CN114841903B - 基于图像处理的船体表面腐蚀程度评估方法 - Google Patents

基于图像处理的船体表面腐蚀程度评估方法 Download PDF

Info

Publication number
CN114841903B
CN114841903B CN202210780563.1A CN202210780563A CN114841903B CN 114841903 B CN114841903 B CN 114841903B CN 202210780563 A CN202210780563 A CN 202210780563A CN 114841903 B CN114841903 B CN 114841903B
Authority
CN
China
Prior art keywords
image
gaussian
enhanced
layer
enhancement
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.)
Active
Application number
CN202210780563.1A
Other languages
English (en)
Other versions
CN114841903A (zh
Inventor
柴建华
王婉婷
沙丙强
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.)
Huanghai Shipbuilding Co ltd
Original Assignee
Huanghai Shipbuilding 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 Huanghai Shipbuilding Co ltd filed Critical Huanghai Shipbuilding Co ltd
Priority to CN202210780563.1A priority Critical patent/CN114841903B/zh
Publication of CN114841903A publication Critical patent/CN114841903A/zh
Application granted granted Critical
Publication of CN114841903B publication Critical patent/CN114841903B/zh
Active 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

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 Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于图像处理的船体表面腐蚀程度评估方法，该方法包括：获取船体底部的表面图像，根据表面图像获取高斯金字塔及拉普拉斯金字塔，获取每层高斯图像对应的第一次图像增强、第二次图像增强、第三次图像增强的增强图像，对高斯图像对应的三个增强图像进行融合得到最终增强图像，根据高斯金字塔的最后一层高斯图像对应的最终增强图像对船体表面的腐蚀程度进行评估，本发明方法提高了表面图像的增强效果，实现了对船体的腐蚀程度进行准确的评估。

Description

基于图像处理的船体表面腐蚀程度评估方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于图像处理的船体表面腐蚀程度评估方法。
背景技术
船体都是由金属材料制作而成的，而金属材料在海水中由于受到海水温度、大气以及海水盐碱度的影响，常常会导致船体表面腐蚀，船体表面腐蚀会改变船体表面结构受力，加快表面材料老化，引发疲劳断裂，从而影响航行，不同程度的腐蚀对船体的影响程度不同，所以对于船体表面腐蚀程度的评估具有十分重要的意义。
对于船体水下区域腐蚀程度的评估的准确性主要取决于水下图像的质量，由于光在水下的传播有折射、散射等现象，水下拍摄的图像会受影响，存在浑浊水质导致图像退化、图像模糊，导致在进行船体腐蚀程度评估时，受图像质量的影响，其评估结果并不准确，故，需要对图像进行增强，便于准确评估的船体的腐蚀程度。
然而，现有技术中的图像增强技术，虽然能对图像进行增强，但其增强效果相当有限，因此，需要提供一种基于图像处理的船体表面腐蚀程度评估方法，予以解决上述问题。
发明内容
本发明提供基于图像处理的船体表面腐蚀程度评估方法，以解决现有的问题。
本发明的一种基于图像处理的船体表面腐蚀程度评估方法采用如下技术方案：该方法包括：
获取船体底部的表面图像；
对表面图像进行下采样获取高斯金字塔及拉普拉斯金字塔；
对高斯金字塔的每一层高斯图像进行图像增强获取每层高斯图像对应的第一次图像增强的增强图像；
对每层高斯图像对应的第一次图像增强的增强图像进行上采样得到对应的上采样增强图像；根据每层拉普拉斯图像及相同层数的上采样增强图像获取相同层数的高斯图像的第二次图像增强的增强图像；
对每层高斯图像的第二次图像增强的增强图像进行图像增强得到每层高斯图像的第三次图像增强的增强图像；
分别计算每层高斯图像对应的三个增强图像的信息熵，根据信息熵获取三个增强图像对应的权重，根据权重对每层高斯图像对应的三个增强图像进行融合得到最终增强图像；
根据高斯金字塔的最后一层高斯图像对应的最终增强图像中的腐蚀信息对船体表面的腐蚀程度进行评估。
优选的，获取每层高斯图像对应的第一次图像增强的增强图像的步骤包括：
对每层高斯图像进行去照度处理得到去照度处理后的每个像素点的像素值；
对每层高斯图像进行低通滤波处理得到低通滤波处理后的每个像素点的像素值；
根据高斯图像对应的去照度处理后的每个像素点的像素值与低通滤波处理后的每个像素点的像素值的像素差值，将像素差值作为第一次图像增强的增强图像的像素点的像素值；
根据所有像素差值获取第一次图像增强的增强图像。
优选的，根据每层拉普拉斯图像及相同层数的上采样增强图像获取相同层数的高斯图像的第二次图像增强的增强图像的步骤包括：
将每层拉普拉斯图像上的像素点与相同层数的上采样增强图像上对应像素点的像素和值作为第二次图像增强的增强图像中对应的像素点的像素值；
根据所有像素和值获取第二次图像增强的增强图像。
优选的，计算每层高斯图像对应的三个增强图像的信息熵的公式：
Figure 551086DEST_PATH_IMAGE001
式中，
Figure 927840DEST_PATH_IMAGE002
表示高斯图像对应的其中一个增强图像的信息熵；
Figure 938522DEST_PATH_IMAGE003
表示该高斯图像的其中一个增强图像中灰度级为i的像素点的频率；
Figure 906478DEST_PATH_IMAGE004
表示该高斯图像的其中一个增强图像中的灰度级的数量。
优选的，根据信息熵获取三个增强图像对应的权重的步骤包括：
根据每层高斯图像层数计算该层高斯图像的分层系数；
将每层高斯图像的分层系数与其第一次图像增强的增强图像的信息熵的乘积作为第一次图像增强的增强图像的权重；
将每层高斯图像的第二次图像增强的增强图像、第三次图像增强的增强图像对应的信息熵作为第二次图像增强的增强图像、第三次图像增强的增强图像对应的权重。
优选的，根据权重对每层高斯图像对应的三个增强图像进行融合得到最终增强图像的步骤包括：
将三个权重与对应的三个增强图像中的每个像素点的像素值相乘得到三个增强图像对应的目标图像；
将三个增强图像对应的目标图像中对应的像素点的像素值的和值作为最终增强图像的每个像素点的像素值；
根据最终增强图像的每个像素点的像素值获取每层高斯图像对应的最终增强图像。
优选的，根据高斯金字塔的最后一层高斯图像对应的最终增强图像中的腐蚀信息对船体表面的腐蚀程度进行评估的步骤包括：
获取高斯金字塔的最后一层高斯图像对应的最终增强图像的腐蚀区域，并获取腐蚀区域中每个像素点的像素值；
根据每个像素点的像素值与赤黄色对应的颜色值计算待检测船体的腐蚀程度；
设定腐蚀等级，根据腐蚀程度及预设的腐蚀程度阈值范围确定待检测船体的腐蚀等级。
优选的，还包括：
根据每层高斯图像对应的最终增强图像中每个像素点的亮度值计算每层高斯图像对应的最终增强图像的增强效果；
根据高斯金字塔预设的有效层数及高斯图像的层数计算表面图像的采样复杂度；
根据表面图像对应的采样复杂度及其对应的每层高斯图像的最终增强图像的增强效果确定高斯金字塔的最佳层数；
根据最佳层数获取表面图像的最佳高斯金字塔；
根据最佳高斯金字塔中最后一层高斯图像对应的最终增强图像中的腐蚀区域颜色及腐蚀区域大小对船体表面的腐蚀程度进行评估。
优选的，根据每层高斯图像对应的最终增强图像中每个像素点的亮度值计算每层高斯图像对应的最终增强图像的增强效果的步骤包括：
对最终增强图像进行分块得到多个图像块；
计算每个图像块中像素点的亮度值的亮度平均值；
根据每个图像块中像素点的数量、像素点的亮度值与图像块的亮度平均值计算该最终增强图像的增强效果。
优选的，根据表面图像对应的采样复杂度及其对应的每层高斯图像的最终增强图像的增强效果确定高斯金字塔的最佳层数的步骤包括：
分别对表面图像对应的采样复杂度及其对应的每层高斯图像的最终增强图像进行归一化处理；
根据归一化处理后的采样复杂度和增强效果计算分层效果值；
将分层效果值中的最大分层效果值对应的层数记为高斯金字塔分层效果最好的最佳层数。
本发明的有益效果是：本发明的基于图像处理的船体表面腐蚀程度评估方法，通过对高斯金字塔的每层高斯图像的进行三种方式的增强得到三个增强图像，然后对每层高斯图像的三个增强图像进行加权融合得到最终增强图像，在根据最终增强图像中的腐蚀区域颜色及腐蚀区域大小实现对船体表面的腐蚀程度的评估，本发明通过对表面图像下采样后的下采样图像对应的三个增强图像进行融合，从而提高了表面图像的增强效果，进而通过对融合后的最终增强图像实现了对船体表面的腐蚀程度进行准确评估。
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为本发明的基于图像处理的船体表面腐蚀程度评估方法的实施例1的总体步骤的流程图；
图2为本发明实施例2的总体步骤的流程图。
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
本发明的基于图像处理的船体表面腐蚀程度评估方法的实施例1，如图1所示，该方法包括：
S1、获取船体底部的表面图像，具体的，采用水下摄影机对船体底部的表面图像进行采集。
S2、由于水下采集的表面图像容易出现模糊现象，故需要对表面图像进行增强，具体的，对表面图像进行下采样，具体的，利用图像金字塔对表面图像进行下采样获取高斯金字塔及拉普拉斯金字塔，其中，为了能够恢复具有较高分辨率的图像，根据下采样过程中所丢失的信息得到拉普拉斯金字塔。
具体的，计算拉普拉斯金字塔的每层拉普拉斯图像的公式：
Figure 2610DEST_PATH_IMAGE005
式中，
Figure 917476DEST_PATH_IMAGE006
表示拉普拉斯金字塔中的第
Figure 48243DEST_PATH_IMAGE007
层拉普拉斯图像；
Figure 187100DEST_PATH_IMAGE008
表示高斯金字塔的第
Figure 770528DEST_PATH_IMAGE007
层高斯图像；
Figure 223506DEST_PATH_IMAGE009
表示高斯金字塔的第
Figure 208780DEST_PATH_IMAGE007
+1层高斯图像进行上采样后的图像；
符号
Figure 518539DEST_PATH_IMAGE010
表示卷积；
Figure 58104DEST_PATH_IMAGE011
表示
Figure 111511DEST_PATH_IMAGE012
的高斯卷积核。
S3、对高斯金字塔的每一层高斯图像进行图像增强获取每层高斯图像对应的第一次图像增强的增强图像；对每层高斯图像对应的第一次图像增强的增强图像进行上采样得到对应的上采样增强图像；根据每层拉普拉斯图像及相同层数的上采样增强图像获取相同层数的高斯图像的第二次图像增强的增强图像；对每层高斯图像的第二次图像增强的增强图像进行图像增强得到每层高斯图像的第三次图像增强的增强图像。
具体的，利用retinex图像增强算法对高斯金字塔的每一层高斯图像进行增强得到每层高斯图像对应的第一次图像增强的增强图像，即对每层高斯图像进行去照度处理得到去照度处理后的每个像素点的像素值；对每层高斯图像进行低通滤波处理得到低通滤波处理后的每个像素点的像素值；根据高斯图像对应的去照度处理后的每个像素点的像素值与低通滤波处理后的每个像素点的像素值的像素差值，将像素差值作为第一次图像增强的增强图像的像素点的像素值；根据所有像素差值获取第一次图像增强的增强图像，其中，计算每层高斯图像对应的第一次图像增强的增强图像的像素点的像素值的公式：
Figure 951291DEST_PATH_IMAGE013
式中，
Figure 431951DEST_PATH_IMAGE014
表示高斯金字塔的第j层高斯图像对应的第一次图像增强的增强图像中的像素点
Figure 927654DEST_PATH_IMAGE015
的像素值；
Figure 784752DEST_PATH_IMAGE016
表示高斯金字塔的第j层高斯图像经过照度去除后的图像中的像素点
Figure 479038DEST_PATH_IMAGE015
的像素值；
Figure 130600DEST_PATH_IMAGE017
表示高斯金字塔的第j层高斯图像经过低通滤波后的图像中的像素点
Figure 175916DEST_PATH_IMAGE015
的像素值；
具体的，获取相同层数的高斯图像的第二次图像增强的增强图像的步骤包括：将每层拉普拉斯图像上的像素点与相同层数的上采样增强图像上对应像素点的像素和值作为第二次图像增强的增强图像中对应的像素点的像素值；根据所有像素和值获取第二次图像增强的增强图像，计算每层高斯图像的第二次图像增强的增强图像中对应的像素点的像素值的公式：
Figure 774388DEST_PATH_IMAGE018
式中，
Figure 323181DEST_PATH_IMAGE019
表示高斯金字塔的第j层高斯图像的第二次图像增强的增强图像；
Figure 411222DEST_PATH_IMAGE020
表示拉普拉斯金字塔的第j层拉普拉斯图像；
Figure 678256DEST_PATH_IMAGE021
表示高斯金字塔的第j+1层高斯图像对应的第一次图像增强的增强图像中的像素点
Figure 80418DEST_PATH_IMAGE015
的像素值；
Figure 749297DEST_PATH_IMAGE022
表示高斯金字塔的第j+1层高斯图像对应的第一次图像增强的增强图像上采样后的上采样增强图像中的像素点
Figure 8240DEST_PATH_IMAGE015
的像素值；
具体的，利用retinex图像增强算法对每层高斯图像的第二次图像增强的增强图像进行图像增强得到每层高斯图像的第三次图像增强的增强图像。
S4、经过步骤S1到S3得到了每层高斯图像对应的三个增强图像，一般第二次图像增强的增强图像的增强效果最佳，但是，本发明中进行了三次的图像增强，为防止过度增强的情况出现使得增强后的图像丢失原始图像的有用信息，故，分别计算每层高斯图像对应的三个增强图像的信息熵，根据信息熵获取三个增强图像对应的权重，根据权重对每层高斯图像对应的三个增强图像进行融合得到最终增强图像，融合目的是为了增强图像的同时保持表面图像的信息，经过三个增强图像融合以后得到的最终增强图像具有更多的细节信息，有利于图像的进一步分析、处理与理解，还能够把潜在的目标暴露出来。
其中，计算每层高斯图像对应的三个增强图像的信息熵的公式：
Figure 496990DEST_PATH_IMAGE023
式中，
Figure 499581DEST_PATH_IMAGE002
表示高斯图像对应的其中一个增强图像的信息熵；
Figure 226229DEST_PATH_IMAGE003
表示该高斯图像的增强图像中灰度级为i的像素点的频率；
Figure 390494DEST_PATH_IMAGE004
表示该高斯图像的增强图像中的灰度级的数量；
具体的，由于同一个表面图像其在高斯金字塔内随着层数的增加，该表面图像的原有信息不断减少，所以，对于每层高斯图像的第一次图像增强的增强图像的融合比例应该减小，故根据每层高斯图像层数计算第j层高斯图像的分层系数
Figure 632119DEST_PATH_IMAGE024
，其中，计算每层高斯图像的分层系数的公式：
Figure 172822DEST_PATH_IMAGE025
，式中，
Figure 34204DEST_PATH_IMAGE024
表示第j层高斯图像的分层系数，j表示高斯金字塔的第j层，其中，将每层高斯图像的分层系数与其第一次图像增强的增强图像的信息熵的乘积作为第一次图像增强的增强图像的权重；将每层高斯图像的第二次图像增强的增强图像、第三次图像增强的增强图像对应的信息熵作为第二次图像增强的增强图像、第三次图像增强的增强图像对应的权重，本实施例中，第j层高斯图像的第一次图像增强的增强图像的权重表示为
Figure 634949DEST_PATH_IMAGE026
，第j层高斯图像对应的第二次图像增强的增强图像的权重表示为
Figure 98292DEST_PATH_IMAGE027
，第j层高斯图像对应的第三次图像增强的增强图像的权重表示为
Figure 442685DEST_PATH_IMAGE028
。
具体的，根据权重对每层高斯图像对应的三个增强图像进行融合得到最终增强图像的步骤包括：将三个权重与对应的三个增强图像中的每个像素点的像素值相乘得到三个增强图像对应的目标图像；将三个增强图像对应的目标图像中对应的像素点的像素值的和值作为最终增强图像的每个像素点的像素值；根据最终增强图像的每个像素点的像素值获取每层高斯图像对应的最终增强图像，其中，计算最终增强图像的每个像素点的像素值的公式：
Figure 143925DEST_PATH_IMAGE029
式中，
Figure 649993DEST_PATH_IMAGE030
表示高斯金字塔的第j层高斯图像对应的最终增强图像的像素点
Figure 866211DEST_PATH_IMAGE015
的像素值；
Figure 748716DEST_PATH_IMAGE014
表示高斯金字塔的第j层高斯图像对应的第一次图像增强的增强图像的像素点
Figure 101200DEST_PATH_IMAGE015
的像素值；
Figure 247010DEST_PATH_IMAGE019
表示高斯金字塔的第j层高斯图像对应的第二次图像增强的增强图像的像素点
Figure 684945DEST_PATH_IMAGE015
的像素值；
Figure 371141DEST_PATH_IMAGE031
表示高斯金字塔的第j层高斯图像对应的第三次图像增强的增强图像的像素点
Figure 578132DEST_PATH_IMAGE015
的像素值。
S5、根据高斯金字塔的最后一层高斯图像对应的最终增强图像中的腐蚀信息对船体表面的腐蚀程度进行评估。
具体的，由于船体的底部表面刷有防腐蚀材料，所以其表面具有特定的颜色，船体底部存在腐蚀，船体底部的表面的腐蚀区域首先会颜色发生变化，其次，在腐蚀刚开始时和腐蚀严重时的颜色具有差异性，首先刚开始腐蚀时的颜色为淡黄色，随着腐蚀程度的增加，腐蚀区域的颜色加深，逐渐变为深黄色接近赤黄色，因此，对于船体底部腐蚀的识别主要依据颜色的变化及腐蚀区域的大小来判断，故根据高斯金字塔的最后一层高斯图像对应的最终增强图像中的腐蚀信息对船体表面的腐蚀程度进行评估的步骤包括：获取高斯金字塔的最后一层高斯图像对应的最终增强图像的腐蚀区域，并获取腐蚀区域中每个像素点的像素值；根据每个像素点的像素值与赤黄色对应的颜色值计算待检测船体的腐蚀程度；设定腐蚀等级，根据腐蚀程度及预设的腐蚀程度阈值范围确定待检测船体的腐蚀等级，其中，计算待检测船体的腐蚀程度的公式：
Figure 894843DEST_PATH_IMAGE032
式中，
Figure 820074DEST_PATH_IMAGE033
表示高斯金字塔最后一层高斯图像对应的最终增强图像的腐蚀区域中的第t个像素点的像素值；
Figure DEST_PATH_IMAGE002
表示赤黄色对应的颜色值；
Figure 371458DEST_PATH_IMAGE035
表示高斯金字塔最后一层高斯图像对应的腐蚀区域中的像素点的个数；
Figure DEST_PATH_IMAGE004
表示像素点为腐蚀区域像素点的可能性，根据每个像素点为腐蚀区域像素点的可能性及预设的可能性阈值，当像素点为腐蚀区域像素点的可能性大于可能性阈值即可判断出该像素点为腐蚀区域像素点，从而即可得到腐蚀区域；
本实施例设定腐蚀程度阈值范围包括：第一腐蚀程度阈值
Figure 271598DEST_PATH_IMAGE037
和第二腐蚀程度阈值
Figure 299597DEST_PATH_IMAGE038
，且中
Figure 481180DEST_PATH_IMAGE039
，当腐蚀程度
Figure 936432DEST_PATH_IMAGE040
小于第一腐蚀程度阈值
Figure 39517DEST_PATH_IMAGE037
，则确定待检测船体为轻微腐蚀，腐蚀等级为1级，当腐蚀程度
Figure 605628DEST_PATH_IMAGE040
大于第一腐蚀程度阈值
Figure 641717DEST_PATH_IMAGE037
，且小于第二腐蚀程度阈值
Figure 267870DEST_PATH_IMAGE038
，则确定待检测船体为一般腐蚀，腐蚀等级为2级，当腐蚀程度
Figure 592672DEST_PATH_IMAGE040
大于第二腐蚀程度阈值
Figure 962474DEST_PATH_IMAGE038
，则确定待检测船体为严重腐蚀，腐蚀等级为3级。
实施例2
如图2所示，本实施例时基于实施例1的S1-S4步骤的，在实施例1的步骤S4的基础上，为了减小分层过多的数据冗余，从而减少计算量，本发明还包括：S41、根据每层高斯图像对应的最终增强图像中每个像素点的亮度值计算每层高斯图像对应的最终增强图像的增强效果；S42、根据高斯金字塔预设的有效层数及高斯图像的层数计算表面图像的采样复杂度；S43、根据表面图像对应的采样复杂度及其对应的每层高斯图像的最终增强图像的增强效果确定高斯金字塔的最佳层数；S44、根据最佳层数获取表面图像的最佳高斯金字塔，即将最佳层数的高斯金字塔记为最佳高斯金字塔；S45、根据最佳高斯金字塔中最后一层高斯图像对应的最终增强图像中的腐蚀区域颜色及腐蚀区域大小对船体表面的腐蚀程度进行评估，其中，实施例2地对船体表面的腐蚀程度进行评估的方法也采用实施例1的待检测船体表面的腐蚀程度进行评估方法，本实施例2不再赘述。
具体的，根据每层高斯图像对应的最终增强图像中每个像素点的亮度值计算每层高斯图像对应的最终增强图像的增强效果的步骤包括：对最终增强图像进行分块得到多个图像块；计算每个图像块中像素点的亮度值的亮度平均值；根据每个图像块中像素点的数量、像素点的亮度值与图像块的亮度平均值计算该最终增强图像的增强效果，计算每层高斯图像对应的最终增强图像的增强效果的公式：
Figure 118648DEST_PATH_IMAGE041
式中，
Figure 915703DEST_PATH_IMAGE042
表示最终增强图像的增强效果，增强效果越大，则最终增强图像与表面图像的对比度就越大；
Figure 524539DEST_PATH_IMAGE043
表示最终增强图像中的第m个图像块中像素点
Figure 901294DEST_PATH_IMAGE015
的亮度值；
Figure 911975DEST_PATH_IMAGE044
表示最终增强图像中的第m个图像块中所有像素点的亮度平均值；
Figure 879931DEST_PATH_IMAGE045
表示最终增强图像中的第m个图像块中像素点的数量；
Figure 976063DEST_PATH_IMAGE046
表示最终增强图像中图像块的数量；
具体的，对于图像金字塔的每层高斯图像，随着层数的增大，高斯图像中的信息逐渐减少，所以，对于图像金字塔需要设置一个有效的层数，从而减少计算量，随着层数的增加，则表面图像对应高斯图像的尺寸大小减小，故计算量就减小，即表面图像在下采样时的复杂度也逐渐降低，故根据高斯金字塔预设的有效层数及高斯图像的层数计算表面图像的采样复杂度，计算表面图像的采样复杂度的公式：
Figure 890929DEST_PATH_IMAGE047
式中，S表示高斯金字塔预设的有效层数为U时的该表面图像的采样复杂度；
j表示高斯金字塔的第j层；
U表示高斯金字塔的有效层数；
具体的，根据表面图像对应的采样复杂度及其对应的每层高斯图像的最终增强图像的增强效果确定高斯金字塔的最佳层数的步骤包括：分别对表面图像对应的采样复杂度及其对应的每层高斯图像的最终增强图像进行归一化处理；根据归一化处理后的采样复杂度和增强效果计算分层效果值；将分层效果值中的最大分层效果值对应的层数作为高斯金字塔分层效果最好的最佳层数，随着图像金字塔分层数的增加，分层图像的信息变少，丢失的信息改变图像的对比度，影响图像的增强效果，
Figure 21697DEST_PATH_IMAGE042
越大，图像的对比度越大，图像的特征越突出，增强效果越好，即
Figure 160554DEST_PATH_IMAGE042
越大，图像分层效果越好，
Figure 478403DEST_PATH_IMAGE048
越大，同时随着分层数的增加，归一化后的采样复杂度
Figure 993698DEST_PATH_IMAGE049
增大，增加下采样时计算的复杂度即采样复杂度，所以归一化后的采样复杂度
Figure 447813DEST_PATH_IMAGE049
越小，反映分层效果越好，即对应的
Figure 757571DEST_PATH_IMAGE048
越大，故，根据归一化处理后的采样复杂度和增强效果计算分层效果值的公式：
Figure 562716DEST_PATH_IMAGE050
式中，
Figure 616123DEST_PATH_IMAGE049
表示高斯金字塔预设的有效层数为U时的该表面图像的采样复杂度进行归一化处理后的采样复杂度；
Figure 659165DEST_PATH_IMAGE042
表示每层高斯图像对应的最终增强图像的增强效果进行归一化处理后的增强效果；
Figure 139825DEST_PATH_IMAGE048
表示高斯金字塔的有效层数为U时对应的分层效果值。
综上所述，本发明提供基于图像处理的船体表面腐蚀程度评估方法，通过对高斯金字塔的每层高斯图像的进行三种方式的增强得到三个增强图像，然后对每层高斯图像的三个增强图像进行加权融合得到最终增强图像，在根据最终增强图像中的腐蚀区域颜色及腐蚀区域大小实现对船体表面的腐蚀程度的评估，本发明通过对表面图像下采样后的下采样图像对应的三个增强图像进行融合，从而提高了表面图像的增强效果，进而通过对融合后的最终增强图像实现了对船体表面的腐蚀程度进行准确评估。
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.基于图像处理的船体表面腐蚀程度评估方法，其特征在于，该方法包括：
获取船体底部的表面图像；
对表面图像进行下采样获取高斯金字塔及拉普拉斯金字塔；
对高斯金字塔的每一层高斯图像进行图像增强获取每层高斯图像对应的第一次图像增强的增强图像，获取每层高斯图像对应的第一次图像增强的增强图像的步骤包括：对每层高斯图像进行去照度处理得到去照度处理后的每个像素点的像素值；对每层高斯图像进行低通滤波处理得到低通滤波处理后的每个像素点的像素值；根据高斯图像对应的去照度处理后的每个像素点的像素值与低通滤波处理后的每个像素点的像素值的像素差值，将像素差值作为第一次图像增强的增强图像的像素点的像素值；根据所有像素差值获取第一次图像增强的增强图像；
对每层高斯图像对应的第一次图像增强的增强图像进行上采样得到对应的上采样增强图像；根据每层拉普拉斯图像及相同层数的上采样增强图像获取相同层数的高斯图像的第二次图像增强的增强图像；
对每层高斯图像的第二次图像增强的增强图像进行图像增强得到每层高斯图像的第三次图像增强的增强图像；
分别计算每层高斯图像对应的三个增强图像的信息熵，根据信息熵获取三个增强图像对应的权重，根据权重对每层高斯图像对应的三个增强图像进行融合得到最终增强图像；
根据高斯金字塔的最后一层高斯图像对应的最终增强图像中的腐蚀信息对船体表面的腐蚀程度进行评估。
2.根据权利要求1所述的基于图像处理的船体表面腐蚀程度评估方法，其特征在于，根据每层拉普拉斯图像及相同层数的上采样增强图像获取相同层数的高斯图像的第二次图像增强的增强图像的步骤包括：
将每层拉普拉斯图像上的像素点与相同层数的上采样增强图像上对应像素点的像素和值作为第二次图像增强的增强图像中对应的像素点的像素值；
根据所有像素和值获取第二次图像增强的增强图像。
3.根据权利要求1所述的基于图像处理的船体表面腐蚀程度评估方法，其特征在于，计算每层高斯图像对应的三个增强图像的信息熵的公式：
Figure DEST_PATH_IMAGE001
式中，
Figure 172354DEST_PATH_IMAGE002
表示高斯图像对应的其中一个增强图像的信息熵；
Figure 439387DEST_PATH_IMAGE003
表示该高斯图像的其中一个增强图像中灰度级为i的像素点的频率；
Figure 638287DEST_PATH_IMAGE004
表示该高斯图像的其中一个增强图像中的灰度级的数量。
4.根据权利要求1所述的基于图像处理的船体表面腐蚀程度评估方法，其特征在于，根据信息熵获取三个增强图像对应的权重的步骤包括：
根据每层高斯图像层数计算该层高斯图像的分层系数；
将每层高斯图像的分层系数与其第一次图像增强的增强图像的信息熵的乘积作为第一次图像增强的增强图像的权重；
将每层高斯图像的第二次图像增强的增强图像、第三次图像增强的增强图像对应的信息熵作为第二次图像增强的增强图像、第三次图像增强的增强图像对应的权重。
5.根据权利要求1所述的基于图像处理的船体表面腐蚀程度评估方法，其特征在于，根据权重对每层高斯图像对应的三个增强图像进行融合得到最终增强图像的步骤包括：
将三个权重与对应的三个增强图像中的每个像素点的像素值相乘得到三个增强图像对应的目标图像；
将三个增强图像对应的目标图像中对应的像素点的像素值的和值作为最终增强图像的每个像素点的像素值；
根据最终增强图像的每个像素点的像素值获取每层高斯图像对应的最终增强图像。
6.根据权利要求1所述的基于图像处理的船体表面腐蚀程度评估方法，其特征在于，根据高斯金字塔的最后一层高斯图像对应的最终增强图像中的腐蚀信息对船体表面的腐蚀程度进行评估的步骤包括：
获取高斯金字塔的最后一层高斯图像对应的最终增强图像的腐蚀区域，并获取腐蚀区域中每个像素点的像素值；
根据每个像素点的像素值与赤黄色对应的颜色值计算待检测船体的腐蚀程度；
设定腐蚀等级，根据腐蚀程度及预设的腐蚀程度阈值范围确定待检测船体的腐蚀等级。
7.根据权利要求1所述的基于图像处理的船体表面腐蚀程度评估方法，其特征在于，还包括：
根据每层高斯图像对应的最终增强图像中每个像素点的亮度值计算每层高斯图像对应的最终增强图像的增强效果；
根据高斯金字塔预设的有效层数及高斯图像的层数计算表面图像的采样复杂度；
根据表面图像对应的采样复杂度及其对应的每层高斯图像的最终增强图像的增强效果确定高斯金字塔的最佳层数；
根据最佳层数获取表面图像的最佳高斯金字塔；
根据最佳高斯金字塔中最后一层高斯图像对应的最终增强图像中的腐蚀信息对船体表面的腐蚀程度进行评估。
8.根据权利要求7所述的基于图像处理的船体表面腐蚀程度评估方法，其特征在于，根据每层高斯图像对应的最终增强图像中每个像素点的亮度值计算每层高斯图像对应的最终增强图像的增强效果的步骤包括：
对最终增强图像进行分块得到多个图像块；
计算每个图像块中像素点的亮度值的亮度平均值；
根据每个图像块中像素点的数量、像素点的亮度值与图像块的亮度平均值计算该最终增强图像的增强效果。
9.根据权利要求7所述的基于图像处理的船体表面腐蚀程度评估方法，其特征在于，根据表面图像对应的采样复杂度及其对应的每层高斯图像的最终增强图像的增强效果确定高斯金字塔的最佳层数的步骤包括：
分别对表面图像对应的采样复杂度及其对应的每层高斯图像的最终增强图像进行归一化处理；
根据归一化处理后的采样复杂度和增强效果计算分层效果值；
将分层效果值中的最大分层效果值对应的层数记为高斯金字塔分层效果最好的最佳层数。
CN202210780563.1A 2022-07-05 2022-07-05 基于图像处理的船体表面腐蚀程度评估方法 Active CN114841903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210780563.1A CN114841903B (zh) 2022-07-05 2022-07-05 基于图像处理的船体表面腐蚀程度评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210780563.1A CN114841903B (zh) 2022-07-05 2022-07-05 基于图像处理的船体表面腐蚀程度评估方法

Publications (2)

Publication Number Publication Date
CN114841903A CN114841903A (zh) 2022-08-02
CN114841903B true CN114841903B (zh) 2022-09-09

Family

ID=82575016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210780563.1A Active CN114841903B (zh) 2022-07-05 2022-07-05 基于图像处理的船体表面腐蚀程度评估方法

Country Status (1)

Country Link
CN (1) CN114841903B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1889125A (zh) * 2006-07-26 2007-01-03 深圳市嘉易通医疗科技有限公司 一种医疗放射图像的细节增强方法
CN106339998A (zh) * 2016-08-18 2017-01-18 南京理工大学 基于对比度金字塔变换的多聚焦图像融合方法
CN110021031A (zh) * 2019-03-29 2019-07-16 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN114331939A (zh) * 2021-12-30 2022-04-12 安徽大学 同态滤波的细节增强多曝光图像融合方法及可存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8170360B2 (en) * 2008-11-21 2012-05-01 Drs Rsta, Inc. Method and system for enhancing images using multi-resolution histogram shaping
CN106971379A (zh) * 2017-03-02 2017-07-21 天津大学 一种基于分层加权融合的水下图像增强方法
AU2020104021A4 (en) * 2020-12-11 2021-02-18 Sichuan University of Science and Engineering Improved Retinex Image Enhancement Algorithm for Explicit Expression of Multi-scale and Histogram Truncation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1889125A (zh) * 2006-07-26 2007-01-03 深圳市嘉易通医疗科技有限公司 一种医疗放射图像的细节增强方法
CN106339998A (zh) * 2016-08-18 2017-01-18 南京理工大学 基于对比度金字塔变换的多聚焦图像融合方法
CN110021031A (zh) * 2019-03-29 2019-07-16 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN114331939A (zh) * 2021-12-30 2022-04-12 安徽大学 同态滤波的细节增强多曝光图像融合方法及可存储介质

Also Published As

Publication number Publication date
CN114841903A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Wang et al. Single image dehazing based on the physical model and MSRCR algorithm
CN111915530B (zh) 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法
CN110889812B (zh) 一种多尺度融合图像特征信息的水下图像增强方法
Chiang et al. Underwater image enhancement: using wavelength compensation and image dehazing (WCID)
CN112561804A (zh) 基于多尺度细节增强的低光照水下图像增强方法
Khan et al. Subsea pipeline corrosion estimation by restoring and enhancing degraded underwater images
Saini et al. Object detection in underwater image by detecting edges using adaptive thresholding
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN109671035A (zh) 一种基于直方图的红外图像增强方法
CN113436124B (zh) 一种应用于海洋雾天环境下的单图像去雾方法
CN110533614A (zh) 一种结合频域和空域的水下图像增强方法
CN114463211A (zh) 一种基于浑浊度分级的水下图像增强方法
CN112116537A (zh) 图像反射光消除方法及图像反射光消除网络构建方法
CN115034982A (zh) 一种基于多尺度注意机制融合的水下图像增强方法
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
CN115880170A (zh) 基于图像先验和门控注意力学习的单图去雨方法和系统
CN115861359A (zh) 一种水面漂浮垃圾图像自适应分割提取方法
CN109993744B (zh) 一种海上逆光环境下的红外目标检测方法
CN114841903B (zh) 基于图像处理的船体表面腐蚀程度评估方法
CN115272072A (zh) 一种基于多特征图像融合的水下图像超分辨率方法
CN115034997A (zh) 图像处理方法及装置
CN110766662B (zh) 一种基于多尺度和多层特征学习的锻件表面裂纹检测方法
CN115829967A (zh) 一种工业金属表面缺陷图像去噪和增强方法
Bhat et al. Underwater Image Enhancement with Feature Preservation using Generative Adversarial Networks (UIEFP GAN)

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