CN109559318B - 基于积分算法的局部自适应图像阈值处理方法 - Google Patents
基于积分算法的局部自适应图像阈值处理方法 Download PDFInfo
- Publication number
- CN109559318B CN109559318B CN201811187496.2A CN201811187496A CN109559318B CN 109559318 B CN109559318 B CN 109559318B CN 201811187496 A CN201811187496 A CN 201811187496A CN 109559318 B CN109559318 B CN 109559318B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- value
- integral
- gray
- 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.)
- Active
Links
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30116—Casting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于积分算法的局部自适应图像阈值处理方法,包括采集铸件图像,并对其进行灰度化;将灰度图像转换成积分图像;对积分图像进行区域领域均值运算,得到各区域新的中心像素点灰度值,将新的中心像素点灰度值作为区域的阈值;计算区域的平均阈值,根据各区域的平均阈值,进行图像二值化处理。本发明将灰度图像转换为积分图像,对积分图像进行区域划分,并计算每个区域的平均阈值,最后根据区域的平均阈值对图像进行二值化,避免了单一阈值处理像素,会将目标区域和背景区域进行错误划分的问题。
Description
技术领域
本发明涉及一种基于积分算法的局部自适应图像阈值处理方法,属于图像处理领域。
背景技术
铸造完成的铸件物体需要取图分析,即采集图像,通过图像处理对铸件进行分析,发现铸件存在的问题。现在采集图像时,采用x射线光源和平板相机,由于x射线照射不均匀,有突发噪声或者背景灰度变化比较大时,整幅图像分割将没有合适的单一阈值,如果仍然采用单一的阈值方式去处理每一个像素,有可能会将目标区域和背景区域进行错误的划分。
发明内容
本发明提供了一种基于积分算法的局部自适应图像阈值处理方法,解决了现有单一阈值方式会将目标区域和背景区域错误划分的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
基于积分算法的局部自适应图像阈值处理方法,包括以下步骤,
采集铸件图像,并对其进行灰度化;
将灰度图像转换成积分图像;
对积分图像进行区域领域均值运算,得到各区域新的中心像素点灰度值,将新的中心像素点灰度值作为区域的阈值;
计算区域的平均阈值,根据各区域的平均阈值,进行图像二值化处理。
像素点灰度值的转换公式为,
其中,p1(i,j)为积分图像中坐标为(i,j)的像素点灰度值,p(i,j)为灰度图像中坐标为(i,j)的像素点灰度值,m和n分别代表灰度图像的宽度和高度。
获得各区域新的中心像素点灰度值过程为,
对积分图像进行区域划分,区域大小为s*s;
确定四个顶角像素点;
计算新的中心像素点灰度值p=A+D-B-C,其中A,B,C,D分别为积分图像中区域左上顶角、右上顶角、左下顶角和右下顶角的像素点灰度值。
假设区域中心像素点坐标为(i,j),则区域横坐标方向的最小值为x1,最大值为x2,纵坐标方向的最小值为y1,最大值为y2;
其中,x1=i-s/2,若x1<0,则x1=0,若x1≥图像宽度,则x1=图像宽度-1;
x2=i+s/2,若x2≥图像宽度,则x2=图像宽度-1;
y1=j-s/2,若y1<0,则y1=0,若y1≥图像高度,则y1=图像高度-1;
y2=j+s/2,若y2≥图像高度,则y2=图像高度-1;
平均阈值R=区域阈值/(s*s)。
若区域中p(i,j)大于RT%,则p(i,j)为255,否则为0。
本发明所达到的有益效果:本发明将灰度图像转换为积分图像,对积分图像进行区域划分,并计算每个区域的平均阈值,最后根据区域的平均阈值对图像进行二值化,避免了单一阈值处理像素,会将目标区域和背景区域进行错误划分的问题。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,基于积分算法的局部自适应图像阈值处理方法,包括以下步骤:
步骤1,采集铸件图像,并对其进行灰度化。
步骤2,将灰度图像转换成积分图像。
两种图像中像素点灰度值的转换公式为:
其中,p1(i,j)为积分图像中坐标为(i,j)的像素点灰度值,p(i,j)为灰度图像中坐标为(i,j)的像素点灰度值,m和n分别代表灰度图像的宽度和高度
步骤3,对积分图像进行区域领域均值运算,得到各区域新的中心像素点灰度值,将新的中心像素点灰度值作为区域的阈值。
具体过程如下:
31)对积分图像进行区域划分,区域大小为s*s;其中划分区域的大小,一般设置为图像宽的八分之一,可产生比较好的效果,可适当进行调整。
32)确定四个顶角像素点。
四个顶角像素点坐标可根据中心像素点坐标确定,具体如下:
假设区域中心像素点坐标为(i,j),则区域横坐标方向的最小值为x1,最大值为x2,纵坐标方向的最小值为y1,最大值为y2;
其中,x1=i-s/2,若x1<0,则x1=0,若x1≥图像宽度,则x1=图像宽度-1;
x2=i+s/2,若x2≥图像宽度,则x2=图像宽度-1;
y1=j-s/2,若y1<0,则y1=0,若y1≥图像高度,则y1=图像高度-1;
y2=j+s/2,若y2≥图像高度,则y2=图像高度-1;
33)根据转换公式,计算四个顶角像素点灰度值,左上顶角、右上顶角、左下顶角和右下顶角的像素点灰度值分别为A,B,C,D;
34)根据四个顶角像素点灰度值,计算新的中心像素点灰度值p=A+D-B-C;
在积分图像中,中心像素点灰度值本来可以根据转换公式得到,但是这里用计算出的p替换通过转换公式获得的中心像素点灰度值,称为新的中心像素点灰度值。顶角计算中心点灰度值相比用转换公式获得的值,一一映射到整个图像上,整个图像更平滑些。
35)将新的中心像素点灰度值p作为区域的阈值。
步骤4,计算区域的平均阈值R,根据各区域的平均阈值,进行图像二值化处理。
平均阈值R=区域阈值/(s*s)=p/(s*s)。
二值化过程为:若区域中p(i,j)大于RT%,则p(i,j)为255,否则为0。一般设置的T%一般取值为85%(T%对的取值范围在0到100%之间),可得到比较好的图像效果,可适当进行调整。
上述方法将灰度图像转换为积分图像,对积分图像进行区域划分,每个区域计算一个平均阈值R,最后根据区域的平均阈值对图像进行二值化,避免了单一阈值处理像素,会将目标区域和背景区域进行错误划分的问题。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.基于积分算法的局部自适应图像阈值处理方法,其特征在于:包括以下步骤,
采集铸件图像,并对其进行灰度化;
将灰度图像转换成积分图像;
对积分图像进行区域领域均值运算,得到各区域新的中心像素点灰度值,将新的中心像素点灰度值作为区域的阈值;
获得各区域新的中心像素点灰度值过程为:对积分图像进行区域划分,区域大小为s*s;确定四个顶角像素点;计算新的中心像素点灰度值p=A+D-B-C,其中A,B,C,D分别为积分图像中区域左上顶角、右上顶角、左下顶角和右下顶角的像素点灰度值;
确定四个顶角像素点的过程为:假设区域中心像素点坐标为(i,j),则区域横坐标方向的最小值为x1,最大值为x2,纵坐标方向的最小值为y1,最大值为y2;其中,x1=i-s/2,若x1<0,则x1=0,若x1≥图像宽度,则x1=图像宽度-1;x2=i+s/2,若x2≥图像宽度,则x2=图像宽度-1;y1=j-s/2,若y1<0,则y1=0,若y1≥图像高度,则y1=图像高度-1;y2=j+s/2,若y2≥图像高度,则y2=图像高度-1;
计算区域的平均阈值,根据各区域的平均阈值,进行图像二值化处理;其中,平均阈值R=区域阈值/(s*s)。
2.根据权利要求1所述的基于积分算法的局部自适应图像阈值处理方法,其特征在于:像素点灰度值的转换公式为,
其中,p1(i,j)为积分图像中坐标为(i,j)的像素点灰度值,p(i,j)为灰度图像中坐标为(i,j)的像素点灰度值,m和n分别代表灰度图像的宽度和高度。
3.根据权利要求1所述的基于积分算法的局部自适应图像阈值处理方法,其特征在于:若区域中p(i,j)大于RT%,则p(i,j)为255,否则为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811187496.2A CN109559318B (zh) | 2018-10-12 | 2018-10-12 | 基于积分算法的局部自适应图像阈值处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811187496.2A CN109559318B (zh) | 2018-10-12 | 2018-10-12 | 基于积分算法的局部自适应图像阈值处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109559318A CN109559318A (zh) | 2019-04-02 |
CN109559318B true CN109559318B (zh) | 2023-08-29 |
Family
ID=65864914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811187496.2A Active CN109559318B (zh) | 2018-10-12 | 2018-10-12 | 基于积分算法的局部自适应图像阈值处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559318B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111223115B (zh) * | 2020-04-22 | 2020-07-14 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
CN112295949A (zh) * | 2020-10-13 | 2021-02-02 | 广州纳诺科技股份有限公司 | 一种基于深度神经网络的视觉智能分拣方法及系统 |
CN114345717A (zh) * | 2022-03-14 | 2022-04-15 | 北京物资学院 | 一种货物分拣装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855617A (zh) * | 2011-07-01 | 2013-01-02 | 中国科学院深圳先进技术研究院 | 自适应图像处理方法及系统 |
CN106845313A (zh) * | 2016-12-28 | 2017-06-13 | 广州智慧城市发展研究院 | 一种二维码的二值化处理方法 |
CN107037056A (zh) * | 2017-03-29 | 2017-08-11 | 浙江大学 | 一种快速局部阈值分割的水果表面缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069394B (zh) * | 2015-07-23 | 2017-10-10 | 福建联迪商用设备有限公司 | 二维码加权平均灰度法解码方法及系统 |
-
2018
- 2018-10-12 CN CN201811187496.2A patent/CN109559318B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855617A (zh) * | 2011-07-01 | 2013-01-02 | 中国科学院深圳先进技术研究院 | 自适应图像处理方法及系统 |
CN106845313A (zh) * | 2016-12-28 | 2017-06-13 | 广州智慧城市发展研究院 | 一种二维码的二值化处理方法 |
CN107037056A (zh) * | 2017-03-29 | 2017-08-11 | 浙江大学 | 一种快速局部阈值分割的水果表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109559318A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428433B (zh) | 一种基于局部阈值的Canny边缘检测算法 | |
CN109559318B (zh) | 基于积分算法的局部自适应图像阈值处理方法 | |
CN108830832B (zh) | 一种基于机器视觉的塑料筒表面缺陷检测方法 | |
CN114299275B (zh) | 一种基于霍夫变换的车牌倾斜校正方法 | |
CN104200210B (zh) | 一种基于部件的车牌字符分割方法 | |
CN111462066B (zh) | 一种基于机器视觉的螺纹参数检测方法 | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN102521836A (zh) | 一种基于特定类灰度图像的边缘检测方法 | |
CN106204617B (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
WO2009026857A1 (en) | Video image motion processing method introducing global feature classification and implementation device thereof | |
CN110163857B (zh) | 图像背景区域的检测方法、装置、存储介质及x射线系统 | |
CN109886935A (zh) | 一种基于深度学习的道面异物检测方法 | |
CN107067375A (zh) | 一种基于暗通道先验和边缘信息的图像去雾方法 | |
CN105787912B (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
CN107025640A (zh) | 基于优化的非局部均值的医学图像去噪方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN111310754A (zh) | 一种分割车牌字符的方法 | |
CN108416358B (zh) | 一种空间目标特征提取方法和装置 | |
CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
CN109636822A (zh) | 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 | |
CN115984863B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN108205814B (zh) | 彩色图像的黑白轮廓生成方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |