CN111161222A - 一种基于视觉显著性的印刷辊筒缺陷检测方法 - Google Patents

Abstract

公开一种基于视觉显著性的印刷辊筒缺陷检测方法，其漏检率和误检率很低，检测的准确性和可靠性大大提高。包括：(1)输入印刷辊筒图像；(2)利用匀光处理，去除印刷辊筒图像光照不均匀的情况，针对印刷辊筒表面图像中不同亮度区域进行亮度补偿，使得整个印刷辊筒表面图像亮度背景趋于一致；(3)利用印刷辊筒图像中普遍存在的冗余信息，采用非局部平均算法弱化表面纹理；(4)采用谱残余显著性算法计算图像中缺陷的显著性，并得到显著图；(5)采用Sobel检测缺陷显著图像，与人工标注的缺陷图像进行对比分析；(6)输出图像。

Description

一种基于视觉显著性的印刷辊筒缺陷检测方法

技术领域

本发明涉及印刷和计算机视觉的技术领域，尤其涉及一种基于视觉显著性的印刷辊筒缺陷检测方法。

背景技术

印刷工业作为国民经济的基础产业，在社会服务、文化发展和信息传播等方面都发挥着重要的作用。印刷机械在印刷工业中具有举足轻重的地位，印刷辊筒作为印刷机械的核心部件，在生产加工过程中可能出现各种缺陷，其质量直接影响印品的品质。目前，国内的辊筒缺陷检测普遍以人工为主，人工检测的主要问题是，这种情况导致检测效率低、生产成本高、质量把控不严格。针对这些实际问题，提高生产效率，采用视觉显著性的方法实现对印刷辊筒表面缺陷进行检测成为必然趋势。

显著性目标检测属于计算机视觉领域下的一个重要分支，在这几年已经成为热门的研究话题，它是指人类能够通过视觉系统从场景中提取出与其他区域相比更为显著的区域，这有助于剔除后续视觉任务中图像内无价值的区域。早期对这种情境感知和处理能力的研究主要来自认知科学家，而在最近一段时间里，计算机视觉领域的研究者同样对该领域产生极大的兴趣，并通过研究提出了大量的显著性目标检测算法。ITTI等人利用高斯采样方法构建图像的颜色、亮度和方向的高斯金字塔，然后利用高斯金字塔计算图像的亮度特征图、颜色特征图和方向特征图，最后结合不同尺度的特征图即可获得亮度、颜色和方向显著图，相加得到最终的视觉显著图。Cheng等人将图像快速的分成小块，保证这些小块在空间和颜色上具有一定的同质性。然后以块为单元来计算全局对比度，计算时同时考虑了颜色和空间因素。Francisco等人对ITTI的方法进行了改进，不对特征图进行放缩，而是改变一个感知单元的邻域大小，通过计算感知单元在不同邻域上的局部对比度来实现多尺度显著性计算。Zhu等人提出了一种基于相似图学习和加权流形排序的自底向上显著性检测方法。通过设置图像边界超像素作为背景种子，利用亲和矩阵中隐含的全局显著性置信先验对显著性排序进行加权。Zhang等人提出了一种基于局部树结构的低秩表示(TS-LRR)模型，在复杂背景下检测具有不同局部区域的显著目标。显著性目标检测能够从复杂的场景中快速准确地定位图像中最显著的目标或区域，识别后的显著性结果诸多计算机视觉领域中都有着广泛的应用。

但是，这些方法存在漏检和误检，检测的准确性和可靠性不高。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于视觉显著性的印刷辊筒缺陷检测方法，其漏检率和误检率很低，检测的准确性和可靠性大大提高。

本发明的技术方案是：这种基于视觉显著性的印刷辊筒缺陷检测方法，其包括以下步骤：

(1)输入印刷辊筒图像；

(2)利用匀光处理，去除印刷辊筒图像光照不均匀的情况，针对印刷辊筒表面图像中不同亮度区域进行亮度补偿，使得整个印刷辊筒表面图像亮度背景趋于一致；

(3)利用印刷辊筒图像中普遍存在的冗余信息，采用非局部平均算法弱化表面纹理；

(4)采用谱残余显著性算法计算图像中缺陷的显著性，并得到显著图；

(5)采用Sobel检测缺陷显著图像，与人工标注的缺陷图像进行对比分析；

(6)输出图像。

本发明首先利用匀光处理，去除印刷辊筒图像光照不均匀的情况；然后利用印刷辊筒图像中普遍存在的冗余信息，采用非局部平均算法弱化表面纹理；接着采用谱残余显著性算法计算图像中缺陷的显著性，并得到显著图；最后采用Sobel检测缺陷显著图像，与人工标注的缺陷图像进行对比分析。经过实验验证，该方法的漏检率和误检率很低，检测的准确性和可靠性大大提高，能够满足印刷辊筒的表面缺陷检测的需求。

附图说明

图1示出了根据本发明的基于视觉显著性的印刷辊筒缺陷检测方法的整体流程图。

图2示出了根据本发明的基于视觉显著性的印刷辊筒缺陷检测方法的一个具体实施例的流程图。

具体实施方式

如图1所示，这种基于视觉显著性的印刷辊筒缺陷检测方法，其包括以下步骤：

(1)输入印刷辊筒图像；

(2)利用匀光处理，去除印刷辊筒图像光照不均匀的情况，针对印刷辊筒表面图像中不同亮度区域进行亮度补偿，使得整个印刷辊筒表面图像亮度背景趋于一致；

(3)利用印刷辊筒图像中普遍存在的冗余信息，采用非局部平均算法弱化表面纹理；

(4)采用谱残余显著性算法计算图像中缺陷的显著性，并得到显著图；

(5)采用Sobel检测缺陷显著图像，与人工标注的缺陷图像进行对比分析；

(6)输出图像。

本发明首先利用匀光处理，去除印刷辊筒图像光照不均匀的情况；然后利用印刷辊筒图像中普遍存在的冗余信息，采用非局部平均算法弱化表面纹理；接着采用谱残余显著性算法计算图像中缺陷的显著性，并得到显著图；最后采用Sobel检测缺陷显著图像，与人工标注的缺陷图像进行对比分析。经过实验验证，该方法的漏检率和误检率很低，检测的准确性和可靠性大大提高，能够满足印刷辊筒的表面缺陷检测的需求。

优选地，如图2所示，所述步骤(2)中：

设一幅M×N的图像,灰度级为(0,···,L)，平均亮度为:

其中,P(i,j)是图像中坐标为(i,j)的像素亮度值，

用大小为m×n的子块对该图像进行分块,则每个子块的亮度均值为:

则子块亮度均值与全图亮度均值的差为Δ_lum＝Lum_{av_bm}-Lum_av一幅图像中高亮度子块的Δ_lum为正,而低亮度子块的Δ_lum为负，为了使得整个图像的亮度均衡化，对每个子块的亮度进行调整,所以对于Δ_lum为正的子块亮度进行衰减处理，而对Δ_lum为负的子块亮度进行增强处理；但是为了避免局部阈值分割法出现的缺陷，没有直接每个子块都加上或者减去同一个调整数值，而是对按照分块的Δ_lum格式对子块的矩阵进行插值，使之扩展到整个原始图像大小，这样就使得相邻子块之间的调整值变化比较平滑,然后用原始图像的像素值减去扩展后Δ_lum的矩阵，实现了整个图像的亮度调整,最后再对亮度调整后的图像进行阈值分割，从而把目标体从亮度不均匀的图像中分割开来。

优选地，所述步骤(2)包括以下分步骤：

(2.1)求取步骤(1)的图像的全局平均亮度；

(2.2)对设定的图像的每小块进行扫描求取该块的平均亮度，按照每个子块的分布获得子块平均亮度矩阵；

(2.3)把子块亮度矩阵中每个值都减去全局平均亮度，获得子块亮度差值矩阵，这样高亮度区子块的亮度差值为正,而低亮度子块的亮度差值为负；

(2.4)把子块亮度差值矩阵通过插值运算扩展到与原图像相同大小,获得全图像亮度差值矩阵；

(2.5)将原始图像各像素亮度值各自减去全图像亮度差值矩阵中对应的数值，这样使得图像亮度高的区域同时衰减,而亮度低的区域得到增强；

(2.6)根据原图像中最低和最高亮度来调节每个子块像素的亮度使之符合整个亮度范围。

优选地，所述步骤(2.2)中，设定的图像的每小块为16×16或32×32。

优选地，所述步骤(3)中，

假设噪声信号为与图像无关的高斯白噪声，噪声模型为：

V(i)＝X(i)+N(i) (3)

其中,X_(i)表示未受噪声污染的原始图像；N_(i)表示均值为0，方差为σ²的白噪声；V_(i)表示受污染的噪声图像，对于一幅给定的离散含噪图像v＝{v(α)|α∈I}，非局部平均的方法利用整幅图像中所有像素灰度值加权平均来得到该点的灰度估计值，

NL[v](α)＝∑_β＝1ω(α,β)v(β) (4)

其中ω(α,β)表示依赖于α与β间的相似性，并满足条件：0≤ω(α,β)≤1，∑ω(α,β)＝1；像素α与β的相似性由与之相对应的灰度值向量v(N_α)与v(N_β)之间的相似性决定，N_k表示以像素k中心的固定大小的方形领域，v(N_α)由领域N_k内的灰度值组成的向量，设α为当前待处理的像素，则像素α与像素β₁与β₂的相似性由v(N_α)与

和

以及v(N_α)和v(N_β2)的相似性决定；

各领域之间的灰度值向量的相似性通过高斯加权的欧式距离来衡量，

其中α>0表示高斯核函数的标准差；将欧式距离表示的权重ω(α,β)定义为：

其中，Z(α)表示归一化常数；

在非均值算法中，采用与噪声标准差线性正比关系确定滤波参数。

优选地，在去噪过程中，存在3个参数可以控制去噪效果，分别是滤波参数h、领域窗口半径R_sim以及非局部大小的搜索窗口半径R_win；权值函数ω(α,β)中的参数h控制了指函数的衰减来控制权值的大小从而控制平滑噪声的程度；参数h的取值为10σ，领域窗口半径的取值为7×7，搜索窗口半径的取值为21×21。

优选地，所述步骤(4)中，

首先将图像进行傅里叶变换，变换到频率域，计算幅度谱和相位谱

A(f)＝R(ξ[I(x)])

P(f)＝S(ξ[I(x)]) (6)

然后将幅度谱变为对数谱，再对对数谱进行线性空间滤波，对两者做差，得到剩余谱

L(f)＝log(A(f))

R(f)＝L(f)-h_n(f)*L(f) (7)

利用剩余谱和相位谱进行反向傅里叶变换，得到显著图。进行线性空间滤波

S(x)＝g(x)*ξ^-1[exp(R(f)+P(f))]² (8)。

优选地，所述步骤(5)中：

设H(x,y)代表图像函数，求出图像的梯度向量

式中，

代表图像函数的梯度向量，H_x代表图像的水平方向梯度，H_y代表图像的纵向梯度；卷积模板为：

图像中心点H(i,j)对应的3×3模板邻域内像素点的分布：

在数字图像中，图像梯度近似为：

梯度的方向，代表图像强度变化的方向：

θ＝arctanH_y/H_x (12)。

优选地，所述步骤(5)包括以下步骤：

(5.1)将图像的每个像素点都分别与卷积模板进行卷积运算，用卷积结果的最大值替换卷积模板中心所对应的像素值，作为新图像的灰度值：

G(i,j)＝max[H_x(i,j),H_y(i,j)] (13)

式中，G(i,j)为新的灰度图像像素点,H_x(i,j)，H_y(i,j)分别为水平、垂直方向模板对同一像素点的卷积值；

(5.2)所有的像素卷积运算后得到一幅新的灰度图像；

(5.3)选取一个合适的阈值T，若图像梯度值大于该阈值T，则认为该像素点为边缘点；从数学上解释，为公式(14)

以下给出实验结果与分析。

1实验对比

从图片库中选取50张含有126个缺陷的印刷辊筒表面图像并对印刷辊筒表面的实际缺陷进行人工标注，以标注结果作为标准。对图像分别对RC算法，ITTI算法所做显著图进行Sobel检测将检测结果与与本文检测算法进行对比。

2实验评价

将含有多个缺陷的印刷辊筒图像用本文算法与其他算法进行检测，并将人工标注的结果与各类算法的检测结果作对比，进行评价。通过对比可以发现，在检测印刷辊筒缺陷时，RC算法检测出缺陷2、3，但是存在漏检的缺陷1。ITTI算法检测出缺陷1、2、3、4，其中缺陷4作为误检点。本文算法准确检测出缺陷1、2、3，而且没有误检。

本文采用精确率P、召回率R和综合指数F,这3个指标确定算法检测出的缺陷区域与人工标注区域之间的接近程度，计算公式为

p＝R_TD/R_D,R＝R_TD/R_T,F＝2PR/(P+R)

式中：R_T为人工标注的真值，R_D为算法检测出的缺陷区域，R_TD为两者的交集.P用于评价算法的精确程度，R用于评价算法寻找缺陷的能力，F是与两者相关的综合评价指标。

对图片库中选取50张含有126个缺陷的印刷辊筒表面图像进行算法对比分析，评价指标计算结果如表1所示。

表1

由表1的实验分析可知，RC算法寻找缺陷的能力虽强但精确程度太低，RC算法寻找缺陷的能力与精确程度都不理想，本文算法在两方面表现都比较出色，故该算法更加适用于印刷辊筒的缺陷检测。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (9)

1.一种基于视觉显著性的印刷辊筒缺陷检测方法，其特征在于：其包括以下步骤：

(1)输入印刷辊筒图像；

(2)利用匀光处理，去除印刷辊筒图像光照不均匀的情况，针对印刷辊筒表面图像中不同亮度区域进行亮度补偿，使得整个印刷辊筒表面图像亮度背景趋于一致；

(3)利用印刷辊筒图像中普遍存在的冗余信息，采用非局部平均算法弱化表面纹理；

(4)采用谱残余显著性算法计算图像中缺陷的显著性，并得到显著图；

(5)采用Sobel检测缺陷显著图像，与人工标注的缺陷图像进行对比分析；

(6)输出图像。

2.根据权利要求1所述的基于视觉显著性的印刷辊筒缺陷检测方法，其特征在于：所述步骤(2)中：

设一幅M×N的图像,灰度级为(0,···,L)，平均亮度为:

其中,P(i,j)是图像中坐标为(i,j)的像素亮度值，

用大小为m×n的子块对该图像进行分块,则每个子块的亮度均值为:

则子块亮度均值与全图亮度均值的差为Δ_lum＝Lum_{av_bm}-Lum_av

一幅图像中高亮度子块的Δ_lum为正,而低亮度子块的Δ_lum为负，为了使得整个图像的亮度均衡化，对每个子块的亮度进行调整,所以对于Δ_lum为正的子块亮度进行衰减处理，而对Δ_lum为负的子块亮度进行增强处理；但是为了避免局部阈值分割法出现的缺陷，没有直接每个子块都加上或者减去同一个调整数值，而是对按照分块的Δ_lum格式对子块的矩阵进行插值，使之扩展到整个原始图像大小，这样就使得相邻子块之间的调整值变化比较平滑,然后用原始图像的像素值减去扩展后Δ_lum的矩阵，实现了整个图像的亮度调整,最后再对亮度调整后的图像进行阈值分割，从而把目标体从亮度不均匀的图像中分割开来。

3.根据权利要求2所述的基于视觉显著性的印刷辊筒缺陷检测方法，其特征在于：所述步骤(2)包括以下分步骤：

(2.1)求取步骤(1)的图像的全局平均亮度；

(2.2)对设定的图像的每小块进行扫描求取该块的平均亮度，按照每个子块的分布获得子块平均亮度矩阵；

(2.3)把子块亮度矩阵中每个值都减去全局平均亮度，获得子块亮度差值矩阵，这样高亮度区子块的亮度差值为正,而低亮度子块的亮度差值为负；

(2.4)把子块亮度差值矩阵通过插值运算扩展到与原图像相同大小,获得全图像亮度差值矩阵；

(2.5)将原始图像各像素亮度值各自减去全图像亮度差值矩阵中对应的数值，这样使得图像亮度高的区域同时衰减,而亮度低的区域得到增强；

(2.6)根据原图像中最低和最高亮度来调节每个子块像素的亮度使之符合整个亮度范围。

4.根据权利要求3所述的基于视觉显著性的印刷辊筒缺陷检测方法，其特征在于：所述步骤(2.2)中，设定的图像的每小块为16×16或32×32。

5.根据权利要求4所述的基于视觉显著性的印刷辊筒缺陷检测方法，其特征在于：所述步骤(3)中，

假设噪声信号为与图像无关的高斯白噪声，噪声模型为：

V(i)＝X(i)+N(i) (3)

其中,X_(i)表示未受噪声污染的原始图像；N_(i)表示均值为0，方差为σ²的白噪声；V_(i)表示受污染的噪声图像，对于一幅给定的离散含噪图像v＝{v(α)|α∈I}，非局部平均的方法利用整幅图像中所有像素灰度值加权平均来得到该点的灰度估计值，

NL[v](α)＝∑_β＝1ω(α,β)v(β) (4)

其中ω(α,β)表示依赖于α与β间的相似性，并满足条件：0≤ω(α,β)≤1，∑ω(α,β)＝1；像素α与β的相似性由与之相对应的灰度值向量v(N_α)与v(N_β)之间的相似性决定，N_k表示以像素k中心的固定大小的方形领域，v(N_α)由领域N_k内的灰度值组成的向量，设α为当前待处理的像素，则像素α与像素β₁与β₂的相似性由v(N_α)与

和

以及v(N_α)和v(N_β2)的相似性决定；

各领域之间的灰度值向量的相似性通过高斯加权的欧式距离来衡量，

其中α〉0表示高斯核函数的标准差；将欧式距离表示的权重ω(α,β)定义为：

其中，Z(α)表示归一化常数；

在非均值算法中，采用与噪声标准差线性正比关系确定滤波参数。

6.根据权利要求5所述的基于视觉显著性的印刷辊筒缺陷检测方法，其特征在于：在去噪过程中，存在3个参数控制去噪效果，分别是滤波参数h、领域窗口半径R_sim以及非局部大小的搜索窗口半径R_win；权值函数ω(α,β)中的参数h控制了指函数的衰减来控制权值的大小从而控制平滑噪声的程度；参数h的取值为10σ，领域窗口半径的取值为7×7，搜索窗口半径的取值为21×21。

7.根据权利要求6所述的基于视觉显著性的印刷辊筒缺陷检测方法，其特征在于：所述步骤(4)中，

首先将图像进行傅里叶变换，变换到频率域，计算幅度谱和相位谱

A(f)＝R(ξ[I(x)])

P(f)＝S(ξ[I(x)]) (6)

然后将幅度谱变为对数谱，再对对数谱进行线性空间滤波，对两者做差，得到剩余谱

L(f)＝log(A(f))

R(f)＝L(f)-h_n(f)*L(f) (7)

利用剩余谱和相位谱进行反向傅里叶变换，得到显著图。进行线性空间滤波

S(x)＝g(x)*ξ^-1[exp(R(f)+P(f))]² (8)。

8.根据权利要求7所述的基于视觉显著性的印刷辊筒缺陷检测方法，其特征在于：所述步骤(5)中：

设H(x,y)代表图像函数，求出图像的梯度向量

式中，

代表图像函数的梯度向量，H_x代表图像的水平方向梯度，H_y代表图像的纵向梯度；卷积模板为：

图像中心点H(i,j)对应的3×3模板邻域内像素点的分布：

在数字图像中，图像梯度近似为：

梯度的方向，代表图像强度变化的方向：

θ＝arctanH_y/H_x (12)。

9.根据权利要求8所述的基于视觉显著性的印刷辊筒缺陷检测方法，其特征在于：所述步骤(5)包括以下步骤：

(5.1)将图像的每个像素点都分别与卷积模板进行卷积运算，用卷积结果的最大值替换卷积模板中心所对应的像素值，作为新图像的灰度值：

G(i,j)＝max[H_x(i,j),H_y(i,j)] (13)

式中，G(i,j)为新的灰度图像像素点,H_x(i,j)，H_y(i,j)分别为水平、垂直方向模板对同一像素点的卷积值；

(5.2)所有的像素卷积运算后得到一幅新的灰度图像；

(5.3)选取一个合适的阈值T，若图像梯度值大于该阈值T，则认为该像素点为边缘点；从数学上解释，为公式(14)

Images