CN109166092A - 一种图像缺陷检测方法及系统 - Google Patents

Abstract

本发明公开了一种图像缺陷检测方法，其包括以下步骤：系统发送指令至Matlab，控制Matlab对目标图像进行预处理和二值化操作；系统控制Matlab对得到的图像进行形态学滤波和图像分割处理操作；系统控制Matlab对得到的图像进行特征提取与缺陷目标识别操作；系统通过Matlab统计出图像的缺陷像素值，根据所述缺陷像素值占整张图像像素值的比例来检测图像是否存在缺陷，并区分出图像所属缺陷的类型；以及一种图像缺陷检测系统。系统通过在Matlab软件平台上对图像缺陷进行处理，在一定条件下，可提高工作效率，同时也能降低检测图像缺陷的时间成本，广泛应用于图像处理领域。

Description

一种图像缺陷检测方法及系统

技术领域

本发明涉及图像处理领域，具体为一种基于Matlab的图像缺陷检测方法及系统。

背景技术

人类开始步入信息时代之后，LCD技术的发展速度超乎想象，液晶技术的先进信息显示技术对科学技术的迅速发展起到了举足轻重的作用。液晶显示器的优势：分辨率非常高、清晰度也达到了最高点，正因为它有如此多的优点，LCD广泛被采用于iPhone手机屏幕、摄像机、笔记本电脑、车载显示器和液晶电视等。但是，液晶屏幕的生产制造中，LCD显示屏往往由于生产工艺及环境等综合因素影响而造成图像缺陷问题。

这些液晶屏显示缺陷类型有：轻微缺陷、中度缺陷，严重缺陷等。轻度缺陷指的是屏幕上缺陷的总面积占图像的总面积之比很小，小到人眼几乎无法识别的程度。虽然中度缺陷和严重缺陷是很大的区别的，但是无论是中度缺陷，还是重度缺陷，我们人眼一般很难区分缺陷的类型，因为如果能快速区分缺陷类型，就可以采用针对不同缺陷类型的处理方法，这样大大提高产品的质量和效率，而且能在很大程度上减少屏幕缺陷带来的损失和成本。所以需要对缺陷类型进行辨别和分类。

现在对于缺陷的检测在大很大程度上依靠人工检查，所以导致其检测缺陷的效率非常慢，而且加上人的眼睛视力的局限性，检查的正确性和精度也很低。

发明内容

为了解决上述技术问题，本发明的目的是提供一种图像缺陷检测方法及系统，解决在显示屏上图像缺陷检测问题及区分图像缺陷类型等问题。

本发明所采用的技术方案是：

本发明提供一种图像缺陷检测方法，其包括以下步骤：

系统发送指令至Matlab，控制Matlab对目标图像进行预处理和二值化操作；

系统控制Matlab对得到的图像进行形态学滤波和图像分割处理操作；

系统控制Matlab对得到的图像进行特征提取与缺陷目标识别操作；

系统通过Matlab统计出图像的缺陷像素值，根据所述缺陷像素值占整张图像像素值的比例来检测图像是否存在缺陷，并区分出图像所属缺陷的类型。

作为该技术方案的改进，所述方法还包括：系统传输指令至Matlab，并通过Matlab将目标图像转换为灰度图像。

作为该技术方案的改进，所述方法还包括：系统将所述灰度图像转换为二值化图像。

进一步地，系统将所述二值化图像进行腐蚀、膨胀操作。

进一步地，所述图像分割处理包括归一化、平滑复原、几何变换。

进一步地，系统通过灰度直方图选择阈值法进行特征提取与缺陷目标识别操作。

另一方面，本发明还提供一种图像缺陷检测系统，其包括：

初始图像处理模块，用于执行步骤系统发送指令至Matlab，控制Matlab对目标图像进行预处理和二值化操作；

系统控制Matlab对得到的图像进行形态学滤波和图像分割处理操作；

缺陷识别模块，用于执行步骤系统控制Matlab对得到的图像进行特征提取与缺陷目标识别操作；

缺陷确认模块，用于执行步骤系统通过Matlab统计出图像的缺陷像素值，根据所述缺陷像素值占整张图像像素值的比例来检测图像是否存在缺陷，并区分出图像所属缺陷的类型。

本发明的有益效果是：本发明提供的图像缺陷检测方法及系统，其中步骤包含有图像预处理操作、图像二值化操作、形态学滤波、特征提取和目标识别；首先对图像进行预处理，对图像进行抽样平滑，形态学滤波等，并通过对图像区域进行分类，由于相似区域存在近似的特征，可对区域的特点进行分析，并根据区域的特点对各个区域进行特征提取；最后由于图像之间存在不同，同样一张图像中的亮度也是不一样的，所以在通过特征提取之后，需要通过特征向量直接设置阈值对缺陷进行识别。因此，系统通过在Matlab软件平台上对图像缺陷进行处理，在一定条件下，可提高工作效率，同时也能降低检测图像缺陷的时间成本。

附图说明

下面结合附图对本发明的具体实施方式作进一步说明：

图1是本发明一实施例中的流程示意图；

图2是本发明一实施例的系统示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

参照图1，本发明提供一种图像缺陷检测方法，包括：

A、利用Matlab软件对图像进行预处理和二值化操作。

B、通过Matlab对图像进行形态学滤波和图像分割处理操作。

C、通过Matlab对图像进行特征提取与缺陷目标识别操作。

D、最后，通过Matlab编程统计出图像的所有属于缺陷的像素值，再根据它占整张图像所有像素值的比例来检测图像是否存在缺陷，并区分出其图像缺陷的类型。

通过Matlab将图像转换为灰度图像，这为了更方便于进行图像处理；再将灰度图像转换为二值图像。将二值化图像进行腐蚀、膨胀操作。

通过Matlab软件采用图像分割阈值的方法。

图像处理过程包含有归一化、平滑复原、几何变换等步骤。图像处理还包括了进行图像均值滤波操作，为了滤掉图像的噪声，防止对图像检测缺陷时造成的。

通过灰度直方图选择阈值法进行特征提取与缺陷目标识别操作。

本发明提供了一种图像缺陷检测方法，首先将采集的图像读入Matlab中，然后把原始图像转为灰度图像，最后把它转为二值图像。形态学处理主要包括二值化图像和腐蚀、膨胀处理，把二值图像通过腐蚀、膨胀操作，然后通过Matlab软件采用图像分割阈值的方法进行处理。

最后，将统计图像的所有属于缺陷的像素值统计出来，再根据它占整张图像所有像素值的比例来区分缺陷类型。

一.图像预处理：

所谓图像预处理操作就是指通过Matlab读入的原始图像是有噪声的，通过转化为灰度图像，中值滤波，均衡直方图等一系列操作后，采集的目标图像往往含有噪声，所以必须对它进行预处理，图像预处理的最重要目标是清除掉图片中没有用的数据，将有用的信息还原出来，然后提高相关数据的可检测性，最后做到特征提取出来、照片分割等等。它的处理过程包含有归一化、平滑复原、几何变换等步骤。

图像归一化就是通过一系列变换(即利用图像的不变矩寻找一组参数，使其能够消除其他变换函数对图像变换的影响)，将待处理的原始图像转换成相应的唯一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性)。为了方便后续特征提取的计算和减少特征的维数，在实验仿真中将特征块图像归一化为20X28像素的图像，即经切割后的特征块图像若尺寸不为20X28像素，就把它们统一归一化为20X28像素，最后把特征块图像归一化为20X28像素。

二.图像二值化操作：

目标图像先转化为灰度图像后，才能转化为二值图像，当转为二值图像后，将有利于处理图像分析和目标提取等，虽然图像理解和分析对于人来说是一件容易的事，但是这对计算机电脑却是难以想象的困难。因此，首先需要对照片进行分割料理，分割的定义就是把照片F[i，j]区分成每个区域p₁，p₂，…，p_k，相应的区域对应着相应的物体，如下所示：分割的含义。

定义：分割是图像分成每个小的图像，使得：

(是一个完备分割)；

(是一个完备分割)；

每一个部分P_i对应着一个谓语-----整张照片里所有像素共有的性质；

不同部分的图像，都不包含在这一动词里。

即像上面所说的一样，图像分割属于一个动词，也许当这个动词是简单的时候，就可以用均匀灰度分布法去分割，然而，如果当这个动词若很复杂的时候，就采用灰度阀值法分割图像。

二值图像的像素值只有0和1，即像素值为0的代表照片的背景，像素值为1的代表为目标，在分割图像之前，要加强图像的对比度，再通过阈值运算后去分割，如果一张灰度照片F[i，j]中目标的灰度值在区间[T₁，T₂]内，通过阈值分割后的照片是二值图像F_T[i，j]，即：

假设目标的灰度值在若干个不相关的区间内，阈值二值化方法为：

三.形态学滤波：

在图像滤波中经常采用腐蚀和膨胀来实现，倘若利用噪声的特点，可以选择适当的方法来去除掉照噪声。但是，在理想情况下却不是这样的，形态学滤波不能真实反映出图像中目标的实际形状大小。

数学形态中的基础运算是通过复杂的运算来形成的，形态学滤波中腐蚀和膨胀操作都共用相同的结构元。这样一来，先进行腐蚀操作后再进行膨胀的这一顺序被叫“开”运算；但是“关”运算的过程却和开运算完全颠倒过来的，它是先进行膨胀后再进行腐蚀的。不过，之前去除的图像可能和之后所保留的照片同样的重要。通过形态学滤波对缺陷图像进行处理。

四.特征提取与目标识别

为了识别图像中存在的缺陷，一定要根据具体事情具体分析的方法，通过分析各个区域的特点，分别选择合适的区域特征，对图像分类后的区域进行高效率的特征提取。

正确的选择适当图像的特征区域，这对于正确识别图像缺陷起到至关重要的作用，它能影响到图片检测缺陷的速度与精度。

作为机器视觉图像目标识别的一个中间节点，特征提取对目标识别的精度和速度具有重要影响。从复杂的图像信息中提取有用的特征，对实现机器视觉的目标识别起到决定性的作用。根据不同分类方法，可将图像特征分为多种类型，例如可根据区域大小分为全局特征和局部特征，根据统计特征分为矩特征、轮廓特征及纹理特征等。与全局特征相比，用局部特征在复杂的背景下对图像目标进行描述非常高效，常用的检测方法有稀疏选取、密集选取和其他方法选取。对图像中的缺陷来说，每个缺陷的相关系数越小，也就是说每个缺陷的独立性越强，就越容易通过特征提取来识别缺陷的特点。

图像缺陷检测具体方法：

1、图片变换方法：在Matlab上为了更方便的处理图像信息，往往进行图像变换操作。例如在进行数字图像处理时常常把彩色图像转化为灰度图像或者二值图像等等，图像变换方法有几何变换、格式变换等等。

2、照片分割：如果想对图像描述这一步骤进行操作的话，就必须先对图像进行分割。倘若缺少这一步骤的话，就无法进行分割操作。如果想将一张图像中的缺陷识别出来，首先必须对它进行分割处理后，才可以更容易将它标识出来。其实，分割的本质就是对图像的像素值进行分类，它是依据像素的灰度值和频谱特性进行分类的。

3、图片描述：实验的最终目的是有效地进行识别目标,首先必须要在图像处理中对照片进行描述，它的描述方法有：区域内部描述、边界描述方法和关系描述方法。然而，因为图像的特点都是不同的，因此对于不同情况的图像要分别采用不同的描述方法去叙述。

4、图像的识别：图片的分类属于模式识别的范畴，它主要是经过某些预处理之后，然后再进行图片的分割以及特征提取等等，最后才实现分类。图像分类的模式识别方法有：结构模式分类和统计模式分类。

参照图2，本发明还提供一种图像缺陷检测系统，其包括：

初始图像处理模块，用于执行步骤系统发送指令至Matlab，控制Matlab对目标图像进行预处理和二值化操作；

系统控制Matlab对得到的图像进行形态学滤波和图像分割处理操作；

缺陷识别模块，用于执行步骤系统控制Matlab对得到的图像进行特征提取与缺陷目标识别操作；

缺陷确认模块，用于执行步骤系统通过Matlab统计出图像的缺陷像素值，根据所述缺陷像素值占整张图像像素值的比例来检测图像是否存在缺陷，并区分出图像所属缺陷的类型。

本发明提供的图像缺陷检测方法及系统，其中步骤包含有图像预处理操作、图像二值化操作、形态学滤波、特征提取和目标识别；首先对图像进行预处理，对图像进行抽样平滑，形态学滤波等，并对图像区域进行分类，由于相似区域存在近似的特征，可对区域的特点进行分析，并根据区域的特点对各个区域进行特征提取；最后由于图像之间存在不同,同样一张图像中的亮度也是不一样的，所以在通过特征提取之后，需要通过特征向量直接设置阈值对缺陷进行识别。因此，系统通过在Matlab软件平台上对图像缺陷进行处理，在一定条件下，可提高工作效率，同时也能降低检测图像缺陷的时间成本。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种图像缺陷检测方法，其特征在于，其包括以下步骤：

系统发送指令至Matlab，控制Matlab对目标图像进行预处理和二值化操作；

系统控制Matlab对得到的图像进行形态学滤波和图像分割处理操作；

系统控制Matlab对得到的图像进行特征提取与缺陷目标识别操作；

系统通过Matlab统计出图像的缺陷像素值，根据所述缺陷像素值占整张图像像素值的比例来检测图像是否存在缺陷，并区分出图像所属缺陷的类型。

2.根据权利要求1所述的图像缺陷检测方法，其特征在于，所述方法还包括：系统传输指令至Matlab，并通过Matlab将目标图像转换为灰度图像。

3.根据权利要求2所述的图像缺陷检测方法，其特征在于，所述方法还包括：系统将所述灰度图像转换为二值化图像。

4.根据权利要求3所述的图像缺陷检测方法，其特征在于，系统将所述二值化图像进行腐蚀、膨胀操作。

5.根据权利要求1所述的图像缺陷检测方法，其特征在于，所述图像分割处理包括归一化、平滑复原、几何变换。

6.根据权利要求1或4所述的图像缺陷检测方法，其特征在于，系统通过灰度直方图选择阈值法进行特征提取与缺陷目标识别操作。

7.一种图像缺陷检测系统，其特征在于，其包括：

初始图像处理模块，用于执行步骤系统发送指令至Matlab，控制Matlab对目标图像进行预处理和二值化操作；

系统控制Matlab对得到的图像进行形态学滤波和图像分割处理操作；

缺陷识别模块，用于执行步骤系统控制Matlab对得到的图像进行特征提取与缺陷目标识别操作；

缺陷确认模块，用于执行步骤系统通过Matlab统计出图像的缺陷像素值，根据所述缺陷像素值占整张图像像素值的比例来检测图像是否存在缺陷，并区分出图像所属缺陷的类型。