、B三分量图像作区域分割；

(5)计算R、G、B三分量图像中被分割出来的区域面积，根据种子点、区域面积匹配标准图像，判断灯的亮度与颜色是否正确。

2.根据权利要求1所述采用图像分割的汽车仪表LED指示灯自动检验方法，其特征在于，所述步骤(1)具体为：采用CCD彩色工业相机进行图像采集，保证相机和仪表盘的相对位置固定不变，点亮仪表盘上全部待测的LED灯，逐一采集标准图像和待检测图像，尽可能使指示灯区域占满整幅图像。

3.根据权利要求1所述采用图像分割的汽车仪表LED指示灯自动检验方法，其特征在于，所述步骤(2)具体如下：(A)对灰度图像采用最大类间方差阈值分割得到二值图像；

(B)对二值图像形态学开运算操作，消除细小噪声；

(C)对开运算后的二值图提取每一个区域的质心作为一组区域生长初始的种子点，记录各个点的坐标以数组的形式保存，记为seed[num]，其中，num为种子点个数。

4.根据权利要求1所述采用图像分割的汽车仪表LED指示灯自动检验方法，其特征在于，所述步骤(4)具体如下：(a)从种子数组seed[num]中确定一个种子；

(b)以该像素为中心检查它的邻域像素，将邻域中的像素逐个与种子像素比较，如果灰度差小于预先确定的阈值T，则合并；

(c)以新合并的像素为中心，返回到步骤(b)，检查新像素的邻域，直到区域不能进一步扩张，则结束一个种子的过程生长过程；

(d)返回步骤(a)，直到所有的种子点都完成生长过程。

说明书

采用图像分割的汽车仪表LED指示灯自动检验方法

技术领域

[0001] 本发明涉及汽车仪表出厂自动化检验技术，尤其涉及一种采用图像分割的汽车仪表LED指示灯自动检验方法。

背景技术

[0002] 随着汽车功能的日趋完善，汽车仪表上各类指示灯的数量越来越多，如转向类指示灯、工作状态类指示灯、故障类指示灯与警告类指示灯等，数量一般都在十多个甚至几十个，尤其是客车与重型卡车等的指示灯数量更多，功能更丰富。这些指示灯目前一般都采用贴片式LED，硬件成本约可占整个仪表的1/4～1/3，已经成为汽车仪表中的重要组成部分。

[0003] 但在生产过程中，这些指示灯往往由于LED损坏、人工焊接失误等原因发生错误，或灯完全不亮，或亮度过低，或颜色不正确，所以需要一道对指示灯进行亮度和颜色检验的工序。但目前为止，仪表指示灯的检验普遍采用轮询方式，即通过手动或自动方式对每一个指示灯进行上电，并用肉眼检查指示灯的颜色与亮度，但随着指示灯数量的不断增加，轮询式检查方法的工作时间长，容易引起人的视觉疲劳，导致检验正确率不高，产品一致性很难保证。

发明内容

[0004] 本发明的目的在于针对现有技术的不足，提供一种采用图像分割的汽车仪表LED指示灯自动检验方法。

[0005] 本发明的目的是通过以下技术方案来实现的：

[0006] 一种采用图像分割的汽车仪表LED指示灯自动检验方法，包括如下步骤：

[0007] (1)采集汽车仪表LED指示灯彩色图像；

[0008] (2)将彩色图像转为灰度图像，对灰度图像进行类间最大方差阈值分割得到二值化图像，对二值化图像做形态学开运算，提取每个LED灯发光区域质心作为种子点；

[0009] (3)将彩色图像分成R、G、B三分量，每一分量构成一幅灰度图像，其中，R为红，G为绿，B为蓝；

[0010] (4)确定生长准则，基于种子点运用区域生长算法分别对R、G、B三分量图像作区域分割；

[0011] (5)计算R、G、B三分量图像中被分割出来的区域面积，根据种子点、区域面积匹配标准图像，判断灯的亮度与颜色是否正确。

[0012] 进一步地，所述步骤(1)具体为：采用CCD彩色工业相机进行图像采集，保证相机和仪表盘的相对位置固定不变，点亮仪表盘上全部待测的LED灯，逐一采集标准图像和待检测图像，尽可能使指示灯区域占满整幅图像。

[0013] 进一步地，所述步骤(2)具体如下：

[0014] (A)对灰度图像采用最大类间方差阈值分割得到二值图像；

[0015] (B)对二值图像形态学开运算操作，消除细小噪声；

[0016] (C)对开运算后的二值图提取每一个区域的质心作为一组区域生长初始的种子点，记录各个点的坐标以数组的形式保存，记为seed[num]，其中，num为种子点个数。

[0017] 进一步地，所述步骤(4)具体如下：

[0018] (a)从种子数组seed[num]中确定一个种子；

[0019] (b)以该像素为中心检查它的邻域像素，将邻域中的像素逐个与种子像素比较，如果灰度差小于预先确定的阈值T，则合并；

[0020] (c)以新合并的像素为中心，返回到步骤(b)，检查新像素的邻域，直到区域不能进一步扩张，则结束一个种子的过程生长过程；

[0021] (d)返回步骤(a)，直到所有的种子点都完成生长过程。

[0022] 本发明的有益效果是：本发明提出了一种基于区域生长法的LED指示灯检验方式，实现了对汽车仪表的LED指示灯发光区域的自动分割与提取。本方法的提出与实现，将为国内汽车仪表业批量生产提供一个有利的保证，极大地提高生产效率与生产质量。

附图说明

[0023] 图1是本发明汽车仪表LED指示灯自动检验方法框图；

[0024] 图2是R、G、B三分量图像和灰度图像，其中，(a)是R分量图像，(b)是G分量图像，(c)是B分量图像，(d)是灰度图像；

[0025] 图3是图2所示灰度图像的均一化直方图；

[0026] 图4是区域分割后的R、G、B三分量图像，其中，(a)是区域分割后的R分量图像，(b)是区域分割后的G分量图像，(c)是区域分割后的B分量图像；

[0027] 图5是区域匹配流程图。

具体实施方式

[0028] 目前主要的图像分割算法有基于阈值的方法、基于边缘的方法、基于区域的方法。由于发光区域的不规则性，边缘分割的方法在这里不适用；阈值分割法由于没有或很少考虑空间关系，使多阈值选择受到限制，而基于区域的分割方法可以弥补这点不足，区域生长法是典型的区域分割方法之一。区域生长的基本思想是以一组“种子”点开始来形成生长区域，即将那些预定义属性类似于种子的邻域像素附加到每个种子上。该方法考虑到了区域连通性且实现简单，但种子点的选取对噪声比较敏感，传统的区域生长法只能人工选取种子。因此本发明提出一种基于最大类间方差(Otsu)的区域生长法，自动选取LED灯发光区域质心作为种子点进行区域生长，实现区域分割与提取，并基于种子点和区域面积判断灯的亮度和颜色是否正确。

[0029] 本发明采用图像分割的汽车仪表LED指示灯自动检验方法的主要步骤如下：

[0030] 1、采集汽车仪表LED指示灯彩色图像：

[0031] 采用CCD彩色工业相机进行图像采集；保证相机和仪表盘的相对位置固定不变，点亮仪表盘上全部待测的LED灯，逐一采集标准图像和待检测图像，尽可能使指示灯区域占满整幅图像。

[0032] 2、将彩色图像转为灰度图像，对灰度图像进行类间最大方差(Otsu)阈值分割得到二值化图像，对二值化图像做形态学开运算，提取每个LED灯发光区域质心作为种子点：具体包括如下：

[0033] 1)对灰度图像采用最大类间方差阈值分割得到二值图像。最大类间方差阈值也叫大津阈值，是1980年由日本的大津展之提出，在判别与最小二乘原理的基础上推导出来的。把直方图在某一阈值处分割成两组，当被分成的两组间方差为最大时，决定阈值。设图像的灰度值为0～L-1级，灰度值i的像素数为ni，得到像素总数N如公式(1)所示：

[0034]

[0035] 各值的概率如公式(2)所示：

[0036]

[0037] 假设现在已经选定了一个阈值k，C0是一组灰度级为[0，1，…，k-1]的像素，C1是2
一组灰度级为[k，k+1，…，L-1]的像素。Otsu方法选择最大化类间方差σB的阈值k，类间方差定义如公式(3)所示：
2 2 2

[0038] σB＝ω0(u0-uT)+ω1(u1-uT)，

[0039] 其中：

[0040] C0产生的概率

[0041] C1产生的概率

[0042] C0的平均值

[0043] C1的平均值

[0044] 整体图像的灰度平均值

[0045] 从1～L-1之间改变k，求式为最大值时的k，即求maxσ2B时的k*值，此时k*就是阈值。Otsu方法不管图像的直方图有无明显的双峰，都能得到较满意的结果，是阈值自动选择的最优方法。附图2(d)灰度图像的直方图如附图3所示，由最大类间方差法计算出的阈值为T＝133。

[0046] 2)对二值图像形态学开运算操作，消除细小噪声。膨胀和腐蚀运算是形态学图像处理的基础。膨胀是在二值图像中“加长”或“变粗”的操作，腐蚀是在二值图像中“收缩”或“细化”的操作。开运算是一个先腐蚀后膨胀的过程，可以去除比结构元素更小的物体。采用Otsu法二值灰度图像化后会产生一些细小噪声，若不消除，会导致提取出比真实种子数目多的错误的种子，所以需要采用开运算消除这些噪声。

[0047] 3)对开运算后的二值图提取每一个区域的质心作为一组区域生长初始的种子点，记录各个点的坐标以数组的形式保存，记为seed[num]，其中num为种子点个数。

[0048] 3、将彩色图像分成R(红)、G(绿)、B(蓝)三分量，每一分量构成一幅灰度图像：

[0049] 自然界的各种颜色光都可分解成红、绿、蓝三种颜色光。RGB彩色空间是最常用的彩色空间。一幅RGB图像就是彩色像素的一个M×N×3数组，其中每一个彩色像素点都是在特定空间位置的彩色图像相对应的红、绿、蓝三个分量。为了处理方便，将RGB图像转化为R、G、B三分量图像，结果如附图2(a)(b)(c)所示。

[0050] 4、确定生长准则，基于种子点运用区域生长算法分别对R、G、B三分量图像作区域分割；

[0051] 除了种子点的选取，相似性准则的制定是区域生长的另一个关键点，本发明采用基于区域灰度差的生长准则。区域生长过程步骤如下

[0052] 1)从种子数组seed[num]中确定一个种子；

[0053] 2)以该像素为中心检查它的邻域像素，将邻域中的像素逐个与种子像素比较，如果灰度差小于预先确定的阈值T，则合并；

[0054] 3)以新合并的像素为中心，返回到2)，检查新像素的邻域，直到区域不能进一步扩张，则结束一个种子的过程生长过程；

[0055] 4)返回1)，直到所有的种子点都完成生长过程。

[0056] 分别对附图2(a)(b)(c)所示的R、G、B三分量图像进行上述步骤的区域生长，实现分割目的。R、G、B区域分割后的结果如图4(a)(b)(c)所示，由图可以发现，R、G、B图像分别对应红色、绿色、蓝色灯的区域较为明显，分割结果理想。

[0057] 5、计算R、G、B三分量图像中被分割出来的区域面积，根据种子点、区域面积匹配标准图像(灯的亮度和颜色都正确的图像)，判断灯的亮度与颜色是否正确：

[0058] 如果指示灯完全不亮或亮度过低，则该指示灯区域选取不到种子点；如果颜色错误，则对应的R、G、B三分量图像的区域面积不正确。

[0059] 区域匹配流程图如附图5所示，将标准图像的种子点数目、位置、R、G、B三分量区域面积等数据作为标准值保存；待测图像选取出的种子点与种子点标准值比较可以判断灯的亮灭情况，若种子点不匹配，则该处灯的亮度不正确，灯漏焊了或是LED损坏导致亮度低于阈值；若种子点匹配，则分别计算对应R、G、B三分量的区域面积，并与面积数据的标准值比较，若均匹配(在允许误差内)，则颜色正确，否则颜色错误。