(华南理工*机械工程，广东广州510640)
引 言
具有视觉的智能焊接机器人以及焊接自动化系统是焊接生产的发展方向。在这些基于视觉传感的系统中，图像处理起着十分关键的作用。在智能焊接系统中，焊缝图像可分为焊接前、焊接中、焊接后3大类。焊前焊缝图像处理主要是寻找焊缝、提取待焊部位有关信息，其信息主要用于焊缝自动引导(包括焊接起点确定、焊缝自动对中)、焊接路径规划；焊接中的焊缝图像处理主要是提取焊缝、熔池的有关信息，用于焊缝跟踪、焊接熔池的实时控制；焊后焊缝图像处理则是提取焊接缺陷几何尺寸与位置，用于焊接质量的分析。虽然不同阶段的焊缝图像处理的内容不同，但焊接图像处理过程一般都包括图像滤波与增强、图像分割、图像理解与分析. 大环节。图像分割是图像处理的重要一环，它是图像处理与分析问题的基础，也是计算机视觉研究中的一个难题。
1 阈值法进行焊缝图像分割理论基础
目前研究人员提出了许多图像分割方法，其中阈值法由于具有计算简单的特点，在重视运算效率的应用场合得到了较广泛的应用。特别是当感兴趣的物体在其内部具有均匀一致的灰度值并分布在一个具有另一个灰度值均匀的背景时，采用阈值法能得到很好的分割效果。阈值法是基于在图像中“同一种物质、细胞、粒子具有相同或相似灰度或彩色的概率*的原理，采用灰度级的差别来分割图像中各物体。如果f(i,j)为图像(i,j)点处的灰度值，图像灰度级为L，其取值为0,1,…,L-1我们可以取一个灰度值K作为图像分割的阈值，将f(i,j)≤K点划归目标部分，而f(i,j)>K点划归背景部分。
焊接前焊缝图像分割的主要目的是将待焊部位或焊缝间隙区域划分出来，供后续的诸如提取焊缝中心坐标等图像理解与分析之用。由于焊接母材、焊缝间隙分属于不同的物质，在图像中表现为不同的灰度值，在通常情况下，焊缝间隙呈现为低灰度值的阴影，因此阈值法可以用于焊接前焊缝图像的分割。
采用阈值法进行图像分割关键在于选择阈值K。在图像分割时，若阈值K选得过高，则过多的目标点被误归为背景点；反之，会将有过多的背景点误归为目标点。这势必会给分割出来的目标的大小和形状造成不应有的误差。为了寻求*的分割阈值，目前已研究出多种阈值选取算法，如P参数法、双峰法、*类间方差法(OTSU法)等。每种方法都有各自的特点和不同的应用场合，其中*类间方差法(OTSU法)被认为是阈值自动选取方法的*方法之一。
2 *类间方差法
1979年，日本学者提出了一种全局阈值选取法，即*类间方差法。如果一幅图像由一物体和背景构成，物体与背景有不同的灰度值，基于直方图统计图像的灰度值为1~L级，在1~L间选择阈值K，将图像分为目标!暗C0=1~K与背景(亮)C1=K+1~L两类，如果两类的类间方差σB *，则所求出的K为*阈值k‘。其主要运算公式为：
式(1)~式(13)中 ni为灰度值的像素数，N为图像总像素数；P(i)为灰度值的概率ω0,ω1，分别为目标、背景的概率μ0、μ1、μγ；分别为目标、背景、图像的灰度平均值:σ0、σ1、σγ分别为目标、背景、图像的方差；σB、σW分别为类间、类内方差；n为阈值选择函数。
3 改进*类间方差法
在OTSU法中，方差是灰度分布均匀性的一种度量。类间方差代表了图像的明、暗两类的差别，类间方差值越大，说明构成图像的2部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小，类间方差*的分割表示两类错分的概率最小。因此当图像由明、暗两类构成，各类的灰度分布均匀时，运用*类间方差法可以得到很好的分割。图1a是在室内自然光条件下拍摄的I型坡口的焊缝图像，从图像上看，焊缝间隙表现为阴影，焊接母材的灰度分布相对均匀，运用OTSU方法求出阈值为102，二值化的结果如图1b 所示。但是，在实际过程中，焊接母材在焊缝图像中的灰度分布并不总是均匀的，当焊接母材进行过表面处理，图2a、图3a 显示的坡口两侧打磨的I、V型坡口焊缝图像；或在拍摄中有不均匀光照干扰，图4a为图1a的焊缝间隙和焊接母材受到光照干扰的图像，用OTSU法求出的阈值进行分割，其图像分割的质量不好。
由于OTSU法是建立在图像仅由明(背景)、暗(目标)两类构成的基础上，类间方差除了考虑方差外，还用目标、背景概率作为加权系数，而概率实际上是目标或背景在整幅图像中的比例，即反映了目标或背景的尺寸大小。因此，运用OTSU法进行焊前焊缝图像分割，如果焊缝间隙在整幅图像中占的比例较小，而待焊工件由于表面打磨、锈斑或现场光照的不同情况，如图2a、图3a、图4a所示，使待焊工件在图像上表现为灰度分布不均匀时，也就是说当焊缝图像不仅仅是由明、暗两类构成，就会有太多背景被错分割为目标，不能有效地将焊缝区域分割出来，上述图像用OTSU法分割的效果分别见图图2b、图3b、图4b。
为了得到理想的分割质量，当然可以通过提高表面加工质量、减少光照干扰或截取小尺寸图像的方法来保证焊缝、待焊工件的灰度分布均匀，但这些方法无疑增加了前期的工作。理想的方法是对OTSU方法进行改进，提高它的适应能力。考虑到待焊工件表面打磨或锈斑并不影响焊缝间隙的灰度分布，同时由于焊缝间隙在图像中的比例较小，光照干扰对焊缝间隙影响不大，如果焊缝间隙的灰度属于图像中最暗的区域(通常这一条件可以满足)，可以采用多次分割的方法，即用OTSU法首先将图像中最亮的区域分割掉，在剩下的区域进行二次分割，直到焊缝间隙区域，比较每次分割的阈值选择函数η，η*的分割即为*分割。这种改进的OTSU算法流程如图5所示。
在图5的算法中，首先计算出整幅图像的灰度平均值，考虑到焊缝间隙为最暗的阴影，*的分割阈值必定小于灰度平均值，为了减少运算时间，初次的OTSU法是在灰度平均值以下找阈值。在改进的OTSU方法中，判断分割是否到达焊缝间隙区域十分重要，根据OTSU法中式(12)类内方差的定义以及不同类别的边界及其附近点的灰度跃变较大的特点，我们提出以图像像素数的变化率小于类内方差的变化率作为停止分割的判别准则。也就是说相邻的两次分割，如果被舍去的像素数目较大，而类内方差变化较小，说明被舍去像素的灰度值与剩下像素的灰度值相近，二者属同一类，此时应停止分割。
运用改进的OTSU算法，我们对多幅焊缝图像进行分割实验，均取得较好的分割效果。其中对图1a、图2a、图3a、图4a的焊缝图像进行分割的有关参数见表1，采用*阈值法进行二值化的结果如图1c、图2c、图3c、图4c所示。
4 结论
对多幅I型、V型坡口，焊接母材表面状况不同的焊前焊缝图像，运用改进OTSU法进行分割实验。由实验结果可知，该算法一般在2-4次分割找出*阈值，可满足焊缝自动引导等工作对实时性的要求，在分割质量方面，优于原OTSU算法，具有较强的自适应性，能有效地分割焊缝图像，为后续的焊缝的识别打下良好的基础。应当指出是该算法还存在一定的局限性，首先它是建立在焊缝间隙的灰度值在图像中最小的条件下，如果焊接工件背面存在光源，使焊缝间隙在图像中表现为一条亮纹，或焊接母材存在比焊缝间隙更暗的区域，改进的OTSU算法失效；其次，如果焊缝间隙的灰度分布不均匀，会存在过度分割的情况。
