CN113935666B - 基于图像处理的建筑装饰墙面砖异常评估方法 - Google Patents

Abstract

本发明涉及建筑装饰墙面砖异常评估领域，具体涉及一种基于图像处理的建筑装饰墙面砖异常评估方法，包括：获取处理后的墙面砖表面图像；对表面图像进行高斯拟合，得到各子区域；根据各子区域两两间的相似度及空间信息得到各子区域两两间的边界值，进而得到损失指标；利用损失指标得到初步合并后的各子区域；对初步合并后的各子区域进行迭代合并，得到最终合并的各子区域；统计最终合并后的各子区域内的像素点数量，得到正常子区域和异常子区域；根据正常子区域和异常子区域对待检测墙面砖进行异常评估。上述方法用于评估墙面砖的异常程度，通过上述方法可有效提高墙面砖异常评估的准确性和效率。

Description

基于图像处理的建筑装饰墙面砖异常评估方法

技术领域

本发明涉及建筑装饰墙面砖异常评估领域，具体涉及一种基于图像处理的建筑装饰墙面砖异常评估方法。

背景技术

在墙面砖的生产过程中，由于工艺技术的客观性因素影响，会造成墙面砖表面出现裂纹、异色点、划痕等表面缺陷。当墙面砖出现大量缺陷时，将会影响墙面砖的美观，严重时将会导致墙面砖使用寿命降低，甚至影响后续建筑装饰的使用效果，带来安全隐患问题。因此需要对墙面砖进行异常评估。

目前对于生产出来的墙面砖异常检测和评估的手段主要是是根据操作人员的经验对生产出的墙面砖进行一一检测，操作人员通过观察对墙面砖进行异常评估和判断。

然而，上述方法由于依赖人工经验，导致工作量大，检测速度慢，会存在评估准确率低和检测效率低等问题，因此亟需一种方法用于提高对墙面砖异常评估的准确性和效率。

发明内容

本发明提供了一种基于图像处理的建筑装饰墙面砖异常评估方法，包括：获取处理后的墙面砖表面图像；对表面图像进行高斯拟合，得到各子区域；根据各子区域两两间的相似度及空间信息得到各子区域两两间的边界值，进而得到损失指标；利用损失指标得到初步合并后的各子区域；对初步合并后的各子区域进行迭代合并，得到最终合并的各子区域；统计最终合并后的各子区域内的像素点数量，得到正常子区域和异常子区域；根据正常子区域和异常子区域对待检测墙面砖进行异常评估，相比于现有技术，本发明通过对采集的墙面砖表面图像进行分析，建立墙面砖异常检测模型，利用墙面砖异常检测模型识别异常区域，可以有效提取出墙面砖表面存在的异常区域，通过多重迭代、验证过程，对异常像素点进行细粒度的提取，具有准确性高、检测速度快等有益效果。

进一步的，本发明基于提取的异常区域的特征参数，构建墙面砖异常程度评估模型，对墙面砖的异常程度进行定量分析，可提高对墙面砖异常评估的准确性。

为达到上述目的，本发明采用以下技术方案，一种基于图像处理的建筑装饰墙面砖异常评估方法，包括：

S1：采集待检测的墙面砖表面图像。

S2：对待检测的墙面砖表面图像进行预处理，得到处理后的墙面砖表面图像。

S3：根据各像素点的亮度值对墙面砖表面图像进行高斯混合模型拟合，通过高斯混合模型中的各个高斯子模型确定表面图像中的各子区域。

S4：根据各子区域两两之间的相似度及空间信息计算得到各子区域两两之间的边界值。

S5：根据各子区域两两之间的边界值计算得到各子区域两两之间的损失指标。

S6：将各子区域两两之间的损失指标低于设定的损失指标阈值的两两区域合并为同一区域，依次对表面图像中所有子区域进行类别合并，得到初步类别合并后的各子区域。

S7：重复步骤S4-S6对初步类别合并后的各子区域进行迭代类别合并，直到合并后任意两个子区域之间的损失指标均高于损失指标阈值，迭代终止，得到最终类别合并后的各子区域。

S8：对最终类别合并后的各子区域内的像素点数量进行统计，得到正常子区域和异常子区域。

S9：根据得到的正常子区域和异常子区域对待检测的墙面砖进行异常评估。

进一步的，所述一种基于图像处理的建筑装饰墙面砖异常评估方法，所述各子区域两两之间的边界值是按照如下方式得到：

获取各高斯子模型的均值和方差。

根据各高斯子模型的均值和方差构建模型向量，得到各子区域的模型向量。

根据各子区域的模型向量构建相似度分析模型，得到各子区域两两之间的相似度。

计算各子区域两两之间的空间距离，得到各子区域两两之间的空间信息。

基于各子区域两两之间的相似度及空间信息构建边界值计算模型，得到各子区域两两之间的边界值。

进一步的，所述一种基于图像处理的建筑装饰墙面砖异常评估方法，所述相似度分析模型的表达式如下：

式中，

为子区域i、j之间的相似度，

分别为高斯子模型i和高斯子模型j的均值，

分别为高斯子模型i和高斯子模型j的方差，

为模型参数。

进一步的，所述一种基于图像处理的建筑装饰墙面砖异常评估方法，所述边界值计算模型的表达式如下：

式中，

为子区域i、j之间的相似度，

为第c个边界的值，是由子区域i、j组成的边界，

为子区域i、j之间的空间距离。

进一步的，所述一种基于图像处理的建筑装饰墙面砖异常评估方法，所述损失指标的表达式如下：

式中，

为子区域i、j之间的损失指标，

为第c个边界的值，是由子区域i、j组成的边界，t为模型参数。

进一步的，所述一种基于图像处理的建筑装饰墙面砖异常评估方法，所述对待检测的墙面砖进行异常评估是按照如下方式进行：

根据得到的正常子区域和异常子区域获取异常子区域提取二值图。

将异常子区域提取二值图与待检测墙面砖RGB图像进行相乘并裁剪，得到各异常连通域。

根据各异常连通域的数量、分布指标及各异常连通域内的像素点数量得到待检测墙面砖的异常程度。

设置阈值，对待检测墙面砖的异常程度进行判断：当待检测墙面砖的异常程度高于阈值时，该待检测墙面砖不合格。

进一步的，所述一种基于图像处理的建筑装饰墙面砖异常评估方法，所述待检测墙面砖的异常程度是按照如下方式得到：

获取各异常连通域的数量及各异常连通域内的像素点数量。

根据各异常连通域中所有像素点的灰度值得到各异常连通域的二维分布图。

根据二维分布图构建分布指标计算模型，得到各异常连通域的分布指标。

根据各异常连通域的数量、分布指标及各异常连通域内的像素点数量构建墙面砖异常程度评估模型，得到待检测墙面砖的异常程度。

进一步的，所述一种基于图像处理的建筑装饰墙面砖异常评估方法，所述分布指标计算模型的表达式如下：

式中，

为第a个异常连通域的分布指标，

为异常连通域所包含的第

个灰度等级，

为灰度等级数，

为灰度等级

所对应的像素点数量。

进一步的，所述一种基于图像处理的建筑装饰墙面砖异常评估方法，所述墙面砖异常程度评估模型的表达式如下：

式中，

为待检测墙面砖的异常程度，A为异常连通域的数量，

为第a个异常连通域的分布指标，

为第a个异常连通域所包含的像素点的数量。

本发明的有益效果在于：

本发明通过对采集的墙面砖表面图像进行分析，建立墙面砖异常检测模型，利用墙面砖异常检测模型识别异常区域，可以有效提取出墙面砖表面存在的异常区域，通过多重迭代、验证过程，对异常像素点进行细粒度的提取，具有准确性高、检测速度快等有益效果。

进一步的，本发明基于提取的异常区域的特征参数，构建墙面砖异常程度评估模型，对墙面砖的异常程度进行定量分析，可提高对墙面砖异常评估的准确性。

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为本发明实施例1提供的一种建筑装饰墙面砖异常评估方法流程示意图；

图2为本发明实施例2提供的一种建筑装饰墙面砖异常评估方法流程示意图。

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。

实施例1

本发明实施例提供一种基于图像处理的建筑装饰墙面砖异常评估方法，如图1所示，包括：

S1、采集待检测的墙面砖表面图像。

其中，墙面砖表面图像是指采集的待检测墙面砖表面的正视图像。

S2、对待检测的墙面砖表面图像进行预处理，得到处理后的墙面砖表面图像。

其中，预处理指的是均衡化处理和去噪处理。

S3、根据各像素点的亮度值对墙面砖表面图像进行高斯混合模型拟合，通过高斯混合模型中的各个高斯子模型确定表面图像中的各子区域。

其中，高斯混合模型是一个可以用来表示在总体分布中含有 K 个子分布的概率模型，换句话说，混合模型表示了观测数据在总体中的概率分布，它是一个由 K 个子分布组成的混合分布。

S4、根据各子区域两两之间的相似度及空间信息计算得到各子区域两两之间的边界值。

其中，子区域相似度越大，空间距离越小，则对应的边界值越高。

S5、根据各子区域两两之间的边界值计算得到各子区域两两之间的损失指标。

其中，损失指标可以理解为将两个子区域分为同一个类别（合并）的损失、代价。

S6、将各子区域两两之间的损失指标低于设定的损失指标阈值的两两区域合并为同一区域，依次对表面图像中所有各子区域进行类别合并，得到初步类别合并后的各子区域。

其中，两个子区域之间的吸引力越大，将两个子区域合并的损失就越小。

S7、重复步骤S4-S6对初步类别合并后的各子区域进行迭代类别合并，直到合并后任意两个子区域之间的损失指标均高于损失指标阈值，迭代终止，得到最终类别合并后的各子区域。

其中，迭代类别合并是为了提高子区域归类精度。

S8、对最终类别合并后的各子区域内的像素点数量进行统计，得到正常子区域和异常子区域。

其中，正常子区域为包含像素数最多的子区域。

S9、根据得到的正常子区域和异常子区域对待检测的墙面砖进行异常评估。

其中，对待检测的墙面砖进行异常评估主要是通过判断待检测墙面砖的异常程度与设置阈值的大小关系进行的。

本实施例的有益效果在于：

本实施例通过对采集的墙面砖表面图像进行分析，建立墙面砖异常检测模型，利用墙面砖异常检测模型识别异常区域，可以有效提取出墙面砖表面存在的异常区域，通过多重迭代、验证过程，对异常像素点进行细粒度的提取，具有准确性高、检测速度快等有益效果。

进一步的，本实施例基于提取的异常区域的特征参数，构建墙面砖异常程度评估模型，对墙面砖的异常程度进行定量分析，可提高对墙面砖异常评估的准确性。

实施例2

本发明实施例提供一种基于图像处理的建筑装饰墙面砖异常评估方法，如图2所示，包括：

S201、采集待检测墙面砖的表面图像。

本实施例在墙面砖生产完成之后对其表面异常情况进行检测、评估，本实施例主要基于图像数据及图像处理技术对白色墙面砖进行异常程度的评估。

在待检测墙面砖正上方布置图像采集设备，通过相机对待检测墙面砖表面进行图像采集，对于相机位置以及相机拍摄范围的设置，实施者根据实际情况自行设定。本实施例中，相机位于待检测墙面砖的正上方，采集待检测墙面砖表面的正视图像，以减少光照不均匀等因素对图像采集的影响，便于对墙面砖表面的异常区域进行准确提取。

S202、获取处理后的墙面砖表面图像。

由于材料等问题，待检测墙面砖表面会出现反光的现象，所以，在进行表面异常检测之前需要对图像进行预处理：先进行均衡化处理，现有光照均衡化的方法有很多：直方图均衡化、伽马变换等，本实施例采用伽马变换对其进行光照均衡化处理，所述伽马变换为公知技术，不在本实施例保护范围内不做具体阐述。然后，排除噪声的影响，本实施例采用均值滤波去噪方法消除图像中的噪点，避免图像采集过程中噪声对图像质量的影响，所述均值滤波过程为公知技术，在此不做详细阐述。

至此，即可根据所述方法获取处理后的待检测墙面砖表面的图像数据，用于后续对墙面砖表面的异常状况进行检测、评估。

对所采集的图像数据进行分析，建立墙面砖异常检测模型，用于对墙面砖表面的异常区域进行提取识别，便于对异常程度进行评估。

本实施例主要目的是通过图像数据实现对墙面砖异常检测识别，进一步对墙面砖异常状况进行评估，因此，对于获取的图像数据，本实施例将建立墙面砖异常检测模型，用于提取待检测墙面砖异常区域，基于此分析墙面砖的异常程度。所述墙面砖异常检测模型具体为：

S203、获取各子区域。

对于所获取的图像数据，本实施例将基于墙面砖图像数据中各像素点的亮度值拟合一个高斯混合模型，其包含高斯子模型的个数记为N，所述高斯子模型的数量N实施者可自行设定，本实施例将其设置为10。在此需要说明，所述像素点的亮度值为对图像进行HSV转换后，所获取的图像各像素点的亮度值V，相对于RGB空间，HSV空间能够非常直观的表达色彩的明暗，色调，以及鲜艳程度，更加突出颜色之间的差异对比，以增加墙面砖异常区域的识别精度；

获取各高斯子模型所对应的图像各区域，为实现准确检测出墙面砖表面的异常区域，本实施例将对各区域进行更进一步的分析，以提高异常区域检测精度。本实施例将每个区域作为一个子区域，两个子区域中心点之间的连线作为边界，则图像中可得到N个子区域以及

条边界。

S204、获取各高斯子模型的均值和方差。

本实施例将对所述边界的边界值进行设置，用于对各子区域进行类别合并，所述边界值计算模型具体为：

首先，设置子区域相似度分析模型，检测子区域之间的相关程度，用于对后续的边界值进行计算，进一步的识别出墙面砖图像数据中的异常像素点，所述子区域相似度分析模型为：首先每个高斯子模型可以获取对应的两个参数：均值

。

S205、获取各子区域的模型向量。

基于此构建模型向量，用于对各高斯子模型进行表征，所述模型向量为

，代表第i个子区域的模型向量，然后获取各子区域的模型向量。

S206、得到各子区域两两之间的相似度。

构建相似度分析模型：

式中，

为子区域i，j之间的相似度，

分别为高斯子模型i和高斯子模型j的均值，

分别为高斯子模型i和高斯子模型j的方差，模型函数值越大，则对应子区域之间的相似度越高。

为模型参数，实施者可以自行设定，本实施例中k=2。基于该模型可以分析两个子区域之间的相关性，对于N个子区域，可得到

个相似度值，用于对子区域之间边界进行分析，获取各边界的边界值。

S207、得到各子区域两两之间的边界值。

然后，本实施例将基于子区域的相似度以及空间信息构建边界值计算模型，用于得到任意两个子区域之间边界的指标，所述边界值计算模型具体为：

式中，

为子区域i，j之间的相似度，

代表第c个边界的值，也即由子区域i、j组成的边界，

为子区域i、j之间的空间距离，空间距离现有计算方法有很多，本实施例用欧式距离计算，根据本实施例建立的边界值计算模型可知，所述子区域相似度越大，空间距离越小，则对应的边界值越高。

至此可获取各边界的边界值，用于计算各子区域进行分类的损失值。

S208、获取各子区域两两之间的损失指标。

进一步，本实施例将通过两个子区域之间的边界值计算两个子区域的损失指标

：

，t为模型参数，实施者可自行选取，本实施例设置为t=2，为便于后续分析，对损失指标模型进行归一化处理，保证函数值处于[0,1]，归一化过程为现有公知技术，不在本实施例保护范围内不做相关阐述。

S209、得到初步类别合并的各子区域。

所述损失指标可以理解为将两个子区域分为同一个类别（合并）的损失、代价，所述边界值越高，则两个子区域之间的吸引力越大，将两个子区域合并的损失就越小，因此 ，本实施例设置损失指标阈值

，为保证子区域归类精度，所述损失指标阈值

设置的尽量小，本实施例将其设置为

。当所述损失指标低于预设阈值

时，本实施例将认为两个子区域为同一类别，将对应的两个子区域归为一类，对图像中的各子区域均进行初步类别合并。

S210、得到最终类别合并的各子区域。

为进一步提高子区域合并精度，本实施例将对类别合并后获取的各子区域再次进行分析，获取合并后各子区域之间的边界值，并得到对应的损失指标，当损失指标值低于预设阈值时，将再次对分类后的各子区域再次进行合并归类，同理，可以对再次类别合并后的各新的子区域迭代进行子区域类别分析合并，设置迭代条件：直到合并后任意两个子区域之间的损失指标均高于所述损失指标阈值，迭代终止。

至此，即可更加精确的得到最终类别合并后的子区域。

S211、获取异常子区域。

经过对待分析图像数据进行子区域合并后，则统计每个子区域内的像素点数量，将包含像素点数量最多的子区域作为正常子区域，对应像素点作为正常像素点，其他像素点为异常像素点，用于对异常程度进行评估。

本实施例所构建的墙面砖异常检测模型，可以有效提取出墙面砖表面存在的异常区域，通过多重迭代、验证过程，对异常像素点进行细粒度的提取，具有准确性高、检测速度快等有益效果。

至此，通过本实施例所设计的上述方法及模型实现对墙面砖的异常检测，准确获取墙面砖表面图像数据中的异常像素点，用于对墙面砖异常状况进行评估。

基于所检测的异常区域进行异常程度分析，以得到每个待检测墙面砖的异常程度，为生产商提供参考意见。

根据上述步骤可对待检测农用墙面砖表面图像数据进行分析，可准确提取异常区域，进一步，本实施例构建墙面砖异常程度评估模型，对墙面砖异常状况进行检测评估。所述墙面砖异常程度评估模型具体为：

S212、获取异常子区域提取二值图。

对于上述提取的异常子区域，本实施例将对其进行特征参数提取，用于对异常程度进行评估判定。首先，将异常子区域像素点对应的像素值设为1，正常子区域所对应的像素点的像素值设为0，即可得到二值化图像，统计二值图像中异常连通域的数量，将其记为A。对各异常连通域内的异常像素点进行统计，并将其记为

，

，

为第a个异常连通域所包含的异常像素点的数量。

S213、获取各异常连通域。

然后，将二值图像与原待检测墙面砖RGB图像进行相乘，并进行裁剪，即可得到各异常连通域RGB图像数据。

S214、获取各异常连通域的二维分布图。

对各异常连通域RGB图像，本实施例将对各异常连通域的像素分布情况进行分析，以获取各异常区域的分布指标，用于评估异常程度。所述像素分布指标具体为：对于异常连通域的RGB图像，为降低计算量，首先将像素点0-255的灰度级划分为0-(N’-1)共N’个等级，N’小于255且尽可能小，本实施例将其设置为N’=10，然后统计在异常连通域中各灰度等级所对应的像素点的数量，得到对应的二维分布图。

S215、获取各异常连通域的分布指标。

进一步基于所述二维分布图构建分布指标计算模型：

式中，

为第a个异常连通域的分布指标，

为异常连通域所包含的第

个灰度等级，

为灰度等级数，

为灰度等级

所对应的像素点数量。模型函数值越大，则对应异常连通域的纹理分布越散乱，异常程度越高。

S216、获取待检测墙面砖的异常程度。

最后基于所提取的各异常区域的特征参数，构建墙面砖异常程度评估模型，对墙面砖的异常程度进行定量分析，所述评估模型为：

式中，

为待检测墙面砖的异常程度，A为异常连通域的数量，

为第a个异常连通域的分布指标，

为第a个异常连通域所包含的异常像素点的数量。

对模型进行归一化处理，以保证异常评估模型函数值处于[0,1]，便于后续对异常状况进行直观了解。

S217、对待检测墙面砖进行异常评估。

为便于相关生产商等直观了解所生产的建筑装饰墙面砖的异常状况，本实施例将对墙面砖异常状况设定程度阈值T，当墙面砖异常程度高于预设程度阈值T时，本实施例将认为墙面砖异常程度过大，生产不合格，不满足后续使用时外观及安全需求。将异常程度高于阈值的墙面砖放置到固定存储处，需要再次进行处理加工，避免因墙面砖异常严重导致次品率增加、生产效率降低等问题。所述阈值设定实施者可根据实际情况自行设定，本实施例将其设置为T=0.35。

本实施例的有益效果在于：

本实施例通过对采集的墙面砖表面图像进行分析，建立墙面砖异常检测模型，利用墙面砖异常检测模型识别异常区域，可以有效提取出墙面砖表面存在的异常区域，通过多重迭代、验证过程，对异常像素点进行细粒度的提取，具有准确性高、检测速度快等有益效果。

进一步的，本实施例基于提取的异常区域的特征参数，构建墙面砖异常程度评估模型，对墙面砖的异常程度进行定量分析，可提高对墙面砖异常评估的准确性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于图像处理的建筑装饰墙面砖异常评估方法，其特征在于，包括：

S1：采集待检测的墙面砖表面图像；

S2：对待检测的墙面砖表面图像进行预处理，得到处理后的墙面砖表面图像；

S3：根据各像素点的亮度值对墙面砖表面图像进行高斯混合模型拟合，通过高斯混合模型中的各个高斯子模型确定表面图像中的各子区域；

S4：根据各子区域两两之间的相似度及空间信息计算得到各子区域两两之间的边界值；

所述各子区域两两之间的边界值是按照如下方式得到：

获取各高斯子模型的均值和方差；

根据各高斯子模型的均值和方差构建模型向量，得到各子区域的模型向量；

根据各子区域的模型向量构建相似度分析模型，得到各子区域两两之间的相似度；所述相似度分析模型的表达式如下：

式中，

为子区域i，j之间的相似度，

分别为高斯子模型i和高斯子模型j的均值，

分别为高斯子模型i和高斯子模型j的方差，

为模型参数；

计算各子区域两两之间的空间距离，得到各子区域两两之间的空间信息；

基于各子区域两两之间的相似度及空间信息构建边界值计算模型，得到各子区域两两之间的边界值；所述边界值计算模型的表达式如下：

式中，

为子区域i、j之间的相似度，

为第c个边界的值，是由子区域i、j组成的边界，

为子区域i、j之间的空间距离；

S5：根据各子区域两两之间的边界值计算得到各子区域两两之间的损失指标；所述损失指标的表达式如下：

式中，

为子区域i、j之间的损失指标，

为第c个边界的值，是由子区域i、j组成的边界，t为模型参数；

S6：将各子区域两两之间的损失指标低于设定的损失指标阈值的两两区域合并为同一区域，依次对表面图像中所有子区域进行类别合并，得到初步类别合并后的各子区域；

S7：重复步骤S4- S6对初步类别合并后的各子区域进行迭代类别合并，直到合并后任意两个子区域之间的损失指标均高于损失指标阈值，迭代终止，得到最终类别合并后的各子区域；

S8：对最终类别合并后的各子区域内的像素点数量进行统计，得到正常子区域和异常子区域；

S9：根据得到的正常子区域和异常子区域对待检测的墙面砖进行异常评估。

2.根据权利要求1所述的一种基于图像处理的建筑装饰墙面砖异常评估方法，其特征在于，所述对待检测的墙面砖进行异常评估是按照如下方式进行：

根据得到的正常子区域和异常子区域获取异常子区域提取二值图；

将异常子区域提取二值图与待检测墙面砖RGB图像进行相乘并裁剪，得到各异常连通域；

根据各异常连通域的数量、分布指标及各异常连通域内的像素点数量得到待检测墙面砖的异常程度；

设置阈值，对待检测墙面砖的异常程度进行判断：当待检测墙面砖的异常程度高于阈值时，该待检测墙面砖不合格。

3.根据权利要求2所述的一种基于图像处理的建筑装饰墙面砖异常评估方法，其特征在于，所述待检测墙面砖的异常程度是按照如下方式得到：

获取各异常连通域的数量及各异常连通域内的像素点数量；

根据各异常连通域中所有像素点的灰度值得到各异常连通域的二维分布图；

根据二维分布图构建分布指标计算模型，得到各异常连通域的分布指标；

根据各异常连通域的数量、分布指标及各异常连通域内的像素点数量构建墙面砖异常程度评估模型，得到待检测墙面砖的异常程度。

4.根据权利要求3所述的一种基于图像处理的建筑装饰墙面砖异常评估方法，其特征在于，所述分布指标计算模型的表达式如下：

式中，

为第a个异常连通域的分布指标，

为异常连通域所包含的第

个灰度等级，

为灰度等级数，

为灰度等级

所对应的像素点数量。

5.根据权利要求3所述的一种基于图像处理的建筑装饰墙面砖异常评估方法，其特征在于，所述墙面砖异常程度评估模型的表达式如下：

式中，

为待检测墙面砖的异常程度，A为异常连通域的数量，

为第a个异常连通域的分布指标，

为第a个异常连通域所包含的像素点的数量。

Images