CN101706959A - 基于二维信息熵金属板带表面缺陷提取方法 - Google Patents

Abstract

本发明涉及基于二维信息熵金属板带表面缺陷提取方法，首先，对采集来的源图像进行高斯平滑；然后，对平滑后的图像针对缺陷目标进行空间域的增强；再用自适应熵的方法对前面处理后的图像进行缺陷目标分割；接着，形态学中的方法对分割后的二值图像法进行闭运算，改善其连通性得到最终的缺陷图像；缺陷定位精确、效率高且占用资源少，为后续检测技术的精度提供了保证。本发明的方法简单稳定可靠，有效解决了传统基于灰度异常方法的板带表面质量检测系统在遇到大量良性缺陷及板型干扰时出现提取失效、易造成系统数据总线出现瘫痪等问题，有效目标提取率得到较大的增强。

Description

基于二维信息熵金属板带表面缺陷提取方法

技术领域

本发明涉及一种基于二维信息熵冶金板带表面缺陷在线自适应提取方法，用于板带表面质量检测。

背景技术

表面检测系统是冶金板带材质量控制系统的重要组成部分，而表面缺陷提取方法是表面检测系统中的关键技术。

随着有色加工技术的不断创新和进步，有色带材加工成品表面质量要求的提高以及加工过程中产品质量跟踪，对于加工工艺流程的控制都使得表面缺陷检测系统扮演着越来越重要的角色，其中表面缺陷提取技术的有效性决定了表面检测系统的检测性能。目前国内无论是对于引进的设备还是对于自行研制的实验性检测设备，均遇到对于检测目标的定位效果不是很好，容易受到材料类型的不同、板型状况不好、环境干扰以及大量良性附着物等因素的影响。

表面缺陷检测系统作为质量控制系统的关键组成部分，分布于基础自动化和过程控制系统二级系统中，起着对产品的在线质量检测、成品管理以及对材料的加工工艺流程控制等作用。而这些功能的实现都要以材料表面异常的快速有效定位为重要前提，而该环节又受制于上述各项因素的影响，因此如何寻找有效的缺陷提取方法是表面检测系统提高缺陷检测和识别率的重要途径。

发明内容

本发明的目的是克服现有技术存在的不足，提供一种基于二维信息熵冶金板带表面缺陷在线自适应提取方法，旨在解决板带表面质量检测系统中的缺陷提取问题。

本发明的目的通过以下技术方案来实现：

基于二维信息熵金属板带表面缺陷提取方法，特点是：首先对由线阵传感器采集来的材料表面图像数据采用高斯平滑算子对其进行高斯平滑，接着针对目标进行图像空域增强；然后采用基于直方图的二维熵自适应阈值的方法对图像进行缺陷目标分割；最后用形态学中的闭运算去除目标内部的孤立点和噪声，改善区域的联通性，得到最终的缺陷图像；包括以下步骤：

①用平滑算子对采集的材料表面图像进行卷积运算，去除图像的噪音；

②对平滑后的图像进行空域增强，以增强目标；

③利用二维信息熵的方法对图像进行缺陷分割，得到一个分割后的图像；

④对分割后的图像利用形态学中闭运算对其进行处理，去除缺陷目标内部的孤立点和噪音，改善图像区域的连通性，得到最终的板带表面缺陷图像。

进一步地，上述的基于二维信息熵金属板带表面缺陷提取方法，其中，平滑算子是高斯平滑算子；空域增强采用拉普拉斯算子；二维信息熵采用的信息熵是图像二维直方图信息熵；闭运算算子是一个所有元素为1的模版。

本发明技术方案突出的实质性特点和显著的进步主要体现在：

本发明方法首先通过高斯平滑和空域增强，去除图像噪音，增强要提取的目标，为阈分割提供一个高质量的图像；而后采用基于二维信息熵的方法对图像进行缺陷分割，分割过程中最大程度的利用了图像中目标和背景所包含的信息，消除了图像中噪声点、边缘点和杂质点的影响，同时由于不仅利用了像素灰度信息，还利用了其邻域的信息，相比于一维信息熵的方法，极大的减少了噪声等异质点被误分割为缺陷目标的概率，而且对于明暗场图像均适合；但由于阈分割是一个主观的过程，所得的二值图像可能包含不需要或不想要的信息，因此最后采用形态学中的闭运算算子对分割后的图像进行区域连通，去掉目标中的孤立或噪声点，将断了的目标连起来，定位出最终的缺陷图；这几步，步步紧扣，相辅相成，提高了缺陷定位精度。缺陷定位精确、效率高且占用资源少，为后续检测技术的精度提供了保证。本发明的方法简单稳定可靠，有效解决了传统基于灰度异常方法的板带表面质量检测系统在遇到大量良性缺陷及板型干扰时出现提取失效、易造成系统数据总线出现瘫痪等问题，有效目标提取率得到较大的增强。

附图说明

下面结合附图对本发明技术方案作进一步说明：

图1：本发明所用的高斯滤波器的高斯核；

图2：尺寸为3的高斯核的一个示例；

图3：尺寸为5的高斯核的一个示例；

图4：本发明空域增强所用的拉普拉斯核；

图5：拉普拉斯核的一个示例；

图6：图像关于灰度值-区域灰度均值的二维直方图的二维灰度空间示意图；

图7：本发明中闭运算所使用的模版；

图8：本发明的流程图。

具体实施方式

本发明提供一种基于二维信息熵冶金板带表面缺陷在线自适应提取方法，首先，对采集来的源图像进行高斯平滑；然后，对平滑后的图像针对缺陷目标进行空间域的增强；再用自适应熵的方法对前面处理后的图像进行缺陷目标分割；接着，形态学中的方法对分割后的二值图像法进行闭运算，改善其连通性得到最终的缺陷图像；其流程是：

①用平滑算子对采集的材料表面图像进行卷积运算，去除图像的噪音；其中，平滑算子是高斯平滑算子；

②对平滑后的图像进行空域增强，以增强目标；域增强采用拉普拉斯算子，对图像相继进行平滑和空域增强，平滑算子去除图像的噪音，空域增强目标，为后面的图像分割提供一个噪音少、目标明确的图像；

③利用二维信息熵的方法对图像进行缺陷分割，得到一个阈分割的图像；其中，二维信息熵采用的信息熵是图像二维直方图信息熵；

④对分割后的图像利用形态学中闭运算对阈分割后的图像进行处理，以得到缺陷定位精确的图像，去除缺陷目标内部的孤立点和噪音，改善图像区域的连通性，得到最终的板带表面缺陷图像；其中，采用闭运算(4)算子为图6，是一个所有元素为1的模版.

具体包含以下步骤：

1)对源图像进行平滑处理

高斯平滑减弱像素邻域内的亮度变化。平滑目标的形状减弱细节。类似于平滑算子，但是模糊影响要比平滑算子弱多了。在此，主要是用于去掉一些噪音，所以采用模糊影响较弱的高斯滤波器。高斯核如图1所示。

高斯平滑卷积滤波器是一个平均滤波器，核使用下面的模版，如图1所示，其中a，b，c，d是正整数，X＞1。给定尺寸的高斯卷积核的系数最好是尽可能的接近高斯曲线上的整数值。

图2是高斯核的一个示例。

2)对平滑后的图像进行空域增强

采用拉普拉斯核作为卷积模版，对图像进行卷积运算，增强图像空域信息，达到增强缺陷目标的目的，为后续缺陷提取工作提供一个高质量的图片，以改善缺陷定位精度。拉普拉斯核是一个二阶偏导，核使用的模版为图4所示，其中a，b，c，d为负整数，中心系数X＞2(|a|+|b|+|c|+|d|)。图5是高斯核的一个示例。

3)用自适应熵方法对已经增强目标后的图像进行阈值分割以得到初步的缺陷图。

如图6所示，T轴为像素点灰度值，S轴为像素点的邻域灰度均值，原始图像中每个像素都对应一个点灰度值-区域灰度均值对，建立图像关于灰度值-区域均值的二维直方图。由于图像的所有像素中，目标点和背景带所占的比例最大，且目标区域和背景区域的内部的点灰度与其区域均值相差不大，所以都集中在对角线附近。远离对角线分布的是噪声点、边缘点和杂质点。故图6中沿对角线分布的A区和B区代表了目标和背景，在A区和B区上用点灰度-区域灰度均值二维最大熵法确定分割阈值向量(s，t)。设A区和B区的信息二维熵分别为H(A)和H(B)，图像的信息熵为H(s，t)＝H(A)+H(B)，最佳阈值向量为

利用二值化函数

将缺陷目标从图像中被初步分割出来，其中1表示目标，0表示背景，从而将缺陷目标从图像中被分割出来。

4)通过闭运算对阈值分割得到的二值图像进行进一步处理

阈值分割是一个目标提取过程，得到的二值图像可能包含不想要的信息，如噪声，目标与图像边缘的接触部分等等。采用形态学中的闭运算可以去除这些不需要的信息，影响目标形状，从而提高二值图像的信息。

为了更好的理解本发明的技术方案，结合附图通过示例并且不限制地表示本发明，作进一步详细描述。

图1是本发明为后续处理提供一个噪音较少的图像而采用高斯平滑滤波器的卷积核，其中a、b、c、d是整数，X＞1。图2与图3是高斯核的一个示例。

由于高斯核内的所有的系数是正的，每个像素是相邻点的加权平均.相邻点的权值越大，对中心点的新值产生的影响越大.

与一般平滑核不同的是，高斯滤波的中心系数是大于1的。所以像素的原始值所乘的加权值大于邻域内任何像素的权值。因此，中心系数越大对应一个更微妙的平滑效应。核尺寸越大，平滑效果越大。对图像的模糊程度要低于其他的平滑算子，故在去除噪声的同时，最大程度的保留了图像的信息。

图4为拉普拉斯核，是本发明针对目标提取而设计的一个空域增强模版。显现了缺陷目标。图5是拉普拉斯核的一个示例。

高斯平滑与空域增强相结合，为下一步图像分割提供了一个噪声少，缺陷目标明显的图像，无形中将提高下一步的缺陷分割精度。

图6是图像关于灰度值-区域灰度均值的二维直方图的二维空间示意图。T轴为像素点灰度值，S轴为像素点的邻域灰度均值，原始图像中每个像素都对应一个点灰度值-区域灰度均值对(i，j)，其中i为像素灰度值，j为该像素的邻域灰度均值。设h_ij图像中点灰度为i，其邻域灰度均值为j的像素点的个数，p_ij为点灰度值-区域灰度均值对(i，j)发生的概率，则其中M×N为图像的大小，那么{p_ij|i，j＝1，2，…，L}就是图像关于灰度值-区域均值的二维直方图，其中L为灰度水平。

由于图像的所有像素中，目标点和背景带所占的比例最大，且目标区域和背景区域的内部的点灰度与其区域均值相差不大，所以都集中在对角线附近。远离对角线分布的是噪声点、边缘点和杂质点。沿对角线分布的A区和B区代表了目标和背景。若阈值为(s，t)则

目标和背景出现的概率分别为和

A区和B区的二维信息熵分别为：

$H\left(A\right)=-\underset{i=1}{\overset{s}{\mathrm{\Σ}}}\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}/P_A{\log }_2(P_{\mathrm{ij}}/P_A)=\frac{H_A}{P_A}+{\log }_2{P}_A,$ 其中 $H_A=-\underset{i=1}{\overset{s}{\mathrm{\Σ}}}\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}{\log }_2{P}_{\mathrm{ij}};$

$H\left(B\right)=-\underset{i=s+1}{\overset{L}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}/P_B{\log }_2(P_{\mathrm{ij}}/P_B)=\frac{H_B}{P_B}+{\log }_2{P}_B,$ 其中 $H_B=-\underset{i=1}{\overset{s}{\mathrm{\Σ}}}\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}{\log }_2{P}_{\mathrm{ij}}.$

由于远离对角线部分包含的是关于噪声和边缘的信息，所以将其忽略不计，即假设该部分区域的p_ij≈0，其中i＝s+1，s+2，...，L；j＝1，2，...，t，以及i＝1，2，...，s；j＝t+1，t+2，...，L。所以得到P_B＝1-P_A，令

有H_B＝H_L-H_A。图像的信息熵为：

$H=H\left(A\right)+H\left(B\right)=\frac{H_A}{P_A}+{\log }_2{P}_A+\frac{H_L-H_A}{1-P_A}+{\log }_2(1-P_A).$

为了简化计算量，将

和

代入H(A)有

$H\left(A\right)=-\frac{1}{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}}\underset{i=1}{\overset{s}{\mathrm{\Σ}}}\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{\log }_2{h}_{\mathrm{ij}}+{\log }_2\left(\underset{i=1}{\overset{s}{\mathrm{\Σ}}}\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}\right).$

令 $a=\underset{i=1}{\overset{s}{\mathrm{\Σ}}}\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{h}_{\mathrm{ij}},Q_A=-\underset{i=1}{\overset{s}{\mathrm{\Σ}}}\underset{j=1}{\overset{t}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{\log }_2{h}_{\mathrm{ij}},$ $Q_L=-\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}{\log }_2{h}_{\mathrm{ij}},$ 有 $H\left(A\right)=\frac{Q_A}{a}+{\log }_{2}a,$ $H\left(B\right)=\frac{Q_L-Q_A}{\mathrm{MN}-a}+{\log }_2(\mathrm{MN}-a)$

故在阈值(s，t)下，图像的信息熵为

$H(s,t)=H\left(A\right)+H\left(B\right)=\frac{Q_A}{a}+\frac{Q_L-Q_A}{\mathrm{MN}-a}+{\log }_2\left[a(\mathrm{MN}-a)\right].$

当H(s，t)取得极大值所对应的阈值向量(s，t)，即为所求的分割阈值向量，s和t分别为S轴和T轴的分割点。图像根据分割阈值向量进行二值化处理，二值化函数为

其中1表示目标，0表示背景，从而将缺陷目标从图像中被分割出来。

因为在二维灰度直方图中，像素点近似对称的分布在对角线附近，所求得的S轴和T轴的分割阈值s和t近似一般都十分接近，所以可以简化计算，分割点只取对角线上的点，即t＝s，则二值化函数为：

基于二维直方图的最大熵分割方法在分割过程中最大程度的利用了图像中目标和背景所包含的信息，消除了图像中噪声点、边缘点和杂质点的影响，此方法不仅利用了像素的灰度信息，还利用了其邻域的信息，故减少了噪声等异质点被误分割为目标的概率。

图7为本发明中闭运算所采用的模版，将断开的缺陷连接起来，同时去除缺陷目标中的异质点。形态学中的闭运算其实是先用模版对图像进行形态学中的膨胀运算，然后用同样的模版进行形态学中的腐蚀运算。

图8示意了整个发明的流程，工作原理是：利用高斯平滑和空域增强对源图像进行预处理，去除噪声，增强缺陷目标，为后续的图像分割提供一个高质量的图像。接着通过最大化用二维信息熵来确定分割阈值，得到一个缺陷分割图像，二维信息熵明显优于一维的，因为其减少了噪声等异质点被误分割为目标的概率，再进一步用形态学中的闭运算得到一个分割精度高的图像。这里的每一步，步步相扣，都是力求尽可能的去掉异质点，精确定位出缺陷。

综上所述，本发明方法首先通过高斯平滑和空域增强，去除图像噪音，增强要提取的目标，为阈分割提供一个高质量的图像；而后采用基于二维信息熵的方法对图像进行缺陷分割，分割过程中最大程度的利用了图像中目标和背景所包含的信息，消除了图像中噪声点、边缘点和杂质点的影响，同时由于不仅利用了像素灰度信息，还利用了其邻域的信息，相比于一维信息熵的方法，极大的减少了噪声等异质点被误分割为缺陷目标的概率，而且对于明暗场图像均适合；但由于阈分割是一个主观的过程，所得的二值图像可能包含不需要或不想要的信息，因此最后采用形态学中的闭运算算子对分割后的图像进行区域连通，去掉目标中的孤立或噪声点，将断了的目标连起来，定位出最终的缺陷图；这几步，步步紧扣，相辅相成，提高了缺陷定位精度.缺陷定位精确、效率高且占用资源少，为后续检测技术的精度提供了保证.本发明的方法简单稳定可靠，有效解决了传统基于灰度异常方法的板带表面质量检测系统在遇到大量良性缺陷及板型干扰时出现提取失效、易造成系统数据总线出现瘫痪等问题，有效目标提取率得到较大的增强.

以上仅是本发明的具体应用范例，对本发明的保护范围不构成任何限制。凡采用等同变换或者等效替换而形成的技术方案，均落在本发明权利保护范围之内。

Claims (5)

1.基于二维信息熵金属板带表面缺陷提取方法，其特征在于：包括以下步骤：

①用平滑算子对采集的材料表面图像进行卷积运算，去除图像的噪音；

②对平滑后的图像进行空域增强，以增强目标；

③利用二维信息熵的方法对图像进行缺陷分割，得到一个分割后的二值图像；

④对分割后的图像利用形态学中闭运算对其进行处理，去除缺陷目标内部的孤立点和噪音，改善图像区域的连通性，得到最终的板带表面缺陷图像。

2.根据权利要求1所述的基于二维信息熵金属板带表面缺陷提取方法，其特征在于：平滑算子是高斯平滑算子。

3.根据权利要求1所述的基于二维信息熵金属板带表面缺陷提取方法，其特征在于：空域增强采用拉普拉斯算子。

4.根据权利要求1所述的基于二维信息熵金属板带表面缺陷提取方法，其特征在于：二维信息熵采用的信息熵是图像二维直方图信息熵。

5.根据权利要求1所述的基于二维信息熵金属板带表面缺陷提取方法，其特征在于：闭运算算子是一个所有元素为1的模版。

Images