CN106251361B - 一种钢轨表面缺陷图像自适应分割方法 - Google Patents
一种钢轨表面缺陷图像自适应分割方法 Download PDFInfo
- Publication number
- CN106251361B CN106251361B CN201610770736.6A CN201610770736A CN106251361B CN 106251361 B CN106251361 B CN 106251361B CN 201610770736 A CN201610770736 A CN 201610770736A CN 106251361 B CN106251361 B CN 106251361B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- pixel
- structural region
- rail
- 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.)
- Expired - Fee Related
Links
- 230000007547 defect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 27
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 28
- 239000010959 steel Substances 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000005286 illumination Methods 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 238000012913 prioritisation Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种钢轨表面缺陷图像自适应分割方法,包括以下步骤:S1采用行灰度均值逐次累加法提取钢轨区域;S2对钢轨区域图像预处理;S3对钢轨区域图像进行结构区域和非结构区域划分;S4在结构区域利用图像的非局部特征进一步区分缺陷区域和阴影区域;S5根据图像中的不同特征自适应建立背景图像模型;S6图像差分;S7动态阈值分割。利用图像局部信息将图像划分成结构和非结构区域,利用非局部信息自适应调节像素邻域窗口尺寸求取均值,建立准确的背景图像模型,图像差分并动态设定阈值,在凸显图像缺陷部分的同时,有效减弱光照不均和钢轨表面反射特性对钢轨表面缺陷检测产生的影响,获得理想的图像分割效果,保证轨面检测的精度。
Description
技术领域
本发明属于机器视觉图像处理技术领域,涉及一种图像分割方法,具体指一种钢轨表面缺陷图像自适应分割方法。
背景技术
随着我国铁路运输的快速发展,行车密度和载重量不断加大,加剧了钢轨表面的恶化。同时运营里程也不断扩大,这对线路实现短周期检测提出了新的难题。钢轨作为铁路运输中非常基础的元素,其对铁路运营的安全起着至关重要的作用;而在铁路交通事故中,有近1/3的事故是由钢轨缺陷造成的。随着先进生产技术的引进,钢轨内部出现缺陷的几率已经减少很多,取而代之的是钢轨表面缺陷导致钢轨断裂的情况频繁发生。因此,及时检测出钢轨表面缺陷可以很大程度上防止其进一步发展成为内部缺陷,从而保障铁路的安全运行。目前,我国对于铁路养护,主要依靠人工巡检,不仅效率低下,人力投入大,而且对工务人员的人身安全有很大威胁。因此,研究钢轨表面缺陷自动检测技术具有重要的意义。
基于机器视觉的钢轨表面缺陷检测技术具有非接触、速度快、精度高、抗干扰性强等优点,已被广泛应用于轨道缺陷检测中。然而由于钢轨表面缺陷分布的稀疏性造成图像中的特征较少,并且图像易受光照不均和钢轨表面反射特性的影响,在根据灰度信息提取表面缺陷时,无论是单一的灰度阈值方法,还是动态阈值方法,都难以获得理想的分割效果。因此,研究一种能有效减弱分割过程中光照变化以及反射不均等因素影响的图像分割方法很有必要。
于此,本发明提出一种钢轨表面缺陷图像自适应分割方法,利用图像的局部信息将图像划分成结构区域和非结构区域,再利用非局部信息在图像的结构区域计算图像块的相似度,通过相似度大小自适应地确定窗口尺寸求取均值,建立准确的背景图像模型,并进行图像差分,最后动态地设定阈值实现缺陷分割。实验结果表明,本发明提出的钢轨表面缺陷图像自适应分割方法,在能凸显图像缺陷部分的同时,有效地减少光照不均和钢轨表面反射特性对钢轨表面的影响。
发明内容
针对上述技术问题,本发明提供了一种钢轨表面缺陷图像自适应分割方法,充分利用图像的局部和非局部信息,对图像进行结构和非结构区域划分,并自适应确定像素邻域窗口尺寸求取均值建立背景图像模型,能有效减弱光照不均和钢轨表面反射特性对钢轨表面缺陷检测产生的影响,,以获得理想的图像分割效果,保证轨面检测的精度。
本发明通过以下技术方案来实现上述目的:
一种钢轨表面缺陷图像自适应分割方法,其特征在于包括以下步骤:
S1:采用行灰度均值逐次累加法提取钢轨区域;
S2:对提取的钢轨区域图像进行预处理,增强图像对比度,去除图像噪声;
S3:对预处理后的钢轨区域图像进行结构区域和非结构区域划分;其中结构区域指像素灰度值的离散程度高,像素灰度变异系数CV大于或等于0.0526,且包含局部特征的轨面区域;非结构区域指像素灰度值的离散程度低,像素灰度变异系数CV小于0.0526的轨面区域;
S4:在结构区域利用图像的非局部特征对结构区域进一步区分,利用图像块间的相似度,区分结构区域中的缺陷部分和由于光照不均产生的阴影部分;
S5:根据图像中的不同特征自适应建立背景图像模型;
通过自适应确定像素邻域窗口逐点计算均值建立背景图像模型,实现背景图像的多尺度模糊处理;根据图像块间的相似度,在结构区域的缺陷部分设置7×7像素的像素邻域窗口求取灰度均值作为背景,在结构区域的阴影部分设置3×3像素的像素邻域窗口求取灰度均值作为背景;在非结构区域设置5×5像素的像素邻域窗口求取灰度均值作为背景;
S6:图像差分;将原始图像与背景图像进行差值运算,得到差分图像;
S7:动态阈值分割;对差分图像设定阈值进行缺陷分割。
作为本方案的优化方案,上述步骤1钢轨区域提取具体包括以下步骤:
1)求取图像中每一行像素的灰度均值Avg(r),
其中,r和c分别表示图像中像素的行和列,n表示图像中像素的总列数;
2)对每行灰度均值逐次累加,得到逐次累加灰度均值分布曲线;
Sumr=Sum(r-1)+Avg(r),r∈[1,m],其中m表示图像的总行数;
3)求逐次累加灰度均值分布曲线上每隔钢轨宽度R的区间上的斜率,其中斜率最大的区间(r,r+R)即为图像中的轨面区域,即:
作为本方案的优化方案,上述步骤3结构区域和非结构区域划分具体包括以下步骤:
对预处理后的钢轨区域图像中的任意像素点(x,y),其灰度值表示为f(x,y),该像素点8邻域内的像素用集合表示为:Fx,y={f(x+t,y+s)|s,t=-1,0,1}
1)计算Fx,y中像素的灰度均值:
2)计算Fx,y中像素灰度值的标准差:
3)对图像中的每一点,计算其8邻域内像素灰度的变异系数CV,即:
4)采用CV-Kmeans区域分类算法进行钢轨图像结构区域和非结构区域划分,当变异系数CV大于或等于0.0526时为结构区域,否则为非结构区域。
作为本方案的优化方案,上述步骤4结构区域图像块间的相似度:
1)对于给定的钢轨图像g=(g(i)|i∈I),I表示图像域,搜索区域Ω的中心像素点i和搜索区域内的其它像素点j之间的相似性由灰度值向量v(Ni)与v(Nj)之间的相似性决定,其中Ni和Nj分别表示以像素i和j为中心的尺寸固定的方形邻域相似块,而各图像块灰度值向量之间的相似性则通过欧氏距离来衡量即:
其中,a>0为高斯核函数的标准差,图像块灰度值向量之间的欧式距离综合考虑了像素灰度距离和空间欧氏距离,其值越小,则两点之间的相似程度越高;
2)为了衡量搜索区域中所有图像块的总体相似程度,采用非局部均值去噪算法中的归一化因子Z(i),对搜索区域中每一个像素点j所属参与块与目标块Ni间的欧氏距离使用高斯函数归一化并求和,归一化因子Z(i)计算方法为:
其中,h为平滑参数,用以控制指数函数衰减速度,对于特定的搜索区域归一化因子为常数;
3)为了统一数据量纲,将Z(i)线性归一化为0~1之间的数值,即:
其中,Zmax表示图像内所有搜索域窗口归一化因子中的最大值,Zmin为最小值。
作为本方案的优化方案,在计算高斯加权欧氏距离时,为了减少运算量,参与相似度计算的为像素搜索窗口内的像素点;其中,像素搜索窗口大小优选为21×21像素,目标块尺寸为3×3像素。
作为本方案的优化方案,上述步骤5建立背景图像模型具体包括以下步骤:
1)通过相似度计算结果自适应确定像素邻域窗口尺寸,窗口大小width为:
其中,USR表示图像中的非结构区域,SR为结构区域;
2)在不同特征的区域自适应确定相应大小的窗口,逐点计算均值并建立图像背景模型:
fm(x,y)=mean(f(x,y))
其中,fm(x,y)表示图像中任意一点(x,y)的背景模型,mean()为均值函数。
作为本方案的优化方案,上述步骤7中动态阈值分割具体包括以下步骤:
1)根据差分图像的标准差设定阈值分割缺陷区域,得到缺陷的二值图像:
其中β为控制参数,σΔf(x,y)为差分图像的标准差;
2)用连通区域标记法统计出二值图像中的所有缺陷区域,并根据连通区域的面积判断缺陷和噪声,当连通区域内的像素点数大于64时为缺陷,否则为噪声。
作为本方案的优化方案,采用局部非线性对比度增强和中值滤波算法对提取的钢轨区域图像进行预处理。
本发明的有益效果是:
1、提出行灰度均值逐次累加法,可快速、有效、准确地提取图像中的钢轨区域;
2、充分利用图像的局部信息,对图像进行结构和非结构区域划分,并利用非局部信息自适应调节像素邻域窗口尺寸求取均值,从而建立了更为准确的背景图像模型,将原图像和背景图像进行差值运算并对差分图像动态设定阈值,快速、准确的分割出钢轨表面缺陷,在凸显图像缺陷部分的同时,有效减弱光照不均和钢轨表面反射特性对钢轨表面缺陷检测产生的影响,获得理想的图像分割效果,保证轨面检测的精度,优于传统的背景差分法;
3、本发明所使用的局部信息为变异系数,用于划分图像中的结构区域和非结构区域;所使用的非局部信息为图像块之间的相似度,用于区分结构区域中的缺陷部分和由于光照不均等产生的阴影部分。
附图说明
图1为本发明钢轨表面缺陷图像自适应分割方法的流程示意框图;
图2为本发明钢轨图像行灰度均值分布曲线图;
图3为本发明钢轨图像逐次累加灰度均值分布曲线图;
图4为行灰度均值逐次累加法提取的钢轨区域图像;
图5为本发明实施例中的原始轨面图像;
图6为本发明实施例中的背景图像;
图7为本发明实施例中的差分图像。
具体实施方式
下面将结合附图及实施例对本发明及其效果作进一步阐述。
如图1所示,一种钢轨表面缺陷图像自适应分割方法,包括以下步骤:
S1:采用行灰度均值逐次累加法提取钢轨区域;
为了快速定位图像中的钢轨区域,本发明提出行灰度均值逐次累加法,利用图像中钢轨区域像素分布相对均匀且灰度值较高,非钢轨区域像素分布随机的特点,求取钢轨图像中每一行像素的灰度均值,绘制行灰度均值分布曲线图(如图2所示),并将每行灰度均值逐次累加,得到逐次累加灰度均值分布曲线图(如图3所示)。逐次累加灰度均值曲线呈连续递增趋势且大致分为三段,中间段斜率较高,而曲线中斜率发生突变的位置即对应钢轨的左右边缘。由于钢轨的宽度R固定,求逐次累加灰度均值曲线上每隔宽度为R的区间上的斜率,并使得斜率最大的区间(r,r+R)即为图像中的轨面区域,提取的钢轨区域图像如图4所示。
具体地,钢轨区域提取包括以下步骤:
1)求取图像中每一行像素的灰度均值Avg(r),
其中,r和c分别表示图像中像素的行和列,n表示图像中像素的总列数;
2)对每行灰度均值逐次累加,得到逐次累加灰度均值分布曲线;
Sumr=Sum(r-1)+Avg(r),r∈[1,m],其中m表示图像的总行数;
3)求逐次累加灰度均值分布曲线上每隔钢轨宽度R的区间上的斜率,其中斜率最大的区间(r,r+R)即为图像中的轨面区域,即:
S2:对提取的钢轨区域图像采用局部非线性对比度增强和中值滤波算法进行预处理,增强图像对比度的同时去除图像噪声。
S3:对预处理后的钢轨区域图像进行结构区域和非结构区域划分;
为了突出图像的特征部分,将预处理后的图像划分成结构区域和非结构区域;其中结构区域指像素灰度值的离散程度较高,我们采用像素灰度变异系数CV来表征像素灰度值的离散程度,结构区域为像素灰度变异系数CV大于或等于0.0526,且包含局部特征的轨面区域;因结构区域的像素灰度值变化范围因成像条件、钢轨磨损程度而异,像素灰度值变化的大致范围为53~255,且包含如边缘、纹理等特征的轨面区域,如钢轨图像中缺陷的边缘部分;非结构区域指像素灰度值的离散程度较低,像素灰度变异系数CV小于0.0526的轨面区域,非结构区域指像素灰度值变化平缓,像素灰度值变化的大致范围为145~255。因此,可以通过分析图像中每个像素点8邻域内像素的离散程度,计算其变异系数CV对图像进行结构区域划分;在结构区域由于像素灰度均值较小且标准差较大,则CV值较大,而在非结构区域CV值较小。因此,采用CV-Kmeans区域分类算法,对图像中的像素点进行变异系数值分类,CV值较大的部分对应着钢轨图像中的结构区域,较小的部分则为非结构区域。
具体地,钢轨区域图像的结构区域和非结构区域划分包括以下步骤:对预处理后的钢轨区域图像中的任意像素点(x,y),其灰度值表示为f(x,y),该像素点8邻域内的像素用集合表示为:Fx,y={f(x+t,y+s)|s,t=-1,0,1}
1)计算Fx,y中像素的灰度均值:
2)计算Fx,y中像素灰度值的标准差:
3)对图像中的每一点,计算其8邻域内像素灰度的变异系数CV,即:
4)采用CV-Kmeans区域分类算法进行钢轨图像结构区域和非结构区域划分,通常当变异系数CV大于或等于0.0526时为结构区域,否则为非结构区域。
S4:在结构区域利用图像的非局部特征对结构区域进一步区分,利用图像块(灰度向量)间的相似度,区分结构区域中的缺陷部分和由于光照不均产生的阴影部分;
1)对于给定的钢轨图像g=(g(i)|i∈I),I表示图像域,搜索区域Ω的中心像素点i和搜索区域内的其它像素点j之间的相似性由灰度值向量v(Ni)与v(Nj)之间的相似性决定,其中Ni和Nj分别表示以像素i和j为中心的尺寸固定的方形邻域相似块,而各图像块灰度值向量之间的相似性则通过欧氏距离来衡量即:
其中,a>0为高斯核函数的标准差,图像块灰度值向量之间的欧式距离综合考虑了像素灰度距离和空间欧氏距离,其值越小,则两点之间的相似程度越高;在计算欧氏距离时,为了减少运算量,参与相似度计算的并非图像中的所有像素点,而是中心像素周围一定大小的区域内的像素点,称为像素搜索窗口;其中,像素搜索窗口大小优选为21×21像素,相似块尺寸优选为3×3像素;
2)为了衡量搜索区域中所有图像块的总体相似程度,采用非局部均值去噪算法中的归一化因子Z(i),对搜索区域中每一个像素点j所属参与块与目标块Ni间的欧氏距离使用高斯函数归一化并求和,归一化因子Z(i)计算方法为:
其中,h为平滑参数,用以控制指数函数衰减速度,对于特定的搜索区域归一化因子为常数;
3)为了统一数据量纲,将Z(i)线性归一化为0~1之间的数值,即:
其中,Zmax表示图像内所有搜索域窗口归一化因子中的最大值,Zmin为最小值。
由于将变异系数作为区域划分的关键特征时,只利用了图像的局部信息,对于光照不均和钢轨表面反射特性造成的大范围阴影区域,由于灰度分布不均,往往会被误判成结构区域。为此,本发明利用图像的非局部信息对结构区中的阴影区域进一步区分;在阴影区域的边界处,像素灰度值的相似度较大,灰度分布没有明显的脊线;而在缺陷边缘,像素灰度值的相似信息较为复杂;因此,可以利用图像的冗余性和自相似性,在非局部范围内利用图像块之间的欧式距离度量图像块间的相似度进而区分结构区域的缺陷部分和阴影区域。为了衡量搜索区域中所有图像块的总体相似程度,采用非局部均值去噪算法中的归一化因子Z(i),对搜索区域中每一个像素点j所属参与块与目标块Ni之间的欧氏距离使用高斯函数归一化并求和;由于归一化因子表示将搜索区域中心像素点i对应的目标块的灰度值向量作为高斯函数的对称中心,并将搜索域中所有其余参与块的高斯函数值相加,且对于一个特定的搜索区域其值为常数;因此可以用来衡量一个搜索区域内图像块的总体相似程度。不同的搜索区域内,图像块之间的相似性差异较大,归一化因子的值差别也较大,为了统一数据量纲,将Z(i)线性归一化为0~1之间的数值。
S5:根据图像中的不同特征自适应建立背景图像模型;
通过自适应确定像素邻域窗口尺寸逐点计算均值建立背景图像模型,实现背景图像的多尺度模糊处理;根据图像块间的相似度,在结构区域的缺陷部分设置7×7像素的像素邻域窗口求取灰度均值作为背景,在结构区域的阴影部分设置3×3像素的像素邻域窗口求取灰度均值作为背景;在非结构区域设置5×5像素的像素邻域窗口求取灰度均值作为背景;分别选用7×7像素、3×3像素、5×5像素的像素邻域窗口的处理效果最优。
1)通过相似度计算结果自适应确定像素邻域窗口尺寸,窗口大小width为:
其中,USR表示图像中的非结构区域,SR为结构区域;
2)在不同特征的区域自适应确定相应大小的窗口,逐点计算均值并建立图像背景模型:
fm(x,y)=mean(f(x,y))
其中,fm(x,y)表示图像中任意一点(x,y)的背景模型,mean()为均值函数。
在背景差分时,为了尽可能凸显缺陷部分的同时,有效减少光照不均和钢轨表面反射特性对钢轨图像的影响,需要建立准确的背景图像模型。采取的方法是在结构区域的缺陷部分设置较大的像素邻域窗口求取均值作为背景,而在结构区域的阴影部分设置较小的像素邻域窗口求取均值,从而使缺陷部分的背景图像较为模糊,而阴影部分的背景图像尽量贴合前景图像,实现背景图像的多尺度模糊处理。然后在非结构区域根据局部特征自适应地确定像素搜索窗口大小,逐点计算均值并建立图像背景模型;钢轨表面背景图像如图6所示。
S6:图像差分;将原始图像f(x,y)(如图5所示)与背景图像(如图6所示)进行差值运算,得到差分图像Δf(x,y)如图7所示。
S7:动态阈值分割;为了实现缺陷分割,需要对差分图像设定阈值进行缺陷分割,由于分割阈值与差分图像标准差相关,因此采用控制参数β和差分图像标准差确定分割阈值,最后对阈值分割后得到的二值图像,用连通区域标记法统计出图像中的所有缺陷区域,并根据连通区域的面积判断缺陷和噪声,当连通区域内的像素点数大于64时认为是缺陷,否则是噪声。
1)根据差分图像的标准差设定阈值分割缺陷区域,得到缺陷的二值图像:
其中β为控制参数,σΔf(x,y)为差分图像的标准差;
2)用连通区域标记法统计出二值图像中的所有缺陷区域,并根据连通区域的面积判断缺陷和噪声,当连通区域内的像素点数大于64时为缺陷,否则为噪声。
以上实施例仅是示例性的,并不会局限本发明,应当指出对于本领域的技术人员来说,在本发明所提供的技术启示下,所做出的其它等同变型和改进,均应视为本发明的保护范围。
Claims (8)
1.一种钢轨表面缺陷图像自适应分割方法,其特征在于包括以下步骤:
S1:采用行灰度均值逐次累加法提取钢轨区域;
S2:对提取的钢轨区域图像进行预处理,增强图像对比度,去除图像噪声;
S3:对预处理后的钢轨区域图像进行结构区域和非结构区域划分;其中结构区域指像素灰度值的离散程度高,像素灰度变异系数CV大于或等于0.0526,且包含局部特征的轨面区域;非结构区域指像素灰度值的离散程度低,像素灰度变异系数CV小于0.0526的轨面区域;
S4:在结构区域利用图像的非局部特征对结构区域进一步区分,利用图像块间的相似度,区分结构区域中的缺陷部分和由于光照不均产生的阴影部分;
S5:根据图像中的不同特征自适应建立背景图像模型;
通过自适应确定像素邻域窗口逐点计算均值建立背景图像模型,实现背景图像的多尺度模糊处理;根据图像块间的相似度,在结构区域的缺陷部分设置7×7像素的像素邻域窗口求取灰度均值作为背景,在结构区域的阴影部分设置3×3像素的像素邻域窗口求取灰度均值作为背景;在非结构区域设置5×5像素的像素邻域窗口求取灰度均值作为背景;
S6:图像差分;将原始图像与背景图像进行差值运算,得到差分图像;
S7:动态阈值分割;对差分图像设定阈值进行缺陷分割。
2.根据权利要求1所述的钢轨表面缺陷图像自适应分割方法,其特征在于,上述步骤1钢轨区域提取具体包括以下步骤:
1)求取图像中每一行像素的灰度均值Avg(r),
其中,r和c分别表示图像中像素的行和列,n表示图像中像素的总列数;
2)对每行灰度均值逐次累加,得到逐次累加灰度均值分布曲线;Sumr=Sum(r-1)+Avg(r),r∈[1,m],其中m表示图像的总行数;
3)求逐次累加灰度均值分布曲线上每隔钢轨宽度R的区间上的斜率,其中斜率最大的区间(r,r+R)即为图像中的轨面区域,即:
3.根据权利要求1所述的钢轨表面缺陷图像自适应分割方法,其特征在于,上述步骤3结构区域和非结构区域划分具体包括以下步骤:
对预处理后的钢轨区域图像中的任意像素点(x,y),其灰度值表示为f(x,y),该像素点8邻域内的像素用集合表示为:Fx,y={f(x+t,y+s)|s,t=-1,0,1}
1)计算Fx,y中像素的灰度均值:
2)计算Fx,y中像素灰度值的标准差:
3)对图像中的每一点,计算其8邻域内像素灰度的变异系数CV,即:
4)采用CV-Kmeans区域分类算法进行钢轨图像结构区域和非结构区域划分,当变异系数CV大于或等于0.0526时为结构区域,否则为非结构区域。
4.根据权利要求1所述的钢轨表面缺陷图像自适应分割方法,其特征在于,上述步骤4结构区域图像块间的相似度:
1)对于给定的钢轨图像g=(g(i)|i∈I),I表示图像域,搜索区域Ω的中心像素点i和搜索区域内的其它像素点j之间的相似性由灰度值向量v(Ni)与v(Nj)之间的相似性决定,其中Ni和Nj分别表示以像素i和j为中心的尺寸固定的方形邻域相似块,而各图像块灰度值向量之间的相似性则通过欧氏距离来衡量即:
其中,a>0为高斯核函数的标准差,图像块灰度值向量之间的欧式距离综合考虑了像素灰度距离和空间欧氏距离,其值越小,则两点之间的相似程度越高;
2)为了衡量搜索区域中所有图像块的总体相似程度,采用非局部均值去噪算法中的归一化因子Z(i),对搜索区域中每一个像素点j所属参与块与目标块Ni间的欧氏距离使用高斯函数归一化并求和,归一化因子Z(i)计算方法为:
其中,h为平滑参数,用以控制指数函数衰减速度,对于特定的搜索区域归一化因子为常数;
3)为了统一数据量纲,将Z(i)线性归一化为0~1之间的数值,即:
其中,Zmax表示图像内所有搜索域窗口归一化因子中的最大值,Zmin为最小值。
5.根据权利要求4所述的钢轨表面缺陷图像自适应分割方法,其特征在于:在计算高斯加权欧氏距离时,为了减少运算量,参与相似度计算的为像素搜索窗口内的像素点;其中,像素搜索窗口大小为21×21像素,目标块尺寸为3×3像素。
6.根据权利要求5所述的钢轨表面缺陷图像自适应分割方法,其特征在于,上述步骤5建立背景图像模型具体包括以下步骤:
1)通过相似度计算结果自适应确定像素邻域窗口尺寸,窗口大小width为:
其中,USR表示图像中的非结构区域,SR为结构区域;
2)在不同特征的区域自适应确定相应大小的窗口,逐点计算均值并建立图像背景模型:
fm(x,y)=mean(f(x,y))
其中,fm(x,y)表示图像中任意一点(x,y)的背景模型,mean()为均值函数。
7.根据权利要求1所述的钢轨表面缺陷图像自适应分割方法,其特征在于,上述步骤7中动态阈值分割具体包括以下步骤:
1)根据差分图像的标准差设定阈值分割缺陷区域,得到缺陷的二值图像:
其中β为控制参数,σΔf(x,y)为差分图像的标准差;
2)用连通区域标记法统计出二值图像中的所有缺陷区域,并根据连通区域的面积判断缺陷和噪声,当连通区域内的像素点数大于64时为缺陷,否则为噪声。
8.根据权利要求1所述的钢轨表面缺陷图像自适应分割方法,其特征在于:上述步骤2中,采用局部非线性对比度增强和中值滤波算法对提取的钢轨区域图像进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610770736.6A CN106251361B (zh) | 2016-08-30 | 2016-08-30 | 一种钢轨表面缺陷图像自适应分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610770736.6A CN106251361B (zh) | 2016-08-30 | 2016-08-30 | 一种钢轨表面缺陷图像自适应分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106251361A CN106251361A (zh) | 2016-12-21 |
CN106251361B true CN106251361B (zh) | 2019-01-15 |
Family
ID=58079577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610770736.6A Expired - Fee Related CN106251361B (zh) | 2016-08-30 | 2016-08-30 | 一种钢轨表面缺陷图像自适应分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251361B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780486B (zh) * | 2017-01-16 | 2019-12-24 | 大连海事大学 | 一种钢板表面缺陷图像提取方法 |
CN107392216B (zh) * | 2017-07-27 | 2020-06-23 | 上海同岩土木工程科技股份有限公司 | 一种基于灰度数据的盾构隧道管片环缝快速识别方法 |
CN107767364B (zh) * | 2017-09-12 | 2021-03-23 | 中国林业科学研究院林业研究所 | 基于红外热图像精准提取树木冠层温度的方法 |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
CN107862664A (zh) * | 2017-11-15 | 2018-03-30 | 广东交通职业技术学院 | 一种图像非真实感绘制方法及系统 |
CN108389216B (zh) * | 2018-02-06 | 2020-06-26 | 西安交通大学 | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 |
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109344877B (zh) * | 2018-08-31 | 2020-12-11 | 深圳先进技术研究院 | 一种样本数据处理方法、样本数据处理装置及电子设备 |
CN109272525B (zh) * | 2018-09-17 | 2020-12-22 | 浙江理工大学 | 一种导光板白点缺陷检测方法 |
CN109754422B (zh) * | 2018-10-30 | 2022-09-13 | 兰州交通大学 | 基于灰度突变的扣件区域定位方法 |
CN109671058B (zh) * | 2018-12-05 | 2021-04-20 | 武汉精立电子技术有限公司 | 一种大分辨率图像的缺陷检测方法及系统 |
CN109671078B (zh) * | 2018-12-24 | 2022-11-01 | 广东理致技术有限公司 | 一种产品表面图像异常检测方法及装置 |
CN109752391B (zh) * | 2018-12-25 | 2020-06-30 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN109872302A (zh) * | 2019-01-15 | 2019-06-11 | 宁波大学科学技术学院 | 一种基于稀疏表示的自然图像恰可察觉失真阈值估计方法 |
CN109934809A (zh) * | 2019-03-08 | 2019-06-25 | 深慧视(深圳)科技有限公司 | 一种纸质标签字符缺陷检测方法 |
CN109900707B (zh) * | 2019-03-20 | 2021-07-02 | 湖南华曙高科技有限责任公司 | 一种铺粉质量检测方法、设备以及可读存储介质 |
CN110009633B (zh) * | 2019-04-19 | 2023-03-24 | 湖南大学 | 一种基于反向高斯差分的钢轨表面缺陷检测方法 |
CN110610496B (zh) * | 2019-04-24 | 2023-09-26 | 广东工业大学 | 一种对光照变化鲁棒的荧光胶缺陷分割方法 |
CN110288618B (zh) * | 2019-04-24 | 2022-09-23 | 广东工业大学 | 一种光照不均图像的多目标分割方法 |
CN110211113B (zh) * | 2019-06-03 | 2021-09-07 | 湖南瑞智健科技有限公司 | 一种坡口异常的检测算法及计算设备 |
CN110349133B (zh) * | 2019-06-25 | 2021-11-23 | 杭州汇萃智能科技有限公司 | 物体表面缺陷检测方法、装置 |
CN110648349A (zh) * | 2019-09-05 | 2020-01-03 | 南开大学 | 基于背景减除和连通区域算法的焊缝缺陷分割方法 |
CN110687123B (zh) * | 2019-09-24 | 2022-04-19 | 西安工程大学 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
CN111242891A (zh) * | 2019-12-27 | 2020-06-05 | 北京交通大学 | 一种钢轨表面缺陷识别分类方法 |
CN112330614B (zh) * | 2020-10-27 | 2021-06-18 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的底板螺栓丢失检测方法 |
CN113554604B (zh) * | 2021-07-01 | 2024-02-02 | 常州大学 | 一种基于机器视觉的熔喷布缺陷区域检测方法 |
CN114354623A (zh) * | 2021-12-30 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 弱印痕提取算法、装置、设备和介质 |
CN115049736B (zh) * | 2022-08-15 | 2022-10-25 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
CN115100199B (zh) * | 2022-08-24 | 2022-11-22 | 宁波鑫芯微电子科技有限公司 | 一种晶圆低纹理缺陷的检测方法 |
CN115760826B (zh) * | 2022-11-29 | 2023-08-11 | 江苏满锐精密工具有限公司 | 一种基于图像处理的轴承磨损状况诊断方法 |
CN117115261B (zh) * | 2023-10-17 | 2024-03-19 | 深圳市青虹激光科技有限公司 | 一种基于薄型晶圆片的刀轮切割定位方法及系统 |
CN117095009B (zh) * | 2023-10-20 | 2024-01-12 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
CN117095008B (zh) * | 2023-10-20 | 2024-02-06 | 深圳市高进实业有限公司 | 一种钟表钢巴管缺陷智能检测方法 |
CN117496448B (zh) * | 2024-01-02 | 2024-04-26 | 深圳市旭仓科技有限公司 | 一种建筑施工安全智能监控系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893580A (zh) * | 2010-06-10 | 2010-11-24 | 北京交通大学 | 基于数字图像的钢轨表面缺陷检测方法 |
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
-
2016
- 2016-08-30 CN CN201610770736.6A patent/CN106251361B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893580A (zh) * | 2010-06-10 | 2010-11-24 | 北京交通大学 | 基于数字图像的钢轨表面缺陷检测方法 |
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
Non-Patent Citations (3)
Title |
---|
Detection and evaluation of rail surface defects using alternating current field measurement techniques;Mayorkinos P Papaelias等;《Proc IMechE Part F:J Rail and Rapid Transit》;20121231;第226卷(第5期);530–541 |
采用结构自适应块匹配的非局部均值去噪算法;钟莹 等;《电子与信息学报》;20131231;第35卷(第12期);2908-2915 |
钢轨表面缺陷自适应分割算法;闵永智 等;《第27届中国过程控制会议(CPCC2016)摘要集》;20160731;120 |
Also Published As
Publication number | Publication date |
---|---|
CN106251361A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106251361B (zh) | 一种钢轨表面缺陷图像自适应分割方法 | |
CN109598287B (zh) | 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法 | |
CN115272334B (zh) | 用于复杂背景下的钢轨表面微小缺陷检测方法 | |
CN116012384B (zh) | 一种整芯阻燃输送带表面缺陷检测方法 | |
CN115511889B (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN109461148A (zh) | 基于二维Otsu的钢轨缺陷分割自适应快速算法 | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
CN110796643A (zh) | 一种铁轨扣件缺陷检测方法和系统 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN109003275B (zh) | 焊缝缺陷图像的分割方法 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN104751474A (zh) | 一种级联式快速图像缺陷分割方法 | |
Marques et al. | Automatic road pavement crack detection using SVM | |
CN107230207A (zh) | 轮胎的检测方法及系统 | |
CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 | |
Shi et al. | An improved faster R-CNN for steel surface defect detection | |
Mi et al. | Research on steel rail surface defects detection based on improved YOLOv4 network | |
Selamet et al. | Automatic detection and classification of defective areas on metal parts by using adaptive fusion of faster R-CNN and shape from shading | |
Hassan et al. | Road crack detection using the particle filter | |
Fan et al. | People counting in elevator car based on computer vision | |
Wang et al. | Comparison and Analysis of Several Clustering Algorithms for Pavement Crack Segmentation Guided by Computational Intelligence | |
CN105354823A (zh) | 树木年轮图像边缘提取与分割的系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190115 Termination date: 20200830 |
|
CF01 | Termination of patent right due to non-payment of annual fee |