CN109816631A - 一种基于新代价函数的图像分割方法 - Google Patents
一种基于新代价函数的图像分割方法 Download PDFInfo
- Publication number
- CN109816631A CN109816631A CN201811586802.XA CN201811586802A CN109816631A CN 109816631 A CN109816631 A CN 109816631A CN 201811586802 A CN201811586802 A CN 201811586802A CN 109816631 A CN109816631 A CN 109816631A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- filtering
- standard
- filter
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于新代价函数的图像分割方法,首先,设置一组不同方向和尺度的Gabor滤波器;其次,用多幅标准无瑕疵图像经过滤波器组滤波,再对每个滤波通道求取多幅滤波后图像的标准平均像素,取多幅图像中方差最大值为此通道的标准方差;然后,利用均值差平方和代价函数实现优化选择,即瑕疵图像经过这组滤波器滤波,然后把滤波后图像分块并求各块均值,再用各块均值减去此通道标准均值,之后计算各分块的均值差的平方和,选择均值差的平方和最大的通道为最优滤波通道;最后,结合标准方差和均值对最优滤波图像进行预二值分割,再利用迭代式阈值分割方法进行分割,得到分割图像。采用本发明能提高优化选择精度,提升算法性能。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于新代价函数的图像分割方法。
背景技术
Ajay Kumar优化选择所用代价函数在一定程度上能进行优化选择,但是也存在一些缺陷:1、此方法不适合大面积型瑕疵的检测,原因是大面积型瑕疵占据图像大部分区域,所以第i个滤波通道滤波后图像中子块像素均值最大值和第i个滤波通道滤波后图像中子块像素均值最小值可能非常接近,所得代价函数值接近于零,因此无法完成最优选择。2、分块大小l×l的选择对优化选择结果影响较大,l取值过小时,受局部噪声影响较大,像素均值最大最小子块可能就是较强局部噪声所在子块,从而代价函数无法准确表征背景与瑕疵区域的差别,也就导致错误的寻优结果;l取值过大时,瑕疵区域像素容易被背景像素均匀化,导致不能准确描述瑕疵区域,此代价函数也就无法寻优。3、仅是当前单幅的滤波后图像中某个别区域子块像素均值,复杂的工业环境和各种随机因数可能导致其不具有代表性,即导致代价函数不能准确描述瑕疵与背景的对比度大小。4、此代价函数缺少全局性描述,缺少稳定的具有代表性的标准对比模板,导致计算结果无法精确描述各滤波后图像含有瑕疵信息量的相对大小,故算法的抗干扰性相对较弱,鲁棒性差。
针对Ajay Kumar优化选择的缺点,本发明公开的一种新的代价函数实现优化选择,能提高优化选择精度,提升算法性能。
发明内容
发明目的:本发明的目的在于提供一种可以提高布匹瑕疵的检测速度和精确度的基于新代价函数的图像分割方法。
技术方案:本发明所述的一种基于新代价函数的图像分割方法,包括以下步骤:
(1)建立基本二维Gabor滤波器组,设置二维Gabor滤波器组相关参数,生成各滤波模板;
(2)设置二维滤波器组中不同滤波通道滤波后图像像素的标准均值和标准方差;
(3)对待检测的瑕疵图像进行Gabor滤波,利用代价函数优化选择得最优滤波后图像;
(4)对所得最优滤波后图像进行二值分割,再利用迭代式阈值分割方法进行分割,得到分割图像。
所述步骤(1)包括以下步骤:
(11)建立二维空间域的Gabor滤波函数:
其中u0代表Gabor函数的中心频率,σx和σy为空域常量,为高斯调制函数在x轴和y轴上的标准差,j为复数虚部单位;
(12)将Gabor函数旋转放缩,旋转方向总数L和放缩尺度总数S,得到一组Gabor滤波器;
(13)设置Gabor滤波器组相关参数,选定理想滤波频带的最高和最低滤波频率fh和fl,并由L、S、fh和fl计算得到步骤(11)中σx、σy的设置值;
(14)设置滤波模板大小为m×n,生成滤波器组中各个滤波模板。
所述步骤(2)包括以下步骤:
(21)求取每幅标准图像滤波后图像,图像滤波公式:
其中,hpq(x,y)e为滤波器的实部,hpq(x,y)o为滤波器的虚部;
(22)求取各通道的标准均值和标准方差:对各通道的所有标准滤波后图像求平均像素,所得值即为此通道的标准像素均值;再分别求各通道标准滤波后图像的方差,取滤波后图像中方差最大值为此通道的标准像素方差。
所述步骤(3)包括以下步骤:
(31)设置L个方向、S个尺度的滤波器组对图像f(x,y)滤波,得到S×L幅滤波后图像;
(32)将各幅滤波后的图像分割为K个l×l大小的不相互重叠的子块,每个子块的平均像素:
其中,i=1,2,...,S×L表示滤波通道,Ipq(x,y)为对应的滤波后图像,
k=1,2,...,K表示子块,表示第i个滤波通道滤波后图像的第k个子块的像素均值,l取本色布纹理周期的大小;
(33)计算每幅图像中各子块像素与对应通道标准像素均值之差的平方和,即可求得各通道滤波后图像的代价函数J(i):
其中,Ei为各滤波通道的标准像素均值,i=1,2,...,S×L表示滤波通道。
所述步骤(4)包括以下步骤:
(41)利用步骤(2)所得的对应最优通道的标准像素均值和标准像素方差,对最优滤波后图像进行二值化分割:
其中,Iab(x,y)表示最优滤波后图像,Eab、σab分别为对应的标准像素均值和标准像素方差;
(42)设置参数λ、将初始阈值T1设置为最优通道标准像素均值Eab;用阈值T1分割图像,将图像分成两部分:G1是由灰度值大于T1的像素组成,G2是由灰度值小于等于T1的像素组成;计算G1、G2中所有像素平均灰度值μ1和μ2,以及新的阈值如果|T1-T2|<λσab,则推出最优阈值;否则,将T2赋值给T1,直到获取最优阈值;
(43)利用最优阈值分割预二值分割后图像,最终获得分割图像。
有益效果:与现有技术相比,本发明的有益效果:1、优化选择代价函数描述了全局差异,从而降低了分块大小的影响,并通过多幅标准无瑕疵图像提取标准对比参数,降低各种随机因数对代价函数的影响,使代价函数值更具代表性,从而提高优化选择精度和鲁棒性;2、二值分割的参数设置提升图像的分割效果,提升算法整体性能。
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详细说明,如图1所示,具体包括以下步骤:
1、建立基本二维Gabor滤波器组,设置二维Gabor滤波器组相关参数,生成各滤波模板。
(1)建立Gabor函数:
在空域内,Gabor函数是一个由高斯函数调制的复指数函数,其中涉及到空间域中的三个参数,三个参数分别为σx、σy和u0,其中u0代表Gabor函数的中心频率,σx和σy为空域常量,他们分别定义了高斯调制函数在x轴和y轴上的标准差;j为复数虚部单位,在空域中其由实部和虚部两部分构成,实部和虚部各自构成一个滤波器。
将二维空间域的Gabor滤波函数表示为:
由公式(1)分别得到其实部和虚部滤波函数表达式:
h(x,y)=he(x,y)+jho(x,y) (4)
每个Gabor函数的实部和虚部分别确定了一个Gabor滤波器,利用这样的Gabor函数作为滤波函数可以消除光照不均、噪声等不利因数对于瑕疵检测的影响。
(2)把步骤(1)中的Gabor函数旋转放缩,得到一组Gabor滤波器:将步骤(1)中的x和y通过旋转和放缩变换得到一组Gabor滤波器,其中涉及两个参数的选择,分别为旋转方向总数L和放缩尺度总数S。
旋转后公式为:
hpq(x,y)=α-ph(x′,y′) (5)
其中x′=α-p(xcosθq+ysinθq) (6)
y′=α-p(-xsinθq+ycosθq) (7)
其中,α>1;p=1,2,...,S;q=1,2,...,L.
例如,L取2,S取2,则经过步骤1.1旋转放缩后,可得2×2个滤波函数,分别为:原函数,原函数旋转原函数放缩了一倍,原函数放缩了一倍并旋转了通过滤波函数的旋转和放缩,可以得到一组滤波器,从而可以对瑕疵图像进行多方向、多尺度性分析,有效提取局部纹理特性。
(3)设置Gabor滤波器组相关参数,具体步骤按照以下方法实施:
设置旋转方向总数L和放缩尺度总数S,选定理想滤波频带的最高和最低滤波频率fh和fl,并由L、S、fh和fl计算得到步骤(1)中σx、σy的设置值,u0大小设置为fh。
σx、σy计算公式:
按照此法设置Gabor滤波器组的参数,可以使得各滤波器的频域滤波图像相互接触但是没有重叠,保证滤波器组滤波的完整性,同时也避免了滤波图像信息冗余。
(4)设置滤波模板大小为m×n,通过滤波函数生成滤波器组中各个滤波模板。
2、设置二维滤波器组中不同滤波通道滤波后图像像素的标准均值和标准方差。
(1)求取每幅标准图像滤波后图像,具体步骤按照以下方法实施:
每幅标准图像用步骤1中所得滤波模板滤波,得到不同滤波通道滤波后图像,图像滤波公式:
其中,hpq(x,y)e为滤波器的实部,hpq(x,y)o为滤波器的虚部,即用滤波模板对图像进行卷积操作,即可得到滤波后图像。
(2)求取各通道的标准均值和方差,具体步骤按照以下方法实施:
得到滤波后图像,分别对各通道的所有标准滤波后图像求平均像素,所得值即为此通道的标准像素均值。再分别求各通道标准滤波后图像的方差,取滤波后图像中方差最大值为此通道的标准像素方差,这样选取的标准均值和标准方差更具代表性。所得各通道的标准均值和标准方差保存,用于之后瑕疵图像滤波后的优化选择和预二值化处理。
3、对待检测的瑕疵图像进行Gabor滤波,之后利用代价函数优化选择得最优滤波后图像;
(1)设置L个方向、S个尺度的滤波器组对图像f(x,y)滤波,得到S×L幅滤波后图像;
(2)将各幅滤波后的图像分割为K个l×l大小的不相互重叠的子块,每个子块的平均像素:
其中,i=1,2,...,S×L表示滤波通道,Ipq(x,y)为对应的滤波后图像,k=1,2,...,K表示子块,表示第i个滤波通道滤波后图像的第k个子块的像素均值,l取本色布纹理周期的大小;
(3)计算每幅图像中各子块像素与对应通道标准像素均值之差的平方和,即可求得各通道滤波后图像的代价函数J(i):
其中,Ei为各滤波通道的标准像素均值,i=1,2,...,S×L表示滤波通道。
优化选择:
此代价函数定量描述了全局特性,代价函数值越大表明此通道滤波后图像含有瑕疵信息越多,此图像也就相对更优。此代价函数降低分块大小的设置对优化结果的影响,能有效地克服局部强噪声的干扰。
4、对所得最优滤波后图像进行二值分割,再利用迭代式阈值分割方法进行分割,得到分割图像。
(1)对最优滤波后图像进行预二值分割:利用步骤2所得的对应最优通道的标准像素均值和标准像素方差,对最优滤波后图像进行二值化分割,其中涉及参数τ,一般设置为2~3。
预二值分割公式:
其中,Iab(x,y)表示最优滤波后图像,Eab、σab分别为对应的标准像素均值和标准像素方差。预二值分割可以有效的减少最后瑕疵检测错误率,有助于之后的二值分割。
(2)对预二值分割后图像使用迭代式阈值分割,具体步骤按照以下方法实施:
(a)设置参数λ、将初始阈值T1设置为最优通道标准像素均值Eab;
(b)用阈值T1分割图像,将图像分成两部分:G1是由灰度值大于T1的像素组成,G2是由灰度值小于等于T1的像素组成;
(c)计算G1、G2中所有像素平均灰度值μ1和μ2,以及新的阈值
(d)如果|T1-T2|<λσab,则推出最优阈值;否则,将T2赋值给T1,并重复步骤(b)~步骤(d),直到获取最优阈值;
(3)利用最优阈值分割预二值分割后得到的图像,最终获得二值分割后图像。
Claims (5)
1.一种基于新代价函数的图像分割方法,其特征在于,包括以下步骤:
(1)建立基本二维Gabor滤波器组,设置二维Gabor滤波器组相关参数,生成各滤波模板;
(2)设置二维滤波器组中不同滤波通道滤波后图像像素的标准均值和标准方差;
(3)对待检测的瑕疵图像进行Gabor滤波,利用代价函数优化选择得最优滤波后图像;
(4)对所得最优滤波后图像进行二值分割,再利用迭代式阈值分割方法进行分割,得到分割图像。
2.根据权利要求1所述的一种基于新代价函数的图像分割方法,其特征在于,所述步骤(1)包括以下步骤:
(11)建立二维空间域的Gabor滤波函数:
其中u0代表Gabor函数的中心频率,σx和σy为空域常量,为高斯调制函数在x轴和y轴上的标准差,j为复数虚部单位;
(12)将Gabor函数旋转放缩,旋转方向总数L和放缩尺度总数S,得到一组Gabor滤波器;
(13)设置Gabor滤波器组相关参数,选定理想滤波频带的最高和最低滤波频率fh和fl,并由L、S、fh和fl计算得到步骤(11)中σx、σy的设置值;
(14)设置滤波模板大小为m×n,生成滤波器组中各个滤波模板。
3.根据权利要求1所述的一种基于新代价函数的图像分割方法,其特征在于,所述步骤(2)包括以下步骤:
(21)求取每幅标准图像滤波后图像,图像滤波公式:
其中,hpq(x,y)e为滤波器的实部,hpq(x,y)o为滤波器的虚部;
(22)求取各通道的标准均值和标准方差:对各通道的所有标准滤波后图像求平均像素,所得值即为此通道的标准像素均值;再分别求各通道标准滤波后图像的方差,取滤波后图像中方差最大值为此通道的标准像素方差。
4.根据权利要求1所述的一种基于新代价函数的图像分割方法,其特征在于,所述步骤(3)包括以下步骤:
(31)设置L个方向、S个尺度的滤波器组对图像f(x,y)滤波,得到S×L幅滤波后图像;
(32)将各幅滤波后的图像分割为K个l×l大小的不相互重叠的子块,每个子块的平均像素:
其中,i=1,2,...,S×L表示滤波通道,Ipq(x,y)为对应的滤波后图像,k=1,2,...,K表示子块,表示第i个滤波通道滤波后图像的第k个子块的像素均值,l取本色布纹理周期的大小;
(33)计算每幅图像中各子块像素与对应通道标准像素均值之差的平方和,即可求得各通道滤波后图像的代价函数J(i):
其中,Ei为各滤波通道的标准像素均值,i=1,2,...,S×L表示滤波通道。
5.根据权利要求1所述的一种基于新代价函数的图像分割方法,其特征在于,所述步骤(4)包括以下步骤:
(41)利用步骤(2)所得的对应最优通道的标准像素均值和标准像素方差,对最优滤波后图像进行二值化分割:
其中,Iab(x,y)表示最优滤波后图像,Eab、σab分别为对应的标准像素均值和标准像素方差;
(42)设置参数λ、将初始阈值T1设置为最优通道标准像素均值Eab;用阈值T1分割图像,将图像分成两部分:G1是由灰度值大于T1的像素组成,G2是由灰度值小于等于T1的像素组成;计算G1、G2中所有像素平均灰度值μ1和μ2,以及新的阈值如果|T1-T2|<λσab,则推出最优阈值;否则,将T2赋值给T1,直到获取最优阈值;
(43)利用最优阈值分割预二值分割后图像,最终获得分割图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811586802.XA CN109816631A (zh) | 2018-12-25 | 2018-12-25 | 一种基于新代价函数的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811586802.XA CN109816631A (zh) | 2018-12-25 | 2018-12-25 | 一种基于新代价函数的图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816631A true CN109816631A (zh) | 2019-05-28 |
Family
ID=66602430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811586802.XA Pending CN109816631A (zh) | 2018-12-25 | 2018-12-25 | 一种基于新代价函数的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816631A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841939A (zh) * | 2022-04-24 | 2022-08-02 | 启东市鸿盛纺织有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866427A (zh) * | 2010-07-06 | 2010-10-20 | 西安电子科技大学 | 织物瑕疵检测与分类方法 |
CN103473769A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种基于奇异值分解的织物瑕疵检测方法 |
CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
CN105205828A (zh) * | 2015-10-20 | 2015-12-30 | 江南大学 | 基于最优Gabor滤波器的经编织物瑕疵检测方法 |
CN105335763A (zh) * | 2015-12-07 | 2016-02-17 | 东华大学 | 一种基于改进型极速学习机的织物疵点分类方法 |
CN106770323A (zh) * | 2016-12-15 | 2017-05-31 | 常州大学 | 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法 |
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
CN107403448A (zh) * | 2017-07-26 | 2017-11-28 | 海信集团有限公司 | 代价函数生成方法和代价函数生成装置 |
CN108618749A (zh) * | 2017-03-22 | 2018-10-09 | 南通大学 | 基于便携式数字化眼底照相机的视网膜血管三维重建方法 |
CN108662978A (zh) * | 2018-04-04 | 2018-10-16 | 河北工业大学 | 一种非连续变形测量方法 |
CN108694711A (zh) * | 2018-02-19 | 2018-10-23 | 江苏新时高温材料股份有限公司 | 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 |
-
2018
- 2018-12-25 CN CN201811586802.XA patent/CN109816631A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866427A (zh) * | 2010-07-06 | 2010-10-20 | 西安电子科技大学 | 织物瑕疵检测与分类方法 |
CN103473769A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种基于奇异值分解的织物瑕疵检测方法 |
CN103871053A (zh) * | 2014-02-25 | 2014-06-18 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
CN105205828A (zh) * | 2015-10-20 | 2015-12-30 | 江南大学 | 基于最优Gabor滤波器的经编织物瑕疵检测方法 |
CN105335763A (zh) * | 2015-12-07 | 2016-02-17 | 东华大学 | 一种基于改进型极速学习机的织物疵点分类方法 |
CN106770323A (zh) * | 2016-12-15 | 2017-05-31 | 常州大学 | 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法 |
CN108618749A (zh) * | 2017-03-22 | 2018-10-09 | 南通大学 | 基于便携式数字化眼底照相机的视网膜血管三维重建方法 |
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
CN107403448A (zh) * | 2017-07-26 | 2017-11-28 | 海信集团有限公司 | 代价函数生成方法和代价函数生成装置 |
CN108694711A (zh) * | 2018-02-19 | 2018-10-23 | 江苏新时高温材料股份有限公司 | 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 |
CN108662978A (zh) * | 2018-04-04 | 2018-10-16 | 河北工业大学 | 一种非连续变形测量方法 |
Non-Patent Citations (3)
Title |
---|
党文静: "图像区域分割算法的研究与应用", 《万方数据库》 * |
李益红等: "一种新的Gabor优化选择检测算法及应用", 《计算机工程与应用》 * |
陈琳等: "基于二维Garbor滤波器的非织造布疵点检测", 《东华大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841939A (zh) * | 2022-04-24 | 2022-08-02 | 启东市鸿盛纺织有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
CN114841939B (zh) * | 2022-04-24 | 2024-05-24 | 杭州丰越丝绸织造有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Color correction based on cfa and enhancement based on retinex with dense pixels for underwater images | |
CN107945125A (zh) | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 | |
CN107123130B (zh) | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 | |
Wu et al. | A weighting mean-separated sub-histogram equalization for contrast enhancement | |
CN107945111A (zh) | 一种基于surf特征提取结合cs‑lbp描述符的图像拼接方法 | |
Agrawal et al. | Dense haze removal by nonlinear transformation | |
CN110070548B (zh) | 一种深度学习训练样本优化方法 | |
CN102789634B (zh) | 一种获取光照均一化图像的方法 | |
CN102306378A (zh) | 一种图像增强方法 | |
CN104899589A (zh) | 一种采用阈值二值化算法实现二维条码预处理的方法 | |
Wang et al. | An efficient method for image dehazing | |
Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
Zhong et al. | Deep attentional guided image filtering | |
CN115273114A (zh) | 文档图像优化方法和介质 | |
CN109816631A (zh) | 一种基于新代价函数的图像分割方法 | |
CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
Sun et al. | Image super-resolution reconstruction using generative adversarial networks based on wide-channel activation | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN105303538A (zh) | 一种基于nsct和pca的高斯噪声方差估计方法 | |
CN105160635B (zh) | 一种基于分数阶微分估计梯度域的图像滤波方法 | |
Sun et al. | RAMFAE: a novel unsupervised visual anomaly detection method based on autoencoder | |
CN115358948A (zh) | 一种基于改进Retinex算法的低照度图像增强方法 | |
Chen et al. | Candidate region acquisition optimization algorithm based on multi-granularity data enhancement | |
CN110910442B (zh) | 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法 | |
Yuan et al. | Evaluating the robustness of image matting algorithm |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |