[发明专利]一种局部梯度增强的X射线图像去噪全变分方法

说明书

本发明公开了一种局部梯度增强的X射线图像去噪全变分方法，涉及X射线图像处理技术领域，提供了一种LGE结构‑纹理感知器，作为TV去噪模型中正则项的惩罚系数，能更有效地提取结构细节；提出的LGETV去噪模型中正则项系数采用自适应设计，解决了相关算法中正则项系数主观经验取值的问题，提高了算法的稳定性；本发明提供的一种局部梯度增强的X射线图像去噪全变分方法，有效解决了BGA电路板的X射线图像的去噪预处理问题，对于后续的缺陷检测图像处理也起到重要的辅助作用。

技术领域

本发明涉及X射线图像处理技术领域，特别涉及一种局部梯度增强的X 射线图像去噪全变分方法。

背景技术

自动X射线检测是球形栅阵列(BGA)电路板在线检测时广泛使用的一 种技术。由于印刷电路板是由高密度材质组成且组成结构细小，而X射线图像 采集系统采用的微焦点X射线源的管电流仅为微安级，致使得到的电路板X 射线图像存在图像信噪比低、亮度不均及低照度等问题。

现有技术中，BGA电路板的在线观测和缺陷检测通常是基于X射线图像 处理而实现的，其X射线图像质量的好坏不仅影响视觉观测效果，还会干扰后 续的图像处理操作。高性能的图像去噪方法研究一直是图像处理领域的研究热 点，具有非常重要的理论意义和实际应用价值。

目前BGA电路板X射线图像的去噪算法主要有两大类，即传统去噪方法 (包括空间域和变换域)和基于深度学习的方法。在传统的噪声抑制方法中， 基于滤波的方法通常依赖于对X射线图像噪声进行局部或全局统计建模。例如 使用一个预定义的搜索窗口对噪声图像进行非局部加权平均的非局部均值方 法、基于小波修正的块匹配三维滤波(BM3D)方法等。还有基于偏微分方程 的各向异性扩散滤波。基于变换的方法，如小波域自适应滤波在变换域中对退 化BGA电路板X射线图像进行处理。基于稀疏性的X射线图像去噪方法主要采用字典学习、稀疏表示和低秩分解等方法，通过引入低秩约束，进一步提高 去噪性能。近十年来，基于深度学习的方法，特别是卷积神经网络(CNN)被 广泛应用于图像处理各类任务中，在图像去噪方面也取得了很好的效果。通过 大量配准良好的图像对(有噪声的图像和干净的图像)，监督学习方法可以获得 很好的去噪结果。由于在工业实践中很难获得无噪声的BGA电路板X射线图 像，通常是将同一位置的多个图像进行平均得到干净图像，再往平均图像中注 入模拟噪声，以形成匹配良好的图像训练对。然而，由于X射线图像中噪声的统计分布复杂，这些方法在实际应用中可能效果不佳。半监督学习方法使用未 标记数据，提高了有监督模型的泛化性能。

目前BGA电路板X射线图像去噪算法存在以下缺陷：(1)基于滤波的 方法需要为不同的噪声级进行参数调整，但当局部区域不能很好地匹配时，边 缘信息可能会丢失；(2)基于变换的方法仍存在图像特征表示不足、阈值选 择困难和迭代耗时等问题；(3)基于深度学习的方法还普遍存在着诸如需要 大量的标记数据、网络结构复杂、过拟合和通用性差等问题。

由于BGA电路板焊点缺陷检测大多基于焊点的分割，分割区域和背景内 的噪声可看作为梯度分布不规则的纹理，其X射线图像的噪声滤除问题可以转 化为纹理滤波问题。纹理滤波的主要目标是提取感兴趣对象的结构，减少图像 的纹理和次要细节。基于全变分(TV)模型的全局滤波是图像纹理滤波的一 种常用方法。为较好地保持目标的边缘结构，会对全变分项引入惩罚系数来增 强原始图像与目标图像之间的结构梯度相似性，则惩罚系数需要具有分辨纹理 和目标结构的能力。近年来，基于局部梯度设计惩罚系数的研究取得了较为显 著的成果，相继涌现出相对全变分(RTV)、局部全变分偏差(LVD)、间隔 梯度(IG)全变分、指数全变分(ETV)、高斯全变分(GTV)等形式的全变 分正则项。这些算法广泛应用于图像去雾、低照度图像增强等，在图像结构保 持和纹理去除方面都取得了较好的效果，但是在保持图像结构的同时去除图像 中较大尺度的纹理方面依然存在问题，另外算法的结果受优化函数中参数的选 取影响较大。