CN110390649A - 一种用于油气管道焊缝图像降噪的方法 - Google Patents
一种用于油气管道焊缝图像降噪的方法 Download PDFInfo
- Publication number
- CN110390649A CN110390649A CN201910638729.4A CN201910638729A CN110390649A CN 110390649 A CN110390649 A CN 110390649A CN 201910638729 A CN201910638729 A CN 201910638729A CN 110390649 A CN110390649 A CN 110390649A
- Authority
- CN
- China
- Prior art keywords
- characteristic point
- image
- formula
- emp
- noise reduction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000011946 reduction process Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006978 adaptation Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
Classifications
-
- G06T5/70—
Abstract
一种油气管道焊缝数字图像降噪方法,利用sift算法获取图像特征点,通过计算特征点分布情况,在得到焊缝区域的同时实现对焊缝无关区域实现降噪,然后对焊缝主要区域采用相似块标记的方法和pearson算法实现焊缝区域降噪,由于不同于传统的单一算法的图像滤波降噪过程,因此可针对油气管道焊缝图像不同位置使用不同的算法进行降噪,在尽可能的保留原始图像特征点的基础上,为后续焊缝定量解释等操作提供较好的降噪效果;本发明能够在减少图像处理时间的特点下,为焊缝区域精准降噪提供准确的相关参数,具有针对油气管道焊缝图像噪声适应性强、效果显著的特点。
Description
技术领域
本发明涉及管道焊缝检测技术领域及数字图像处理技术领域,特别涉及一种用于油气管道焊缝图像降噪的方法。
技术背景
随着油气管道建设的快速发展,管道安全成为管道建设一大研究重点,尤其在管道焊缝检测领域,由于管道焊接材料、环境等各方面不确定因素,因此焊接质量的保障成为管道安全检测的重要因素。常见的检测技术如超声波探伤技术、电磁探伤技术、可视化图像检测技术,由于超声波探伤技术和电磁探伤技术无法更直观的获得并处理缺陷图像,因此可视化图像检测技术更具直观性。由于图像采集和数据传输过程中常混入不同程度的噪声,因此常采用图像处理相关技术对焊缝图像进行预处理,减少图像噪声影响,进而采用相应的缺陷检测技术对焊缝图像进行检测识别处理。由于焊缝图像具有特征集中性、层次明显、图像焊缝分布不均等特点,且常受到气孔、夹渣、裂纹、凹坑、焊瘤等问题的影响,因此传统降噪算法如中值滤波、小波滤波、Nl_means滤波等算法基于图像全局性滤波思想,不符合焊缝图像特点,无法针对性的准确降噪。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供了一种用于油气管道焊缝图像降噪的方法,能够在减少图像处理时间的特点下,为焊缝区域精准降噪提供准确的相关参数,具有针对油气管道焊缝图像噪声适应性强、效果显著的特点。
为了达到上述目的,本发明的技术方案是这样实现的:
一种用于油气管道焊缝图像降噪的方法,包括以下步骤:
(1)获得原始图像灰度图gray(x,y),大小为m×n,其中x表示像素点的行标,y表示像素点的列标。
(2)设置中值滤波模板和重复滤波次数,利用式(1)对灰度图像采用中值滤波算法进行降噪处理。
L(x,y)=G(gray(x,y),[n1,n2],k1)x=1,2,…,m y=1,2,…,n (1)
G表示中值滤波函数,k1表示重复滤波次数,n1、n2表示中值滤波模板大小,L(x,y)表示中值滤波后的灰度图;
(3)利用式(2)将处理后的图像L(x,y)进行sift算法图像特征提取,设提取出来的特征点坐标集合为Feture(x1,y1),x1和y1表示特征点标号和对应的图像坐标,其中x1=1,2,3…k2,k2表示特征点总数,由于二维灰度图像坐标为x、y两个索引值,因此y1=1代表特征点对应的x索引值,y1=2代表特征点对应的y索引值。
Feture(x1,y1)=sift(L(x,y)) (2)
(4)初始化一个二维数组S_emp(i1,j1)=0,数组大小为m×n,i1=1,2,3,…,m,j1=1,2,3,…,n利用式(3)将Feture(x1,y1)特征点对应到图像S_emp(i1,j1)中,其中i1和j1表示图像S_emp对应的行和列坐标,设置Feture(x1,y1)特征点对应S_emp(i1,j1)位置的值为1,否则为0,其中1代表该像素点为特征点,0代表该像素点不是特征点。根据式(4)和式(5)分别计算特征点集合S_emp(i1,j1)的分布特点。
S_emp(Feture(x1,1),Feture(x1,2))=1 x1=1,2,3…k2 (3)
Low_o(i1,1)表示S_emp(i1,j1)中每行的特征点总和,Col_o(1,j1)表示S_emp(i1,j1)中每列的特征点总和。
(5)根据式(6)至式(12),计算边缘点分布特征,当满足式(12)中D等于1时,继续步骤6,否则返回步骤2。
D_low=Low_l/Low_num (10)
D_col=Col_l/Col_num (11)
Low_num表示每行中有特征点的总行数,Low_l表示Low_o(i1,1)筛选后的特征点总行数,D_low表示筛选后的特征点总行数所占每行中有特征点的总行数的比值,Col_num表示每列中有特征点的总列数,Col_l表示Col_o(1,j1)筛选后的特征点总列数,D_col表示筛选后的特征点总列数所占每行中有特征点的总列数的比值,D表示图像特征收缩系数,结果0/1表示横纵坐标中存在满足条件特征的判断参数,0代表不满足条件,1代表满足条件。
(6)根据步骤(4)所得到的S_emp(i1,j1),如式(13)所示,获得特征点的范围区域Feture_area,其中x需要满足大于等于S_emp(i1,j1)中特征点对应位置的i1的最小值,小于等于S_emp(i1,j1)特征点对应位置的i1的最大值。其中y需要满足大于等于S_emp(i1,j1)中特征点对应位置的j1的最小值,小于等于S_emp(i1,j1)特征点对应位置的j1的最大值。
Feture_area=gray(x,y)min(Feture(x1,1))≤x≤max(Feture(x1,1)),
min(Feture(x1,2))≤y≤max(Feture(x1,2)),x1=1,2,3…k2 (13)
(7)以Feture_area为待降噪区域,设该降噪区域大小为m1×n1,(r1,j)为Feture_area的像素点的索引坐标,其中r1=1,2,3,…,m1j=1,2,3,…,n1。遍历前r行像素点,设置a个像素点为半径,获得待降噪点τ周围像素点集合S,并对该图像进行全局遍历获得以a个像素点为半径的相似块Si,i=1,2,…,k3。k3表示S对应的相似块总数,执行步骤8-步骤9。当遍历到大于r行像素点时,则优先参考前(r,j),(r-1,j)两个像素点所对应的相似块集合S_sign(r,j),S_sign(r-1,j),通过式(14)计算相似块集中区域S_sign_num。求得S_sign_num区域中最大值所对应的块的位置,获取附近半径为a1大小范围的待搜索块。并对该区域执行遍历获得以a个像素点为半径的相似块Si,执行步骤8-步骤9,此过程中如果最终求得相似度大于0.9的有效相似块数小于(a1×a1)/5时,则跳出S_sign_num相似区域,执行全局搜索,继续执行步骤8-步骤9对应操作。
S_sign_num=S_sign(r,j)+S_sign(r-1,j) (14)
(8)通过式(15)计算块搜索过程所得到的S和Si之间的相似度
ω(S,Si)为S和Si之间的相似度系数,为归一化系数,计算方式为S和Si对应像素之间相似度计算值之和,表示根据参数b、c求得S和Si之间的欧式距离,b>0是滤波系数,b>0是求欧式距离过程中S和Si像素块中不同位置的值在计算过程之前所乘的权重值。
(9)通过式(16)计算S和Si之间的pearson相关系数ρ(S,Si),当计算得到的pearson相关系数较大且欧式距离所计算得到的相关系数较小时,即式(15)所得到的ω(S,Si)相似度系数较少,则对应的,因此,当符合式(17)所示条件,则采用式(18)至式(19)计算ρω并标记S对应的相似块Si的位置为1,记做S_sign(r1,j)=1。
(0≤ρemp1<ρ(S,Si)≤1||-1≤ρ(S,Si)<ρemp2≤0)&&0≤ω(S,Si)<ωemp≤1 (17)
其中ρemp1,ρemp2,ωemp表示自定义阈值,需要根据实际图像的相似程度设置大小,一般预设为0≤ρemp1=0.80,ρemp2=-0.80<0,0<ωemp=0.40,ρ(S,Si)为pearson相关系数,E表示方差,μS和表示S和Si的均值,σS和为S和Si的标准差。
根据式(18)求得降噪后的块。
其中dis(S,Si)表示S和Si块之间的差值,sign()表示括号内变量的正负值。
利用式(19)计算相似度ρω(S,Si)。
标记(r1,j)对应的相似块Si的位置为1,记做S_sign(r1,j)=1。
(10)利用式(20)计算焊缝区域降噪后的图像g(x,y)。
(11)最终利用式(21)将焊缝区域和无关区域连接,并求得最终的降噪图out_gray(x,y)。
本发明利用sift算法获取图像特征点,通过计算特征点分布情况,在得到焊缝区域的同时,实现对焊缝无关区域实现降噪,然后对焊缝主要区域采用相似块标记的方法和pearson算法实现焊缝区域降噪,由于不同于传统的单一算法的图像滤波降噪过程,因此可针对油气管道焊缝图像不同位置使用不同的算法进行降噪,在尽可能的保留原始图像特征点的基础上,为后续焊缝定量解释等操作提供较好的降噪效果。
附图说明
图1、图2是本发明实施例一的图像降噪前后示意图。
图3、图4是本发明实施例二的图像降噪前后示意图。
具体实施方式
实施例一
以286×280像素点大小的原始图像为例,该图像焊缝缺陷较为明显,焊缝部分的图像纹理较为清晰,焊缝边缘较为规整。实例中设参数为,k1=3、n1=5、n2=5、0<ρemp1=0.9、ρemp2=-0.9<0、0<ωemp=0.3。以下说明本实例的实施步骤:
(1)获得原始图像灰度图gray(x,y),其中x表示像素点的行标,y表示像素点的列标。
(2)设置中值滤波模板和重复滤波次数,利用式(1)对灰度图像采用中值滤波算法进行降噪处理。
L(x,y)=G(gray(x,y),[n1,n2],k1)x=1,2,…,286y=1,2,…,280 (1)
G表示中值滤波函数,k1=3表示重复滤波次数,n1=5、n2=5表示中值滤波模板大小,L(x,y)表示中值滤波后的灰度图;
(3)利用式(2)将处理后的图像L(x,y)进行sift算法图像特征提取,设提取出来的特征点坐标集合为Feture(x1,y1),x1和y1表示特征点标号和对应的图像坐标,其中x1=1,2,3…71。由于二维灰度图像坐标为x、y两个索引值,因此y1=1代表特征点对应的x索引值,y1=2代表特征点对应的y索引值。
Feture(x1,y1)=sift(L(x,y))x=1,2,…,286 y=1,2,…,280 (2)
(4)初始化一个二维数组S_emp(i1,j1)=0,数组大小为286×280,i1=1,2,3,…,286,j1=1,2,3,…,280利用式(3)将Feture(x1,y1)特征点对应到图像S_emp(i1,j1)中,其中i1和j1表示图像S_emp对应的行和列坐标,设置Feture(x1,y1)特征点对应S_emp(i1,j1位置的值为1,否则为0,其中1代表该像素点为特征点,0代表该像素点不是特征点。根据式(4)和式(5)分别计算特征点集合S_emp(i1,j1)的分布特点。
S_emp(Feture(x1,1),Feture(x1,2))=1 x1=1,2,3…71 (3)
Low_o(i1,1)表示S_emp(i1,j1)中每行的特征点总和,Col_o(1,j1)表示S_emp(i1,j1)中每列的特征点总和。
(5)根据式(6)至式(12),计算边缘点分布特征,当满足式(12)中D等于1时,继续步骤6,否则返回步骤2。
D_low=Low_l/Low_num (10)
D_col=Col_l/Col_num (11)
Low_num表示每行中有特征点的总行数,Low_l表示Low_o(i1,1)筛选后的特征点总行数,D_low表示筛选后的特征点总行数所占每行中有特征点的总行数的比值,Col_num表示每列中有特征点的总列数,Col_l表示Col_o(1,j1)筛选后的特征点总列数,D_col表示筛选后的特征点总列数所占每行中有特征点的总列数的比值,D表示图像特征收缩系数,结果0/1表示横纵坐标中存在满足条件特征的判断参数,0代表不满足条件,1代表满足条件。
(6)根据过程4所得到的S_emp(i1,j1),如式(13)所示,获得特征点的范围区域Feture_area,其中x需要满足大于等于S_emp(i1,j1)中特征点对应位置的i1的最小值,小于等于S_emp(i1,j1)特征点对应位置的i1的最大值。其中y需要满足大于等于S_emp(i1,j1)中特征点对应位置的j1的最小值,小于等于S_emp(i1,j1)特征点对应位置的j1的最大值。
Feture-area=gray(x,y)72≤x≤174 1≤y≤280 (13)
(7)以Feture_area为待降噪区域,该降噪区域大小为103×280,(r1,j)为Feture_area的像素点的索引坐标,其中r1=1,2,3,…,103 j=1,2,3,…,280。遍历前r=2行像素点,设置a=2个像素点为半径,获得待降噪点τ周围像素点集合S,并对该图像进行全局遍历获得以a=2个像素点为半径的相似块Si,i=1,2,…,k3。k3表示S对应的相似块总数,执行步骤8-步骤9。当遍历到大于r行像素点时,则优先参考前(r,j),(r-1,j)两个像素点所对应的相似块集合S_sign(r,j),S_sign(r-1,j),通过式(14)计算相似块集中区域S_sign_num。求得S_sign_num区域中最大值所对应的块的位置,获取附近半径为a1大小范围的待搜索块。并对该区域执行遍历获得以a=2个像素点为半径的相似块Si,执行步骤8-步骤9,此过程中如果最终求得相似度大于0.9的有效相似块数小于(a1×a1)/5时,则跳出S_sign_num相似区域,执行全局搜索,继续执行步骤8-步骤9对应操作。
S_sign_num=S_sign(r,j)+S_sign(r-1,j)j=1,2,…,453 (14)
(8)通过式(15)计算块搜索过程所得到的S和Si之间的相似度
ω(S,Si)为S和Si之间的相似度系数,为归一化系数,计算方式为S和Si对应像素之间相似度计算值之和,表示求得S和Si之间的欧式距离,b=5是滤波系数,c=1是求欧式距离过程中S和Si像素块中不同位置的值在计算过程之前所乘的权重值。
(9)通过式(16)计算S和Si之间的pearson相关系数ρ(S,Si),当计算得到的pearson相关系数较大且欧式距离所计算得到的相关系数较小时,即式(15)所得到的ω(S,Si)相似度系数较少,则对应的,因此,当符合式(17)所示条件,则采用式(18)至式(19)计算ρω并标记S对应的相似块Si的位置为1,记做S_sign(r1,j)=1。
(0≤ρemp1<ρ(S,Si)≤1||-1≤ρ(S,Si)<ρemp2≤0)&&0≤ω(S,Si)<ωemp≤1 (17)
其中ρemp1,ρemp2,ωemp表示自定义阈值,需要根据实际图像的相似程度设置大小,一般预设为0<ρemp1=0.9,ρemp2=-0.9<0,0<ωemp=0.3,ρ(S,Si)为pearson相关系数,E表示方差,μS和表示S和Si的均值,σS和为S和Si的标准差。
根据式(18)求得降噪后的块。
其中dis(S,Si)表示S和Si块之间的差值,sign()表示括号内变量的正负值。
利用式(19)计算相似度ρω(S,Si)。
标记(r1,j)对应的相似块Si的位置为1,记做S_sign(r1,j)=1。
(10)利用式(20)计算焊缝区域降噪后的图像g(x,y)。
(11)最终利用式(21)将焊缝区域和无关区域连接,并求得最终的降噪图out_gray(x,y)。
其中图1表示降噪前的原始图像,图2表示降噪后的结果图,从图中可以看出,与焊缝无关的边缘部分得到较大的降噪效果,而对焊缝主体部分,获得了较为准确的降噪结果,细节更好,纹理更清晰。在保证了有效降噪的效果下,保留了较多的细节效果。
实施例二
以261×453像素点大小的原始图像为例,该图像焊缝缺陷较小,焊缝纹理较差,焊缝边缘参差不齐,具有较差的细节效果。实例中设参数为,k1=2、n1=3、n2=3、0<ρemp1=0.80、ρemp2=-0.80<0、0<ωemp=0.40。以下说明本实例的实施步骤:
(1)获得原始图像灰度图gray(x,y),其中x表示像素点的行标,y表示像素点的列标。
(2)设置中值滤波模板和重复滤波次数,利用式(1)对灰度图像采用中值滤波算法进行降噪处理。
L(x,y)=G(gray(x,y),[n1,n2],k1)x=1,2,…,261 y=1,2,…,453 (1)
G表示中值滤波函数,k1=2表示重复滤波次数,n1=3、n2=3表示中值滤波模板大小,L(x,y)表示中值滤波后的灰度图;
(3)利用式(2)将处理后的图像L(x,y)进行sift算法图像特征提取,设提取出来的特征点坐标集合为Feture(x1,y1),x1和y1表示特征点标号和对应的图像坐标,其中x1=1,2,3…492。由于二维灰度图像坐标为x、y两个索引值,因此y1=1代表特征点对应的x索引值,y1=2代表特征点对应的y索引值。
Feture(x1,y1)=sift(L(x,y))x=1,2,…,261 y=1,2,…,453 (2)
(4)初始化一个二维数组S_emp(i1,j1)=0,数组大小为261×453,i1=1,2,3,…,261,j1=1,2,3,…,453,利用式(3)将Feture(x1,y1)特征点对应到图像S_emp(i1,j1)中,其中i1和j1表示图像S_emp对应的行和列坐标,设置Feture(x1,y1)特征点对应S_emp(i1,j1)位置的值为1,否则为0,其中1代表该像素点为特征点,0代表该像素点不是特征点。根据式(4)和式(5)分别计算特征点集合S_emp(i1,j1)的分布特点。
S_emp(Feture(x1,1),Feture(x1,2))=1 x1=1,2,3…492 (3)
Low_o(i1,1)表示S_emp(i1,j1)中每行的特征点总和,Col_o(1,j1)表示S_emp(i1,j1)中每列的特征点总和。
(5)根据式(6)至式(12),计算边缘点分布特征,当满足式(12)中D等于1时,继续步骤6,否则返回步骤2。
D_low=Low_l/Low_num (10)
D_col=Col_l/Col_num (11)
Low_num表示每行中有特征点的总行数,Low_l表示Low_o(i1,1)筛选后的特征点总行数,D_low表示筛选后的特征点总行数所占每行中有特征点的总行数的比值,Col_num表示每列中有特征点的总列数,Col_l表示Col_o(1,j1)筛选后的特征点总列数,D_col表示筛选后的特征点总列数所占每行中有特征点的总列数的比值,D表示图像特征收缩系数,结果0/1表示横纵坐标中存在满足条件特征的判断参数,0代表不满足条件,1代表满足条件。
(6)根据过程4所得到的S_emp(i1,j1),如式(13)所示,获得特征点的范围区域Feture_area,其中x需要满足大于等于S_emp(i1,j1)中特征点对应位置的i1的最小值,小于等于S_emp(i1,j1)特征点对应位置的i1的最大值。其中y需要满足大于等于S_emp(i1,j1)中特征点对应位置的j1的最小值,小于等于S_emp(i1,j1)特征点对应位置的j1的最大值。
Feture_area=gray(x,y)50≤x≤242 1≤y≤453 (13)
(7)以Feture_area为待降噪区域,该降噪区域大小为103×280,(r1,j)为Feture_area的像素点的索引坐标,其中r1=1,2,3,…,193 j=1,2,3,…,453。遍历前r=2行像素点,设置a=2个像素点为半径,获得待降噪点τ周围像素点集合S,并对该图像进行全局遍历获得以a=2个像素点为半径的相似块Si,i=1,2,…,k3。k3表示S对应的相似块总数,执行步骤8-步骤9。当遍历到大于r行像素点时,则优先参考前(r,j),(r-1,j)两个像素点所对应的相似块集合S_sign(r,j),S_sign(r-1,j),通过式(14)计算相似块集中区域S_sign_num。求得S_sign_num区域中最大值所对应的块的位置,获取附近半径为a1大小范围的待搜索块。并对该区域执行遍历获得以a=2个像素点为半径的相似块Si,执行步骤8-步骤9,此过程中如果最终求得相似度大于0.86的有效相似块数小于(a1×a1)/5时,则跳出S_sign_num相似区域,执行全局搜索,继续执行步骤8-步骤9对应操作。
S_sign_num=S_sign(r,j)+S_sign(r-1,j)j=1,2,…,453 (14)
(8)通过式(15)计算块搜索过程所得到的S和Si之间的相似度
ω(S,Si)为S和Si之间的相似度系数,为归一化系数,计算方式为S和Si对应像素之间相似度计算值之和,表示求得S和Si之间的欧式距离,b=5是滤波系数,c=1是求欧式距离过程中S和Si像素块中不同位置的值在计算过程之前所乘的权重值。
(9)通过式(16)计算S和Si之间的pearson相关系数ρ(S,Si),当计算得到的pearson相关系数较大且欧式距离所计算得到的相关系数较小时,即式(15)所得到的ω(S,Si)相似度系数较少,则对应的,因此,当符合式(17)所示条件,则采用式(18)至式(19)计算ρω并标记S对应的相似块Si的位置为1,记做S_sign(r1,j)=1。
(0≤ρemp1<ρ(S,Si)≤1||-1≤ρ(S,Si)<ρemp2≤0)&&0≤ω(S,Si)<ωemp≤1 (17)
其中ρemp1,ρemp2,ωemp表示自定义阈值,需要根据实际图像的相似程度设置大小,一般预设为0<ρemp1=0.8,ρemp2=-0.8<0,0<ωemp=0.4,ρ(S,Si)为pearson相关系数,E表示方差,μS和表示S和Si的均值,σS和为S和Si的标准差。
根据式(18)求得降噪后的块。
其中dis(S,Si)表示S和Si块之间的差值,sign()表示括号内变量的正负值。
利用式(19)计算相似度ρω(S,Si)。
标记(r1,j)对应的相似块Si的位置为1,记做S_sign(r1,j)=1。
(10)利用式(20)计算焊缝区域降噪后的图像g(x,y)。
(11)最终利用式(21)将焊缝区域和无关区域连接,并求得最终的降噪图out_gray(x,y)。
其中图3表示降噪前的原始图像,图4表示降噪后的结果图,从图中可以看出,与焊缝无关的边缘部分更为平滑,而对焊缝主体部分,细节更好,纹理更清晰,在保证了有效降噪的效果下,保留了较多的细节。
下表为现有技术的去噪算法,如中值滤波、均值滤波、小波滤波、维纳滤波、Nl_means算法等以及本发明算法,在油气管道焊缝图像中做了关于运行时间和图像降噪比分析对比,通过表中数据可以看出,本发明算法相比较其他算法的运行时间较小,图像信噪比较高。
Claims (1)
1.一种油气管道焊缝数字图像降噪方法,其特征在于,包括以下步骤:
(1)获得原始图像灰度图gray(x,y),大小为m×n,其中x表示像素点的行标,y表示像素点的列标;
(2)设置中值滤波模板和重复滤波次数,利用式(1)对灰度图像采用中值滤波算法进行降噪处理;
L(x,y)=G(gray(x,y),[n1,n2],k1)x=1,2,…,my=1,2,…,n (1)
G表示中值滤波函数,k1表示重复滤波次数,n1、n2表示中值滤波模板大小,L(x,y)表示中值滤波后的灰度图;
(3)利用式(2)将处理后的图像L(x,y)进行sift算法图像特征提取,设提取出来的特征点坐标集合为Feture(x1,y1),x1和y1表示特征点标号和对应的图像坐标,其中x1=1,2,3…k2,k2表示特征点总数;由于二维灰度图像坐标为x、y两个索引值,因此y1=1代表特征点对应的x索引值,y1=2代表特征点对应的y索引值;
Feture(x1,y1)=sift(L(x,y)) (2)
(4)初始化一个二维数组S_emp(i1,j1)=0,数组大小为m×n,i1=1,2,3,…,m,j1=1,2,3,…,n利用式(3)将Feture(x1,y1)特征点对应到图像S_emp(i1,j1)中,其中i1和j1表示图像S_emp对应的行和列坐标,设置Feture(x1,y1)特征点对应S_emp(i1,j1)位置的值为1,否则为0,其中1代表该像素点为特征点,0代表该像素点不是特征点;根据式(4)和式(5)分别计算特征点集合S_emp(i1,j1)的分布特点;
S_emp(Feture(x1,1),Feture(x1,2))=1 x1=1,2,3…k2 (3)
Low_o(i1,1)表示S_emp(i1,j1)中每行的特征点总和,Col_o(1,j1)表示S_emp(i1,j1)中每列的特征点总和;
(5)根据式(6)至式(12),计算边缘点分布特征,当满足式(12)中D等于1时,继续步骤6,否则返回步骤2;
D_low=Low_l/Low_num (10)
D_col=Col_l/Col_num (11)
Low_num表示每行中有特征点的总行数,Low_l表示Low_o(i1,1筛选后的特征点总行数,D_low表示筛选后的特征点总行数所占每行中有特征点的总行数的比值,Col_num表示每列中有特征点的总列数,Col_l表示Col_o(1,j1)筛选后的特征点总列数,D_col表示筛选后的特征点总列数所占每行中有特征点的总列数的比值,D表示图像特征收缩系数,结果0/1表示横纵坐标中存在满足条件特征的判断参数,0代表不满足条件,1代表满足条件;
(6)根据过程4所得到的S_emp(i1,j1),如式(13)所示,获得特征点的范围区域Feture_area,其中x需要满足大于等于S_emp(i1,j1)中特征点对应位置的i1的最小值,小于等于S_emp(i1,j1)特征点对应位置的i1的最大值;其中y需要满足大于等于S_emp(i1,j1)中特征点对应位置的j1的最小值,小于等于S_emp(i1,j1)特征点对应位置的j1的最大值;
Feture_area=gray(x,y) min(Feture(x1,1))≤x≤ max(Feture(x1,1)),
min(Feture(x1,2))≤y≤max(Feture(x1,2)),x1=1,2,3…k2 (13)
(7)以Feture_area为待降噪区域,设该降噪区域大小为m1×n1,(r1,j)为Feture_area的像素点的索引坐标,其中r1=1,2,3,…,m1 j=1,2,3,…,n1;遍历前r行像素点,设置a个像素点为半径,获得待降噪点τ周围像素点集合S,并对该图像进行全局遍历获得以a个像素点为半径的相似块Si,i=1,2,…,k3;k3表示S对应的相似块总数,执行步骤8-步骤9;当遍历到大于r行像素点时,则优先参考前(r,j),(r-1,j)两个像素点所对应的相似块集合S_sign(r,j),S_sign(r-1,j),通过式(14)计算相似块集中区域S_sign_num;求得S_sign_num区域中最大值所对应的块的位置,获取附近半径为a1大小范围的待搜索块;并对该区域执行遍历获得以a个像素点为半径的相似块Si,执行步骤8-步骤9,此过程中如果最终求得相似度大于0.9的有效相似块数小于(a1×a1)/5时,则跳出S_sign_num相似区域,执行全局搜索,继续执行步骤8-步骤9对应操作;
S_sign_num=S_sign(r,j)+S_sign(r-1,j) (14)
(8)通过式(15)计算块搜索过程所得到的S和Si之间的相似度
ω(S,Si)为S和Si之间的相似度系数,为归一化系数,计算方式为S和Si对应像素之间相似度计算值之和,表示根据参数b、c求得S和Si之间的欧式距离,b>0是滤波系数,c>0是求欧式距离过程中S和Si像素块中不同位置的值在计算过程之前所乘的权重值;
(9)通过式(16)计算S和Si之间的pearson相关系数ρ(S,Si),当计算得到的pearson相关系数较大且欧式距离所计算得到的相关系数较小时,即式(15)所得到的ω(S,Si)相似度系数较少,则对应的,因此,当符合式(17)所示条件,则采用式(18)至式(19)计算ρω并标记S对应的相似块Si的位置为1,记做S_sign(r1,j)=1;
(0≤ρemp1<ρ(S,Si)≤1||-1≤ρ(S,Si)<ρemp2≤0)&&0≤ω(S,Si)<ωemp≤1 (17)
其中ρemp1,ρemp2,ωemp表示自定义阈值,需要根据实际图像的相似程度设置大小,一般预设为0<ρemp1=0.80,ρemp2=-0.80<0,0<ωemp=0.40,ρ(S,Si)为pearson相关系数,E表示方差,μS和表示S和Si的均值,σS和为S和Si的标准差;
根据式(18)求得降噪后的块;
其中dis(S,Si)表示S和Si块之间的差值,sign()表示括号内变量的正负值;
利用式(19)计算相似度ρω(S,Si);
标记(r1,j)对应的相似块Si的位置为1,记做S_sign(r1,j)=1;
(10)利用式(20)计算焊缝区域降噪后的图像g(x,y);
(11)最终利用式(21)将焊缝区域和无关区域连接,并求得最终的降噪图out_gray(x,y);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910638729.4A CN110390649B (zh) | 2019-07-16 | 2019-07-16 | 一种用于油气管道焊缝图像降噪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910638729.4A CN110390649B (zh) | 2019-07-16 | 2019-07-16 | 一种用于油气管道焊缝图像降噪的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390649A true CN110390649A (zh) | 2019-10-29 |
CN110390649B CN110390649B (zh) | 2023-03-24 |
Family
ID=68285029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910638729.4A Active CN110390649B (zh) | 2019-07-16 | 2019-07-16 | 一种用于油气管道焊缝图像降噪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390649B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749693A (zh) * | 2020-12-30 | 2021-05-04 | 上海电机学院 | 一种基于特征能量分布的焊缝定位方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030161548A1 (en) * | 2002-02-22 | 2003-08-28 | Pieter Vuylsteke | Noise reduction method |
US20060147094A1 (en) * | 2003-09-08 | 2006-07-06 | Woong-Tuk Yoo | Pupil detection method and shape descriptor extraction method for a iris recognition, iris feature extraction apparatus and method, and iris recognition system and method using its |
US20130208997A1 (en) * | 2010-11-02 | 2013-08-15 | Zte Corporation | Method and Apparatus for Combining Panoramic Image |
CN104036465A (zh) * | 2014-06-17 | 2014-09-10 | 南京邮电大学 | 基于边缘检测的自适应非局部均值去噪方法 |
US20140348415A1 (en) * | 2013-05-27 | 2014-11-27 | ThinkSmart IT Solutions Private Limited | System and method for identifying defects in welds by processing x-ray images |
US20140355877A1 (en) * | 2013-05-31 | 2014-12-04 | Fujitsu Limited | Method and apparatus for processing a gray image |
CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN106023134A (zh) * | 2016-04-29 | 2016-10-12 | 江苏大学 | 一种钢材晶粒的自动晶界提取方法 |
CN106709950A (zh) * | 2016-11-28 | 2017-05-24 | 西安工程大学 | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 |
CN107424144A (zh) * | 2017-04-26 | 2017-12-01 | 哈尔滨理工大学 | 基于激光视觉的焊缝跟踪图像处理算法 |
CN108765419A (zh) * | 2018-06-20 | 2018-11-06 | 天津大学 | 结构光视觉焊缝图像信息自适应提取方法 |
CN108921170A (zh) * | 2018-06-21 | 2018-11-30 | 武汉科技大学 | 一种有效的图像噪声检测和去噪方法及系统 |
-
2019
- 2019-07-16 CN CN201910638729.4A patent/CN110390649B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030161548A1 (en) * | 2002-02-22 | 2003-08-28 | Pieter Vuylsteke | Noise reduction method |
US20060147094A1 (en) * | 2003-09-08 | 2006-07-06 | Woong-Tuk Yoo | Pupil detection method and shape descriptor extraction method for a iris recognition, iris feature extraction apparatus and method, and iris recognition system and method using its |
US20130208997A1 (en) * | 2010-11-02 | 2013-08-15 | Zte Corporation | Method and Apparatus for Combining Panoramic Image |
US20140348415A1 (en) * | 2013-05-27 | 2014-11-27 | ThinkSmart IT Solutions Private Limited | System and method for identifying defects in welds by processing x-ray images |
US20140355877A1 (en) * | 2013-05-31 | 2014-12-04 | Fujitsu Limited | Method and apparatus for processing a gray image |
CN104036465A (zh) * | 2014-06-17 | 2014-09-10 | 南京邮电大学 | 基于边缘检测的自适应非局部均值去噪方法 |
CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN106023134A (zh) * | 2016-04-29 | 2016-10-12 | 江苏大学 | 一种钢材晶粒的自动晶界提取方法 |
CN106709950A (zh) * | 2016-11-28 | 2017-05-24 | 西安工程大学 | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 |
CN107424144A (zh) * | 2017-04-26 | 2017-12-01 | 哈尔滨理工大学 | 基于激光视觉的焊缝跟踪图像处理算法 |
CN108765419A (zh) * | 2018-06-20 | 2018-11-06 | 天津大学 | 结构光视觉焊缝图像信息自适应提取方法 |
CN108921170A (zh) * | 2018-06-21 | 2018-11-30 | 武汉科技大学 | 一种有效的图像噪声检测和去噪方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘辉等: "X射线焊缝图像的缺陷检测与识别技术", 《电焊机》 * |
马跃洲等: "基于高频加强变换的焊接缺陷检测方法", 《兰州理工大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749693A (zh) * | 2020-12-30 | 2021-05-04 | 上海电机学院 | 一种基于特征能量分布的焊缝定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110390649B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228547B (zh) | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 | |
CN104484667B (zh) | 一种基于亮度特征和轮廓完整性的轮廓提取方法 | |
CN102324021B (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
CN110349126A (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN104977313A (zh) | 一种焊缝x射线图像缺陷检测与识别方法和装置 | |
Chang et al. | A mobile vision inspection system for tiny defect detection on smooth car-body surfaces based on deep ensemble learning | |
CN105427342B (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
CN106023171B (zh) | 一种基于转弯半径的图像角点检测方法 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
Saif et al. | Gradient based image edge detection | |
Igbinosa | Comparison of edge detection technique in image processing techniques | |
CN104574417B (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
Li et al. | Weld image recognition algorithm based on deep learning | |
CN110390649A (zh) | 一种用于油气管道焊缝图像降噪的方法 | |
CN112329677B (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
Tong et al. | Defects detection of weld image based on mathematical morphology and thresholding segmentation | |
CN105225234A (zh) | 基于支持向量机mri图像分割的肺部肿瘤识别方法 | |
Kim et al. | Quantification of hepatorenal index for computer-aided fatty liver classification with self-organizing map and fuzzy stretching from ultrasonography | |
CN105184799A (zh) | 一种改进的无监督脑部肿瘤mri图像分割方法 | |
CN115689995A (zh) | 一种复杂光照背景条件下的圆孔边缘亚像素级提取方法 | |
CN202771439U (zh) | 基于matlab交通标志自动识别装置 | |
CN112198170B (zh) | 一种无缝钢管外表面三维检测中识别水滴的检测方法 | |
CN115049552A (zh) | 基于结构张量加权局部对比度测量的红外小目标检测方法 |
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 |