CN114596271A - 一种高反光表面腐蚀特征提取方法 - Google Patents

一种高反光表面腐蚀特征提取方法 Download PDF

Info

Publication number
CN114596271A
CN114596271A CN202210196590.4A CN202210196590A CN114596271A CN 114596271 A CN114596271 A CN 114596271A CN 202210196590 A CN202210196590 A CN 202210196590A CN 114596271 A CN114596271 A CN 114596271A
Authority
CN
China
Prior art keywords
image
corrosion
pixel
calculating
saturation
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
Application number
CN202210196590.4A
Other languages
English (en)
Inventor
邹志
孙安斌
甘晓川
樊晶晶
马骊群
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.)
Beijing Changcheng Institute of Metrology and Measurement AVIC
Original Assignee
Beijing Changcheng Institute of Metrology and Measurement AVIC
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 Beijing Changcheng Institute of Metrology and Measurement AVIC filed Critical Beijing Changcheng Institute of Metrology and Measurement AVIC
Priority to CN202210196590.4A priority Critical patent/CN114596271A/zh
Publication of CN114596271A publication Critical patent/CN114596271A/zh
Pending legal-status Critical Current

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
    • G06F18/23—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开的一种腐蚀环境试验腐蚀图像特征提取方法，属于环境试验领域。本发明通过将原始腐蚀样件RGB图像转换到饱和度图像，使腐蚀特征区域相比于背景对比更为明显；通过在图像金字塔的不同分辨率图像中应用灰度共生矩阵，提取不同尺度特征的腐蚀图像；通过初步提取的腐蚀特征的边缘统计信息，经过对所述边缘统计信息进行基于K‑means的无监督分类，实现在初提取的目标中干扰项的去除，实现反光表面腐蚀特征提取。本发明还能够快降低成像设备阴影造成的“伪腐蚀特征”对检测结果的干扰，提高检测精度，同时也能够减小由于刻意回避拍摄设备在高反射率的被测平面上出现阴影，而采用倾斜角度拍摄的问题，进而能够降低图像的失真程度。

Description

一种高反光表面腐蚀特征提取方法
技术领域
本发明涉及一种环境试验快速检测方法，尤其涉及针对具有高反光特性的腐蚀样件的表面缺陷检测方法，属于环境试验领域。
背景技术
环境试验是一种验证材料和产品是否达到在研发、设计、制造中预期的质量目标有效性的常用方法。对环境试验中被测样件进行受损程度评估，是环境试验的重要环节。盐雾环境试验是环境试验的一种，试验对象为钢铁材料、铝合金材料等金属材质的样件，试验结束后，需对这些经过试验的材料的受损程度进行评估，传统的评估采用人工目视检测样件的方法，这种检测方法需要耗费大量的人力物力，而且检测结果的主观性较强，检测结果易受检测人员经验、疲劳情况影响。现已有相关研究采用机器视觉的方法取代人工目视测量，但这些视觉测量设备在面对具有高反射率的被拍摄表面时，拍摄设备的也会通过被测物表面反射成像，在被测表面形成黑色阴影区域，造成拍摄图像光照强度不均匀，影响真正需检测目标的提取，造成检测结果精度不高。
发明内容
为了解决现有环境试验样件缺陷检测中存在人工检测成本高，检测结果主观性强、检测精度低的问题。本发明公开的一种腐蚀环境试验腐蚀图像特征提取方法的主要目的是：提供一种通过拍摄图像的方式进行环境试验后的样件的缺陷快速检测的方法，通过将原始腐蚀样件RGB图像转换到饱和度图像，使腐蚀特征区域相比于背景对比更为明显；通过在图像金字塔的不同分辨率图像中应用灰度共生矩阵，提取不同尺度特征的腐蚀图像；通过初步提取的腐蚀特征的边缘统计信息，经过对这些边缘统计信息进行基于K-means的无监督分类，实现在初提取的目标中干扰项的去除，实现反光表面腐蚀特征的高效、高鲁棒性提取。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种适用于高反光表面样件的腐蚀特征提取方法，包括以下步骤：
步骤一：计算原始彩色图像的饱和度，得到与原始图像尺寸相同的饱和度图像；
步骤二：对原始图像尺寸饱和度图像进行下采样，并对下采样的图像再次进行下采样，如此进行多次迭代，得到由多幅多分辨率图像构成的饱和度图像金子塔；
步骤三：针对饱和度图像金字塔中每一分辨率下的图像，以每一个像素为中心，适当尺寸半径的滑动窗口内计算0°、90°、180°和270°四个方向在距离为N时的灰度共生矩阵，并计算每个中心像素的灰度共生矩阵的对比度作为该中心像素的能量值，形成纹理能量图；
所述适当尺寸为最小缺陷尺寸的十分之一；
步骤3.1：取饱和度图像金字塔中某一分辨率下的图像，选择图像中的某一个像素，以该像素为中心，半径为K，在图像中选择(2K-1)×(2K-1)个像素，建立窗口，如果窗口中图像像素超过图像边界，则超出部分采用镜像方法补齐；
步骤3.2：在该窗口内，分别计算0°、90°、180°和270°四个方向在距离为N时的灰度共生矩阵，并计算四个方向灰度共生矩阵的对比度C0、C90、C180、C270，计算C0、C90、C180、C270中的最大值，作为该窗口中心像素的能量值；
步骤3.3：重复步骤3.1与步骤3.2，遍历该饱和度图像金字塔中该幅图像的全部像素，得到该幅图像的纹理能量图；
步骤3.4：重复步骤3.3，得到饱和度图像金字塔中每一幅图像对应的纹理能量图；
步骤四：通过自适应阈值的方法，计算步骤三得到的全部纹理能量图，得到包括真实腐蚀特征与环境中反射造成的“伪腐蚀”在内的“腐蚀特征掩膜”二值化模板；
步骤4.1：对每一幅的纹理能量图，通过自适应阈值的方法进行分割，得出每一分辨率图像下腐蚀特征的备选区域掩膜；
步骤4.2：将步骤4.1中得到的备选区域掩膜，通过三次插值的方法，还原到原始图像尺寸，得到“腐蚀特征掩膜”二值化模板；
步骤五：合并饱和度图像金字塔中每一分辨率下的“腐蚀特征掩膜”二值化模板，得到原始图像尺寸的“初提取腐蚀特征掩膜”；
步骤六：将“初提取腐蚀特征掩膜”与原始图像进行逻辑运算，得到多个连通域；利用形态学方法对原始图像尺寸的“初提取腐蚀特征掩膜”进行边缘提取；再计算边缘区域上全部像素的梯度向量，对全部边缘的梯度向量进行特征提取，得到每个连通域的边缘统计信息；
步骤6.1：对“初提取腐蚀特征掩膜”进行连通域计算，得到多个连通域；
步骤6.2：选择一个连通域，以结构元素[1,1；1,1]对该连通域进行先膨胀后腐蚀的形态学运算，得到边缘像素位置；
步骤6.3：对每一个连通域Dk的边缘区域Ak,1≤k≤n，计算连通域Dk的中心像素P0(x0,y0)；以像素P0为起点，该连通域边缘区域Ak的每个像素Pi(xi,yi)∈Ak为终点，建立多条连线，计算每条连线的角度θi；再以像素Pi为中心，沿角度θi,分别向连通域边界内外，各取t个像素，由所述2t+1个像素的灰度值构成的向量G(g1,g2,…g2t+1)，为该边缘区域Ak像素Pi的梯度向量；
步骤6.4：重复步骤6.3，计算边缘区域Ak上全部像素Pi(xi,yi)∈Ak的梯度向量，对全部边缘的梯度向量进行特征提取，得到每个连通域Dk的边缘统计信息；所述特征包括：标准偏差、均值、中值；
步骤七：通过无监督分类的K-means方法将成像设备阴影造成的“伪腐蚀特征”从“初提取腐蚀特征掩膜”去除，剩下的图像区域为真实的腐蚀特征，实现高反光表面腐蚀样件的缺陷特征的高效、高鲁棒性提取。
有益效果
1、本发明公开的一种适用于高反光表面样件的腐蚀特征提取方法，采用图像处理算法代替人工目视检测对环境试验样件进行腐蚀特征分析，相比于目视检测，仅需对腐蚀样件进行单幅图像采集，即可完成检测，降低人力成本的同时，提高检测效率与检测精度。
2、本发明公开的一种适用于高反光表面样件的腐蚀特征提取方法，通过利用图像中的边缘像素构建梯度向量，将成像设备阴影在图像中形成的“伪腐蚀特征”，从真正的腐蚀特征中去除。本发明公开的方法相比于直接利用图像分割的提取方法，提高腐蚀特征的检测效率。
3、本发明公开的一种适用于高反光表面样件的腐蚀特征提取方法，通过无监督分类的K-means方法对各备选区域的梯度向量的标准偏差、均值、中值进行分类。相对于利用深度学习方法，需要大量图像进行人工标注与网络训练，本发明公开的方法对能够简单高效地识别图像中的腐蚀区域，节省了人工手动标注与样本训练的时间。
附图说明
图1为本发明公开的高反光表面样件的腐蚀特征的提取方法流程图；
图2为步骤一至步骤五的过程中生成的过程图像，其中，图a为原始图像；图b为饱和度图像金字塔；图c为初提取腐蚀特征掩膜
图3为步骤六中计算边缘统计信息的用到的内容。
图4为经过步骤六与步骤七后，去除“伪腐蚀特征”的前后的腐蚀特征图像；其中，图a为去除“伪腐蚀特征”前的腐蚀特征图像；图b为去除“伪腐蚀特征”后的腐蚀特征图像。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
本实施例公开的一种适用于高反光表面样件的腐蚀特征提取方法，针对环境试验中高反光表面样件的腐蚀图像进行处理，能够高效提取批量样件中的腐蚀特征。相较与传统的人工目视检测，整个检测过程仅需要获得样件表面的检测图像，降低检测成本，提高检测效率。通过本实施例提出的方法，能够降低成像设备阴影造成的“伪腐蚀特征”对检测结果的干扰，提高高反光表面样件的缺陷检测精度。
如图1所示，本实施例公开的一种适用于高反光表面样件的腐蚀特征提取方法，具体实现步骤如下：
步骤一：计算原始彩色图像的饱和度，得到与原始图像尺寸相同的饱和度图像；
计算原始图像饱和度图像，采用如下方法计算：
对于原始图像中的第i行，第j列像素Pi,j，饱和度Si,j计算公式如下：
Figure BDA0003527318080000041
其中Ri,j为该像素Pi,j红色通道灰度值，Gi,j为该像素Pi,j绿色通道灰度值，Bi,j为该像素Pi,j红色通道灰度值。
步骤二：对原始图像尺寸饱和度图像进行下采样，并对下采样的图像再次进行下采样，如此进行N次，得到由N+1幅多分辨率图像构成的饱和度图像金子塔，通常情况下取N＝3；
步骤三：对饱和度图像金字塔中每一分辨率下的图像，以每一个像素为中心，适当尺寸半径的滑动窗口内计算0°、90°、180°和270°四个方向在距离1时的灰度共生矩阵，并计算每个方向灰度共生矩阵的对比度作为该中心像素的值，形成纹理能量图；
步骤3.1：取饱和度图像金字塔中某一分辨率下的图像，选择图像中的某一个像素，以该像素为中心，半径为K，在图像中选择(2K-1)×(2K-1)个像素，建立窗口，如果窗口中图像像素超过图像边界，则超出部分采用镜像方法补齐；
步骤3.2：在该窗口内，分别计算0°、90°、180°和270°四个方向的灰度共生矩阵，并计算4个方向灰度共生矩阵的对比度C0、C90、C180、C270，计算C0、C90、C180、C270中的最大值，作为该窗口中心像素的纹理能量值；
步骤3.3：重复步骤3.1与步骤3.2，遍历该饱和度图像金字塔中该幅图像的全部像素，得到该幅图像的纹理能量图；
步骤3.4：重复步骤3.3，得到饱和度图像金字塔中每一幅图像对应的纹理能量图；
步骤四：通过自适应阈值的方法，计算通过饱和度图像金字塔得到的全部纹理能量图，得到包括真实腐蚀特征与环境中反射造成的“伪腐蚀”在内的“腐蚀特征掩膜”二值化模板；
步骤4.1：对每一幅的纹理能量图，通过自适应阈值的方法进行分割，得出每一分辨率图像下腐蚀特征的备选区域掩膜；
步骤4.2：将步骤4.1中得到的每一分辨率下的备选区域掩膜，通过三次插值的方法，还原到原始图像尺寸；
步骤五：合并饱和度图像金字塔中每一分辨率下的“腐蚀特征掩膜”，得到原始图像尺寸的“初提取腐蚀特征掩膜”；
图2显示了步骤一至步骤五的过程，(a)为原始图像；(b)为饱和度图像金字塔；(c)为初提取腐蚀特征掩膜。
步骤六：将“初提取腐蚀特征掩膜”与原始图像进行逻辑运算，得到多个连通域；利用形态学方法对原始图像尺寸的“初提取腐蚀特征掩膜”进行边缘提取；再计算边缘区域上全部像素的梯度向量，对全部边缘的梯度向量进行特征提取，得到每个连通域的边缘统计信息；
步骤6.1：对“初提取腐蚀特征掩膜”进行8连通域计算，得到多个连通域D1,D2,…Dn，其中n为连通域个数；
步骤6.2：对每一个连通域Dk，1≤k≤n，以结构元素[1,1；1,1]对该连通域进行先膨胀后腐蚀的形态学运算，得到该连通域Dk的边缘区域Ak；
步骤6.3：对每一个连通域Dk的边缘区域Ak,1≤k≤n，计算边缘区域Ak的中心像素P0(x0,y0)，以中心像素P0为起点，该连通域边缘区域Ak的某一个像素Pi(xi,yi)∈Ak为终点，建立连线，计算该连线的角度，得到该连线角度θi后，以该边缘区域像素P0为中心，沿角度θi,分别向连通域边界内外，各取t个像素，由这2t+1个像素的边缘的灰度值构成的向量G(g1,g2,…g2t+1)，为该边缘区域Ak像素Pi的梯度向量；
步骤6.4：重复步骤6.3，对边缘区域Ak上的全部像素Pi(xi,yi)∈Ak，计算边缘的梯度向量，对这些边缘的梯度向量利用统计方法，得到每个连通域Dk的边缘统计信息；
步骤6.4.1：对每一个连通域Dk的边缘区域Ak上的每一个像素Pq(xq,yq)∈Ak，计算该像素Pq梯度向量全部元素的标准偏差Sq，
Figure BDA0003527318080000051
其中
Figure BDA0003527318080000052
为g1,g2,…g2t+1的平均值。
步骤6.4.2：重复步骤6.4.1得到边缘区域Ak上全部像素Pq对应的标准偏差Sq，对这些标准偏差取平均值
Figure BDA0003527318080000053
该平均值
Figure BDA0003527318080000054
即为连通域Dk的边缘统计信息；
图3显示了步骤六中计算边缘统计信息中，用到的“连通域边缘区域”、“连通域中心像素”、“连通域边缘像素与中心像素连线”、“构成边缘梯度向量的像素”。
步骤七：通过K-means方法，对所有的连通域D1,D2,…Dn的边缘统计信息
Figure BDA0003527318080000055
进行无监督分类的，将成像设备阴影造成的“伪腐蚀特征”连通域从“初提取腐蚀特征掩膜”的全部连通域中去除，剩下的图像区域为真实的腐蚀特征，完成高反光表面样件的腐蚀特征提取。
图4显示了通过步骤六与步骤七，去除设备阴影造成的“伪腐蚀特征”的前后的腐蚀特征图像，(a)为未去除设备阴影造成的“伪腐蚀特征”的图像，(b)为去除设备阴影造成的“伪腐蚀特征”后，真实的腐蚀特征图像。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种适用于高反光表面样件的腐蚀特征提取方法，其特征在于：包括以下步骤，
步骤一：计算原始彩色图像的饱和度，得到与原始图像尺寸相同的饱和度图像；
步骤二：对原始图像尺寸饱和度图像进行下采样，并对下采样的图像再次进行下采样，如此进行多次迭代，得到由多幅多分辨率图像构成的饱和度图像金子塔；
步骤三：针对饱和度图像金字塔中每一分辨率下的图像，以每一个像素为中心，适当尺寸半径的滑动窗口内计算0°、90°、180°和270°四个方向在距离为N时的灰度共生矩阵，并计算每个中心像素的灰度共生矩阵的对比度作为该中心像素的能量值，形成纹理能量图；
所述适当尺寸为最小缺陷尺寸的十分之一；
步骤四：通过自适应阈值的方法，计算步骤三得到的全部纹理能量图，得到包括真实腐蚀特征与环境中反射造成的“伪腐蚀”在内的“腐蚀特征掩膜”二值化模板；
步骤五：合并饱和度图像金字塔中每一分辨率下的“腐蚀特征掩膜”二值化模板，得到原始图像尺寸的“初提取腐蚀特征掩膜”；
步骤六：将“初提取腐蚀特征掩膜”与原始图像进行逻辑运算，得到多个连通域；利用形态学方法对原始图像尺寸的“初提取腐蚀特征掩膜”进行边缘提取；再计算边缘区域上全部像素的梯度向量，对全部边缘的梯度向量进行特征提取，得到每个连通域的边缘统计信息；
步骤七：通过无监督分类的K-means方法将成像设备阴影造成的“伪腐蚀特征”从“初提取腐蚀特征掩膜”去除，剩下的图像区域为真实的腐蚀特征，实现高反光表面腐蚀样件的缺陷特征的高效、高鲁棒性提取。
2.如权利要求1所述的一种适用于高反光表面样件的腐蚀特征提取方法，其特征在于：步骤三实现方法为，
步骤3.1：取饱和度图像金字塔中某一分辨率下的图像，选择图像中的某一个像素，以该像素为中心，半径为K，在图像中选择(2K-1)×(2K-1)个像素，建立窗口，如果窗口中图像像素超过图像边界，则超出部分采用镜像方法补齐；
步骤3.2：在该窗口内，分别计算0°、90°、180°和270°四个方向在距离为N时的灰度共生矩阵，并计算四个方向灰度共生矩阵的对比度C0、C90、C180、C270，计算C0、C90、C180、C270中的最大值，作为该窗口中心像素的能量值；
步骤3.3：重复步骤3.1与步骤3.2，遍历该饱和度图像金字塔中该幅图像的全部像素，得到该幅图像的纹理能量图；
步骤3.4：重复步骤3.3，得到饱和度图像金字塔中每一幅图像对应的纹理能量图。
3.如权利要求2所述的一种适用于高反光表面样件的腐蚀特征提取方法，其特征在于：步骤四实现方法为，
步骤4.1：对每一幅的纹理能量图，通过自适应阈值的方法进行分割，得出每一分辨率图像下腐蚀特征的备选区域掩膜；
步骤4.2：将步骤4.1中得到的备选区域掩膜，通过三次插值的方法，还原到原始图像尺寸，得到“腐蚀特征掩膜”二值化模板。
4.如权利要求1或2所述的一种适用于高反光表面样件的腐蚀特征提取方法，其特征在于：步骤六实现方法为，
步骤6.1：对“初提取腐蚀特征掩膜”进行连通域计算，得到多个连通域；
步骤6.2：选择一个连通域，以结构元素[1,1；1,1]对该连通域进行先膨胀后腐蚀的形态学运算，得到边缘像素位置；
步骤6.3：对每一个连通域Dk的边缘区域Ak,1≤k≤n，计算连通域Dk的中心像素P0(x0,y0)；以像素P0为起点，该连通域边缘区域Ak的每个像素Pi(xi,yi)∈Ak为终点，建立多条连线，计算每条连线的角度θi；再以像素Pi为中心，沿角度θi,分别向连通域边界内外，各取t个像素，由所述2t+1个像素的灰度值构成的向量G(g1,g2,…g2t+1)，为该边缘区域Ak像素Pi的梯度向量；
步骤6.4：重复步骤6.3，计算边缘区域Ak上全部像素Pi(xi,yi)∈Ak的梯度向量，对全部边缘的梯度向量进行特征提取，得到每个连通域Dk的边缘统计信息；所述特征包括：标准偏差、均值、中值。
CN202210196590.4A 2022-03-02 2022-03-02 一种高反光表面腐蚀特征提取方法 Pending CN114596271A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210196590.4A CN114596271A (zh) 2022-03-02 2022-03-02 一种高反光表面腐蚀特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210196590.4A CN114596271A (zh) 2022-03-02 2022-03-02 一种高反光表面腐蚀特征提取方法

Publications (1)

Publication Number Publication Date
CN114596271A true CN114596271A (zh) 2022-06-07

Family

ID=81815206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210196590.4A Pending CN114596271A (zh) 2022-03-02 2022-03-02 一种高反光表面腐蚀特征提取方法

Country Status (1)

Country Link
CN (1) CN114596271A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882265A (zh) * 2022-07-12 2022-08-09 济宁昆仑石油化工有限公司 一种成品油质量检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882265A (zh) * 2022-07-12 2022-08-09 济宁昆仑石油化工有限公司 一种成品油质量检测方法
CN114882265B (zh) * 2022-07-12 2022-09-06 济宁昆仑石油化工有限公司 一种成品油质量检测方法

Similar Documents

Publication Publication Date Title
CN113450307B (zh) 一种产品边缘缺陷检测方法
CN108520274B (zh) 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN112419250B (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN113538433B (zh) 基于人工智能的机械铸件缺陷检测方法及系统
CN110033431B (zh) 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
CN106485651B (zh) 快速鲁棒性尺度不变的图像匹配方法
CN110596120A (zh) 玻璃边界缺陷检测方法、装置、终端及存储介质
CN112734761B (zh) 工业品图像边界轮廓提取方法
CN106023257A (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN111127417B (zh) 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法
CN113034474A (zh) 一种oled显示器晶圆图的测试方法
CN113096085A (zh) 基于两阶段卷积神经网络的集装箱表面损伤检测方法
CN117152129B (zh) 一种电池盖板的表面缺陷视觉检测方法及系统
CN115170529A (zh) 基于注意力机制的多尺度微小瑕疵检测方法
CN115760820A (zh) 一种塑料件缺陷图像识别方法及应用
CN110866915A (zh) 基于度量学习的圆形砚台质量检测方法
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
CN114719749A (zh) 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统
CN112907626A (zh) 基于卫星超时相数据多源信息的运动目标提取方法
CN111638218A (zh) 一种涂层表面缺陷的检测方法
CN116758425A (zh) 一种大基地光伏电站自动验收方法和装置
CN116740528A (zh) 一种基于阴影特征的侧扫声呐图像目标检测方法及系统
Tian et al. Corrosion identification of fittings based on computer vision
CN114596271A (zh) 一种高反光表面腐蚀特征提取方法
CN115980095A (zh) 一种基于机器视觉的芯片外观检测方法及系统

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