CN106568782A - 一种基于机器视觉对彩色瓶盖图像颜色量化的方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉对彩色瓶盖图像颜色量化的方法，其步骤如下：（1）采集彩色的瓶盖图像；（2）根据瓶盖的种类，选择处理后的图像所需的颜色数目K；（3）根据选择的颜色数目K，对采集的彩色的瓶盖图像进行颜色的聚类量化；（4）根据聚类结束的判断条件判断聚类是否完成，完成后得到K种颜色种类（不同种类的瓶盖，聚类结果一般不同）；（5）对之后采集的彩色的瓶盖图像，根据欧式距离最短的原则，将上一步聚类得到的颜色分配给新的图像。本方法用于瓶盖瑕疵检测的预处理过程，经过此方法处理后的彩色图片，既保留了图像自身基本的颜色特征，又能减少光源、镜头等环境因素对成像质量造成的影响。

Description

一种基于机器视觉对彩色瓶盖图像颜色量化的方法

技术领域

本发明涉及一种基于机器视觉对彩色瓶盖图像颜色量化的方法。

背景技术

在工业自动化生产线中，特别是金属瓶盖生产中，由于要经过商标印刷、裁剪、冲压等工序，瓶盖表面容易出现瑕疵，需要进行检测。现有的基于机器视觉的自动检测系统都是基于瓶盖的灰度图像的，随着瓶盖的图案越来越多，单纯基于灰度图像的检测系统的检测准确性与稳定性有所降低。需要一种预处理的方法，用于处理彩色的瓶盖图像。

发明内容

本发明要解决的技术问题是为了克服现有的瓶盖瑕疵检测系统中，只基于瓶盖的灰度图像进行检测而没有对彩色图像进行检测的不足，提供一种基于机器视觉对彩色瓶盖图像颜色量化的方法，为基于彩色图像的瓶盖检测提供支持。

为了达到上述的目的，本发明采用了如下的技术方案：

一种基于机器视觉对彩色瓶盖图像颜色量化的方法，包括如下步骤：

步骤1、采集一张瓶盖的彩色图像；

步骤2、根据显示的彩色图像与实际的检测需要，确定需要量化后的颜色数量K；

步骤3、根据所选择的颜色数目K，建立K个用于储存像素颜色信息的数据结构；

步骤4、随机选择K种颜色作为初始的颜色聚类中心；

步骤5、遍历图像中的所有像素点，根据像素点颜色与聚类中心颜色的欧式距离最短的原则，将所有像素的颜色分类，并将其颜色信息存入相对应的数据结构中，其中欧氏距离的计算按照以下公式：

式中，d为欧氏距离，R_S,G_S,B_S为像素的颜色分量的值，R_c,G_c,B_c为聚类中心的颜色分量的值；

步骤6、遍历完所有像素点后，统计每一个数据结构中存储的像素的颜色信息，即每一类的颜色信息，分别计算R、G、B三个通道颜色信息的平均值，即统计被聚类到同一类的所有颜色的集中程度；平均值计算方法如下式：

式中，G_i代表第i类，R_a,G_a,B_a为该类的所有像素颜色对应三通道分量的平均值，R_x,G_x,B_x为该类中每一个像素颜色对应的三通道分量，为该类中一共包含的像素数量；

步骤7、判断每一类中的颜色的R、G、B平均值是否与这一类的聚类中心的R、G、B值对应相等，如果每一类都完全对应相等，则转到步骤9；若至少有一类的R、G、B平均值与聚类中心的值不对应相等，则转到步骤8；

步骤8、将得到的每一类颜色的R、G、B平均值作为这一类的新的颜色聚类中心，重复步骤5至步骤7；

步骤9、颜色量化过程结束，保存得到的每一类颜色的中心；

步骤10、遍历图像中的所有像素点，根据像素点颜色与步骤9得到的颜色中心的欧式距离最短的原则，用求出的K个颜色覆盖原有的颜色，改写每一个像素的R、G、B值，得到颜色量化后的图像。

与现有技术相比，本发明具有如下的优点：

本方法用于瓶盖瑕疵检测的预处理过程，经过此方法处理后的彩色图片，既保留了图像自身基本的颜色特征，又能减少光源、镜头等环境因素对成像质量造成的影响。

附图说明

图1为本发明基于机器视觉对彩色瓶盖图像颜色量化的方法的流程图。

图2为本发明的方法量化的不同种类彩色瓶盖的彩色图像示意图。

具体实施方式

下面结合附图对本发明的具体实施例做进一步的说明。

如图1所示，一种基于机器视觉对彩色瓶盖图像颜色量化的方法，包括如下步骤：

步骤1、采集一张瓶盖的彩色图像；

步骤2、根据显示的彩色图像与实际的检测需要，确定需要量化后的颜色数量K；一般K值大于2，小于30；

步骤3、根据所选择的颜色数目K，建立K个用于储存像素颜色信息的数据结构(包括但不限于LIST结构)；

步骤4、随机选择K种颜色作为初始的颜色聚类中心；

步骤5、遍历图像中的所有像素点，根据像素点颜色与聚类中心颜色的欧式距离最短的原则，将所有像素的颜色分类，并将其颜色信息存入相对应的数据结构中，其中欧氏距离的计算按照以下公式：

式中，d为欧氏距离，R_S,G_S,B_S为像素的颜色分量的值，R_c,G_c,B_c为聚类中心的颜色分量的值；

步骤6、遍历完所有像素点后，统计每一个数据结构中存储的像素的颜色信息，即每一类的颜色信息，分别计算R、G、B三个通道颜色信息的平均值，即统计被聚类到同一类的所有颜色的集中程度；平均值计算方法如下式：

式中，G_i代表第i类，R_a,G_a,B_a为该类的所有像素颜色对应三通道分量的平均值，R_x,G_x,B_x为该类中每一个像素颜色对应的三通道分量，为该类中一共包含的像素数量；

步骤7、判断每一类中的颜色的R、G、B平均值是否与这一类的聚类中心的R、G、B值对应相等，如果每一类都完全对应相等，则转到步骤9；若至少有一类的R、G、B平均值与聚类中心的值不对应相等，则转到步骤8；

步骤8、将得到的每一类颜色的R、G、B平均值作为这一类的新的颜色聚类中心，重复步骤5至步骤7；

步骤9、颜色量化过程结束，保存得到的每一类颜色的中心；

步骤10、遍历图像中的所有像素点，根据像素点颜色与步骤9得到的颜色中心的欧式距离最短的原则，用求出的K个颜色覆盖原有的颜色，改写每一个像素的R、G、B值，得到颜色量化后的图像。

如图2所示，图2中左图为彩色相机采集的彩色瓶盖的图像，右图为经过本发明方法颜色量化之后的瓶盖的图像。其中图(a),(c),(d),(e),(f)分别为不同种类瓶盖的根据实际情况选择K值后(为达到更好的量化效果，一般不同种类的瓶盖选择不同的K值)，颜色量化预处理的结果，从图中可以得出以下结论，量化后颜色数目(本发明认为凡是R、G、B值不完全一致即为一种颜色)大大减少，但是瓶盖的基本颜色特征得以保留，可以较好的减少环境光源对于成像质量造成的影响，从而提高后续检测的效率；图(a),(b)为同类瓶盖，图(b)为含有瑕疵的瓶盖图像，量化后瑕疵清晰，没有降低瑕疵的分辨率，验证了本方法的有效性；图(f),(g)为同种瓶盖选择不同K值时的量化效果图，可以得到即使K只有1个单位的变化，量化结果也会有不同，因此K值可以根据实际情况调整十分重要。在工业现场，可以根据实际情况调节K的值，以获取更佳的量化效果。

Claims (1)

1.一种基于机器视觉对彩色瓶盖图像颜色量化的方法，其特征在于，包括如下步骤：

步骤1、采集一张瓶盖的彩色图像；

步骤2、根据显示的彩色图像与实际的检测需要，确定需要量化后的颜色数量K；

步骤3、根据所选择的颜色数目K，建立K个用于储存像素颜色信息的数据结构；

步骤4、随机选择K种颜色作为初始的颜色聚类中心；

步骤5、遍历图像中的所有像素点，根据像素点颜色与聚类中心颜色的欧式距离最短的原则，将所有像素的颜色分类，并将其颜色信息存入相对应的数据结构中，其中欧氏距离的计算按照以下公式：

$d=\frac{\sqrt{{(R_s-R_c)}^2+{(G_s-G_c)}^2+{(B_s-B_c)}^2}}{3}$

式中，d为欧氏距离，R_S,G_S,B_S为像素的颜色分量的值，R_c,G_c,B_c为聚类中心的颜色分量的值；

步骤6、遍历完所有像素点后，统计每一个数据结构中存储的像素的颜色信息，即每一类的颜色信息，分别计算R、G、B三个通道颜色信息的平均值，即统计被聚类到同一类的所有颜色的集中程度；平均值计算方法如下式：

$R_a=\frac{\underset{x\∈G_i}{\Σ}{R}_x}{C_{G_i}},G_a=\frac{\underset{x\∈G_i}{\Σ}{G}_x}{C_{G_i}},B_a=\frac{\underset{x\∈G_i}{\Σ}{B}_x}{C_{G_i}}$

式中，G_i代表第i类，R_a,G_a,B_a为该类的所有像素颜色对应三通道分量的平均值，

R_x,G_x,B_x为该类中每一个像素颜色对应的三通道分量，为该类中一共包含的像素数量；

步骤7、判断每一类中的颜色的R、G、B平均值是否与这一类的聚类中心的R、G、B值对应相等，如果每一类都完全对应相等，则转到步骤9；若至少有一类的R、G、B平均值与聚类中心的值不对应相等，则转到步骤8；

步骤8、将得到的每一类颜色的R、G、B平均值作为这一类的新的颜色聚类中心，重复步骤5至步骤7；

步骤9、颜色量化过程结束，保存得到的每一类颜色的中心；

步骤10、遍历图像中的所有像素点，根据像素点颜色与步骤9得到的颜色中心的欧式距离最短的原则，用求出的K个颜色覆盖原有的颜色，改写每一个像素的R、G、B值，得到颜色量化后的图像。