CN105825480A - 一种基于蓝宝石表面缺损自动化检测的图像去模糊方法 - Google Patents

Abstract

本发明公开了一种基于蓝宝石表面缺损自动化检测的图像去模糊方法，主要解决蓝宝石表面缺损自动化检测中极易出现的两种模糊‑线性运动模糊和离焦模糊。其实现过程为：对输入的模糊图像做改进的倒谱处理，得到模糊核函数的特征；对倒谱做位平面分离处理，提取核函数的特征；对倒谱的第2位平面使用Radon变换，提取核函数参数；用提取出的核函数参数重建核函数；使用迭代逆滤波方法复原模糊图像。本发明能够有效复原出清晰的蓝宝石缺损图像，消除水纹效应，能为下一步的缺损检测与判定提供优质的图像源。

Description

一种基于蓝宝石表面缺损自动化检测的图像去模糊方法

技术领域

本发明属于图像处理技术领域，涉及一种基于蓝宝石表面缺损自动化检测的图像去模糊方法，具体地说，涉及一种用于处理蓝宝石自动化缺损检测过程中极其容易产生的两种模糊——线性运动模糊和离焦模糊的方法。

背景技术

蓝宝石缺损自动化检测过程中，在相机的快门曝光取像的短暂时间内，晶片的高速运动、成像环境中光线不足以及相机自身的电子噪声，都会使得获取的晶片图像产生一定程度的退化或降质。图像去模糊就是从已退化或已降质的模糊图像中复原出清晰图像。图像去模糊是图像处理领域中的一类常见的亟待解决的重要问题，并在基于机器视觉的蓝宝石自动化缺损检测中显得尤为重要，因为如若不解决图像退化则无法鉴别图中的缺损特征。

图像的退化过程通常被建模为一个卷积过程，即退化后的模糊图像是原始清晰图像与核函数的卷积，因此，图像去模糊的核心在于核函数的求解。对于蓝宝石缺损的自动化检测，该过程中极易发生的两种图像模糊——线性运动模糊和离焦模糊都有固定的核函数，此情景下的图像的去模糊实际上就是从模糊图像中找寻核函数的相关参数，继而重建核函数，再使用一定手段结合已知的模糊函数和重建的核函数反解出清晰图像。

其中，线性运动模糊是指相机曝光时间内，蓝宝石晶片与相机发生线性均匀的相对移动而导致的图像降质；离焦模糊是指相机的成像环境光线不足，使得相机未能正确对焦而导致的成像模糊。

蓝宝石缺损图像的模糊会使得图像中原本清晰的高频边缘、细节信息和缺损特征等被丢失，将使得后续的缺损识别、缺损提取、缺损量化以及质量判定等环节无法正常开展，因此，模糊图像的复原是蓝宝石缺损自动化检测的重中之重。

图像去模糊方法分为盲目去模糊和非盲目去模糊两类。盲目去模糊即在只有模糊图像作为唯一已知条件的情况下的图像去模糊，输出则不仅包括估计出的清晰图像，还包括估计出的核函数；非盲目去模糊则是已知模糊图像和核函数，直接反解出清晰图像。实际操作中，可以通过先估计出核函数将盲目去模糊转换为非盲目去模糊，因此，盲目去模糊和非盲目去模糊的问题核心都归结到了核函数的求解上。

在本发明的已知核函数的数学式的前提下，最重要的就是求解核函数的核心参数。关于线性运动模糊核函数的参数求解，目前已有很多经典方法，例如正则化核函数迭代搜索、能量方程约束、频谱分析等。这些方法的参数估计精度大都不稳定，且或多或少需要一些先验知识。在重建核函数后的图像复原方面，经典的复原方法有空间上的能量方程迭代复原、频率域的逆滤波器复原等。这些复原方法要么抗噪声性能差，要么复原效果不理想，都有待改进。总之，目前为止还没有找到可以对自然模糊图像中的噪声彻底滤除并且完美复原之的图像复原算法，复原算法的强局限性和强针对性也恰好引起了广大图像研究人员对图像复原的兴趣和重视，引导着学者们继续探索。

发明内容

本发明的目的在于克服上述技术存在的缺陷，提供一种基于蓝宝石表面缺损自动化检测的图像去模糊方法，该方法是一种基于倒谱、位平面分离、Radon变换和迭代逆滤波等多种技术的去模糊方法，结果显示该方法能够较为理想地复原上述类型的模糊图像，以提高后续的缺损检测的处理效率和效果。

本发明目的的主要思路是：以线性运动模糊后或者离焦模糊后的蓝宝石缺损图片作为输入。首先，分析模糊图片的频谱特征，使用改进的倒谱获取核函数参数的特征；其次，使用位平面分离方法处理倒谱，将核函数参数的特征分离出来；再次，使用Radon变换从位平面中提取核函数的参数；最后，重建核函数，并使用基于统计迭代的逆滤波方法复原模糊图像。

其具体技术方案为：

一种基于蓝宝石表面缺损自动化检测的图像去模糊方法，包括以下步骤：

(1)输入模糊图像g(x，y)；

其中，(x，y)表示图像中像素的空间坐标。

(2)对g(x，y)进行倒谱变换，得到模糊图像的改进的倒谱G_Cep(u，v)；

(3)对G_Cep(u，v)进行位平面分离，并提取出第2位平面；

(4)对G_Cep(u，v)的第2位平面进行Radon变换，获取Radon变换曲线图R(φ，ρ)；

(5)搜索R(φ，ρ)域中ρ的最大值对应的坐标(φ，ρ)，提取核函数参数；

(6)依据上述得到的核函数参数重建核函数；

(7)使用基于统计迭代的逆滤波器复原模糊图像。

优选地，输入的模糊图像是蓝宝石检测过程中相机捕获的图像，其中包括无缺损的蓝宝石图像和存在一定缺损的蓝宝石图像。模糊图像的核函数类型包括两种：线性运动模糊和离焦模糊。

优选地，倒谱的获取是基于传统倒谱的改进，按以下步骤计算图像的改进的倒谱：

2a)对g(x，y)进行第一次傅里叶变换，得到频谱|G(u，v)|；

2b)对|G(u，v)|作第一次对数运算；

2c)第一次系数修正；

2d)第二次傅里叶变换；

2e)第二次对数运算；

2f)第二次系数修正。

在使用改进的倒谱获取了模糊核函数特征之后，使用图像压缩方法——位平面来担任特征提取的角色，本发明方法中的位平面分离方法在提取核函数特征时起的作用相当于阈值分割，其在此发明中所提取的核函数特征却大大优于常用的阈值分割对特征的提取效果。

优选地，使用典型的直线检测方法——Radon变换来提取核函数的所有参数，包括线性运动模糊和离焦模糊的核函数的参数。

所述线性运动模糊核函数参数提取中的Radon变换进一步包括：先对倒谱的第2位平面进行0°～180°的多角度投影，从得到的投影曲线族中求解出角度参数θ之后，再以θ作为求取长度参数L时的Radon变换的投影角度。

对于离焦模糊核函数参数提取中的Radon变换，其投影角度为任一角度，但常选0°作为投影角度。

优选地，使用基于统计的迭代逆滤波器，结合估计参数重建的核函数复原模糊图像。

所述的基于统计的迭代逆滤波器，是从大量测试中统计了本发明所述参数估计方法的有效性和准确性，得到了本发明方法在参数估计中的最大误差：±2个单位，以此为基本前提，应用传统的逆滤波器复原图像，并依据一定的图像质量评价标准对复原后的图像进行评估，再判定迭代是否终止。

所述的复原图像的质量评价标准为图像清晰度(Image Articulation，IA)，其表述如下：

$\mathrm{IA}\left[\hat{f}(x,y)\right]=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{\hat{f}}_C(x,y)$

其中，表示经过Canny边缘检测算子运算后的二值图像。

所述的迭代逆滤波器进一步包括：首先使用估计出的参数作为初值重建核函数，并以此作为逆滤波迭代复原的初始核函数；复原后的图像使用图像清晰度进行评估，若符合迭代终止条件，则终止迭代，否则修改参数，再次重建核函数，并使用逆滤波复原，依次循环，直到迭代终止。

所述逆滤波器，其表述如下：

$\begin{array}{c}\hat{F}(u,v)=\frac{G(u,v)}{H(u,v)}\\ =\frac{F(u,v)H(u,v)+N(u,v)}{H(u,v)}\\ =F(u,v)+\frac{N(u,v)}{H(u,v)}\end{array}$

其中，G(u，v)、F(u，v)、H(u，v)、N(u，v)分别是模糊图像g(x，y)、原始清晰图像f(x，y)、核函数h(x，y)、噪声η(x，y)的频谱形式，则是原始清晰图像的一个估计，即复原的结果图。

与现有技术相比，本发明的有益效果：

1、本发明改进了传统的倒谱运算模式，改进后的倒谱更能凸显核函数的特征；

2、本发明创新将位平面分离应用于特征提取，位平面分离最开始的应用领域是图像压缩，在本发明中，位平面分离扮演了阈值分割与特征提取的角色；

3、本发明将原本用于检测直线的Radon变换用于本发明中的核函数参数提取，对于双参数的线性运动模糊来说，先后两个参数的估计都依赖于Radon变换的结果，而对于单参数的离焦模糊来说，其参数估计也依赖于Radon变换的结果；

4、本发明在重建核函数后采用基于统计迭代的逆滤波方法复原模糊图像，相比于大部分使用Wiener滤波、RL滤波器等方法，本发明中的复原方法可以获得较为满意的复原效果；

5、本发明中的参数估计模块有很强的抗白噪声性能，即使在0.1dB信噪比下也能准确估计核函数参数。

大量实验表明，本发明能够以较高的准确度估计出不同尺度模糊的核函数参数，并且能较为理想地复原蓝宝石缺损模糊图像，参数估计方法稳定性好，抗噪声性能强，能为后续的缺损检测提供良好的图像源。

附图说明

图1是本发明的流程图；

图2是本发明中迭代复原方法的流程图；

图3是蓝宝石表面缺损图像；

图4是被参数为(L，θ)＝(30，60°)的匀速直线运动核函数模糊后的蓝宝石表面缺损图像；

图5是被参数为r＝10的离焦核函数模糊后的蓝宝石表面缺损图像；

图6是线性模糊图像复原的结果；

图7是离焦模糊图像复原的结果。

具体实施方式

下面结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。

参照图1，本发明的具体实现步骤如下：

步骤1，输入模糊的蓝宝石缺损图像g(x，y)。已知蓝宝石自动化缺损检测中的两种模糊：线性运动模糊和离焦模糊。其中，线性运动模糊的核函数h(x，y)的空间形式如下：

其中参数对(L，θ)是线性运动模糊核函数的核心参数，L是模糊长度，θ是模糊方向。一旦已知这两个参数，便可以重建线性运动模糊的核函数。

离焦模糊的核函数h(x，y)的空间形式如下：

其中参数r是离焦模糊核函数的核心参数——模糊半径。只要求出r的值就可以重建离焦模糊的核函数。

步骤2，求模糊图像的倒谱，本发明中对模糊图像做改进的倒谱处理，其中包含的具体操作有：第一次傅里叶变换、第一次取对数、第一次系数修正、第二次傅里叶变换、第二次取对数、第二次系数修正。

步骤3，对得到的倒谱进行位平面分割，并提取出第2位平面，此处提取出的第2位平面可以清晰地展示核函数的特性。

3a)对于线性运动模糊图像，其倒谱的第2位平面呈现出一条直线；

3b)而对于离焦模糊图像，其第2位平面呈现出一个圆环。从二者的第2位平面均可以

看出核函数的相关特性。

步骤4，对倒谱的第2位平面使用Radon变换。

4a)对于线性运动模糊的情况，首先对其倒谱的第2位平面做各个角度的投影变换，然后在得到的投影曲线中寻找最大值对应的角度，求出线性运动模糊核函数的第一个参数的估计值并记录下来，然后使用该角度参数值作为下一次Radon变换的投影角度，在得到的投影曲线中寻找中央峰值与两侧次峰值之间的差，观察该差值与真实长度参数L之间的比例关系，以此求解出线性运动模糊核函数的第二个参数的估计值

4b)对于离焦模糊的情况，只需对其倒谱的第2位平面做角度为0的Radon投影变换，在得到的投影曲线中寻找中央峰值与两侧次峰值之间的差，观察该差值与真实半径参数r之间的比例关系，以此求解出离焦模糊核函数的参数的估计值

步骤5，迭代复原。

5a)首先以步骤4中求出的核函数参数的估计值作为迭代复原的初值，重建初始核函数，使用逆滤波器复原模糊图像。其中逆滤波器具有如下形式：

$\begin{array}{c}\hat{F}(u,v)=\frac{G(u,v)}{H(u,v)}\\ =\frac{F(u,v)H(u,v)+N(u,v)}{H(u,v)}\\ =F(u,v)+\frac{N(u,v)}{H(u,v)}\end{array}$

其中，G(u，v)、F(u，v)、H(u，v)、N(u，v)分别是模糊图像g(x，y)、原始清晰图像f(x，y)、核函数h(x，y)、噪声η(x，y)的频谱形式，则是原始清晰图像的一个估计，即复原的结果图。

5b)对用初始核函数逆滤波复原的图像进行质量判断。本发明中使用图像清晰度(Image Articulation，IA)作为复原质量的一个度量，其形式如下：

$\mathrm{IA}\left[\hat{f}(x,y)\right]=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{\hat{f}}_C(x,y)$

其中，IA表示图像的清晰度，表示经过Canny边缘检测算子运算后的二值图像。

大量测试表明，清晰的蓝宝石表面缺损图像的IA值在3500左右。

5c)依据蓝宝石缺损图像的特征，其原始清晰图的图像清晰度具有一定的值范围，若复原后的图像的清晰度落在该值范围内，则接受该次复原，否则，修改核函数参数值，用其替换迭代初值，重复步骤5a)、5b)，直到复原图的IA值处于有效范围之内。

之所以可以如此迭代并最后收敛，是因为本发明中的参数估计方法可靠性高，大量测试

表明，该估计方法能保证估计出的核函数参数值与真实值之间的误差不超过±2个单位，在此前提下使用迭代必会收敛。

本发明的有效性可以通过以下实验具体说明：

1、实验条件：实验所用计算机的CPU为Intel Core i3 2.5GHz，内存为2.00GB，32位操作系统，软件环境为Matlab R2013a。实验所用的所有图片均为实际采集的蓝宝石表面缺损图片。

2、实验内容与结果分析

本发明的实验仿真部分使用了24张不同的蓝宝石表面缺损图片，其中包含3类缺损，每类缺损图像均有8张，且24张图像包含12种不同的尺寸。针对线性运动模糊，实验中用了8种不同的核函数参数值对，参数取值在5≤L≤60像素以及5°≤θ≤175°之间；并且对其中一张较为典型的图像(图3)做了如下统计测试：参数L的输入范围是5～60像素，步长为5像素，参数θ的输入范围是5°～175°，步长为5°。针对离焦模糊，实验中用了8种不同的核函数半径参数，参数取值范围为：5≤r≤40。

此外，本发明的实验仿真部分还对本发明所提出的方法做了抗噪声性能测试。使用模糊图尺度为(L，θ)＝(30，60°)的图4作为测试对象，分别将40dB、20dB、10dB、1dB、0.1dB的高斯白噪声加入模糊图像中，同样使用本发明的参数估计方法和模糊复原方法进行去模糊实验。

使用本发明所述方法复原尺度为(L，θ)＝(30，60°)的线性运动模糊和尺度为r＝10的离焦模糊的结果分别如图6和图7所示，其中线性运动核函数的参数估计存在微小误差，但是在复原过程中由于迭代的作用，使得核函数参数误差将给复原结果造成的影响被抵消；而离焦模糊核函数的参数估计是准确的。

在实验的抗噪声性能分析部分，不同功率的高斯白噪声对参数估计准确度的影响如表1(真实核函数参数(L，θ)＝(30，60°))：

表1

从表1中可以看出，噪声并未影响本发明中参数估计方法的有效性和准确性。

本发明所述方法可用于基于图像处理的自动化蓝宝石表面缺损检测中，并以高质量复原该类模糊图像，此外，本发明可推广至其他工业产品的类似自动化缺损检测中去。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (5)

1.一种基于蓝宝石表面缺损自动化检测的图像去模糊方法，其特征在于，包括以下步骤：

包括以下步骤：

(1)输入模糊图像g(x，y)；

其中，(x，y)表示图像中像素的空间坐标；

(2)对g(x，y)进行倒谱变换，得到模糊图像的改进的倒谱G_Cep(u，v)；

(3)对G_Cep(u，v)进行位平面分离，并提取出第2位平面；

(4)对G_Cep(u，v)的第2位平面进行Radon变换，获取Radon变换曲线图R(φ，ρ)；

(5)搜索R(φ，ρ)域中ρ的最大值对应的坐标(φ，ρ)，提取核函数参数；

(6)依据上述得到的核函数参数重建核函数；

(7)使用基于统计迭代的逆滤波器复原模糊图像。

2.根据权利要求1所述的基于蓝宝石表面缺损自动化检测的图像去模糊方法，其特征在于，步骤(1)中所述输入的模糊图像是蓝宝石检测过程中相机捕获的图像，其中包括无缺损的蓝宝石图像和存在一定缺损的蓝宝石图像，模糊图像的核函数类型包括两种：线性运动模糊和离焦模糊。

3.根据权利要求1所述的基于蓝宝石表面缺损自动化检测的图像去模糊方法，其特征在于，步骤(2)中所述倒谱的获取是基于传统倒谱的改进，按以下步骤计算图像的改进的倒谱：

2a)对g(x，y)进行第一次傅里叶变换，得到频谱|G(u，v)|；

2b)对|G(u，v)|作第一次对数运算；

2c)第一次系数修正；

2d)第二次傅里叶变换；

2e)第二次对数运算；

2f)第二次系数修正。

4.根据权利要求1所述的基于蓝宝石表面缺损自动化检测的图像去模糊方法，其特征在于，使用典型的直线检测方法-Radon变换来提取核函数的所有参数，包括线性运动模糊和离焦模糊的核函数的参数；

所述线性运动模糊核函数参数提取中的Radon变换进一步包括：先对倒谱的第2位平面进行0°～180°的多角度投影，从得到的投影曲线族中求解出角度参数θ之后，再以θ作为求取长度参数L时的Radon变换的投影角度；

对于离焦模糊核函数参数提取中的Radon变换，其投影角度为任一角度，但常选0°作为投影角度。

5.根据权利要求1所述的基于蓝宝石表面缺损自动化检测的图像去模糊方法，其特征在于，使用基于统计的迭代逆滤波器，结合估计参数重建的核函数复原模糊图像；

所述的基于统计的迭代逆滤波器，所述方法在参数估计中的最大误差：±2个单位，以此为基本前提，应用传统的逆滤波器复原图像，并依据一定的图像质量评价标准对复原后的图像进行评估，再判定迭代是否终止；

所述的复原图像的质量评价标准为图像清晰度Image Articulation，IA，其表述如下：

$IA\[\hat{f}(x,y)\]=\underset{x=1}{\overset{M}{\Σ}}\underset{y=1}{\overset{N}{\Σ}}{\hat{f}}_C(x,y)$

其中，表示经过Canny边缘检测算子运算后的二值图像；

所述的迭代逆滤波器进一步包括：首先使用估计出的参数作为初值重建核函数，并以此作为逆滤波迭代复原的初始核函数；复原后的图像使用图像清晰度进行评估，若符合迭代终止条件，则终止迭代，否则修改参数，再次重建核函数，并使用逆滤波复原，依次循环，直到迭代终止；

所述逆滤波器，其表述如下：

$\begin{array}{c}\hat{F}(u,v)=\frac{G(u,v)}{H(u,v)}\\ =\frac{F(u,v)H(u,v)+N(u,v)}{H(u,v)}\\ =F(u,v)+\frac{N(u,v)}{H(u,v)}\end{array}$

其中，G(u，v)、F(u，v)、H(u，v)、N(u，v)分别是模糊图像g(x，y)、原始清晰图像f(x，y)、核函数h(x，y)、噪声η(x，y)的频谱形式，则是原始清晰图像的一个估计，即复原的结果图。