CN114549525A - 一种基于改进canny算法的工业图像检测方法 - Google Patents

一种基于改进canny算法的工业图像检测方法 Download PDF

Info

Publication number
CN114549525A
CN114549525A CN202210437696.9A CN202210437696A CN114549525A CN 114549525 A CN114549525 A CN 114549525A CN 202210437696 A CN202210437696 A CN 202210437696A CN 114549525 A CN114549525 A CN 114549525A
Authority
CN
China
Prior art keywords
image
pixel
point
discontinuity
difference
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
Application number
CN202210437696.9A
Other languages
English (en)
Other versions
CN114549525B (zh
Inventor
余彤
刘凌佳
江稳楹
张永敏
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.)
Haimen Yulong Photoelectric Technology Co ltd
Original Assignee
Haimen Yulong Photoelectric Technology 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 Haimen Yulong Photoelectric Technology Co ltd filed Critical Haimen Yulong Photoelectric Technology Co ltd
Priority to CN202210437696.9A priority Critical patent/CN114549525B/zh
Publication of CN114549525A publication Critical patent/CN114549525A/zh
Application granted granted Critical
Publication of CN114549525B publication Critical patent/CN114549525B/zh
Expired - Fee Related 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20004—Adaptive image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于改进canny算法的工业图像检测方法，通过将图像中的每个点转换为RGB三维空间中的向量，计算向量之间的向量相似度和欧式距离，根据向量之间的相似度和欧式距离建立坐标系，对向量进行聚类得到不同类别的图像，获取每类图像与原图像的差图，对差图进行插值补全，计算出补全后的差图的色彩不连续性和纹理不连续性，综合得到补全后的差图的不连续性，根据不连续性最小的差图得到噪声图像和噪声概率图，将噪声概率图中超过阈值的概率值对应的像素点进行密度聚类，根据密度分布设置不同尺寸的高斯核进行滤波，对图像检测中的高斯滤波进行改进，使高斯滤波在去噪的同时尽量多保留图像边缘信息，得到更优的边缘检测结果。

Description

一种基于改进canny算法的工业图像检测方法
技术领域
本申请涉及人工智能领域，具体涉及一种基于改进canny算法的工业图像检测方法。
背景技术
工业场景较为复杂，采集到的图像往往含有较大的噪声，在检测图像边缘时，效果不好，目前常规的边缘检测方法是采用canny算子边缘检测，主要步骤为图像灰度化、高斯滤波、计算梯度值和方向、非极大值抑制等，其中，高斯滤波是专门用来去除图像噪声的方法，在高斯滤波去噪时，会对图像边缘产生平滑作用，平滑作用会使图像边缘信息产生损失，图像变得模糊，因此，选择一个去噪能力强且边缘平滑能力弱的高斯核就显得尤为重要。
发明内容
本发明提供一种基于改进canny算法的工业图像检测方法，以解决现有图像检测中高斯滤波对图像边缘产生平滑作用造成图像边缘损失的问题，采用如下技术方案：
将图像中的每个像素点转换为RGB三维空间中的向量，根据向量之间的向量相似度进行聚类得到不同类别的图像；
获取每类图像与原图像的差图，对每个差图进行插值补全，并将补全后的差图转换到HSV颜色空间，对HSV颜色空间中的H通道图像中的像素点进行k-means聚类，计算出聚类区域中每个像素点的色彩不连续性，将所有像素点的色彩不连续性均值作为该补全后的差图的色彩不连续性；
将每个补全后的差图中每个像素点与其不同方向上的相邻像素点组成点对，统计每个补全后的差图中的点对在不同尺寸的滑动窗口中出现的次数得到不同的灰度共生矩阵，将灰度共生矩阵均值作为该补全后的差图的纹理不连续性；
根据每个补全后的差图的色彩不连续性和纹理不连续性得到每个补全后的差图的不连续性；
将所有补全后的差图中不连续性最小的补全后的差图对应的类别的图像作为噪声图像，计算出噪声图像中每个像素的噪声概率得到噪声概率图；
将噪声概率图中超过概率阈值的像素点进行密度聚类，对聚类区域进行等级划分，根据区域等级设置不同尺寸的高斯核进行滤波。
所述向量相似度的计算方法为：
Figure 679318DEST_PATH_IMAGE002
式中，s为向量相似度，A和B表示不同的向量，
Figure 100002_DEST_PATH_IMAGE003
表示
Figure 409507DEST_PATH_IMAGE004
的长度，
Figure 100002_DEST_PATH_IMAGE005
表示
Figure 985982DEST_PATH_IMAGE006
的长度，
Figure 100002_DEST_PATH_IMAGE007
=3。
所述对差图进行插值补全步骤如下：
将差图中像素值为0的像素点o周围八邻域中水平方向、垂直方向作为第一优先级，左上和右下连线方向、左下和右上连线方向作为第二优先级；
若优先级相同，则选择不同方向中，像素相差较小的方向为插值方向，并将该方向上较小的像素值补到o点，完成插值补全。
所述补全后的差图的不连续性计算方法为：
Figure 100002_DEST_PATH_IMAGE009
式中，
Figure 961285DEST_PATH_IMAGE010
为补全后的差图的不连续性，
Figure 100002_DEST_PATH_IMAGE011
为补全后的差图的色彩不连续性，
Figure 837974DEST_PATH_IMAGE012
为补全后的差图的纹理不连续性，
Figure 100002_DEST_PATH_IMAGE013
为色彩不连续性的权重，
Figure 207907DEST_PATH_IMAGE014
为纹理不连续性的权重。
所述补全后的差图的色彩不连续性的获取步骤为：
将k-means聚类区域内的像素点转换为树结构，将左子树作为连续节点的集合，右子树作为不连续节点的集合，得到不连续节点的数量
Figure 100002_DEST_PATH_IMAGE015
和位置分布情况；
则该区域不连续概率系数
Figure 537257DEST_PATH_IMAGE016
的计算公式为：
Figure 267315DEST_PATH_IMAGE018
式中，
Figure 201773DEST_PATH_IMAGE015
为该聚类区域内对应的树结构中的不连续节点的数量，
Figure 100002_DEST_PATH_IMAGE019
为该聚类区域内对应的树结构中的节点总数；
则该区域内每个像素的不连续性
Figure 241142DEST_PATH_IMAGE020
计算公式为：
Figure 526630DEST_PATH_IMAGE022
式中，
Figure 100002_DEST_PATH_IMAGE023
为每个像素的八邻域在树结构中的不连续节点的数量；
则每个像素的色彩不连续性计算方法为：
Figure 100002_DEST_PATH_IMAGE025
式中，
Figure 342271DEST_PATH_IMAGE026
为每个像素的色彩不连续性；
则补全后的差图的色彩不连续性
Figure 131235DEST_PATH_IMAGE011
的计算方法为：
Figure 92238DEST_PATH_IMAGE011
=
Figure 100002_DEST_PATH_IMAGE027
式中，
Figure 130601DEST_PATH_IMAGE028
，
Figure 100002_DEST_PATH_IMAGE029
为补全后的差图中像素个数。
所述转换树结构的方法为：
以每个聚类中心点为中心，作为树结构的根节点，左子树为连续子树，右子树为不连续子树，以左上角的邻域像素为起始像素逆时针搜索八邻域像素值，并按照像素值从小到大排序，得到节点序列；
判断节点序列中每个像素是否为突变点，若是突变点，则将突变点归为不连续子树的节点，若不是突变点，则将归为连续子树的节点；
分别以根节点的八邻域像素为中心，先以根节点的左上角邻域像素为中心，开始逆时针搜索八邻域像素值，去除之前已经搜索到的像素，得到像素值节点序列，并按照像素值从小到大进行排序；
判断序列中每个像素是否为突变点，若是突变点，加入不连续子树的节点中，否则，归为连续子树中该像素点的子节点；
将突变点添加为不连续子树的节点时，若此时不连续子树有多个节点，则计算该突变点与不连续子树中每个节点对应像素点之间的距离，将突变点添加为与其距离最近的节点的子节点；
重复上述添加过程，将该聚类区域中全部像素添加到树结构中。
所述判断像素是否为突变点的步骤如下：
设序列中数据每个数据为
Figure 708520DEST_PATH_IMAGE030
,第1,2个数据为
Figure 100002_DEST_PATH_IMAGE031
,
Figure 148729DEST_PATH_IMAGE032
不作处理，直接当做非突变点；
当
Figure 100002_DEST_PATH_IMAGE033
≥3时，得到实际序列[
Figure 296944DEST_PATH_IMAGE031
，
Figure 557024DEST_PATH_IMAGE032
，
Figure 901418DEST_PATH_IMAGE034
]，设虚拟序列为[
Figure 930554DEST_PATH_IMAGE031
，
Figure 217048DEST_PATH_IMAGE032
，
Figure 100002_DEST_PATH_IMAGE035
]；
计算实际序列与虚拟序列的余弦相似度，若余弦相似度大于0.8，则
Figure 964424DEST_PATH_IMAGE030
不是突变点，否则
Figure 378088DEST_PATH_IMAGE030
是突变点。
所述补全后的差图的纹理不连续性的获取方法为：
将补全后的差图转化为灰度图，再进行灰度量化，得到灰度量化图；
将图中的每个像素点(
Figure 261730DEST_PATH_IMAGE036
，
Figure 100002_DEST_PATH_IMAGE037
)和其不同方向上的邻域像素组成不同的点对(
Figure 751748DEST_PATH_IMAGE036
+
Figure 720841DEST_PATH_IMAGE038
，
Figure 672617DEST_PATH_IMAGE037
+
Figure 100002_DEST_PATH_IMAGE039
)，其中，
Figure 459701DEST_PATH_IMAGE038
为
Figure 838729DEST_PATH_IMAGE026
方向上的偏移量，
Figure 295118DEST_PATH_IMAGE039
为
Figure 66896DEST_PATH_IMAGE040
方向上的偏移量；
分别使用5×5、7×7、9×9、11×11… k×k不同尺寸的滑动窗口遍历灰度量化图，统计出每个点对出现的次数，得到多个对应尺寸的灰度共生矩阵，其中：
Figure 393973DEST_PATH_IMAGE042
式中，
Figure 100002_DEST_PATH_IMAGE043
为图像的行列数；
统计每个点对在不同尺寸滑动窗口的到的灰度共生矩阵中出现的次数，得到点对出现次数序列；
计算每个点对对应的次数序列中次数不变值出现的频率，作为该点对的不连续性
Figure 740640DEST_PATH_IMAGE044
，计算方法为：
Figure 684326DEST_PATH_IMAGE046
式中，
Figure 100002_DEST_PATH_IMAGE047
为次数序列中次数不变值出现的次数，
Figure 758330DEST_PATH_IMAGE048
为采用滑动窗口的数量，计算不同点对的不连续性可得到不连续性矩阵，将矩阵均值
Figure 205491DEST_PATH_IMAGE012
作为补全后的差图的纹理不连续性。
所述每个像素的噪声概率的获取步骤为：
对噪声图像进行归一化；
则每个像素的噪声概率
Figure 100002_DEST_PATH_IMAGE049
为：
Figure 100002_DEST_PATH_IMAGE051
式中，
Figure 739372DEST_PATH_IMAGE052
为归一化后的噪声图像中每个像素的值，
Figure 170353DEST_PATH_IMAGE011
为噪声图像对应的补全后的差图的色彩不连续性。
本发明的有益效果是：通过计算出图像中像素点的为噪声的概率，和噪声点的空间分布情况，对图像进行区域划分，针对不同区域，在高斯滤波时设置不同的参数，实现自适应调整，使得高斯滤波在去噪的同时尽量多的保留图像边缘信息，进而使得canny算子边缘检测得到更优质、准确的结果。
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是本发明的一种基于改进canny算法的工业图像检测方法的流程示意图；
图2是本发明的一种基于改进canny算法的工业图像检测方法中像素点转换三维空间向量示意图；
图3是本发明的一种基于改进canny算法的工业图像检测方法中向量相似度坐标系示意图；
图4是本发明的一种基于改进canny算法的工业图像检测方法中的插值补全优先级示意图；
图5是本发明的一种基于改进canny算法的工业图像检测方法中的插值补全过程示意图；
图6是本发明的一种基于改进canny算法的工业图像检测方法中的HSV色彩空间示意图；
图7是本发明的一种基于改进canny算法的工业图像检测方法中的转换树结构中的像素示意图；
图8是本发明的一种基于改进canny算法的工业图像检测方法中的转换树结构中的树结构示意图；
图9是本发明的一种基于改进canny算法的工业图像检测方法中的转换树结构中的距离计算示意图；
图10是本发明的一种基于改进canny算法的工业图像检测方法中的点对示意图；
图11是本发明的一种基于改进canny算法的工业图像检测方法中的高斯核尺寸设置示意图。
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。
本发明的一种基于改进canny算法的工业图像检测方法的实施例，如图1所示，包括：
步骤一：将图像中的每个像素点转换为RGB三维空间中的向量，根据向量之间的向量相似度进行聚类得到不同类别的图像；
该步骤的目的是计算出每个像素点在三维空间的相似性，并按照相似度进行聚类，得到不同类别的图像。
其中，将每个点转换为RGB三维空间中的方向向量的方法为：
如图2所示，将每个像素点的RGB值看做一个三元组，三维空间分别为R方向、G方向、B方向，则每个像素点对应三维空间中的都看作是一个以原点为起点，经过像素点的方向向量。
其中，计算向量相似度的方法为：
使用两个向量的余弦相似度表示向量相似度，余弦相似度取值[-1,1]，值越趋于1，表示两个向量的相似度越高，计算公式如下：
Figure 2043DEST_PATH_IMAGE002
式中，
Figure 834870DEST_PATH_IMAGE004
和
Figure 978800DEST_PATH_IMAGE006
表示不同的方向向量，
Figure 897077DEST_PATH_IMAGE003
表示
Figure 532458DEST_PATH_IMAGE004
的长度，
Figure 954212DEST_PATH_IMAGE005
表示
Figure 282425DEST_PATH_IMAGE006
的长度，
Figure 173152DEST_PATH_IMAGE007
=3。
其中，计算各个方向向量之间的距离欧式距离的方法为：
Figure 143382DEST_PATH_IMAGE054
式中，
Figure DEST_PATH_IMAGE055
、
Figure 731227DEST_PATH_IMAGE056
表示不同向量的坐标值，计算得到了各个方向向量之间的距离，需要说明的是，余弦相似度表示方向上的差异，对距离不敏感，因此需要计算欧式距离。
进一步的，通过余弦相似度和欧式距离建立坐标系用二维平面坐标系聚类实现三维点的聚类，如图3所示，以向量距离为横坐标，以余弦相似度为纵坐标建立坐标系。余弦相似度的值越接近于1，向量距离越相近，对应两个向量的相似度越大，越有可能被聚为一类，图3中的点AB的横坐标代表点A和点B之间的距离，距离越小，聚成一类的可能性越大，点AB的纵坐标代表
Figure DEST_PATH_IMAGE057
和
Figure 761500DEST_PATH_IMAGE058
的方向相似性，越接近1，相似性越大，图3中的实线矩形内的点属于被选出来的进行聚类的点，落在实线矩形之外的点没有聚类意义。
其中，聚类的步骤为：
（1） 随机选择一个点，作为第一个类的聚类中心Z1。
（2）选择与步骤（1）中距离最远的样本点，作为第二个类的聚类中心Z2。
（3）逐个计算每个点到所有聚类中心的距离，并把所有的最短的距离记录下来。
（4）在这些最短距离中挑选最大的值，若最大值大于
Figure DEST_PATH_IMAGE059
，则将最大距离所对应的另一个样本点作为新的聚类中心，否则整个算法结束，其中
Figure 936261DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE061
为经验值。
（5）重复步骤 3 和 4 的操作，直到 4 中不再出现新的聚类中心。
（6）将所有的样本归到与他自身最近的聚类中心。
（7）至此，得到了不同的类别。
需要说明的是，聚类过后，是将图像中的点（向量），进行分类，每一类点（向量）构成一类图像，则可得到多个不同类别的图像。
步骤二：获取每类图像与原图像的差图，对每个差图进行插值补全，并将补全后的差图转换到HSV颜色空间，对HSV颜色空间中的H通道图像的像素点进行k-means聚类，计算出聚类区域中每个像素点的色彩不连续性，将所有像素点的色彩不连续性均值作为该补全后的差图的色彩不连续性；
该步骤的目的是将原图与各类别图像进行作差后补全，并进行聚类和树转换，得到每个像素点的色彩不连续性，进一步得到补全后的差值图的色彩不连续性。
其中，计算得到不同差图像的方法为：
Figure DEST_PATH_IMAGE063
式中，
Figure 759116DEST_PATH_IMAGE064
为步骤一中通过聚类得到了不同类别，
Figure DEST_PATH_IMAGE065
的范围是从1到n，n代表类别数量，原图像记为z，
Figure 686621DEST_PATH_IMAGE066
表示差图，与每幅类别图像一一对应。
其中，对差图进行差值补全的原因是，由于原图像减去类别图像得到差图，差图上类别图像像素位置像素值为0，需要通过插值补全图像，若减去图像为噪声图像，补全后图像的色彩和纹理连续性很大，而噪声点和图像点插值得到的图像，由于噪声点和图像点的差别较大导致图像的色彩和纹理连续性不好。
对差图进行差值补全的具体步骤为：
（1）设定插值规则：水平和垂直方向为第一优先级，左上、右下的连线方向为第二优先级，左下、右上的连线方向为第二优先级，如图4所示，1表示优先级为1级，插值时优先考虑，2表示优先级为2级，在1级优先级方向像素值为空像素值时考虑第二优先级。
（2）当优先级相同时，选择不同方向中，像素相差较小的方向为插值方向，并将该方向上较小的像素值作为o点的像素值进行插值，如图5所示，如图5中点o为空像素值，水平方向和垂直方向为第一优先级，但水平方向的12和14的差值小，因此选择水平方向像素值进行插值，将12作为点o的值，若一级优先级中，水平方向为空，则考虑垂直方向两个像素，将较小值作为插值，若垂直方向为空，则考虑水平方向两个像素，将较小值作为差值；若二级优先级中，左上和右下连线方向像素为空，则考虑右上和左下连线方向像素，将较小值作为插值，若右上和左下连线方向为空，则考虑左上和右下连线方向像素，将较小值作为差值。
需要说明的是，若差图中有一块区域需要补全像素，则先挑选出存在邻域像素最多的像素点，对其按照上述步骤进行差值补全。
其中，计算补全后的差图的色彩连续性的计算方法如下：
（1）将补全后的差图的RGB图像转换到HSV空间，得到H通道图像，HSV空间如图6所示；
（2）对H通道图像像素点进行k-means聚类，过程如下：
a.选取得到的聚类中心点作为初始聚类中心；
b.计算每个聚类样本与聚类中心的距离，并分类；
c.根据得到的类别，计算新的聚类中心；
d.判断每个类别的前次聚类点与现在的聚类点的对象是否有变化，有的话，返回b，没有的话，聚类结束。
需要说明的是，图像上距离近且色调相近的像素点是同一类物体的可能性高，以红（0）、品红（300）、蓝（240）、青（180）、绿（120）、黄（60）六种纯色对应的色调值作为聚类中心模板值，在图像上以纯色或接近纯色的像素点作为聚类中心，从而得到了多个聚类中心。
（3）以每个聚类中心点为中心，将每个聚类区域内所有像素点转换为树结构中的节点，具体转换树结构的方法为：
以每个聚类中心点为中心，作为树结构的根节点，左子树为连续子树，右子树为不连续子树，以左上角的邻域像素为起始像素逆时针搜索八邻域像素值，并按照像素值从小到大排序，得到节点序列；
判断节点序列中每个像素点是否为突变点，若是突变点，则将突变点归为不连续子树的节点，若不是突变点，则将归为连续子树的节点；
分别以根节点的八邻域像素为中心，先以根节点的左上角邻域像素为中心，开始逆时针搜索八邻域像素值，去除之前已经搜索到的像素，得到像素值节点序列，并按照像素值从小到大进行排序；
若在添加突变点至不连续子树时，发现不连续子树有多个节点，不知应该添加到哪个节点下，此时计算该突变点与不连续子树中每个节点对应像素点之间的距离，将与突变点距离最近的节点作为父节点，将突变点添加为该节点的子节点；
重复上述添加过程，将该聚类区域中全部像素添加到树结构中。
需要说明的是，通过计算实际序列与虚拟序列的余弦相似度判断是否为突变点的方法为：
a.序列中数据为
Figure 356637DEST_PATH_IMAGE030
,第1,2个数据
Figure 956377DEST_PATH_IMAGE031
,
Figure 737251DEST_PATH_IMAGE032
不作处理，直接当做非突变点；
b.当t≥3时，得到实际序列[
Figure 253683DEST_PATH_IMAGE031
，
Figure 94600DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE067
]，设虚拟序列为[
Figure 476909DEST_PATH_IMAGE031
，
Figure 795894DEST_PATH_IMAGE032
，
Figure 166833DEST_PATH_IMAGE035
]
c.计算实际序列与虚拟序列的余弦相似度，若余弦相似度大于0.8，则该点不是突变点，否则该点是突变点。
如图7所示，以图7中的图像像素矩阵为例，转换树结构的过程如下：
首先，以图中的中心位置10为聚类中心，作为树的根节点，如图8所示，左子树为连续子树，右子树为不连续子树。以图7中位置10的左上角的邻域像素9为起始像素逆时针搜索八邻域，得到序列[9、11、12、60、9、30、11、12]，加入到图8中树的左子树的节点序列，顺序排列得到序列[9、9、11、11、12、12、30、60]。
将前两个数据9、9加入到图8中树的左子树的节点序列中；
第三个数据为11，判断是否为突变点，首先构建虚拟序列[9、9、9]，实际得到的序列为[9、9、11]，计算虚拟序列和实际序列的余弦相似度：
Figure 178651DEST_PATH_IMAGE068
=
Figure DEST_PATH_IMAGE069
≈
Figure 284142DEST_PATH_IMAGE070
≈1.18
因为1.18大于0.8，则说明点11不是突变点，加入连续子树中；
第四个数据为11，构建虚拟序列[9、9、11、11],实际得到的序列为[9、9、11、11]，计算余弦相似度：
Figure 672398DEST_PATH_IMAGE068
=
Figure DEST_PATH_IMAGE071
≈
Figure 427338DEST_PATH_IMAGE072
=1.01
因为1.18大于0.8，则说明第四个数据点11不是突变点，加入连续子树中；
按照上述判断突变点的方法，依次对序列中的每个点进行判断，并加入到对应的树结构节点位置。
当30加入序列时，余弦相似度小于0.8，则30为突变点，因此将30和60归入右子树即不连续子树的节点。
接下来，分别以10的八邻域像素为中心，首先计算左上角邻域像素9的子节点，得到序列[16 14 12 14 13]，该序列中已经去掉第一次搜索得到的序列中的10，11，12 ，只添加新的位置的像素点，对得到的序列进行顺序排列，得到序列[12 13 14 14 16],没有明显突变，因此序列中数字作为节点添加为9的子节点。
最后，在计算右下角像素9时，得到顺序序列[10 11 12 13 70],明显70加入时产生突变，因此将70提取出来，添加到右子树中，右子树此时有两个节点10和30，如图9所示，70与30距离如图中70中心点和30中心点连线的距离为
Figure DEST_PATH_IMAGE073
，与60距离为70和60中心点的连线的距离为2，因此将70作为30的子节点添加到树结构中，后续节点的添加过程可以参照之前过程，直到该聚类区域内的像素全部添加到树结构中。
(4)通过树结构得到了不连续节点的数量
Figure 141216DEST_PATH_IMAGE015
和位置分布情况，将每个区域内不连续节点数量
Figure 452112DEST_PATH_IMAGE015
与该区域内节点总数
Figure 378479DEST_PATH_IMAGE074
的比值作为该区域的不连续概率系数
Figure 209163DEST_PATH_IMAGE016
，计算公式为：
Figure DEST_PATH_IMAGE075
通过计算每个像素对应节点的八邻域不连续节点的数量
Figure 93943DEST_PATH_IMAGE076
与8的比值得到每个像素的不连续性
Figure 892134DEST_PATH_IMAGE020
，计算公式为：
Figure 871460DEST_PATH_IMAGE022
通过区域的不连续概率系数
Figure 540339DEST_PATH_IMAGE016
和区域内每个像素的不连续性
Figure 330441DEST_PATH_IMAGE020
得到每个像素的色彩不连续性
Figure 615928DEST_PATH_IMAGE026
，计算公式为：
Figure 884099DEST_PATH_IMAGE025
将图中每个像素的色彩不连续性相加求和，除以总像素个数，得到图像的色彩不连续
Figure 689375DEST_PATH_IMAGE011
：
Figure 384798DEST_PATH_IMAGE011
=
Figure 892003DEST_PATH_IMAGE027
式中，
Figure 698285DEST_PATH_IMAGE028
，
Figure 872914DEST_PATH_IMAGE029
为差图中像素个数。
步骤三：将每个补全后的差图中每个像素点与其不同方向上的相邻像素点组成点对，统计每个补全后的差图中的点对在不同尺寸的滑动窗口中出现的次数得到不同的灰度共生矩阵，将灰度共生矩阵均值作为该补全后的差图的纹理不连续性；
该步骤的目的是，将像素点与其在不同方向上的相邻像素点组成点对，将点对作为一个小纹理，通过点对在不同滑动窗口下的出现不连续次数，反应出图像纹理变化趋势，灰度共生矩阵存储像素点对即一对像素点在滑动窗口下出现的次数；
其中，点对是指，以一个像素点为中心（x,y），与它相邻不同方向上的像素点，组成一个点对(x+a,y+b)，a表示x方向上的偏移量，b表示y方向上的偏移量。
其中，纹理连续性的获取方法为：通过计算差图像的不同差分值的灰度共生矩阵，差分值较大时检测到的纹理特征越小，差分值较小时检测到的纹理特征越多，说明差图像纹理连续性越大，具体过程为：
（1）将差图的RGB图像进行灰度化，公式为：
gray=0.39×R＋0.5×G＋0.11×B
式中，R代表红色通道图像，G代表绿色通道图像，B代表蓝色通道图像。
（2）选择8作为灰度级别对图像进行量化，公式为：
Figure 991437DEST_PATH_IMAGE078
式中，
Figure DEST_PATH_IMAGE079
表示图像每一个像素值，通过除以32，得到量化后的像素值。
（3）以像素点为中心（x,y），与偏离它的(x+a,y+b)构成点对时，将点对作为图像纹理进行分析，使用滑动窗口依次搜索计算点对的出现次数，得到灰度共生矩阵，矩阵存储点对及点对出现的次数。
如图10所示，以像素点6为中心，采用3x3的滑动窗口，其中，a=1,b=0时，代表水平方向，即0°方向，此时，x增加一个单位，得到点8，y不变，8与中心像素6组成一个点对（6，8），计算点对（6,8）的出现次数；当a=0,b=1时，代表竖直方向，即90°方向，此时x不变，y增加一个单位，得到点4，与中心像素6组成一个点对（6，4），计算（6,4）的出现次数；当a=1,b=1时，代表45°方向， 此时x增加一个单位，y再增加一个单位得到点5，与中心像素6组成一个点对（6,5）,计算点对（6,5）的出现次数；a=1,b=-1时计算135°方向，此时x增加一个单位，y再减少一个单位得到中心点左上角的6，与中心像素6组成点对（6，6），计算点对（6,6）的出现次数。
（4）依次分别选择5×5、7×7、9×9、11×11… k×k窗口，可得到对应不同尺寸的灰度共生矩阵，其中
Figure 517096DEST_PATH_IMAGE080
，其中
Figure DEST_PATH_IMAGE081
最接近的奇数整数,
Figure 408960DEST_PATH_IMAGE082
为像素的行列数。
（5）对点对在不同尺度窗口下出现的次数进行统计，如果形成的序列是一个递增序列，则该纹理的连续性较大，如果序列中存在多次的没有递增，即9×9与5×5的窗口中同一纹理出现次数不变，而在后续的11×11、13×13、15×15中该纹理的出现次数递增，说明该纹理在5-9窗口处不连续。
（6）通过计算不连续处出现的频率得到该纹理的不连续性,具体计算方法为计算每个纹理对应序列的不变值出现频率:
若某个点对在不同尺寸滑动窗口中出现次数得到的序列为[10 11 12 13 13 1313 14 15 16]为例，分别对应5、7、9、11、13、15、17、19、21、23大小滑动窗口模板，其中13出现了4次，说明在13、15、17处出现了断续，不连续性为：4/10=0.2。
因此，每个点对对应的不连续性
Figure 438096DEST_PATH_IMAGE044
的计算公式如下：
Figure 475322DEST_PATH_IMAGE084
式中，
Figure 957119DEST_PATH_IMAGE047
表示点对次数序列中出现不连续的次数，
Figure DEST_PATH_IMAGE085
表示窗口大小数量，通过计算不同点对的不连续性得到不连续性矩阵，将矩阵均值
Figure 885629DEST_PATH_IMAGE086
作为差图的纹理不连续性。
步骤四：根据每个插值补全后的差图的色彩不连续性和纹理不连续性得到每个补全后的差图的不连续性；
该步骤的目的是综合差图的色彩不连续性和纹理不连续性对差图整体不连续行进行计算，方便后续步骤使用。
其中，差图像的不连续性可综合（1）（2）得到，计算方法为：
Figure 769272DEST_PATH_IMAGE088
式中，
Figure 242978DEST_PATH_IMAGE010
为补全后的差图的不连续性，
Figure 212071DEST_PATH_IMAGE011
为补全后的差图的色彩不连续性，
Figure DEST_PATH_IMAGE089
为差图纹理不连续性，
Figure 180158DEST_PATH_IMAGE013
为色彩不连续性的权重，默认0.3，
Figure 183886DEST_PATH_IMAGE014
为纹理不连续性的权重，默认0.7。
步骤五：将所有补全后的差图中不连续性最小的补全后的差图对应的类别的图像作为噪声图像，计算出噪声图像中每个像素的噪声概率得到噪声概率图；
该步骤的目的是根据不连续性选择出噪声图像，因为噪声在图像上相当于突变点，破坏了颜色和纹理的连续性，原图像相当于无噪图像+噪声图像，得到的类别相当于噪声图像，差图像相当于无噪图像，差图像的颜色连续性和纹理连续性越好，对应类别图像的噪声含量越大理想情况下，因此通过对实际差图像的颜色和纹理连续性进行检测可以得到噪声含量最多的图像，进而得到噪声的空间位置分布。
其中，噪声概率图的获取步骤为：
（1）选择步骤二中的不连续性最小的差图像对应的类别图像作为噪声图像,并对噪声图像像素值归一化；
（2）根据归一化后的噪声图中每个像素的噪声概率得到噪声概率图，其中，每个像素的噪声概率
Figure 562915DEST_PATH_IMAGE049
为：
Figure 753725DEST_PATH_IMAGE090
式中，
Figure 26968DEST_PATH_IMAGE052
为归一化后的噪声图像中每个像素的值，
Figure 619623DEST_PATH_IMAGE011
为噪声图像对应的补全后的差图的色彩不连续性。
至此，得到噪声图中每个像素的噪声概率，进而得到噪声概率图。
步骤六：将噪声概率图中超过概率阈值的像素点进行密度聚类，对聚类区域进行等级划分，根据区域等级设置不同尺寸的高斯核进行滤波。
该步骤的目的是，对噪声大于阈值的像素点进行密度聚类，得到不同的区域，对不同的区域根据区域内噪声点的数量设置不同尺寸的高斯核进行滤波。
其中，密度聚类过程为：
（1）首先对参数空间中的所有点进行标记，为每个点赋予一个从1到D的序号，D代表参数空间中点的数量。
（2）在参数空间中按照次序选择点
Figure DEST_PATH_IMAGE091
，
Figure 966291DEST_PATH_IMAGE092
的范围为1到D,首先选择点1;
（3）检测以点1为圆心，r为半径的圆内点的数量是否大于等于预设的点数，如果满足条件，该点是核心点，寻找从该点出发可达的点（包括直接可达和间接可达点）形成一个团簇；如果该点不满足条件，查找下一个次序的点是否满足条件，直到最后一点。
（4）通过密度聚类得到了不同的类别区域，通过不同类别区域的数量等级设置不同的高斯核参数。
其中，具体设置方法为：
首先计算得到不同类别区域的最小外接矩形，计算不同类别中的点密度，点密度S的计算公式如下：
Figure 644397DEST_PATH_IMAGE094
式中，
Figure DEST_PATH_IMAGE095
表示类别中的点数量，
Figure 485445DEST_PATH_IMAGE096
表示最小外接矩形中的像素点数量，
Figure DEST_PATH_IMAGE097
表示该类别中噪声点的密度。
然后，计算得到不同类别区域内的噪声密度最大值
Figure 463766DEST_PATH_IMAGE098
和噪声密度最小值
Figure DEST_PATH_IMAGE099
，通过计算差值
Figure 965023DEST_PATH_IMAGE100
均匀等分为5份，等级划分如下：
一级：（
Figure 396004DEST_PATH_IMAGE099
，
Figure DEST_PATH_IMAGE101
）
二级：（
Figure 775164DEST_PATH_IMAGE099
+d/5，
Figure 76832DEST_PATH_IMAGE102
）
三级：（
Figure 234144DEST_PATH_IMAGE099
+2d/5，
Figure DEST_PATH_IMAGE103
）
四级：（
Figure 683580DEST_PATH_IMAGE099
+3d/5，
Figure 571158DEST_PATH_IMAGE104
）
五级：（
Figure 258491DEST_PATH_IMAGE099
+d/5，
Figure 321125DEST_PATH_IMAGE098
）
等级越高，噪声点数量越多，应采用越小的高斯核，对应的五级采用3*3的高斯核，四级采用5*5的高斯核，
Figure DEST_PATH_IMAGE105
一级采用11*11的高斯核。
如图11所示，区域a的密度为：2/3，区域b的密度为7/9，区域c的密度为4/9，其中区域b的密度值7/9是最大值，区域c的密度值4/9是最小值，差值d的计算公式为：7/9-4/9=1/3。
噪声密度越大，高斯核尺寸设置的越小；噪声密度越小，高斯核尺寸设置的越大。因此，区域b的噪声密度最大，高斯核尺寸设置最小值：3*3；区域c的噪声密度最小，高斯核尺寸设置最大值：7*7；区域a的高斯核尺寸设置5*5。
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 (9)

1.一种基于改进canny算法的工业图像检测方法，其特征在于，包括：
将图像中的每个像素点转换为RGB三维空间中的向量，根据向量之间的向量相似度进行聚类得到不同类别的图像；
获取每类图像与原图像的差图，对每个差图进行插值补全，并将补全后的差图转换到HSV颜色空间，对HSV颜色空间中的H通道图像中的像素点进行k-means聚类，计算出聚类区域中每个像素点的色彩不连续性，将所有像素点的色彩不连续性均值作为该补全后的差图的色彩不连续性；
将每个补全后的差图中每个像素点与其不同方向上的相邻像素点组成点对，统计每个补全后的差图中的点对在不同尺寸的滑动窗口中出现的次数得到不同的灰度共生矩阵，将灰度共生矩阵均值作为该补全后的差图的纹理不连续性；
根据每个补全后的差图的色彩不连续性和纹理不连续性得到每个补全后的差图的不连续性；
将所有补全后的差图中不连续性最小的补全后的差图对应的类别图像作为噪声图像，计算出噪声图像中每个像素的噪声概率得到噪声概率图；
对噪声概率图中超过概率阈值的像素点进行密度聚类，对聚类区域进行等级划分，根据区域等级设置不同尺寸的高斯核进行滤波。
2.根据权利要求1所述的一种基于改进canny算法的工业图像检测方法，其特征在于，所述向量相似度的计算方法为：
Figure 487309DEST_PATH_IMAGE002
式中，s为向量相似度，A和B表示不同的向量，
Figure DEST_PATH_IMAGE003
表示
Figure 397978DEST_PATH_IMAGE004
的长度，
Figure DEST_PATH_IMAGE005
表示
Figure 31084DEST_PATH_IMAGE006
的长度，
Figure DEST_PATH_IMAGE007
=3。
3.根据权利要求1所述的一种基于改进canny算法的工业图像检测方法，其特征在于，所述对差图进行插值补全步骤如下：
将差图中像素值为0的像素点o周围八邻域中水平方向、垂直方向作为第一优先级，左上和右下连线方向、左下和右上连线方向作为第二优先级；
若优先级相同，则选择不同方向中，像素相差较小的方向为插值方向，并将该方向上较小的像素值补到o点，完成插值补全。
4.根据权利要求1所述的一种基于改进canny算法的工业图像检测方法，其特征在于，所述补全后的差图的不连续性计算方法为：
Figure DEST_PATH_IMAGE009
式中，
Figure 584294DEST_PATH_IMAGE010
为补全后的差图的不连续性，
Figure DEST_PATH_IMAGE011
为补全后的差图的色彩不连续性，
Figure 328259DEST_PATH_IMAGE012
为补全后的差图的纹理不连续性，
Figure DEST_PATH_IMAGE013
为色彩不连续性的权重，
Figure 361943DEST_PATH_IMAGE014
为纹理不连续性的权重。
5.根据权利要求4所述的一种基于改进canny算法的工业图像检测方法，其特征在于，所述补全后的差图的色彩不连续性的获取步骤为：
将k-means聚类区域内的像素点转换为树结构，将左子树作为连续节点的集合，右子树作为不连续节点的集合，得到不连续节点的数量
Figure DEST_PATH_IMAGE015
和位置分布情况；
则该区域不连续概率系数
Figure 900372DEST_PATH_IMAGE016
的计算公式为：
Figure 350333DEST_PATH_IMAGE018
式中，
Figure 101251DEST_PATH_IMAGE015
为该聚类区域内对应的树结构中的不连续节点的数量，
Figure DEST_PATH_IMAGE019
为该聚类区域内对应的树结构中的节点总数；
则该区域内每个像素的不连续性
Figure 51758DEST_PATH_IMAGE020
计算公式为：
Figure 229930DEST_PATH_IMAGE022
式中，
Figure DEST_PATH_IMAGE023
为每个像素的八邻域在树结构中的不连续节点的数量；
则每个像素的色彩不连续性的计算方法为：
Figure DEST_PATH_IMAGE025
式中，
Figure 570781DEST_PATH_IMAGE026
为每个像素的色彩不连续性；
则补全后的差图的色彩不连续性
Figure 187707DEST_PATH_IMAGE011
的计算方法为：
Figure 258300DEST_PATH_IMAGE011
=
Figure DEST_PATH_IMAGE027
式中，
Figure 138532DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
为补全后的差图中像素个数。
6.根据权利要求5所述的一种基于改进canny算法的工业图像检测方法，其特征在于，所述转换树结构的方法为：
以每个聚类中心点为中心，作为树结构的根节点，左子树为连续子树，右子树为不连续子树，以左上角的邻域像素为起始像素逆时针搜索八邻域像素值，并按照像素值从小到大排序，得到节点序列；
判断节点序列中每个像素是否为突变点，若是突变点，则将突变点归为不连续子树的节点，若不是突变点，则将归为连续子树的节点；
分别以根节点的八邻域像素为中心，先以根节点的左上角邻域像素为中心，开始逆时针搜索八邻域像素值，去除之前已经搜索到的像素，得到像素值节点序列，并按照像素值从小到大进行排序；
判断序列中每个像素是否为突变点，若是突变点，加入不连续子树的节点中，否则，归为连续子树中该像素点的子节点；
将突变点添加为不连续子树的节点时，若此时不连续子树有多个节点，则计算该突变点与不连续子树中每个节点对应像素点之间的距离，将突变点添加为与其距离最近的节点的子节点；
重复上述添加过程，将该聚类区域中全部像素点添加到树结构中。
7.根据权利要求6所述的一种基于改进canny算法的工业图像检测方法，其特征在于，所述判断像素点是否为突变点的步骤如下：
设序列中数据每个数据为
Figure 229329DEST_PATH_IMAGE030
,第1,2个数据为
Figure DEST_PATH_IMAGE031
,
Figure 40159DEST_PATH_IMAGE032
不作处理，直接当做非突变点；
当
Figure DEST_PATH_IMAGE033
≥3时，得到实际序列[
Figure 450412DEST_PATH_IMAGE031
，
Figure 767124DEST_PATH_IMAGE032
，
Figure 410463DEST_PATH_IMAGE034
]，设虚拟序列为[
Figure 369192DEST_PATH_IMAGE031
，
Figure 368372DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE035
]；
计算实际序列与虚拟序列的余弦相似度，若余弦相似度大于0.8，则
Figure 839674DEST_PATH_IMAGE030
不是突变点，否则
Figure 986621DEST_PATH_IMAGE030
是突变点。
8.根据权利要求4所述的一种基于改进canny算法的工业图像检测方法，其特征在于，所述补全后的差图的纹理不连续性的获取方法为：
将补全后的差图转化为灰度图，再进行灰度量化，得到灰度量化图；
将图中的每个像素点(
Figure 673342DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
)和其不同方向上的邻域像素组成不同的点对(
Figure 58187DEST_PATH_IMAGE036
+
Figure 982281DEST_PATH_IMAGE038
，
Figure 803475DEST_PATH_IMAGE037
+
Figure DEST_PATH_IMAGE039
)，其中，
Figure 25378DEST_PATH_IMAGE038
为
Figure 530308DEST_PATH_IMAGE026
方向上的偏移量，
Figure 625303DEST_PATH_IMAGE039
为
Figure 481264DEST_PATH_IMAGE040
方向上的偏移量；
分别使用5×5、7×7、9×9、11×11… k×k不同尺寸的滑动窗口遍历灰度量化图，统计出每个点对出现的次数，得到多个对应尺寸的灰度共生矩阵，其中：
Figure 569175DEST_PATH_IMAGE042
式中，
Figure DEST_PATH_IMAGE043
为图像的行列数；
统计每个点对在不同尺寸滑动窗口的到的灰度共生矩阵中出现的次数，得到点对出现次数序列；
计算每个点对对应的次数序列中次数不变值出现的频率，作为该点对的不连续性
Figure 663032DEST_PATH_IMAGE044
，计算方法为：
Figure 401966DEST_PATH_IMAGE046
式中，
Figure DEST_PATH_IMAGE047
为次数序列中次数不变值出现的次数，
Figure 214065DEST_PATH_IMAGE048
为采用滑动窗口的数量，计算不同点对的不连续性可得到不连续性矩阵，将矩阵均值
Figure 856399DEST_PATH_IMAGE012
作为补全后的差图的纹理不连续性。
9.根据权利要求1所述的一种基于改进canny算法的工业图像检测方法，其特征在于，所述噪声图像中每个像素的噪声概率的获取步骤为：
对噪声图像进行归一化；
则噪声图像中每个像素的噪声概率
Figure DEST_PATH_IMAGE049
为：
Figure DEST_PATH_IMAGE051
式中，
Figure 726134DEST_PATH_IMAGE052
为归一化后的噪声图像中每个像素的值，
Figure 677779DEST_PATH_IMAGE011
为噪声图像对应的补全后的差图的色彩不连续性。
CN202210437696.9A 2022-04-25 2022-04-25 一种基于改进canny算法的工业图像检测方法 Expired - Fee Related CN114549525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210437696.9A CN114549525B (zh) 2022-04-25 2022-04-25 一种基于改进canny算法的工业图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210437696.9A CN114549525B (zh) 2022-04-25 2022-04-25 一种基于改进canny算法的工业图像检测方法

Publications (2)

Publication Number Publication Date
CN114549525A true CN114549525A (zh) 2022-05-27
CN114549525B CN114549525B (zh) 2022-08-16

Family

ID=81667716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210437696.9A Expired - Fee Related CN114549525B (zh) 2022-04-25 2022-04-25 一种基于改进canny算法的工业图像检测方法

Country Status (1)

Country Link
CN (1) CN114549525B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115407777A (zh) * 2022-08-31 2022-11-29 深圳银星智能集团股份有限公司 分区优化方法及清洁机器人
CN116237205A (zh) * 2023-01-30 2023-06-09 南通市金月亮新材料科技发展有限公司 一种门窗喷涂调节方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
US20170003378A1 (en) * 2015-07-01 2017-01-05 Airbus Ds Electronics And Border Security Gmbh Method for automatic classification of radar objects
CN111369452A (zh) * 2020-02-26 2020-07-03 青海民族大学 大区域图像局部破损点优化提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
US20170003378A1 (en) * 2015-07-01 2017-01-05 Airbus Ds Electronics And Border Security Gmbh Method for automatic classification of radar objects
CN111369452A (zh) * 2020-02-26 2020-07-03 青海民族大学 大区域图像局部破损点优化提取方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115407777A (zh) * 2022-08-31 2022-11-29 深圳银星智能集团股份有限公司 分区优化方法及清洁机器人
CN116237205A (zh) * 2023-01-30 2023-06-09 南通市金月亮新材料科技发展有限公司 一种门窗喷涂调节方法及系统
CN116237205B (zh) * 2023-01-30 2023-11-24 南通市金月亮新材料科技发展有限公司 一种门窗喷涂调节方法及系统

Also Published As

Publication number Publication date
CN114549525B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN114549525B (zh) 一种基于改进canny算法的工业图像检测方法
CN108596197B (zh) 一种印章匹配方法及装置
CN110889852B (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN115294158A (zh) 一种基于机器视觉的热连轧带钢图像分割方法
CN110197153B (zh) 一种户型图中墙体自动识别方法
CN107437060B (zh) 对象识别设备、对象识别方法和程序
CN115314714B (zh) 一种用于焊缝图像存储的数据压缩方法
JP5567448B2 (ja) 画像領域分割装置、画像領域分割方法および画像領域分割プログラム
JP2001034771A (ja) イメージオブジェクトの所望の輪郭をモデリングするための方法および装置、ならびにフレームのシーケンス内でイメージオブジェクトを追跡し、かつイメージオブジェクトの所望の輪郭をモデリングするための方法
CN113808138A (zh) 一种基于人工智能的电线电缆表面缺陷检测方法
JPH08125857A (ja) 画像処理装置
CN109191418B (zh) 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN111583279A (zh) 一种基于pcba的超像素图像分割方法
CN113112519A (zh) 基于感兴趣目标分布的关键帧筛选方法
CN112907460B (zh) 一种遥感图像增强方法
CN113052859A (zh) 基于自适应种子点密度聚类超像素分割方法
CN115272335A (zh) 基于显著性检测的冶金金属表面缺陷检测方法
CN115937552A (zh) 一种基于融合手工特征与深度特征的图像匹配方法
CN111914913A (zh) 一种新型立体匹配优化方法
CN110472640B (zh) 一种目标检测模型预测框处理方法及装置
CN115053257A (zh) 图像的分割方法、装置和图像的三维重建方法、装置
CN109741358B (zh) 基于自适应超图学习的超像素分割方法
CN114937006A (zh) 一种基于图像增强的锤头精细化缺陷检测方法
CN113657225A (zh) 一种目标检测方法
JP3251840B2 (ja) 画像認識装置

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220816

CF01 Termination of patent right due to non-payment of annual fee