CN112288679A - 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 - Google Patents
汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 Download PDFInfo
- Publication number
- CN112288679A CN112288679A CN201911075636.1A CN201911075636A CN112288679A CN 112288679 A CN112288679 A CN 112288679A CN 201911075636 A CN201911075636 A CN 201911075636A CN 112288679 A CN112288679 A CN 112288679A
- Authority
- CN
- China
- Prior art keywords
- image
- hat
- reconstruction
- defect
- region
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 137
- 238000000605 extraction Methods 0.000 title claims abstract description 67
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 61
- 239000003550 marker Substances 0.000 claims description 25
- 230000010339 dilation Effects 0.000 claims description 19
- 230000003628 erosive effect Effects 0.000 claims description 18
- 230000002950 deficient Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 16
- 230000007797 corrosion Effects 0.000 claims description 15
- 238000005260 corrosion Methods 0.000 claims description 15
- 230000000877 morphologic effect Effects 0.000 claims description 12
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 5
- 239000000956 alloy Substances 0.000 description 3
- 229910045601 alloy Inorganic materials 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000000844 transformation Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种汽车轮毂X射线图像的缺陷区域交互式提取方法及系统。所述方法首先获取汽车轮毂的X射线图像及图像上标志区域的最小外接矩形；根据最小外接矩形构建结构元素；采用结构元素对X射线图像进行顶帽变换和顶帽重建变换，根据变换结果进行数学形态学的膨胀重建运算，得到的膨胀重建运算结果再进行二值化处理；分析二值化处理结果得到要提取的缺陷区域。采用本发明提出的缺陷区域交互式提取方法，只需要由操作人员使用鼠标任意标记出缺陷位置就可实现整个缺陷区域的快速准确分离，大大提高检测人员定量分析缺陷的速度和效率，具有操作简便、识别准确的优点。
Description
技术领域
本发明涉及轮毂缺陷检测技术领域，特别是涉及一种汽车轮毂X射线图像的缺陷区域交互式提取方法及系统。
背景技术
轮毂作为汽车的重要受力部件，生产时一般是融化的合金液经过低压铸造、T6热处理和机械加工等工序，最终变为成品。汽车轮毂在生产过程中，受各种因素的影响，可能会会产生气孔、缩孔或缩松等常见内部缺陷，必须使用X射线无损检测设备来探伤。
汽车轮毂在进行X射线检测时，射线源发出射线穿透检测部位后被平板探测器接收，转化为数字图像传输到电脑，通过分析携带了轮毂内部结构信息的射线图像来判断产品是否合格。
轮毂产品的质量根据缺陷的种类和大小来确定，如单个气孔的大小不超过某个范围就算合格，操作人员检测时虽然能及时发现缺陷区域，但缺陷的面积、周长等量化参数无法直接观测得到，必须借助于操作软件上的测量工具来辅助。现有操作软件上的测量工具多通过鼠标点击由操作人员逐点来选取缺陷区域，然后根据选择好的区域来得到相关参数，具有操作繁琐、选择区域准确度不高、效率低下等问题。
发明内容
本发明的目的是提供一种汽车轮毂X射线图像的缺陷区域交互式提取方法及系统，以解决现有的缺陷区域选取方法操作繁琐、选择区域准确度不高、效率低下的问题。
为实现上述目的，本发明提供了如下方案：
一种汽车轮毂X射线图像的缺陷区域交互式提取方法，所述缺陷区域交互式提取方法包括：
获取汽车轮毂的X射线图像及用户在所述X射线图像上标记的标志区域；
确定所述标志区域的最小外接矩形；
根据所述最小外接矩形的长和宽构建结构元素；
采用所述结构元素对所述X射线图像进行顶帽变换和顶帽重建变换，生成顶帽变换后图像和顶帽重建变换后图像；
根据所述顶帽变换后图像和所述顶帽重建变换后图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
对所述膨胀重建后图像进行二值化处理，生成二值图像；所述二值图像中包括一个或多个所述汽车轮毂的初步缺陷区域；
根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域；
根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
可选的，所述确定所述标志区域的最小外接矩形，具体包括：
确定所述标志区域在水平方向上的最小坐标xmin和最大坐标xmax，以及所述标志区域在垂直方向上的最小坐标ymin和最大坐标ymax；
以坐标点(xmin，ymin)、(xmin，ymax)、(xmax，ymin)和(xmax，ymax)作为所述最小外接矩形的四个顶点，生成所述标志区域的最小外接矩形。
可选的，所述采用所述结构元素对所述X射线图像进行顶帽变换和顶帽重建变换，生成顶帽变换后图像和顶帽重建变换后图像，具体包括：
采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像；
采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中
[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；
表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
可选的，所述根据所述顶帽变换后图像和所述顶帽重建变换后图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像，具体包括：
采用公式
进行数学形态学的膨胀重建运算，生成膨胀重建后图像G(x,y)；其中
表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
可选的，所述对所述膨胀重建后图像进行二值化处理，生成二值图像，具体包括：
采用公式
对所述膨胀重建后图像进行二值化处理，生成二值图像B(x,y)；其中G(x,y)为所述膨胀重建后图像在(x,y)点处的灰度值；G0为二值化阈值；所述二值图像B(x,y)中灰度值为1的白色区域为所述汽车轮毂的初步缺陷区域。
可选的，所述根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域，具体包括：
判断所述二值图像中对应所述最小外接矩形的区域内是否只有一个初步缺陷区域，获得第一判断结果；
若所述第一判断结果为所述二值图像中对应所述最小外接矩形的区域内只有一个初步缺陷区域，则确定所述最小外接矩形区域内的所述初步缺陷区域为所述汽车轮毂的缺陷提取区域；
若所述第一判断结果为所述二值图像中对应所述最小外接矩形的区域内有多个初步缺陷区域，则确定多个初步缺陷区域中面积最大的一个初步缺陷区域为所述汽车轮毂的缺陷提取区域。
一种汽车轮毂X射线图像的缺陷区域交互式提取系统，所述缺陷区域交互式提取系统包括：
原始图像及标志区域获取模块，用于获取汽车轮毂的X射线图像及用户在所述X射线图像上标记的标志区域；
最小外接矩形确定模块，用于确定所述标志区域的最小外接矩形；
结构元素构建模块，用于根据所述最小外接矩形的长和宽构建结构元素；
图像变换模块，用于采用所述结构元素对所述X射线图像进行顶帽变换和顶帽重建变换，生成顶帽变换后图像和顶帽重建变换后图像；
膨胀重建运算模块，用于根据所述顶帽变换后图像和所述顶帽重建变换后图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
二值化处理模块，用于对所述膨胀重建后图像进行二值化处理，生成二值图像；所述二值图像中包括一个或多个所述汽车轮毂的初步缺陷区域；
缺陷提取区域确定模块，用于根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域；
缺陷区域提取模块，用于根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
可选的，所述最小外接矩形确定模块具体包括：
最小最大坐标确定单元，用于确定所述标志区域在水平方向上的最小坐标xmin和最大坐标xmax，以及所述标志区域在垂直方向上的最小坐标ymin和最大坐标ymax；
最小外接矩形生成单元，用于以坐标点(xmin，ymin)、(xmin，ymax)、(xmax，ymin)和(xmax，ymax)作为所述最小外接矩形的四个顶点，生成所述标志区域的最小外接矩形。
可选的，所述图像变换模块具体包括：
顶帽变换单元，用于采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像；
顶帽重建变换单元，用于采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中
[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；
表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
可选的，所述膨胀重建运算模块具体包括：
膨胀重建运算单元，用于采用公式
进行数学形态学的膨胀重建运算，生成膨胀重建后图像G(x,y)；其中
表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种汽车轮毂X射线图像的缺陷区域交互式提取方法及系统，所述方法首先获取汽车轮毂的X射线图像及用户在所述X射线图像上标记的标志区域，并确定所述标志区域的最小外接矩形；根据所述最小外接矩形的长和宽构建结构元素；采用所述结构元素对所述X射线图像进行顶帽变换和顶帽重建变换，生成顶帽变换后图像和顶帽重建变换后图像；根据所述顶帽变换后图像和所述顶帽重建变换后图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；对所述膨胀重建后图像进行二值化处理，生成二值图像；所述二值图像中包括一个或多个所述汽车轮毂的初步缺陷区域；根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域；根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。采用本发明提出的缺陷区域交互式提取方法，只需要由操作人员使用鼠标任意标记出缺陷位置就可实现整个缺陷区域的快速准确分离，大大提高检测人员定量分析缺陷的速度和效率，具有操作简便、识别准确的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的汽车轮毂X射线图像的缺陷区域交互式提取方法的流程图；
图2为本发明提供的汽车轮毂X射线图像的缺陷区域交互式提取系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种汽车轮毂X射线图像的缺陷区域交互式提取方法及系统，以解决现有的缺陷区域选取方法操作繁琐、选择区域准确度不高、效率低下的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的汽车轮毂X射线图像的缺陷区域交互式提取方法的流程图。参见图1，本发明提供的汽车轮毂X射线图像的缺陷区域交互式提取方法具体包括：
步骤101：获取汽车轮毂的X射线图像及用户在所述X射线图像上标记的标志区域。
通过轮毂X射线检测设备获取汽车轮毂的X射线图像，存入计算机中。在使用时，读入轮毂的X射线图像，使用鼠标以任意形式标记想要提取的缺陷区域作为标志区域，其中标志区域的标志范围以基本覆盖缺陷区域为宜。
用户可以使用鼠标以任意形式标记想要提取的缺陷区域，其中标志范围以基本覆盖缺陷区域为宜，主要目的是选择合适大小的结构元素。为了方便操作，任意形式的标记可以是“涂鸦”形式框住缺陷区域，也可以用鼠标通过交叉的两条线覆盖缺陷区域，也可以是用鼠标大致点击几个分散的点，只要满足基本覆盖缺陷区域的要求即可。
步骤102：确定所述标志区域的最小外接矩形。
分析步骤101中的标志区域，得到标志区域的最小外接矩形。对步骤101中的标志结果，分析其每一个像素点的坐标值，得到水平方向上的最小坐标xmin和最大坐标xmax，垂直方向上的最小坐标ymin和最大坐标ymax，构成4个坐标点(xmin，ymin)、(xmin，ymax)、(xmax，ymin)和(xmax，ymax)，以形成标志区域的最小外接矩形。
即，所述步骤102确定所述标志区域的最小外接矩形，具体包括：
确定所述标志区域在水平方向上的最小坐标xmin和最大坐标xmax，以及所述标志区域在垂直方向上的最小坐标ymin和最大坐标ymax；
以坐标点(xmin，ymin)、(xmin，ymax)、(xmax，ymin)和(xmax，ymax)作为所述最小外接矩形的四个顶点，生成所述标志区域的最小外接矩形。
步骤103：根据所述最小外接矩形的长和宽构建结构元素。
以步骤102中得到的最小外接矩形的长(xmax-xmin)和宽(ymax-ymin)为标准，构建数学形态学运算中的矩形结构元素，记为B。所述结构元素B为长(xmax-xmin)、宽(ymax-ymin)的矩形结构元素。
步骤104：采用所述结构元素对所述X射线图像进行顶帽变换和顶帽重建变换，生成顶帽变换后图像和顶帽重建变换后图像。
汽车轮毂目前主流的生成方式是将铸造、融合化的合金液倒入模具后冷却成型变为成品。轮毂在生产过程中容易产生气孔、缩孔等内部缺陷，需要使用X射线检测设备来检测。由于轮毂体积巨大，X射线检测设备成像范围有限，在检测时通常按轮毂的几何结构如轮盘、轮辐和轮辋的顺序分区域依次检测，导致轮毂X射线图像的灰度复杂多变，缺陷可能和轮毂本身的几何结构交织在一起，使用自动检测算法检测时经常会出现错判和漏判。为了解决这个问题，交互式的缺陷提取方法成为首选，检测人员通过鼠标操作大致划定缺陷范围，然后通过图像处理算法来精确提取缺陷。不同的轮毂缺陷区域交互式提取方法操作繁琐程度不一，提取缺陷的速度、精确程度也不一样，本发明以数学形态学运算为基本的数学工具，提供一种操作便捷、运行速度快、提取区域精确的轮毂缺陷区域交互式提取方法。
假设轮毂的X射线数字图像用f(x,y)来表示，(x,y)代表像素点的坐标位置，f代表该位置上的灰度值。数学形态学使用结构元素来分析和处理图像，对于数字图像f(x,y)，当结构元素B的原点位于像素点(x,y)处时，结构元素B和图像f(x,y)之间形成一个重合区域，该区域内涉及到的像素点参与运算后形成新的灰度值，赋予(x,y)后完成一次分析，所有像素点都完成分析后实现一次数学形态学运算。
膨胀和腐蚀是数学形态学最基本的运算，对于原始图像f(x,y)和结构元素B，膨胀运算的数学定义为：
腐蚀运算的数学定义为：
其中B指结构元素，f(x,y)指原始图像，(x,y)是原始图像的坐标点。[δB(f)](x,y)是膨胀定义的数学符号，指使用结构元素B对图像f进行膨胀运算，同样，[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算。max指运算的过程取最大值，min指运算的过程取最小值。(s,t)指结构元素B的坐标，(x+s,y+t)指结构元素在原图像移动，穷尽原始图像的上每一个像素点后完成最后的运算。图像f为图像f(x,y)的缩写。
膨胀和腐蚀运算中对应像素点的灰度值分别为结构元素定义窗口内图像的极大值和极小值，对整幅图像f(x,y)而言，膨胀运算会扩展图像的亮区域，使得图像整体变亮，相当于一个局部极大值算子；腐蚀运算会收缩图像的亮区域，使得图像整体变暗，相当于一个局部极小值算子。
开运算由腐蚀和膨胀运算相互组合构成。结构元素B以原点为中心、旋转180°后形成新的结构元素记为-B，开运算定义为B先对图像f(x,y)腐蚀，然后再使用-B进行膨胀：
[γB(f)](x,y)＝δ-B[εB(f)](x,y) (3)
数学形态学中的顶帽变换定义为原始图像与其开运算图像之差：
[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y) (4)
顶帽变换运算中被开运算去除的比结构元素B小的亮区域保留了下来，不受开运算影响的其它区域相减过程中抵消，灰度接近于0。使用顶帽变换可以提取图像f(x,y)中比结构元素小的亮区域，这些区域一般对应于图像分析中的目标区域。
因此本发明步骤104中使用结构元素B对轮毂的X射线图像f(x,y)进行顶帽变换，得到图像fo(x,y)，其效果是图像f(x,y)中比结构元素B小的亮区域被保留了下来，这些亮区域包含轮毂本身的真正缺陷和部分几何结构，其余区域灰度接近于0。
具体采用下式(5)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像：
fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y) (5)
其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像。
重建运算是数学形态学中的另一大类，涉及到两幅输入图像：标记图像和模板图像。假设标记图像用f(x,y)表示，模板图像用g(x,y)表示，二者大小相同(定义域(x,y)相同，不是灰度值)，当灰度值f≤g时，尺度为1的测地膨胀定义为：
式(6)中符号∧表示逐点极小值运算，测地膨胀为模板图像和标记图像基本膨胀运算之间的逐点极小值，模板图像起着限制标记图像膨胀蔓延的作用。f为f(x,y)的缩写，g为g(x,y)的缩写。
表示标记图像的基本膨胀运算。
尺度为n的测地膨胀通过连续对f做相对于g的n次测地膨胀来实现，如公式(8)所示：
对于同样大小的标记图像f和模板图像g(f≤g)，从f中对g进行膨胀重建定义为f相对于g的测地膨胀，反复迭代直至达到稳定：
式(8)中的i为
时的迭代次数，
表示对标记图像f做相对于模板图像g的i次测地膨胀，即第i次测地膨胀结果与第i+1次测地膨胀结果相同，
为稳定后的膨胀运算结果。
当公式(7)迭代膨胀n次时，总会到某一次(第i次)继续膨胀运算结果不再变换，达到稳定，从而得到公式(8)，稳定后的运算结果
称为形态学重建结果。
形态学重建运算不需要选择特定的结构元素，主要问题在于选择一对合适的标记图像和模板图像。模板图像一般为待处理的图像f，标记图像可以通过对f的各种变换来得到。如果标记图像为f的腐蚀运算，模板图像为f本身，此时的形态学膨胀重建称为图像f的开重建运算：
开重建运算能够保持图像中没有被腐蚀去除掉的成分形状，只有完全无法容纳结构元素的图像目标才会被去除。使用原始图像减去开重建图像的操作称为顶帽重建变换：
RWHT(f)＝f-γR(f) (10)
其中ε(f)为f的腐蚀运算；
表示以ε(f)为标记，f为模板进行形态学膨胀重建得到的结果，即开重建图像γR(f)。RWHT(f)为顶帽重建变换后图像。
顶帽重建变换能够重建出被开重建去掉的结构目标，得到的结果图像灰度值总是小于对应的顶帽变换结果图像的灰度值。从顶帽重建变换中对顶帽变换进行膨胀重建，可以在去除干扰区域的同时恢复出目标区域，能用于轮毂缺陷的准确提取。
由以上关于数学形态学运算的分析可知，使用数学形态学分析图像，结构元素大小的选择比较关键，直接决定了能被提取缺陷的大小和干扰去除的程度。
因此本发明步骤104使用结构元素B对轮毂的X射线图像f(x,y)进行顶帽重建变换，得到图像fR(x,y)，其效果是图像f(x,y)中完全能容纳结构元素B的亮区域被保留了下来，这些亮区域可能仅包含轮毂本身的真正缺陷的一部分，基本不包含轮毂的几何结构，其余区域的灰度同样接近于0。结果图像fo(x,y)和fR(x,y)在灰度值上存在着fo(x,y)≥fR(x,y)的关系。
具体可采用下式(11)对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像：
fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y) (11)
其中
[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；
表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
本发明使用步骤103中得到的结构元素B，对轮毂X射线图像f(x,y)进行数学形态学运算中的顶帽变换和顶帽重建变换。使用结构元素B对轮毂的X射线图像f(x,y)进行顶帽变换，得到图像fo(x,y)，其效果是图像f(x,y)中比结构元素B小的亮区域被保留了下来，这些亮区域包含轮毂本身的真正缺陷和轮毂的部分几何结构，其余区域灰度接近于0。使用结构元素B对轮毂的X射线图像用f(x,y)进行顶帽重建变换得到图像fR(x,y)，其效果是图像f(x,y)中完全能容纳结构元素B的亮区域被保留了下来，这些亮区域可能仅包含轮毂本身的真正缺陷的一部分，基本不包含轮毂的几何结构(几何结构做为整体要大于结构元素B)，其余区域的灰度同样接近于0。结果图像fo(x,y)和fR(x,y)在灰度值上存在着fo(x,y)≥fR(x,y)的关系。
步骤105：根据所述顶帽变换后图像和所述顶帽重建变换后图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像。
对步骤104中得到的顶帽变换后图像和顶帽重建变换后图像进行数学形态学重建运算，得到的结果再进行固定阈值的二值化处理。
步骤105中以轮毂X射线图像的顶帽重建变换结果fR(x,y)为标记，顶帽变换结果fo(x,y)为模板，进行数学形态学的膨胀重建运算，得到的结果图像记为G(x,y)。通过膨胀重建运算，在fR(x,y)出现的部分真正缺陷得到了恢复，没有在fR(x,y)出现的轮毂几何结构消失，最终结果G(x,y)是综合了fo(x,y)和fR(x,y)的优点，既全部保留了轮毂本身的真正缺陷区域，又去除了轮毂的几何结构。结果图像G(x,y)与原始图像f(x,y)相比，轮毂本身的真正缺陷区域灰度值较大，其余区域的灰度值接近于0。
以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像的公式如下：
其中
表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
步骤106：对所述膨胀重建后图像进行二值化处理，生成二值图像。所述二值图像中包括一个或多个所述汽车轮毂的初步缺陷区域。
经过步骤104和步骤105中的数学形态学处理，本质上是对轮毂图像f(x,y)中的灰度信息进行了过滤：其中小于结构元素B的亮区域灰度值较大，大于B的亮区域和其它区域灰度值接近于0，设定固定的阈值可以很容易把背景和真正缺陷区域区分开。固定阈值大小的设置与轮毂X射线图像的图像质量有关，亮度偏暗的图像阈值设置应该较小，亮度偏亮的图像阈值设置应该较大，对于大多数亮度正常的轮毂图像，二值化阈值可设置为5-20。具体实施案例中二值化阈值设定为10，灰度值小于10的全部变为0，灰度值大于等于10的全部变为1，得到二值图像B(x,y)。二值图像B(x,y)中灰度取1的白色区域代表提取的缺陷区域。
对所述膨胀重建后图像G(x,y)进行二值化处理的公式如下：
其中G(x,y)为所述膨胀重建后图像在(x,y)点处的灰度值；G0为二值化阈值；B(x,y)为对所述膨胀重建后图像进行二值化处理后生成的二值图像。确定所述二值图像B(x,y)中灰度值为1的白色区域为所述汽车轮毂的初步缺陷区域。
步骤107：根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域。
分析二值化处理结果，仅局限于步骤102中最小外接矩形包含区域内二值化结果的分析。如果最小外接矩形内只有一个白色区域(初步缺陷区域)即为想要提取的缺陷区域；如果有多个目标区域，选择面积最大的区域作为想要提取的缺陷区域(缺陷提取区域)。
所述步骤107根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域，具体包括：
判断所述二值图像B(x,y)中对应所述最小外接矩形的区域内是否只有一个初步缺陷区域，获得第一判断结果；
若所述第一判断结果为所述二值图像中对应所述最小外接矩形的区域内只有一个初步缺陷区域，则确定所述最小外接矩形区域内的所述初步缺陷区域为所述汽车轮毂的缺陷提取区域；
若所述第一判断结果为所述二值图像中对应所述最小外接矩形的区域内有多个初步缺陷区域，则确定所述最小外接矩形区域内的多个初步缺陷区域中面积最大的一个初步缺陷区域为所述汽车轮毂的缺陷提取区域。
所述步骤107提取交互式分析的最终结果，提取范围为步骤102中限定的最小外接矩形区域范围。步骤106中设定的阈值可能会包含了一些小的干扰，从面积分析上选择最大面积的区域作为想要提取的缺陷区域，可去除所有潜在干扰，实现缺陷区域的准确交互式提取。
步骤108：根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
现有的轮毂X射线图像缺陷区域交互式提取方法本质上是手工抠图，检测人员通过点击鼠标形成多个标志点，各个标志点依次顺序连线形成的封闭区域即为缺陷区域。这种操作方式虽然看起来灵活，但实际应用中很难通过少量的标志点来精确提取缺陷区域，设置大量标志点极其耗时同时还受检测人员操纵鼠标熟练程度的影响，效率低下，多数情况下只能得到一个大致近似的结果，无法满足工业生产中的检测需求。
本发明提出的缺陷区域交互式提取方法，只需要操作人员以“涂鸦”的形式在缺陷区域上做出标记，然后通过基于数学形态学运算的算法就能实现缺陷区域自动提取，具有操作简便、识别准确的优点，可直接取代现有的技术方案，应用于轮毂的实际生产中，提高检测的速度和效率。
基于本发明提供的汽车轮毂X射线图像的缺陷区域交互式提取方法，本发明还提供一种汽车轮毂X射线图像的缺陷区域交互式提取系统，参见图2，所述缺陷区域交互式提取系统包括：
原始图像及标志区域获取模块201，用于获取汽车轮毂的X射线图像及用户在所述X射线图像上标记的标志区域；
最小外接矩形确定模块202，用于确定所述标志区域的最小外接矩形；
结构元素构建模块203，用于根据所述最小外接矩形的长和宽构建结构元素；
图像变换模块204，用于采用所述结构元素对所述X射线图像进行顶帽变换和顶帽重建变换，生成顶帽变换后图像和顶帽重建变换后图像；
膨胀重建运算模块205，用于根据所述顶帽变换后图像和所述顶帽重建变换后图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
二值化处理模块206，用于对所述膨胀重建后图像进行二值化处理，生成二值图像；所述二值图像中包括一个或多个所述汽车轮毂的初步缺陷区域；
缺陷提取区域确定模块207，用于根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域；
缺陷区域提取模块208，用于根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
其中，所述最小外接矩形确定模块202具体包括：
最小最大坐标确定单元，用于确定所述标志区域在水平方向上的最小坐标xmin和最大坐标xmax，以及所述标志区域在垂直方向上的最小坐标ymin和最大坐标ymax；
最小外接矩形生成单元，用于以坐标点(xmin，ymin)、(xmin，ymax)、(xmax，ymin)和(xmax，ymax)作为所述最小外接矩形的四个顶点，生成所述标志区域的最小外接矩形。
所述图像变换模块204具体包括：
顶帽变换单元，用于采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像；
顶帽重建变换单元，用于采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中
[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；
表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
所述膨胀重建运算模块205具体包括：
膨胀重建运算单元，用于采用公式
进行数学形态学的膨胀重建运算，生成膨胀重建后图像G(x,y)；其中
表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
所述二值化处理模块206具体包括：
二值化处理单元，用于采用公式
对所述膨胀重建后图像进行二值化处理，生成二值图像B(x,y)；其中G(x,y)为所述膨胀重建后图像在(x,y)点处的灰度值；G0为二值化阈值；所述二值图像B(x,y)中灰度值为1的白色区域为所述汽车轮毂的初步缺陷区域。
所述缺陷提取区域确定模块207具体包括：
初步缺陷区域数量判断单元，用于判断所述二值图像B(x,y)中对应所述最小外接矩形的区域内是否只有一个初步缺陷区域，获得第一判断结果；
单个初步缺陷区域处理单元，用于当所述第一判断结果为所述二值图像中对应所述最小外接矩形的区域内只有一个初步缺陷区域时，确定所述最小外接矩形区域内的所述初步缺陷区域为所述汽车轮毂的缺陷提取区域；
多个初步缺陷区域处理单元，用于当所述第一判断结果为所述二值图像中对应所述最小外接矩形的区域内有多个初步缺陷区域时，确定所述最小外接矩形区域内的多个初步缺陷区域中面积最大的一个初步缺陷区域为所述汽车轮毂的缺陷提取区域。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种汽车轮毂X射线图像的缺陷区域交互式提取方法，其特征在于，所述缺陷区域交互式提取方法包括：
获取汽车轮毂的X射线图像及用户在所述X射线图像上标记的标志区域；
确定所述标志区域的最小外接矩形；
根据所述最小外接矩形的长和宽构建结构元素；
采用所述结构元素对所述X射线图像进行顶帽变换和顶帽重建变换，生成顶帽变换后图像和顶帽重建变换后图像；
根据所述顶帽变换后图像和所述顶帽重建变换后图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
对所述膨胀重建后图像进行二值化处理，生成二值图像；所述二值图像中包括一个或多个所述汽车轮毂的初步缺陷区域；
根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域；
根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
2.根据权利要求1所述的缺陷区域交互式提取方法，其特征在于，所述确定所述标志区域的最小外接矩形，具体包括：
确定所述标志区域在水平方向上的最小坐标xmin和最大坐标xmax，以及所述标志区域在垂直方向上的最小坐标ymin和最大坐标ymax；
以坐标点(xmin，ymin)、(xmin，ymax)、(xmax，ymin)和(xmax，ymax)作为所述最小外接矩形的四个顶点，生成所述标志区域的最小外接矩形。
3.根据权利要求2所述的缺陷区域交互式提取方法，其特征在于，所述采用所述结构元素对所述X射线图像进行顶帽变换和顶帽重建变换，生成顶帽变换后图像和顶帽重建变换后图像，具体包括：
采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像；
采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中
[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；
表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
4.根据权利要求3所述的缺陷区域交互式提取方法，其特征在于，所述根据所述顶帽变换后图像和所述顶帽重建变换后图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像，具体包括：
采用公式
进行数学形态学的膨胀重建运算，生成膨胀重建后图像G(x,y)；其中
表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
5.根据权利要求4所述的缺陷区域交互式提取方法，其特征在于，所述对所述膨胀重建后图像进行二值化处理，生成二值图像，具体包括：
采用公式
对所述膨胀重建后图像进行二值化处理，生成二值图像B(x,y)；其中G(x,y)为所述膨胀重建后图像在(x,y)点处的灰度值；G0为二值化阈值；所述二值图像B(x,y)中灰度值为1的白色区域为所述汽车轮毂的初步缺陷区域。
6.根据权利要求5所述的缺陷区域交互式提取方法，其特征在于，所述根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域，具体包括：
判断所述二值图像中对应所述最小外接矩形的区域内是否只有一个初步缺陷区域，获得第一判断结果；
若所述第一判断结果为所述二值图像中对应所述最小外接矩形的区域内只有一个初步缺陷区域，则确定所述最小外接矩形区域内的所述初步缺陷区域为所述汽车轮毂的缺陷提取区域；
若所述第一判断结果为所述二值图像中对应所述最小外接矩形的区域内有多个初步缺陷区域，则确定多个初步缺陷区域中面积最大的一个初步缺陷区域为所述汽车轮毂的缺陷提取区域。
7.一种汽车轮毂X射线图像的缺陷区域交互式提取系统，其特征在于，所述缺陷区域交互式提取系统包括：
原始图像及标志区域获取模块，用于获取汽车轮毂的X射线图像及用户在所述X射线图像上标记的标志区域；
最小外接矩形确定模块，用于确定所述标志区域的最小外接矩形；
结构元素构建模块，用于根据所述最小外接矩形的长和宽构建结构元素；
图像变换模块，用于采用所述结构元素对所述X射线图像进行顶帽变换和顶帽重建变换，生成顶帽变换后图像和顶帽重建变换后图像；
膨胀重建运算模块，用于根据所述顶帽变换后图像和所述顶帽重建变换后图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
二值化处理模块，用于对所述膨胀重建后图像进行二值化处理，生成二值图像；所述二值图像中包括一个或多个所述汽车轮毂的初步缺陷区域；
缺陷提取区域确定模块，用于根据所述二值图像和所述最小外接矩形确定所述汽车轮毂的缺陷提取区域；
缺陷区域提取模块，用于根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
8.根据权利要求7所述的缺陷区域交互式提取系统，其特征在于，所述最小外接矩形确定模块具体包括：
最小最大坐标确定单元，用于确定所述标志区域在水平方向上的最小坐标xmin和最大坐标xmax，以及所述标志区域在垂直方向上的最小坐标ymin和最大坐标ymax；
最小外接矩形生成单元，用于以坐标点(xmin，ymin)、(xmin，ymax)、(xmax，ymin)和(xmax，ymax)作为所述最小外接矩形的四个顶点，生成所述标志区域的最小外接矩形。
9.根据权利要求8所述的缺陷区域交互式提取系统，其特征在于，所述图像变换模块具体包括：
顶帽变换单元，用于采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像；
顶帽重建变换单元，用于采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中
[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；
表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
10.根据权利要求9所述的缺陷区域交互式提取系统，其特征在于，所述膨胀重建运算模块具体包括：
膨胀重建运算单元，用于采用公式
进行数学形态学的膨胀重建运算，生成膨胀重建后图像G(x,y)；其中
表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911075636.1A CN112288679B (zh) | 2019-11-06 | 2019-11-06 | 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911075636.1A CN112288679B (zh) | 2019-11-06 | 2019-11-06 | 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112288679A true CN112288679A (zh) | 2021-01-29 |
| CN112288679B CN112288679B (zh) | 2024-03-29 |
Family
ID=74418869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911075636.1A Active CN112288679B (zh) | 2019-11-06 | 2019-11-06 | 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288679B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004837A (zh) * | 2022-01-04 | 2022-02-01 | 深圳精智达技术股份有限公司 | 一种盖板玻璃模块异物的检测方法及相关装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150043780A1 (en) * | 2011-05-19 | 2015-02-12 | Michelin Recherche Et Technique S.A. | Method for determining elements in relief on the surface of a tyre |
| CN105654495A (zh) * | 2016-01-07 | 2016-06-08 | 太原工业学院 | 汽车刹车盘内部缺陷的检测方法 |
| US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
| CN109816652A (zh) * | 2019-01-25 | 2019-05-28 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
-
2019
- 2019-11-06 CN CN201911075636.1A patent/CN112288679B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150043780A1 (en) * | 2011-05-19 | 2015-02-12 | Michelin Recherche Et Technique S.A. | Method for determining elements in relief on the surface of a tyre |
| US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
| CN105654495A (zh) * | 2016-01-07 | 2016-06-08 | 太原工业学院 | 汽车刹车盘内部缺陷的检测方法 |
| CN109816652A (zh) * | 2019-01-25 | 2019-05-28 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张俊生: "汽车轮毂内部缺陷的自动分割", 《科学技术与工程》, pages 268 - 270 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004837A (zh) * | 2022-01-04 | 2022-02-01 | 深圳精智达技术股份有限公司 | 一种盖板玻璃模块异物的检测方法及相关装置 |
| CN114004837B (zh) * | 2022-01-04 | 2022-03-04 | 深圳精智达技术股份有限公司 | 一种盖板玻璃模块异物的检测方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112288679B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028213B (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
| CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
| CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
| CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
| CN115641332A (zh) | 产品边缘外观缺陷的检测方法及装置、介质、设备 | |
| CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
| CN109544571A (zh) | 一种基于数学形态学的金相图像边缘检测方法 | |
| CN114565552A (zh) | 光学元件表面缺陷的检测方法、装置及电子设备 | |
| JP4003465B2 (ja) | 特定パターン認識方法、特定パターン認識プログラム、特定パターン認識プログラム記録媒体および特定パターン認識装置 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN112288680B (zh) | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 | |
| CN112288679B (zh) | 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 | |
| Yang et al. | Crack identification of automobile steering knuckle fluorescent penetrant inspection based on deep convolutional generative adversarial networks data enhancement | |
| CN112287933B (zh) | 一种汽车轮毂x射线图像文字干扰的去除方法及系统 | |
| CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 | |
| CN117095020A (zh) | 含噪声电子束图像的轮廓提取方法、装置、系统和介质 | |
| Wang et al. | Fast Blur Detection Algorithm for UAV Crack Image Sets | |
| CN109035306B (zh) | 动目标自动检测方法及装置 | |
| CN114202544B (zh) | 一种基于自编码器的复杂工件缺陷检测方法 | |
| CN115908275A (zh) | 基于深度学习的热态环件轧制变形几何状态在线测量方法 | |
| CN113409224B (zh) | 一种图像目标针对性增强方法、装置、设备及存储介质 | |
| CN114863086A (zh) | 一种基于模板匹配的变电站多表盘多指针识别方法 | |
| CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
| TW200842339A (en) | Mura detection method and system | |
| Zhao et al. | Blowhole detection based on bidirectional enhancement and omnidirectional analysis for X-ray inspection of castings |
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 |