CN107256547A - 一种基于显著性检测的表面裂纹识别方法 - Google Patents
一种基于显著性检测的表面裂纹识别方法 Download PDFInfo
- Publication number
- CN107256547A CN107256547A CN201710382614.4A CN201710382614A CN107256547A CN 107256547 A CN107256547 A CN 107256547A CN 201710382614 A CN201710382614 A CN 201710382614A CN 107256547 A CN107256547 A CN 107256547A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- munderover
- mfrac
- 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.)
- Pending
Links
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20221—Image fusion; Image merging
Abstract
一种基于显著性检测的表面裂纹识别方法:通过CCD照相机获取需要检测的目标图像;对图像进行预处理;将颜色空间从RGB变换到Lab,采用超像素分割算法对图像进行预分割;利用均值漂移算法对过小的区域进行聚类,形成易于提取特征的较大区域;使用改进的GCS模型计算颜色子显著图,利用Gabor滤波器获取纹理子显著图;对颜色和纹理子显著图进行自适应平方融合,得到最终的显著图;对显著图进行自适应阈值分割,获得感兴趣的区域,再进行二维快速哈尔变换,得到图像的像素强度,对比设定的像素阈值判断区域内是否存在裂纹。本方法不仅能够优质地处理普通图像,还能够有效处理具有复杂纹理的图像,识别效率高,准确性好。
Description
技术领域
本发明涉及机器视觉领域和缺陷检测技术,尤其涉及一种基于显著性检测的表面裂纹识别方法。
背景技术
工业生产中需要对产品进行质量检测,其中少不了对物体表面的缺陷识别。传统方法大多采用人工来识别缺陷,耗时耗力,而且准确率不高,不利于长期操作。因此就需要一种更为高效准确的缺陷检测方法,通过分析图像识别物体表面缺陷。
现存在一种基于视觉注意的显著性区域检测方法,能有效地提高图像处理分析方法的工作效率。目前大多数显著性检测都是基于自下而上的模型。经典的Itti算法仅考虑了局部特征,由于不停的使用邻近插值,导致显著图的分辨率降低,并且还丢失了边缘信息;谱残差模型虽然需要调节的参数少,计算效率高,但只是在特定问题上奏效,不能通用。以上方法采用的特征都是一些底层的特征,如颜色,亮度,方向和空间位置信息,都容易受到背景噪声的影响,并且在处理具有复杂纹理背景图像时效果不佳。如何解决上述问题,提出更有效的识别方法,决定了显著性检测方法在工业产品检测中的应用。
发明内容
本发明的目的在于克服上述现有方法的不足之处,提出了一种更为高效准确的基于显著性检测的表面裂纹识别方法。
一种基于显著性检测的表面裂纹识别方法,具体步骤如下:
步骤一,利用工业CCD照相机,采用线扫描方式获取需要进行检测的目标图像;
步骤二,将图像从RGB色彩空间转换至Lab色彩空间,利用超像素分割算法(SLIC),选取一定大小的尺度对输入图像进行预分割;
步骤三,针对可能出现的“过分割”现象,采用均值漂移(Mean-Shift)算法将小区域聚类成更大的区域;
步骤四,利用改进的GCS模型来获得彩色子显著图。从每个分割区域提取记录色彩频率的特征向量,并将所有像素的坐标归一化为[0,1]。然后,根据色彩特征向量的差异产生彩色子显著图。计算公式如下:
公式中,SC(rk)表示区域rk的显著值;w(ri)表示区域ri的权重值,并且等于区域ri中的像素数;Dr(rk,ri)表示区域rk和ri之间的空间距离,且被定义为它们重心之间的欧式距离;σ2表示控制空间权重强度的正系数。Dc(rk,ri)表示Lab空间中rk和ri的颜色距离度,计算公式如下:
其中:f(rk,i)表示第k个片段区域rk中的所有nk个颜色中第i个颜色rk,i的频率,k={1,2};
步骤五,利用Gabor滤波器来获得纹理子显著图,具体过程如下:
5.1 对于通过分割方法输出的区域中的每个像素,计算具有四个尺度和六个方向的Gabor滤波器的响应;
假定第i个区域中的像素为Pjk,如果具有某个标度s和某个方向o的Gabor滤波器的响应是Gjk(s,o),则在第i个区域中,所有像素的平均Gabor响应Xi(s,o)的计算公式如下:
式中,Ni是第i个区域中像素的数量,r是图像中的行数,c是图像中的列数;
5.2 计算Gabor响应的方差Yi(s,o),公式如下:
5.3 将所求的平均值Xi(s,o)与方差Yi(s,o)进行组合,计算在第i个区域中,具有某个标度s和某个方向o的平均值Pi,Qi:
其中:Pi,Qi分别为Xi(s,o),Yi(s,o)对于四个尺度和六个方向的平均值;
5.4 计算第i个区域的纹理显著值ST(i)
其中NR表示分割图像中区域的总数;Ni和Nj分别表示第i个和第j个区域中的像素数量;
步骤六,对颜色和纹理子显著图进行自适应平方融合,得到最终的显著图,对于位置为(i,j)的像素,显著值计算公式如下:
其中,r为常数,取值1.5;SCij,STij分别表示在位置(i,j)处像素的颜色显著值和纹理显著值;α为自适应融合系数,计算公式如下:
Qmax=max(Q1,Q2,…,QNR)
Qmax是Q1,Q2,…,QNR的最大值,通过设定合适的T,K值,可以生成最终的显著图,来实现对目标对象更好的检测;
步骤七,对显著图进行自适应阈值分割,分割出显著区域;
步骤八,利用haar函数,将灰度图像分解为高频分量和低频分量,haar函数表示如下:
其中,k=2i+j,i表示比例且0≤i<p,j确定比例i中函数的位置值且
0≤j<2i;用i和j来指定函数的缩放和位置;
步骤九,隔离识别图像的边缘特征的那些高频系数,具体过程如下:
9.1 使用二维快速哈尔变换,将图像的每一行进行哈尔变换,得到变换后的新图像Ⅰ;
9.2 将新图像Ⅰ的每一列进行哈尔变换,得到变换后的新图像Ⅱ;
9.3 对新图像Ⅱ分别进行均值、差分和缩放处理,得到3个处理后的图像;
9.4 利用高斯滤波器对3个处理后图像进行去噪,之后对3个图像进行“与”操作,组合成新的幅度图像;
步骤十,设定裂纹检测的阈值,一般为裂纹图像中所有像素强度的平均值;
步骤十一,将幅度图像的像素强度与阈值水平进行比较,判断是否存在裂纹。
本发明所采用的方法:
超像素分割后利用均值漂移算法对分割产生的过小区域进行聚类处理,便于后续的特征提取。
根据提取到的颜色和纹理特征进行自适应平方融合,合成的显著图能有效地促进对显著对象的检测。
经过以上步骤之后得到待检测物体的显著区域图像,对显著图进行自适应阈值分割得到感兴趣的区域(ROI),再进行二维快速哈尔变换,得到图像的像素强度,对比设定的像素阈值判断区域内是否存在裂纹。
本发明的原理是:对采集到的原始图像进行超像素分割,分割之后分别利用改进的GCS模型和Gabor滤波器得到颜色子显著图和纹理自显著图,然后将两个子显著图进行自适应平方融合得到最终的显著图,最后根据显著图来识别图像中的裂纹缺陷,达到检测目的。
本发明的优点是:不仅能够优质地处理普通图像,还能够有效处理具有复杂纹理的图像,识别效率高,准确性好。
附图说明
图1为本发明的工作流程图。
具体实施方式
参考附图,结合实施例对本发明做进一步描述,具体步骤如下:
步骤一,利用工业CCD照相机,采用线扫描方式获取需要进行检测的目标图像;本实例中检测的是圆形铁氧体磁片,获得尺寸为300*400的图片。
步骤二,将图像从RGB色彩空间转换至Lab色彩空间,利用超像素分割算法(SLIC),选取一定大小的尺度对输入图像进行预分割。本实例中尺寸300*400像素的图像被分割成大约3600个超像素。
步骤三,针对可能出现的“过分割”现象,采用均值漂移(Mean-Shift)算法将小区域聚类成更大的区域。“过分割”现象是指图像经过SLIC算法分割后,存在许多细小和微小的区域,不利于提取用于描述图像内容的有意义且可靠的图像特征。
步骤四,利用改进的GCS模型来获得彩色子显著图。从每个分割区域提取记录色彩频率的特征向量,并将所有像素的坐标归一化为[0,1]。然后,根据色彩特征向量的差异产生彩色子显著图。计算公式如下:
公式中,SC(rk)表示区域rk的显著值;w(ri)表示区域ri的权重值,并且等于区域ri中的像素数;Dr(rk,ri)表示区域rk和ri之间的空间距离,且被定义为它们重心之间的欧式距离;σ2表示控制空间权重强度的正系数,本例中设为0.4;Dc(rk,ri)表示Lab空间中rk和ri的颜色距离度,计算公式如下:
其中,f(rk,i)表示第k个片段区域rk中的所有nk个颜色中第i个颜色rk,i的频率,k={1,2};
步骤五,利用Gabor滤波器来获得纹理子显著图,具体过程如下:
5.1 对于通过分割方法输出的区域中的每个像素,计算具有四个尺度和六个方向的Gabor滤波器的响应。
假定第i个区域中的像素为Pjk,如果具有某个标度s和某个方向o的Gabor滤波器的响应是Gjk(s,o),则在第i个区域中,所有像素的平均Gabor响应Xi(s,o)的计算公式如下:
式中,Ni是第i个区域中像素的数量,r是图像中的行数,c是图像中的列数;
5.2 计算Gabor响应的方差Yi(s,o),公式如下:
5.3 将所求的平均值Xi(s,o)与方差Yi(s,o)进行组合,计算在第i个区域中,具有某个标度s和某个方向o的平均值Pi,Qi:
其中,Pi,Qi分别为Xi(s,o),Yi(s,o)对于四个尺度和六个方向的平均值;
5.4 计算第i个区域的纹理显著值ST(i)
其中NR表示分割图像中区域的总数;Ni和Nj分别表示第i个和第j个区域中的像素数量;
步骤六,对颜色和纹理子显著图进行自适应平方融合,得到最终的显著图,对于位置为(i,j)的像素,显著值计算公式如下:
其中,r为常数,取值1.5;SCij,STij分别表示在位置(i,j)处像素的颜色显著值和纹理显著值;α为自适应融合系数,计算公式如下:
Qmax=max(Q1,Q2,…,QNR)
Qmax是Q1,Q2,…,QNR的最大值,通过设定合适的T,K值,可以生成最终的显著图,来实现对目标对象更好的检测。本实例中,设置T=5和K=1600。
步骤七,对显著图进行自适应阈值分割,分割出显著区域。
步骤八,利用haar函数,将灰度图像分解为高频分量和低频分量,haar函数表示如下:
其中,k=2i+j,i表示比例且0≤i<p,j确定比例i中函数的位置值且
0≤j<2i;用i和j来指定函数的缩放和位置;
步骤九,隔离识别图像的边缘特征的那些高频系数,具体过程如下:
9.1 使用二维快速哈尔变换,将图像的每一行进行哈尔变换,得到变换后的新图像Ⅰ。
9.2 将新图像Ⅰ的每一列进行哈尔变换,得到变换后的新图像Ⅱ。
9.3 对新图像Ⅱ分别进行均值、差分和缩放处理,得到3个处理后的图像。
9.4 利用高斯滤波器对3个处理后图像进行去噪,本实例中采用3*3的窗口对图像进行去噪,之后将3个图像进行“与”操作,组合成新的幅度图像。
步骤十,设定裂纹检测的阈值,一般为裂纹图像中所有像素强度的平均值。本实例中设定阈值为100。
步骤十一,将幅度图像的像素强度与阈值水平进行比较,判断是否存在裂纹。本实例中幅度图像的像素强度为134大于阈值,故实例图片中存在裂纹。
Claims (1)
1.一种基于显著性检测的表面裂纹识别方法,具体步骤如下:
步骤一,利用工业CCD照相机,采用线扫描方式获取需要进行检测的目标图像;
步骤二,将图像从RGB色彩空间转换至Lab色彩空间,利用超像素分割算法(SLIC),选取一定大小的尺度对输入图像进行预分割;
步骤三,针对可能出现的“过分割”现象,采用均值漂移(Mean-Shift)算法将小区域聚类成更大的区域;
步骤四,利用改进的GCS模型来获得彩色子显著图;从每个分割区域提取记录色彩频率的特征向量,并将所有像素的坐标归一化为[0,1];然后,根据色彩特征向量的差异产生彩色子显著图;计算公式如下:
<mrow>
<mi>S</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>&NotEqual;</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>D</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>D</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
公式中,SC(rk)表示区域rk的显著值;w(ri)表示区域ri的权重值,并且等于区域ri中的像素数;Dr(rk,ri)表示区域rk和ri之间的空间距离,且被定义为它们重心之间的欧式距离;σ2表示控制空间权重强度的正系数;Dc(rk,ri)表示Lab空间中rk和ri的颜色距离度,计算公式如下:
<mrow>
<msub>
<mi>D</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mn>2</mn>
</msub>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,f(rk,i)表示第k个片段区域rk中的所有nk个颜色中第i个颜色rk,i的频率,k={1,2};
步骤五,利用Gabor滤波器来获得纹理子显著图,具体过程如下:
5.1对于通过分割方法输出的区域中的每个像素,计算具有四个尺度和六个方向的Gabor滤波器的响应;
假定第i个区域中的像素为Pjk,如果具有某个标度s和某个方向o的Gabor滤波器的响应是Gjk(s,o),则在第i个区域中,所有像素的平均Gabor响应Xi(s,o)的计算公式如下:
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>o</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msub>
<mi>G</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>o</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,Ni是第i个区域中像素的数量,r是图像中的行数,c是图像中的列数;
5.2计算Gabor响应的方差Yi(s,o),公式如下:
<mrow>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>o</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>o</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>o</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
5.3将所求的平均值Xi(s,o)与方差Yi(s,o)进行组合,计算在第i个区域中,具有某个标度s和某个方向o的平均值Pi,Qi:
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>24</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>o</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>6</mn>
</munderover>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>o</mi>
<mo>)</mo>
</mrow>
</mrow>
1
<mrow>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>24</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>o</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>6</mn>
</munderover>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>o</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,Pi,Qi分别为Xi(s,o),Yi(s,o)对于四个尺度和六个方向的平均值;
5.4计算第i个区域的纹理显著值ST(i)
<mrow>
<mi>S</mi>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mrow>
<mi>N</mi>
<mi>R</mi>
</mrow>
</munderover>
<mfrac>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>*</mo>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中NR表示分割图像中区域的总数;Ni和Nj分别表示第i个和第j个区域中的像素数量;
步骤六,对颜色和纹理子显著图进行自适应平方融合,得到最终的显著图,对于位置为(i,j)的像素,显著值计算公式如下:
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>r</mi>
<mo>*</mo>
<msqrt>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>)</mo>
<msup>
<msub>
<mi>SC</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>&alpha;ST</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,r为常数,取值1.5;SCij,STij分别表示在位置(i,j)处像素的颜色显著值和纹理显著值;α为自适应融合系数,计算公式如下:
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>T</mi>
</mfrac>
<mo>*</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>Q</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mi>k</mi>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
Qmax=max(Q1,Q2,…,QNR)
Qmax是Q1,Q2,…,QNR的最大值,通过设定合适的T,K值,可以生成最终的显著图,来实现对目标对象更好的检测;
步骤七,对显著图进行自适应阈值分割,分割出显著区域;
步骤八,利用haar函数,将灰度图像分解为高频分量和低频分量,haar函数表示如下:
<mrow>
<msubsup>
<mi>h</mi>
<mn>0</mn>
<mn>0</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mi>N</mi>
</msqrt>
</mfrac>
<mn>0</mn>
<mo>&le;</mo>
<mi>n</mi>
<mo><</mo>
<msup>
<mn>2</mn>
<mi>p</mi>
</msup>
<mo>=</mo>
<mi>N</mi>
</mrow>
其中,k=2i+j,i表示比例且0≤i<p,j确定比例i中函数的位置值且
0≤j<2i;用i和j来指定函数的缩放和位置;
步骤九,隔离识别图像的边缘特征的那些高频系数,具体过程如下:
9.1使用二维快速哈尔变换,将图像的每一行进行哈尔变换,得到变换后的新图像Ⅰ;
9.2将新图像Ⅰ的每一列进行哈尔变换,得到变换后的新图像Ⅱ;
9.3对新图像Ⅱ分别进行均值、差分和缩放处理,得到3个处理后的图像;
9.4利用高斯滤波器对3个处理后图像进行去噪,之后对3个图像进行“与”操作,组合成新的幅度图像;
步骤十,设定裂纹检测的阈值,一般为裂纹图像中所有像素强度的平均值;
步骤十一,将幅度图像的像素强度与阈值水平进行比较,判断是否存在裂纹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710382614.4A CN107256547A (zh) | 2017-05-26 | 2017-05-26 | 一种基于显著性检测的表面裂纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710382614.4A CN107256547A (zh) | 2017-05-26 | 2017-05-26 | 一种基于显著性检测的表面裂纹识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107256547A true CN107256547A (zh) | 2017-10-17 |
Family
ID=60028170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710382614.4A Pending CN107256547A (zh) | 2017-05-26 | 2017-05-26 | 一种基于显著性检测的表面裂纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256547A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009984A (zh) * | 2017-11-21 | 2018-05-08 | 中国地质大学(武汉) | 一种面向水环境监测的水面显著性区域的检测方法 |
CN108345835A (zh) * | 2018-01-15 | 2018-07-31 | 上海大学 | 一种基于仿复眼感知的目标识别方法 |
CN108805186A (zh) * | 2018-05-29 | 2018-11-13 | 北京师范大学 | 一种基于多维显著特征聚类的sar图像圆形油库检测方法 |
CN109544583A (zh) * | 2018-11-23 | 2019-03-29 | 广东工业大学 | 一种提取皮革图像感兴趣区域的方法、装置及设备 |
CN109658381A (zh) * | 2018-11-16 | 2019-04-19 | 华南理工大学 | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 |
CN110147799A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 一种基于超像素的显微图像目标区域提取方法及系统 |
CN110991547A (zh) * | 2019-12-12 | 2020-04-10 | 电子科技大学 | 一种基于多特征最优融合的图像显著性检测方法 |
CN111640129A (zh) * | 2020-05-25 | 2020-09-08 | 电子科技大学 | 一种应用于室内墙面施工机器人的视觉砂浆识别系统 |
CN112745114A (zh) * | 2020-12-23 | 2021-05-04 | 东阳富仕特磁业有限公司 | 一种基于在线检测的微波旋磁铁氧体制备方法 |
CN113781402A (zh) * | 2021-08-19 | 2021-12-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 |
CN115082479A (zh) * | 2022-08-23 | 2022-09-20 | 启东凯顺机械制造有限公司 | 基于显著性特征的机器零件疲劳裂纹识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101720047A (zh) * | 2009-11-03 | 2010-06-02 | 上海大学 | 基于颜色分割的多目摄像立体匹配获取深度图像的方法 |
US20120219196A1 (en) * | 2009-05-15 | 2012-08-30 | Shai Dekel | Automated fly through review mechanism |
CN102867313A (zh) * | 2012-08-29 | 2013-01-09 | 杭州电子科技大学 | 一种融合区域颜色和HoG特征的视觉显著性检测方法 |
CN104103082A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种基于区域描述和先验知识的图像显著性检测方法 |
US20160012607A1 (en) * | 2012-08-09 | 2016-01-14 | Thomson Licensing | Method and apparatus to detect artificial edges in images |
CN106228544A (zh) * | 2016-07-14 | 2016-12-14 | 郑州航空工业管理学院 | 一种基于稀疏表示和标签传播的显著性检测方法 |
-
2017
- 2017-05-26 CN CN201710382614.4A patent/CN107256547A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120219196A1 (en) * | 2009-05-15 | 2012-08-30 | Shai Dekel | Automated fly through review mechanism |
CN101720047A (zh) * | 2009-11-03 | 2010-06-02 | 上海大学 | 基于颜色分割的多目摄像立体匹配获取深度图像的方法 |
US20160012607A1 (en) * | 2012-08-09 | 2016-01-14 | Thomson Licensing | Method and apparatus to detect artificial edges in images |
CN102867313A (zh) * | 2012-08-29 | 2013-01-09 | 杭州电子科技大学 | 一种融合区域颜色和HoG特征的视觉显著性检测方法 |
CN102867313B (zh) * | 2012-08-29 | 2015-04-22 | 杭州电子科技大学 | 一种融合区域颜色和HoG特征的视觉显著性检测方法 |
CN104103082A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种基于区域描述和先验知识的图像显著性检测方法 |
CN106228544A (zh) * | 2016-07-14 | 2016-12-14 | 郑州航空工业管理学院 | 一种基于稀疏表示和标签传播的显著性检测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009984B (zh) * | 2017-11-21 | 2020-07-07 | 中国地质大学(武汉) | 一种面向水环境监测的水面显著性区域的检测方法 |
CN108009984A (zh) * | 2017-11-21 | 2018-05-08 | 中国地质大学(武汉) | 一种面向水环境监测的水面显著性区域的检测方法 |
CN108345835A (zh) * | 2018-01-15 | 2018-07-31 | 上海大学 | 一种基于仿复眼感知的目标识别方法 |
CN108345835B (zh) * | 2018-01-15 | 2022-07-12 | 上海大学 | 一种基于仿复眼感知的目标识别方法 |
CN108805186A (zh) * | 2018-05-29 | 2018-11-13 | 北京师范大学 | 一种基于多维显著特征聚类的sar图像圆形油库检测方法 |
CN108805186B (zh) * | 2018-05-29 | 2020-11-17 | 北京师范大学 | 一种基于多维显著特征聚类的sar图像圆形油库检测方法 |
CN109658381A (zh) * | 2018-11-16 | 2019-04-19 | 华南理工大学 | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 |
CN109544583A (zh) * | 2018-11-23 | 2019-03-29 | 广东工业大学 | 一种提取皮革图像感兴趣区域的方法、装置及设备 |
CN109544583B (zh) * | 2018-11-23 | 2023-04-18 | 广东工业大学 | 一种提取皮革图像感兴趣区域的方法、装置及设备 |
CN110147799A (zh) * | 2019-05-13 | 2019-08-20 | 安徽工业大学 | 一种基于超像素的显微图像目标区域提取方法及系统 |
CN110991547A (zh) * | 2019-12-12 | 2020-04-10 | 电子科技大学 | 一种基于多特征最优融合的图像显著性检测方法 |
CN111640129A (zh) * | 2020-05-25 | 2020-09-08 | 电子科技大学 | 一种应用于室内墙面施工机器人的视觉砂浆识别系统 |
CN112745114A (zh) * | 2020-12-23 | 2021-05-04 | 东阳富仕特磁业有限公司 | 一种基于在线检测的微波旋磁铁氧体制备方法 |
CN113781402A (zh) * | 2021-08-19 | 2021-12-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 |
CN113781402B (zh) * | 2021-08-19 | 2024-03-26 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 |
CN115082479A (zh) * | 2022-08-23 | 2022-09-20 | 启东凯顺机械制造有限公司 | 基于显著性特征的机器零件疲劳裂纹识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256547A (zh) | 一种基于显著性检测的表面裂纹识别方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN106910186B (zh) | 一种基于cnn深度学习的桥梁裂缝检测定位方法 | |
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN102682287B (zh) | 基于显著度信息的行人检测方法 | |
WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN110717896A (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN105701495B (zh) | 图像纹理特征提取方法 | |
CN103761743A (zh) | 一种基于图像融合分割的实木地板表面缺陷检测方法 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN112906550B (zh) | 一种基于分水岭变换的静态手势识别方法 | |
CN104966285A (zh) | 一种显著性区域的检测方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN111612747A (zh) | 产品表面裂缝快速检测方法及检测系统 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN104268509B (zh) | 泥头车车牌检测的方法及系统 | |
Guo et al. | Image classification based on SURF and KNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171017 |