CN114972336A - 基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统 - Google Patents
基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统 Download PDFInfo
- Publication number
- CN114972336A CN114972336A CN202210881128.8A CN202210881128A CN114972336A CN 114972336 A CN114972336 A CN 114972336A CN 202210881128 A CN202210881128 A CN 202210881128A CN 114972336 A CN114972336 A CN 114972336A
- Authority
- CN
- China
- Prior art keywords
- color value
- color
- subdivided
- cluster
- determining
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 88
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000035772 mutation Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 17
- 239000003086 colorant Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 10
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06T5/70—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
Abstract
本发明涉及数据识别和处理技术领域,具体涉及一种基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统:将丝杆螺纹表面图像转化至颜色空间,得到该表面图像中各个像素点对应的颜色值;根据各个像素点对应的颜色值,确定各个相同颜色值对应的像素点数目,进而确定各个突变颜色值;对各个突变颜色值进行聚类得到各个颜色值簇,确定各个颜色值簇的颜色统一程度值,进而确定各个颜色值簇中的待细分颜色值簇和无需细分颜色值簇;分别确定待细分颜色值簇和无需细分颜色值簇的各个颜色分割阈值,进而对丝杆螺纹表面图像进行分割,从而得到增强后的丝杆螺纹烧伤检测图像。本发明可以自适应确定图像分割的颜色阈值,保证了图像分割结果的准确性。
Description
技术领域
本发明涉及数据识别和处理技术领域,具体涉及一种基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统。
背景技术
丝杆是加工机床常用的基础组件,丝杆的质量关系着加工产品的生产质量,如果在丝杆制造生产过程中,丝杆螺纹表面产生烧伤缺陷,则会使得丝杆在正常使用中,不能达到预期寿命,并由于烧伤导致丝杆螺纹内部产生内应力,而容易崩牙,使得机床加工产品质量出现问题。
通过丝杆表面的颜色变化,可以完成对丝杆螺纹表面产生的烧伤缺陷进行检测,但是由于现有在进行颜色分割时,分割阈值参数是由实施者设定的,且在设定后并不能依据具体场景进行调整,图像颜色分割效果不好,最终导致后期丝杆螺纹烧伤检测结果不可靠。
发明内容
本发明的目的在于提供基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统,用于解决现有人工确定分割阈值导致图像颜色分割效果差,最终导致丝杆螺纹烧伤检测结果不可靠的问题。
为解决上述技术问题,本发明提供了一种基于颜色分割的丝杆螺纹烧伤检测图像增强方法,包括以下步骤:
获取丝杆螺纹表面图像,并将该表面图像转化至颜色空间,从而得到该表面图像中各个像素点对应的颜色值;
根据该表面图像中各个像素点对应的颜色值,确定各个相同颜色值对应的像素点数目,进而根据各个相同颜色值对应的像素点数目,确定各个突变颜色值;
对各个突变颜色值进行聚类分析,得到各个颜色值簇,并根据各个颜色值簇中的各个突变颜色值,确定各个颜色值簇的颜色统一程度值;
根据各个颜色值簇的颜色统一程度值,确定各个颜色值簇中的各个待细分颜色值簇和无需细分颜色值簇;
根据各个待细分颜色值簇中的各个突变颜色值以及各个待细分颜色值簇的颜色统一程度值,确定各个待细分颜色值簇对应的各个颜色分割阈值,并根据各个无需细分颜色值簇的各个突变颜色值,确定各个无需细分颜色值簇对应的各个颜色分割阈值;
根据确定的所有颜色分割阈值,对丝杆螺纹表面图像进行分割,从而得到增强后的丝杆螺纹烧伤检测图像。
进一步的,确定各个突变颜色值的步骤包括:
对各个相同颜色值对应的像素点数目进行平滑处理,从而得到平滑处理后的各个相同颜色值对应的像素点数目,对平滑处理后的各个相同颜色值对应的像素点数目进行波谷检测,从而确定各个波谷以及各个波谷对应的各个颜色值;
将平滑处理后的各个相同颜色值对应的像素点数目与平滑处理前的各个相同颜色值对应的像素点数目作差,从而得到各个波谷对应的各个颜色值的像素点个数差值;
根据各个波谷对应的各个颜色值的像素点个数差值,将像素点个数差值大于零对应的各个颜色值作为各个突变颜色值。
进一步的,确定各个颜色值簇的颜色统一程度值的步骤包括:
根据各个颜色值簇中的各个突变颜色值,确定各个颜色值簇对应的颜色类别面积;
根据各个颜色值簇中的各个突变颜色值对应的像素点个数,确定各个颜色值簇中的各个突变颜色值的概率值,进而确定各个颜色值簇对应的颜色类别信息熵;
根据各个颜色值簇对应的颜色类别面积和颜色类别信息熵,确定各个颜色值簇的颜色统一程度值。
进一步的,确定各个待细分颜色值簇对应的各个颜色分割阈值的步骤包括:
根据各个待细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇的主成分方向,进而确定各个待细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值;
根据各个待细分颜色值簇中的各个突变颜色值以及各个待细分颜色值簇的颜色统一程度值,确定各个待细分颜色值簇的细分类类别数,进而根据各个待细分颜色值簇的细分类类别数,分别确定各个待细分颜色值簇的各个细分颜色值簇;
根据各个待细分颜色值簇的各个细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数;
根据各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数,构建各个待细分颜色值簇对应的无向图,并确定各个待细分颜色值簇对应的无向图的最小生成树,进而根据各个待细分颜色值簇对应的最小生成树,确定各个待细分颜色值簇的中间突变颜色值;
根据各个待细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值以及各个待细分颜色值簇的中间突变颜色值,确定各个待细分颜色值簇对应的各个颜色分割阈值。
进一步的,确定各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数的步骤包括:
根据各个待细分颜色值簇的各个细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇对应的二值化图像;
根据各个待细分颜色值簇对应的二值化图像,确定各个待细分颜色值簇的各个细分颜色值簇对应的脊线函数,并根据各个待细分颜色值簇的各个细分颜色值簇对应的脊线函数,计算各个待细分颜色值簇的任意两个细分颜色值簇之间的第一距离值;
根据各个待细分颜色值簇的各个细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇的各个细分颜色值簇的中心突变颜色值,并根据各个待细分颜色值簇的各个细分颜色值簇的中心突变颜色值,计算各个待细分颜色值簇的任意两个细分颜色值簇之间的第二距离值;
根据各个待细分颜色值簇的任意两个细分颜色值簇之间的第一距离值和第二距离值,计算各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数。
进一步的,构建各个待细分颜色值簇对应的无向图的步骤包括:
根据各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数,确定各个待细分颜色值簇的任意两个细分颜色值簇之间的负相关映射值;
以每个待细分颜色值簇的各个细分颜色值簇为端点,在任意两个端点之间进行连线,并以该待细分颜色值簇的任意两个细分颜色值簇之间的负相关映射值为对应两个端点之间的连线的边权值,从而得到各个待细分颜色值簇对应的无向图。
进一步的,确定各个待细分颜色值簇的中间突变颜色值的步骤包括:
根据各个待细分颜色值簇对应的最小生成树,确定各个待细分颜色值簇对应的最小生成树的分割连线,该分割连线是指当断开最小生成树的该分割连线时,所形成的两个子最小生成树的各个连线的边权值之和的差值最大;
根据各个待细分颜色值簇对应的最小生成树的分割连线以及各个连线的边权值,确定各个待细分颜色值簇对应的最小生成树的目标端点;
根据各个待细分颜色值簇对应的最小生成树的目标端点所对应的细分颜色值簇,确定各个待细分颜色值簇的中间突变颜色值。
进一步的,各个待细分颜色值簇的细分类类别数对应的计算公式为:
进一步的,确定各个无需细分颜色值簇对应的各个颜色分割阈值的步骤包括:
根据各个无需细分颜色值簇中的各个突变颜色值,确定各个无需细分颜色值簇的主成分方向,进而确定各个无需细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值;
根据各个无需细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值,确定各个无需细分颜色值簇对应的各个颜色分割阈值。
为解决上述技术问题,本发明还提供了一种基于颜色分割的丝杆螺纹烧伤检测图像增强系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现上述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法。
本发明具有如下有益效果:通过获取丝杆螺纹表面图像在颜色空间所对应的各个像素点对应的颜色值,并对各个颜色值进行分类,可以自适应确定图像分割的颜色阈值,相比于常规方法采用固定颜色类数的颜色分割方法,可以自适应调整颜色分割结果,保证了丝杆螺纹烧伤检测图像在颜色分割时的稳定性和准确性。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明的基于颜色分割的丝杆螺纹烧伤检测图像增强方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种基于颜色分割的丝杆螺纹烧伤检测图像增强方法,其对应的流程图如图1所示,包括以下步骤:
(1)获取丝杆螺纹表面图像,并将该表面图像转化至颜色空间,从而得到该表面图像中各个像素点对应的颜色值。
通过采用相机来获取后续需要进行烧伤检测的单个丝杆的丝杆螺纹表面图像,其获取过程属于现有技术,此处不再赘述。在获取丝杆螺纹表面图像之后,将其转化至Lab颜色空间,从而得到该表面图像中各个像素点对应的颜色值。由于将图像转化至Lab颜色空间的具体实现过程属于现有技术,此处不再赘述。
对于常规颜色分割方法,在将丝杆螺纹表面图像转换至Lab颜色空间之后,则根据预先设定的颜色总类个数,按预设分类个数进行分类,以完成丝杆螺纹表面图像的颜色分割。但是,若采用该常规颜色分割方法进行丝杆螺纹烧伤检测,由于丝杆螺纹烧伤时的颜色是具有连续变化性的,当颜色类数设置过大时,会导致划分过细,并不能很好的反映出丝杆螺纹轻微烧伤;当颜色类数设置过小时,又会导致无法检测出丝杆螺纹烧伤,所以在丝杆螺纹烧伤检测时,颜色类数即颜色分割个数是非常影响检测结果的。
因此,本实施例中的基于颜色分割的丝杆螺纹烧伤检测图像增强方法后续在进行颜色分割时,会通过粗细分类相互结合,使得分割结果不至于成散点状,也不至于分割精度不够,保证稳定的分割效果,以促使丝杆螺纹烧伤检测结果的稳定可靠。
(2)根据该表面图像中各个像素点对应的颜色值,确定各个相同颜色值对应的像素点数目,进而根据各个相同颜色值对应的像素点数目,确定各个突变颜色值。
在通过上述步骤(1)得到杆螺纹表面图像中各个像素点对应的颜色值即得到杆螺纹表面图像的所有颜色值之后,获取各颜色值出现的个数,从而得到的各颜色值所对应的个数值数据。需要说明的是,通过上述步骤(1)所获取的表面图像中各个像素点对应的颜色值实际上是两个颜色分量,即Lab颜色空间中的颜色a值和颜色b值。因此,在获取各颜色值出现的个数时,需要同时考虑各颜色值中的颜色a值和颜色b值,即当两像素点的颜色值中的颜色a值和颜色b值同时相同时,才能够认为两像素点具有相同的颜色值。
在确定各个相同颜色值对应的像素点数目之后,进而基于各个相同颜色值对应的像素点数目,确定各个突变颜色值,具体实现过程如下:
(2-1)对各个相同颜色值对应的像素点数目进行平滑处理,从而得到平滑处理后的各个相同颜色值对应的像素点数目,对平滑处理后的各个相同颜色值对应的像素点数目进行波谷检测,从而确定各个波谷以及各个波谷对应的各个颜色值。
其中,在本实施例中,采用高斯平滑函数对各个相同颜色值对应的像素点数目进行平滑处理,并利用现有的波谷检测算法对平滑后的各个相同颜色值对应的像素点数目进行波谷检测,从而得到平滑处理后的各个相同颜色值对应的像素点数目所出现的波谷,这里设得到n个波谷,并可以得到这n个波谷所对应的各个颜色值。
(2-2)将平滑处理后的各个相同颜色值对应的像素点数目与平滑处理前的各个相同颜色值对应的像素点数目作差,从而得到各个波谷对应的各个颜色值的像素点个数差值。
获取平滑处理后的各个相同颜色值对应的像素点数目,用其减去原本相同颜色值对应的像素点数目,两者做差,得到各个相同颜色值对应的像素点数目的差值数据。对这些差值数据中的波谷处的差值数据进行筛选,从而得到各个波谷对应的各个颜色值的差值数据。其中,获取波谷对应的各个颜色值的差值数据的目的在于,波谷处表示了颜色变化的突变性(两个颜色在变化过程中会夹杂少量其他中间色,中间色的个数少,所以波谷能代表突变性),由于平滑后会使个数的突变性减弱,其中减弱的部分可以表示颜色值的突变程度。
(2-3)根据各个波谷对应的各个颜色值的像素点个数差值,将像素点个数差值大于零对应的各个颜色值作为各个突变颜色值。
从各个波谷对应的差值数据中选择差值大于零的差值数据,并将这些差值数据所对应的所有颜色值作为突变颜色值。
(3)对各个突变颜色值进行聚类分析,得到各个颜色值簇,并根据各个颜色值簇中的各个突变颜色值,确定各个颜色值簇的颜色统一程度值。
在通过上述步骤(2)获取各个突变颜色值之后,利用k-means算法对这些突变颜色值进行粗分类,其中k=n,将属于同一波谷附近的相似颜色值聚为一类,从而得到n个颜色值簇。进而计算每一个颜色值簇的颜色统一程度值,每一个颜色值簇的颜色统一程度值表示当前粗分类以颜色个数为n进行分类时,粗分类结果中的颜色值的一致性,具体实现过程如下:
(3-1)根据各个颜色值簇中的各个突变颜色值,确定各个颜色值簇对应的颜色类别面积。
其中,根据上述步骤(2)可知,每个突变颜色值实际上是包括Lab颜色空间中的颜色a值和颜色b值,所以以颜色a值和b值为x、y坐标轴,确定各个颜色值簇中的所有突变颜色值所形成的散点,然后对各个颜色值簇所形成的散点进行凸包检测,从而得到凸包的面积cd,该凸包的面积cd即可作为各个颜色值簇对应的颜色类别面积。各个颜色值簇对应的颜色类别面积可以表征颜色值簇内颜色之间的最大色差值,其面积越小,表示颜色值簇内颜色就越统一,其面积越大,表示颜色值簇内颜色就越分散。
(3-2)根据各个颜色值簇中的各个突变颜色值对应的像素点个数,确定各个颜色值簇中的各个突变颜色值的概率值,进而确定各个颜色值簇对应的颜色类别信息熵。
其中,根据各个颜色值簇中的各个突变颜色值对应的像素点个数,计算所有突变颜色值对应的像素点个数的总和,并分别计算各个突变颜色值对应的像素点个数与该像素点个数的总和之间的商值,该商值即为对应各个突变颜色值的概率值。然后基于各个颜色值簇中的各个突变颜色值的概率值,计算各个颜色值簇对应的颜色类别信息熵,其中为颜色值簇中的第i个突变颜色值的概率值,T表示该颜色值簇中的突变颜色值的总数目。
颜色类别信息熵表征的是颜色值簇内的各个颜色值的分布混乱情况,当其值越小时,表示该颜色值簇内的各个颜色类别就越不混乱,当其值越大时,表示该颜色值簇内的各个颜色类别就越混乱。
(3-3)根据各个颜色值簇对应的颜色类别面积和颜色类别信息熵,确定各个颜色值簇的颜色统一程度值,对应的计算公式为:
颜色统一程度值表示的是当前颜色值簇中的颜色统一程度,其值越低,表示当前粗分类颜色值簇的颜色统一程度越高,即该粗分类颜色值簇中的颜色值差别越小,当其足够小时,则认为当前粗分类结果是理想的分类结果,如果某一粗分类颜色值簇中的颜色一致性过低时,则表示粗分类效果不好,并不能将颜色值进行很好地区分,后期会导致丝杆螺纹烧伤检测结果不达标,所以后续需要对颜色统一程度较差的颜色值簇再次进行细分类。其中不直接对原图采用细分类是因为当颜色阈值个数过多时,颜色分割结果的颜色区域会非常离散,不能有效观测烧伤,所以需要先粗分类再细分类。
(4)根据各个颜色值簇的颜色统一程度值,确定各个颜色值簇中的各个待细分颜色值簇和无需细分颜色值簇。
根据上述步骤(3)的分析可知,可以采用各个颜色值簇的颜色统一程度值来确定当前颜色值簇是否需要再进行细分类。因此,设置颜色统一程度阈值r,当颜色统一程度值ty小于或等于阈值r时,表示该颜色值簇不需要细分类,当颜色统一程度值ty大于阈值r时,则当前颜色值簇的颜色值需要进行细分类。其中阈值r可由实施者根据具体实施场景进行调整,本实施例设置阈值r=5。通过这种方式,可以确定各个颜色值簇中的各个待细分颜色值簇和无需细分颜色值簇。
(5)根据各个待细分颜色值簇中的各个突变颜色值以及各个待细分颜色值簇的颜色统一程度值,确定各个待细分颜色值簇对应的各个颜色分割阈值,并根据各个无需细分颜色值簇的各个突变颜色值,确定各个无需细分颜色值簇对应的各个颜色分割阈值。
其中,对于通过上述步骤(4)所确定的各个待细分颜色值簇,对其进行细分类,并根据细分类结果,最终确定其对应的各个颜色分割阈值,具体实现过程如下:
(5-1)根据各个待细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇的主成分方向,进而确定各个待细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值。
其中,由于突变颜色值实际上是包括Lab颜色空间中的颜色a值和颜色b值,因此以颜色a值和b值为x、y坐标轴,确定各个待细分颜色值簇中的各个突变颜色值所形成的散点。然后利用PCA主成分分析算法,确定每个待细分颜色值簇的所有散点的第一主成分方向,进而确定每个待细分颜色值簇在其对应的第一主成分方向上,两头最边缘的突变颜色值,并将其作为颜色分割阈值。
(5-2)根据各个待细分颜色值簇中的各个突变颜色值以及各个待细分颜色值簇的颜色统一程度值,确定各个待细分颜色值簇的细分类类别数,进而根据各个待细分颜色值簇的细分类类别数,分别确定各个待细分颜色值簇的各个细分颜色值簇。
在上述步骤(5-1)的基础上,对于各个待细分颜色值簇,对其继续进行分类,完成该类别的细分类,以确定各个待细分颜色值簇对应的其他颜色分割阈值,从而提高后续提高丝杆螺纹烧伤检测精度。而对各个待细分颜色值簇进行细分类之前,首先应当确定各个待细分颜色值簇的细分类类别数,该细分类类别数对应的计算公式为:
其中,为待细分颜色值簇的细分类类别数,为该待细分颜色值簇中的各个突变颜色值的数目,表示颜色分类个数的上限,为该待细分颜色值簇的颜色统一程度值,为S型函数,用于对颜色统一程度值进行归一化,f()为取整函数。
在确定各个待细分颜色值簇的细分类类别数之后,对于每一个待细分颜色值簇,采用k-means分类算法,其中k=gz,将待细分颜色值簇中表示颜色相近的突变颜色值聚为一类,从而将每一个待细分颜色值簇细分为各个细分颜色值簇。
(5-3)根据各个待细分颜色值簇的各个细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数。
在通过上述步骤(5-2)得到每个待细分颜色值簇的各个细分颜色值簇之后,为了确定各个待细分颜色值簇对应的其他颜色分割阈值,需要确定各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数,具体实现过程如下:
(5-3-1)根据各个待细分颜色值簇的各个细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇对应的二值化图像。
对于每一个待细分颜色值簇的各个细分颜色值簇,根据各个细分颜色值簇中的颜色值,得到相应的二值化图像。在该二值化图像中,各个细分颜色值簇中的颜色值对应的像素点的像素值为1,其他颜色值对应的像素点的像素值为0。
(5-3-2)根据各个待细分颜色值簇对应的二值化图像,确定各个待细分颜色值簇的各个细分颜色值簇对应的脊线函数,并根据各个待细分颜色值簇的各个细分颜色值簇对应的脊线函数,计算各个待细分颜色值簇的任意两个细分颜色值簇之间的第一距离值。
在上述步骤(5-3-1)的基础上,对各个待细分颜色值簇对应的二值化图像进行形态学脊线提取,在采用拟合函数对脊线拟合,从而得到每个待细分颜色值簇的各个细分颜色值簇对应的脊线函数。由于进行形态学脊线提取以及采用拟合函数对脊线拟合从而得到脊线函数具体实现过程属于现有技术,此处不再赘述。
对于每个待细分颜色值簇的各个细分颜色值簇,按照现有的曲线之间距离求解方法,计算每一个细分颜色值簇对应的脊线函数与其余任意一个细分颜色值簇对应的脊线函数之间的平均距离值,也就是第一距离值,该平均距离值表示两个细分颜色值簇对应的距离jl,其值越大表示对应两细分颜色值簇之间的影响力越小。
(5-3-3)根据各个待细分颜色值簇的各个细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇的各个细分颜色值簇的中心突变颜色值,并根据各个待细分颜色值簇的各个细分颜色值簇的中心突变颜色值,计算各个待细分颜色值簇的任意两个细分颜色值簇之间的第二距离值。
其中,对于每个待细分颜色值簇的各个细分颜色值簇,将上述步骤(5-2)中采用k-means分类算法得到各个细分颜色值簇时所对应的最后的各个聚类中心所表示的颜色值,作为对应各个细分颜色值簇的中心突变颜色值,进而确定各个待细分颜色值簇的各个细分颜色值簇的中心突变颜色值。对于每个待细分颜色值簇的各个细分颜色值簇,计算每一个细分颜色值簇的中心突变颜色值与其余任意一个细分颜色值簇的中心突变颜色值之间的距离值,也就是第二距离值,该距离值表示两个细分颜色值簇对应的距离cz,其值越大表示对应两细分颜色值簇之间的影响力越小。
(5-3-4)根据各个待细分颜色值簇的任意两个细分颜色值簇之间的第一距离值和第二距离值,计算各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数,对应的计算公式为:
(5-4)根据各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数,构建各个待细分颜色值簇对应的无向图,并确定各个待细分颜色值簇对应的无向图的最小生成树,进而根据各个待细分颜色值簇对应的最小生成树,确定各个待细分颜色值簇的中间突变颜色值。
根据各个待细分颜色值簇的细分颜色值簇的细分类类别数,构建具有对应的个数的完全无向图,无向图中两个端点之间的权值为对应类别之间的影响系数负相关映射,具体实现步骤如下:
(5-4-1)根据各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数,确定各个待细分颜色值簇的任意两个细分颜色值簇之间的负相关映射值,对应的计算公式为:
(5-4-2)以每个待细分颜色值簇的各个细分颜色值簇为端点,在任意两个端点之间进行连线,并以该待细分颜色值簇的任意两个细分颜色值簇之间的负相关映射值为对应两个端点之间的连线的边权值,从而得到各个待细分颜色值簇对应的无向图。
在确定各个待细分颜色值簇对应的无向图之后,进而求取无向图的最小生成树,由于根据无向图确定其对应的最小生成树的具体实现过程属于现有技术,此处不再赘述。在每个待细分颜色值簇对应的最小生成树中,各个细分颜色值簇对应的端点之间按照相互影响最小的方式进行连接。
在确定各个待细分颜色值簇对应的最小生成树之后,进而可以确定各个待细分颜色值簇的中间突变颜色值,具体实现步骤如下:
(5-4-3)根据各个待细分颜色值簇对应的最小生成树,确定各个待细分颜色值簇对应的最小生成树的分割连线,该分割连线是指当断开最小生成树的该分割连线时,所形成的两个子最小生成树的各个连线的边权值之和的差值最大。
对于每个待细分颜色值簇对应的最小生成树,利用二分法通过迭代的形式对最小生成树进行分割,从而得到最小生成树中的某条连线断开时,该最小生成树所形成的两个子最小生成树的各个连线的边权值之和的差值最大。此时,将该最小生成树中断开的连线称为最小生成树的分割连线。
(5-4-4)根据各个待细分颜色值簇对应的最小生成树的分割连线以及各个连线的边权值,确定各个待细分颜色值簇对应的最小生成树的目标端点。
对于每个待细分颜色值簇对应的最小生成树,由于其分割连线断开时会对应得到两个子最小生成树,确定两个子最小生成树中所有边权值之和较大所对应的子最小生成树,将该子最小生成树称为目标子最小生成树,并将分割连线所连接的且位于该目标子最小生成树中的端点作为最小生成树的目标端点,以便于后续根据该目标端点,确定待细分颜色值簇的中间突变颜色值。
(5-4-5)根据各个待细分颜色值簇对应的最小生成树的目标端点所对应的细分颜色值簇,确定各个待细分颜色值簇的中间突变颜色值。
在通过上述步骤(5-4-4)确定每个待细分颜色值簇对应的最小生成树的目标端点之后,将
计算该目标端点所对应的细分颜色值簇中所有突变颜色的平均值,并将该平均值作为待细分颜色值簇的中间突变颜色值。
(5-5)根据各个待细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值以及各个待细分颜色值簇的中间突变颜色值,确定各个待细分颜色值簇对应的各个颜色分割阈值。
在通过上述步骤(5-1)和(5-4)确定各个待细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值以及各个待细分颜色值簇的中间突变颜色值之后,将这些最边缘突变颜色值和中间突变颜色值作为各个待细分颜色值簇对应的各个颜色分割阈值。
另外,对于通过上述步骤(4)所确定的各个无需细分颜色值簇,确定其对应的各个颜色分割阈值,具体实现过程如下:
(5-6)根据各个无需细分颜色值簇中的各个突变颜色值,确定各个无需细分颜色值簇的主成分方向,进而确定各个无需细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值。
由于确定确定各个无需细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值的具体实现步骤,与上述步骤(5-1)中确定各个待细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值的步骤相同,此处不再赘述。
(5-7)根据各个无需细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值,确定各个无需细分颜色值簇对应的各个颜色分割阈值。
在确定各个无需细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值之后,将这些最边缘突变颜色值作为对应无需细分颜色值簇对应的各个颜色分割阈值。
(6)根据确定的所有颜色分割阈值,对丝杆螺纹表面图像进行分割,从而得到增强后的丝杆螺纹烧伤检测图像。
在通过上述步骤(5)确定各个待细分颜色值簇对应的各个颜色分割阈值和各个无需细分颜色值簇对应的各个颜色分割阈值之后,对丝杆螺纹表面图像进行分割,以完成丝杆螺纹烧伤图像的增强,从而得到增强后的丝杆螺纹烧伤检测图像。
本实施例还提供了一种基于颜色分割的丝杆螺纹烧伤检测图像增强系统,包括处理器和存储器,处理器用于处理存储在存储器中的指令,以实现上述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法。由于该基于颜色分割的丝杆螺纹烧伤检测图像增强方法已经在上述内容中进行了详细介绍,此处不再赘述。
本发明通过对丝杆螺纹表面图像在颜色空间中的各个颜色值进行分类,可以自适应确定图像分割的颜色阈值,相比于常规方法采用固定颜色类数的颜色分割方法,可以自适应调整颜色分割结果,保证了丝杆螺纹烧伤检测图像在颜色分割时的稳定性和准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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 (10)
1.一种基于颜色分割的丝杆螺纹烧伤检测图像增强方法,其特征在于,包括以下步骤:
获取丝杆螺纹表面图像,并将该表面图像转化至颜色空间,从而得到该表面图像中各个像素点对应的颜色值;
根据该表面图像中各个像素点对应的颜色值,确定各个相同颜色值对应的像素点数目,进而根据各个相同颜色值对应的像素点数目,确定各个突变颜色值;
对各个突变颜色值进行聚类分析,得到各个颜色值簇,并根据各个颜色值簇中的各个突变颜色值,确定各个颜色值簇的颜色统一程度值;
根据各个颜色值簇的颜色统一程度值,确定各个颜色值簇中的各个待细分颜色值簇和无需细分颜色值簇;
根据各个待细分颜色值簇中的各个突变颜色值以及各个待细分颜色值簇的颜色统一程度值,确定各个待细分颜色值簇对应的各个颜色分割阈值,并根据各个无需细分颜色值簇的各个突变颜色值,确定各个无需细分颜色值簇对应的各个颜色分割阈值;
根据确定的所有颜色分割阈值,对丝杆螺纹表面图像进行分割,从而得到增强后的丝杆螺纹烧伤检测图像。
2.根据权利要求1所述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法,其特征在于,确定各个突变颜色值的步骤包括:
对各个相同颜色值对应的像素点数目进行平滑处理,从而得到平滑处理后的各个相同颜色值对应的像素点数目,对平滑处理后的各个相同颜色值对应的像素点数目进行波谷检测,从而确定各个波谷以及各个波谷对应的各个颜色值;
将平滑处理后的各个相同颜色值对应的像素点数目与平滑处理前的各个相同颜色值对应的像素点数目作差,从而得到各个波谷对应的各个颜色值的像素点个数差值;
根据各个波谷对应的各个颜色值的像素点个数差值,将像素点个数差值大于零对应的各个颜色值作为各个突变颜色值。
3.根据权利要求1或2所述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法,其特征在于,确定各个颜色值簇的颜色统一程度值的步骤包括:
根据各个颜色值簇中的各个突变颜色值,确定各个颜色值簇对应的颜色类别面积;
根据各个颜色值簇中的各个突变颜色值对应的像素点个数,确定各个颜色值簇中的各个突变颜色值的概率值,进而确定各个颜色值簇对应的颜色类别信息熵;
根据各个颜色值簇对应的颜色类别面积和颜色类别信息熵,确定各个颜色值簇的颜色统一程度值。
4.根据权利要求1所述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法,其特征在于,确定各个待细分颜色值簇对应的各个颜色分割阈值的步骤包括:
根据各个待细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇的主成分方向,进而确定各个待细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值;
根据各个待细分颜色值簇中的各个突变颜色值以及各个待细分颜色值簇的颜色统一程度值,确定各个待细分颜色值簇的细分类类别数,进而根据各个待细分颜色值簇的细分类类别数,分别确定各个待细分颜色值簇的各个细分颜色值簇;
根据各个待细分颜色值簇的各个细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数;
根据各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数,构建各个待细分颜色值簇对应的无向图,并确定各个待细分颜色值簇对应的无向图的最小生成树,进而根据各个待细分颜色值簇对应的最小生成树,确定各个待细分颜色值簇的中间突变颜色值;
根据各个待细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值以及各个待细分颜色值簇的中间突变颜色值,确定各个待细分颜色值簇对应的各个颜色分割阈值。
5.根据权利要求4所述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法,其特征在于,确定各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数的步骤包括:
根据各个待细分颜色值簇的各个细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇对应的二值化图像;
根据各个待细分颜色值簇对应的二值化图像,确定各个待细分颜色值簇的各个细分颜色值簇对应的脊线函数,并根据各个待细分颜色值簇的各个细分颜色值簇对应的脊线函数,计算各个待细分颜色值簇的任意两个细分颜色值簇之间的第一距离值;
根据各个待细分颜色值簇的各个细分颜色值簇中的各个突变颜色值,确定各个待细分颜色值簇的各个细分颜色值簇的中心突变颜色值,并根据各个待细分颜色值簇的各个细分颜色值簇的中心突变颜色值,计算各个待细分颜色值簇的任意两个细分颜色值簇之间的第二距离值;
根据各个待细分颜色值簇的任意两个细分颜色值簇之间的第一距离值和第二距离值,计算各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数。
6.根据权利要求4所述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法,其特征在于,构建各个待细分颜色值簇对应的无向图的步骤包括:
根据各个待细分颜色值簇的任意两个细分颜色值簇之间的影响系数,确定各个待细分颜色值簇的任意两个细分颜色值簇之间的负相关映射值;
以每个待细分颜色值簇的各个细分颜色值簇为端点,在任意两个端点之间进行连线,并以该待细分颜色值簇的任意两个细分颜色值簇之间的负相关映射值为对应两个端点之间的连线的边权值,从而得到各个待细分颜色值簇对应的无向图。
7.根据权利要求6所述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法,其特征在于,确定各个待细分颜色值簇的中间突变颜色值的步骤包括:
根据各个待细分颜色值簇对应的最小生成树,确定各个待细分颜色值簇对应的最小生成树的分割连线,该分割连线是指当断开最小生成树的该分割连线时,所形成的两个子最小生成树的各个连线的边权值之和的差值最大;
根据各个待细分颜色值簇对应的最小生成树的分割连线以及各个连线的边权值,确定各个待细分颜色值簇对应的最小生成树的目标端点;
根据各个待细分颜色值簇对应的最小生成树的目标端点所对应的细分颜色值簇,确定各个待细分颜色值簇的中间突变颜色值。
9.根据权利要求1所述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法,其特征在于,确定各个无需细分颜色值簇对应的各个颜色分割阈值的步骤包括:
根据各个无需细分颜色值簇中的各个突变颜色值,确定各个无需细分颜色值簇的主成分方向,进而确定各个无需细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值;
根据各个无需细分颜色值簇在其对应的主成分方向上的两个最边缘突变颜色值,确定各个无需细分颜色值簇对应的各个颜色分割阈值。
10.一种基于颜色分割的丝杆螺纹烧伤检测图像增强系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-9中任一项所述的基于颜色分割的丝杆螺纹烧伤检测图像增强方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881128.8A CN114972336B (zh) | 2022-07-26 | 2022-07-26 | 基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881128.8A CN114972336B (zh) | 2022-07-26 | 2022-07-26 | 基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972336A true CN114972336A (zh) | 2022-08-30 |
CN114972336B CN114972336B (zh) | 2022-10-21 |
Family
ID=82969017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210881128.8A Active CN114972336B (zh) | 2022-07-26 | 2022-07-26 | 基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972336B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272317A (zh) * | 2022-09-27 | 2022-11-01 | 南通佳之锦纺织有限公司 | 一种自适应纺织坯布烧毛控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6067114A (en) * | 1996-03-05 | 2000-05-23 | Eastman Kodak Company | Detecting compositional change in image |
CN113724339A (zh) * | 2021-05-10 | 2021-11-30 | 华南理工大学 | 一种基于颜色空间特征的少样本瓷砖分色方法 |
CN114092576A (zh) * | 2021-11-26 | 2022-02-25 | 深圳Tcl新技术有限公司 | 图像处理方法、装置、设备和存储介质 |
CN114399617A (zh) * | 2021-12-23 | 2022-04-26 | 北京百度网讯科技有限公司 | 一种遮挡图案识别方法、装置、设备和介质 |
-
2022
- 2022-07-26 CN CN202210881128.8A patent/CN114972336B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6067114A (en) * | 1996-03-05 | 2000-05-23 | Eastman Kodak Company | Detecting compositional change in image |
CN113724339A (zh) * | 2021-05-10 | 2021-11-30 | 华南理工大学 | 一种基于颜色空间特征的少样本瓷砖分色方法 |
CN114092576A (zh) * | 2021-11-26 | 2022-02-25 | 深圳Tcl新技术有限公司 | 图像处理方法、装置、设备和存储介质 |
CN114399617A (zh) * | 2021-12-23 | 2022-04-26 | 北京百度网讯科技有限公司 | 一种遮挡图案识别方法、装置、设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272317A (zh) * | 2022-09-27 | 2022-11-01 | 南通佳之锦纺织有限公司 | 一种自适应纺织坯布烧毛控制方法 |
CN115272317B (zh) * | 2022-09-27 | 2022-12-27 | 南通佳之锦纺织有限公司 | 一种自适应纺织坯布烧毛控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114972336B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN109255344B (zh) | 一种基于机器视觉的数显式仪表定位与读数识别方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN114170228B (zh) | 一种计算机图像边缘检测方法 | |
CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN115546203B (zh) | 基于图像数据算法的生产监测分析方法 | |
CN109145848B (zh) | 一种麦穗计数方法 | |
US20150139546A1 (en) | Image segmenting apparatus and method | |
Niu et al. | Image segmentation algorithm for disease detection of wheat leaves | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN115578374A (zh) | 一种机械零件铸造质量评估方法与系统 | |
CN114972336B (zh) | 基于颜色分割的丝杆螺纹烧伤检测图像增强方法及系统 | |
CN114581376B (zh) | 基于图像识别的纺织用蚕茧自动拣选方法及系统 | |
CN114299051A (zh) | 基于特征建模显著性检测的皮革材料表面缺陷检测方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN113298798A (zh) | 基于特征融合的主轴颈缺陷检测方法 | |
CN115205289A (zh) | 基于视觉的软木地板原材料分级方法 | |
CN115131375A (zh) | 一种矿石自动分割方法 | |
CN113962994A (zh) | 基于图像处理的三连杆上锁销清洁度检测方法 | |
CN117593193A (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
Jassim | Hybrid image segmentation using discerner cluster in FCM and histogram thresholding | |
Gunawan et al. | Fuzzy Region Merging Using Fuzzy Similarity Measurement on Image Segmentation | |
CN112633296A (zh) | 一种基于聚类分析的视觉工业零部件明暗等级划分方法 |
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 |