CN102279191A - 周期性纹理图像中缺陷的检测方法和装置 - Google Patents
周期性纹理图像中缺陷的检测方法和装置 Download PDFInfo
- Publication number
- CN102279191A CN102279191A CN2010102053575A CN201010205357A CN102279191A CN 102279191 A CN102279191 A CN 102279191A CN 2010102053575 A CN2010102053575 A CN 2010102053575A CN 201010205357 A CN201010205357 A CN 201010205357A CN 102279191 A CN102279191 A CN 102279191A
- Authority
- CN
- China
- Prior art keywords
- image
- translation
- subtraction
- carried out
- source images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本申请公开了一种周期性纹理图像中缺陷的检测方法,包括以下步骤:获取待检测的源图像;将所述源图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第一平移图像和第二平移图像;将所述源图像分别与所述第一平移图像和所述第二平移图像相减,并对相减后的结果进行二值化,以分别得到第一相减图像和第二相减图像;以及将所述第一相减图像和所述第二相减图像进行与运算,得到缺陷图像。本申请还公开了用于执行以上方法的装置。
Description
技术领域
本发明涉及一种检测方法和检测装置,特别涉及一种对周期性纹理图像中的缺陷进行检测的方法和装置。
背景技术
在周期性纹理图像的形成过程中,存在多种原因可能导致所形成的周期性纹理中存在缺陷。例如,在采用辊筒作为印刷版的印刷工艺中,辊筒上粘有的脏污将会导致印刷至印刷载体上的周期性图案或者文字中出现缺陷,导致印刷不合格。为了提高印刷品的出厂合格率,需要检测出印刷品中存在的上述缺陷。
现有技术中通常采用的一种周期性纹理中的缺陷检测方法如下:首先拍摄一张标准图像,然后将每次拍摄的产品图像与这张标准图像进行对比,当产品图像与标准图像不一致时,则判定为产品图像中存在缺陷。但上述检测方法存在很大的局限性。具体来说,首先,若所拍摄的标准图像不准确,则所检测的产品图像都会判定为存在缺陷;其次,由于拍摄环境条件不同,图像载体发生的形变量也不同,因此不能确保每次拍摄的产品图像和标准图像是在完全相同的条件下拍摄的,从而影响缺陷检测的准确性;再次,在检测的过程中,不能保证每次拍摄的图像完全端正,拍摄得到的图像往往会发生随机的倾斜(这种倾斜与相机的安装无关),导致难以得到正确的检测结果。
根据现有技术中针对上述方法的一种改进方案,在将产品图像与标准图像进行对比时,是将产品图像的各个局部(例如每个文字或者图案)分别与标准图像进行单独对比。这种处理方式需要对每个局部进行x方向和y方向定位,从而影响检测速度。
发明内容
本发明的一个目的在于提供一种能够至少部分解决现有技术中上述问题的方法。
本发明的另一个目的在于提供一种能够至少部分解决现有技术中上述问题的装置。
根据本发明的一个方案,提供了一种周期性纹理图像中缺陷的检测方法,包括以下步骤:获取待检测的源图像;将所述源图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第一平移图像和第二平移图像;将所述源图像分别与所述第一平移图像和所述第二平移图像相减,并对相减后的结果进行二值化,以分别得到第一相减图像和第二相减图像;以及将所述第一相减图像和所述第二相减图像进行与运算,得到缺陷图像。
根据本发明的另一个方案,提供了一种周期性纹理图像中缺陷的检测方法,包括以下步骤:获取待检测的源图像;对所述源图像分别进行最小值滤波和最大值滤波,以获得最小值滤波图像和最大值滤波图像;将所述最小值滤波图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第一平移图像和第二平移图像,并将所述最大值滤波图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第三平移图像和第四平移图像;将所述源图像分别与所述第一平移图像和所述第二平移图像相减,并对相减后的结果进行二值化,以分别得到第一相减图像和第二相减图像,并将所述源图像分别与所述第三平移图像和所述第四平移图像相减,并对相减后的结果进行二值化,以分别得到第三相减图像和第四相减图像;将所述第一相减图像和所述第二相减图像进行与运算,得到第一缺陷图像,并将所述第三相减图像和所述第四相减图像进行与运算,得到第二缺陷图像;以及将所述第一缺陷图像和所述第二缺陷图像进行或运算,得到缺陷图像。
根据本发明的又一个方案,提供了一种用于对周期性纹理图像中的缺陷进行检测的装置,包括:获取模块,获取待检测的源图像;平移模块,将所述源图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第一平移图像和第二平移图像;减法模块,将所述源图像分别与所述第一平移图像和所述第二平移图像相减,并对相减后的结果进行二值化,以分别得到第一相减图像和第二相减图像;以及与操作模块,将所述第一相减图像和所述第二相减图像进行与运算,得到缺陷图像。
根据本发明的再一个方案,提供了一种用于对周期性纹理图像中的缺陷进行检测的装置,包括:获取模块,获取待检测的源图像;滤波模块,对所述源图像分别进行最小值滤波和最大值滤波,以获得最小值滤波图像和最大值滤波图像;平移模块,将所述最小值滤波图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第一平移图像和第二平移图像,并将所述最大值滤波图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第三平移图像和第四平移图像;减法模块,将所述源图像分别与所述第一平移图像和所述第二平移图像相减,并对相减后的结果进行二值化,以分别得到第一相减图像和第二相减图像,并将所述源图像分别与所述第三平移图像和所述第四平移图像相减,并对相减后的结果进行二值化,以分别得到第三相减图像和第四相减图像;与操作模块,将所述第一相减图像和所述第二相减图像进行与运算,得到第一缺陷图像,并将所述第三相减图像和所述第四相减图像进行与运算,得到第二缺陷图像;以及或操作模块,将所述第一缺陷图像和所述第二缺陷图像进行或运算,得到缺陷图像。
附图说明
图1是具有亮斑缺陷和暗斑缺陷的周期性纹理图像的示例;
图2是对图1所示图像进行最小值滤波后所得到的图像;
图3是将图2所示图像分别左右平移1个周期后再与图1所示图像对比后提取出的暗斑缺陷图像;
图4是对图1所示图像进行最大值滤波后所得到的图像;
图5是将图4所示图像分别左右平移1个周期后再与图1所示图像对比后提取出的亮斑缺陷图像;
图6是将图3和图5所示图像合并后得到的、周期性纹理图像中存在的缺陷图像;以及
图7是根据本发明一个具体示例的、对周期性纹理图像中缺陷进行检测的方法流程图。
具体实施方式
图像在某一方向上周期性重复即可构成周期性纹理图像。通常来说,周期性纹理图像中的缺陷并不是周期性的。如图1所示,其中的单元图像在水平方向和竖直方向上均具有周期性,但靠近图像左侧的暗斑缺陷和靠近图像右侧的亮斑缺陷并不呈现周期性。将图像具有周期性重复特征的方向定义为周期方向,根据本发明的方法,利用图像的周期性和缺陷的非周期性特征,通过将源图像与在其周期方向上平移N个周期后的图像相减,可提取出缺陷。其中N=1,2,3,...,n,且n小于图像中所包含的最大周期数。
以下将以图1中的图像为例,对本发明方法的具体操作步骤进行说明。
首先,获取待检测的源图像。根据本发明的一个实施例,所述获取源图像的步骤包括对所述源图像进行扫描,检测源图像中各个像素的灰度值。源图像中各个像素的灰度值由aij表示,其中i=1,2,...,m;j=1,2,...,n。由此可将待检测的源图像表示为以下矩阵形式。
在下文中,为了描述简便起见,将以上述矩阵A[i,j]中第一行的数据为例对本发明的方法进行说明。由于上述矩阵中第2行至第m行数据的处理方式与第一行数据的处理方式相同,因此本文中将不再重复描述。
如图1所示,假定待检测的周期性纹理图像在水平方向上具有周期性,并且图1中每个单元图像在水平方向上的每一行由10个像素组成,则矩阵A[i,j]中第一行数据所组成的数组A[1,j]具有以下形式:
A[1,j]={a1,1,a1,2,...,a1,10;a1,11,a1,12,...,a1,20;a1,21,a1,22,...,a1,30;...a1,n}
其中,在图像中不存在缺陷的情况下,第二周期中数据a1,11,a1,12,...,a1,20为第一周期中数据a1,1,a1,2,...,a1,10的重复,第三周期中数据a1,21,a1,22,...,a1,30为第二周期中数据a1,11,a1,12,...,a1,20的重复,以此类推至最后的第T个周期。
然后,将源图像在其周期方向上向一侧平移N个周期,得到第一平移图像。所述图像的周期平移是指将第X个周期中数据替换为第X+N个周期中数据(例如向左平移的情况)或第X-N个周期中数据(例如向右平移的情况)。对于边界处无备用数据可进行替换的周期,则利用其相邻周期中的数据进行补齐。以图1为例,由于图像在水平方向上具有周期性,因此将数组A[1,j]沿水平方向向左平移N个周期后,原第1+N个周期将作为数组中的第1个周期,其他周期也依次左移。最后的第T-N至T个周期的数据由原第T-N-2至T-2个周期(即左移前第T-N-2至T-2个周期)的数据补齐。在N=1的情况下,对A[1,j]进行向左平移操作后可得到A2[1,j]:
A2[1,j]={a1,11,a1,12,...,a1,20;a1,21,a1,22,...,a1,30;...a1,n,...a1,n-20-1,a1,n-20}。
然后,将源图像与平移后得到的第一平移图像相减,并对相减后的结果进行二值化,得到第一相减图像。以A[1,j]为例,即,将A[1,j]与A2[1,j]相减,并根据预设的二值化阈值对相减后的结果进行二值化,得到A3[1,j]。所述二值化的步骤为,将数据与二值化阈值进行比较,若数据大于二值化阈值,则将其替换为最大值amax,若数据小于二值化阈值,则将其替换为最小值amin,其中最大值amax和最小值amin为预先设定的数值。即,
A[1,j]-A2[1,j]={a1,1-a1,11,a1,2-a1,12,...,a1,10-a1,20;a1,11-a1,21,a1,12-a1,22,...,a1,20-a1,30;...a1,n-10-a1,n;...a1,n-1-a1,n-20-1,a1,n-a1,n-20}
假定预设的二值化阈值为z,将a1,1-a1,11、a1,2-a1,12等分别与z进行比较,得到二值化后的数组A3[1,j]:
A3[1,j]={amin,amax,amax,amax,amin,...,amin;amin,amin,...amin}。
根据本申请的一个实施方案,可将最小值amin设为0,将最大值amax设为255。
根据本发明的原理,可以理解的是,由于待检测的纹理图像是周期性的,除了缺陷部分外,平移N个周期后所得到的图像的数组与平移前的原始图像的数组应是基本相同的。因此,将两个数组相减后,除了与缺陷相关的部分外,数组中的其他元素应为amin。由此,通过确定最大值amax所在的位置可得知与缺陷相关的信息。
随后,将图像在其周期方向上向另一侧平移N个周期,得到第二平移图像,所述另一侧为与前次平移相反的一侧。在图1所示的示例中,将数组A[1,j]沿水平方向向右平移N个周期。经过向右平移N个周期的操作后,原第1个周期将作为数组中的第N+1个周期,其他周期也依次右移。最初的第1至N个周期的数据由原第3至N+2个周期(即右移前第3至N+2个周期)的数据补齐。在N=1的情况下,对A[1,j]进行向右平移操作后可得到A4[1,j]:
A4[1,j]={a1,21,a1,22,...,a1,30;a1,1,a1,2,...,a1,10;a1,11,a1,12,...,a1,20;a1,21,a1,22,...,a1,30;...a1,n-10}。
然后,将源图像与平移后得到的第二平移图像相减,并对相减后的结果进行二值化,得到第二相减图像。以A[1,j]为例,即,将A[1,j]与A4[1,j]相减,并根据预设的二值化阈值对相减后的结果进行二值化,得到A5[1,j]。即,
A[1,j]-A4[1,j]={a1,1-a1,21,a1,2-a1,22,...,a1,10-a1,30;a1,11-a1,1,a1,12-a1,2,...,a1,20-a1,10;a1,21-a1,11,a1,22-a1,12,...,a1,30-a1,20;...a1,n-a1,n-10}
假定预设的二值化阈值为z,将a1,1-a1,21,a1,2-a1,22等分别与z进行比较,得到二值化后的数组A5[1,j]:
A5[1,j]={amin,amin,amax,amax,amax,amin,...,amin;amin,...amin}。
如前所述,最大值amax为与缺陷相关的元素。
然后,将第一相减图像和第二相减图像进行与运算,得到缺陷图像。仍以该第一行数据为例,将A3[1,j]和A5[1,j]进行与运算,以得到A6[1,j],从而根据最大值amax的位置确定第一行中缺陷的实际位置。
A6[1,j]={amin,amin,amax,amax,amin,...,amin;amin,...amin}。
根据本发明的一个实施方案,为了更准确地定位缺陷,可对所述缺陷图像进行斑块分析,以得到所述缺陷图像中所包含斑块的起始位置坐标、终止位置坐标、高、宽、周长、和/或面积等参数。将缺陷图像中与缺陷相关元素的集合称为斑块,通过对A6[1,j]进行斑块分析可知,amax值始于第一行第三列,终止于第一行第四列,从而确定第一行中斑块的起始位置坐标为(1,3),终止位置坐标为(1,4)。由此可知斑块的高为1,宽为2,面积为2。
如前所述,图像中第2行至第m行数据的处理方式与第一行数据的处理方式相同,因此通过上述方法可检测出图像中存在的所有斑块。
根据本发明的一个实施方案,当图像中存在距离较近的多个斑块时,可将其合并为一个斑块进行处理。举例来说,可设定进行斑块合并的最小距离参数为Dmin,当两个斑块之间的距离小于Dmin时,可将所述两个斑块合并为一个较大的斑块,即,根据两个斑块中的最大和最小横纵坐标确定合并后斑块的起始位置坐标和终止位置坐标。当存在多个距离较近的斑块时,可通过类似处理将多个符合条件的斑块合并为一个较大的斑块。
根据本发明的一个实施方案,可预先设定最小缺陷尺寸阈值Tthreshold,将图像中检测出的斑块尺寸与所述阈值进行比较,当其大于或等于阈值Tthreshold时,即将该斑块确定为缺陷。举例来说,假定最小缺陷面积阈值为1,则上文中第一行存在的面积为2的斑块可认定为缺陷。当存在斑块合并的情况时,将合并后的斑块与阈值比较以进行缺陷判断。
本领域技术人员可以理解的是,上述向左和向右平移操作没有时间上的顺序关系,也可先对A[1,j]进行向右平移操作,再进行向左平移操作,或者二者同时进行。另外,由于图1所示图像在竖直方向上也具有周期性,因此也可通过在竖直方向将图像向上和向下平移N个周期来实现缺陷检测。由于其与上述水平平移方法的步骤相似,因此本文中省略其详细描述。根据本申请的技术方案,图像的平移只要在其周期方向上进行即可。在存在多个周期方向的情况下,可根据图像的长宽比以及缺陷在图像上的分布情况选择一个周期方向进行平移操作。
根据本发明的另一个实施方案,上述相减操作可为饱和相减,即,当用源像素的颜色分量减去目标像素的颜色分量时,如果相减的结果小于允许的最小值则结果取为允许的最小值。举例来说,减去当用a1,1减去a1,11时,所得到的结果可能是负值,而通常用于表示像素灰度值的数值范围为0~255,在这种数组中元素相减后的结果小于允许的最小值0的情况下,可将相减后的负值用最小值0取代。可以理解的是,上述最小值0仅是示例性的,本领域技术人员可根据实际应用需要将允许的最小值定义为其他数值。
根据本发明的又一个实施方案,考虑到图像通常并不是理论上完全周期性的,在对图像进行平移操作之前,可对图像首先进行最大值滤波或最小值滤波操作。例如,在印刷工艺中,图像的周期值随制版精度和印刷品在运动方向上所受的拉力变化而可能有所改变。当变化值在精度允许范围内时,上述变化属于正常情况而非缺陷,无需检出。为了在缺陷检测中滤除此类干扰,可首先对图像进行最大值滤波或最小值滤波处理,由此减小将上述正常误差报告为缺陷的几率。
在最大值滤波运算中,取每个像素及其最邻近的n个像素作为一个阵列,将该像素的像素值替换为该阵列所包含所有像素值中的最大值。类似地,最小值滤波即为将该像素的像素值替换为该阵列所包含所有像素值中的最小值。最大值滤波和最小值滤波的目的之一是保持大致上的图形形状,同时减少噪声。
仍以上述A[1,j]={a1,1,a1,2,...,a1,10;a1,11,a1,12,...,a1,20;a1,21,a1,22,...,a1,30;...a1,n}为例,在对A[1,j]进行3×1的最大值滤波时,对于像素值a1,j来说,即将其与a1,j-1和a1,j+1进行比较,取三者中的最大值替换a1,j。同理,在对A[1,j]进行3×1的最小值滤波时,对于像素值a1,j来说,即将其与a1,j-1和a1,j+1进行比较,取三者中的最小值替换a1,j。根据本实施方案,首先对A[1,j]进行最大值滤波得到A1[1,j]后,再对A1[1,j]进行如前所述的向左或向右平移以及后续操作,从而确定缺陷的位置。可以理解的是,上述3×1滤波只是示例性的,结合本申请公开的技术方案,本领域普通技术人员可以根据实际检测需要进行其他方式的最大值滤波或最小值滤波,例如4×1滤波、5×1滤波等。
由以上内容可知,在检测暗斑缺陷时可采用最小值滤波。图2是图1所示图像经过最小值滤波后形成的图像。如图所示,经过最小值滤波后,像素值较小的深色像素增多,从而暗斑缺陷变得更为显著,亮斑缺陷缩小,同时原图像中可能存在的噪声和干扰被大量滤除。图3是将图2所示图像分别左右平移1个周期后再与图1所示图像对比后提取出的暗斑缺陷图像。类似地,在检测亮斑缺陷时可采用最大值滤波。图4是图1所示图像经过最大值滤波后形成的图像。如图所示,经过最大值滤波后,亮斑缺陷扩大,而暗斑缺陷缩小。图5是将图4所示图像分别左右平移1个周期后再与图1所示图像对比后提取出的亮斑缺陷图像。
以下将参照图7描述采用本申请的方法检测缺陷的一个具体示例。图7是根据本发明一个具体示例的、对周期性纹理图像中缺陷进行检测的方法流程图。如图所示,首先获取待检测的源图像(步骤S01)。假定待检测的图像为黑白图像,并由矩阵A[i,x]表示,矩阵A[i,x]中第一行数据所组成的数组A[1,x]为:
A[1,x]={......,255,255,255,0,0,0,255,255,255,0,0,0,255,255,255,0,0,0,255,255,255,0,255,0,255,255,255,0,0,0,255,255,255,0,0,0,255,255,255,0,0,0,255,255,255,0,0,0,255,255,255,......}
首先通过以下步骤S02~S12确定图像中存在的暗斑缺陷。
步骤S02,对A[1,x]做3×1最小值滤波运算,得到A1[1,x]
A1[1,x]={......,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,255,0,......}
步骤S04,将A1[1,x]向左平移1个周期,得到A2[1,x],
A2[1,x]={......0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,......}
步骤S06,假定二值化阈值为125,将A[1,x]与A2[1,x]进行饱和相减,并根据预设二值化阈值相减所得的结果进行二值化,得到A3[1,x],
A3[1,x]={......,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,0,0,......}
步骤S08,将A1[1,x]向右平移1个周期,得到A4[1,x]:
A4[1,x]={......0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,255,0,......}
步骤S10,将A[1,x]与A4[1,x]进行饱和相减,并根据预设二值化阈值相减所得的结果进行二值化,得到A5[1,x]:
A5[1,x]={......,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,0,0,......}
步骤S12,将A3[1,x]和A5[1,x]进行与运算,以得到A6[1,x]:
A6[1,x]={......,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,0,0,......}
根据A6[1,x]中最大值255的位置可确定第一行中暗斑缺陷的实际位置。
此外,通过以下步骤S14~S24确定图像中存在的暗斑缺陷。
步骤S14,对A[1,x]做3×1最大值滤波运算,得到A1′[1,x]:
A1′[1,x]={......,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,255,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,......}
步骤S16,将A1′[1,x]向左平移1个周期,得到A2′[1,x],
A2′[1,x]={......,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,125,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,......}
步骤S18,假定二值化阈值为125,将A[1,x]与A2′[1,x]进行饱和相减,并根据预设二值化阈值相减所得的结果进行二值化,得到A3′[1,x],
A3′[1,x]={......,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,......}。
步骤S20,将A1′[1,x]向右平移1个周期,得到A4′[1,x]:
A4′[1,x]={......,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,255,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,255,0,255,255,255,255,......}
步骤S22,将A[1,x]与A4′[1,x]进行饱和相减,并根据预设二值化阈值相减所得的结果进行二值化,得到A5′[1,x]:
A5′[1,x]={......,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,......}。
步骤S24,将A3′[1,x]和A5′[1,x]进行与运算,以得到A6′[1,x]:
A6′[1,x]={0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0}。
根据A6′[1,x]中最大值255的位置可确定第一行中亮斑缺陷的实际位置。
步骤S26,将像A6[1,x]和A6′[1,x]进行或运算,得到A7[1,x];
A7[1,x]={......,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,0,0,0,255,0,0,0,0,0,0,0,0,0,0,0,0,0,......}
步骤S28,对A7[1,x]进行斑块分析,定出斑块的位置,确定斑块的大小和高、宽等几何参数:
斑块1:起始和终止位置坐标为(1,a),宽度为1,高度为1,面积为1;
斑块2:起始和终止位置坐标为(1,b),宽度为1,高度为1,面积为1;
步骤S30,根据预设的斑块合并的最小距离参数Dmin(假定为1)对斑块分析的结果进行斑块合并运算;
合并结果:
斑块1:宽度为1,高度为1,面积为1;
斑块2:宽度为1,高度为1,面积为1;
步骤S32,根据预设的最小缺陷尺寸阈值Tthreshold(假定为1),判别斑块合并运算后得到的斑块是否可认定为缺陷。检测结果为:
缺陷1:宽度为1,高度为1,面积为1;
缺陷2:宽度为1,高度为1,面积为1;
由此,可检测出图像中存在的缺陷。
以上通过实施方式和附图对本申请进行了描述,但是本申请并不局限于上述实施方式和附图,本领域技术人员应当理解,在不脱离本申请的技术思想的情况下,还可以进行各种变型和等效变换,这些变型和变换同样包含在本申请权利要求书所限定的保护范围内。
Claims (11)
1.一种周期性纹理图像中缺陷的检测方法,包括:
获取待检测的源图像;
将所述源图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第一平移图像和第二平移图像;
将所述源图像分别与所述第一平移图像和所述第二平移图像相减,并对相减后的结果进行二值化,以分别得到第一相减图像和第二相减图像;以及
将所述第一相减图像和所述第二相减图像进行与运算,得到缺陷图像。
2.如权利要求1所述的方法,其中在所述平移步骤之前进一步包括对所述源图像进行最小值滤波的步骤,并且在所述平移步骤中对最小值滤波后获得的图像进行平移,以分别得到第一平移图像和第二平移图像。
3.如权利要求1所述的方法,其中在所述平移步骤之前进一步包括对所述源图像进行最大值滤波的步骤,并且在所述平移步骤中对最大值滤波后获得的图像进行平移,以分别得到第一平移图像和第二平移图像。
4.如权利要求1-3中任意一项所述的方法,进一步包括对所述缺陷图像进行斑块分析,以得到所述缺陷图像中所包含斑块的起始位置坐标、终止位置坐标、高、宽、周长、和/或面积的步骤。
5.如权利要求4所述的方法,进一步包括根据预设的斑块合并最小距离参数,对所述斑块分析步骤中分析得到的斑块中的相邻斑块进行合并的步骤。
6.如权利要求5所述的方法,进一步包括根据预设的最小缺陷尺寸阈值Tthreshold,确定所述合并步骤中得到的斑块是否为缺陷的步骤。
7.如权利要求6所述的方法,其中所述相减为饱和相减。
8.如权利要求1所述的方法,其中N=1。
9.一种周期性纹理图像中缺陷的检测方法,包括:
获取待检测的源图像;
对所述源图像分别进行最小值滤波和最大值滤波,以获得最小值滤波图像和最大值滤波图像;
将所述最小值滤波图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第一平移图像和第二平移图像,并将所述最大值滤波图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第三平移图像和第四平移图像;
将所述源图像分别与所述第一平移图像和所述第二平移图像相减,并对相减后的结果进行二值化,以分别得到第一相减图像和第二相减图像,并将所述源图像分别与所述第三平移图像和所述第四平移图像相减,并对相减后的结果进行二值化,以分别得到第三相减图像和第四相减图像;
将所述第一相减图像和所述第二相减图像进行与运算,得到第一缺陷图像,并将所述第三相减图像和所述第四相减图像进行与运算,得到第二缺陷图像;以及
将所述第一缺陷图像和所述第二缺陷图像进行或运算,得到缺陷图像。
10.一种用于对周期性纹理图像中的缺陷进行检测的装置,包括:
获取模块,获取待检测的源图像;
平移模块,将所述源图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第一平移图像和第二平移图像;
减法模块,将所述源图像分别与所述第一平移图像和所述第二平移图像相减,并对相减后的结果进行二值化,以分别得到第一相减图像和第二相减图像;以及
与操作模块,将所述第一相减图像和所述第二相减图像进行与运算,得到缺陷图像。
11.一种用于对周期性纹理图像中的缺陷进行检测的装置,包括:
获取模块,获取待检测的源图像;
滤波模块,对所述源图像分别进行最小值滤波和最大值滤波,以获得最小值滤波图像和最大值滤波图像;
平移模块,将所述最小值滤波图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第一平移图像和第二平移图像,并将所述最大值滤波图像在其周期方向上分别向相反的两侧平移N个周期,以分别得到第三平移图像和第四平移图像;
减法模块,将所述源图像分别与所述第一平移图像和所述第二平移图像相减,并对相减后的结果进行二值化,以分别得到第一相减图像和第二相减图像,并将所述源图像分别与所述第三平移图像和所述第四平移图像相减,并对相减后的结果进行二值化,以分别得到第三相减图像和第四相减图像;
与操作模块,将所述第一相减图像和所述第二相减图像进行与运算,得到第一缺陷图像,并将所述第三相减图像和所述第四相减图像进行与运算,得到第二缺陷图像;以及
或操作模块,将所述第一缺陷图像和所述第二缺陷图像进行或运算,得到缺陷图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010205357.5A CN102279191B (zh) | 2010-06-13 | 2010-06-13 | 周期性纹理图像中缺陷的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010205357.5A CN102279191B (zh) | 2010-06-13 | 2010-06-13 | 周期性纹理图像中缺陷的检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102279191A true CN102279191A (zh) | 2011-12-14 |
CN102279191B CN102279191B (zh) | 2014-04-02 |
Family
ID=45104758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010205357.5A Active CN102279191B (zh) | 2010-06-13 | 2010-06-13 | 周期性纹理图像中缺陷的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102279191B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103604809A (zh) * | 2013-10-22 | 2014-02-26 | 江南大学 | 一种图案布匹瑕疵在线视觉检测方法 |
CN103630547A (zh) * | 2013-11-26 | 2014-03-12 | 明基材料有限公司 | 具有周期性结构的光学薄膜的瑕疵检测方法及其检测装置 |
CN105572143A (zh) * | 2015-12-17 | 2016-05-11 | 湖北第二师范学院 | 压延过程中压延材料表面周期性缺陷的检测方法 |
CN106091996A (zh) * | 2016-05-26 | 2016-11-09 | 东华大学 | 一种铺料平整度在线视觉检测方法 |
CN106276372A (zh) * | 2016-10-11 | 2017-01-04 | 凌云光技术集团有限责任公司 | 一种定位卷装包装缺陷的方法及装置 |
CN107490579A (zh) * | 2016-06-09 | 2017-12-19 | 本田技研工业株式会社 | 缺陷检查方法及其设备 |
CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
CN109781736A (zh) * | 2019-01-09 | 2019-05-21 | 中导光电设备股份有限公司 | 一种晶元纹理图像周期的自动测量方法和系统 |
CN110431404A (zh) * | 2017-03-21 | 2019-11-08 | 杰富意钢铁株式会社 | 表面缺陷检查方法及表面缺陷检查装置 |
CN113008793A (zh) * | 2021-03-01 | 2021-06-22 | 天地伟业技术有限公司 | 一种基于机器视觉的微纳结构缺陷检测方法 |
CN117252878A (zh) * | 2023-11-17 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020141637A1 (en) * | 2001-03-28 | 2002-10-03 | Philips Electronics North America Corporation | Method and apparatus to distinguish deposit and removal in surveillance videio |
CN1695166A (zh) * | 2002-09-12 | 2005-11-09 | 恩莱因公司 | 用于获取和处理复合图像的系统及方法 |
CN1885346A (zh) * | 2006-06-01 | 2006-12-27 | 电子科技大学 | 一种复杂背景下红外图像序列中运动目标的检测方法 |
-
2010
- 2010-06-13 CN CN201010205357.5A patent/CN102279191B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020141637A1 (en) * | 2001-03-28 | 2002-10-03 | Philips Electronics North America Corporation | Method and apparatus to distinguish deposit and removal in surveillance videio |
CN1695166A (zh) * | 2002-09-12 | 2005-11-09 | 恩莱因公司 | 用于获取和处理复合图像的系统及方法 |
CN1885346A (zh) * | 2006-06-01 | 2006-12-27 | 电子科技大学 | 一种复杂背景下红外图像序列中运动目标的检测方法 |
Non-Patent Citations (3)
Title |
---|
宋雪兵: "基于图像处理的印刷品缺陷检测方法研究", 《万方数据知识服务平台》 * |
邓忠华,刘飞: "印刷品缺陷检测的初步方案", 《计算机技术与发展》 * |
陈万军 等: "基于兴趣点特征匹配的印刷图像缺陷检测", 《包装工程》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103604809B (zh) * | 2013-10-22 | 2016-08-17 | 江南大学 | 一种图案布匹瑕疵在线视觉检测方法 |
CN103604809A (zh) * | 2013-10-22 | 2014-02-26 | 江南大学 | 一种图案布匹瑕疵在线视觉检测方法 |
CN103630547A (zh) * | 2013-11-26 | 2014-03-12 | 明基材料有限公司 | 具有周期性结构的光学薄膜的瑕疵检测方法及其检测装置 |
CN103630547B (zh) * | 2013-11-26 | 2016-02-03 | 明基材料有限公司 | 具有周期性结构的光学薄膜的瑕疵检测方法及其检测装置 |
CN105572143B (zh) * | 2015-12-17 | 2018-05-25 | 湖北第二师范学院 | 压延过程中压延材料表面周期性缺陷的检测方法 |
CN105572143A (zh) * | 2015-12-17 | 2016-05-11 | 湖北第二师范学院 | 压延过程中压延材料表面周期性缺陷的检测方法 |
CN106091996A (zh) * | 2016-05-26 | 2016-11-09 | 东华大学 | 一种铺料平整度在线视觉检测方法 |
CN107490579A (zh) * | 2016-06-09 | 2017-12-19 | 本田技研工业株式会社 | 缺陷检查方法及其设备 |
CN107490579B (zh) * | 2016-06-09 | 2021-09-07 | 本田技研工业株式会社 | 缺陷检查方法及其设备 |
CN106276372A (zh) * | 2016-10-11 | 2017-01-04 | 凌云光技术集团有限责任公司 | 一种定位卷装包装缺陷的方法及装置 |
CN110431404A (zh) * | 2017-03-21 | 2019-11-08 | 杰富意钢铁株式会社 | 表面缺陷检查方法及表面缺陷检查装置 |
CN109490316B (zh) * | 2018-11-30 | 2021-08-03 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
CN109781736A (zh) * | 2019-01-09 | 2019-05-21 | 中导光电设备股份有限公司 | 一种晶元纹理图像周期的自动测量方法和系统 |
CN109781736B (zh) * | 2019-01-09 | 2021-07-06 | 中导光电设备股份有限公司 | 一种晶元纹理图像周期的自动测量方法和系统 |
CN113008793A (zh) * | 2021-03-01 | 2021-06-22 | 天地伟业技术有限公司 | 一种基于机器视觉的微纳结构缺陷检测方法 |
CN117252878A (zh) * | 2023-11-17 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像缺陷检测方法 |
CN117252878B (zh) * | 2023-11-17 | 2024-02-02 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102279191B (zh) | 2014-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102279191B (zh) | 周期性纹理图像中缺陷的检测方法和装置 | |
KR102047409B1 (ko) | GPU 기반 TFT-LCD Mura 결함 탐지 방법 | |
CN106548111B (zh) | 一种二维码外观缺陷检测方法及装置 | |
JP4160991B2 (ja) | 線状の欠陥の検出装置および半導体基板の製造装置、線状の欠陥の検出方法および半導体基板の製造方法、コンピュータを当該検出装置または… | |
CN114419004A (zh) | 织物瑕疵的检测方法、装置、计算机设备及可读存储介质 | |
Yangping et al. | Real-time Defect Detection Method for Printed Images Based on Grayscale and Gradient Differences. | |
CN105894521A (zh) | 基于高斯拟合的亚像素边缘检测方法 | |
CN104331695A (zh) | 一种鲁棒的圆形标志符形状质量检测方法 | |
CN112164050B (zh) | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 | |
CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
CN113034488A (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN110706224A (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
CN112581904A (zh) | 一种oled屏亮度灰阶图像的摩尔纹补偿方法 | |
CN114419045A (zh) | 光刻掩模板缺陷检测方法、装置、设备及可读存储介质 | |
Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
CN101685000B (zh) | 影像边界扫描的计算机系统及方法 | |
CN115937059A (zh) | 具有生成式训练模型的零件检查系统 | |
CN110632094B (zh) | 一种基于逐点比对分析的图纹质量检测方法,装置与系统 | |
JP4612088B2 (ja) | 画像処理方法、塗装検査方法及び装置 | |
CN115947066B (zh) | 皮带撕裂检测方法、装置及系统 | |
CN112686842A (zh) | 一种光斑检测方法、装置、电子设备及可读存储介质 | |
CN115661156B (zh) | 图像生成方法、装置、存储介质、设备及计算机程序产品 | |
Haik et al. | A novel inspection system for variable data printing using deep learning | |
CN108389204B (zh) | 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 | |
JP5190619B2 (ja) | 被検査物の検査方法及びその検査装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100070 No. 6 Spark Road, Science City, Beijing, Fengtai District Patentee after: ZHONGCHAO SPECIAL SECURITY TECHNOLOGY Co.,Ltd. Patentee after: China Banknote Printing and Minting Group Co.,Ltd. Address before: 100070 No. 6 Spark Road, Science City, Beijing, Fengtai District Patentee before: ZHONGCHAO SPECIAL SECURITY TECHNOLOGY Co.,Ltd. Patentee before: CHINA BANKNOTE PRINTING AND MINTING Corp. |