CN110930425B - 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 - Google Patents
基于邻域向量内积局部对比度图像增强的损伤目标检测方法 Download PDFInfo
- Publication number
- CN110930425B CN110930425B CN201911002008.0A CN201911002008A CN110930425B CN 110930425 B CN110930425 B CN 110930425B CN 201911002008 A CN201911002008 A CN 201911002008A CN 110930425 B CN110930425 B CN 110930425B
- Authority
- CN
- China
- Prior art keywords
- image
- neighborhood
- vector
- inner product
- value
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 121
- 238000001514 detection method Methods 0.000 title abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000000926 separation method Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 239000000047 product Substances 0.000 description 54
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000003287 optical effect Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000003902 lesion Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- MVIGONRFTOSFEZ-VVOGADNZSA-N [(2r)-2-decanoyloxy-3-[(e)-12-naphthalen-2-yldodec-11-enoxy]propyl] 2-(trimethylazaniumyl)ethyl phosphate Chemical compound C1=CC=CC2=CC(/C=C/CCCCCCCCCCOC[C@@H](OC(=O)CCCCCCCCC)COP([O-])(=O)OCC[N+](C)(C)C)=CC=C21 MVIGONRFTOSFEZ-VVOGADNZSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229940109850 royal jelly Drugs 0.000 description 1
- 230000035040 seed growth Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种基于邻域向量内积局部对比度图像增强的损伤目标检测方法，旨在解决现有技术无法检测局部亮区损伤目标、目标分离效率低的问题。该方法包括：1)将图像中的每一个点的3×3邻域生成一个9维邻域向量，并将邻域内的最大值扩展成一个9维度极值向量，计算邻域向量与极值向量的内积，进而计算邻域向量内积对比度值；2)在设定区域内搜索所有的邻域向量内积对比度的最大值，作为中心像素的邻域向量内积局部对比度值，生成图像所有点的NVDLC矩阵；3)对相应的NVDLC图像进行二值化和目标分离。
Description
技术领域
本申请涉及一种基于图像增强的损伤目标检测方法。
背景技术
终端光学在线损伤检测(Final Optics Damage Online Inspection,FODOI)系统是主机装置的主要光学系统之一，是一个基于暗场成像技术的在线光学元件损伤检测光学系统，用来检测终端光学组件在惯性约束实验中的光学元件损伤。该系统对每个光学元件的侧面利用LED光源阵列进行照明，由于损伤点的散射作用，在CCD的暗场图像上将会观察到对应位置较为明亮的散射光斑，从而实现了对光学元件的在线检测。
为了对暗场成像技术获得的图像损伤进行有效检测，近年来国内外学者提出了很多基于信号增强技术的损伤检测方法，例如，2007年Kegelmeyer L M等提出的局域信噪比(Local Area Signal-to-Noise Ratio,LASNR)算法，2014年冯博等人在LASNR算法的基础上提出了局部信号强度比(Local Area Signal Strength Ratio,LASSR)算法，2014年CHENC L P提出的局域对比度方法(Local Contrast Method,LCM)，2015年王刚提出的图像块最大对比度测量(Image Patch Maximum Contrast Measurement,IPMCM)算法和杂乱背景下的优化的信杂比算法，2018年，田玉婷提出了改进的局部信号强度比(Improved LocalArea Signal Strength Ratio，ILASSR)方法。
然而，这些方法无法满足FODOI系统对于光学元件损伤检测准确率和速度的要求。例如，LASNR需要标定信号和背景的标准差，无法自动检测损伤目标，也很难有效地增强损伤目标信号。LASSR对复杂高亮背景抑制的同时也削弱了损伤目标的灰度值，使得处于局域高亮背景中的微弱损伤目标被严重削弱之后造成损伤信号强度值过低。LCM方法能够增强每个损伤点的能量信息，但是使用变换图像的均值和标准差来计算全局阈值，这样，很难检测处于局部亮区的损伤目标。IPMCM法能够从背景中识别出损伤目标，但是在计算过程中对损伤区域使用了数字形态学中的膨胀操作，将会降低每个损伤目标的准确率。ILASSR利用信号图像中损伤与邻域非损伤区域的信号强度差异，构造了一类滤波模板对信号图像进行自适应局域增强，该方法使用自适应种子生长提取每个损伤的水平最小外接矩形作为感兴趣区域，在每个感兴趣区域进行OTSU分割，目标分离效率较低。
以上方法都是使用局部信号增强来实现损伤目标的检测，但每种方法都存在一定的不足，特别是对最经典的LCM方法和ILASSR方法来说，LCM由于在目标分离时使用全局阈值无法检测处于局部亮区的损伤目标，而ILASSR方法虽然信号增强效果好，但目标分离效率低。
发明内容
本申请的目的是解决现有技术无法检测局部亮区损伤目标、目标分离效率低的问题。
本申请的发明构思如下：
考虑如何增强损伤图像的对比度和提高损伤目标的分离准确率。对一幅损伤图像来说，每一个像素都包含8个邻域像素，我们设想，如果在邻域内各个像素之间进行某种操作，就可以实现一个邻域内信号的增强，当对比度增强后的目标区域灰度大于给定的阈值时，目标信息就会被检测出来。考虑使用邻域运行进行图像操作，为了方便运算，使用原始图像构建一个9维的数据立方体，这样可以按照多光谱图像处理的思想进行数据处理如降维、主成分变换、多光谱角映射(SAM)等操作。由于将一个像素的8个邻域和中心像素组成了一个列向量p(i,j)，第二个向量为邻域最大值所扩展的9维极限向量m(i,j)，通过计算邻域向量和极值向量的内积，在参考LCM对于局部对比度定义的基础上，引入了邻域向量内积对比度概念。定义为：邻域向量和极值向量的内积与邻域内最小灰度的比值，同时除以邻域向量个数9，这样获得的每一个像素的邻域向量内积对比度值相比原始图像的中心灰度值来说变大了。对整个图像来说，所有像素的灰度值都比原始图像的8邻域灰度大，则整个图像通过邻域向量内积对比度运算都得到了增强。
按照以上思路，本申请提出的基于图像块邻域向量内积局部对比度(NVDLC)的图像增强方法步骤如下：
1)将图像中的每一个点的3×3邻域生成一个9维邻域向量，并将邻域内的最大值扩展成一个9维度极值向量，计算邻域向量与极值向量的内积，进而计算邻域向量内积对比度值；
2)在设定区域内搜索所有的邻域向量内积对比度的最大值，作为中心像素的邻域向量内积局部对比度值，生成图像所有点的NVDLC矩阵；
3)对相应的NVDLC图像进行二值化和目标分离。
本申请具有以下优点：
通过本申请的增强方法使得损伤目标得到极大的增强、背景也得到抑制，在经过邻域向量内积最大对比度图像增强后，能够直接使用自适应阈值公式对损伤目标进行分离，满足了弱对比度损伤目标检测对于精度和效率的要求。
附图说明
图1为损伤图像每个像素的邻域信息，其中(a)表示像素点及其8邻域的编号，(b)表示邻域向量中每个单元的值。
图2为多维度数据立方体的示意图。
图3为本申请的基于图像块邻域向量内积局部对比度增强的损伤目标检测方法的数据处理流程图。
图4为NVDC图像增强结果；其中(a)为原始图像，(b)为NVDC增强图像，(c)为原始图像的强度分布，(d)为为NVDC增强图像的强度分布。
图5为块大小不时NVDC计算次序的示意图；其中(a)对应于3×3邻域，(b)对应于5×5邻域。
图6为NVDLC图像增强结果；其中，(a)块大小为3*3的NVDLC增强图像，(b)块大小为5*5的NVDLC增强图像，(c)为块大小为3*3的NVDLC增强图像强度分布(d)为块大小为5*5的NVDLC增强图像强度分布。
图7为损伤目标分离结果；其中，(a)为最终目标分离结果，(b)局部损伤区域，(c)为损伤区域面积信息图，(d)为每个损伤区域的面积和能量的关系。
图8示意了图像块大小参数选择。
图9为不同方法目标检测结果；其中，(a)为一维最大熵算法的检测结果，(b)为IPMCM算法的检测结果，(c)为LCM算法的检测结果，(d)为本发明的检测结果。
图10为选择区域图像增强效果和目标检测精度分析情况。
图11为选择区域目标增强效果；其中，(a)、(b)、(c)、(d)分别对应4个目标。
具体实施方式
以下详细阐述本申请的各环节具体计算方法和相关原理，并通过实施例详细说明本申请的实现方案以及有益效果。
A、局部对比度方法
假设原始图像表示为f(i,j)，图像的尺寸为h×w,其中1≤i≤h,1≤j≤w。将原始图像中的每一像素点和8邻域进行编号，如图1(a)所示，邻域向量中每个单元的值如图1(b)所示。
图像中的每一点和周围3×3邻域的8个像素可以组成一个9维的列向量，将所有列向量构建一个h×w×9的多维数据立方体，如图2所示，记为D＝{p(i,j,k),1≤i≤m,1≤j≤n,1≤k≤L}。
其中，p(i,j,k)表示原始图像任一点(i,j)第k个邻域的灰度值，p(i,j)表示数据立方体中的任一
位置(i,j)的邻域向量，p(i,j)用向量形式表示为:
p(i,j)＝{f(i,j),f(i-1,j-1),f(i-1,j),f(i-1,j+1),f(i,j-1),f(i,j+1),f(i+1,j-1),f(i+1,j),f(i+1,j+1)}T (1)
在构建完成多维邻域数据立方体后，利用向量计算局部对比度方法的过程如下：
1)计算当前像素(i,j)邻域向量的均值μ(i,j)，表示为
式中L表示当前像素对应的邻域向量包含的向量维数，p(i,j,k)表示原始图像任一点(i,j)第k个邻域的灰度值。
2)将当前像素(i,j)邻域内的对比度定义为
式中sn表示当前像素邻域中最小且大于0的灰度值。
3)局部对比度定义为
式中
且sn>0，Ln表示中心像素和8邻域中的最大灰度值。
在一个3×3或者5×5图像块中计算每个像素的局部对比度，用所有9个或者25个局部对比度最大值作为当前位置(i,j)的局部对比度定义为：
当图像块大小为3×3时，l＝1..3,n＝1..3,当图像块大小为5×5时，l＝1..5,n＝1..5。在整幅原始图像中重复该过程，得到与原始图像所对应的局部对比度图像C。
B、本发明基于图像块邻域内积局部对比度的图像增强方法
为了提高局部对比度方法的计算效率和图像增强效果，将局部对比方法使用矩阵方式进行表示，提出了基于图像块邻域内积局部对比度的图像增强方法，处理步骤如下：
1)生成邻域向量和极值向量
图像中的每一个点的3×3邻域生成的邻域向量为p(i,j)，如公式(1)所示，极值向量m(i,j)表示为：
m(i,j)＝{max(p(i,j))(1,1,1,1,1,1,1,1,1)}T＝Ln (6)
对于大小为h×w的图像来说，共生成N＝h×w个列向量，要得到像素点f(i,j)邻域向量p(i,j),需要满足条件2＜i＜h-1,2＜j＜w-1，如果为边缘像素，则邻域向量p(i,j)为m(i,j)。
2)计算邻域向量与极值向量的内积(Neighbour Vector Dot)
3)计算图像(i,j)处邻域向量内积对比度(Neighbour Vector Dot Contrast，NVDC)
定义(i,j)处邻域向量内积对比度NVDC(i,j)为
4)计算图像(i,j)处大小为3×3或者5×5图像块中每个像素的局部对比度，用所有9个或者25个局部对比度最大值作为当前位置(i,j)的图像块邻域向量内积局部对比度(Neighbour Vector Dot Local Contrast，NVDLC)，表示为：
5)原始图像f所有点的图像块邻域向量内积局部对比度矩阵NVDLC定义为：
6)将NVDLC矩阵通过公式(11)进行归一化,则归一化图像表示为：
式中L为最大灰度级，NVDLCmax和NVDLCmin分别NVDLC矩阵的最大值和最小值。
7)对NVDLC图进行自适应阈值分割，二值化自适应分割阈值计算公式为
T＝I+k*σ (12)
式中：I为NVDLC的均值，σ为NVDLC的标准差；k为常数，一般取2～5，本次实验数据选择k＝3。
以下为本申请的一个具体实施例。
如图3所示，基于图像块邻域向量内积局部对比度增强的损伤目标检测方法主要包含几个重要的步骤：1)数据预处理；2)计算邻域向量内积对比度；3)计算图像块邻域向量内积局部对比度；
4)损伤目标分离。具体来说：
1)数据预处理
在使用基于邻域向量内积局部对比度方法进行图像增强的过程中，为了方便获取每个像素的邻域向量，提高图像增强和损伤目标检测的效率，将一幅原始损伤图像所有像素的邻域向量构建成多维数据来参加数据运算。假设原始损伤图像的尺寸为h×w，图像中的每一点和周围3×3邻域的8个像素可以组成一个9维的列向量，整个图像可以生成h×w个列向量，则所有列向量将构建成一个h×w×9的数据立方体。在数据立方体中，第1维记为I1，表示原始图像，按照图1(a)中从2到9的次序获得图像中的任一点(i,j)的邻域图像，分别记为I2,I3,…,IL，共8副大小为h×w的图像。第2维为I2图像，依次类推，第L维为IL图像，如图2所示。
2)计算邻域向量内积对比度
获取损伤图像是在线损伤检测的第一步，接下来还需对原始图像进行数据处理，以获取损伤点的类型、位置、大小以及数量信息。终端光学在线损伤检测系统光学元件成像时，由于光学元件距离CCD距离远，损伤点目标小，而且能量弱、信噪比低，而且部分损伤目标处于局部亮区。针对以上特点，本申请提出了基于图像块邻域向量内积局部对比度增强的损伤目标检测方法，该算法中最重要的步骤就是计算原始图像邻域向量内积对比度。
在计算邻域向量内积对比度前，需要引入邻域向量内积，定义为NVD(i,j)，其值为邻域向量p(i,j)与极值向量m(i,j)的内积，用公式表示为NVD(i,j)＝p(i,j) T*L/9，等价于邻域向量各单元与邻域向量的最大值乘积之和，如公式(7)所示。
邻域向量内积对比度定义为NVDC(i,j)，其值等于邻域向量内积与邻域向量灰度值之比的最大值，用公式(8)表示，计算过程可以分解为两个步骤：1)先计算邻域向量内积NVD(i,j)与邻域向量各个灰度值p(i,j,k)之比；2)再搜索所有比值之间的最大值。
为了说明邻域向量内积局部对比度和本方案提出的局部对比度方法的一致性，同样对本方案局部对比度的处理过程进行分解。将局部对比度定义为C(i,j)，用公式(4)表示，也可以分为三个步骤：1)计算所有邻域像素均值μ(i,j)；2)计算所有邻域像素灰度值最大值Ln与最小值sn之比；3)计算邻域像素均值μ(i,j)与(Ln/sn)最大值的乘积。因此，从公式(8)的推导过程可以看出，公式(8)所表示的邻域向量内积对比度NVDC和公式(4)所表示的局部对比度C(i,j)是等价的。
对于大小为的h×w原始损伤图像(如图4(a))来说，计算所有点像素点的邻域向量内积局部对比度，就获得了原始损伤图像的NVPC图像增强图像，其结果如图4(b)所示。
3)计算图像块邻域向量内积局部对比度
在计算邻域向量内积局部对比度值过程中，邻域向量的构建是由一个大小为3×3的邻域数据来获得的，为了获得局部区域内图像块的NVDC值，需要在一个较大的区域内(3×3或者5×5)搜索该区域内的邻域向量内积的局部对比度值。假设计算某一个像素的邻域向量内积局部对比值，所选择的邻域数据如图5所示，编号1为中心像素，编号2—9为中心像素的8邻域像素，而以编号2—9为中心的邻域数据块编号为①—⑧所示，每个数据块大小也是3×3；计算编号2—9为中心的邻域向量内积局部对比度NVDC(2)-NVDC(9)，令编号1对应的邻域向量内积局部对比度为NVDC(1)，最终的图像块邻域向量对比度为NVDC(1)-NVDC(9)的最大值，用公式表示为
当计算完大小为h×w原始图像的所有图像块邻域向量内积局部对比度后，就获得了损伤图像的图像块邻域向量内积局部对比度NVDLC图像增强结果。本次实验选择的损伤原始图像如图4(a)所示，当选择不同图像块大小(3×3和5×5)时，NVDLC变换后的图像增强效果分别如图6(a)和6(b)所示。
NVDLC图像增强处理算法3-1，算法描述如下
4)损伤目标分离
当使用邻域向量内积局部对比度方法对原始损伤图像进行图像增强处理后，为了将损伤目标从背景中分离出来，本方案选择自适应阈值分割公式12对NVDLC图像进行目标分离：I式中I为NVDLC的均值，σ为NVDLC的标准差；k的取值范围为3-5，二值化目标分离结果如图7(a)所示。
对二值化图像进行形态学开运算后，再使用二进制大对象(Binary LargeObject,BLOB)分析技术对损伤目标进行识别，是将图像中的每一个连通区域看作一个损伤目标来每个目标特征参数的(如形心、重心、周长、面积、XY方向尺寸、像素个数等)。本次实验共检测出了50个损伤目标，各损伤区域的位置信息和面积统计信息分别如图6(b)和6(c)所示。
在图7(b)中，每个损伤区域的重心坐标位置用一个十字叉进行标识，单位为像素，每个像素等于50μm。为了更加清晰描述损伤区域，选择10个面积最大的损伤区域的位置和面积信息如表1所示；其中第二列为损伤区域的中心坐标，第三列和第四列分别为使用不同尺寸表示的损伤区域的面积。
表1最大10个损伤区域的位置和面积信息
使用本方法对每个损伤区域的损伤面积和能量积分进行统计，发现两者之间存在一定的线性关系，水平坐标表示损伤区域的大小，单位为μm2，垂直坐标表示能量积分。使用50组能量积分和损伤面积数据拟合线性方程式y＝kx+b并获得参数k和b，拟合直线如图7(d)所示。在获得以上拟合直线后，就可以通过指定区域的能量积分值来计算该损伤区域的面积大小，特别是对于无法检测出的小于100μm2的损伤区域，可以通过能量积分值推算损伤区域面积的大小。
实验结果及分析
a、图像增强效果分析
LCM算法是一个有效的图像增强方法，最初主要用于对弱红外目标的检测。LCM在检测光学元件的损伤方面有很多优势，具有算法高效性的特点，且能够实现对较大损伤目标的检测。然而，当该方法用于检测光学元件的小损伤目标时，对于处于局部亮区和弱小损伤目标的检测能力较低，从而降低了检测的准确率。为了克服LCM在弱小损伤目标检测方面的缺点，本方案通过邻域向量内积局部对比度方法对图像进行增强，提高了原始图像的信噪比。下面对LCM和NVDLC的图像增强效果进行比较。对整个图像来说，信噪比从3.775增加为12.445，这是因为NVDLC变换后，损伤信息相比背景信息得到了大幅度增强，信号能量所占整个图像能量的比例从0.73％提高1.46％，这说明在总体信号上得到增强，而背景得到抑制。通过NVDLC变换增强得到的三维图像如图4(d)所示。
表2本方法和LCM信噪比比较
全局信噪比(GSNR)和局部信噪比(LSNR)是两种常用计算信噪比的方法，由于计算GSNR和LSNR需要先获得准确的损伤目标信息，在NVDLC变换后获得的信噪比如表2所示。从表2中可以看出，经过NVDLC变换和LCM变换，GSNR从3.232提高为6.655，增益为2.06，而LCM的增益只有1.94，而LSNR从3.7754提高为12.445，增益为3.3，而LCM的增益只有1.326。所以，本方法不但提高了原始图像的SNR，NVDLC变换相比LCM方法获得更高的SNR，能够更准确地提取损伤目标。
b、图像块大小选择分析
在使用邻域向量内积局部对比度图像增强方法进行弱小损伤目标检测时，图像块大小的选择对于最终损伤目标的选择至关重要，如公式(5)和公式(9)中的l和n，取值范围为1～5。
当l和n等于1时，原始图像中每个像素的局部对比值只取决于中心像素3×3邻域内灰度值的运算结果，经过NVDLC后，均值和方差分别为6.545和1.847。使用自适应阈值二值化公式，共检测到102个损伤目标，最小损伤目标的大小为1个像素，最大目标的大小为150个像素。由于选择图像块大小为1×1，在计算邻域对比度值时搜索的范围较小，将许多面积较大的损伤目标拆分成多个独立的小的缺陷目标，使得检测到的损伤目标个数增多，而每个损伤目标的面积相对实际尺寸较小，损伤目标检测的失真率较大。
当l和n等于3时，原始图像中每个像素的局部对比度计算取决于中心像素5×5邻域内灰度值的运算结果，如图6(a)所示，经过NVDLC后，均值和方差分别为7.321和2.357。使用自适应阈值二值化公式，共获得50个损伤目标，最小损伤目标大小为3个像素，最大损伤目标大小为296个像素。由于选择的图像块为3×3，在计算一个像素的邻域对比度时需要搜索的范围变大，使得处于局部亮区的损伤目标合并成为较大的损伤目标。如图8所示，当l和n等于3时，在局域亮区共检测到12个缺陷目标。通过对原始图像进行标定，局部亮区的损伤目标为11个，因此图像块大小选择3是最佳选择。但搜索损伤目标时由于增加了25个像素的邻域向量局部对比度的计算量，搜索效率相对较低。
当l和n等于5时，使用自适应阈值二值化公式获得的损伤目标为29个，最小损伤目标大小为25个像素，对于小损伤目标检测灵敏度低。同时，由于计算每个像素的邻域向量对比度时搜索范围变大，搜索效率也大大降低。因此，通过以上分析，图像块大小的最佳值为l和n等于3。
c、邻域内积局部对比度方法和LCM比较
邻域内积局部对比度方法(NVDLC)和著名的局部对比度方法(LCM)具有一定的相似性，两种算法的不同之处分析如下：
1)NVDLC的对比度定义为均值除以邻域内的最小值，用公式表示为
如公式(3)LCM的对比度定义为最大值除以均值，用公式定义为
2)计算NVDLC的对比度是在中心像素的3×3邻域内求均值和最大值，计算LCM的对比度是先将一个图像块分为3×3的9个单元，而LCM第i个单元的对比度定义是第i个单元的最大值除以第i个单元的均值，即LCM的对比度是针对一个图像块第i个单元而言的。
3)计算NVDLC的局部对比度时，先在中心像素3×3邻域内的计算最大值与均值之积，再除以大于0的最小值，如公式(3)；计算LCM的局部对比度时，先计算第i个单元最大值的平方与第i个单元均值之比，再从9个单元的比值中找到最小值。
4)NVDLC方法是以一个3×3的单元为中心，向四周进行扩展，即先计算中心像素的邻域内积对比度，再扩展到计算该中心像素3×3邻域或者5×5邻域的邻域内积对比度值。LCM方法相比NVDLC方法是先分割一个较大的图像块，再计算每个单元内的对比度，后查找各个单元对比度的最大值获得最终的局部对比度值。
对于弱对比度损伤图像来说，由于信号强度较低，极小值相比3×3邻域灰度的均值更小。本方案使用μ(i,j)/sn得到的对比度比LCM获得的对比度更大，图像增强效果相比LCM更好。NVDLC变换后的图像能够直接使用自适应阈值公式对损伤目标进行分离，极大地提高了损伤目标检测的效率。
d、不同方法目标检测结果比较
对于弱小损伤目标的检测，主要有一维最大熵法、IPMCM方法、局部对比方法，不同方法的检测结果如图9和表3所示。
从表3可以看出，一维最大熵法共检测出13个损伤点，只检测到了较大的损伤目标，无法检测小于4个像素的损伤目标。因此，一维最大熵法检测准确率很低，不适合用于检测弱小损伤目标。
IPMCM算法检测出的损伤目标为221，由于在目标分离时将大量突变信号检测为损伤目标，误检率较大。此外，该方法还将比较大的单个目标检测(如图8选择的局部亮区目标)分解成多个相互独立的目标，使得检测目标个数比实测目标个数大。同时，由于在检测过程中需要在整个图像中生成每个像素的图像块最大对比度，目标检测的耗时比其他方法多。
LCM方法虽然实现了弱对比度图像的增强，但是使用自适应阈值公式进行二值化分离时，选用的是相对于整个图像的全局阈值，共产生了1186个连通域，无法完成对于弱小损伤目标的有效检测。
本方法共检测出了50个损伤目标，最小目标尺寸在3个像素，对小于3个像素的损伤目标所检测到的尺寸存在一定的偏差，由于中心像素的灰度值用3×3邻域内的内积局部对比度进行替换，使得小的缺陷目标的尺寸相比实际尺寸变大。因此，需要对小目标(小于3个像素)的实际尺寸要进行修订。另外，在本方法完成图像增强后，损伤目标的分离没有使用区域生长法，而是直接使用自适应阈值公式就能有效地实现损伤目标的分离，提高了目标的分离的效率，从而缩短了损伤目标检测的时间。通过标定，本方法所检测到的损伤目标数量和实际测量的损伤目标数量完全一致，其中小于等于3个像素的有效损伤目标为7个，误检率为0，实现了对于弱对比度、小尺寸损伤目标的检测。
使用4种算法检测损伤目标的耗时如表3所示，一维最大熵耗时最少，但是检测准确率最低；IPMCM算法耗时最大，无法检测出局部亮区的损伤目标；本方法耗时比LCM多，是因为需要计算损伤图像每个像素的邻域内积局部对比度值，但本方法能够使用自适应阈值公式对损伤目标进行分离，目标分离效率高。
表3与不同方法的目标检测结果的比较
e、NVDLC方法检测精度分析
为了说明本方法的检测精度，选择如图10中的目标1对该损伤目标的尺寸与实测尺寸进行分析。该目标的检测面积为199个像素，共9950平方微米(1个像素等于7.07微米，1个像素对应的面积为50平方微米)，水平尺寸14个像素，垂直尺寸17个像素，将检测的像素个数换算成像素的相元尺寸，水平尺寸700微米，垂直尺寸850微米。为了获得目标1的真实面积，使用高倍率电子显微镜对玻璃元件进行观察，并开启显微镜的网格功能，所得目标1水平尺寸为714微米，垂直尺寸为867微米，通过网格个数评估所得到的目标1的实测面积为10150平方微米，将本方法检测尺寸和实测尺寸进行比较，所得测量精度为98.03％，说明本方法对大目标的检测精度是满足实验要求的。
对于损伤目标和损伤区域已知的图像，常用局部信噪比LSNR评价损伤图像的质量，公式表示为SNRL＝|μt-μb|/σb，式中μt和μb分别表示目标区域和背景区域的平均灰度值，σb表示背景的标准差。从表4可以看出，经过NVDLC变换后，4个损伤目标的LSNR全部得到提高，增益分别为1.531、1.577、2.248、3.318，其中目标4的增益最大。所以，NVDLC方法极大地提高了原始图像的SNR和LSNR，这样就能更容易将弱对比度损伤目标从背景中分离处理。
表4 4个选择目标的信噪比比较
综上，本发明在获得很好的图像效果的同时，能够直接使用自适应阈值公式对损伤目标进行分离，极大地提高了损伤目标检测的效率，是一个很有效的检测光学元件弱小损伤目标的新方法。
Claims (3)
1.基于邻域向量内积局部对比度图像增强的损伤目标检测方法，包括：
1)将图像中的每一个点的3×3邻域生成一个9维邻域向量，并将邻域内的最大值扩展成一个9维度极值向量，先计算邻域向量与极值向量的内积与邻域向量各个灰度值之比，搜索所有比值之间的最大值，进而计算邻域向量内积对比度值；
具体为：1.1)生成邻域向量和极值向量
图像中的每一个点的3×3邻域生成的邻域向量为p(i,j)表示为：
p(i,j)＝{f(i,j),f(i-1,j-1),f(i-1,j),f(i-1,j+1),f(i,j-1),f(i,j+1),f(i+1,j-1),f(i+1,j),f(i+1,j+1)}T
其中，f(i,j)为原始图像中的任一点(i,j)的灰度值；
极值向量m(i,j)表示为：
m(i,j)＝{max(p(i,j))(1,1,1,1,1,1,1,1,1)}T＝Ln
对于大小为h×w的图像，共生成N＝h×w个列向量，满足条件2＜i＜h-1,2＜j＜w-1，若图像中所选的点为边缘像素，则邻域向量p(i,j)为m(i,j)；
1.2)计算邻域向量与极值向量的内积
上式中，p(i,j,k)表示原始图像任一点(i,j)第k个邻域的灰度值，m(i,j,k)表示第k维度的极值向量，Ln表示最大极值向量；
1.3)计算图像(i,j)处邻域向量内积对比度NVDC(i,j)为
上式中，μ(i,j)表示图像的(i，j)位置的像素灰度值，sn表示领域向量内积最小值；
2)在设定区域内搜索所有的邻域向量内积对比度的最大值，作为中心像素的邻域向量内积局部对比度值，生成图像所有点的邻域向量内积局部对比度NVDLC矩阵；
3)对相应的NVDLC图像进行二值化和目标分离。
2.根据权利要求1所述的基于邻域向量内积局部对比度图像增强的损伤目标检测方法，其特征在于：步骤2)具体包括以下步骤：
2.1)计算图像中(i,j)处大小为3×3或者5×5图像块中每个像素的局部对比度，用相应的所有9个或者25个局部对比度最大值作为当前位置(i,j)的图像块邻域向量内积局部对比度为：
2.2)图像所有点的图像块邻域向量内积局部对比度矩阵NVDLC定义为：
3.根据权利要求2所述的基于邻域向量内积局部对比度图像增强的损伤目标检测方法，其特征在于：步骤3)具体包括以下步骤：
3.1)将矩阵NVDLC进行归一化，归一化图像表示为：
上式中，L为最大灰度级，NVDLCmax和NVDLCmin分别为矩阵NVDLC的最大值和最小值；
3.2)对归一化图像NVDLC(i,j)进行自适应阈值分割，二值化自适应分割阈值为：
T＝I+k*σ
式中：I为NVDLC的均值，σ为NVDLC的标准差；k为常数，取2～5；
再对自适应阈值分割得到的二值化图像进行形态学开运算，然后使用二进制大对象(Binary Large Object,BLOB)分析技术对损伤目标进行识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911002008.0A CN110930425B (zh) | 2019-10-21 | 2019-10-21 | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911002008.0A CN110930425B (zh) | 2019-10-21 | 2019-10-21 | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110930425A CN110930425A (zh) | 2020-03-27 |
| CN110930425B true CN110930425B (zh) | 2022-08-05 |
Family
ID=69849360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911002008.0A Active CN110930425B (zh) | 2019-10-21 | 2019-10-21 | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110930425B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329796B (zh) * | 2020-11-12 | 2023-05-23 | 北京环境特性研究所 | 基于视觉显著性的红外成像卷云检测方法和装置 |
| CN113610895A (zh) * | 2021-08-06 | 2021-11-05 | 烟台艾睿光电科技有限公司 | 目标跟踪方法、装置、电子设备及可读存储介质 |
| CN115035113B (zh) * | 2022-08-11 | 2022-10-25 | 深圳市通泰详特种电线电缆有限公司 | 基于x射线的手机数据线生产缺陷无损检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080193019A1 (en) * | 2005-10-12 | 2008-08-14 | Takao Tsuruoka | Image processing system, image processing method, and image processing program product |
| CN107463895A (zh) * | 2017-07-28 | 2017-12-12 | 中国科学院西安光学精密机械研究所 | 基于邻域向量pca的弱小损伤目标检测方法 |
-
2019
- 2019-10-21 CN CN201911002008.0A patent/CN110930425B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080193019A1 (en) * | 2005-10-12 | 2008-08-14 | Takao Tsuruoka | Image processing system, image processing method, and image processing program product |
| CN107463895A (zh) * | 2017-07-28 | 2017-12-12 | 中国科学院西安光学精密机械研究所 | 基于邻域向量pca的弱小损伤目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于局域信号增强的光学元件损伤检测;田玉婷，邬融，杨野;《中国激光》;20181130;全文 * |
| 基于邻域向量主成分分析图像增强的弱小;王拯洲，李刚，王伟等;《光子学报》;20190731;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110930425A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114972329B (zh) | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 | |
| CN110210463B (zh) | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 | |
| CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
| CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
| CN115311292A (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
| CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
| CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
| CN106373146B (zh) | 一种基于模糊学习的目标跟踪方法 | |
| CN104103082A (zh) | 一种基于区域描述和先验知识的图像显著性检测方法 | |
| CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN115578374A (zh) | 一种机械零件铸造质量评估方法与系统 | |
| CN107463895B (zh) | 基于邻域向量pca的弱小损伤目标检测方法 | |
| CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
| CN108710862B (zh) | 一种高分辨率遥感影像水体提取方法 | |
| CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
| CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
| CN114139618A (zh) | 基于改进密度峰值聚类的信号依赖噪声参数估计方法 | |
| CN109975196A (zh) | 一种网织红细胞检测方法及其系统 | |
| CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
| CN103942526B (zh) | 一种离散数据点集的线特征提取方法 | |
| CN114862765A (zh) | 一种细胞分层图像处理方法 | |
| CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
| CN118212179A (zh) | 一种复杂背景的角度检测方法 | |
| CN107729863B (zh) | 人体指静脉识别方法 |
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 |