CN114627016A - 一种基于色彩迁移策略的工业缺陷检测预处理方法 - Google Patents
一种基于色彩迁移策略的工业缺陷检测预处理方法 Download PDFInfo
- Publication number
- CN114627016A CN114627016A CN202210251760.4A CN202210251760A CN114627016A CN 114627016 A CN114627016 A CN 114627016A CN 202210251760 A CN202210251760 A CN 202210251760A CN 114627016 A CN114627016 A CN 114627016A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- converting
- rgb
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 title claims abstract description 20
- 230000005012 migration Effects 0.000 title claims abstract description 19
- 238000013508 migration Methods 0.000 title claims abstract description 19
- 238000007781 pre-processing Methods 0.000 title claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 6
- 230000004048 modification Effects 0.000 abstract description 5
- 238000012986 modification Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 4
- 239000003086 colorant Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000003149 assay kit Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种基于色彩迁移策略的工业缺陷检测预处理方法,该方法包括以下步骤:S1、将目标图像、源图像由RGB图像转换为lαβ图像;S2、在lαβ空间中将目标图像数据点分布信息传输到源图像;S3、将经处理的源图像由lαβ图像转换为RGB结果图像;本发明采用lαβ对待检图像进行处理,lαβ空间中数据点分布的在图像之间传输,使结果图像具有目标图像的外观和感觉;本发明使颜色修改过程简单化,提高检测准确性;同时提高工业检测中深度学习的模型训练效果,降低成本。
Description
技术领域
本发明涉及工业缺陷检测领域,尤其是一种基于色彩迁移策略的工业缺陷检测预处理方法。
背景技术
在工业生产中,工业缺陷检测是生产中不可缺少的一个环节,得益于深度学习的兴起和卷积神经网络在特征提取、表达方面表现出的优良适应能力,一批运用卷积神经网络检测缺陷的方法应运而生;具体通过构建一个深度卷积神经网络模型,然后用大量的标注数据去训练模型,使深度卷积神经网络学习到这些数据中的特征,拥有识别图像特征的能力;由于工业环境复杂多变,各种内外界因素引起光学环境变化,导致相机成像不一致,使得工业检测中图片的色彩存在差异,干扰检测,影响工业检测效果的准确性,降低了工厂生产的效益,导致深度学习的模型训练效果较差、成本较高。因此,产品的成像图片在检测前需要进行消除干扰处理。
RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色,这个标准几乎包括了人类视力所能感知的所有颜色,是目前运用最广的颜色系统之一。RGB色彩模式使用RGB模型为图像中每一个像素的RGB分量分配一个0~255范围内的强度值。例如:纯红色R值为255,G值为0,B值为0;灰色的R、G、B三个值相等(除了0和255);白色的R、G、B都为255;黑色的R、G、B都为0。RGB图像只使用三种颜色,就可以使它们按照不同的比例混合,在屏幕上重现16581375种颜色。
当一个典型的三通道图像用任何一种最知名的颜色空间表示时,不同通道的值之间会有相关性。因RGB三通道有很强的关联性,做颜色改变时很难再同时恰当地改变三通道,例如,在RGB空间中,如果蓝通道较大,则大多数像素的红色和绿色通道将具有较大的值,如果以一致的方式改变像素颜色,则必须同时修改所有颜色通道,使颜色修改过程复杂化,因此无法通过RGB对源图像做消除干扰处理,来提高检测准确性。
发明内容
本发明提供一种基于色彩迁移策略的工业缺陷检测预处理方法,在检测前将目标图像色彩信息迁移到源图像,消除色彩干扰,使得产线上的图像色彩都保持一致,再进行后续检测,以至少解决不同工业场景下相机成像不一致,图像颜色变化导致检测不准确的问题。
本发明提供一种基于色彩迁移策略的工业缺陷检测预处理方法,该方法包括以下步骤:
S1、将目标图像、源图像由RGB图像转换为lαβ图像;
S2、数据传输,所述数据传输是在lαβ空间中将目标图像数据点分布信息传输到源图像;
S3、将经处理的源图像由lαβ图像转换为RGB图像,得到结果图像。
进一步的,所述方法具体包括以下步骤:
S1、将目标图像、源图像由RGB图像转换成LMS图像,再转换到lαβ图像;
S2、数据传输,所述数据传输是在lαβ空间中将目标图像数据点分布信息传输到源图像;
S3、将经处理的源图像由lαβ图像转换回LMS图像,再转换为RGB图像,得到结果图像。
进一步的,所述步骤S1中RGB转换为LMS还包括以下步骤:
S11、将RGB图像转换为XYZ图像;
S12、将XYZ图像转换为LMS图像。
进一步的,所述步骤S11、S12均通过矩阵变化实现。
进一步的,所述LMS颜色空间存在数据偏差,通过将数据转换到对数空间消除偏差,具体公式如下:
L=log L,M=log M,S=log S
进一步,所述步骤S2中的数据传输,是沿三个轴的平均值和标准差传输。
进一步的,所述步骤S2中的数据传输,是在lαβ空间中分别计算每个轴的平均值和标准偏差,具体的:
S21、从数据点中减去平均值:
l*=l-<l>
α*=α-<α>
β*=β-<β>
其中,ι是亮度分量,α是黄蓝相关颜色通道,β是红绿相关颜色通道,< >是取平均值,带*表示该变量结果;
S22、根据由各自的标准偏差确定的因子对构成合成图像的数据点进行缩放:
S23、将为照片计算的平均值相加。
进一步的,lαβ色彩空间中的图像处理公式如下:
进一步的,所述步骤3通过logLMS、LMS和XYZ颜色空间将结果转换回RGB。
本发明相对于现有技术,采用lαβ色彩空间处理源图像,经处理转换后的结果图像与目标图像色彩大致相同,源图像经过色彩迁移处理提高工业检测准确性,也提高了生产效益。
附图说明
图1为本发明一种基于色彩迁移策略的工业缺陷检测预处理方法流程图;
图2为目标图像;
图3为源图像;
图4为色彩迁移处理后的结果图像;
图5为另一组目标图像;
图6为另一组源图像;
图7为另一组经色彩迁移处理后的结果图像。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将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的实施例,而不是全部的实施例。
本实施例公开的基于色彩迁移策略的工业缺陷检测预处理方法中,要操作的图片称作源图像,希望转成的颜色风格图像称为目标图像,处理后图像为结果图像。
该方法包括以下步骤:
S1、将目标图像、源图像由RGB图像转换为lαβ图像;
S2、在lαβ空间中将目标图像数据点分布信息传输到源图像;
S3、将经处理的源图像由lαβ图像转换为RGB结果图像。
lαβ三个通道分别代表:亮度,黄蓝通道,红绿通道,lαβ颜色空间三个轴向正交意味着改变任何一个通道都不影响其他通道,从而能够较好的保持原图像的自然效果;本发明采用lαβ对源图像进行处理,lαβ空间中目标图像的数据点分布信息传输到源图像,使结果图像具有目标图像的外观和感觉;本发明使颜色修改过程简单化,提高检测准确性;同时提高工业检测中深度学习的模型训练效果,降低成本。
优选的,如图1所示,所述方法具体包括以下步骤:
S1、将目标图像、源图像由RGB图像转换成LMS图像,再转换到lαβ图像;
S2、在lαβ空间中将目标图像数据点分布信息传输到源图像;
S3、将经处理的源图像由lαβ图像转换回LMS图像,再转换为RGB结果图像。
优选的,步骤S1中RGB转换为LMS还包括以下步骤:
S11、将RGB图像转换为XYZ图像;
S12、将XYZ图像转换为LMS图像。
优选的,所述步骤S11、S12均通过矩阵变化实现。
优选的,通过将数据转换到对数空间消除偏差。如下公式:
L=log L,M=log M,S=log S
本实施例中,LMS颜色空间中的数据表现出很大偏差,通过将数据转换到对数空间很大程度上消除这种偏差。
优选的,lαβ空间中数据点分布的在图像之间沿三个轴的平均值和标准差传输,在lαβ空间中分别计算每个轴的平均值和标准偏差。
首先,从数据点中减去平均值:
l*=l-<l>
α*=α-<α>
β*=β-<β>
其中,ι是亮度分量,α是黄蓝相关颜色通道,β是红绿相关颜色通道,<>是取平均值,带*表示该变量结果。
然后,根据由各自的标准偏差确定的因子对构成合成图像的数据点进行缩放:
本实施例经过这一转换后,得到的数据点具有与目标图像一致的标准偏差,将为与目标图像计算的平均值相加。
优选的,步骤3通过logLMS、LMS和XYZ颜色空间将步骤2处理的图片转换回RGB。
具体的,所述步骤S3中LMS转换为RGB包括以下步骤:
S31、将LMS图像转换为XYZ图像;
S32、将XYZ图像转换为RGB图像。
以图2-4为例,将图2由RGB空间转换到LMS颜色空间,再由LMS转换到lαβ颜色空间,同时计算图3在lαβ颜色空间的标准差,并且除以图2在lαβ颜色空间的标准差,作为系数乘以在lαβ颜色空间中图2减去自身每个轴的均值,最后加上图3的lαβ颜色空间均值,转换回RGB颜色空间就得到了图4。
以图5-7为例,将图5由RGB空间转换到LMS颜色空间,再由LMS转换到lαβ颜色空间,同时计算图6在lαβ颜色空间的标准差,并且除以图5在lαβ颜色空间的标准差,作为系数乘以在lαβ颜色空间中图5减去自身每个轴的均值,最后加上图6的lαβ颜色空间均值,转换回RGB颜色空间就得到了图7。
实际操作中,假设要将一幅图像的外观转移到另一幅图像上,可选择不能很好地配合的待检图像和目标图像,结果的质量取决于图像在合成上的相似性。例如,如果合成图像包含很多草,而照片中有更多的天空,可以预期统计信息的传输将失败,但是工业图像上相同的产品都非常相似,所以不会有此类的问题。
本发明对数据点施加均值和标准差是一种简单的操作,如图2-7所示只要给出合适的输入图像,对图像进行后处理以改善其外观,到调整,就可以产生可信的输出图像。如将图2中场景转换到图3中,得到图4效果。如将图5中场景转换到图6中,得到图7效果等图像场景转换。可以使用照片中测量的颜色范围来将颜色选择限制在可能发生在自然界中的颜色,本发明的应用范围很广,方法简单,可以将其做为各种工业检测包的插件。
在一些实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述产品图像预处理方法的步骤。
在一些实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述产品缺陷检测中图像预处理方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解,技术人员阅读本申请说明书后依然可以对本发明的具体实施方式进行修改或者等同替换,但这些修改或变更均未脱离本发明申请待批权利要求保护范围之内。
Claims (9)
1.一种基于色彩迁移策略的工业缺陷检测预处理方法,其特征在于,该方法包括以下步骤:
S1、将目标图像、源图像由RGB图像转换为lαβ图像;
S2、数据传输,所述数据传输是在lαβ空间中将目标图像数据点分布信息传输到源图像;
S3、将经处理的源图像由lαβ图像转换为RGB图像,得到结果图像。
2.根据权利要求1所述一种基于色彩迁移策略的工业缺陷检测预处理方法,其特征在于,所述方法具体包括以下步骤:
S1、将目标图像、源图像由RGB图像转换成LMS图像,再转换到lαβ图像;
S2、数据传输,所述数据传输是在lαβ空间中将目标图像数据点分布信息传输到源图像;
S3、将经处理的源图像由lαβ图像转换回LMS图像,再转换为RGB图像,得到结果图像。
3.根据权利要求2所述一种基于色彩迁移策略的工业缺陷检测预处理方法,其特征在于,所述步骤S1中RGB转换为LMS还包括以下步骤:
S11、将RGB图像转换为XYZ图像;
S12、将XYZ图像转换为LMS图像。
4.根据权利要求3所述一种基于色彩迁移策略的工业缺陷检测预处理方法,其特征在于,所述步骤S11、S12均通过矩阵变化实现。
5.根据权利要求2-4中任意一项所述一种基于色彩迁移策略的工业缺陷检测预处理方法,其特征在于,所述LMS颜色空间需要消除偏差,通过将数据转换到对数空间消除偏差,具体公式如下:
L=log L,M=log M,S=log S
6.根据权利要求5所述一种基于色彩迁移策略的工业缺陷检测预处理方法,其特征在于,所述步骤S2中的数据传输,是沿三个轴的平均值和标准差传输。
9.根据权利要求2所述一种基于色彩迁移策略的工业缺陷检测预处理方法,其特征在于,所述步骤3通过logLMS、LMS和XYZ颜色空间将结果转换回RGB。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210251760.4A CN114627016A (zh) | 2022-03-15 | 2022-03-15 | 一种基于色彩迁移策略的工业缺陷检测预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210251760.4A CN114627016A (zh) | 2022-03-15 | 2022-03-15 | 一种基于色彩迁移策略的工业缺陷检测预处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114627016A true CN114627016A (zh) | 2022-06-14 |
Family
ID=81901266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210251760.4A Pending CN114627016A (zh) | 2022-03-15 | 2022-03-15 | 一种基于色彩迁移策略的工业缺陷检测预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627016A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664454A (zh) * | 2023-08-01 | 2023-08-29 | 中国海洋大学 | 一种基于多尺度颜色迁移参数预测的水下图像增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710791A (zh) * | 2018-12-14 | 2019-05-03 | 中南大学 | 一种基于显著滤波器的多源彩色图像颜色迁移方法 |
CN111476831A (zh) * | 2020-03-20 | 2020-07-31 | 清华大学 | 基于聚类分析的pcb图像色彩迁移装置及方法 |
-
2022
- 2022-03-15 CN CN202210251760.4A patent/CN114627016A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710791A (zh) * | 2018-12-14 | 2019-05-03 | 中南大学 | 一种基于显著滤波器的多源彩色图像颜色迁移方法 |
CN111476831A (zh) * | 2020-03-20 | 2020-07-31 | 清华大学 | 基于聚类分析的pcb图像色彩迁移装置及方法 |
Non-Patent Citations (2)
Title |
---|
晋诗瑶等: "基于Reinhard算法的局部色彩迁移改进算法", 《科技创新与应用》, no. 2020, 18 April 2020 (2020-04-18), pages 1 - 3 * |
朱峰;滕奇志;何小海;: "颜色迁移在荧光薄片图像分析中的应用", 计算机与数字工程, no. 01, 20 January 2016 (2016-01-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664454A (zh) * | 2023-08-01 | 2023-08-29 | 中国海洋大学 | 一种基于多尺度颜色迁移参数预测的水下图像增强方法 |
CN116664454B (zh) * | 2023-08-01 | 2023-11-03 | 中国海洋大学 | 一种基于多尺度颜色迁移参数预测的水下图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Afifi et al. | When color constancy goes wrong: Correcting improperly white-balanced images | |
KR100467610B1 (ko) | 디지털 화질 개선 방법 및 장치 | |
CN109147005B (zh) | 一种用于红外图像的自适应染色方法、系统、存储介质、终端 | |
KR101246984B1 (ko) | 멀티미디어 컬러 관리 시스템 | |
EP2227898B1 (en) | Image sensor apparatus and method for scene illuminant estimation | |
CN113170028B (zh) | 生成基于机器学习的成像算法的图像数据的方法 | |
CN111292246B (zh) | 图像颜色校正方法、存储介质及内窥镜 | |
CN110717868B (zh) | 视频高动态范围反色调映射模型构建、映射方法及装置 | |
JP2002543695A (ja) | カラー機器の特性付け方法及び装置、画像色補正方法及び装置、カラー画像データ伝送及び/又は記録方法及び記録媒体 | |
KR20100081886A (ko) | 적응형 톤 매핑 장치 및 방법, 그리고 이를 이용한 영상 처리 시스템 | |
KR20070090224A (ko) | 전자 색 이미지 채도 처리 방법 | |
US11544825B2 (en) | Image processing apparatus, image processing system, and image processing method | |
KR20050098949A (ko) | 화상 처리 장치 및 방법과 프로그램 | |
CN114627016A (zh) | 一种基于色彩迁移策略的工业缺陷检测预处理方法 | |
CN111010557B (zh) | 白点范围确定方法、白平衡校正方法及装置、存储介质 | |
Le et al. | Gamutnet: Restoring wide-gamut colors for camera-captured images | |
KR101585187B1 (ko) | Cielab 색 공간에서의 통합된 멀티 스케일 레티넥스를 수행하는 이미지 처리 방법 및 장치 | |
CN114549386A (zh) | 一种基于自适应光照一致性的多曝光图像融合方法 | |
KR101005625B1 (ko) | 카메라 색상 특성 곡선을 이용한 영상 밝기 변화에 따른 색 보정 방법 | |
Lakshmi et al. | Analysis of tone mapping operators on high dynamic range images | |
Lee et al. | A perception-based framework for wide color gamut content selection | |
CN105631812A (zh) | 一种对显示图像进行色彩增强的控制方法及控制装置 | |
WO2022267784A1 (en) | Systems and methods for image correction | |
Kumar et al. | Grey level to RGB using YCbCr color space Technique | |
Pouli et al. | Color management in HDR imaging |
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 | ||
CB02 | Change of applicant information |
Address after: 361000 room 201a, Jinfeng Building, information photoelectric Park, Xiamen Torch hi tech Zone, Xiamen City, Fujian Province Applicant after: Xiamen Weiya Intelligent Technology Co.,Ltd. Address before: 361000 room 201a, Jinfeng Building, information photoelectric Park, Xiamen Torch hi tech Zone, Xiamen City, Fujian Province Applicant before: XIAMEN WEIYA INTELLIGENCE TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |