CN113643271A - 一种基于频域滤波的图像瑕疵检测方法及装置 - Google Patents
一种基于频域滤波的图像瑕疵检测方法及装置 Download PDFInfo
- Publication number
- CN113643271A CN113643271A CN202110973774.2A CN202110973774A CN113643271A CN 113643271 A CN113643271 A CN 113643271A CN 202110973774 A CN202110973774 A CN 202110973774A CN 113643271 A CN113643271 A CN 113643271A
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- graph
- filter
- frequency
- image
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000001914 filtration Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000007547 defect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012800 visualization Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
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 Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供了一种基于频域滤波的图像瑕疵检测方法及装置,其中,一种基于频域滤波的图像瑕疵检测方法包括:将待测图通过傅里叶正变换由空间域转换至频域;构建频域滤波器,得到频域滤波器图;将频谱图上每一点的频率幅值和频域滤波器图对应进位置的频率幅值进行点乘,得到频域滤波后的频域处理图;将得到的频域处理图的频率幅值经过傅里叶逆变换转换回空间域,得到输出图;分析输出图,得到检测结果。该方法加强了瑕疵与背景的差异度,便于识别,具有检测准确率高且普适性较强的特点,避免传统检测中易受各种干扰,检测条件苛刻的要求。
Description
技术领域
本申请涉及图像检测技术领域,尤其涉及一种基于频域滤波的图像瑕疵检测方法及装置。
背景技术
外观检测能够发现异物、污点、瑕疵、缺陷等,防止不良品的流出,但目视检测存在精度极限。全数检测则不光耗费人工和成本,还会因个人差导致精度偏差和人为错误。且细微的瑕疵及污点等难以被发现,要维持品质,必须借助显微镜等工具,实施放大检测。点数较少时,还能离线进行显微镜检测,但要检测成千上万点时,则需要投入庞大的劳力,导致生产效率大幅降低。要兼顾品质和生产效率,视觉系统技术是不可或缺的重要环节。
对于过去不得不依赖人眼判断的外观检测,随着视觉系统及视觉系统技术的进步,细微异物、瑕疵、缺陷的检测也成为了可能。基于机器视觉技术的缺陷检测方法,即利用图像处理和分析对产品可能存在的缺陷进行检测。在检测产品存在缺陷时,瑕疵缺陷图像的特点是,其图像表现为缺陷处的灰度值与标准图像在此处的灰度值有差异。首先对瑕疵缺陷图像的特征进行提取与选择,然后将瑕疵缺陷图像的灰度值同标准图像的灰度值进行比较,判断其差值,即两幅图灰度值的相差程度,是否超出已预先设定的阈值范围,以此方法便能判断出待检测产品是否存在缺陷。此为瑕疵缺陷检测的最基本方法之一。
物体表面的细小纹理、模糊图像中的Mura缺陷和非均匀照明表面的划痕等缺陷类型是检测领域中的难点,针对此问题目前大部分采用传统的空间域图像处理技术或者深度学习算法去解决。在空间域中此类缺陷的表现形式多为:特征微小、与背景差异不够明显等,检测效果受物体表面材质、纹理、光照和噪声干扰影响较大,算法设计难度大,检测准确率较低,且普适性较差;用深度学习技术对硬件的要求较高,且需要大量且丰富的样本。针对这一现状,提出一种基于频域滤波的瑕疵检测方法,可实现上述瑕疵的快速高精度检测。
发明内容
为了解决现有技术中,检测效果受物体表面材质、纹理、光照和噪声干扰影响较大,传统算法算法设计难度大,检测准确率较低,且普适性较差;用深度学习技术对硬件的要求较高的问题。本发明的方法是加强了瑕疵与背景的差异度,便于识别,具有检测准确率高且普适性较强的特点,通过以下各个实施例公开一种基于频域滤波的图像瑕疵检测方法。
在本发明的第一方面,公开一种基于频域滤波的图像瑕疵检测方法,包括以下步骤:
S10,将待测图通过二维离散傅里叶正变换由空间域转换至频域,进行可视化处理,得到频谱图;
S20,根据所述频谱图,构建频域滤波器,对所述频域滤波器进行可视化处理,得到频域滤波器图;
S30,将所述频谱图上每一点的频率幅值和所述频域滤波器图对应进位置的频率幅值进行点乘,进行可视化处理,得到频域滤波后的频域处理图;
S40,将得到的所述频域处理图的频率幅值经过二维离散傅里叶逆变换转换回空间域,进行可视化处理,得到输出图;
S50,分析所述输出图,得到检测结果。
可选的,所述S10中通过傅里叶正变换由空间域转换至频域为,
通过二维离散傅里叶变换由空间域转换至频域,融合了基-2、基-3、基-4、基-5、基-7、基-8、基-10、基-11、基-13、基-16的方法加速傅里叶变换。
可选的,所述高斯滤波器的公式为:
其中,u、v表示频域坐标,σu表示列方向上的高斯标准差,σv表示行方向上的高斯标准差,W表示图的宽,H表示图的高,θ表示频域图的旋转角度。
可选的,所述均值滤波器的公式为:
其中,u、v表示频域坐标,Du表示列方向上的直径、Dv表示行方向上的直径,θ表示频域图的旋转角度。
可选的,所述正弦滤波器的公式为:
其中,u、v表示频域坐标,freq表示滤波器最大值与DC直流项的距离,W表示图的宽,H表示图的高,F(u,v)取计算结果大于0的部分,负数部分取为0。
可选的,所述高斯带状滤波器的公式为:
其中u、v表示频域坐标,freq表示滤波器最大值与DC直流项的距离,W表示图的宽、H表示图的高。
可选的,所述进行可视化处理为通过归一化至灰度值0-255之间,转化成灰度图进行显示。
可选的,所述S50中分析所述输出图为,对所述输出图进行二值化分析。
可选的,所述S50中分析所述输出图为,对所述输出图进行连通域分析。
可选的,所述S50中分析所述输出图为,对所述输出图进行直线检测分析。
在本发明的第二方面,公开了一种基于频域滤波的图像瑕疵检测装置,包括:
获取频谱图模块,将待测图通过二维离散傅里叶正变换由空间域转换至频域,进行可视化处理,得到频谱图;
获取频域滤波器图模块,根据所述频谱图,构建频域滤波器,对所述频域滤波器进行可视化处理,得到频域滤波器图;
滤波模块,将所述频谱图上每一点的频率幅值和所述频域滤波器图对应进位置的频率幅值进行点乘,进行可视化处理,得到频域滤波后的频域处理图;
获取输出图模块,将得到的所述频域处理图的频率幅值经过二维离散傅里叶逆变换转换回空间域,进行可视化处理,得到输出图;
检测分析模块,分析所述输出图,得到检测结果。
通过该方案,能够根据不受被检测物体表面材质、纹理、光照和噪声差异大等问题干扰,同时也能通过图像检测特征微小中的瑕疵。通过本发明实施例公开的方案,首先将含有瑕疵的图像进行图像反转、二值化等前处理操作,然后将图像由空间域转换至频域得到频谱图,分析频谱图信号的组成,构建合适的频域滤波器,对频谱图进行信号的筛选、提取,得到处理后的频谱图像后再由频域转换至空间域,对图像进行后处理来判断是否存在缺陷。
附图说明
为了更清楚地说明本申请的技术方案,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,对于本领域普通技术人员而言,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为本发明实施例公开的一种基于频域滤波的图像瑕疵检测方法的流程图;
图2为本发明实施例公开的一种手机显示屏的瑕疵检测输入图像;
图3为本发明实施例公开的一种手机显示屏的瑕疵检测中傅里叶正变换后的频谱图;
图4为本发明实施例公开的一种手机显示屏的瑕疵检测中的频域滤波器图;
图5为本发明实施例公开的一种手机显示屏的瑕疵检测中滤波后的频域处理图;
图6为本发明实施例公开的一种手机显示屏的瑕疵检测中傅里叶逆变换后的输出图;
图7为本发明实施例公开的一种手机显示屏的瑕疵检测后处理的Blob识别瑕疵图;
图8为本发明实施例公开的一种基于频域滤波的图像瑕疵检测装置的结构框图。
具体实施方式
为了解决现有技术中,利用图像检测技术检测物体时,对于被检测的物体的参数要求严格,图像检测适应度很差,被测物体的表面材质、纹理、光照和噪声差异大,导致并且效果不佳,有时瑕疵过小也没法检测。本发明通过以下实施例公开一种基于频域滤波的图像瑕疵检测方法及装置。
参见图1,图1是本申请提供的一种基于频域滤波的图像瑕疵检测方法的流程图,应用于对应的装置。如图1所示,包括以下步骤:
S10,将待测图通过二维离散傅里叶正变换由空间域转换至频域,进行可视化处理,得到频谱图。
图像的高低频是对图像各个位置之间强度变化的一种度量方法。低频分量,主要对整副图像的强度的综合度量;高频分量,主要是对图像边缘和轮廓的度量。如果一副图像的各个位置的强度大小相等,则图像只存在低频分量,从图像的频谱图上看,只有一个主峰,且位于频率为零的位置。如果一副图像的各个位置的强度变化剧烈,则图像不仅存在低频分量,同时也存在多种高频分量,从图像的频谱上看,不仅有一个主峰,同时也存在多个旁峰。以上的现象可以通过对傅里叶变换的公式分析得出。二维的图像可以分解成不同的频率成分。其中,低频成分描述大范围的信息,而高频成分描述具体的细节。
具体地,低频代表图像中灰度变化平缓的地方,也就是背景;高频代表图像中灰度变化剧烈的地方,也就是边缘。转换至频域后是可以从频谱图上直观的看出图像是高频多还是低频多,频谱图坐标对应了频率,越亮的地方代表那一点的频率在图像中的成分越多。
在S10中,通过二维离散傅里叶正变换由空间域转换至频域为,
通过二维离散傅里叶变换由空间域转换至频域,融合了基-2、基-3、基-4、基-5、基-7、基-8、基-16的方法加速傅里叶变换。
快速离散傅里叶变换的实质是把一长序列的离散傅里叶变换计算分割为较短序列的离散傅里叶变换计算。对于基2算法而言,是把序列每次一分为二,最后分割成两点DFT,也可以采用别的分割法,每次一分为三,四,五等,就得到了基3,基4,基5等算法。
S20,根据所述频谱图,构建频域滤波器,对所述频域滤波器进行可视化处理,得到频域滤波器图。
通过分析频谱图像,一般来说图像上缺陷部分的变换是剧烈、突兀的,那么在频域中过滤或者保留一些频率的信息来增强缺陷在图像上的表现,能更好的进行后处理从而检测出缺陷。因此,需要构建频域滤波器,可以简单理解为频域滤波器越亮的地方,保留的频率越多,越暗的地方保留的频率越少,可以从图中看出。
可构建多种滤波器适用于不同场景下信号的提取和处理。频域滤波部分可构建包括但不限于高斯频域滤波器、均值频域滤波器、正弦频域滤波器、高斯带状频域滤波器、带通滤波器、带阻滤波器等在内的多种频域滤波器。其中主要的滤波器的构建方法如下:
高斯滤波器:
其中,u、v表示频域坐标,σu表示列方向上的高斯标准差,σv表示行方向上的高斯标准差,W表示图的宽,H表示图的高,θ表示频域图的旋转角度。
均值滤波器:
其中u、v表示频域坐标,Du表示列方向上的直径、Dv表示行方向上的直径,θ表示频域图像的旋转角度。
正弦滤波器:
其中u、v表示频域坐标,freq表示滤波器最大值与DC直流项的距离,W表示图的宽,H表示图的高,F(u,v)智取计算结果大于0的部分,负数部分取为0。
高斯带状滤波器:
其中,u、v表示频域坐标,freq表示滤波器最大值与DC直流项的距离,W表示图像的宽、H表示图像的高。
S30,将所述频谱图上每一点的频率幅值和所述频域滤波器图对应进位置的频率幅值进行点乘,进行可视化处理,得到频域滤波后的频域处理图。
S40,将得到的所述频域处理图的频率幅值经过二维离散傅里叶逆变换转换回空间域,进行可视化处理,得到输出图。
将频谱图上的某些频率去除或者保留后,在转回空间域,就可以得到一张已经过滤掉的图像,原图中一些背景的干扰被去除,缺陷部分被增强,从而更好的进行后续检测。
S50,分析所述输出图,得到检测结果。
对可视化后的输出图像进行二值化分析,或连通域分析,或直线检测等后处理步骤可以判断是否存在瑕疵。根据实际图片情况进行分析二选择不同的分析图片方式,目的就是突出瑕疵部分,让检测更加方便。
需要说明的是,所述可视化处理,可视化是利用计算机图形学和图像处理技术,将数据转换成图形或图像在屏幕上显示出来,并进行交互处理的理论、方法和技术。本申请具体是滤波过程中的到的频谱图、频域滤波器图像、频域处理图像以及输出结果图像都是通过归一化至灰度0-255之间,转化成灰度图像进行显示。输出图像支持real和byte两种可视化显示方式。这种方式可以最直观显示每一步所呈现的图像内容。
其中,在一个具体示例中,提供了一个本方法的详细应用和解决方式。在科技的发展过程中,人们对手机屏幕的质量要求越来越高,通常来说,手机屏幕能够显示的颜色越多,就越能够显示复杂的图像,呈现出来的画面层次感也就越丰富。因此,为了满足较好的使用效果,手机进入市场之前,生产厂家都需要对手机显示屏的性能及手机功能进行相应检测。
参见图2,为一种手机显示屏带有瑕疵部分的图像。由于颜色差异不大,或者其瑕疵过小,导致传统的方法难以甄别,所以需要通过转换图像的方式由一些图像检测算法分析,进而明显识别出其瑕疵。
首先读入一副原始手机屏幕部分图像,其中图像尺寸为M*N,M代表图像的行数和N代表图像的列数,然后将图像利用公式(1)进行二维离散傅里叶正变换。变换过程采用了融合了基-2、基-3、基-4、基-5、基-7、基-8、基-10、基-11、基-13、基-16等方法加速傅里叶变换。
其中,x=0,1,2,…,M-1,y=0,1,2,…,N-1,u、v表示频域坐标,j表示虚数单位。
再通过计算F(u,v)的模求得频率的幅值,如公式(2)所示:
其中,R表示F(u,v)的实部、I表示F(u,v)的虚部。
然后,经过可视化操作进行归一化后,最终得到该手机瑕疵检测的频谱图,如图3所示。
频谱图像中间部分对应低频,四个角对应高频部分,分析所得到的频谱图3,构建合适的滤波器进行频域滤波器操作。其中高斯频域滤波器可以有效保留图像低频部分,弱化高频部分的影响;均值频域滤波器可以有效去除频域中规律性的颗粒高频部分;正弦滤波器可以有效保留中高频部分,弱化低频部分的影响;高斯带状滤波器自由度较高,可以针对不同频率进行设置。构建出的频域滤波器为F1(u,v),经过可视化操作进行归一化后,如图4所示。
将频谱图和频域滤波器图点乘,进行频域滤波,如公式所示。
F′(u,v)=F(u,v)*F1(u,v)(3)
得到滤波后的频域处理图像,经过可视化操作进行归一化后,如图5所示。
将频域处理图像F′(u,v)利用公式(4)进行二维离散傅里叶逆变换,变换过程同样采用了融合了基-2、基-3、基-4、基-5、基-7、基-8、基-16等方法加速傅里叶变换。
其中,x=0,1,2,…,M-1,y=0,1,2,…,N-1,u、v表示频域坐标,j表示虚数单位。
再取f′(x,y)的实部,如公式(5)所示:
|f′(x,y)|=r(x,y)(5)
其中,r(x,y)表示f′(x,y)的实部。
经过可视化操作进行归一化后,最终得到输出图像如图6所示。
将得到的输出图像,参考图6使用Blob工具进行连通域分析,得到标记了瑕疵部分的参考图7,其中标记部分表示瑕疵。
需要说明的是,Blob分析目的在于对图像中的2-D形状进行检测和分析,得到诸如目标位置、形状、方向和目标间的拓扑关系,即包含关系等信息。根据这些信息可对目标进行识别。在某些应用中我们不仅需要利用2D的形状特征,还要利用Blob分析之间的特征关系。
本实施例采用的Blob分析作为图像分析,不仅限于此种分析工具。针对参考图6,其瑕疵,普通人也可以用眼睛分辨出来,其本质是通过本申请的方法将图像增加其差异化,清晰化,能够较为明显地方大其特征,进而通过图像分析算法能够自动识别出。
进一步的,参考图8,在本发明实施例公开的一种基于频域滤波的图像瑕疵检测装置,还包括:
获取频谱图模块,将待测图通过二维离散傅里叶正变换由空间域转换至频域,进行可视化处理,得到频谱图;
获取频域滤波器图模块,根据所述频谱图,构建频域滤波器,对所述频域滤波器进行可视化处理,得到频域滤波器图;
滤波模块,将所述频谱图上每一点的频率幅值和所述频域滤波器图对应进位置的频率幅值进行点乘,进行可视化处理,得到频域滤波后的频域处理图;
获取输出图模块,将得到的所述频域处理图的频率幅值经过二维离散傅里叶逆变换转换回空间域,进行可视化处理,得到输出图;
检测分析模块,分析所述输出图,得到检测结果。
在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已,本发明能够以很多不同于在此描述的其它方式来实施,因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (12)
1.一种基于频域滤波的图像瑕疵检测方法,其特征在于,包括以下步骤:
S10,将待测图通过二维离散傅里叶正变换由空间域转换至频域,进行可视化处理,得到频谱图;
S20,根据所述频谱图,构建频域滤波器,对所述频域滤波器进行可视化处理,得到频域滤波器图;
S30,将所述频谱图上每一点的频率幅值和所述频域滤波器图对应进位置的频率幅值进行点乘,进行可视化处理,得到频域滤波后的频域处理图;
S40,将得到的所述频域处理图的频率幅值经过二维离散傅里叶逆变换转换回空间域,进行可视化处理,得到输出图;
S50,分析所述输出图,得到检测结果。
2.根据权利要求1所述的一种基于频域滤波的图像瑕疵检测方法,其特征在于,
所述S10中通过二维离散傅里叶正变换由空间域转换至频域为:
通过二维离散傅里叶变换由空间域转换至频域,融合了基-2、基-3、基-4、基-5、基-7、基-8、基-10、基-11、基-13、基-16的方法加速傅里叶变换。
3.根据权利要求1所述的一种基于频域滤波的图像瑕疵检测方法,其特征在于,
所述S20中的频域滤波器为高斯滤波器、均值滤波器、正弦滤波器和高斯带状滤波器其中的一种。
8.根据权利要求1所述的一种基于频域滤波的图像瑕疵检测方法,其特征在于,
所述进行可视化处理为通过归一化至灰度值0-255之间,转化成灰度图进行显示。
9.根据权利要求1所述的一种基于频域滤波的图像瑕疵检测方法,其特征在于,所述S50中分析所述输出图为,对所述输出图进行二值化分析。
10.根据权利要求1所述的一种基于频域滤波的图像瑕疵检测方法,其特征在于,所述S50中分析所述输出图为,对所述输出图进行连通域分析。
11.根据权利要求1所述的一种基于频域滤波的图像瑕疵检测方法,其特征在于,所述S50中分析所述输出图为,对所述输出图进行直线检测分析。
12.一种基于频域滤波的图像瑕疵检测装置,其特征在于,包括:
获取频谱图模块,将待测图通过二维离散傅里叶正变换由空间域转换至频域,进行可视化处理,得到频谱图;
获取频域滤波器图模块,根据所述频谱图,构建频域滤波器,对所述频域滤波器进行可视化处理,得到频域滤波器图;
滤波模块,将所述频谱图上每一点的频率幅值和所述频域滤波器图对应进位置的频率幅值进行点乘,进行可视化处理,得到频域滤波后的频域处理图;
获取输出图模块,将得到的所述频域处理图的频率幅值经过二维离散傅里叶逆变换转换回空间域,进行可视化处理,得到输出图;
检测分析模块,分析所述输出图,得到检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973774.2A CN113643271A (zh) | 2021-08-24 | 2021-08-24 | 一种基于频域滤波的图像瑕疵检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973774.2A CN113643271A (zh) | 2021-08-24 | 2021-08-24 | 一种基于频域滤波的图像瑕疵检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643271A true CN113643271A (zh) | 2021-11-12 |
Family
ID=78423559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110973774.2A Pending CN113643271A (zh) | 2021-08-24 | 2021-08-24 | 一种基于频域滤波的图像瑕疵检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643271A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240920A (zh) * | 2021-12-24 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 一种外观缺陷检测方法 |
CN114663430A (zh) * | 2022-05-18 | 2022-06-24 | 爱科赛智能科技(浙江)有限公司 | 一种基于频域信息双确认的pcb表面缺陷检测方法 |
CN117269179A (zh) * | 2023-11-23 | 2023-12-22 | 平方和(北京)科技有限公司 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
CN117314798A (zh) * | 2023-11-29 | 2023-12-29 | 国药新光医疗科技有限公司 | 一种去除纤维镜图像网格的方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097371A (zh) * | 2016-06-23 | 2016-11-09 | 凌云光技术集团有限责任公司 | 一种瑕疵检测方法及系统 |
CN107194919A (zh) * | 2017-05-18 | 2017-09-22 | 南京大学 | 基于规律纹理背景重建的手机屏幕缺陷检测方法 |
CN107220649A (zh) * | 2017-05-27 | 2017-09-29 | 江苏理工学院 | 一种素色布匹缺陷检测和分类方法 |
CN108961225A (zh) * | 2018-06-21 | 2018-12-07 | 重庆信息通信研究院 | 周期性纹理抑制方法以及装置 |
CN109345501A (zh) * | 2018-08-06 | 2019-02-15 | 天津普智捷信息技术有限公司 | 基于频域图像增强的螺旋缠绕式物料缺陷检测方法 |
CN109934802A (zh) * | 2019-02-02 | 2019-06-25 | 浙江工业大学 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
CN110111301A (zh) * | 2019-03-21 | 2019-08-09 | 广东工业大学 | 基于频域变换的金属氧化表面缺陷视觉检测方法 |
CN110530883A (zh) * | 2019-09-30 | 2019-12-03 | 凌云光技术集团有限责任公司 | 一种缺陷检测方法 |
CN111855672A (zh) * | 2020-07-29 | 2020-10-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种cof软板缺陷检测的方法 |
WO2021017588A1 (zh) * | 2019-07-31 | 2021-02-04 | 茂莱(南京)仪器有限公司 | 一种基于傅立叶频谱提取的图像融合方法 |
US20210104034A1 (en) * | 2019-10-02 | 2021-04-08 | Kla Corporation | Frequency domain enhancement of low-snr flat residue/stain defects for effective detection |
CN112785520A (zh) * | 2021-01-14 | 2021-05-11 | 明峰医疗系统股份有限公司 | Ct图像伪影去除方法 |
-
2021
- 2021-08-24 CN CN202110973774.2A patent/CN113643271A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097371A (zh) * | 2016-06-23 | 2016-11-09 | 凌云光技术集团有限责任公司 | 一种瑕疵检测方法及系统 |
CN107194919A (zh) * | 2017-05-18 | 2017-09-22 | 南京大学 | 基于规律纹理背景重建的手机屏幕缺陷检测方法 |
CN107220649A (zh) * | 2017-05-27 | 2017-09-29 | 江苏理工学院 | 一种素色布匹缺陷检测和分类方法 |
CN108961225A (zh) * | 2018-06-21 | 2018-12-07 | 重庆信息通信研究院 | 周期性纹理抑制方法以及装置 |
CN109345501A (zh) * | 2018-08-06 | 2019-02-15 | 天津普智捷信息技术有限公司 | 基于频域图像增强的螺旋缠绕式物料缺陷检测方法 |
CN109934802A (zh) * | 2019-02-02 | 2019-06-25 | 浙江工业大学 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
CN110111301A (zh) * | 2019-03-21 | 2019-08-09 | 广东工业大学 | 基于频域变换的金属氧化表面缺陷视觉检测方法 |
WO2021017588A1 (zh) * | 2019-07-31 | 2021-02-04 | 茂莱(南京)仪器有限公司 | 一种基于傅立叶频谱提取的图像融合方法 |
CN110530883A (zh) * | 2019-09-30 | 2019-12-03 | 凌云光技术集团有限责任公司 | 一种缺陷检测方法 |
US20210104034A1 (en) * | 2019-10-02 | 2021-04-08 | Kla Corporation | Frequency domain enhancement of low-snr flat residue/stain defects for effective detection |
CN111855672A (zh) * | 2020-07-29 | 2020-10-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种cof软板缺陷检测的方法 |
CN112785520A (zh) * | 2021-01-14 | 2021-05-11 | 明峰医疗系统股份有限公司 | Ct图像伪影去除方法 |
Non-Patent Citations (1)
Title |
---|
王岩松;金伟其;钟克洪;: "随机纹理表面缺陷检测方法与应用", 中国图象图形学报, no. 01 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240920A (zh) * | 2021-12-24 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 一种外观缺陷检测方法 |
CN114663430A (zh) * | 2022-05-18 | 2022-06-24 | 爱科赛智能科技(浙江)有限公司 | 一种基于频域信息双确认的pcb表面缺陷检测方法 |
CN117269179A (zh) * | 2023-11-23 | 2023-12-22 | 平方和(北京)科技有限公司 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
CN117269179B (zh) * | 2023-11-23 | 2024-02-02 | 平方和(北京)科技有限公司 | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统 |
CN117314798A (zh) * | 2023-11-29 | 2023-12-29 | 国药新光医疗科技有限公司 | 一种去除纤维镜图像网格的方法 |
CN117314798B (zh) * | 2023-11-29 | 2024-05-03 | 国药新光医疗科技有限公司 | 一种去除纤维镜图像网格的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113643271A (zh) | 一种基于频域滤波的图像瑕疵检测方法及装置 | |
CN106650770B (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
US6983065B1 (en) | Method for extracting features from an image using oriented filters | |
Tsai et al. | Automated surface inspection for directional textures | |
Aiger et al. | The phase only transform for unsupervised surface defect detection | |
Tsa et al. | Automated surface inspection using Gabor filters | |
CN113658154A (zh) | 一种基于频域周期性纹理去除的图像检测方法及装置 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN108416766A (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN109444169A (zh) | 一种轴承缺陷检测方法及系统 | |
Fekri-Ershad et al. | A robust approach for surface defect detection based on one dimensional local binary patterns | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN108318491A (zh) | 一种基于频谱曲率分析的织物缺陷检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN108830851B (zh) | 一种lcd粗糙斑缺陷检测方法 | |
CN116468726B (zh) | 一种在线异物线路检测方法及系统 | |
CN116660286A (zh) | 基于图像分割的线束剥头测量与缺陷检测方法及系统 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
Ahmad et al. | A geometric-based method for recognizing overlapping polygonal-shaped and semi-transparent particles in gray tone images | |
Oni et al. | Patterned fabric defect detection and classification (fddc) techniques: A review | |
CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
Huang | Improved non-local means algorithm for image denoising |
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 |