CN114972329B - 基于图像处理的表面缺陷检测仪的图像增强方法及系统 - Google Patents

基于图像处理的表面缺陷检测仪的图像增强方法及系统 Download PDF

Info

Publication number
CN114972329B
CN114972329B CN202210818946.3A CN202210818946A CN114972329B CN 114972329 B CN114972329 B CN 114972329B CN 202210818946 A CN202210818946 A CN 202210818946A CN 114972329 B CN114972329 B CN 114972329B
Authority
CN
China
Prior art keywords
gradient
gray
image
pixel
minimum
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
CN202210818946.3A
Other languages
English (en)
Other versions
CN114972329A (zh
Inventor
郑小燕
宋亚松
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
Jiangsu Yurong 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 Jiangsu Yurong Photoelectric Technology Co ltd filed Critical Jiangsu Yurong Photoelectric Technology Co ltd
Priority to CN202210818946.3A priority Critical patent/CN114972329B/zh
Publication of CN114972329A publication Critical patent/CN114972329A/zh
Application granted granted Critical
Publication of CN114972329B publication Critical patent/CN114972329B/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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

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 Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及基于图像处理的表面缺陷检测仪的图像增强方法和系统，其包括：采集缺陷图像并将缺陷图像转换为灰度图；对灰度图进行超像素分割得到多个背景超像素区域和多个缺陷超像素区域；获取每个背景超像素区域内的像素点的平均灰度值和每个缺陷超像素区域的像素点的灰度值，根据平均灰度值和灰度值绘制灰度图的灰度直方图；根据灰度直方图对灰度图进行直方图均衡化，得到增强后的图像，本发明的方法通过减小背景灰度值的频数，增加缺陷灰度值的频数，在增强图像的同时，保留缺陷的细节，增加图像的对比度，进而提高缺陷识别的准确率，实用性强，值得推广。

Description

基于图像处理的表面缺陷检测仪的图像增强方法及系统
技术领域
本发明涉及图像检测技术领域，具体涉及基于图像处理的表面缺陷检测仪的图像增强方法和系统。
背景技术
表面缺陷检测仪是一种通过计算机视觉实时检测、显示和识别电缆表面缺陷的仪器，能检测分别出油污、破损、皱褶等常见表面缺陷。
在对图像进行检测是采用表面缺陷检测仪往往不能检测到一些小尺寸的缺陷，导致传统的表面缺陷检测仪的对小尺寸缺陷的识别成功率不高，进而影响缺陷检测的准确率，
因此，需要基于图像处理的表面缺陷检测仪的图像增强方法和系统，以解决现有的问题。
发明内容
本发明提供基于图像处理的表面缺陷检测仪的图像增强方法和系统，以解决现有的问题。
本发明的一种基于图像处理的表面缺陷检测仪的图像增强方法采用如下技术方案：该方法包括：
S1、采集缺陷图像并将缺陷图像转换为灰度图；
S2、计算灰度图上各像素点的梯度，根据梯度获取每个像素点对应的梯度幅值和梯度方向；根据灰度图上每个像素点的梯度幅值和梯度方向，确定最小超像素区域的大小和方向；根据最小超像素区域的大小和方向对灰度图进行超像素分割，得到多个背景超像素区域和多个缺陷超像素区域；
S3、获取每个背景超像素区域内的所有像素点的平均灰度值，对每个缺陷超像素区域的各像素点进行拆分，获取每个像素点的灰度值，根据平均灰度值和每个灰度值绘制所述灰度图的灰度直方图；
S4、根据灰度直方图对灰度图进行直方图均衡化，得到增强后的图像。
优选的，对灰度图进行超像素分割得到多个背景超像素区域和多个缺陷超像素区域的步骤包括：
计算灰度图上各像素点的梯度，根据梯度获取每个像素点对应的梯度幅值和梯度方向；
根据灰度图上每个像素点的梯度幅值和梯度方向，确定最小超像素区域的大小和方向；
根据最小超像素区域的大小和方向对灰度图进行超像素分割，得到多个背景超像素区域和多个缺陷超像素区域。
优选的，计算灰度图上各像素点的梯度，根据梯度获取每个像素点对应的梯度幅值和梯度方向的步骤包括：
利用soble算子计算灰度图上各个像素点在
Figure 100002_DEST_PATH_IMAGE001
；
梯度幅值为
Figure DEST_PATH_IMAGE002
；梯度方向
Figure 100002_DEST_PATH_IMAGE003
；
对灰度图内各个像素点的梯度方向和梯度幅值进行分组，绘制梯度方向-梯度幅值的直方图。
优选的，根据灰度图上每个像素点的梯度幅值和梯度方向，确定最小超像素区域的大小和方向的步骤包括：
获取所有梯度中梯度方向相互垂直且梯度幅值相等的两个梯度；
根据梯度方向相互垂直且梯度幅值相等的两个梯度，计算所有缺陷区域的外接矩形面积最小的最小外接矩形；
根据最小外接矩形对应的梯度方向和梯度幅值，计算最小超像素区域的大小和方向。
优选的，根据最小外接矩形对应的梯度方向和梯度幅值，计算最小超像素区域的大小和方向的步骤包括：
获取最小外接矩形对应的梯度方向和垂直最小外接矩形的梯度方向；
最小外接矩形对应的梯度方向和垂直最小外接矩形的梯度方向即为最小超像素区域种子点的方向，最小外接矩形即为最小超像素区域的大小。
优选的，根据最小超像素区域的大小和方向对灰度图进行超像素分割，得到多个背景超像素区域和多个缺陷超像素区域的步骤包括：
对灰度图内各个像素点的梯度方向和梯度幅值进行分组，绘制梯度方向-梯度幅值的直方图；
将灰度图进行预分割为多个相同尺寸的超像素区域，按照预分割的超像素区域的个数，在灰度图内按照在最小超像素区域的梯度方向上间隔
Figure DEST_PATH_IMAGE004
及垂直最小超像素区域的梯度方向上间隔
Figure 100002_DEST_PATH_IMAGE005
均匀的分配种子点；
其中，
Figure DEST_PATH_IMAGE006
表示直方图中梯度方向为第
Figure 100002_DEST_PATH_IMAGE007
组，梯度幅值为第
Figure DEST_PATH_IMAGE008
组的像素点的频数，
Figure 100002_DEST_PATH_IMAGE009
表示直方图中垂直梯度方向为第
Figure DEST_PATH_IMAGE010
组，梯度幅值为第
Figure 350224DEST_PATH_IMAGE008
组的像素点的频数；
获取每个种子点的梯度方向和垂直梯度方向的邻域内的像素点；
分别计算每个像素点和能够搜索到它的所有种子点的距离，根据该像素点所有距离中的最小值获取对应的种子点，该种子点作为该像素点的聚类中心，每个种子点代表一个类别，每个类别的种子点为一个新超像素区域；
计算每个新超像素区域内所有像素的灰度值均值和坐标重心，将坐标重心作为该新超像素区域的新种子点位置，通过10次迭代，完成聚类过程，确定最终超像素区域；
获取最终超像素区域中梯度幅值大于
Figure 100002_DEST_PATH_IMAGE011
的像素点，若梯度幅值大于
Figure 40968DEST_PATH_IMAGE011
的像素点的面积大于
Figure DEST_PATH_IMAGE012
最小外接矩形的面积，则该超像素属于缺陷超像素区域，否则该超像素属于背景超像素区域。
优选的，根据灰度直方图对灰度图进行直方图均衡化，得到增强后的图像的步骤包括：
计算灰度图中灰度值的灰度分布频率，根据灰度分布频率，累加得到累积分布频率；
对累积分布频率进行归一化，并对归一化的值进行四舍五入，得到缺陷图像中的第一灰度值
Figure 100002_DEST_PATH_IMAGE013
与对应的均衡化后的图像的第二灰度值
Figure DEST_PATH_IMAGE014
的映射关系；
根据映射关系，对图像进行直方图均衡化，得到增强后的图像。
本发明还公开了一种基于图像处理的表面缺陷检测仪的图像增强系统，其特征在于，包括：
第一图像处理模块，用于采集缺陷图像并将缺陷图像转换为灰度图；
图像分割模块，用于对灰度图进行超像素分割得到多个背景超像素区域和多个缺陷超像素区域；
第二图像处理模块，用于获取每个背景超像素区域内的像素点的平均灰度值和每个缺陷超像素区域的像素点的灰度值，根据平均灰度值和灰度值绘制所述灰度图的灰度直方图；
第三图像处理模块，用于根据灰度直方图对灰度图进行直方图均衡化，得到增强后的图像。
本发明的有益效果是：本发明的一种基于图像处理的表面缺陷检测仪的图像增强方法，通过在表面缺陷检测仪上增加图像增强系统，利用表面缺陷检测仪采集小尺寸缺陷时，图像增强系统通过减小背景灰度值的频数，增加缺陷灰度值的频数，在增强图像的同时，保留缺陷的细节，增加图像的对比度，进而提高后续缺陷识别的准确率，其次，根据缺陷像素区域的梯度自适应超像素大小，来确定最小超像素区域，从而提高超像素分割的准确性，实用性强，值得推广。
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为本发明的一种基于图像处理的表面缺陷检测仪的图像增强方法的实施例总体步骤的流程图；
图2为图1中的S2步骤的流程图；
图3为图1中的S4步骤的流程图；
图4为一种基于图像处理的表面缺陷检测仪的图像增强系统的系统框图。
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。
本发明的一种基于图像处理的表面缺陷检测仪的图像增强方法的实施例，如图1至图3所示，该方法包括：
S1、采集缺陷图像并将缺陷图像转换为灰度图；具体的，通过缺陷检测仪的图像采集系统获取缺陷图像，采集的图像的尺寸为
Figure 100002_DEST_PATH_IMAGE015
，且自动转换为灰度图；
S2、对灰度图进行超像素分割得到多个背景超像素区域和多个缺陷超像素区域；
具体的，S21、计算灰度图上各像素点的梯度，根据梯度获取每个像素点对应的梯度幅值和梯度方向；S211、利用soble算子计算灰度图上各个像素点在
Figure 594834DEST_PATH_IMAGE001
；S212、梯度幅值为
Figure 96354DEST_PATH_IMAGE002
；梯度方向
Figure 670423DEST_PATH_IMAGE003
；S213、对灰度图内各个像素点的梯度方向和梯度幅值进行分组，绘制梯度方向-梯度幅值的直方图；具体的，梯度方向的分为
Figure DEST_PATH_IMAGE016
组，梯度方向的分别为：
Figure DEST_PATH_IMAGE017
，每组对应的垂直的梯度方向为：
Figure DEST_PATH_IMAGE018
；梯度幅值按照梯度幅值大小分为
Figure DEST_PATH_IMAGE019
组，分别为：
Figure DEST_PATH_IMAGE020
，至此，得到梯度的方向-幅值直方图。
S22、根据步骤S21中灰度图上每个像素点的梯度幅值和梯度方向，确定最小超像素区域的大小和方向；S221、获取所有梯度中梯度方向相互垂直且梯度幅值相等的两个梯度；S222、根据梯度方向相互垂直且梯度幅值相等的两个梯度，计算所有缺陷区域的外接矩形面积最小的最小外接矩形；具体的，根据下式（1）计算所有缺陷区域的外接矩形面积最小的最小外接矩形：
Figure DEST_PATH_IMAGE021
（1）
其中，
Figure DEST_PATH_IMAGE022
表示除法中的取整，
Figure 151477DEST_PATH_IMAGE006
表示直方图中梯度方向为第
Figure 432285DEST_PATH_IMAGE007
组，梯度幅值为第
Figure 167023DEST_PATH_IMAGE008
组的像素点的频数，
Figure 962810DEST_PATH_IMAGE009
表示直方图中垂直梯度方向为第
Figure 73985DEST_PATH_IMAGE007
组，梯度幅值为第
Figure 271617DEST_PATH_IMAGE008
组的像素点的频数，这两个垂直梯度方向且梯度幅值相等的梯度组成了缺陷的最小外接矩形；S223、根据最小外接矩形对应的梯度方向和梯度幅值，计算最小超像素区域的大小和方向，具体的，S2231、先获取最小外接矩形对应的梯度方向和垂直最小外接矩形的梯度方向；S2232、最小外接矩形对应的梯度方向和垂直最小外接矩形的梯度方向即为最小超像素区域种子点的方向，最小外接矩形即为最小超像素区域的大小。
S23、根据最小超像素区域的大小和方向对灰度图进行超像素分割，得到多个背景超像素区域和多个缺陷超像素区域；具体的，S231、将灰度图进行预分割为多个相同尺寸的超像素区域，按照预分割的超像素区域的个数，在灰度图内按照在最小超像素区域的梯度方向上间隔
Figure 177256DEST_PATH_IMAGE004
及垂直最小超像素区域的梯度方向上间隔
Figure 474987DEST_PATH_IMAGE005
均匀的分配种子点；其中，
Figure DEST_PATH_IMAGE023
表示直方图中梯度方向为第
Figure DEST_PATH_IMAGE024
组，梯度幅值为第
Figure DEST_PATH_IMAGE025
组的像素点的频数，
Figure 232597DEST_PATH_IMAGE009
表示直方图中垂直梯度方向为第
Figure 35468DEST_PATH_IMAGE010
组，梯度幅值为第
Figure 361276DEST_PATH_IMAGE025
组的像素点的频数；S232、获取每个种子点的梯度方向和垂直梯度方向的邻域内的像素点；S233、分别计算每个像素点和能够搜索到它的所有种子点的距离，根据该像素点所有距离中的最小值获取对应的种子点，该种子点作为该像素点的聚类中心，每个种子点代表一个类别，每个类别的种子点为一个新超像素区域；
具体的，根据下式（2）计算每个像素点和能够搜索到它的所有种子点的距离：
Figure DEST_PATH_IMAGE026
（2）
其中，
Figure DEST_PATH_IMAGE027
代表灰度距离，
Figure DEST_PATH_IMAGE028
表示每个搜索到的像素点的灰度值，
Figure DEST_PATH_IMAGE029
表示能搜索到该像素点的第
Figure DEST_PATH_IMAGE030
个种子点的灰度值，
Figure DEST_PATH_IMAGE031
表示灰度图的最大灰度距离；其中，
Figure DEST_PATH_IMAGE032
为灰度图的灰度值的最大值；
Figure DEST_PATH_IMAGE033
为灰度图的灰度值的最小值；
Figure DEST_PATH_IMAGE034
代表空间距离；
Figure DEST_PATH_IMAGE035
表示像素点的坐标，
Figure DEST_PATH_IMAGE036
表示能搜索到像素点的第
Figure 698366DEST_PATH_IMAGE030
个种子点的坐标；
Figure DEST_PATH_IMAGE037
表示预分割的超像素区域的最大的空间距离；
S234、计算每个新超像素区域内所有像素的灰度值均值和坐标重心，将坐标重心作为该新超像素区域的新种子点位置，通过10次迭代，完成聚类过程，确定最终超像素区域；S235、获取最终超像素区域中梯度幅值大于
Figure 72715DEST_PATH_IMAGE011
的像素点，若梯度幅值大于
Figure 995672DEST_PATH_IMAGE011
的像素点的面积大于
Figure 492381DEST_PATH_IMAGE012
最小外接矩形的面积，则该超像素属于缺陷超像素区域，否则该超像素属于背景超像素区域。
S3、获取每个背景超像素区域内的像素点的平均灰度值和每个缺陷超像素区域的像素点的灰度值，根据平均灰度值和灰度值绘制所述灰度图的灰度直方图。
S4、根据灰度直方图对灰度图进行直方图均衡化，得到增强后的图像。
具体的，S41、计算灰度图中灰度值的灰度分布频率，根据灰度分布频率，累加得到累积分布频率；
根据下式（2）计算得到灰度分布频率：
Figure DEST_PATH_IMAGE038
（2）
其中，
Figure 690669DEST_PATH_IMAGE015
表示采集的缺陷图根据；
Figure 885021DEST_PATH_IMAGE013
为灰度值，范围为
Figure DEST_PATH_IMAGE039
；
Figure DEST_PATH_IMAGE040
为灰度值为
Figure 833123DEST_PATH_IMAGE013
的像素点的个数，即频数；
Figure DEST_PATH_IMAGE041
表示灰度值为
Figure 172838DEST_PATH_IMAGE013
的分布频率；
根据下式（3）计算累积分布频率：
Figure DEST_PATH_IMAGE042
（3）
其中，
Figure DEST_PATH_IMAGE043
表示灰度值为i的灰度分布频率；
S42、为了使得均衡化后图像的灰度级与原始图像一致，对累积分布频率进行归一化；并对归一化的值进行四舍五入，得到缺陷图像中的第一灰度值
Figure 784386DEST_PATH_IMAGE013
与对应的均衡化后的图像的第二灰度值
Figure 828434DEST_PATH_IMAGE014
的映射关系；
具体的，映射关系为：
Figure DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE045
表示对累积分布频率进行归一化，
Figure DEST_PATH_IMAGE046
为四舍五入后的灰度值；
Figure 771988DEST_PATH_IMAGE013
表示映射后的第一灰度值；
Figure 361232DEST_PATH_IMAGE014
表示映射后的第二灰度值；
S43、根据映射关系，对图像进行直方图均衡化，得到增强后的图像。
本发明还公开了一种基于图像处理的表面缺陷检测仪的图像增强系统，如图4所示，本系统设置在表面缺陷检测仪上，其包括：第一图像处理模块，用于采集缺陷图像并将缺陷图像转换为灰度图；图像分割模块，计算灰度图上各像素点的梯度，根据梯度获取每个像素点对应的梯度幅值和梯度方向；根据灰度图上每个像素点的梯度幅值和梯度方向，确定最小超像素区域的大小和方向；根据最小超像素区域的大小和方向对灰度图进行超像素分割，得到多个背景超像素区域和多个缺陷超像素区域；第二图像处理模块，用于获取每个背景超像素区域内的像素点的平均灰度值和每个缺陷超像素区域的像素点的灰度值，根据平均灰度值和灰度值绘制所述灰度图的灰度直方图；第三图像处理模块，用于根据灰度直方图对灰度图进行直方图均衡化，得到增强后的图像。
综上所述，本发明提供的基于图像处理的表面缺陷检测仪的图像增强方法和系统，通过在表面缺陷检测仪上增加图像增强系统，利用表面缺陷检测仪采集小尺寸缺陷时，图像增强系统通过减小背景灰度值的频数，增加缺陷灰度值的频数，在增强图像的同时，保留缺陷的细节，增加图像的对比度，进而提高后续缺陷识别的准确率，其次，根据缺陷像素区域的梯度自适应超像素大小，来确定最小超像素区域，从而提高超像素分割的准确性，实用性强，值得推广。
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 (6)

1.一种基于图像处理的表面缺陷检测仪的图像增强方法，其特征在于，该方法包括：
采集缺陷图像并将缺陷图像转换为灰度图；
计算灰度图上各像素点的梯度，根据梯度获取每个像素点对应的梯度幅值和梯度方向；根据灰度图上每个像素点的梯度幅值和梯度方向，确定最小超像素区域的大小和方向；根据最小超像素区域的大小和方向对灰度图进行超像素分割，得到多个背景超像素区域和多个缺陷超像素区域；
根据最小超像素区域的大小和方向对灰度图进行超像素分割，得到多个背景超像素区域和多个缺陷超像素区域的步骤包括：对灰度图内各个像素点的梯度方向和梯度幅值进行分组，绘制梯度方向-梯度幅值的直方图；将灰度图进行预分割为多个相同尺寸的超像素区域，按照预分割的超像素区域的个数，在灰度图内按照在最小超像素区域的梯度方向上间隔
Figure DEST_PATH_IMAGE001
及垂直最小超像素区域的梯度方向上间隔
Figure 794106DEST_PATH_IMAGE002
均匀的分配种子点；其中，
Figure DEST_PATH_IMAGE003
表示直方图中梯度方向为第
Figure 421266DEST_PATH_IMAGE004
组，梯度幅值为第
Figure DEST_PATH_IMAGE005
组的像素点的频数，
Figure 615487DEST_PATH_IMAGE006
表示直方图中垂直梯度方向为第
Figure DEST_PATH_IMAGE007
组，梯度幅值为第
Figure 206393DEST_PATH_IMAGE005
组的像素点的频数；获取每个种子点的梯度方向和垂直梯度方向的邻域内的像素点；分别计算每个像素点和能够搜索到它的所有种子点的距离，根据该像素点所有距离中的最小值获取对应的种子点，该种子点作为该像素点的聚类中心，每个种子点代表一个类别，每个类别的种子点为一个新超像素区域；计算每个新超像素区域内所有像素的灰度值均值和坐标重心，将坐标重心作为该新超像素区域的新种子点位置，通过10次迭代，完成聚类过程，确定最终超像素区域；获取最终超像素区域中梯度幅值大于
Figure 957311DEST_PATH_IMAGE008
的像素点，若梯度幅值大于
Figure 252026DEST_PATH_IMAGE008
的像素点的面积大于
Figure DEST_PATH_IMAGE009
最小外接矩形的面积，则该超像素属于缺陷超像素区域，否则该超像素属于背景超像素区域，其中，
Figure 882728DEST_PATH_IMAGE010
表示
Figure DEST_PATH_IMAGE011
除以6后取整；
获取每个背景超像素区域内的所有像素点的平均灰度值，对每个缺陷超像素区域的各像素点进行拆分，获取每个像素点的灰度值，根据平均灰度值和每个灰度值绘制所述灰度图的灰度直方图；
根据灰度直方图对灰度图进行直方图均衡化，得到增强后的图像。
2.根据权利要求1所述的一种基于图像处理的表面缺陷检测仪的图像增强方法，其特征在于，计算灰度图上各像素点的梯度，根据梯度获取每个像素点对应的梯度幅值和梯度方向的步骤包括：
利用soble算子计算灰度图上各个像素点在
Figure 692421DEST_PATH_IMAGE012
；
梯度幅值为
Figure DEST_PATH_IMAGE013
；梯度方向
Figure 433980DEST_PATH_IMAGE014
。
3.根据权利要求1所述的一种基于图像处理的表面缺陷检测仪的图像增强方法，其特征在于，根据灰度图上每个像素点的梯度幅值和梯度方向，确定最小超像素区域的大小和方向的步骤包括：
获取所有梯度中梯度方向相互垂直且梯度幅值相等的两个梯度；
根据梯度方向相互垂直且梯度幅值相等的两个梯度，计算所有缺陷区域的外接矩形面积最小的最小外接矩形；
根据最小外接矩形对应的梯度方向和梯度幅值，计算最小超像素区域的大小和方向。
4.根据权利要求3所述的一种基于图像处理的表面缺陷检测仪的图像增强方法，其特征在于，根据最小外接矩形对应的梯度方向和梯度幅值，计算最小超像素区域的大小和方向的步骤包括：
获取最小外接矩形对应的梯度方向和垂直最小外接矩形的梯度方向；
最小外接矩形对应的梯度方向和垂直最小外接矩形的梯度方向即为最小超像素区域种子点的方向，最小外接矩形即为最小超像素区域的大小。
5.根据权利要求1所述的一种基于图像处理的表面缺陷检测仪的图像增强方法，其特征在于，根据灰度直方图对灰度图进行直方图均衡化，得到增强后的图像的步骤包括：
计算灰度图中灰度值的灰度分布频率，根据灰度分布频率，累加得到累积分布频率；
对累积分布频率进行归一化，并对归一化的值进行四舍五入，得到缺陷图像中的第一灰度值
Figure DEST_PATH_IMAGE015
与对应的均衡化后的图像的第二灰度值
Figure 773082DEST_PATH_IMAGE016
的映射关系；
根据映射关系，对图像进行直方图均衡化，得到增强后的图像。
6.根据权利要求1-5任一项所述的一种基于图像处理的表面缺陷检测仪的图像增强系统，其特征在于，包括：
第一图像处理模块，用于采集缺陷图像并将缺陷图像转换为灰度图；
图像分割模块，用于计算灰度图上各像素点的梯度，根据梯度获取每个像素点对应的梯度幅值和梯度方向；根据灰度图上每个像素点的梯度幅值和梯度方向，确定最小超像素区域的大小和方向；根据最小超像素区域的大小和方向对灰度图进行超像素分割，得到多个背景超像素区域和多个缺陷超像素区域；根据最小超像素区域的大小和方向对灰度图进行超像素分割，得到多个背景超像素区域和多个缺陷超像素区域的步骤包括：对灰度图内各个像素点的梯度方向和梯度幅值进行分组，绘制梯度方向-梯度幅值的直方图；将灰度图进行预分割为多个相同尺寸的超像素区域，按照预分割的超像素区域的个数，在灰度图内按照在最小超像素区域的梯度方向上间隔
Figure 387735DEST_PATH_IMAGE001
及垂直最小超像素区域的梯度方向上间隔
Figure 747041DEST_PATH_IMAGE002
均匀的分配种子点；其中，
Figure 105341DEST_PATH_IMAGE003
表示直方图中梯度方向为第
Figure 499282DEST_PATH_IMAGE004
组，梯度幅值为第
Figure 409469DEST_PATH_IMAGE005
组的像素点的频数，
Figure 6804DEST_PATH_IMAGE006
表示直方图中垂直梯度方向为第
Figure 418062DEST_PATH_IMAGE007
组，梯度幅值为第
Figure 417242DEST_PATH_IMAGE005
组的像素点的频数；获取每个种子点的梯度方向和垂直梯度方向的邻域内的像素点；分别计算每个像素点和能够搜索到它的所有种子点的距离，根据该像素点所有距离中的最小值获取对应的种子点，该种子点作为该像素点的聚类中心，每个种子点代表一个类别，每个类别的种子点为一个新超像素区域；计算每个新超像素区域内所有像素的灰度值均值和坐标重心，将坐标重心作为该新超像素区域的新种子点位置，通过10次迭代，完成聚类过程，确定最终超像素区域；获取最终超像素区域中梯度幅值大于
Figure 614175DEST_PATH_IMAGE008
的像素点，若梯度幅值大于
Figure 698806DEST_PATH_IMAGE008
的像素点的面积大于
Figure 523543DEST_PATH_IMAGE009
最小外接矩形的面积，则该超像素属于缺陷超像素区域，否则该超像素属于背景超像素区域，其中，
Figure 626497DEST_PATH_IMAGE010
表示
Figure 753853DEST_PATH_IMAGE011
除以6后取整；
第二图像处理模块，用于获取每个背景超像素区域内的像素点的平均灰度值和每个缺陷超像素区域的像素点的灰度值，根据平均灰度值和灰度值绘制所述灰度图的灰度直方图；
第三图像处理模块，用于根据灰度直方图对灰度图进行直方图均衡化，得到增强后的图像。
CN202210818946.3A 2022-07-13 2022-07-13 基于图像处理的表面缺陷检测仪的图像增强方法及系统 Active CN114972329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210818946.3A CN114972329B (zh) 2022-07-13 2022-07-13 基于图像处理的表面缺陷检测仪的图像增强方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210818946.3A CN114972329B (zh) 2022-07-13 2022-07-13 基于图像处理的表面缺陷检测仪的图像增强方法及系统

Publications (2)

Publication Number Publication Date
CN114972329A CN114972329A (zh) 2022-08-30
CN114972329B true CN114972329B (zh) 2022-10-21

Family

ID=82969607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210818946.3A Active CN114972329B (zh) 2022-07-13 2022-07-13 基于图像处理的表面缺陷检测仪的图像增强方法及系统

Country Status (1)

Country Link
CN (1) CN114972329B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131356B (zh) * 2022-09-01 2023-12-26 山东骏冠金属材料有限公司 一种基于丰富度的钢板缺陷分类方法
CN115170446B (zh) * 2022-09-06 2022-11-18 聊城市洛溪信息科技有限公司 基于形态学处理的自适应钣金图像增强方法
CN115222741B (zh) * 2022-09-20 2023-02-28 江苏昱恒电气有限公司 一种电缆表面缺陷检测方法
CN115294107B (zh) * 2022-09-29 2022-12-27 江苏三通科技有限公司 一种基于图像识别的二极管引脚表面氧化检测方法
CN115294159B (zh) * 2022-09-30 2022-12-23 南通市博洋铸造有限公司 金属紧固件腐蚀区域分割方法
CN115294134B (zh) * 2022-10-09 2023-01-20 誉隆半导体设备(江苏)有限公司 一种阀门密封面缺陷识别方法
CN115546070B (zh) * 2022-11-25 2023-04-11 诺比侃人工智能科技(成都)股份有限公司 一种基于计算机视觉的接触网缺陷目标增强方法
CN115760826B (zh) * 2022-11-29 2023-08-11 江苏满锐精密工具有限公司 一种基于图像处理的轴承磨损状况诊断方法
CN115598025B (zh) * 2022-12-13 2023-03-10 四川亿欣新材料有限公司 图像处理方法及使用该方法的碳酸钙粉质检系统
CN115797374B (zh) * 2023-02-03 2023-04-18 长春理工大学 基于图像处理的机场跑道提取方法
CN116152133B (zh) * 2023-04-20 2023-07-07 山东超越纺织有限公司 基于人工智能的混纺缺陷检测方法
CN116137022B (zh) * 2023-04-20 2023-08-22 山东省三河口矿业有限责任公司 一种用于地下采矿远程监控的数据增强方法
CN116228764B (zh) * 2023-05-08 2023-07-18 聊城市东昌府区妇幼保健院 一种新生儿疾病筛查血片采集质量检测方法及系统
CN116309609B (zh) * 2023-05-25 2023-08-04 山东曙岳车辆有限公司 一种集装箱门板瓦楞板焊接智能检测方法
CN116342594B (zh) * 2023-05-26 2023-08-01 山东鸿安食品科技有限公司 一种具有反馈调节的淀粉智能干燥方法、系统及设备
CN116485801B (zh) * 2023-06-26 2023-09-12 山东兰通机电有限公司 基于计算机视觉的胶管质量在线检测方法及系统
CN116665137B (zh) * 2023-08-01 2023-10-10 聊城市彩烁农业科技有限公司 一种基于机器视觉的畜牧养殖废水处理方法
CN116758059B (zh) * 2023-08-10 2023-10-20 吉林交通职业技术学院 一种用于路基路面的视觉无损检测方法
CN117095009B (zh) * 2023-10-20 2024-01-12 山东绿康装饰材料有限公司 一种基于图像处理的pvc装饰板缺陷检测方法
CN117152444B (zh) * 2023-10-30 2024-01-26 山东泰普锂业科技有限公司 一种面向锂电行业的设备数据采集方法及系统
CN117437238B (zh) * 2023-12-22 2024-03-29 深圳宝铭微电子有限公司 一种封装ic表面缺陷视觉检测方法
CN117593193B (zh) * 2024-01-19 2024-04-23 山东海天七彩建材有限公司 一种基于机器学习的钣金图像增强方法及系统
CN117635615A (zh) * 2024-01-26 2024-03-01 深圳市常丰激光刀模有限公司 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN117853487B (zh) * 2024-03-07 2024-05-14 浙江合丰科技有限公司 一种基于图像处理技术的fpc连接器裂纹检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528794A (zh) * 2016-01-15 2016-04-27 上海应用技术学院 基于混合高斯模型与超像素分割的运动目标检测方法
AU2020100044A4 (en) * 2020-01-10 2020-02-13 Lin, Xichan Miss Method of tracking of Surgical Target and Tool
CN114331986A (zh) * 2021-12-21 2022-04-12 中国长江三峡集团有限公司 一种基于无人机视觉的坝体裂纹识别与测量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528794A (zh) * 2016-01-15 2016-04-27 上海应用技术学院 基于混合高斯模型与超像素分割的运动目标检测方法
AU2020100044A4 (en) * 2020-01-10 2020-02-13 Lin, Xichan Miss Method of tracking of Surgical Target and Tool
CN114331986A (zh) * 2021-12-21 2022-04-12 中国长江三峡集团有限公司 一种基于无人机视觉的坝体裂纹识别与测量方法

Also Published As

Publication number Publication date
CN114972329A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114972329B (zh) 基于图像处理的表面缺陷检测仪的图像增强方法及系统
CN113450307B (zh) 一种产品边缘缺陷检测方法
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
WO2017162069A1 (zh) 一种图像文本的识别方法和装置
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
CN113781402A (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN114529459B (zh) 一种对图像边缘进行增强处理的方法和系统及介质
CN111598869B (zh) 一种对显示屏幕的Mura进行检测的方法、设备及存储介质
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN111666811B (zh) 一种提取交通场景图像中交通标志牌区域方法及系统
WO2023116632A1 (zh) 基于时空记忆信息的视频实例分割方法和分割装置
CN115272306B (zh) 利用梯度运算的太阳能电池板栅线增强方法
CN112734729A (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN110348307B (zh) 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统
CN110930425B (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN115272664A (zh) 仪表盘示数展示方法、装置、电子设备和存储介质
CN117333489B (zh) 一种薄膜破损检测装置及检测系统
CN114463310A (zh) 一种dr图像增强方法及装置
CN113255555A (zh) 中国交通标志牌识别方法、系统、处理设备及存储介质
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
CN115345895B (zh) 用于视觉检测的图像分割方法、装置、计算机设备及介质

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
TR01 Transfer of patent right

Effective date of registration: 20240130

Address after: 226000 No. 2, Zhonghua East Road, Sanchang street, Haimen City, Nantong City, Jiangsu Province

Patentee after: Haimen Yulong Photoelectric Technology Co.,Ltd.

Country or region after: China

Address before: 226100 No. 49, Xinye Road, Sanchang street, Haimen District, Nantong City, Jiangsu Province

Patentee before: Jiangsu Yurong Photoelectric Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right