CN113139953B - 检测识别图像中的颗粒污染物的方法及计算机可读存储介质 - Google Patents
检测识别图像中的颗粒污染物的方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113139953B CN113139953B CN202110503176.9A CN202110503176A CN113139953B CN 113139953 B CN113139953 B CN 113139953B CN 202110503176 A CN202110503176 A CN 202110503176A CN 113139953 B CN113139953 B CN 113139953B
- Authority
- CN
- China
- Prior art keywords
- image
- coordinate
- particle
- contour
- carrying
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 121
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 113
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 77
- 239000012528 membrane Substances 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005286 illumination Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 239000000835 fiber Substances 0.000 claims description 22
- 239000000356 contaminant Substances 0.000 claims description 11
- 239000002184 metal Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011109 contamination Methods 0.000 claims description 6
- 229910052755 nonmetal Inorganic materials 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000003749 cleanliness Effects 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 150000002843 nonmetals Chemical class 0.000 description 1
- 238000004204 optical analysis method Methods 0.000 description 1
- 238000005457 optimization 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
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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)
- Image Analysis (AREA)
Abstract
本发明涉及检测识别图像中颗粒污染物的方法及计算机可读存储介质，其中的方法包括步骤S1、对原始图像进行分割扫描拍摄并合并成完整大图，对完整大图进行灰度化处理得到图像A；步骤S2、获取图像A的带有光照不均匀的滤滤波背景图像E；步骤S3、得到图像A的颗粒污染物前景图像H；步骤S4、对颗粒污染物前景图像H进行轮廓检测，检测并识别颗粒污染物前景图像H中颗粒污染物。与现有技术相比，本发明的优点在于：本发明将颗粒污染物作为噪点进行滤波处理，得到带有光照不均匀的滤波背景，再利用原始图像与滤膜背景得到颗粒污染物前景图像H，从而避免光照不均匀对颗粒污染物与滤膜背景的影响，使检测准确率得到很大的提升。
Description
技术领域
本发明涉及一种检测识别图像中的颗粒污染物的方法及计算机可读存储介质。
背景技术
随着社会经济水平的不断提高，汽车持有量逐年增加。据公安部统计数据显示，截至2020年底，全国汽车保有量达2.81亿辆，比2019年增长8.1％。用户对汽车的质量要求不断提高，其中清洁度作为汽车变速器总成及零部件的一项关键指标，对变速器总成的性能和寿命有直接影响，零部件清洁度测试是提升产品可靠性的重要手段之一。因此，对零部件清洁度进行控制和监测成为了汽车生产过程中必不可少的步骤。颗粒污染物的识别助于提升系统零部件清洁度的测量精度，促进系统向可靠性更高的方向发展。
针对颗粒污染物清洁度的检测，国际标准ISO 16232:2018中的光学分析方法给出了详细的步骤及参数：1)灰度直方图统计；2)以直方图最高点对应的像素值的0.7倍像素值和1.45倍像素值做二值化；3)对二值化图像做膨胀和腐蚀操作；4)分类统计。然而由于实际显微镜扫描拍摄时，由于光照的不均匀使得成像的图片中间偏亮，四周偏暗，导致中间的颗粒污染物亮度与四周的滤网膜背景亮度非常接近，直接使用标准步骤和参数检测时效果非常差。因此，需要根据实际情况进行算法优化，才能满足实际应用需求。
发明内容
本发明所要解决的第一个技术问题是针对上述现有技术提供一种抗光照不均匀能力强、检测效率高的检测识别图像中的颗粒污染物的方法。
本发明所要解决的第二个技术问题是提供一种计算机可读存储介质。
本发明解决上述第一个技术问题所采用的技术方案为：一种检测识别图像中的颗粒污染物的方法，其特征在于包括如下步骤：
步骤S1、读入含有颗粒污染物的原始图像，采用显微镜对原始图像进行分割扫描拍摄并合并成完整大图，对完整大图进行灰度化处理得到图像A；
步骤S2、将图像A中的颗粒污染物作为噪点进行滤波处理，得到图像A的带有光照不均匀的滤膜背景图像E；
步骤S3、根据滤膜背景图像E，得到图像A的颗粒污染物前景图像H；
步骤S4、对颗粒污染物前景图像H进行轮廓检测，检测并识别颗粒污染物前景图像H中颗粒污染物。
作为改进，所述步骤S2具体包括：
步骤S2-1、对图像A进行二值化，得到图像B；
步骤S2-2、对图像B进行外轮廓检测，选择最大的外轮廓作为轮廓坐标L；
步骤S2-3、对图像A的轮廓坐标L及轮廓坐标L内部的像素进行k*k的中值滤波，得到中值滤波图像C；
步骤S2-4、对图像A的轮廓坐标L及轮廓坐标L内部的像素进行(k*t)*(k*t)的中值滤波，得到中值滤波图像D；
步骤S2-5、根据中值滤波图像C和中值滤波图像D提取滤膜背景图像E。
再改进，所述步骤S2-3通过如下进方案实现：
步骤S2-3-1、对图像A进行k*k的中值滤波，得到图像A1；
步骤S2-3-2、将轮廓坐标L按照行坐标y从小到大，列坐标x从小到大进行排序，同一行坐标，保留最小和最大的列坐标，得到由每行两端轮廓坐标构成的集合LS＝ {LSP1，LSP2，....LSPi}，其中LSPi＝{yi，ximin，ximax}；ximin为行坐标为yi时对应的最小列坐标，中ximax为行坐标为yi时对应的最大列坐标；i为轮廓坐标L中对应的最大行数；
步骤S2-3-3、根据轮廓坐标集合LS，将图像A中轮廓坐标L及轮廓坐标L内部的像素点的像素值置为u1，轮廓坐标L外的像素点的像素值置为u2，得到图像A2；
步骤S2-3-4、对图像A1中轮廓坐标L及轮廓坐标L内部附近m个坐标进行中值滤波修改，得到修正后的中值滤波图像C，具体包括：
步骤S2-3-4-1、以坐标(yi，ximin)为中心，再次进行k*k的中值滤波，如果k*k子块在图像A2中对应的位置像素点的像素值为u2，则图像A中对应的k*k子块中相应位置像素点的像素值不纳入到中值计算中，仅将图像A中与图像A2对应的k*k子块中像素值为u1对应的位置像素点的像素值作为中值计算基础，得到坐标(yi，ximin)修正后的中值滤波值；
步骤S2-3-4-2、按照步骤S2-3-4-1，对坐标(yi，ximin)及向右m个像素点，坐标(yi，ximax)及向左m个像素点进行相同的中值滤波处理，其中m<ximax-ximin；
步骤S2-3-4-3、根据步骤S2-3-4-1、步骤S2-3-4-2遍历轮廓坐标集合LS，对图像A轮廓及内部附近m个坐标进行相同的中值滤波处理；
步骤S2-3-4-4、根据步骤S2-3-4-1、步骤S2-3-4-2、步骤S2-3-4-3将图像A1中轮廓坐标L及轮廓坐标L内部附近m个坐标轮廓坐标L及轮廓坐标L内部附近m个坐标的像素值用修正后的中值滤波值替换，其余值不变，得到修正后的中值滤波图像C。
再改进，所述步骤S2-4具体包括：
步骤S2-4-1、将图像A的长和宽均缩小t倍，得到图像B1；
步骤S2-4-2、对图像B1进行k*k中值滤波，得到图像B2；
步骤S2-4-3、将图像B2的长和宽均放大t倍，得到图像A轮廓坐标集合L及其内部像素的(k*t)*(k*t)中值滤波图像D。
再改进，所述步骤S2-5具体包括：
步骤S2-5-1、对中值滤波图像C和中值滤波图像D做图像绝对差分，得到图像CD，并计算图像CD像素的平均值d；
步骤S2-5-2、比较图像CD中每个像素点的像素值v与平均值d的大小，如果v＞2d，则将中值滤波图像D对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点；否则将中值滤波图像C对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点。
再改进，所述步骤S3具体包括：
步骤S3-1、对图像A与滤膜背景图像E做图像绝对差分，得到图像F；
步骤S3-2、对图像F进行二值化得到图像G；
步骤S3-3、对图像G进行核大小为5*5的闭运算得到颗粒污染物前景图像H。
再改进，所述步骤S3-2通过如下进方案实现：
步骤S3-2-1、对图像F做灰度直方图统计，记为c＝{c0，c1，...，c255}；
步骤S3-2-2、计算除0以外的灰度值概率，记为p＝{p1，p2，...，p255}，pi为：
步骤S3-2-3、计算概率＝{p1，p2，...，p255}的平均值pa；
步骤S3-2-4、遍历概率＝{p1，p2，...，p255}，以第一个pu<pa对应的像素值u作为阈值对图像F进行二值化，得到图像G。
再改进，所述步骤S4中，除了检测并识别颗粒污染物前景图像H中颗粒污染物外，还对检测识别出的颗粒污染物进行分类计数，具体包括：
步骤S4-1、对颗粒污染物前景图像H进行轮廓检测，得到图像A中每个颗粒污染物的外轮廓，从而检测识别出颗粒污染物；
步骤S4-2、根据每个颗粒污染物的外轮廓大小判断颗粒污染物是否为纤维；
步骤S4-3、对非纤维颗粒污染物根据亮度占比判断是否为金属；
步骤S4-4、根据颗粒污染物的大小和类别进行分类统计。
再改进，所述步骤S4-2具体包括：
步骤S4-2-1、以轮廓坐标最远距离作为颗粒污染物的长度，记为l；以轮廓最小外接矩形的宽作为颗粒污染物的宽度，记为w；
步骤S4-2-2、如果颗粒污染物的长和宽满足l/w>10或者轮廓面积s满足s/(l*w)<0.3，则判断该颗粒污染物为纤维；否则判断该颗粒污染物为非纤维；
所述步骤S4-3具体包括：
步骤S4-3-1、在图像A中取出非纤维颗粒污染物图像，统计像素值大于240的个数为n；
步骤S4-3-2、如果个数n与轮廓面积s满足n/s>0.1，则判断该颗粒污染物为金属；否则判断该颗粒污染物为非金属。
本发明解决上述第二个技术问题所采用的技术方案为：一种计算机可读存储介质，存储有计算机程序，且能被处理器读取并执行，其特征在于：所述计算机程序被处理器执行时实现上述检测识别图像中的颗粒污染物的方法。
与现有技术相比，本发明的优点在于：本发明将颗粒污染物作为噪点进行滤波处理，得到带有光照不均匀的滤膜背景，再利用原始图像与滤膜背景得到颗粒污染物前景图像 H，从而避免光照不均匀对颗粒污染物与滤膜背景的影响，使检测准确率得到很大的提升。
附图说明
图1为本发明实施例中的检测识别图像中的颗粒污染物的方法流程示意图。
图2为本发明实施例中图像A的示意图。
图3为本发明实施例中各步骤中的3*3子块局部效果示意图。
图4a为本发明实施例中实验采用的原始图像示意图；
图4b为根据国际标准ISO 16232:2018中的步骤对图4a进行检测后的结果示意图。
图4c 为根据本发明实施例中提供的方法进行检测后的结果示意图。
具体实施方式
以下结合附图实施例对本实用新型作进一步详细描述。
如图1所示的检测识别图像中的颗粒污染物的方法，其包括以下步骤：
步骤S1、读入含有颗粒污染物的原始图像，采用显微镜对原始图像进行分割扫描拍摄并合并成完整大图，对完整大图进行灰度化处理得到图像A；原始图像可以为一张图像，也可以包括多种图像组成的图像序列；
步骤S2、将图像A中的颗粒污染物作为噪点进行滤波处理，得到图像A的带有光照不均匀的滤膜背景图像E，具体包括：
步骤S2-1、对图像A进行二值化，得到图像B；
步骤S2-2、对图像B进行外轮廓检测，选择最大的外轮廓作为轮廓坐标L；
步骤S2-3、对图像A的轮廓坐标L及轮廓坐标L内部的像素进行k*k的中值滤波，得到中值滤波图像C，该步骤具体包括：
步骤S2-3-1、对图像A进行k*k的中值滤波，得到图像A1；
步骤S2-3-2、将轮廓坐标L按照行坐标y从小到大，列坐标x从小到大进行排序，同一行坐标，保留最小和最大的列坐标，得到由每行两端轮廓坐标构成的集合LS＝ {LSP1，LSP2，....LSPi}，其中LSPi＝{yi，ximin，ximax}；ximin为行坐标为yi时对应的最小列坐标，中ximax为行坐标为yi时对应的最大列坐标；i为轮廓坐标L中对应的最大行数；
步骤S2-3-3、根据轮廓坐标集合LS，将图像A中轮廓坐标L及轮廓坐标L内部的像素点的像素值置为u1，轮廓坐标L外的像素点的像素值置为u2，得到图像A2；
步骤S2-3-4、对图像A1中轮廓坐标L及轮廓坐标L内部附近m个坐标进行中值滤波修改，得到修正后的中值滤波图像C，该步骤具体包括：
步骤S2-3-4-1、以坐标(yi，ximin)为中心，再次进行k*k的中值滤波，如果k*k子块在图像A2中对应的位置像素点的像素值为u2，则图像A中对应的k*k子块中相应位置像素点的像素值不纳入到中值计算中，仅将图像A中与图像A2对应的k*k子块中像素值为u1对应的位置像素点的像素值作为中值计算基础，得到坐标(yi，ximin)修正后的中值滤波值；
步骤S2-3-4-2、按照步骤S2-3-4-1，对坐标(yi，ximin)及向右m个像素点，坐标(yi，ximax)及向左m个像素点进行相同的中值滤波处理，其中m<ximax-ximin；
步骤S2-3-4-3、根据步骤S2-3-4-1、步骤S2-3-4-2遍历轮廓坐标集合LS，对图像A轮廓及内部附近m个坐标进行相同的中值滤波处理；
步骤S2-3-4-4、根据步骤S2-3-4-1、步骤S2-3-4-2、步骤S2-3-4-3将图像A1中轮廓坐标L及轮廓坐标L内部附近m个坐标轮廓坐标L及轮廓坐标L内部附近m个坐标的像素值用修正后的中值滤波值替换，其余值不变，得到修正后的中值滤波图像C
步骤S2-4、对图像A的轮廓坐标L及轮廓坐标L内部的像素进行(k*t)*(k*t)的中值滤波，得到中值滤波图像D，该步骤具体包括：
步骤S2-4-1、将图像A的长和宽均缩小t倍，得到图像B1；
步骤S2-4-2、对图像B1进行k*k中值滤波，得到图像B2；
步骤S2-4-3、将图像B2的长和宽均放大t倍，得到图像A轮廓坐标集合L及其内部像素进行(k*t)*(k*t)的中值滤波图像D；
步骤S2-5、根据中值滤波图像C和中值滤波图像D提取滤膜背景图像E，该步骤具体包括步骤S2-5-1、对中值滤波图像C和中值滤波图像D做图像绝对差分，得到图像CD，并计算图像CD像素的平均值d；
步骤S2-5-2、比较图像CD中每个像素点的像素值v与平均值d的大小，如果v＞2d，则将中值滤波图像D对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点；否则将中值滤波图像C对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点。
步骤S2-4、对图像A的轮廓坐标L及轮廓坐标L内部的像素进行(k*t)*(k*t)的中值滤波，得到中值滤波图像D，该步骤具体包括：
步骤S2-4-1、将图像A的长和宽均缩小t倍，得到图像B1；
步骤S2-4-2、对图像B1进行k*k中值滤波，得到图像B2；
步骤S2-4-3、将图像B2的长和宽均放大t倍，得到图像A轮廓坐标集合L及其内部像素的(k*t)*(k*t)中值滤波图像D；
步骤S2-5、根据中值滤波图像C和中值滤波图像D提取滤膜背景图像E，该步骤具体包括：
步骤S2-5-1、对中值滤波图像C和中值滤波图像D做图像绝对差分，得到图像CD，并计算图像CD像素的平均值d；
步骤S2-5-2、比较图像CD中每个像素点的像素值v与平均值d的大小，如果v＞2d，则将中值滤波图像D对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点；否则将中值滤波图像C对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点；
步骤S3、根据滤膜背景图像E，得到图像A的颗粒污染物前景图像H，该步骤具体包括；
步骤S3-1、对图像A与滤膜背景图像E做图像绝对差分，得到图像F；
步骤S3-2、对图像F进行二值化得到图像G，该步骤具体包括：
步骤S3-2-1、对图像F做灰度直方图统计，记为c＝{c0，c1，...，c255}；
步骤S3-2-2、计算除0以外的灰度值概率，记为p＝{p1，p2，...，p255}，pi为：
步骤S3-2-3、计算概率＝{p1，p2，...，p255}的平均值pa；
步骤S3-2-4、遍历概率＝{p1，p2，...，p255}，以第一个pu<pa对应的像素值u作为阈值对图像F进行二值化，得到图像G；
步骤S3-3、对图像G进行核大小为5*5的闭运算得到颗粒污染物前景图像H；
步骤S4、对颗粒污染物前景图像H进行轮廓检测，检测并识别颗粒污染物前景图像H中的颗粒污染物。
另外，步骤S4中，除了检测并识别颗粒污染物前景图像H中颗粒污染物外，还对检测识别出的颗粒污染物进行分类计数，具体包括：
步骤S4-1、对颗粒污染物前景图像H进行轮廓检测，得到图像A中每个颗粒污染物的外轮廓，从而检测识别出颗粒污染物；
步骤S4-2、根据每个颗粒污染物的外轮廓大小判断颗粒污染物是否为纤维，具体实现方式为：
步骤S4-2-1、以轮廓坐标最远距离作为颗粒污染物的长度，记为l；以轮廓最小外接矩形的宽作为颗粒污染物的宽度，记为w；
步骤S4-2-2、如果颗粒污染物的长和宽满足l/w＞10或者轮廓面积s满足s/(l*w)<0.3，则判断该颗粒污染物为纤维；否则判断该颗粒污染物为非纤维；
步骤S4-3、对非纤维颗粒污染物根据亮度占比判断是否为金属，所述步骤S4-3具体包括：
步骤S4-3-1、在图像A中取出非纤维颗粒污染物图像，统计像素值大于240的个数为n；
步骤S4-3-2、如果个数n与轮廓面积s满足n/s＞0.1，则判断该颗粒污染物为金属；否则判断该颗粒污染物为非金属；
步骤S4-4、根据颗粒污染物的大小和类别进行分类统计。
本实施例还提供一种计算机可读存储介质，存储有计算机程序，且能被处理器读取并执行，所述计算机程序被处理器执行时实现上述检测识别图像中的颗粒污染物的方法。
下面以具体的一个实验实施例，对本发明提供的检测识别图像中的颗粒污染物的方法做举例说明：
步骤S1、读入285张分辨率为1600*1200的颗粒污染物图像序列，这285张分辨率为1600*1200的颗粒污染物图像序列即为原始图像；根据19*15分割扫描拍摄方式，采用显微镜将颗粒污染物图像序列按19行15列的方式合并成大图，对合并后的大图进行灰度化处理得到图像A，如图2所示，其部分3*3子序列合图如图3_a所示；
步骤S2、提取图像A的滤膜背景图像E，具体包括：
步骤S2-1、对图像A进行二值化，得到图像B，其中二值化阈值为240，大于240 置为255，否则置为0；
步骤S2-2、对图像B进行外轮廓检测，选择最大的外轮廓作为轮廓坐标L；
步骤S2-3、对图像A的轮廓坐标L及轮廓坐标L内部的像素进行k*k的中值滤波，得到中值滤波图像C，其部分3*3子序列合图如图3_ b所示，其中k＝99；所述步骤 S2-3具体包括：
步骤S2-3-1、对图像A进行99*99的中值滤波，得到图像A1；
步骤S2-3-2、将轮廓坐标L按照行坐标y从小到大，列坐标x从小到大进行排序，同一行坐标，保留最小和最大的列坐标，得到由每行两端轮廓坐标构成的集合LS＝ {LSP1，LSP2，....LSPi}，其中LSPi＝{yi，ximin，ximax}；ximin为行坐标为yi时对应的最小列坐标，中ximin为行坐标为yi时对应的最大列坐标；i为轮廓坐标L中对应的最大行数；
步骤S2-3-3、根据轮廓坐标集合LS，将图像A中轮廓坐标L及轮廓坐标L内部的像素点的像素值置为u1，轮廓坐标L外的像素点的像素值置为u2，得到图像A2；
步骤S2-3-4、对图像A1中轮廓坐标L及轮廓坐标L内部附近m个坐标进行中值滤波修改，得到修正后的中值滤波图像C，其中m＝49，所述步骤S2-3-4具体包括：
步骤S2-3-4-1、以坐标(yi，ximin)为中心，再次进行k*k的中值滤波，如果k*k子块在图像A2中对应的位置像素点的像素值为u2，则图像A中对应的k*k子块中相应位置像素点的像素值不纳入到中值计算中，仅将图像A中与图像A2对应的k*k子块中像素值为u1对应的位置像素点的像素值作为中值计算基础，得到坐标(yi，ximin)修正后的中值滤波值；
步骤S2-3-4-2、按照步骤S2-3-4-1，对坐标(yi，ximin)及向右m个像素点，坐标(yi，ximax)及向左m个像素点进行相同的中值滤波处理，其中m<ximax-ximin；
步骤S2-3-4-3、根据步骤S2-3-4-1、步骤S2-3-4-2遍历轮廓坐标集合LS，对图像A轮廓及内部附近m个坐标进行相同的中值滤波处理；
步骤S2-3-4-4、根据步骤S2-3-4-1、步骤S2-3-4-2、步骤S2-3-4-3将图像A1中轮廓坐标L及轮廓坐标L内部附近m个坐标轮廓坐标L及轮廓坐标L内部附近m个坐标的像素值用修正后的中值滤波值替换，其余值不变，得到修正后的中值滤波图像C；
步骤S2-4、对图像A的轮廓坐标L及轮廓坐标L内部的像素进行(k*t)*(k*t)的中值滤波，得到中值滤波图像D，其部分3*3子序列合图如图3_c所示，其中t＝5；所述步骤S2-4)具体包括：
步骤S2-4-1、将图像A的长和宽均缩小t倍，得到图像B1；
步骤S2-4-2、对图像B1进行k*k中值滤波，得到图像B2；
步骤S2-4-3、将图像B2的长和宽均放大t倍，得到图像A轮廓坐标集合L及其内部像素进行495*495的中值滤波图像D；
步骤S2-5、根据中值滤波图像C和中值滤波图像D提取滤膜背景图像E，其部分 3*3子序列合图如图3_d所示；所述步骤S2-5具体包括：
步骤S2-5-1、计算图像C和图像D的绝对差分图像CD，并计算图像CD像素的平均值为d；
步骤S2-5-2、比较图像CD中每个像素点的像素值v与平均值d的大小，如果v＞2d，则将中值滤波图像D对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点；否则将中值滤波图像C对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点；
步骤S3、根据滤膜背景图像E，得到图像A的颗粒污染物前景图像H；所述步骤 S3具体包括：
步骤S3-1、对图像A与滤膜背景图像E做图像绝对差分，得到图像F；
步骤S3-2、对图像F进行二值化得到图像G；所述步骤S3-2具体包括：
步骤S3-2-1、对图像F做灰度直方图统计，记为c＝{c0，c1，...，c255}；
步骤S3-2-2、计算除0以外的灰度值概率，记为p＝{p1，p2，...，p255}，pi为：
步骤S3-2-3、计算概率＝{p1，p2，...，p255}的平均值pa；
步骤S3-2-4、遍历概率＝{p1，p2，...，p255}，以第一个pu<pa对应的像素值u作为阈值对图像F进行二值化，得到图像G；
步骤S3-3、对图像G进行核大小为5*5的闭运算得到颗粒污染物前景图像H，其部分3*3子序列合图如图3_e所示；
步骤S4、对颗粒污染物前景图像H进行轮廓检测，检测并识别颗粒污染物前景图像H中的颗粒污染物，然后对检测识别出的颗粒污染物进行分类计数；所述步骤S4具体包括：
步骤S4-1、步骤S4-1、对颗粒污染物前景图像H进行轮廓检测，得到图像A中每个颗粒污染物的外轮廓，从而检测识别出颗粒污染物；
步骤S4-2、根据每个颗粒污染物的外轮廓大小判断颗粒污染物是否为纤维，所述步骤S4-2具体包括：
步骤S4-2-1、以轮廓坐标最远距离作为颗粒污染物的长度，记为l；以轮廓最小外接矩形的宽作为颗粒污染物的宽度，记为w；
步骤S4-2-2、如果颗粒污染物的长和宽满足l/w>10或者轮廓面积s满足s/(l*w)<0.3，则判断该颗粒污染物为纤维；否则判断该颗粒污染物为非纤维：
步骤S4-3、对非纤维颗粒污染物根据亮度占比判断是否为金属；所述步骤S4-3具体包括：
步骤S4-3-1、在图像A中取出非纤维颗粒污染物图像，统计像素值大于240的个数为n；
步骤S4-3-2、如果个数n与轮廓面积s满足n/s>0.1，则判断该颗粒污染物为金属；否则判断该颗粒污染物为非金属；
步骤S4-3、对非纤维颗粒污染物根据亮度占比判断是否为金属；
步骤S4-4、根据颗粒污染物的大小和类别进行分类统计。
为了验证算法的可行性，申请人进行了大量测试的实验，本例中图2的分类统计结果信息如下表所示。
表1分类统计信息
| 类别 | 测试值(个) | 真实值(个) | 准确率(％) |
| 纤维 | 643 | 645 | 99.69 |
| 金属 | 3791 | 4124 | 91.93 |
| 非金属 | 60509 | 68289 | 88.61 |
为了进一步体现本发明的优点，申请人按照国际标准ISO 16232:2018中的步骤对本例中的原始图像进行了清洁度检测，并与本例方法进行了主观对比，某一子块对比效果其中图4a为原图，图4b为标准ISO 16232:2018检测效果图，图4c为本例方法效果图，可以看出，标准ISO 16232:2018存在较多的漏检，本例方法检测效果更好。
Claims (6)
1.一种检测识别图像中的颗粒污染物的方法，其特征在于包括如下步骤：
步骤S1、读入含有颗粒污染物的原始图像，采用显微镜对原始图像进行分割扫描拍摄并合并成完整大图，对完整大图进行灰度化处理得到图像A；
步骤S2、将图像A中的颗粒污染物作为噪点进行滤波处理，得到图像A的带有光照不均匀的滤膜背景图像E，具体包括：
步骤S2-1、对图像A进行二值化，得到图像B，其中二值化阈值为240，大于240置为255，否则置为0；
步骤S2-2、对图像B进行外轮廓检测，选择最大的外轮廓作为轮廓坐标L；
步骤S2-3、对图像A的轮廓坐标L及轮廓坐标L内部的像素进行k*k的中值滤波，得到中值滤波图像C；
所述步骤S2-3具体包括：
步骤S2-3-1、对图像A进行k*k的中值滤波，得到图像A1；
步骤S2-3-2、将轮廓坐标L按照行坐标y从小到大，列坐标x从小到大进行排序，同一行坐标，保留最小和最大的列坐标，得到由每行两端轮廓坐标构成的集合LS＝{LSP1，LSP2，....LSPi}，其中LSPi＝{yi,ximin,ximax}；ximin为行坐标为yi时对应的最小列坐标，中ximax为行坐标为yi时对应的最大列坐标；i为轮廓坐标L中对应的最大行数；
步骤S2-3-3、根据轮廓坐标集合LS，将图像A中轮廓坐标L及轮廓坐标L内部的像素点的像素值置为u1，轮廓坐标L外的像素点的像素值置为u2，得到图像A2；
步骤S2-3-4、对图像A1中轮廓坐标L及轮廓坐标L内部附近m个坐标进行中值滤波修改，得到修正后的中值滤波图像C；
所述步骤S2-3-4具体包括：
步骤S2-3-4-1、以坐标(yi,ximin)为中心,再次进行k*k的中值滤波，如果k*k子块在图像A2中对应的位置像素点的像素值为u2，则图像A中对应的k*k子块中相应位置像素点的像素值不纳入到中值计算中，仅将图像A中与图像A2对应的k*k子块中像素值为u1对应的位置像素点的像素值作为中值计算基础，得到坐标(yi,ximin)修正后的中值滤波值；
步骤S2-3-4-2、按照步骤S2-3-4-1，对坐标(yi,ximin)及向右m个像素点，坐标(yi,ximax)及向左m个像素点进行相同的中值滤波处理，其中m<ximax-ximin；
步骤S2-3-4-3、根据步骤S2-3-4-1、步骤S2-3-4-2遍历轮廓坐标集合LS，对图像A轮廓及内部附近m个坐标进行相同的中值滤波处理；
步骤S2-3-4-4、根据步骤S2-3-4-1、步骤S2-3-4-2、步骤S2-3-4-3将图像A1中轮廓坐标L及轮廓坐标L内部附近m个坐标轮廓坐标L及轮廓坐标L内部附近m个坐标的像素值用修正后的中值滤波值替换，其余值不变，得到修正后的中值滤波图像C；
步骤S2-4、对图像A的轮廓坐标L及轮廓坐标L内部的像素进行(k*t)*(k*t)的中值滤波，得到中值滤波图像D；
所述步骤S2-4具体包括：
步骤S2-4-1、将图像A的长和宽均缩小t倍，得到图像B1；
步骤S2-4-2、对图像B1进行k*k中值滤波，得到图像B2；
步骤S2-4-3、将图像B2的长和宽均放大t倍，得到图像A轮廓坐标集合L及其内部像素进行495*495的中值滤波图像D；
步骤S2-5、根据中值滤波图像C和中值滤波图像D提取滤膜背景图像E；
所述步骤S2-5具体包括：
步骤S2-5-1、计算图像C和图像D的绝对差分图像CD，并计算图像CD像素的平均值为d；
步骤S2-5-2、比较图像CD中每个像素点的像素值v与平均值d的大小，如果v>2d，则将中值滤波图像D对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点；否则将中值滤波图像C对应像素点的像素值赋值给滤膜背景图像E对应位置的像素点；
步骤S3、根据滤膜背景图像E，得到图像A的颗粒污染物前景图像H；
步骤S4、对颗粒污染物前景图像H进行轮廓检测，检测并识别颗粒污染物前景图像H中的颗粒污染物。
2.根据权利要求1所述的检测识别图像中的颗粒污染物的方法，其特征在于：所述步骤S3具体包括：
步骤S3-1、对图像A与滤膜背景图像E做图像绝对差分，得到图像F；
步骤S3-2、对图像F进行二值化得到图像G；
步骤S3-3、对图像G进行核大小为5*5的闭运算得到颗粒污染物前景图像H。
3.根据权利要求2所述的检测识别图像中的颗粒污染物的方法，其特征在于：所述步骤S3-2通过如下方案实现：
步骤S3-2-1、对图像F做灰度直方图统计，记为c＝{c0,c1,…,c255}；
步骤S3-2-2、计算除0以外的灰度值概率，记为p＝{p1,p2,…,p255}，pi为：
步骤S3-2-3、计算概率＝{p1,p2,…,p255}的平均值pa；
步骤S3-2-4、遍历概率＝{p1,p2,…,p255}，以第一个pu<pa对应的像素值u作为阈值对图像F进行二值化，得到图像G。
4.根据权利要求1所述的检测识别图像中的颗粒污染物的方法，其特征在于：所述步骤S4中，除了检测并识别颗粒污染物前景图像H中颗粒污染物外，还对检测识别出的颗粒污染物进行分类计数，具体包括：
步骤S4-1、对颗粒污染物前景图像H进行轮廓检测，得到图像A中每个颗粒污染物的外轮廓，从而检测识别出颗粒污染物；
步骤S4-2、根据每个颗粒污染物的外轮廓大小判断颗粒污染物是否为纤维；
步骤S4-3、对非纤维颗粒污染物根据亮度占比判断是否为金属；
步骤S4-4、根据颗粒污染物的大小和类别进行分类统计。
5.根据权利要求4所述的检测识别图像中的颗粒污染物的方法，其特征在于：
所述步骤S4-2具体包括：
步骤S4-2-1、以轮廓坐标最远距离作为颗粒污染物的长度，记为l；以轮廓最小外接矩形的宽作为颗粒污染物的宽度，记为w；
步骤S4-2-2、如果颗粒污染物的长和宽满足l/w>10或者轮廓面积s满足s/(l*w)<0.3，则判断该颗粒污染物为纤维；否则判断该颗粒污染物为非纤维；
所述步骤S4-3具体包括：
步骤S4-3-1、在图像A中取出非纤维颗粒污染物图像，统计像素值大于240的个数为n；
步骤S4-3-2、如果个数n与轮廓面积s满足n/s>0.1，则判断该颗粒污染物为金属；否则判断该颗粒污染物为非金属。
6.一种计算机可读存储介质，存储有计算机程序，且能被处理器读取并执行，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的检测识别图像中的颗粒污染物的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503176.9A CN113139953B (zh) | 2021-05-10 | 2021-05-10 | 检测识别图像中的颗粒污染物的方法及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110503176.9A CN113139953B (zh) | 2021-05-10 | 2021-05-10 | 检测识别图像中的颗粒污染物的方法及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113139953A CN113139953A (zh) | 2021-07-20 |
| CN113139953B true CN113139953B (zh) | 2022-11-04 |
Family
ID=76817000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110503176.9A Active CN113139953B (zh) | 2021-05-10 | 2021-05-10 | 检测识别图像中的颗粒污染物的方法及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113139953B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6674904B1 (en) * | 1999-12-14 | 2004-01-06 | Intel Corporation | Contour tracing and boundary detection for object identification in a digital image |
| CN102324092A (zh) * | 2011-09-09 | 2012-01-18 | 华南理工大学 | 一种数字图像中颗粒状对象的自动分割方法 |
| WO2017152822A1 (zh) * | 2016-03-07 | 2017-09-14 | 华为技术有限公司 | 图像处理方法和装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7359552B2 (en) * | 2004-12-15 | 2008-04-15 | Mitsubishi Electric Research Laboratories, Inc. | Foreground detection using intrinsic images |
| US9519975B2 (en) * | 2014-01-08 | 2016-12-13 | Hong Kong Applied Science And Technology Research Institute Co. Ltd. | Method of detecting edge under non-uniform lighting background |
| WO2017051327A1 (en) * | 2015-09-22 | 2017-03-30 | Imageprovision Technology Pvt. Ltd. | Method and system for detection and classification of particles based on processing of microphotographic images |
| FR3060180A1 (fr) * | 2016-12-14 | 2018-06-15 | Cyclopus | Procede de traitement d’image numerique |
| CN107895377B (zh) * | 2017-11-15 | 2020-07-10 | 国光电器股份有限公司 | 一种前景目标提取方法、装置、设备及存储介质 |
| CN109389613B (zh) * | 2018-09-29 | 2021-09-03 | 同济大学 | 一种基于计算机视觉的残留鱼饵计数方法 |
| CN111583227B (zh) * | 2020-05-08 | 2023-03-24 | 华侨大学 | 一种荧光细胞自动计数方法、装置、设备和介质 |
| CN112381084B (zh) * | 2020-10-12 | 2024-02-09 | 武汉沃亿生物有限公司 | 断层图像的轮廓自动识别方法 |
-
2021
- 2021-05-10 CN CN202110503176.9A patent/CN113139953B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6674904B1 (en) * | 1999-12-14 | 2004-01-06 | Intel Corporation | Contour tracing and boundary detection for object identification in a digital image |
| CN102324092A (zh) * | 2011-09-09 | 2012-01-18 | 华南理工大学 | 一种数字图像中颗粒状对象的自动分割方法 |
| WO2017152822A1 (zh) * | 2016-03-07 | 2017-09-14 | 华为技术有限公司 | 图像处理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113139953A (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
| CN110555467B (zh) | 一种基于模型迁移的工业数据分类方法 | |
| CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
| CN112560538B (zh) | 一种根据图像冗余信息快速定位受损qr码的方法 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| CN114926463A (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
| CN110929635B (zh) | 基于信任机制下面部交并比的假脸视频检测方法及系统 | |
| CN114219805A (zh) | 一种玻璃缺陷智能检测方法 | |
| CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
| Mukherjee et al. | Enhancement of image resolution by binarization | |
| CN112150418A (zh) | 一种磁粉探伤智能识别方法 | |
| CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
| CN115496692A (zh) | 一种润滑油磨粒图像增强方法 | |
| CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
| CN114627109A (zh) | 基于图像增强和深度学习的煤矸分类识别方法与流程 | |
| CN117351001B (zh) | 一种再生铝合金模板表面缺陷识别方法 | |
| CN113139953B (zh) | 检测识别图像中的颗粒污染物的方法及计算机可读存储介质 | |
| CN110705553A (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
| CN114511530A (zh) | 一种基于显微镜图像的鱼腥藻类细胞统计方法 | |
| CN117333467A (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 | |
| CN115631197B (zh) | 一种图像处理方法、装置、介质、设备及系统 | |
| CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
| CN109584212B (zh) | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 | |
| CN114511851B (zh) | 一种基于显微镜图像的游丝藻类细胞统计方法 |
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 |