影像處理

2. Binarization

影像二值化方法乃將灰階或彩色的影像，透過選取的臨界值/閥值(Threshold Canny J.(1986)所提出之 Hysteresis threshold[4]與 Canny edge detection[3]方法。

Hysteresis threshold 為使用二個閥值與一個分類參數做為二值化標準，使得在界 定瑕疵邊際時，能較為精確且彈性。舉例來說，若今欲突顯一背影灰階值較低，瑕疵 灰階值較高之影像，則設其中一個閥值灰階值較高(後文以 HT 稱之)，另一個灰階值

較低(後文以 LT 稱之)，其原理示意圖如圖 2.4，若影像之灰階值大於 HT(即圖 2.4 中 A 區)直接標計為瑕疵，若影像之灰階值小於 LT(即圖 2.4 中 C 區)則歸類為背景，若 影像之灰階值介於HT 與 LT 之間(即圖 2.4 中 B 區)則列為「候選區域」(Potential area)，

候選區域中的相素點側依「分類參數」做判斷，Canny 所使用之分類參數為「相素點 距瑕疵之距離」，若候選區域中之相素點距A 區在一定距離內，則判定其屬於瑕疵，

否則即視為背景。

圖2.4 Hysteresis threshold 示意圖

Canny edge detection 其概念類似 Hysteresis threshold，但使用「灰階值的梯度變 化」作為分類參數，因此主要是應用在Edge detection 上，此方法可分為六步驟，如 表2.3 所示。

表2.3 Canny Edge Detection 處理步驟

Operation Description

Step1 Smooth：Gaussian filter Eliminating noise Step2 Sobel operator Find edge strength

Edge strength =|G| = |Gx| + |Gy|

Step3 Find edge direction Get θ

θ=tan^-1 (Gy / Gx)

Step4 Relate the edge direction to a direction Get simple edge direction Step5 Using Nonmaximum suppression to trace

along the edge in the edge direction

Get a thin line in the output image

Step6 Hysteresis threshold, but using edge strength t instead of distance

Get Edge image

本研究將參考這兩種方法，使用二個閥值的概念，來設計適合用於CMOS 玻璃 蓋片檢測之影像二值化方法。

3. Auto-thresholding

Auto-thresholding 為利用影像的特性自動產生一個適當的閥值的方法。依照

Nakagawa 與 Rosenfeld[12]所提出之想法，先將影像分成多塊子影像，使每張影像之 改變單純化，將使Auto-thresholding 的設計上變為較簡單，因此本研究亦使用這個概 念，將影像分成多塊子影像，再設計出適用於這些子影像之Auto-thresholding 方法。

Auto-thresholding 方法的種類在影像處理領域中相當多，因為這些方法常具有 Case-by-case 的特性，每種方法都有其適合的適用情況，因此在灰階閥值之抉擇方面 有許多學者提出許多不同的做法，較為常見之方法為Ostu method 與固定百分率法

(P-Tile)。Ostu[13]提出之 Ostu method 乃是利用機率統計的原理，找出讓群組間變異 數最大且群組內變異數最小的閥值，當作是二值化的閥值。Dayle[6]提出之固定百分 率法乃是自該影像直方圖(Histogram)最高峰的灰階值處減去固定百分比 20%，做為門 檻值。

Elmabrouk 與 Aggoun A.[7]提出在偵測影像邊緣時，選取直方圖中背景群組高峰 的灰階值與邊緣群組高峰的灰階值，以此二值之平均為閥值，此法主要是應用在影像 直方圖可以找出明顯之兩個群組，一群組為邊緣(Edge)，另一群組為非邊緣之區域，

而兩群組間無明顯交集之影像。

Jiaoyan 與 Xuefeng[8]提出利用 Fuzzy membership 之概念，建立一模糊因子為最 小灰階值與背景平均灰階值之差，代表影像目前之背景紋理改變，訓練出能得到適合 閥值之模糊函式。

Xiaoyi 與 Daniel[15]提出 Verification-based multithreshold 方法，此方法為先建立

「閥值表」，列出在某一閥值下會突顯那些特徵，再對影像依照這些閥值一一進行二 值化，同時篩選出應突顯的特徵，移除不該出現之特徵，得到查核後的二值化影像，

最後將所有二值化影像聯集，即為僅突顯感興趣特徵的二值化影像。

David 與 Dongming[5]提出一個能處理透明待測物上瑕疵、亮度不均影像之二值 化閥值的取法。此方法先將影像分割成數個子影像，使用形態學(morphology)方法將 雜訊及瑕疵濾掉，留下背景，再依照每個子影像的背景灰階方佈，利用固定百分率法 決定各個子影像的二值化閥值，此方法主要是應用在檢測電視映像管(Television tube) 上。

Muhammad 與 Tae-Sun[11]提出使用 Local thresholding 的概念偵測影像中的邊

緣，對每個子影像以(µ-c)作為二值化閥值分離出可能有邊緣之候選區域，其中 µ 為平

Blob analysis 主要是從一張影像中，辨識相同區域且相鄰的像素點，並進行特徵 萃取；特徵值可能包括區塊個數、周長、維度、位置等。顏氏[19]應用 Blob 分析來計 算影像區塊面積，檢測對印刷電路板是否缺件。

下列是Blob 分析常用的幾個基本步驟[10]：

1.盡可能去除影像中的雜訊，取得最佳影像。

2.進行影像分割，讓背景與 Blob、及 Blob 與 Blob 之間清楚分離。通常利用二值化 方法將背景之灰階值設為0，而將 Blob 之灰階值設為 1。

3.利用形態學（Morphology）方法將影像的雜訊去除。

4.設定 Blob 與 Blob 互相接觸的條件（水平及垂直方向，或包括斜角方向）。

5.計算（Calculate）指定的特徵並分析結果。