对于一幅二值图像，假定白色为前景色，黑色为背景色，将前景色的像素的值转化为该点到达最近的背景点的距离，判断该距离是否存在异常，即可得到缺陷的相应位置。
由图9.15得到，求解距离值可以采用2种不同的算法，欧式距离和曼哈顿距离。蓝色、红色、绿色为曼哈顿距离，黄色是欧式距离。由A点到B点的距离用曼哈顿距离计算为12，欧式距离则取平方根，为8.48。本书采用的是欧式距离和8连通域搜寻结合，依次计算目标点到背景点8领域范围的距离值，并保存最小的一个，作为该点得的距离值。以此类推，可以将整幅图的距离值计算出来。
在骨架提取的过程中，已将骨架上的每点坐标值保存在数组中，通过对比骨架上的坐标和整幅图的坐标，即可得到骨架上每个像素点的距离值。为每幅图设定一个距离阈值，若检测到某点距离值发生异常或者突变，则将其记录，有可能为缺陷所在处。通过测试，缺陷找寻的准确性与阈值的设定有很大的关系，故本书将骨架阈值设定为每条线段距离值的平均值上下浮动8.13，测试效果较为理想。
图9.15 欧式距离
凸起和凹陷是PCB板的两种重大缺陷，共同特点缺陷处在距离值会发生突变，故采用该种算法进行识别和检测。(www.xing528.com)
由图9.16可知，红色代表凸起、绿色代表凹陷。提取骨架后，计算出每条骨架的平均距离值，再通过搜寻骨架上每个像素点的距离值是否与平均值存在异常，来判别缺陷所在位置，并进行分类。
通过搜寻距离异常值，可将板子的凸起和凹陷两种缺陷完全检测出，不会有漏检现象。不过还会有些许的误检，例如上图中骨架端点处。因为采用距离变换，在端点处距离值偏大，会被误判成缺陷。鉴于电路板的线路复杂，形状不一，没有唯一的算法可将漏检误检完全杜绝，但该现象并不会影响检测结果，只要保证不存在漏检即可。
通过提取骨架，搜寻骨架上每个像素点的距离值，找到异常即为缺陷所在，可以保证其精确性，但处理效率不是很理想，主要是由于此算法利用8连通区域遍历整幅图的距离值，会导致计算量加倍。故本书在后期改进了算法，只需搜寻每个连通区域的边缘像素坐标，依次计算骨架像素点到边缘坐标点的距离，同理，若出现异常值，则说明该点存在缺陷。改进算法的思想没变，都是基于提取骨架和搜寻距离值异常的思路，但在效率方面，大致提高了30倍左右。
图9.16 基于距离变换的缺陷检测
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
