CN104134211A - 一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法 - Google Patents

Abstract

本发明公开了一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，采用高斯滤波器对采集的带钢图像多分辨率滤波，获得不同分辨率带钢图像；在不同分辨率带钢图像之间，采用中央周边操作获得不同分辨率带钢差分图像；对带钢差分图像融合；最后通过带钢融合图像的各行极大值的均值和各列极大值的均值中的较小均值作为分割阈值，将缺陷从带钢背景纹理中分割出来。本发明一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，解决了现有方法检测不准确，算法复杂，不能适应冷、热轧带钢中缺陷检测的问题，能够满足冷轧、热轧带钢缺陷在线检测的准确率需要，对各类疵点检测具有较强的普适性，为带钢缺陷在线检测提供了一种新的方法。

Description

一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法

技术领域

本发明属于带钢缺陷检测方法技术领域，具体涉及一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法。

背景技术

带钢缺陷是影响带钢表面质量的重要因素之一。然而，传统的带钢缺陷检测是由检测人员离线抽检完成的，因此这种方法不能及时发现带钢生产中的缺陷，从而会造成次品率和生产成本增高；另外，这种检验方法会因为检验人员的经验、心情等因素影响，极易造成误检和漏检等问题。伴随着计算机以及机器视觉技术迅猛发展，基于图像处理算法的带钢缺陷检测技术越来越受到广大科研工作重视。

目前，带钢缺陷检测方法很多，其中，基于小波重构算法的带钢表面缺陷检测方法，通过构造正交小波基，以信息熵来确定小波分解层数，然后对重构后的图像进行二值化，通过形态学分析去除二值图像存在的噪声，得到分割后的缺陷图像；由于这种检测方法构造出来的小波基未必是最佳小波基，这必然会影响检测的准确率(茅正冲,时文静,邬锋.带钢表面缺陷检测方法[J].计算工程与设计，2014,35(1)：233-236.)。基于人工免疫系统的带钢表面缺陷检测，是根据检测器和抗原之间的论域空间包含关系，以及自体在论域空间中的位置信息，引进了分块空间的方式，提出了检测器分块的生成算法，对缺陷图像表面灰度信息进行三维恢复，获得带钢表面缺陷的高度信息，实现其三维质量检测；该方法虽然在对比度低、光照不均还是有噪声干扰的情况下相对于传统的图像检测算法具有较好的处理效果，但是，计算复杂，很难满足在线检测需要(许小润，吴贵芳.基于人工免疫系统的带钢表面缺陷检测技术[J].计算机应用.2010,30(8):2247-2253.)。热轧带钢表面缺陷在线检测的方法，是为了解决热轧带钢表面的温度高，辐射光强，并且存在着水、氧化铁皮、光照不均等现象，将线阵CCD摄像机作为图像采集装置，用绿色激光线光源作照明，通过窄带滤色镜滤除钢板表面的辐射光，从而提高了缺陷对比度；另外，通过增加4种不同类型的缺陷检测步骤，去除了大量由水、氧化铁皮等造成的伪缺陷；该方法主要是针对热轧带钢中的伪缺陷而提出的算法，很难适应所有带钢缺陷检测，另外，该方法是增加缺陷检测步骤为代价，因此计算量很大(徐科，杨朝霖，周鹏.热轧带钢表面缺陷在线检测的方法与工业应用[J].机械工程学报，2009，45(4):111-114.)。基于视觉注意机制的带钢表面缺陷检测方法，主要针对图像中存在的低对比度及微小缺陷，提出的带钢表面缺陷检测方法；该方法模拟人类视觉系统的功能为基础，结合Gabor滤波器多尺度、多分辨率的特点，建立了带钢表面缺陷检测模型。该方法虽然能够检测出常见的6种带钢缺陷，但计算量很大，Gabor滤波器参数的选择好坏直接影响着检测的准确率，另外，其带钢缺陷区域分割的不准确。(丛家慧，颜云辉.视觉注意机制在带钢表面缺陷检测中的应用[J].中国机械工程，2011，22(10)：1189-1192)。

通过上面的分析，经典算法存在着检测不准确，算法复杂，不能适应冷、热轧带钢中缺陷检测的需要；如何设计出简单的算法，适应于冷、热轧带钢中的各类缺陷检测，是研究的难点问题。

发明内容

本发明的目的在于提供一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，解决了现有方法检测不准确，算法复杂，不能适应冷、热轧带钢中缺陷检测的问题。

本发明所采用的技术方案是：一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，采用高斯滤波器对采集的带钢图像多分辨率滤波，获得不同分辨率带钢图像；在不同分辨率带钢图像之间，采用中央周边操作获得不同分辨率带钢差分图像；对带钢差分图像融合；最后通过带钢融合图像的各行极大值的均值和各列极大值的均值中的较小均值作为分割阈值，将缺陷从带钢背景纹理中分割出来。

本发明的特点还在于，

具体包括以下步骤：

步骤1：采集带钢图像，获得带钢图像I(x,y)；

步骤2：高斯滤波器多分辨率滤波

首先，降低带钢图像I(x,y)的分辨率，获得一次降低分辨率的带钢图像I₁(x,y)；其次，对I₁(x,y)低通滤波，获得一次低通滤波后的带钢图像L(x,y)；然后，对L(x,y)分辨率再次降低，获得二次降低分辨率的带钢图像L₁(x,y)；最后，对L₁(x,y)再次低通滤波，获得二次低通滤波后的带钢图像L₂(x,y)；

步骤3：多分辨率滤波带钢图像的中央周边操作

对步骤2获得的不同分辨率的一次低通滤波后的带钢图像L(x,y)、二次低通滤波后的带钢图像L₂(x,y)进行线性插值运算，在不同分辨率的带钢图像I(x,y)、一次低通滤波后的带钢图像L(x,y)与二次低通滤波后的带钢图像L₂(x,y)之间进行中央周边操作，获得不同分辨率带钢差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)；

步骤4：带钢差分图像融合

将步骤3获得的不同分辨率带钢差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)的灰度值范围调整到0～255之间，对调整后的带钢差分图像f₁'(x,y)、f₂'(x,y)和f₃'(x,y)进行融合，得到带钢融合图像f(x,y)；

步骤5：带钢缺陷图像分割

确定步骤4的得到的带钢融合图像f(x,y)的阈值T，然后将大于等于阈值T的区域分割出来，即带钢缺陷区域。

步骤2具体为：

步骤2.1：降低带钢图像分辨率

设带钢图像I(x,y)的尺寸为M×N，对其进行向下2抽样，即每行每列中的像素间隔抽取，抽取后的图像尺寸为获得一次降低分辨率的带钢图像I₁(x,y)；

步骤2.2：对一次降低分辨率的带钢图像I₁(x,y)低通滤波

定义高斯滤波器函数G(x,y,σ)如公式(1)所示，σ决定了高斯函数的宽度，取0.5，模板大小为3*3；根据公式(2)得到一次低通滤波后的带钢图像L(x,y)：

$G(x,y,\mathrm{\σ})=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp (-\frac{{\left(x\right)}^2+{\left(y\right)}^2}{{2\mathrm{\σ}}^2})---\left(1\right)$

$\begin{array}{c}L(x,y)=I_1(x,y)*G(x,y,\mathrm{\σ})\\ =\underset{m=x-1}{\overset{x+1}{\mathrm{\Σ}}}\underset{n=y-1}{\overset{y+1}{\mathrm{\Σ}}}{I}_1(m,n)G(x-m,y-n)\end{array}---\left(2\right)$

其中，σ为高斯分布参数；*表示卷积；I₁(x,y)为一次降低分辨率的带钢图像；(m,n)表示为坐标(x,y)的邻域坐标；

步骤2.3：降低L(x,y)图像分辨率

对一次低通滤波后的带钢图像L(x,y)进行向下2抽样，即每行每列中的像素间隔抽取，抽取后的图像尺寸为获得二次降低分辨率的带钢图像L₁(x,y)；

步骤2.4：对带钢图像L₁(x,y)低通滤波

对二次降低分辨率的带钢图像L₁(x,y)低通滤波，如公式(3)所示，获得二次低通滤波后的带钢图像L₂(x,y)：

L₂(x,y)＝G(x,y,σ)*L₁(x,y)     (3)

其中，G(x,y,σ)为高斯滤波器函数；L₁(x,y)为二次降低分辨率的带钢图像；*表示卷积。

步骤3具体为：

步骤3.1：对不同分辨率带钢图像进行双线性插值运算

分别对不同分辨率的一次低通滤波后的带钢图像L(x,y)、二次低通滤波后的带钢图像L₂(x,y)进行线性插值运算，插值后其尺寸均为M*N，采用如下方法获得：

目标图中新创造的像素值f(P)，是由源图像位置在它附近的2*2区域4个相邻像素Q₁₁、Q₁₂、Q₂₁、Q₂₂的灰度值通过加权均值通过公式(4)、(5)、(6)计算得出的：

X方向的线性插值：

$f\left(R_1\right)=\frac{x_2-x}{x_2-x_1}\×f\left(Q_{11}\right)+\frac{{x-x}_1}{x_2-x_1}\×f\left(Q_{21}\right)---\left(4\right)$

$f\left(R_2\right)=\frac{x_2-x}{x_2-x_1}\×f\left(Q_{12}\right)+\frac{{x-x}_1}{x_2-x_1}\×f\left(Q_{22}\right)---\left(5\right)$

Y方向的线性插值：

在X方向的插值后，再进行Y方向的插值，从而实现双线性插值；

$f\left(P\right)=\frac{y_2-y}{y_2-y_1}\×f\left(R_1\right)+\frac{{y-y}_1}{y_2-y_1}\×f\left(R_2\right)---\left(6\right)$

其中，Q₁₁＝(x₁,y₁)，Q₁₂＝(x₁,y₂)，Q₂₁＝(x₂,y₁)，Q₂₂＝(x₂,y₂)；f(Q₁₁)、f(Q₁₂)、f(Q₂₁)、f(Q₂₂)为各个像素点的灰度值；R₁＝(x,y₁)，R₂＝(x,y₂)；f(R₁)、f(R₂)为R₁、R₂像素点的灰度值，f(p)为得到的插值点(x,y)的灰度值；

步骤3.2：多分辨率带钢图像之间差分

在不同分辨率的带钢图像I(x,y)、一次低通滤波后的带钢图像L(x,y)与二次低通滤波后的带钢图像L₂(x,y)之间采用公式(7)进行中央周边操作，从而提高带钢缺陷与背景的对比度；

$\left\{\begin{array}{c}{f}_1(x,y)=\left|I(x,y)\mathrm{\ΘL}(x,y)\right|\\ f_2(x,y)=\left|L(x,y)\mathrm{\Θ}{L}_2(x,y)\right|\\ f_3(x,y)=\left|I(x,y)\mathrm{\Θ}{L}_2(x,y)\right|\end{array}\right.---\left(7\right)$

其中，Θ为中央周边操作，表示不同分辨率滤波带钢图像之间差分操作，f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率带钢差分图像。

步骤4具体为：

步骤4.1：带钢差分图像的灰度值范围调整

分别将带钢差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)的灰度值范围调整到0～255之间，根据公式(8)分别计算调整后的带钢差分图像f₁'(x,y)、f₂'(x,y)和f₃'(x,y)：

$\left\{\begin{array}{c}{f}_1^{\′}(x,y)=\frac{255}{\max \left[f_1(x,y)\right]}\×f_1(x,y)\\ f_2^{\′}(x,y)=\frac{255}{\max \left[f_2(x,y)\right]}\×f_2(x,y)\\ f_3^{\′}(x,y)=\frac{255}{\max \left[f_3(x,y)\right]}\×f_3(x,y)\end{array}\right.---\left(8\right)$

式中，f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率带钢差分图像，max[f₁(x,y)]、max[f₂(x,y)]、max[f₃(x,y)]分别为f₁(x,y)、f₂(x,y)和f₃(x,y)的图像灰度极大值；

步骤4.2：带钢差分图像之间进行融合

将调整后的带钢差分图像f₁'(x,y)、f₂'(x,y)和f₃'(x,y)按照公式(9)进行融合；

$f(x,y)=\frac{1}{3}[f_1^{\′}(x,y)+f_2^{\′}(x,y)+f_3^{\′}(x,y)]---\left(9\right)$

得到带钢融合图像f(x,y)。

步骤5具体为：

步骤5.1：确定分割阈值

对带钢融合图像f(x,y)按照公式(10)确定阈值；

$\left\{\begin{array}{c}t{h}_1=\mathrm{mean}\left\{\max \right[f(x,y)\left]\right\}\\ {\mathrm{th}}_2=\mathrm{mean}\left\{\max \right[f^{\′}(x,y)\left]\right\}\\ T=\min [{\mathrm{th}}_1,{\mathrm{th}}_2]\end{array}\right.---\left(10\right)$

其中，max[f(x,y)]表示带钢融合图中各行的极大值，max[f'(x,y)]表示带钢融合图中各列的极大值，mean{}表示均值运算，th₁为融合图中各行极大值的均值、th₂为融合图中各列极大值的均值；min[th₁,th₂]表示th₁，th₂中的极小值；T为带钢缺陷图像分割阈值；

步骤5.2：进行带钢缺陷图像分割

根据步骤5.1确定的阈值T，按照公式(11)分割，大于或等于阈值归为带钢缺陷区域，小于阈值归为背景区域，将带钢缺陷分割出来：

$\left\{\begin{array}{cc}f(x,y)\&GreaterEqual;T,& f(x,y)=255\\ f(x,y)<T,& f(x,y)=0\end{array}\right.---\left(11\right)$

式中，255表示带钢缺陷区域，0表示背景区域。

本发明的有益效果是：本发明一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，把人类视觉的多分辨率滤波机理应用到带钢缺陷检测过程，解决了现有方法检测不准确，算法复杂，不能适应冷、热轧带钢中缺陷检测的问题，能够满足冷轧、热轧带钢缺陷在线检测的准确率需要，对各类疵点检测具有较强的普适性，为带钢缺陷在线检测提供了一种新的方法。

附图说明

图1是本发明基于高斯滤波器多分辨率滤波的带钢缺陷检测方法的检测流程图；

图2是本发明基于高斯滤波器多分辨率滤波的带钢缺陷检测方法中高斯滤波器多分辨率滤波过程示意图；

图3是本发明基于高斯滤波器多分辨率滤波的带钢缺陷检测方法中多分辨率带钢图像的双线性插值过程示意图；

图4是本发明基于高斯滤波器多分辨率滤波的带钢缺陷检测方法中多分辨率滤波带钢图像中央周边操作过程示意图；

图5是本发明基于高斯滤波器多分辨率滤波的带钢缺陷检测方法中带钢缺陷图像分割过程示意图；

图6是本发明方法与小波重构方法对冷轧带钢缺陷检测准确率对比图；

图7是本发明方法与小波重构方法对热轧带钢缺陷检测准确率对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，如图1所示，具体包括以下步骤：

步骤1：采集带钢图像，获得带钢图像I(x,y)；

步骤2：高斯滤波器多分辨率滤波

如图2所示，首先，降低带钢图像I(x,y)的分辨率，获得一次降低分辨率的带钢图像I₁(x,y)；其次，对I₁(x,y)低通滤波，获得一次低通滤波后的带钢图像L(x,y)；然后，对L(x,y)分辨率再次降低，获得二次降低分辨率的带钢图像L₁(x,y)；最后，对L₁(x,y)再次低通滤波，获得二次低通滤波后的带钢图像L₂(x,y)；

步骤2.1：降低带钢图像分辨率

设带钢图像I(x,y)的尺寸为M×N，对其进行向下2抽样，即每行每列中的像素间隔抽取，抽取后的图像尺寸为获得一次降低分辨率的带钢图像I₁(x,y)；

步骤2.2：对一次降低分辨率的带钢图像I₁(x,y)低通滤波

定义高斯滤波器函数G(x,y,σ)如公式(1)所示，σ决定了高斯函数的宽度，取0.5，模板大小为3*3；根据公式(2)得到一次低通滤波后的带钢图像L(x,y)：

$G(x,y,\mathrm{\&sigma;})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}\exp (-\frac{{\left(x\right)}^2+{\left(y\right)}^2}{{2\mathrm{\&sigma;}}^2})---\left(1\right)$

$\begin{array}{c}L(x,y)=I_1(x,y)*G(x,y,\mathrm{\&sigma;})\\ =\underset{m=x-1}{\overset{x+1}{\mathrm{\&Sigma;}}}\underset{n=y-1}{\overset{y+1}{\mathrm{\&Sigma;}}}{I}_1(m,n)G(x-m,y-n)\end{array}---\left(2\right)$

其中，σ为高斯分布参数；*表示卷积；I₁(x,y)为一次降低分辨率的带钢图像；(m,n)表示为坐标(x,y)的邻域坐标；

步骤2.3：降低L(x,y)图像分辨率

对一次低通滤波后的带钢图像L(x,y)进行向下2抽样，即每行每列中的像素间隔抽取，抽取后的图像尺寸为获得二次降低分辨率的带钢图像L₁(x,y)；

步骤2.4：对带钢图像L₁(x,y)低通滤波

对二次降低分辨率的带钢图像L₁(x,y)低通滤波，如公式(3)所示，获得二次低通滤波后的带钢图像L₂(x,y)：

L₂(x,y)＝G(x,y,σ)*L₁(x,y)       (3)

其中，G(x,y,σ)为高斯滤波器函数；L₁(x,y)为二次降低分辨率的带钢图像；*表示卷积；

步骤3：多分辨率滤波带钢图像的中央周边操作

对步骤2获得的不同分辨率的一次低通滤波后的带钢图像L(x,y)、二次低通滤波后的带钢图像L₂(x,y)进行线性插值运算，在不同分辨率的带钢图像I(x,y)、一次低通滤波后的带钢图像L(x,y)与二次低通滤波后的带钢图像L₂(x,y)之间进行中央周边操作，获得不同分辨率带钢差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)；

步骤3.1：对不同分辨率带钢图像进行双线性插值运算

分别对不同分辨率的一次低通滤波后的带钢图像L(x,y)、二次低通滤波后的带钢图像L₂(x,y)进行线性插值运算，插值后其尺寸均为M*N，采用如下方法获得：

目标图中新创造的像素值f(P)，如图3所示，是由源图像位置在它附近的2*2区域4个相邻像素Q₁₁、Q₁₂、Q₂₁、Q₂₂的灰度值通过加权均值通过公式(4)、(5)、(6)计算得出的：

X方向的线性插值：

$f\left(R_1\right)=\frac{x_2-x}{x_2-x_1}\&times;f\left(Q_{11}\right)+\frac{{x-x}_1}{x_2-x_1}\&times;f\left(Q_{21}\right)---\left(4\right)$

$f\left(R_2\right)=\frac{x_2-x}{x_2-x_1}\&times;f\left(Q_{12}\right)+\frac{{x-x}_1}{x_2-x_1}\&times;f\left(Q_{22}\right)---\left(5\right)$

Y方向的线性插值：

在X方向的插值后，再进行Y方向的插值，从而实现双线性插值；

$f\left(P\right)=\frac{y_2-y}{y_2-y_1}\&times;f\left(R_1\right)+\frac{{y-y}_1}{y_2-y_1}\&times;f\left(R_2\right)---\left(6\right)$

其中，Q₁₁＝(x₁,y₁)，Q₁₂＝(x₁,y₂)，Q₂₁＝(x₂,y₁)，Q₂₂＝(x₂,y₂)；f(Q₁₁)、f(Q₁₂)、f(Q₂₁)、f(Q₂₂)为各个像素点的灰度值；R₁＝(x,y₁)，R₂＝(x,y₂)；f(R₁)、f(R₂)为R₁、R₂像素点的灰度值，f(p)为得到的插值点(x,y)的灰度值；

在不同分辨率的带钢图像I(x,y)、一次低通滤波后的带钢图像L(x,y)与二次低通滤波后的带钢图像L₂(x,y)之间采用公式(7)进行中央周边操作，从而提高带钢缺陷与背景的对比度；

$\left\{\begin{array}{c}{f}_1(x,y)=\left|I(x,y)\mathrm{\&Theta;L}(x,y)\right|\\ f_2(x,y)=\left|L(x,y)\mathrm{\&Theta;}{L}_2(x,y)\right|\\ f_3(x,y)=\left|I(x,y)\mathrm{\&Theta;}{L}_2(x,y)\right|\end{array}\right.---\left(7\right)$

其中，Θ为中央周边操作，表示不同分辨率滤波带钢图像之间差分操作，f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率带钢差分图像；多分辨率滤波带钢图像的中央周边操作过程如图4所示；

步骤4：带钢差分图像融合

将步骤3获得的不同分辨率带钢差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)的灰度值范围调整到0～255之间，对调整后的带钢差分图像f₁'(x,y)、f₂'(x,y)和f₃'(x,y)进行融合，得到带钢融合图像f(x,y)；

步骤4.1：带钢差分图像的灰度值范围调整

分别将带钢差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)的灰度值范围调整到0～255之间，根据公式(8)分别计算调整后的带钢差分图像f₁'(x,y)、f₂'(x,y)和f₃'(x,y)：

$\left\{\begin{array}{c}{f}_1^{\&prime;}(x,y)=\frac{255}{\max \left[f_1(x,y)\right]}\&times;f_1(x,y)\\ f_2^{\&prime;}(x,y)=\frac{255}{\max \left[f_2(x,y)\right]}\&times;f_2(x,y)\\ f_3^{\&prime;}(x,y)=\frac{255}{\max \left[f_3(x,y)\right]}\&times;f_3(x,y)\end{array}\right.---\left(8\right)$

式中，f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率带钢差分图像，max[f₁(x,y)]、max[f₂(x,y)]、max[f₃(x,y)]分别为f₁(x,y)、f₂(x,y)和f₃(x,y)的图像灰度极大值；

步骤4.2：带钢差分图像之间进行融合

将调整后的带钢差分图像f₁'(x,y)、f₂'(x,y)和f₃'(x,y)按照公式(9)进行融合，得到带钢融合图像f(x,y)；

$f(x,y)=\frac{1}{3}[f_1^{\&prime;}(x,y)+f_2^{\&prime;}(x,y)+f_3^{\&prime;}(x,y)]---\left(9\right)$

步骤5：带钢缺陷图像分割

如图5所示，确定步骤4的得到的带钢融合图像f(x,y)的阈值T，然后将大于等于阈值T的区域分割出来，即带钢缺陷区域；

步骤5.1：确定分割阈值

对带钢融合图像f(x,y)按照公式(10)确定阈值；

$\left\{\begin{array}{c}t{h}_1=\mathrm{mean}\left\{\max \right[f(x,y)\left]\right\}\\ {\mathrm{th}}_2=\mathrm{mean}\left\{\max \right[f^{\&prime;}(x,y)\left]\right\}\\ T=\min [{\mathrm{th}}_1,{\mathrm{th}}_2]\end{array}\right.---\left(10\right)$

其中，max[f(x,y)]表示带钢融合图中各行的极大值，max[f'(x,y)]表示带钢融合图中各列的极大值，mean{}表示均值运算，th₁为融合图中各行极大值的均值、th₂为融合图中各列极大值的均值；min[th₁,th₂]表示th₁，th₂中的极小值；T为带钢缺陷图像分割阈值；

步骤5.2：进行带钢缺陷图像分割

根据步骤5.1确定的阈值T，按照公式(11)分割，大于或等于阈值归为带钢缺陷区域，小于阈值归为背景区域，将带钢缺陷分割出来：

$\left\{\begin{array}{cc}f(x,y)\&GreaterEqual;T,& f(x,y)=255\\ f(x,y)<T,& f(x,y)=0\end{array}\right.---\left(11\right)$

式中，255表示带钢缺陷区域，0表示背景区域。

图6、图7分别为在同一硬件平台下，本发明的方法与小波重构方法检测(茅正冲,时文静,邬锋.带钢表面缺陷检测方法[J].计算工程与设计，2014,35(1)：233-236.)冷轧带钢缺陷准确率对比图和热轧带钢缺陷准确率对比图；可以看出，本发明能有提高检测的准确率，具有较强的普适性，能够适应冷热轧带钢缺陷检测需要。

本发明的原理为：人类视觉系统的感光细胞在视网膜上非均匀分布，从而导致人眼对视觉信息的采集是非均匀的；人眼视场中总有一注视点，人眼在该处具有高度敏感度和高分辨率，以该点为中心向四周延伸人眼敏感度快速下降，同时分辨率也随着降低；因此，人类视觉系统对视觉信息处理时，同一场景经视网膜不同分辨率的滤波后形成的图像中，中心区域与周围背景的对比度明显增强，在此基础上，通过设定阈值分割出检测目标。我们认为人类视觉系统本质上多分辨率滤波提高检测目标与背景的对比度，从而有利于抑制背景信息，提高了检测的准确率和目标检测的适应性。因此，把人类视觉的这种多分辨率滤波机理应用到带钢缺陷检测过程，就有可能满足带钢缺陷检测的准确率和分割的完整性，适应各类带钢缺陷检测，使带钢缺陷检测具有普适性。

本发明的优点在于：

(1)采用高斯滤波器实现带钢图像的多分辨率滤波、多分辨率滤波图像之间的中央周边操作，能够有效的抑制带钢背景纹理信息，增大了带钢缺陷与背景信息之间的对比度，从而提高了带钢缺陷检测的准确率和满足了带钢缺陷检测的普适性要求；

(2)在带钢缺陷分割时，以带钢图像各行极大值均值、各列极大值均值中的较小均值作为阈值，精确分割带钢缺陷信息，优于大律法等分割方法。

Claims (6)

1.一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，其特征在于，采用高斯滤波器对采集的带钢图像多分辨率滤波，获得不同分辨率带钢图像；在不同分辨率带钢图像之间，采用中央周边操作获得不同分辨率带钢差分图像；对带钢差分图像融合；最后通过带钢融合图像的各行极大值的均值和各列极大值的均值中的较小均值作为分割阈值，将缺陷从带钢背景纹理中分割出来。

2.如权利要求1所述的一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，其特征在于，具体包括以下步骤：

步骤1：采集带钢图像，获得带钢图像I(x,y)；

步骤2：高斯滤波器多分辨率滤波

首先，降低带钢图像I(x,y)的分辨率，获得一次降低分辨率的带钢图像I₁(x,y)；其次，对I₁(x,y)低通滤波，获得一次低通滤波后的带钢图像L(x,y)；然后，对L(x,y)分辨率再次降低，获得二次降低分辨率的带钢图像L₁(x,y)；最后，对L₁(x,y)再次低通滤波，获得二次低通滤波后的带钢图像L₂(x,y)；

步骤3：多分辨率滤波带钢图像的中央周边操作

对所述步骤2获得的不同分辨率的一次低通滤波后的带钢图像L(x,y)、二次低通滤波后的带钢图像L₂(x,y)进行线性插值运算，在不同分辨率的带钢图像I(x,y)、一次低通滤波后的带钢图像L(x,y)与二次低通滤波后的带钢图像L₂(x,y)之间进行中央周边操作，获得不同分辨率带钢差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)；

步骤4：带钢差分图像融合

将所述步骤3获得的不同分辨率带钢差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)的灰度值范围调整到0～255之间，对调整后的带钢差分图像f₁'(x,y)、f₂'(x,y)和f₃'(x,y)进行融合，得到带钢融合图像f(x,y)；

步骤5：带钢缺陷图像分割

确定所述步骤4的得到的带钢融合图像f(x,y)的阈值T，然后将大于等于阈值T的区域分割出来，即带钢缺陷区域。

3.如权利要求2所述的一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，其特征在于，所述步骤2具体为：

步骤2.1：降低带钢图像分辨率

设带钢图像I(x,y)的尺寸为M×N，对其进行向下2抽样，即每行每列中的像素间隔抽取，抽取后的图像尺寸为获得一次降低分辨率的带钢图像I₁(x,y)；

步骤2.2：对一次降低分辨率的带钢图像I₁(x,y)低通滤波

定义高斯滤波器函数G(x,y,σ)如公式(1)所示，σ决定了高斯函数的宽度，取0.5，模板大小为3*3；根据公式(2)得到一次低通滤波后的带钢图像L(x,y)：

$G(x,y,\mathrm{\&sigma;})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}\exp (-\frac{{\left(x\right)}^2+{\left(y\right)}^2}{{2\mathrm{\&sigma;}}^2})---\left(1\right)$

$\begin{array}{c}L(x,y)=I_1(x,y)*G(x,y,\mathrm{\&sigma;})\\ =\underset{m=x-1}{\overset{x+1}{\mathrm{\&Sigma;}}}\underset{n=y-1}{\overset{y+1}{\mathrm{\&Sigma;}}}{I}_1(m,n)G(x-m,y-n)\end{array}---\left(2\right)$

其中，σ为高斯分布参数；*表示卷积；I₁(x,y)为一次降低分辨率的带钢图像；(m,n)表示为坐标(x,y)的邻域坐标；

步骤2.3：降低L(x,y)图像分辨率

对一次低通滤波后的带钢图像L(x,y)进行向下2抽样，即每行每列中的像素间隔抽取，抽取后的图像尺寸为获得二次降低分辨率的带钢图像L₁(x,y)；

步骤2.4：对带钢图像L₁(x,y)低通滤波

对二次降低分辨率的带钢图像L₁(x,y)低通滤波，如公式(3)所示，获得二次低通滤波后的带钢图像L₂(x,y)：

L₂(x,y)＝G(x,y,σ)*L₁(x,y)       (3)

其中，G(x,y,σ)为高斯滤波器函数；L₁(x,y)为二次降低分辨率的带钢图像；*表示卷积。

4.如权利要求2所述的一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，其特征在于，所述步骤3具体为：

步骤3.1：对不同分辨率带钢图像进行双线性插值运算

分别对不同分辨率的一次低通滤波后的带钢图像L(x,y)、二次低通滤波后的带钢图像L₂(x,y)进行线性插值运算，插值后其尺寸均为M*N，采用如下方法获得：

目标图中新创造的像素值f(P)，是由源图像位置在它附近的2*2区域4个相邻像素Q₁₁、Q₁₂、Q₂₁、Q₂₂的灰度值通过加权均值通过公式(4)、(5)、(6)计算得出的：

X方向的线性插值：

$f\left(R_1\right)=\frac{x_2-x}{x_2-x_1}\&times;f\left(Q_{11}\right)+\frac{{x-x}_1}{x_2-x_1}\&times;f\left(Q_{21}\right)---\left(4\right)$

$f\left(R_2\right)=\frac{x_2-x}{x_2-x_1}\&times;f\left(Q_{12}\right)+\frac{{x-x}_1}{x_2-x_1}\&times;f\left(Q_{22}\right)---\left(5\right)$

Y方向的线性插值：

在X方向的插值后，再进行Y方向的插值，从而实现双线性插值；

$f\left(P\right)=\frac{y_2-y}{y_2-y_1}\&times;f\left(R_1\right)+\frac{{y-y}_1}{y_2-y_1}\&times;f\left(R_2\right)---\left(6\right)$

其中，Q₁₁＝(x₁,y₁)，Q₁₂＝(x₁,y₂)，Q₂₁＝(x₂,y₁)，Q₂₂＝(x₂,y₂)；f(Q₁₁)、f(Q₁₂)、f(Q₂₁)、f(Q₂₂)为各个像素点的灰度值；R₁＝(x,y₁)，R₂＝(x,y₂)；f(R₁)、f(R₂)为R₁、R₂像素点的灰度值，f(p)为得到的插值点(x,y)的灰度值；

步骤3.2：多分辨率带钢图像之间差分

在不同分辨率的带钢图像I(x,y)、一次低通滤波后的带钢图像L(x,y)与二次低通滤波后的带钢图像L₂(x,y)之间采用公式(7)进行中央周边操作，从而提高带钢缺陷与背景的对比度；

$\left\{\begin{array}{c}{f}_1(x,y)=\left|I(x,y)\mathrm{\&Theta;L}(x,y)\right|\\ f_2(x,y)=\left|L(x,y)\mathrm{\&Theta;}{L}_2(x,y)\right|\\ f_3(x,y)=\left|I(x,y)\mathrm{\&Theta;}{L}_2(x,y)\right|\end{array}\right.---\left(7\right)$

其中，Θ为中央周边操作，表示不同分辨率滤波带钢图像之间差分操作，f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率带钢差分图像。

5.如权利要求2所述的一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，其特征在于，所述步骤4具体为：

步骤4.1：带钢差分图像的灰度值范围调整

分别将带钢差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)的灰度值范围调整到0～255之间，根据公式(8)分别计算调整后的带钢差分图像f₁'(x,y)、f₂'(x,y)和f₃'(x,y)：

$\left\{\begin{array}{c}{f}_1^{\&prime;}(x,y)=\frac{255}{\max \left[f_1(x,y)\right]}\&times;f_1(x,y)\\ f_2^{\&prime;}(x,y)=\frac{255}{\max \left[f_2(x,y)\right]}\&times;f_2(x,y)\\ f_3^{\&prime;}(x,y)=\frac{255}{\max \left[f_3(x,y)\right]}\&times;f_3(x,y)\end{array}\right.---\left(8\right)$

式中，f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率带钢差分图像，max[f₁(x,y)]、max[f₂(x,y)]、max[f₃(x,y)]分别为f₁(x,y)、f₂(x,y)和f₃(x,y)的图像灰度极大值；

步骤4.2：带钢差分图像之间进行融合

将调整后的带钢差分图像f₁'(x,y)、f₂'(x,y)和f₃'(x,y)按照公式(9)进行融合；

$f(x,y)=\frac{1}{3}[f_1^{\&prime;}(x,y)+f_2^{\&prime;}(x,y)+f_3^{\&prime;}(x,y)]---\left(9\right)$

得到带钢融合图像f(x,y)。

6.如权利要求2所述的一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法，其特征在于，所述步骤5具体为：

步骤5.1：确定分割阈值

对带钢融合图像f(x,y)按照公式(10)确定阈值；

$\left\{\begin{array}{c}t{h}_1=\mathrm{mean}\left\{\max \right[f(x,y)\left]\right\}\\ {\mathrm{th}}_2=\mathrm{mean}\left\{\max \right[f^{\&prime;}(x,y)\left]\right\}\\ T=\min [{\mathrm{th}}_1,{\mathrm{th}}_2]\end{array}\right.---\left(10\right)$

其中，max[f(x,y)]表示带钢融合图中各行的极大值，max[f'(x,y)]表示带钢融合图中各列的极大值，mean{}表示均值运算，th₁为融合图中各行极大值的均值、th₂为融合图中各列极大值的均值；min[th₁,th₂]表示th₁，th₂中的极小值；T为带钢缺陷图像分割阈值；

步骤5.2：进行带钢缺陷图像分割

根据所述步骤5.1确定的阈值T，按照公式(11)分割，大于或等于阈值归为带钢缺陷区域，小于阈值归为背景区域，将带钢缺陷分割出来：

$\left\{\begin{array}{cc}f(x,y)\&GreaterEqual;T,& f(x,y)=255\\ f(x,y)<T,& f(x,y)=0\end{array}\right.---\left(11\right)$

式中，255表示带钢缺陷区域，0表示背景区域。