CN111260625B - 胶印大张图像检测区域的自动提取方法 - Google Patents
胶印大张图像检测区域的自动提取方法 Download PDFInfo
- Publication number
- CN111260625B CN111260625B CN202010041223.8A CN202010041223A CN111260625B CN 111260625 B CN111260625 B CN 111260625B CN 202010041223 A CN202010041223 A CN 202010041223A CN 111260625 B CN111260625 B CN 111260625B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- small single
- offset
- positioning
- 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
Images
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30144—Printing quality
Abstract
本发明涉及一种胶印大张图像检测区域的自动提取方法,包括以下步骤:选取胶印大张图像并对胶印大张图像进行预处理;提取胶印大张图像中的其中一个小单张图像区域,并在该小单张图像区域中自动提取定位核区域;对胶印大张图像进行缩放,根据已提取的其中一个小单张图像区域得到胶印大张图像中的其他小单张图像区域,并进行初步定位;根据自动提取的定位核区域对所有小单张图像区域的位置进行精确定位,得到胶印大张图像的所有检测区。本发明采用了自动提取定位点的算法,结合图像基于互相关匹配算法,特征点提取等方法,在大多数应用场景下实现了产品区域自动提取的良好效果,满足了胶印印刷行业的视觉检测中自动提取大张图像的产品区域的需求。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种在视觉检测中快速寻找胶印大张图像中的所有产品检测区域的自动提取方法。
背景技术
印刷品检测在具体实施时,一般分为两步:首先是建模部分,即通过对合格产品的图像采集,获得标准印刷品图像,以标准图像建立进行检测的模板,该模板将标准图像划分为不同的检测区域,并且为每一个不同的检测区域指定了对应的检测算法。其次,是检测执行的过程,在这个过程中相机实时的采集待检测的图像,根据之前建立的模板,对待检测的产品进行检测,根据检测结果作最终的分仓处理。
在以标准印刷品图像建立图像模板的过程中,需要绘制各种检测区域,而首先要绘制的是整个产品的检测区域。传统上,整个建模的过程是由用户手动完成的,各个检测区域也是手工绘制的。但是手动建模过程繁琐,还需要建模的操作人员具有一定的专业知识。
最接近的现有技术是采用模板匹配等算子寻找大张图像上相同小单张的检测区域;但是直接采用模板匹配等算子,由于图像较大,花费的时间将是巨大的,对于胶印现场提出的快速建模进行检测的要求不能够满足。
发明内容
本发明要解决的技术问题是:提供一种胶印大张图像检测区域的自动提取方法,适应于不同光源、不同相机以及不同产品的成像,在大多数场景下实现良好的产品区域提取效果。
本发明解决其技术问题所采用的技术方案是:一种胶印大张图像检测区域的自动提取方法,包括以下步骤,
1)选取胶印大张图像并对胶印大张图像进行预处理;
2)提取胶印大张图像中的其中一个小单张图像区域,并在该小单张图像区域中自动提取定位核区域;
3)对胶印大张图像进行缩放,根据步骤2)中已提取的其中一个小单张图像区域得到胶印大张图像中的其他小单张图像区域,并对胶印大张图像中所有小单张图像区域的位置进行初步定位;
4)根据步骤2)中自动提取的定位核区域对所有小单张图像区域的位置进行精确定位,得到胶印大张图像的所有检测区。
进一步的说,本发明所述的步骤1)中的胶印大张图像为彩色图像和/或灰度图像,预处理包括将彩色图转为灰度图。
再进一步的说,由于胶印大张图像在一般情况下是由两个4K的线阵相机采集拼接得到的,每张图像的分辨率大小为4096*8000左右,内存大小约为120M左右,如果是在原图的基础上进行操作的话,花费的时间将是巨大的,所以本发明对胶印大张图像进行缩放处理,经过大量的实验测试,在胶印大张图像上缩放8倍的效果最好,既能满足提取的所有小单张的要求,又能缩短寻找所花费的时间。
再进一步的说,本发明所述的步骤3)中,根据步骤2)手动绘制的其中一个小单张图像区域,在缩小的胶印大张图像中进行互相关匹配,并根据预先设置的图像横向周期和纵向周期得到的胶印大张图像中所有小单张图像的总数,寻找胶印大张图像中其他小单张图像区域,以此初步确定胶印大张图像中所有小单张图像区域。
进一步的说,在手动绘制的小单张图像区域内,利用寻找自动定位核的方法来确定定位核的区域,目前,自动寻找定位核的方法采用的是利用哈里斯算子从图像中提取特征点,然后根据特征点的分布情况,寻找特征点最密集的区域作为自动定位核的区域;本发明所述的步骤2)中,自动提取定位核区域包括以下步骤:
A、在手动绘制的一个小单张图像区域内,利用哈里斯算子从该图像区域中提取所有特征点;
B、利用递归算法,将该小单张图像区域中宽度和长度中的最小值作为初始窗口的大小,利用移动窗口的方式,统计窗口中特征点的个数,找到窗口中特征点最多的那个区域;
C、以步骤B中找到的区域为基础,将窗口的长度和宽度缩小2倍,继续统计窗口中特征点的个数,找到特征点最多的那个窗口;
D、重复步骤C,直至窗口大小小于预先设置的定位核区域大小为止,此时特征点最密集的区域即为定位核区域。
进一步的说,本发明所述的步骤4)中,根据步骤2)中自动提取的定位核区域,利用互相关匹配算法,在胶印大张图像的其他每个小单张图像区域中寻找每个小单张图像区域的定位核区域;根据找到的定位核区域的位置信息,对所有小单张图像区域的位置进行校正;所述的位置信息包括定位核区域的行、列坐标以及角度坐标,根据定位核的区域,对每个小单张产品进行精确定位,以提高自动提取的准确性。
本发明采用经验值,对采集图像进行大小调整,利用基于互相关匹配的算法,对胶印大张图像的检测区能够更好更快的提取;并且采用自动提取定位核的方式,利用基于哈里斯算子,从图像中提取特征点,并且快速的寻找到特征点最密集的区域作为定位核,将产品检测区进一步的精确定位,提高了产品检测区自动提取的准确性。
本发明的有益效果是,解决了背景技术中存在的缺陷,采用了快速提取定位点的算法,结合互相关匹配的算法,在胶印应用场景下实现了小单张产品区域自动提取的良好效果,满足了印刷行业的视觉检测中自动提取胶印大张图像的检测区、定位点的需求;实现快速自动提取胶印中小单张产品区域,免除了人工重复手动绘制产品区域的步骤,适应范围广。
附图说明
图1是本发明的流程图;
图2是本发明一实施例的胶印大张图像的原始图;
图3是手动绘制的一个小单张检测区的示意图;
图4是小单张检测区中特征点提取的示意图;
图5是自动提取的定位核区域的示意图;
图6是胶印大张图像检测区的自动提取的示意图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1-6所示的一种胶印大张图像检测区域的自动提取方法,通过手动绘制其中一个小单张区域来自动搜索其他小单张区域,并且利用自动提取的定位核来校正其他小单张区域的位置,以解决胶印大张图像环境下,重复手动绘制小单张产品检测区的问题;由于图像的尺寸都很大,无论直接利用模板匹配算法还是其他类似的匹配算法,花费的时间将是巨大的,对于胶印中快速建模的要求得不到满足,因此在缩小图像的基础上,利用基于互相关匹配算法快速确定出所有小单张产品的大致位置,然后利用自动提取的定位核算法,在所有小单张产品的检测范围内,进一步精确小单张产品的位置,从而快速、准确地自动提取出胶印大张图像的检测区,以满足实际生产的需求。
具体包括以下步骤:
1、输入大张原始图像并进行大张原始图像的预处理
对图像色彩的调整:胶印大张图像,如图2所示,在一般情况下是由两个4K的线阵相机采集拼接得到的,每张图像的分辨率大小为4096*8000左右,内存大小约为120M左右,如果是在原图的基础上进行操作的话,花费的时间将是巨大的,所以对提取的图像进行预处理,包括彩色图转为灰度图以及后续步骤中对图像进行缩放处理。
2、在大张原始图像中手动地绘制一个小单张产品区域并提取该小单张产品区域的定位核区域
在绘制的小单张产品区域内,如图3所示,采用哈里斯算法进行特征点提取。利用递归算法,将小单张中宽度和长度中的最小值作为初始窗口的大小,利用移动窗口的方式,统计窗口中特征点的个数,找到窗口中特征点最多的那个区域;以找到的区域为基础,将窗口的长度和宽度缩小2倍,继续统计窗口中特征点的个数,找到特征点最多的那个窗口,重复该步骤,直至窗口大小小于设置的定位核大小(本例中设置为50像素*50像素)为止,该区域就是特征点最密集的区域,如图4中粗线小矩形框中所示。
基于哈里斯算法提取图像特征点将采用halcon算子,如下:
points_harris(Image,SigmaGrad,SigmaSmooth,Alpha,Threshold,Row,Column)
其中:
Image表示输入图像;
SigmaGrad表示用于计算梯度的平滑量;
SigmaSmooth表示用于梯度积分的平滑量;
Alpha表示平方梯度矩阵的平方迹的权值;
Threshold表示点的最小滤波器响应的阈值;
Row和Column表示特征点的行列坐标。
哈里斯算子计算公式为
其中:
(x,y)表示图像中的点;
w(x,y)表示窗口函数;
Ix,Iy表示图像的点在X和Y方向的梯度;
在实际应用中为了能更好的编程,定义了角点响应函数R,通过判断R值的大小来判断像素点是否为角点,其中
R=DetM-Alpha*(TraceM)2
其中:Det代表矩阵M
TraceM代表矩阵M的迹
对于角点R值很大,对于平坦区域R值很小,对于边缘区域R为负值。
3、寻找大张原始图像中的其他小单张产品区域
将大张原始图像缩小8倍,对缩小后的图像进行基于互相关匹配算法:根据手动绘制的小单张产品区域,如图3所示,利用Halcon图像处理软件中的create_ncc_model算子进行创建模板,然后利用find_ncc_model算子在图像中寻找其他小单张产品区域的位置信息,最后利用clear_ncc_model算子来释放create_ncc_model算子创建模板所占的内存。
NCC表示归一化的交叉相关性,是数学统计两组数据之间是否有关系的判断方法。假设两幅进行匹配计算的图像中的小图像为g,大小为m*n,大图像为S,大小为M*N。用Sx,y表示大图像S中以(x,y)为左上角点与小图像g大小相同的子图像。利用相关系数公式计算实时图和基准图之间的相关系数,得到相关系数矩阵ρ(x,y),其中
式中:σ(Sx,y,g)表示Sx,y和g的协方差;
将上列式中参数带入ρ(x,y)公式中,得到相关系数的计算公式如下:
其中:i,j表示步长为1的变量。
通过计算得到ρ(x,y)的取值范围在[-1,1]之间,
当ρ(x,y)=1时,模板与待测图像极性相同(如:模板白色对应图像白色);
当ρ(x,y)=-1时,模板与待测图像极性相反(如:模板白色对应图像黑色);
所以ρ(x,y)的绝对值越大表示模板与待测图像越相似。
利用上述算子得到的小单张产品区域,是在大张原始图像缩小8倍后得到的位置信息,然后根据坐标的转换(放大8倍),可以得到最终的大张原始图像中的所有小单张产品的区域,但是该步骤得到的小单张产品区域精度不是很高,所以要对其进行再一次的精定位,才能满足实际应用的要求。
4、精定位所有小单张产品区域的检测区
根据步骤2中提取到的定位核区域,如图5所示,采用的是同样基于互相关匹配算法,在步骤3中的每个小单张产品区域中进行寻找与步骤2中的相同区域,即定位核区域,根据找到的位置信息(因为该步骤是在大张原始图像中进行处理的,所以精度要求完全能够满足),对小单张产品区域的位置进行校正,从而快速、准确地提取胶印大张图像中的所有检测区,如图6所示。
以上说明书中描述的只是本发明的具体实施方式,各种举例说明不对本发明的实质内容构成限制,所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形,而不背离发明的实质和范围。
Claims (6)
1.一种胶印大张图像检测区域的自动提取方法,其特征在于:包括以下步骤,
1)选取胶印大张图像并对胶印大张图像进行预处理;
2)提取胶印大张图像中的其中一个小单张图像区域,并在该小单张图像区域中自动提取定位核区域;
自动提取定位核区域包括以下步骤:
A、在手动绘制的一个小单张图像区域内,利用哈里斯算子从该图像区域中提取所有特征点;
B、利用递归算法,将该小单张图像区域中宽度和长度中的最小值作为初始窗口的大小,利用移动窗口的方式,统计窗口中特征点的个数,找到窗口中特征点最多的那个区域;
C、以步骤B中找到的区域为基础,将窗口的长度和宽度缩小2倍,继续统计窗口中特征点的个数,找到特征点最多的那个窗口;
D、重复步骤C,直至窗口大小小于预先设置的定位核区域大小为止,此时特征点最密集的区域即为定位核区域;
3)对胶印大张图像进行缩放,根据步骤2)中已提取的其中一个小单张图像区域得到胶印大张图像中的其他小单张图像区域,并对胶印大张图像中所有小单张图像区域的位置进行初步定位;
4)根据步骤2)中自动提取的定位核区域对所有小单张图像区域的位置进行精确定位,得到胶印大张图像的所有检测区。
2.如权利要求1所述的胶印大张图像检测区域的自动提取方法,其特征在于:所述的步骤1)中,胶印大张图像为彩色图像和/或灰度图像,对胶印大张图像进行预处理包括将彩色图像转为灰度图像。
3.如权利要求2所述的胶印大张图像检测区域的自动提取方法,其特征在于:所述的步骤3)中,胶印大张图像的缩放倍数为原图像的8倍。
4.如权利要求3所述的胶印大张图像检测区域的自动提取方法,其特征在于:所述的步骤3)中,根据步骤2)手动绘制的其中一个小单张图像区域,在缩小的胶印大张图像中进行互相关匹配,并根据预先设置的图像横向周期和纵向周期得到的胶印大张图像中所有小单张图像的总数,寻找胶印大张图像中其他小单张图像区域,以此初步确定胶印大张图像中所有小单张图像区域。
5.如权利要求1所述的胶印大张图像检测区域的自动提取方法,其特征在于:所述的步骤4)中,根据步骤2)中自动提取的定位核区域,利用互相关匹配算法,在胶印大张图像的其他每个小单张图像区域中寻找每个小单张图像区域的定位核区域;根据找到的定位核区域的位置信息,对所有小单张图像区域的位置进行校正。
6.如权利要求5所述的胶印大张图像检测区域的自动提取方法,其特征在于:所述的位置信息包括定位核区域的行、列坐标以及角度坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041223.8A CN111260625B (zh) | 2020-01-15 | 2020-01-15 | 胶印大张图像检测区域的自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041223.8A CN111260625B (zh) | 2020-01-15 | 2020-01-15 | 胶印大张图像检测区域的自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260625A CN111260625A (zh) | 2020-06-09 |
CN111260625B true CN111260625B (zh) | 2021-06-18 |
Family
ID=70947024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010041223.8A Active CN111260625B (zh) | 2020-01-15 | 2020-01-15 | 胶印大张图像检测区域的自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260625B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308842B (zh) * | 2020-11-02 | 2024-03-29 | 凌云光技术股份有限公司 | 一种基于印刷品图像的定位核自动提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548107A (zh) * | 2015-09-23 | 2017-03-29 | 株式会社理光 | 条形码定位装置和条形码定位方法、以及条形码读取装置和条形码读取方法 |
CN107909579A (zh) * | 2017-10-31 | 2018-04-13 | 征图新视(江苏)科技有限公司 | 视觉检测中的产品轮廓自动提取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327462B (zh) * | 2015-06-16 | 2019-06-21 | 征图新视(江苏)科技有限公司 | 印刷图像的定位核提取方法及提取装置 |
US9852513B2 (en) * | 2016-03-01 | 2017-12-26 | Intel Corporation | Tracking regions of interest across video frames with corresponding depth maps |
WO2018010036A1 (es) * | 2016-07-14 | 2018-01-18 | Universidad Técnica Federico Santa María | Método de estimación de fuerza y presión de contacto en cuerdas vocales a partir de videos laringoscópicos de alta velocidad |
US10848768B2 (en) * | 2018-06-08 | 2020-11-24 | Sony Interactive Entertainment Inc. | Fast region of interest coding using multi-segment resampling |
CN108765416B (zh) * | 2018-06-15 | 2023-10-03 | 福建工程学院 | 基于快速几何对准的pcb表面缺陷检测方法及装置 |
CN109507209A (zh) * | 2019-01-22 | 2019-03-22 | 中科院金华信息技术有限公司 | 一种薄膜印刷缺陷检测系统及方法 |
CN110084736A (zh) * | 2019-04-29 | 2019-08-02 | 绍兴聚量数据技术有限公司 | 一种基于surf和金字塔算法的水印检测方法及系统 |
CN110136120B (zh) * | 2019-05-16 | 2021-04-06 | 燕山大学 | 一种基于机器视觉的丝网印刷样板尺寸测量方法 |
-
2020
- 2020-01-15 CN CN202010041223.8A patent/CN111260625B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548107A (zh) * | 2015-09-23 | 2017-03-29 | 株式会社理光 | 条形码定位装置和条形码定位方法、以及条形码读取装置和条形码读取方法 |
CN107909579A (zh) * | 2017-10-31 | 2018-04-13 | 征图新视(江苏)科技有限公司 | 视觉检测中的产品轮廓自动提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111260625A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
CN111862224B (zh) | 确定相机与激光雷达之间外参的方法和装置 | |
CN110400278B (zh) | 一种图像颜色和几何畸变的全自动校正方法、装置及设备 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN108470338B (zh) | 一种水位监测方法 | |
CN113240626A (zh) | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 | |
CN111126183A (zh) | 一种基于近地面影像数据的震后建筑物损毁检测方法 | |
CN110110131B (zh) | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 | |
CN114897816A (zh) | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN106952262B (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 | |
CN114462646B (zh) | 一种基于接触网安全巡检的杆号牌识别方法及系统 | |
CN111724354A (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN111260625B (zh) | 胶印大张图像检测区域的自动提取方法 | |
CN117291913B (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN111627059B (zh) | 一种棉花叶片中心点位置定位方法 | |
CN116542857B (zh) | 一种多图像自适应拼接方法 | |
CN113362221A (zh) | 用于门禁的人脸识别系统与人脸识别方法 | |
CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和系统 | |
CN111738936A (zh) | 基于图像处理的多株水稻穗长的测量方法 | |
CN109035306A (zh) | 动目标自动检测方法及装置 | |
CN115222652A (zh) | 一种成捆钢筋端面的识别计数及中心定位方法与其存储器 |
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 |