CN105787955A - 一种带钢缺陷的稀疏分割方法及其分割装置 - Google Patents

Abstract

本发明涉及一种带钢缺陷的稀疏分割方法及其分割装置，通过采集带钢图像，并将所述带钢图像转换成灰度图像；计算所述灰度图像的差分图像；根据带钢图像中的缺陷区域和非缺陷区域之间的区分度以及带钢图像中的缺陷区域数目少于非缺陷区域数目，确定带钢图像中缺陷区域的稀疏判据，通过该稀疏判据计算得到所述差分图像的最佳稀疏度。将所述的最佳稀疏度作为最佳阈值,将差分图像和所述的最佳阈值进行比较，从而分割得到所述带钢图像中的带钢缺陷区域。本发明在针对复杂环境中时，对各类缺陷检测仍然具有较高的准确率和较强的普适性，提供了一种全新的带钢缺陷检测方法。

Description

一种带钢缺陷的稀疏分割方法及其分割装置

技术领域

本发明涉及一种带钢缺陷的稀疏分割方法及其分割装置，属于带钢缺陷检测方法的技术领域。

背景技术

带钢是钢铁企业重要的产品之一，其质量直接决定着相关终端产品的质量；传统的带钢表面质量检测主要依赖人工抽检，这必然造成漏检难以满足现代化生产的需要。随着机器视觉和图像处理技术的发展及应用，基于图像处理算法的带钢缺陷检测已成为国内外钢铁企业研究的热点。

现有技术申请号为201410352867.3专利名称为“一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法”中，利用高斯滤波器对采集的带钢图像进行多分辨率滤波，从而获得不同分辨率带钢图像，计算不同分辨率带钢图像的差分图像并进行融合，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。但是，现有技术适用于一般带钢缺陷的检测，很难适应带钢缺陷较为复杂场景中的检测，从而降低对复杂带钢缺陷区域检测的准确性。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种带钢缺陷的稀疏分割法，解决了现有技术中对于复杂带钢缺陷时，检测准确性和普适性差的技术问题。本发明还提出了一种带钢缺陷的稀疏分割装置。

本发明是通过如下方案予以实现的：

一种带钢缺陷的稀疏分割方法，步骤如下：

步骤1，采集带钢图像F(x,y)，并将所述带钢图像转换成灰度图像I(x,y)；

步骤2，计算所述灰度图像I(x,y)的差分图像f(x,y)；

步骤3，根据带钢图像中的缺陷区域和非缺陷区域之间的区分度以及带钢图像中的缺陷区域数目少于非缺陷区域数目，确定带钢图像中缺陷区域的稀疏判据，通过该稀疏判据计算得到所述差分图像的f(x,y)的最佳稀疏度；

步骤4，所述的最佳稀疏度作为最佳阈值T,将差分图像f(x,y)和所述的最佳阈值T进行比较，从而分割得到所述带钢图像中的带钢缺陷区域。

进一步的，所述步骤4中，稀疏判据表达式为：

$\left\{\begin{array}{c}{f}_{\max }(i,j)>{\mathrm{\δ}}_{otsu}\\ f_{sparsity\left(n\right)}=num{\[f_{\max }(i,j)\]}_{\mathrm{\δ}(n+1)}-mun{\[f_{\max }(i,j)\]}_{\mathrm{\δ}\left(n\right)}\\ f_{\max \left(sparsity\right)}=\max \left(\mathrm{\Δ}num\right)\end{array}\right.$

其中，f_max(i,j)表示在差分图像(i,j)处的极大特征值，δ_otsu阈值为最大类间方差；f_sparsity表示带钢缺陷区域的稀疏度，其数值越大表明越稀疏；num[f_max]_δ(n+1)、num[f_max]_δ(n)分别表示在[δ,255]之间进行N等分得到一系列阈值δ(1)…δ(n-1)、δ(n)…δ(N)中的第n+1和n次分割时缺陷区域数目；f_{max(sparsity)}表示最佳稀疏度。

进一步的，所述步骤2中，计算所述差分图像f(x,y)的过程为：通过抽取灰度图像I(x,y)的像素降低灰度图像I(x,y)分辨率，从而分别获得不同分辨率的灰度图像L(x,y)和L₂(x,y)；然后分别对所述灰度图像I(x,y)、L(x,y)和L₂(x,y)进行中央周边操作获取与各灰度图像相对应的差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)，融合图像f₁(x,y)、f₂(x,y)和f₃(x,y)得到融合后的差分图像f(x,y)。

进一步的，对各个灰度图像I(x,y)、L(x,y)和L₂(x,y)进行中央操作的表达式为：

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

其中，Θ为中央周边操作；f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率差分图像。

进一步的，所述步骤1还包括提取带钢图像F(x,y)的颜色特征，根据颜色特征判断带钢图像F(x,y)是否存在缺陷区域，若存在缺陷区域，则通过阈值分割提取到缺陷颜色特征图，即可将缺陷信息可以完整呈现出来，不再进行步骤2-4。

一种带钢缺陷的稀疏分割装置，该装置包括：

图像采集模块：采集带钢图像F(x,y)，并将所述带钢图像转换成灰度图像I(x,y)；

获取差分图像模块：计算所述灰度图像I(x,y)的差分图像f(x,y)；

获取最佳系数度模块：根据带钢图像中的缺陷区域和非缺陷区域之间的区分度以及带钢图像中的缺陷区域数目少于非缺陷区域数目，确定带钢图像中缺陷区域的稀疏判据，通过该稀疏判据计算得到所述差分图像的f(x,y)的最佳稀疏度；

分割模块：所述的最佳稀疏度作为最佳阈值T,将差分图像f(x,y)和所述的最佳阈值T进行比较，从而分割得到所述带钢图像中的带钢缺陷区域。

进一步的，所述分割模块中，稀疏判据表达式为：

$\left\{\begin{array}{c}{f}_{\max }(i,j)>{\mathrm{\δ}}_{otsu}\\ f_{sparsity\left(n\right)}=num{\[f_{max}(i,j)\]}_{\mathrm{\δ}(n+1)}-mun{\[f_{max}(i,j)\]}_{\mathrm{\δ}\left(n\right)}\\ f_{\max \left(sparsity\right)}=\max \left(\mathrm{\Δ}num\right)\end{array}\right.$

其中，f_max(i,j)表示在差分图像(i,j)处的极大特征值，δ_otsu阈值为最大类间方差；f_sparsity表示带钢缺陷区域的稀疏度，其数值越大表明越稀疏；num[f_max]_δ(n+1)、num[f_max]_δ(n)分别表示在[δ,255]之间进行N等分得到一系列阈值δ(1)…δ(n-1)、δ(n)…δ(N)中的第n+1和n次分割时缺陷区域数目；f_{max(sparsity)}表示最佳稀疏度。

进一步的，所述获取差分图像模块中，计算所述差分图像f(x,y)的过程为：通过抽取灰度图像I(x,y)的像素降低灰度图像I(x,y)分辨率，从而分别获得不同分辨率的灰度图像L(x,y)和L₂(x,y)；然后分别对所述灰度图像I(x,y)、L(x,y)和L₂(x,y)进行中央周边操作获取与各灰度图像相对应的差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)，融合图像f₁(x,y)、f₂(x,y)和f₃(x,y)得到融合后的差分图像f(x,y)。

进一步的，对各个灰度图像I(x,y)、L(x,y)和L₂(x,y)进行中央操作的表达式为：

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

其中，Θ为中央周边操作；f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率差分图像。

本发明和现有技术相比的有益效果是：本发明通过采集带钢图像并计算所述灰度图像的差分图像。然后，根据带钢图像中的缺陷区域和非缺陷区域之间的区分度以及带钢图像中的缺陷区域数目少于非缺陷区域数目，确定带钢图像中缺陷区域的稀疏判据，通过该稀疏判据计算得到所述差分图像的最佳稀疏度；将差分图像和最佳稀疏度进行比较，从而分割得到带钢图像中的带钢缺陷区域。本发明基于一种带钢缺陷的稀疏分割方法还提出了一种带钢缺陷的稀疏分割装置，分为图像采集模块、获取差分图像模块本、获取最佳系数度模块和分割模块。本发明通过统计缺陷区域数目的稀疏性，构建稀疏曲线计算最佳分割阈值，进而分割得到带钢图像中的缺陷信息，对缺陷区域的分割更具有完整性，在针对复杂环境中时，对各类缺陷检测仍然具有较高的准确率和较强的普适性，提供了一中全新的带钢缺陷检测方法。

本发明采用高斯滤波器对带钢灰度图像进行两次多分辨率低通滤波，在不同分辨率图像之间，采用双线性插值运算、中央周边操作构建差分图像，模仿人类视觉观察机制，优于传统图像处理方法，从而可以更加凸显缺陷区域，有利于提高分割的准确性。

附图说明

图1是本发明实施例一种带钢缺陷的稀疏分割方法的流程图；

图2是本发明实施例中高斯滤波器多分辨滤波过程；

图3是本发明实施例中多分辨率图像的双线性插值过程；

图4是本发明实施例中多分辨率滤波图像中央周边操作过程；

图5是本发明实施例中带钢缺陷图像分割过程；

图6是本发明实施例的分割方法与经典算法冷轧带钢缺陷检测准确率的比较图；

图7是本发明实施例的分割方法与经典算法热轧带钢缺陷检测准确率的比较图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细的说明。

本发明提出了一种带钢缺陷的稀疏分割方法，该方法主要包括：采集带钢图像、计算带钢图像的差分图像、计算最佳稀疏度和带钢图像分割。下面进行依次说明：

1.采集带钢图像

利用采集装置获取带钢图像F(x,y)，提取所述带钢图像中的颜色特征得到所述带钢图像的颜色特征图。本实施例中提取的颜色特征分量为红颜色通道的特征分量R(x,y)。其中，定义r、g、b分别表示彩色图像的红、绿、蓝三个颜色分量，那么，定义R＝r-(g+b)/2。带钢图像的特点是背景是灰色，颜色缺陷与背景之间已经有显著差别，缺陷信息可通过颜色特征图进行区别，阈值分割后可以形成二值化黑白图像，缺陷和非缺陷区域有明显分开，此时就无需再通过显著图构建方法提高缺陷区域分辨率。

然后，对得到的颜色特征图采用最大类间差分割方法进行预分割。若分割后的颜色特征图判断为无缺陷信息，则接下来提取带钢图像的灰度特征，构建显著图和分割兴趣区域。利用RGB颜色模型表示图像的灰度信息I(x,y)为：

I＝(r+g+b)/3

之所以选择灰度图像，主要是由于灰度是表示图像信息经过光照后的明暗信息，是最原始的图像特征，可以完整表达图像的全貌。

若所述颜色特征图存在颜色缺陷，此时缺陷在颜色特征图中十分明显，即可通过阈值分割方法提取出缺陷颜色特征图。该方式变压在后续的显著图构建过程汇总可以不采用颜色特征，节约计算机资源，也提高检测效率。

2.计算带钢图像的差分图像

本实施例中计算带钢图像的差分图像的过程为：获取不同分辨率带钢图像、计算各分辨率带钢图像的差分图像和带钢差分图像融合；下面依次进行详细说明。

(1)获取不同分辨率带钢图像

首先，获取相对于灰度图像I(x,y)低分辨率的灰度图像I₁(x,y)，具体方式如下：

设上述得到的灰度图像I(x,y)的尺寸为M×N，对灰度图像按照每行每列中的像素间隔方式进行抽取，则抽取后的图像尺寸变为此时得到一次降低分辨率的图像I₁(x,y)；

本发明采用每行每列间隔的方式进行抽取，作为其他实施方式，本发明还可以采用其他形式进行像素抽取，如：仅抽取灰度图像的每行或仅抽取灰度图像的每列等方式。

然后，对得到的图像I₁(x,y)进行高斯低通滤波。定义高斯滤波器函数G(x,y,σ)的表达式为：

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

其中，σ表示为高斯分布参数；本实施例中取σ＝0.5；模板大小为3×3；通过上述高斯滤波器函数G(x,y,σ)，计算得到一次低通滤波后的图像L(x,y)，即：

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

其中，(m,n)表示为坐标(x,y)的邻域坐标；*表示为卷积。

对得到的一次低通滤波后的图像L(x,y)采用上述方式继续降低图像的分辨率，即按照每行每类中的像素间隔抽取方式，抽取后得到的图像尺寸为进而获得二次降低分辨率的图像L₁(x,y)。

对二次降低分辨率的图像L₁(x,y)进行高斯低通滤波后获得二次低通滤波后的图像L₂(x,y)，L₂(x,y)的表达式为：

L₂(x,y)＝G(x,y,σ)*L₁(x,y)

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图像；*表示卷积。

综上所述，本实施例中依次获取不同分辨率的图像I(x,y)、L(x,y)和L₂(x,y)。

本实施例选用的滤波方式为高斯滤波，作为其他实施方式，本发明也可以选用巴特沃斯滤波器进行低通滤波。

(2)计算各分辨率带钢图像的差分图像

如图4所示，本实施例中采用双线性插值运算和中央周边操作计算不同分辨率带钢图像I(x,y)、一次低通滤波后的图像L(x,y)和二次低通滤波后的图像L₂(x,y)的差分图像。

首先，对图像L(x,y)和图像L₂(x,y)的进行线性插值运算，是图像L(x,y)和图像L₂(x,y)的尺寸恢复为M×N，具体方式如下：

如图3所示，假设图像存在的某一像素，在该像素位置的附近2×2的区域处包含4个相邻像素Q₁₁、Q₁₂、Q₂₁和Q₂₂，通过计算该相邻像素值的加权均值，分别在X方向进行线性差值，再在Y方向进行线性差值，从而得到新创造的像素值f(P)，计算表达式为：

X方向的线性插值：

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

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

Y方向的线性插值：

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

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。

然后，对图像I(x,y)以及通过上述方式进行线性插值运算后的图像L(x,y)和图像L₂(x,y)进中央边操作，得到对应各个图像对应的差分图像，从而提高带钢图像上缺陷区域和非缺陷区域的对比度，表达式为：

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

其中，Θ为中央周边操作，表示不同分辨率滤波图像之间差分操作，f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示对应不同分辨率图像I(x,y)、L(x,y)和L₂(x,y)的差分图像。

(3)带钢差分图像融合

对上述得到的不同分辨率图像对应的差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)的灰度值范围根据下述公式调整到0-255之间得到对应差分图像f′₁(x,y)、f′₂(x,y)和f′₃(x,y)，表达式为：

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

其中，f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率差分图像，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。

将调整后的差分图像f′₁(x,y)、f′₂(x,y)和f′₃(x,y)进行融合，得到融合后的带钢差分图像f(x,y)，即：

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

本实施例中仅将三幅差分图像采用平均求值的方式进行融合。作为其他实施方式，也同样可以根据各差分图像重要性的不同，对各个差分图像选取不同的权值再进行融合。

3.计算最佳稀疏度

人类视觉通常会对稀疏的目标会更加关注；在本实施例中利用人类视觉的这种特性，利用带钢图像中缺陷区域的稀疏因子，实现将在带钢图像中缺陷区域和非缺陷区域差异不太大的情况下，准确分割出带钢图像的缺陷区域。

根据人类视觉的稀疏特性，所述的稀疏因子需要满足如下条件:

(1)缺陷区域必须与非缺陷区域存在一定的区分度，即表明缺陷区域存在一定的显著性。

(2)缺陷区域数目要少于非缺陷区域数目，即表明缺陷区域具有一定的稀疏性。

因此，基于上述稀疏因子的条件，计算本实施例中带钢图像的最佳稀疏度f_{max(sparsity)}的判断条件如下：

$\left\{\begin{array}{c}{f}_{\max }(i,j)>{\mathrm{\δ}}_{otsu}\\ f_{sparsity\left(n\right)}=num{\[f_{max}(i,j)\]}_{\mathrm{\δ}(n+1)}-mun{\[f_{max}(i,j)\]}_{\mathrm{\δ}\left(n\right)}\\ f_{\max \left(sparsity\right)}=\max \left(\mathrm{\Δ}num\right)\end{array}\right.$

其中，f_max(i,j)表示在差分图像(i,j)处的极大特征值，δ_otsu阈值为最大类间方差；f_sparsity表示带钢缺陷区域的稀疏度，其数值越大表明越稀疏；num[f_max]_δ(n+1)、num[f_max]_δ(n)分别表示在[δ,255]之间进行N等分得到一系列阈值δ(1)…δ(n-1)、δ(n)…δ(N)中的第n+1和n次分割时缺陷区域数目；f_{max(sparsity)}表示最佳稀疏度。最佳稀疏度f_{max(sparsity)}表示的含义为，通过相邻两次分割后缺陷区数目之差最大，这表明缺陷区已经迅速的稀疏化。

4.带钢图像分割

将上述得到的最佳稀疏度f_{max(sparsity)}作为最佳阈值T，融合后的带钢差分图像f(x,y)和最佳阈值T进行比较，如下：

$\left\{\begin{array}{ccc}if& f(x,y)\≥T& f(x,y)=255,\\ else& f(x,y)=0& \end{array}\right.$

其中，若f(x,y)大于或等于最佳阈值T时，即表示该区域为带钢缺陷区域；若f(x,y)小于最佳阈值T时，表示该区域为非缺陷区域。

通过上述方法，差分图像f(x,y)转换为二值图像，从而实现带钢图像中缺陷的准确分割。

基于上述的“一种带钢缺陷的稀疏分割方法”，本发明还提出了使用上述方法的“一种带钢缺陷的稀疏分割装置”，该装置是一种软件构架，是基于软件程序编译固化在微机中以实现上述方法，该装置包括：图像采集模块、获取差分图像模块本、获取最佳系数度模块和分割模块，具体如下：

图像采集模块：采集带钢图像F(x,y)，并将所述带钢图像转换成灰度图像I(x,y)；

获取差分图像模块：计算所述灰度图像I(x,y)的差分图像f(x,y)；

获取最佳系数度模块：根据带钢图像中的缺陷区域和非缺陷区域之间的区分度以及带钢图像中的缺陷区域数目少于非缺陷区域数目，确定带钢图像中缺陷区域的稀疏判据，通过该稀疏判据计算得到所述差分图像的f(x,y)的最佳稀疏度；

分割模块：所述的最佳稀疏度作为最佳阈值T,将差分图像f(x,y)和所述的最佳阈值T进行比较，从而分割得到所述带钢图像中的带钢缺陷区域。

该分割装置中各个模块的具体工作方式在上述“一种带钢缺陷的稀疏分割方法”中已经进行了详细的阐述，故这里不再赘述。

仿真实验分析和结论

为了验证本发明方法的可行性，在同一硬件平台下，利用本发明的方法和经典的小波重构方法进行检测和对比，检测目标分别为冷轧带钢缺陷和热轧带钢缺陷，通过两种方法检测结果的对比图分别如图6和图7所示。通过分析得出，无论是针对冷轧带钢缺陷，还是针对热轧带钢缺陷，利用本发明的检测率的结构均明显优于经典的小波重构方法。进而再次证明本发明的方法在检测带钢缺陷时，不仅具有较高的准确率，还具有较强的普适性。

Claims (9)

1.一种带钢缺陷的稀疏分割方法，其特征在于，步骤如下：

步骤1，采集带钢图像F(x,y)，并将所述带钢图像转换成灰度图像I(x,y)；

步骤2，计算所述灰度图像I(x,y)的差分图像f(x,y)；

步骤3，根据带钢图像中的缺陷区域和非缺陷区域之间的区分度以及带钢图像中的缺陷区域数目少于非缺陷区域数目，确定带钢图像中缺陷区域的稀疏判据，通过该稀疏判据计算得到所述差分图像的f(x,y)的最佳稀疏度；

步骤4，所述的最佳稀疏度作为最佳阈值T,将差分图像f(x,y)和所述的最佳阈值T进行比较，从而分割得到所述带钢图像中的带钢缺陷区域。

2.根据权利要求1所述的一种带钢缺陷的稀疏分割方法，其特征在于，所述步骤4中，稀疏判据表达式为：

$\left\{\begin{array}{c}{f}_{\max }(i,j)>{\mathrm{\δ}}_{otsu}\\ f_{sparsity\left(n\right)}=num{\[f_{max}(i,j)\]}_{\mathrm{\δ}(n+1)}-mun{\[f_{max}(i,j)\]}_{\mathrm{\δ}\left(n\right)}\\ f_{\max \left(sparsity\right)}=\max \left(\mathrm{\Δ}num\right)\end{array}\right.$

其中，f_max(i,j)表示在差分图像(i,j)处的极大特征值，δ_otsu阈值为最大类间方差；f_sparsity表示带钢缺陷区域的稀疏度，其数值越大表明越稀疏；num[f_max]_δ(n+1)、num[f_max]_δ(n)分别表示在[δ,255]之间进行N等分得到一系列阈值δ(1)…δ(n-1)、δ(n)…δ(N)中的第n+1和n次分割时缺陷区域数目；f_{max(sparsity)}表示最佳稀疏度。

3.根据权利要求1所述的一种带钢缺陷的稀疏分割方法，其特征在于，所述步骤2中，计算所述差分图像f(x,y)的过程为：通过抽取灰度图像I(x,y)的像素降低灰度图像I(x,y)分辨率，从而分别获得不同分辨率的灰度图像L(x,y)和L₂(x,y)；然后分别对所述灰度图像I(x,y)、L(x,y)和L₂(x,y)进行中央周边操作获取与各灰度图像相对应的差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)，融合图像f₁(x,y)、f₂(x,y)和f₃(x,y)得到融合后的差分图像f(x,y)。

4.根据权利要求3所述的一种带钢缺陷的稀疏分割方法，其特征在于，对各个灰度图像I(x,y)、L(x,y)和L₂(x,y)进行中央操作的表达式为：

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

其中，Θ为中央周边操作；f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率差分图像。

5.根据权利要求1所述的一种带钢缺陷的稀疏分割方法，其特征在于，所述步骤1还包括提取带钢图像F(x,y)的颜色特征，根据颜色特征判断带钢图像F(x,y)是否存在缺陷区域，若存在缺陷区域，则通过阈值分割提取到缺陷颜色特征图，即可将缺陷信息可以完整呈现出来，不再进行步骤2-4。

6.一种带钢缺陷的稀疏分割装置，其特征在于，该装置包括：

图像采集模块：采集带钢图像F(x,y)，并将所述带钢图像转换成灰度图像I(x,y)；

获取差分图像模块：计算所述灰度图像I(x,y)的差分图像f(x,y)；

获取最佳系数度模块：根据带钢图像中的缺陷区域和非缺陷区域之间的区分度以及带钢图像中的缺陷区域数目少于非缺陷区域数目，确定带钢图像中缺陷区域的稀疏判据，通过该稀疏判据计算得到所述差分图像的f(x,y)的最佳稀疏度；

分割模块：所述的最佳稀疏度作为最佳阈值T,将差分图像f(x,y)和所述的最佳阈值T进行比较，从而分割得到所述带钢图像中的带钢缺陷区域。

7.根据权利要求6所述的一种带钢缺陷的稀疏分割装置，其特征在于，所述分割模块中，稀疏判据表达式为：

$\left\{\begin{array}{c}{f}_{\max }(i,j)>{\mathrm{\δ}}_{otsu}\\ f_{sparsity\left(n\right)}=num{\[f_{max}(i,j)\]}_{\mathrm{\δ}(n+1)}-mun{\[f_{max}(i,j)\]}_{\mathrm{\δ}\left(n\right)}\\ f_{\max \left(sparsity\right)}=\max \left(\mathrm{\Δ}num\right)\end{array}\right.$

其中，f_max(i,j)表示在差分图像(i,j)处的极大特征值，δ_otsu阈值为最大类间方差；f_sparsity表示带钢缺陷区域的稀疏度，其数值越大表明越稀疏；num[f_max]_δ(n+1)、num[f_max]_δ(n)分别表示在[δ,255]之间进行N等分得到一系列阈值δ(1)…δ(n-1)、δ(n)…δ(N)中的第n+1和n次分割时缺陷区域数目；f_{max(sparsity)}表示最佳稀疏度。

8.根据权利要求6所述的一种带钢缺陷的稀疏分割装置，其特征在于，所述获取差分图像模块中，计算所述差分图像f(x,y)的过程为：通过抽取灰度图像I(x,y)的像素降低灰度图像I(x,y)分辨率，从而分别获得不同分辨率的灰度图像L(x,y)和L₂(x,y)；然后分别对所述灰度图像I(x,y)、L(x,y)和L₂(x,y)进行中央周边操作获取与各灰度图像相对应的差分图像f₁(x,y)、f₂(x,y)和f₃(x,y)，融合图像f₁(x,y)、f₂(x,y)和f₃(x,y)得到融合后的差分图像f(x,y)。

9.根据权利要求8所述的一种带钢缺陷的稀疏分割装置，其特征在于，对各个灰度图像I(x,y)、L(x,y)和L₂(x,y)进行中央操作的表达式为：

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

其中，Θ为中央周边操作；f₁(x,y)、f₂(x,y)和f₃(x,y)分别表示不同分辨率差分图像。