对试样图像内容进行图形识别的电子图像传感器的信号评价方法

摘要

一种对试样图像内容进行图形识别的电子图像传感器的信号评价方法，其中图像传感器对光输入信号进行接收和输出一个电气输出信号，所述电气输出信号与光输入信号相关，具有下述步骤：对大小为n×n像素的窗的图像内容进行分析，利用一个至少计算规程将图形传感器间接或直接输出的输出信号变换成至少一个不变的特征值，用至少一个模糊的属性函数对特征值加权，其中属性函数与特征值的数值范围具有函数关系，通过至少一个规则建立的计算规程对所有的属性函数的逻辑连接生成上位的模糊属性函数，根据上位的模糊属性函数求出一致值，将一致值与阈值进行比较，对类别属性进行判定。

说明书

本发明涉及根据权利要求1、2或19所述的对试样图像内容进行图形识别的电子图像传感器的信号评价方法。

已知的用于对试样的图像内容进行分析的方法大多建立在用于对相同性测定的量度，例如被分段的对象的间距尺寸或对整体界限的分布计算的基础上。这些方法大多建立在偏移变化的输出信号谱的基础之上。但实际上常常会出现诸如在摄像系统下面的对象物的移动或在摄像时的不同的底衬或混淆效应等情况，以至于在许多情况下不能对这种输出信号谱进行直接的比较。

在托马斯·蒂利所著的题为“采用模糊逻辑的图形识别：分析、分类、识别和诊断”的专著，弗朗西斯出版社有限公司，慕尼黑，1993，183/184，208-210，235-257页(Thomas TILLI“Mustererkennung mit Fuzzy-Logik：Analysieren，klassifizieren，erkennen und diagnostizieren”Franzis-VerlagGmbH，München，1993，S183/184，208-210，235-257)中披露了采用模糊逻辑对图像进行处理，其中信号处理的方式是对光谱进行变换。

在电子学杂志1992年第22期88-92页中彼得·阿尔纳曼发表的题为“采用模糊逻辑进行的图形识别”(“Mustererkennung mit FUZZY-Logik”von Peter ARNEMANN，Elektronik 22/1992，Seiten 88-92)中描述了图形识别时对模糊逻辑的应用。

在模糊信息处理学会1999年的NFIPS第18次北美国际会议会议录507页-511页中D·沙拉拉姆皮迪斯、T·卡斯帕利斯、M·格奥尔吉奥普罗斯、J·罗兰发表的题为“建立在天然纹理的分类技术基础上的模糊艺术图像”中描述了进行具有学习阶段的图形识别和在进行图像识别时采用16×16像素的窗。

本发明的目的在于提出对试样图像内容进行图形识别的电子图像传感器的信号评价方法。

本发明采用权利要求1、2或19实现了所述目的。

本发明的优点特别在于，对一个其大小为n×n像素的图像窗的传感器信号进行分析。因此可以将该图像窗的传感器信号视为是局部的。本发明的方法主要分为如下步骤：生成特征、模糊化、干涉、去模糊化和对类别归属进行判定。

在生成特征时利用至少一个计算规程将传感器信号转换成特征空间内的一个不变的，特别是转换恒定的信号。特征生成旨在确定那些用于描述图像内容的典型的信号特性的参量。由所述的特征表示图像内容的典型的信号特性。在此可以由特征空间内的值或语言学的变量表示特征。通过将传感器信号转换成特征空间，产生一个由一个特征值或多个特征值构成的信号。

由至少一个模糊的属性函数对归属于一个特征的特征值的属性加以说明。在此涉及的是软的或甚至是模糊的归属分配，其中取决于对特征值的归属于特征的特征值的属性在标准的0和1之间的间隔内。这种属性函数的方案导致一个特征值不再完全地分配给一个特征或根本不分配给一个特征，而是可以采用模糊属性，所述模糊属性在布尔真值1和0之间。我们将上述步骤称作模糊化。在模糊化过程中主要进行一个模糊的特征值向一个或多个模糊的属性的转换。

在进行干涉时，利用一个至少由规则构成的计算规范产生一个上位的属性函数，其中所有属性函数相互逻辑连接。因此作为结果得出每个窗的一个上位的属性函数。

在进行去模糊化时，根据在干涉过程中求出的上位的属性函数求出一个也被称作一致值(Sympathiewert)的数值。在对类别属性进行判定时进行一致值与预先确定的阈值的比较，根据所述阈值对窗的特定类别的属性进行判定。

至于在特征空间内是哪种特征值对于本发明的原理仅处于次要的位置。例如就时间信号而言作为特征值可以测定平均值，也可以测定变量。如果要求评价方法可以不受占支配地位的信号强度的影响无误差地对图像内容进行处理，和图像信号其它的微弱的、但允许的波动不应导致干扰，则最好利用两维的谱变换，例如利用两维的傅立叶变换或两维的沃尔什变换或两维的哈德马德变换或两维的循环变换进行根据两维的位置空间对传感器信号的变换。通过两维的谱变换得出不变的特征值。另一优选的实施方式在于采用通过谱变换获得的谱系数值作为特征值。

根据一优选的实施例，属性函数是单峰期望函数和上位的属性函数是多峰期望函数。

根据进一步优选的实施例，至少一个属性函数被参数化。如果属性函数具有正的和负的增长，则最好对正的和负的增长的参数分别加以确定。因此可以实现参数对有待分析的数据组的较好的配合。

根据一特别优选的实施例，将方法分成学习阶段和工作阶段两部分。在属性函数被参数化时，在学习阶段根据测出的数据组求出属性函数的参数。在学习阶段属性函数的参数与所谓的基准图像相适应，即在学习阶段由根据基准得出的特征值的属性利用属性函数及其参数导出相应的特征。在接着进行的工作阶段中利用在学习阶段的属性函数及其参数对根据测出的数据组得出的特征值进行确定和加权，因此可以推导出测出的数据组的特征值对相应特征的属性。由于将方法分成学习阶段和工作阶段，因而可以根据测出的基准数据组求出属性函数的参数和在接着的工作阶段用在学习阶段确定的属性函数对测出的有待检测的数据组进行加权和评价。

根据进一步优选的实施方式至少一个将属性函数逻辑连接的规则是一个以“如果......则”-逻辑连接形式的逻辑规则。

根据进一步优选的实施方式，上位的模糊属性函数的生成分成如下分步骤的运算处理：已知条件的评价、启动和聚集。在此在对规则的每个“如果”部分的前提条件评价时求出一个属性值和在启动时为每个“如果......则”-规则确定属性函数。接着在聚集时通过对所有启动时产生属性函数的叠加产生上位的属性函数。

根据进一步优选的实施例，采用重点方法和/或最大方法求出一致值。

下面将对照附图对本发明的实施例做进一步的说明。图中示出：

图1信号评价方法的流程图；

图2对应性曲线；

图3a为D＝8次幂的差函数；

图3b为D＝4次幂的差函数；

图3c为D＝2次幂的差函数

图1示出下述评价方法的流程图。在采用对试样的图像内容进行信号评价的方法时在整个有待分析的图像上覆盖由N×N个窗01构成的网格。每个窗01由n×n个像素02构成。在进行图像分析时分别对每个窗01的信号进行分析。接着可以对每个窗01的图像内容03进行局部观察。

通过对一次或多次光谱变换04将局部范围的两维图像转换成在频率范围内的两维图像。采用此方式获得的谱被称作频谱。由于在本实施例中涉及的是离散的光谱，所以频谱也是离散的。由也被称作谱值06的谱系数06形成频谱。

在下一个方法步骤中对频谱值06进行等效07。等效频谱值06被称作频谱幅度值08。频谱幅度值08在本实施例中构成特征值，即频谱幅度值08与特征值相同。

优选采用循环变换进行变换。在进行循环变换时采用变换系数对不变的指示特性进行校准。与针对镜像的不变性或针对各种其它的变换组的不变性相同，可以对变换的不变性进行调整。因此可以利用例如镜像变化的变量的上述变换，进行字符分析(例如对数字“9”和“6”的区分)。同样可以采用镜像不变的方案用于对工件的检查，这是因为这时不必对镜像部分和原始部分进行区分。要说明的是，傅立叶变换的等效谱是镜像不变的。

所述循环变换采用实数系数值工作。所以不必像傅立叶变换那样进行复杂的计算。

循环变换在出现任何偏移时的亚像素范围内也具有很大的容限。通过比较得出，所述的循环变换就偏移而言优于其它已知的变换。

由于谱系数被再次成组地聚集，因而工作系数(特征)很少。

通过聚集产生对应于偏移的容限。即使在一个信号部分脱离测试范围时，特征仍可保持相对稳定。经试验表明，即使在大约达30％的图像内容在测试范围之外时，仍能保持稳定性。

作为另一方法步骤接着进行特征选择09；特征选择09旨在选择出那些对有待分析的图像的内容特性进行描述的特征。作为特征11是特性谱幅度值08，所述值通过其在频率范围内的位置和幅度对特征11加以定义，以及是语言学变量，例如“灰”、“黑”或“白”。

在接着进行的模糊化12方法步骤中，利用一个软的或模糊的属性函数13对每个谱幅度值08对特征11的属性加以确定，即进行加权。

如果在学习阶段属性函数13可以与基准数据组配合，则最好属性函数13是参数化的单峰的，即一维的期望函数，其中正增长和负增长的参数可以分别与有待检查的数据组适配。在学习阶段后面的工作阶段中分别用属性函数13对图像内容的数据组加权，其中根据图像内容的数据组得出待检图像的特征值08，所述属性函数的参数是在事先的学习阶段求出的。这意味着，对每个特征11进行属性函数13的参数表示的基准数据组与待检图像的数据组之间的额定值-实际值比较。通过属性函数13建立某个特征值09与特征11之间的软的或模糊的归属关系。

在下面进行的干涉14方法步骤中主要进行特征11的所有属性函数13的也被称作聚集15的逻辑连接，从而产生一个上位的属性函数16。

在下面进行的去模糊化17方法步骤中，根据上位的属性函数18求出具体的属性或一致值18。在分类19时将所述一致值18与经事先设定的阈值21进行比较，从而得出类别结论。可以人工或自动地对阈值21进行设定。所述对阈值的设定同样是在学习阶段实现的。

在分类时不是通过肯定的或否定的结论将一个数值直接分配给一个特定的类别。而是确定一个单峰函数，所述单峰函数对肯定结论或否定结论的归属加以描述。

其中对类别属性进行训练，即根据在过程中求出的测量值对判定曲线进行学习。用于确定属性程度的函数被称作属性函数ZGF＝μ(m_x)。计算出的属性函数值被称作一致值(Sympathiewert)μ。经常采用的是多个属性函数ZGF，所述属性函数在接着的步骤中被聚集，以便得出一个明确的结论。

很明显，这里采用的不是一个神经网络。根据神经网络已知可以实现所述的训练。

模糊板分类建立在同时实现间隔量度和特征逻辑连接的方案的基础之上。“模糊”系对特征“四舍五入”，但不是逻辑地实施，而是模糊地实施。此点首先导致对所有特征总体上进行考虑。及容许一个特征有小的偏差。其次当一个特征的偏差太大时，则该偏差立刻对间隔量度产生很大的影响。据此分选器输出本身并不提供“好/坏”判定，而是提供一个连续的在[0....1]之间的输出值。接着采用一个阈值，所述阈值实现“好/坏”判定。

间隔量度(一致值)的输出值为μ＝2^-z，其中

$>>z>=>>1>M>\underset{}{\overset{}{}}>>>(>>>|>>m>x>>->>x>0>>>(>>m>x>>)>>|>>>C>x>>>)>>D>>,>0>\le >z>\le >10>,>z>>>10>\Rightarrow >\mu >>(>z>)>>\equiv >0>.>$>

其中系数的定义如下：x＝计数指数，z＝平均间隔量度，M＝特征数量，x₀＝C_diff的平均值，C_x＝扩展值，D＝乘方，μ＝一致值，C_diff＝扩展值的差量度。

其中利用循环变换产生的测量值对扩展值进行学习。

μ值表示一个图形与用特征描述的基准图形的相似程度。这意味着，z值对μ值进行固有的控制。当z值很小时，μ值接近于1。图形非常相似(一致)。与此相反，当z值很大时，μ值将很小；图形不相似。图2示出实施时曲线的变化。

首先在学习阶段确定C_diff并为每个特征m_x确定一个值

Cdiff_x＝max(m_x)-min(m_x)，

其中C_diff为扩展值C的差量度和m为特征。

在检查时利用学习的C_diff值进行工作。另外用一附加的容限a对值进行覆盖。针对运行时间进行计算：

$>>>C>x>>=>>(>1>+>2>>p>Ce>>)>>·>>>max>>(>>m>x>>)>>->min>>(>>m>x>>)>>>2>>,>a>=>>(>1>+>2>>p>Ce>>)>>,>$>

其中C为扩展值和P_ce为C_diff的百分比容限。a值的范围在[1....3]之间。值P_ce说明分别对C_diff进行覆盖的百分比容限。可以将C_diff的范围扩展50％；得出a＝1+2*0.5＝2。

x₀值表示C_diff的平均值；为运行时间的每个特征计算出所述值。

对根据值C_x求出的特征值与平均特征值的差进行计算。用扩展值C_x的宽度对该差标准化。从而在偏差很小时相应的特征对z值影响很小；当偏差较大时根据扩展值C_diff的差的量度将产生很大的偏差值。所述偏差值被称作标准化的差d_x。

指数D(2、4、8)对标准化的差函数d_x的坡缘的灵敏度进行调整。当D值被调整到“无穷大”时(在技术上是不可能的)，则也可以得出一个无穷的坡缘陡度和因此实现“硬”的“好/坏”判定。因此，值通常可以在2....20之间进行调整。在图3c、3b和3a中示出这些值的曲线。

乘方的函数d_x被相加并且只采用参与的M个特征。在相加后计算出的值除以数量M。求出所有乘方的差d_x的平均值。

其实现的效果如下：通过乘方使小的偏差不会起作用；而大的偏差将被放大。通过相除计算出所有特征差的偏差。因而导致即使在多个特征出现偏差的情况下μ值也不会急剧降低。只有在偏差较大时，该值才变得很小。

接着进行阈值评价。

对所有窗都进行该过程。

对诸如印刷过程等动态过程的评价需要非线性间隔量度(一致值)。

附图标记对照表

01           窗，N×N窗

02           n×n像素

03           图像内容

04           两维谱变换，计算规程

05           -

06           谱系数，谱值

07           两维等效生成，计算规程

08           谱幅度值＝特征值

09           特征选择

10           -

11           特征

12           模糊化

13           属性函数

14           干涉，计算规程

15           -

16           上位属性函数，逻辑连接，聚集，计算规程

17           去模糊化

18           属性值，一致值

19           分类，类别属性

20           -

21           阈值

C            扩展值

C_diff       扩展值差量度

D            乘方

M            特征数量