CN112381826B - 边缘缺陷图像的二值化方法 - Google Patents

边缘缺陷图像的二值化方法 Download PDF

Info

Publication number
CN112381826B
CN112381826B CN202110051413.2A CN202110051413A CN112381826B CN 112381826 B CN112381826 B CN 112381826B CN 202110051413 A CN202110051413 A CN 202110051413A CN 112381826 B CN112381826 B CN 112381826B
Authority
CN
China
Prior art keywords
image
threshold
edge
gray
binarization
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
Application number
CN202110051413.2A
Other languages
English (en)
Other versions
CN112381826A (zh
Inventor
胡昌欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Casi Vision Technology Luoyang Co Ltd
Casi Vision Technology Beijing Co Ltd
Original Assignee
Casi Vision Technology Luoyang Co Ltd
Casi Vision Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Casi Vision Technology Luoyang Co Ltd, Casi Vision Technology Beijing Co Ltd filed Critical Casi Vision Technology Luoyang Co Ltd
Priority to CN202110051413.2A priority Critical patent/CN112381826B/zh
Publication of CN112381826A publication Critical patent/CN112381826A/zh
Application granted granted Critical
Publication of CN112381826B publication Critical patent/CN112381826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

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 Processing (AREA)

Abstract

本申请公开了一种边缘缺陷图像的二值化方法。本方法通过将源图像统一转化成灰度图像再进行滤波去噪的图像预处理方式得到中间图像，然后使用双阈值的固定阈值方式和非线性的自适应阈值方式结合的图像二值化方法对中间图像二值化得到初步二值化图像，最后通过基于边缘信息的二值化后处理方式剔除初步二值化图像中的伪缺陷和非边缘缺陷得到最终的二值化图像。本发明方法针对边缘缺陷的图像能够有效增加图像二值化的质量，提高边缘缺陷的检测效率、检测精度和特征提取的准确性。

Description

边缘缺陷图像的二值化方法
技术领域
本发明涉及计算机图像信号信息化处理技术领域，特别涉及一种针对边缘缺陷的数字图像的二值化方法。
背景技术
产品边缘的完整性和一致性是组成产品质量的重要部分，且一般产品边缘的缺陷多为产品的严重缺陷，如芽缺、锯齿、崩边等缺陷严重时直接导致产品报废。
近年来，计算机数字图像处理技术取得了一系列突破和进展，其成果被广泛应用于生物医学工程、工业制造、空间探索、公共安全、文化艺术等众多领域。然而，数字图像处理技术本身依然存在的许多问题，阻碍了它的进一步发展和推广。其中，大数据量问题就是目前图像处理技术面临的一个主要难题。
由于图像是通过像素阵列形式来记录场景信息，且每一个像素的量化精度一般达256 级(8 位灰度图像)或16777216 级(24 位彩色图像) ，数据量大是显而易见，庞大的数据量给存储、传输和处理都带来巨大困难。如果能将每一个像素的量化精度减小至2 级，即将图像变换为二值图像，将极大地减小图像的数据量，使之更有利于后续的存储、传输等处理。
科研人员对二值化问题进行了大量研究，并提出了多种有益的解决方案，这些算法大致可以分为以下两类:全局阈值方法和局部自适应阈值方法。全局阈值方法首先依据某一优化规则确定一个全局阈值，然后利用该阈值对整幅图像的各像素进行二值化处理，通常将大于该阈值的置为1，小于等于该阈值的置为0 ，其中较为典型算法的有Otsu 方法(最大类间方差法) ，双峰法，迭代法等。
局部自适应阈值方法与全局阈值方法的主要区别是每一个像素位置的阈值仅与局部邻近区域像素信息有关，通常图像的局部信息存在一定的差异，因此各像素位置的阈值也不同，其中代表性的算法有Niblack 方法和Bernsen 方法等。
产品边缘缺陷的检测一般采用二值化后的图像，图像二值化的好坏不仅影响边缘缺陷检测的效率，还会影响边缘缺陷的检测精度和准确性。
现有技术中，如中国专利文献CN100377169C公开了一种对二值化图像的灰度直方图补偿的图像二值化方法；中国专利文献CN1941838A公开了一种全局阈值和自适应阈值结合的文档图像二值化方法。
这些现有技术的图像二值化方法中，由于边缘缺陷同时存在凹坑和凸痕，如芽缺和锯齿等，单一规则的阈值二值化方式很难采用统一标准同时二值化凹坑和凸痕。
发明内容
本发明所要解决的技术问题在于，提供了一种边缘缺陷图像的二值化方法。本发明图像二值化方法，通过将源图像统一转化成灰度图像再进行滤波去噪的图像预处理方式得到中间图像，然后使用双阈值的固定阈值方式和非线性的自适应阈值方式结合的图像二值化方法对中间图像二值化得到初步二值化图像，最后通过基于边缘信息的二值化后处理方式剔除初步二值化图像中的伪缺陷和非边缘缺陷得到最终的二值化图像。本发明的方法针对边缘缺陷的图像能够有效增加图像二值化的质量，提高边缘缺陷的检测效率、检测精度和特征提取的准确性。
为解决上述技术问题，本发明提供了一种边缘缺陷图像的二值化方法，包括以下步骤：
步骤1：输入源图像，对所述源图像预处理得到中间图像；
步骤2：采用预设双固定阈值法和自适应阈值法相结合，对所述中间图像的不同区域进行二值化，得到初步二值化图像；所述预设双固定阈值法，进一步包括：预设固定的双阈值：低阈值和高阈值；将图像分为黑色像素、白色像素和待定像素；
步骤3：剔除所述初步二值化图像中的伪缺陷和非边缘缺陷得到最终二值化图像。
优选地，所述步骤1中，进一步包括：如果源图像为彩色，则采用快速转换方式将彩色的源图像转换成灰度图像。
优选地，所述步骤1中，进一步包括：采用能够保留边缘真实性且同时去除干扰噪声的小窗口中值滤波方式去除灰度图像中的干扰噪声。
优选地，所述预设固定阈值法，进一步包括：预设固定的双阈值：低阈值和高阈值；将图像分为黑色像素、白色像素和待定像素。
优选地，所述预设固定的双阈值，进一步包括：低阈值和高阈值依据灰度图像边缘目标灰度和背景灰度特征直接给定；小于阈值低阈值的为黑色像素，大于高阈值为白色像素，大于等于低阈值且小于等于高阈值为待定像素。
优选地，所述自适应阈值法，进一步包括：预设非线性自适应阈值；将待定像素进一步分为黑色像素和白色像素。
优选地，所述预设非线性自适应阈值，进一步包括：依据局部灰度均值计算得出非线性自适应阈值；小于非线性自适应阈值的待定像素最终定为黑色像素，大于等于非线性自适应阈值的待定像素最终定为白色像素。
优选地，所述计算得出非线性自适应阈值，具体包括如下步骤：
7a.依据灰度图像边缘特征给定预设局部窗口尺寸；
7b.计算灰度图像的积分图；
7c.利用积分图并行计算待定像素点周围窗口大小的局部灰度均值和非线性自适应阈值。
优选地，采用预设双阈值：低阈值和高阈值的固定阈值和非线性的自适应计算阈值结合的图像二值化方式并行计算对灰度图像二值化。
优选地，步骤3进一步包括：
9a.在所述初步二值化图像中获取黑白区域的边缘轮廓；
9b.根据待检边缘特征和黑白边缘轮廓信息遍历所述边缘轮廓，剔除伪缺陷和非边缘缺陷轮廓，确定待检边缘轮廓；
9c.填充待检边缘轮廓：内区域填充白色，外区域填充黑色，得到最终二值化图像；
9d.输出所述最终二值化图像。
本发明有益效果包括：本发明针对边缘缺陷的图像二值化方法采用双阈值的固定阈值方式，具有计算速度快的优点；利用局部信息非线性自适应阈值，采用统一标准同时处理凹坑和凸痕，具有检测精度高和获取特征准确的优点；增加二值化后处理的方式具有避免边缘缺陷误检的优点。
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，下面将对实施例或现有技术描述中所需使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是一部分实施例或现有技术，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的类似或相关附图。
图1为本发明实施例所述边缘缺陷图像的二值化方法流程图；
图2为本发明实施例所述图像二值化方法流程图；
图3为本发明实施例所述待处理的源图像；
图4为常规二值化方法处理后的二值化图像；
图5为本发明实施例方法处理后的二值化图像。
具体实施方式
下面结合实施例详述本发明。为使本发明的目的、技术方案及优点更加清楚、明确，以下对本发明进一步详细说明，但本发明并不局限于这些实施例。
与某些现有技术（例如CN107768269A/CN112184723A）相比，前述现有技术方法采用的是单阈值设定的方式进行图像二值化。而本发明采用的是采用预设双固定阈值法进行图像二值化。前述现有技术的图像二值化方法中，由于边缘缺陷同时存在凹坑和凸痕，如芽缺和锯齿等，其单阈值二值化方式很难采用统一标准同时二值化凹坑和凸痕。抗干扰能力差，不能兼容图像的变化。
本发明设定预设固定的双阈值：低阈值和高阈值；并将图像分为黑色像素、白色像素和待定像素的图像二值化方法，和前述现有技术公开的单阈值设定的方式进行图像二值化是完全不同的图像二值化方式。前述现有技术中的单阈值和自适应阈值法相结合对同一图像的相同位置处理了2遍。而本发明是对同一图像的相同位置仅处理了一遍，提高了图像二值化的时间效率。
同时，单阈值法很难细分处理边缘过渡带。当待处理的灰度图像的数据量很大，且多为对比明显的非边缘像素时，这类像素在包括前述现有技术在内的现有技术中往往直接使用固定阈值二值化方法快速二值化，但这种单阈值处理方式又很难细分处理边缘过渡带。本发明采用给定预设双阈值和自适应阈值法相结合，对中间图像的不同区域进行二值化的固定阈值二值化方法，能够快速实现将灰度图像像素分为黑、白和待定像素。预设双阈值和自适应阈值法相结合依据灰度图像边缘目标灰度和背景灰度特征直接给定。
本发明边缘缺陷图像的二值化方法，包括以下步骤：
步骤1：输入源图像，对所述源图像预处理得到中间图像；
步骤2：采用预设双固定阈值法和自适应阈值法相结合，对所述中间图像的不同区域进行二值化，得到初步二值化图像；所述预设双固定阈值法，进一步包括：预设固定的双阈值：低阈值和高阈值；将图像分为黑色像素、白色像素和待定像素；
步骤3：剔除所述初步二值化图像中的伪缺陷和非边缘缺陷得到最终二值化图像。
优选地，所述步骤1中，进一步包括：如果源图像为彩色，则采用快速转换方式将彩色的源图像转换成灰度图像。
优选地，所述步骤1中，进一步包括：采用能够保留边缘真实性且同时去除干扰噪声的小窗口中值滤波方式去除灰度图像中的干扰噪声。
优选地，所述预设固定阈值法，进一步包括：预设固定的双阈值：低阈值和高阈值；将图像分为黑色像素、白色像素和待定像素。
优选地，所述预设固定的双阈值，进一步包括：低阈值和高阈值依据灰度图像边缘目标灰度和背景灰度特征直接给定；小于阈值低阈值的为黑色像素，大于高阈值为白色像素，大于等于低阈值且小于等于高阈值为待定像素。
优选地，所述自适应阈值法，进一步包括：预设非线性自适应阈值；将待定像素进一步分为黑色像素和白色像素。
优选地，所述预设非线性自适应阈值，进一步包括：依据局部灰度均值计算得出非线性自适应阈值；小于非线性自适应阈值的待定像素最终定为黑色像素，大于等于非线性自适应阈值的待定像素最终定为白色像素。
优选地，所述计算得出非线性自适应阈值，具体包括如下步骤：
7a.依据灰度图像边缘特征给定预设局部尺寸；
7b.计算灰度图像的积分图；
7c.利用积分图并行计算待定像素点周围窗口大小的局部灰度均值和非线性自适应阈值。
优选地，采用预设双阈值：低阈值和高阈值的固定阈值和非线性的自适应计算阈值结合的图像二值化方式并行计算对灰度图像二值化。
优选地，步骤3进一步包括：
9a.在所述初步二值化图像中获取黑白区域的边缘轮廓；
9b.根据待检边缘特征和黑白边缘轮廓信息遍历所述边缘轮廓，剔除伪缺陷和非边缘缺陷轮廓，确定待检边缘轮廓；
9c.填充待检边缘轮廓：内区域填充白色，外区域填充黑色，得到最终二值化图像；
9d.输出所述最终二值化图像。
优选地，所述预处理为使用一种快速转换公式：
Figure 555538DEST_PATH_IMAGE001
将彩色源图像转换成灰度图。
优选地，所述预处理为使用一种能够保留边缘真实性且同时去除干扰噪声的小窗口中值滤波公式：
Figure 472679DEST_PATH_IMAGE002
去除灰度图像中的干扰噪声。
优选地，使用预设双阈值
Figure 252416DEST_PATH_IMAGE003
和
Figure 522991DEST_PATH_IMAGE004
的固定阈值方式，将图像分为黑、白和待定像素。预设双阈值
Figure 337364DEST_PATH_IMAGE003
和
Figure 159826DEST_PATH_IMAGE004
依据灰度图像边缘目标灰度和背景灰度特征直接给定，且满足T1<T3，小于阈值
Figure 426859DEST_PATH_IMAGE003
为黑色像素，大于阈值
Figure 501126DEST_PATH_IMAGE004
为白色像素，大于等于阈值
Figure 170005DEST_PATH_IMAGE003
且小于等于阈值
Figure 163368DEST_PATH_IMAGE004
为待定像素。
优选地，使用非线性自适应阈值的方式，计算待定像素的阈值
Figure 917698DEST_PATH_IMAGE005
，将待定像素分为黑、白像素。非线性自适应阈值
Figure 530076DEST_PATH_IMAGE005
依据局部灰度均值
Figure 53461DEST_PATH_IMAGE006
计算得出，小于阈值
Figure 483305DEST_PATH_IMAGE005
的待定像素为黑色像素，大于等于阈值
Figure 600297DEST_PATH_IMAGE004
的待定像素为白色像素。
优选地，计算待定像素的非线性自适应阈值
Figure 507379DEST_PATH_IMAGE005
具体包括如下步骤：
a.依据灰度图像边缘特征给定预设局部窗口尺寸
Figure 26216DEST_PATH_IMAGE007
；
b.计算灰度图像的积分图
Figure 361382DEST_PATH_IMAGE008
；
c.利用积分图
Figure 965670DEST_PATH_IMAGE008
并行计算待定像素点 (x,y) 周围
Figure 44484DEST_PATH_IMAGE007
窗口大小的局部灰度均值
Figure 542462DEST_PATH_IMAGE006
：
Figure 314109DEST_PATH_IMAGE010
和非线性自适应阈值
Figure 163551DEST_PATH_IMAGE005
：
Figure 46056DEST_PATH_IMAGE012
优选地，计算待定像素的非线性自适应阈值
Figure 398540DEST_PATH_IMAGE005
时偏移量 C 可为给定预设值或计算值，偏移量C的计算公式：
Figure 216455DEST_PATH_IMAGE014
优选地，使用预设双阈值
Figure 654389DEST_PATH_IMAGE003
和
Figure 75006DEST_PATH_IMAGE004
的固定阈值和非线性的自适应计算阈值
Figure 547576DEST_PATH_IMAGE005
结合的图像二值化方式并行计算对灰度图像二值化。二值化公式如下：
Figure 536392DEST_PATH_IMAGE016
优选地，使用二值化后处理方式利用边缘信息剔除伪缺陷和非边缘缺陷。二值化后处理具体包括如下步骤：
a.在初步二值化图像g(x,y)中获取黑白区域边缘轮廓P(x,y)；
b.根据待检边缘特征和黑白边缘轮廓信息遍历边缘轮廓P(x,y)，剔除伪缺陷和非边缘缺陷轮廓确定待检边缘轮廓p(x,y):
Figure 461622DEST_PATH_IMAGE018
其中，T为依据待检边缘特征给定预设值。
c.填充待检边缘内区域为白色外区域为黑色：
Figure 561296DEST_PATH_IMAGE019
其中，
Figure 622793DEST_PATH_IMAGE020
为最后二值化图像，
Figure 782510DEST_PATH_IMAGE021
为待检边缘轮廓p(x,y)内区域。
d.输出最终二值化图像
Figure 195037DEST_PATH_IMAGE020
。
如图1所示，为本发明实施例所述边缘缺陷图像的二值化方法流程图。本实施例流程包括以下步骤：步骤1：输入源图像
Figure 98402DEST_PATH_IMAGE022
，对图像进行预处理
Figure 279985DEST_PATH_IMAGE023
得到中间图像。步骤2：使用预设固定阈值和自适应阈值结合的图像二值化方法对中间图像二值化
Figure 469658DEST_PATH_IMAGE024
得到初步二值化图像。步骤3：使用二值化后处理
Figure 244847DEST_PATH_IMAGE025
方法剔除初步二值化图像中的伪缺陷和非边缘缺陷得到最终的二值化图像
Figure 810957DEST_PATH_IMAGE026
。
1.图像预处理
在本发明实施例中源图像可能为灰度图或彩色图像，若源图像为彩色图像则需要转换为灰度图像，一般采用转换公式如下：
Figure 987992DEST_PATH_IMAGE027
实际采用7位精度的计算公式如下：
Figure 348566DEST_PATH_IMAGE028
在本实施例中灰度图像中含有干扰噪声，且边缘存在过渡带。为最大限度的保留边缘的真实性且去除灰度图像中的干扰噪声，本实施例采用较小窗口的中值滤波方式去除干扰噪声。中值滤波公式如下：
Figure 735685DEST_PATH_IMAGE029
其中，f(x,y)，g(x,y)分别为原图像和处理后的图像，W为滤波窗口大小。
2.图像二值化
如图2所示，为本发明实施例所述图像二值化方法流程图。本实施例中灰度图像的数据量很大，且多为对比明显的非边缘像素，此类像素可直接使用固定阈值二值化方法快速二值化，但单阈值又很难细分处理边缘过渡带。本实施例采用给定预设双阈值
Figure 980853DEST_PATH_IMAGE003
和
Figure 749744DEST_PATH_IMAGE004
的固定阈值二值化方法快速实现将灰度图像像素分为黑、白和待定像素。预设双阈值
Figure 172898DEST_PATH_IMAGE003
和
Figure 657100DEST_PATH_IMAGE004
依据灰度图像边缘目标灰度和背景灰度特征直接给定，双阈值固定阈值二值化公式如下：
Figure 830592DEST_PATH_IMAGE030
其中，T1<T3，
Figure 841273DEST_PATH_IMAGE003
是给定的低阈值，大于较黑区域灰度值且小于边缘过度灰度值；
Figure 684596DEST_PATH_IMAGE004
是给定的高阈值，小于较亮区域灰度值且大于边缘过度灰度值。
如图3所示，为本发明实施例所述待处理的源图像。从图3中可以看出，本实施例中灰度图像的边缘虽存在过渡带很小，但其对图像二值化结果及边缘缺陷检测精度和准确性影响很大。此类像素可使用自适应阈值二值化方式进行二值化。但如图4所示，为常规二值化方法处理后的二值化图像。从图4中可以看出，常规自适应阈值二值化很难采用统一标准同时处理凹坑和凸痕。本实施例采用非线性自适应阈值二值化方法依据局部灰度均值
Figure 780728DEST_PATH_IMAGE006
计算得出待定像素的阈值
Figure 492332DEST_PATH_IMAGE005
，对待定像素二值化。
计算待定像素的非线性自适应阈值
Figure 232886DEST_PATH_IMAGE005
具体包括如下步骤：
a.依据灰度图像边缘特征给定预设局部窗口尺寸
Figure 371743DEST_PATH_IMAGE031
；
b.计算灰度图像的积分图
Figure 830537DEST_PATH_IMAGE008
；
c.利用积分图
Figure 80253DEST_PATH_IMAGE008
并行计算待定像素点(x,y)周围
Figure 442358DEST_PATH_IMAGE031
窗口大小的局部灰度均值
Figure 752116DEST_PATH_IMAGE032
：
Figure 698207DEST_PATH_IMAGE034
和非线性自适应阈值
Figure 751613DEST_PATH_IMAGE005
：
Figure 591393DEST_PATH_IMAGE036
其中，f(x,y)为灰度图像；
Figure 947420DEST_PATH_IMAGE032
为像素点(x,y)周围
Figure 239861DEST_PATH_IMAGE031
窗口大小的局部灰度均值；K为尺度因子，给定预设值，范围为[1，255]，经验值10；C为偏移量；
Figure 96958DEST_PATH_IMAGE005
为待定像素点(x,y)的非线性自适应阈值。
计算待定像素点(x,y)的非线性自适应阈值
Figure 643173DEST_PATH_IMAGE005
时偏移量C可为给定预设值或计算值，若为给定预设值，则偏移量C的范围为
Figure 294735DEST_PATH_IMAGE037
，一般在0附近取值；若为计算值，则偏移量C的计算公式：
Figure 340051DEST_PATH_IMAGE039
其中，f(x,y)为灰度图像；
Figure 735260DEST_PATH_IMAGE032
为像素点(x,y)周围
Figure 159419DEST_PATH_IMAGE031
窗口大小的局部灰度均值；v(x,y)为像素点(x,y)周围十字像素点的灰度均值；α为尺度因子，给定预设值，范围为[0，1]；C为偏移量。
本发明实施例中采用预设双阈值
Figure 247461DEST_PATH_IMAGE003
和
Figure 514494DEST_PATH_IMAGE004
的固定阈值和非线性的自适应阈值
Figure 588761DEST_PATH_IMAGE005
结合的图像二值化方法并行计算对灰度图像二值化。二值化公式如下：
Figure 621089DEST_PATH_IMAGE041
其中，f(x,y)，g(x,y)分别为灰度图像和二值化后的图像。
3.二值化后处理
本发明实施例中初步二值化图像可能存在灰尘等伪缺陷和透光、油墨等非边缘缺陷，如直接进行检测将会影响边缘缺陷的误检和获取特征的准确性。本发明采用二值化后处理的方式剔除伪缺陷和非边缘缺陷的干扰，二值化后处理具体实施步骤如下：
a.在初步二值化图像g(x,y)中获取黑白区域边缘轮廓P(x,y)；
b.根据待检边缘特征和黑白边缘轮廓信息遍历边缘轮廓P(x,y)，剔除伪缺陷和非边缘缺陷轮廓确定待检边缘轮廓p(x,y):
Figure 755398DEST_PATH_IMAGE043
其中，T为依据待检边缘特征给定预设值。
c.填充待检边缘内区域为白色外区域为黑色：
Figure 509727DEST_PATH_IMAGE044
其中，
Figure 246739DEST_PATH_IMAGE020
为最红二值化图像，ROI为待检边缘轮廓p(x,y)内区域
d.输出最终二值化图像
Figure 645491DEST_PATH_IMAGE020
。
如图5所示，为本实施例方法处理后的二值化图像。从图5中可以看出，本实施例利用局部信息非线性自适应阈值采用统一标准同时处理凹坑和凸痕，具有检测精度高和获取特征准确的优点；增加二值化后处理的方式具有避免边缘缺陷误检的优点。
以上所述，仅是本发明的几个实施例，并非对本发明做任何形式的限制，虽然本发明以较佳实施例揭示如上，然而并非用以限制本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于本发明技术方案保护范围内。

Claims (6)

1.一种边缘缺陷图像的二值化方法，其特征在于，包括以下步骤：
步骤1：输入源图像，对所述源图像预处理得到中间图像；
步骤2：采用预设双固定阈值法和自适应阈值法相结合，对所述中间图像的不同区域进行二值化，得到初步二值化图像；所述预设双固定阈值法，进一步包括：预设固定的双阈值：低阈值和高阈值；将图像分为黑色像素、白色像素和待定像素；
所述自适应阈值法，进一步包括：预设非线性自适应阈值；将待定像素进一步分为黑色像素和白色像素；
所述预设非线性自适应阈值，进一步包括：依据局部灰度均值计算得出非线性自适应阈值；小于非线性自适应阈值的待定像素最终定为黑色像素，大于等于非线性自适应阈值的待定像素最终定为白色像素；
所述计算得出非线性自适应阈值，具体包括如下步骤：
1a.依据灰度图像边缘特征给定预设局部窗口尺寸；
1b.计算灰度图像的积分图；
1c.利用积分图并行计算待定像素点周围窗口大小的局部灰度均值和非线性自适应阈值；计算待定像素点的非线性自适应阈值时偏移量为给定预设值；
计算待定像素的非线性自适应阈值 T2具体包括如下步骤：
a.依据灰度图像边缘特征给定预设局部窗口尺寸M*N；
b.计算灰度图像的积分图I；
c.利用积分图I并行计算待定像素点（x,y）周围M*N窗口大小的局部灰度均值
Figure 948681DEST_PATH_IMAGE001
：
Figure 865821DEST_PATH_IMAGE002
和非线性自适应阈值T2：
Figure 645559DEST_PATH_IMAGE003
其中，f(x,y)为灰度图像；
Figure 352352DEST_PATH_IMAGE001
为像素点(x,y)周围M*N窗口大小的局部灰度均值；K为尺度因子，给定预设值，范围为[1,255]；C为偏移量；T2为待定像素点(x,y)的非线性自适应阈值；预设双阈值T1和T3依据灰度图像边缘目标灰度和背景灰度特征直接给定，双阈值固定阈值二值化公式如下：
Figure 166725DEST_PATH_IMAGE004
其中，T1<T3，T1是给定的低阈值，大于较黑区域灰度值且小于边缘过度灰度值；T3是给定的高阈值，小于较亮区域灰度值且大于边缘过度灰度值；
步骤3：剔除所述初步二值化图像中的伪缺陷和非边缘缺陷得到最终二值化图像。
2.根据权利要求1所述边缘缺陷图像的二值化方法，其特征在于，所述步骤1中，进一步包括：如果源图像为彩色，则采用快速转换方式将彩色的源图像转换成灰度图像。
3.根据权利要求1所述边缘缺陷图像的二值化方法，其特征在于，所述步骤1中，进一步包括：采用能够保留边缘真实性且同时去除干扰噪声的小窗口中值滤波方式去除灰度图像中的干扰噪声。
4.根据权利要求1所述边缘缺陷图像的二值化方法，其特征在于，所述预设固定的双阈值，进一步包括：低阈值和高阈值依据灰度图像边缘目标灰度和背景灰度特征直接给定；小于阈值低阈值的为黑色像素，大于高阈值为白色像素，大于等于低阈值且小于等于高阈值为待定像素。
5.根据权利要求1所述边缘缺陷图像的二值化方法，其特征在于，采用预设双阈值：低阈值和高阈值的固定阈值和非线性的自适应计算阈值结合的图像二值化方式并行计算对灰度图像二值化。
6.根据权利要求1所述边缘缺陷图像的二值化方法，其特征在于，步骤3进一步包括：
6a.在所述初步二值化图像中获取黑白区域的边缘轮廓；
6b.根据待检边缘特征和黑白边缘轮廓信息遍历所述边缘轮廓，剔除伪缺陷和非边缘缺陷轮廓，确定待检边缘轮廓；
6c.填充待检边缘轮廓：内区域填充白色，外区域填充黑色，得到最终二值化图像；
6d.输出所述最终二值化图像。
CN202110051413.2A 2021-01-15 2021-01-15 边缘缺陷图像的二值化方法 Active CN112381826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110051413.2A CN112381826B (zh) 2021-01-15 2021-01-15 边缘缺陷图像的二值化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110051413.2A CN112381826B (zh) 2021-01-15 2021-01-15 边缘缺陷图像的二值化方法

Publications (2)

Publication Number Publication Date
CN112381826A CN112381826A (zh) 2021-02-19
CN112381826B true CN112381826B (zh) 2021-05-07

Family

ID=74581902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110051413.2A Active CN112381826B (zh) 2021-01-15 2021-01-15 边缘缺陷图像的二值化方法

Country Status (1)

Country Link
CN (1) CN112381826B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907587B (zh) * 2021-04-01 2022-03-01 西南石油大学 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法
CN114140679B (zh) * 2021-10-26 2022-07-01 中科慧远视觉技术(北京)有限公司 一种缺陷融合方法、装置、识别系统及存储介质
CN114037701B (zh) * 2022-01-08 2022-04-05 江苏南通元辰钢结构制造有限公司 一种基于图像处理的机械零件氢损伤检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855617A (zh) * 2011-07-01 2013-01-02 中国科学院深圳先进技术研究院 自适应图像处理方法及系统
US9619872B1 (en) * 2012-06-13 2017-04-11 United Services Automobile Association (Usaa) Systems and methods for removing defects from images
CN106683099A (zh) * 2016-11-17 2017-05-17 南京邮电大学 一种产品表面缺陷检测方法
CN109993750A (zh) * 2017-12-29 2019-07-09 中国科学院深圳先进技术研究院 一种手腕骨的分割识别方法及系统、终端及可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355599B (zh) * 2016-08-30 2019-03-29 上海交通大学 基于非荧光眼底图像的视网膜血管自动分割方法
CN107609558A (zh) * 2017-09-13 2018-01-19 北京元心科技有限公司 文字图像处理方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855617A (zh) * 2011-07-01 2013-01-02 中国科学院深圳先进技术研究院 自适应图像处理方法及系统
US9619872B1 (en) * 2012-06-13 2017-04-11 United Services Automobile Association (Usaa) Systems and methods for removing defects from images
CN106683099A (zh) * 2016-11-17 2017-05-17 南京邮电大学 一种产品表面缺陷检测方法
CN109993750A (zh) * 2017-12-29 2019-07-09 中国科学院深圳先进技术研究院 一种手腕骨的分割识别方法及系统、终端及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图像增强的双阈值二值化算法;胡笑莉等;《电光与控制》;20170531;第24卷(第5期);第11页 *

Also Published As

Publication number Publication date
CN112381826A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN112381826B (zh) 边缘缺陷图像的二值化方法
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN101710425B (zh) 基于图像灰度梯度和灰度统计直方图的自适应预分割方法
CN110443807A (zh) 一种基于亮度均衡的光照不均匀图像阈值分割方法
CN102289668A (zh) 基于像素邻域特征的自适应文字图像的二值化处理方法
CN105374015A (zh) 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法
CN108109155A (zh) 一种基于改进Canny的自动阈值边缘检测方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN108765406A (zh) 一种基于红外遥感图像的雪山检测方法
CN107067375A (zh) 一种基于暗通道先验和边缘信息的图像去雾方法
CN116883408A (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN112085651A (zh) 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法
CN110765887A (zh) 隧道衬砌裂纹自动识别技术及检测方法
Saini Document image binarization techniques, developments and related issues: a review
GB2385187A (en) Dynamic thresholding of binary images
CN117974671B (zh) 基于人工智能的手表表盘缺陷智能检测方法
CN115272362A (zh) 一种数字病理全场图像有效区域分割方法、装置
CN108205678B (zh) 一种含有亮斑干扰的铭牌文字识别处理方法
CN108171705A (zh) 一种透明玻璃瓶内液体的异物检测算法
CN114067122B (zh) 一种两级式二值化图像处理方法
Zhu et al. Optimization of image processing in video-based traffic monitoring
CN106611419A (zh) 图像路面区域的提取方法
CN110930358A (zh) 一种基于自适应算法的太阳能面板图像处理方法
CN114266748B (zh) 一种轨交检修领域工艺板表面完整性判定的方法及装置

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