CN114972348B - 一种基于图像处理的美缝效果检测方法 - Google Patents

一种基于图像处理的美缝效果检测方法 Download PDF

Info

Publication number
CN114972348B
CN114972348B CN202210913074.9A CN202210913074A CN114972348B CN 114972348 B CN114972348 B CN 114972348B CN 202210913074 A CN202210913074 A CN 202210913074A CN 114972348 B CN114972348 B CN 114972348B
Authority
CN
China
Prior art keywords
gray
abnormal
pixel points
normal
seam
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
CN202210913074.9A
Other languages
English (en)
Other versions
CN114972348A (zh
Inventor
王亚辉
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.)
Shandong Shangya Building Materials Co ltd
Original Assignee
Shandong Shangya Building Materials 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 Shandong Shangya Building Materials Co ltd filed Critical Shandong Shangya Building Materials Co ltd
Priority to CN202210913074.9A priority Critical patent/CN114972348B/zh
Publication of CN114972348A publication Critical patent/CN114972348A/zh
Application granted granted Critical
Publication of CN114972348B publication Critical patent/CN114972348B/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
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于图像处理的美缝效果检测方法。该方法在拍摄到包含美缝的美缝图像并灰度化处理得到美缝灰度图像后，首先以霍夫变换检测直线的方法确定图像中美缝区域，然后对美缝区域中像素点进行正常与异常、异常内部两种范围的密度聚类分割，完成了灰度值到对应灰阶的转化，在将像素点的灰度值转化为对应灰阶并生成美缝区域的灰度依赖矩阵后，本发明以灰度依赖矩阵计算得到了表征美缝异常情况的美缝颜色不均匀度以及异常灰阶元素值占据总体灰阶元素值之和的比例，并以所得两种参数联合得到了美缝效果的异常指标，以所得异常指标实现了对美缝效果的高效、准确评价。

Description

一种基于图像处理的美缝效果检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于图像处理的美缝效果检测方法。
背景技术
随着生活水平的提高，住户对住房的要求也随之提升，房屋装修的重要性越来越大。为提高地面和墙面的美化效果，瓷砖的美缝需求越来越多，美缝能够提升房屋建筑的整体美观特性，也可以防止垃圾脏污进入瓷砖缝隙，并且对瓷砖起到保护作用。
美缝施工的操作过程中，由于人为因素，美缝剂的质量，天气因素等等原因会使得最终的美缝效果达不到预计要求，例如出现颜色退化，美缝脱落起皮，出现气泡等。当前针对美缝不良的现象都是工人通过眼力辨别，这种情况下容易受到个人先验知识，以及个人精力等因素影响，并且识别的效率不高，所以当前对美缝效果的检测存在不准确且低效的问题。
发明内容
为解决现有技术对美缝效果检测低效且不准确的问题，本发明提供了一种基于图像处理的美缝效果检测方法，所采用的技术方案具体如下：
本发明的一种基于图像处理的美缝效果检测方法，包括以下步骤：
采集美缝图像后灰度化处理得到美缝灰度图像，采用霍夫变换检测美缝灰度图像中的直线，确定美缝灰度图像的美缝区域；
基于美缝灰度图像的美缝区域中各个像素点的灰度值，采用密度聚类算法以灰度值为依据对美缝灰度图像的美缝区域中所有像素点进行聚类分割，得到第一设定数量个分组；
以所得第一设定数量个分组中包含像素点数量最多的分组为正常分组，计算所述正常分组中像素点的灰度值的种类数，以所述正常分组中各种灰度值的平均值作为美缝灰度图像的美缝区域中正常像素点的正常灰阶；
从美缝灰度图像的美缝区域所包含的所有像素点中除去所述正常分组内的所有像素点，以剩余像素点为异常像素点，采用密度聚类算法以灰度值为依据对所述异常像素点进行聚类分割，得到第二设定数量个分组；
确定所述第二设定数量个分组中每个分组内像素点的灰度值的种类数，计算所述第二设定数量个分组中每个分组内各种灰度值的平均值，以所得第二设定数量个平均值作为所述异常像素点的异常灰阶；
根据所得正常灰阶和异常灰阶，将美缝灰度图像的美缝区域中各个像素点的灰度值替换为该像素点对应的灰阶，得到原始灰阶矩阵，根据原始灰阶矩阵生成灰度依赖矩阵；
基于所得灰度依赖矩阵，计算美缝颜色不均匀度以及灰度依赖矩阵中异常灰阶元素值占据总体灰阶元素值之和的比例，然后得到美缝效果的异常指标，完成美缝效果检测。
本发明的效果为：
本发明该种基于图像处理的美缝效果检测方法，在拍摄到包含美缝的美缝图像并灰度化处理得到美缝灰度图像后，首先以霍夫变换检测直线的方法确定图像中美缝区域，然后对美缝区域中像素点进行正常与异常、异常内部两种范围的密度聚类分割，完成了灰度值到对应灰阶的转化，减小了后续灰度依赖矩阵生成过程中的计算量又提高了灰度依赖矩阵对图像特征的表征，在将像素点的灰度值转化为对应灰阶并生成美缝区域的灰度依赖矩阵后，本发明以灰度依赖矩阵计算得到表征美缝异常情况的异常指标，最终实现了对美缝效果的高效、准确的评价。
进一步的，还包括对所确定的正常分组中的正常像素点以及对所确定的异常像素点进行修正的内容：
确定所述正常分组中出现频次最低的灰度值种类，计算该种灰度值与正常分组中其它种类灰度值之间的距离：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为正常像素点所对应的所有种灰度值的集合
Figure 100002_DEST_PATH_IMAGE006
中出现频次最低的第i种灰度值
Figure 100002_DEST_PATH_IMAGE008
与集合
Figure 175808DEST_PATH_IMAGE006
中每种灰度值
Figure 100002_DEST_PATH_IMAGE010
之间的距离；若
Figure 100002_DEST_PATH_IMAGE012
，则认为该灰度值为正常灰度值，若
Figure 100002_DEST_PATH_IMAGE014
，则认为该灰度值为异常灰度值；其中，
Figure 100002_DEST_PATH_IMAGE016
为距离阈值，其取值根据经验确定；
从所述正常像素点中保留灰度值正常的像素点，去除灰度值异常的像素点，直至正常像素点中不再包括异常像素点，得到修正后的正常像素点；
从美缝灰度图像的美缝区域所包含的所有像素点中除去所述修正后的正常像素点，得到修正后的异常像素点。
进一步的，基于修正后的正常像素点，确定正常灰阶的方法为：
Figure 100002_DEST_PATH_IMAGE018
其中，
Figure 100002_DEST_PATH_IMAGE020
为修正后的正常像素点所对应的所有种灰度值集合
Figure 100002_DEST_PATH_IMAGE022
中的灰度值经统一化后所得灰阶，
Figure 100002_DEST_PATH_IMAGE024
表示修正后的正常像素点所对应的所有种灰度值集合中第
Figure 100002_DEST_PATH_IMAGE026
种灰度值大小，
Figure 100002_DEST_PATH_IMAGE028
为修正后的正常像素点所对应的灰度值的种类数；
基于修正后的异常像素点，确定异常灰阶的方法为：
采用密度聚类算法以灰度值为依据对所述修正后的异常像素点进行聚类分割，得到新的第二设定数量个分组；
确定所述新的第二设定数量个分组中每个分组内像素点的灰度值的种类数，计算所述新的第二设定数量个分组中每个分组内各种灰度值的平均值，以所得新的第二设定数量个平均值作为所述修正后的异常像素点的异常灰阶。
进一步的，所述美缝颜色不均匀度为：
Figure 100002_DEST_PATH_IMAGE030
其中，
Figure 100002_DEST_PATH_IMAGE032
为美缝颜色不均匀度，
Figure 100002_DEST_PATH_IMAGE034
表示灰阶的个数，
Figure 100002_DEST_PATH_IMAGE036
表示最大依赖元素数目，同时也是灰度依赖矩阵的列数，
Figure 100002_DEST_PATH_IMAGE038
为灰度依赖矩阵中所有元素值的和，
Figure 100002_DEST_PATH_IMAGE040
表示灰度依赖矩阵中相同灰阶下所有依赖元素的值的和，
Figure 100002_DEST_PATH_IMAGE042
为修正后的异常像素点所对应的灰度值的种类数。
进一步的，所述灰度依赖矩阵中异常灰阶元素值占据总体灰阶元素值之和的比例为：
Figure 100002_DEST_PATH_IMAGE044
其中，
Figure 100002_DEST_PATH_IMAGE046
表示灰度依赖矩阵中剩余异常灰阶元素值占据总体灰阶元素值之和的比例，
Figure 34279DEST_PATH_IMAGE038
表示总体元素值之和，
Figure 100002_DEST_PATH_IMAGE048
表示灰度依赖矩阵中正常灰阶元素值之和；
所述美缝效果的异常指标为：
Figure 100002_DEST_PATH_IMAGE050
其中，
Figure 100002_DEST_PATH_IMAGE052
为美缝效果的异常指标。
进一步的，所述第一设定数量以及第二设定数量根据美缝效果检测精确度要求确定。
附图说明
图1是本发明的基于图像处理的美缝效果检测方法的流程图。
具体实施方式
下面结合附图及实施例，对本发明的一种基于图像处理的美缝效果检测方法进行详细说明。
方法实施例：
本发明的一种基于图像处理的美缝效果检测方法实施例，其整体流程如图1所示，具体过程如下：
1、采集美缝图像，确定美缝位置。
采用高清摄像机拍摄施工后的美缝图像，由于实际生活中瓷砖的形状一般都为规则的矩形或者菱形，所以施工后的美缝也都是直线型的。
采用霍夫变换检测美缝图像中的直线，由于霍夫变换检测到的直线和美缝图像上的美缝位置是对应的，因此通过位置对应关系便可以确定美缝图像上美缝的位置。
2、根据美缝灰度特性对美缝区域图像进行自适应灰阶划分。
在实际的美缝过程中，美缝效果的好坏首先体现在美缝的颜色上，要求美缝整体无色差，即颜色均匀，其次体现在是否有缺陷上，也即是否存在颜色退化、脱落起皮或产生气泡等。
根据上述对美缝效果的要求可知，施工效果较好的美缝，各条美缝之间具有较好的灰度相关性，并且美缝的纹理较为单一均匀，如果存在色差或美缝缺陷则会导致灰度相关性变差和其它纹理的出现，而灰度依赖矩阵能够体现一组图像的灰度相关性以及纹理的一致性，因此本实施例计算美缝图像的灰度依赖矩阵，以期完成美缝效果好坏的分析。
在生成灰度依赖矩阵前，本实施例首先对美缝图像进行灰度处理得到美缝灰度图像，然后将美缝灰度图像中各个像素点的灰度值重新划分入不同的灰阶，重新划分的灰阶能够减少美缝图像的灰度依赖矩阵生成过程中的计算量，并更好地表征图像的特征。
由于美缝的颜色较为单一，所以美缝灰度图像中大多数像素点的灰度值会集中于某些灰度值上，而即使美缝效果出现异常而导致美缝出现色差或者出现美缝缺陷，但缺陷区域的像素点占美缝灰度图像中美缝区域整体像素点的比例也较小。
对美缝灰度图像上美缝区域内各个像素点的灰度值进行统计，确定美缝灰度图像上美缝区域内灰度值的种类数并构成集合：
Figure DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE056
为美缝灰度图像的美缝区域中每种灰度值的集合，m为美缝灰度图像的美缝区域中灰度值的种类数，
Figure DEST_PATH_IMAGE058
表示美缝灰度图像的美缝区域中第m种灰度值。
相应的，美缝区域内每种灰度值对应有若干像素点，则统计每种灰度值对应的像素点个数的和，得到如下的各种灰度值下像素点数量的统计集合：
Figure DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE062
为美缝灰度图像的美缝区域中每种灰度值下像素点数量的统计集合，m为美缝灰度图像的美缝区域中灰度值的种类数，
Figure DEST_PATH_IMAGE064
表示美缝灰度图像的美缝区域中第m种灰度值下的像素点数量之和；
由上述分析可知，美缝灰度图像中所有正常美缝灰度值对应的像素点个数在整体的像素点总数中占据较大比例，且所有正常美缝灰度值十分接近，因此通过密度聚类算法以灰度值为依据对所有像素点进行聚类分割，得到分割后的分组集合：
Figure DEST_PATH_IMAGE066
其中，
Figure DEST_PATH_IMAGE068
表示对所有像素点根据灰度值聚类分割后得到的分组集合，
Figure 860021DEST_PATH_IMAGE004
为分组数量，每个分组中均包括了一定数量的像素点。
计算聚类分割后所得
Figure 940716DEST_PATH_IMAGE004
个分组中每个分组所包含的像素点数量，由于灰度值正常的像素点数量最多，则可认为所得
Figure 427192DEST_PATH_IMAGE004
个分组中包含像素点数量最多的分组即为正常像素点所构成的分组，将该包含像素点数量最多的分组记为
Figure DEST_PATH_IMAGE070
，则有：
Figure DEST_PATH_IMAGE072
其中，
Figure 531546DEST_PATH_IMAGE070
表示正常像素点的集合，
Figure DEST_PATH_IMAGE074
表示所有正常像素点对应的灰度值的种类数，
Figure DEST_PATH_IMAGE076
表示正常像素点集合中第
Figure 188792DEST_PATH_IMAGE074
种灰度值下的正常像素点的数量之和。
与正常像素点的集合
Figure 807599DEST_PATH_IMAGE070
所对应的，可得到正常像素点的灰度值集合：
Figure DEST_PATH_IMAGE078
其中，
Figure 335532DEST_PATH_IMAGE006
表示正常像素点所对应的所有种灰度值的集合，
Figure 1000DEST_PATH_IMAGE074
表示正常像素点对应的灰度值的种类数，
Figure DEST_PATH_IMAGE080
表示正常像素点的灰度值集合中第
Figure 912586DEST_PATH_IMAGE074
种灰度值的大小。
确定正常像素点所构成的集合后，相对的便可确定美缝灰度图像中异常像素点集合以及异常像素点的灰度值集合：
Figure DEST_PATH_IMAGE082
Figure DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE086
表示异常像素点的集合，
Figure DEST_PATH_IMAGE088
表示异常像素点对应的灰度值的种类数，
Figure DEST_PATH_IMAGE090
表示异常像素点集合中第
Figure 476029DEST_PATH_IMAGE088
种灰度值下的异常像素点的数量之和；
Figure DEST_PATH_IMAGE092
表示异常像素点所对应的所有种灰度值的集合，
Figure DEST_PATH_IMAGE094
表示异常像素点的灰度值集合中第
Figure 327311DEST_PATH_IMAGE088
种灰度值的大小，异常像素点即为美缝灰度图像的美缝区域中除去正常像素点的其它像素点。
不可避免的，聚类分割结果可能存在误差，由于本实施例是利用聚类分割结果对美缝灰度图像中美缝区域的灰度值进行灰阶划分，所以聚类分割结果所存在的误差，便会影响本实施例的灰阶划分准确度，从而影响所生成的美缝灰度图像的灰度依赖矩阵的特征表达准确度，所以，在得到上述的正常像素点的灰度值集合
Figure 491576DEST_PATH_IMAGE006
以及异常像素点的灰度值集合
Figure 418687DEST_PATH_IMAGE092
后，本实施例还对所得集合
Figure 365914DEST_PATH_IMAGE006
以及集合
Figure 743806DEST_PATH_IMAGE092
的划分准确度进行改进：
由于异常像素点的灰度值和像素值均表现出离群特性，所以即使上述所得正常像素点的灰度值集合
Figure 344DEST_PATH_IMAGE006
中存在实际上属于异常像素点的灰度值，那么这些灰度值的出现频数也是最少的。
基于此，在正常像素点的集合
Figure 666949DEST_PATH_IMAGE070
中找出数值最小的元素
Figure DEST_PATH_IMAGE096
，其在正常像素点的灰度值集合
Figure 903020DEST_PATH_IMAGE006
中所对应的第i种灰度值
Figure 135418DEST_PATH_IMAGE008
即为出现频次最低的灰度值。
计算正常像素点的灰度值集合
Figure 94016DEST_PATH_IMAGE006
中出现频次最低的第i种灰度值
Figure 716758DEST_PATH_IMAGE008
与集合
Figure 284750DEST_PATH_IMAGE006
中每种灰度值
Figure 371654DEST_PATH_IMAGE010
之间的距离：
Figure DEST_PATH_IMAGE002A
其中，
Figure 330514DEST_PATH_IMAGE004
为正常像素点所对应的所有种灰度值的集合
Figure 502869DEST_PATH_IMAGE006
中出现频次最低的第i种灰度值
Figure 844858DEST_PATH_IMAGE008
与集合
Figure 51848DEST_PATH_IMAGE006
中每种灰度值
Figure 837402DEST_PATH_IMAGE010
之间的距离。若
Figure 471556DEST_PATH_IMAGE012
，则认为该灰度值为正常灰度值，若
Figure 430285DEST_PATH_IMAGE014
，则认为该灰度值为异常灰度值。其中，
Figure 413153DEST_PATH_IMAGE016
为距离阈值，其具体取值根据经验确定。
保留正常灰度值，去除异常灰度值，重复对所得正常像素点的灰度值集合
Figure 635187DEST_PATH_IMAGE006
进行上述的排除异常灰度值的操作，直至正常像素点的灰度值集合
Figure 782134DEST_PATH_IMAGE006
中不再包括异常灰度值，则此时可得到修正后的正常像素点的灰度值集合：
Figure DEST_PATH_IMAGE098
其中，
Figure 623183DEST_PATH_IMAGE022
为修正后的正常像素点所对应的所有种灰度值的集合，
Figure 476869DEST_PATH_IMAGE028
为修正后的正常像素点所对应的所有种灰度值的种类数，
Figure DEST_PATH_IMAGE100
表示修正后的正常像素点所对应的所有种灰度值的集合中第
Figure 820869DEST_PATH_IMAGE028
种灰度值的大小。
相对的，可得到修正后的异常像素点的灰度值集合：
Figure DEST_PATH_IMAGE102
其中，
Figure DEST_PATH_IMAGE104
为修正后的异常像素点所对应的所有种灰度值的集合，
Figure 471425DEST_PATH_IMAGE042
为修正后的异常像素点所对应的所有种灰度值的种类数，
Figure DEST_PATH_IMAGE106
表示修正后的异常像素点所对应的所有种灰度值集合中第
Figure 958907DEST_PATH_IMAGE042
种灰度值的大小。
由所得集合
Figure 932679DEST_PATH_IMAGE022
以及集合
Figure 978739DEST_PATH_IMAGE104
，最终确定了正常像素点的灰度值集合以及异常像素点的灰度值集合，本实施例对修正后的正常像素点的灰度值集合中的灰度值进行统一化，也即将修正后所确定的正常像素点的各种灰度值进行求平均，以所得均值作为一个单独的灰阶：
Figure DEST_PATH_IMAGE018A
其中，
Figure 693754DEST_PATH_IMAGE020
为修正后的正常像素点所对应的所有种灰度值集合
Figure 751971DEST_PATH_IMAGE022
中的灰度值经统一化后所得灰阶，
Figure 580250DEST_PATH_IMAGE024
表示修正后的正常像素点所对应的所有种灰度值集合中第
Figure 564255DEST_PATH_IMAGE026
种灰度值大小，
Figure 845195DEST_PATH_IMAGE028
为修正后的正常像素点所对应的灰度值的种类数。
然后，对于修正后的异常像素点，采用密度聚类算法以灰度值为依据对所有修正后的异常像素点再次进行聚类分割，得到对修正后的异常像素点根据灰度值聚类后的分组结果：
Figure DEST_PATH_IMAGE108
其中，
Figure DEST_PATH_IMAGE110
表示对修正后的异常像素点根据灰度值聚类分割后得到的分组集合，
Figure DEST_PATH_IMAGE112
为分组数，每个分组中均包括了一定数量的修正后的异常像素点。
然后，对所得分组集合中每个分组中各个修正后的异常像素点的灰度值进行统一化形成一个灰阶：
Figure DEST_PATH_IMAGE114
其中，
Figure DEST_PATH_IMAGE116
表示修正后的异常像素点聚类分割所得分组集合中第w个分组内各种灰度值经统一化后所得灰阶，w的取值为[1,
Figure 782802DEST_PATH_IMAGE112
]，
Figure DEST_PATH_IMAGE118
表示修正后的异常像素点聚类分割所得分组集合中第w个分组内的第
Figure DEST_PATH_IMAGE120
种灰度值，b表示修正后的异常像素点聚类分割所得分组集合中第w个分组内的灰度值的种类数。
最终，则可完成对美缝灰度图像的美缝区域中所有像素点的灰阶划分，所得灰阶为：
Figure DEST_PATH_IMAGE122
在本实施例中，对所得正常像素点的灰度值集合
Figure 229701DEST_PATH_IMAGE006
以及异常像素点的灰度值集合
Figure 869761DEST_PATH_IMAGE092
进行了聚类分割误差的修正，而在其它实施例中，可以理解的是，在检测精确度要求不高时也可不对该种聚类分割误差进行修正，而是直接由所确定的正常像素点的灰度值集合
Figure 152844DEST_PATH_IMAGE006
以及异常像素点的灰度值集合
Figure 598869DEST_PATH_IMAGE092
完成灰阶的划分。
3、根据所划分的灰阶得到美缝的灰度依赖矩阵，由所得灰度依赖矩阵得到美缝效果评价指标。
按照所划分的灰阶，将美缝灰度图像的美缝区域中各个像素点的灰度值替换为对应位置上的灰阶值，得到原始灰阶矩阵。
根据原始灰阶矩阵生成灰度依赖矩阵，本实施例中选择以中心像素点的8邻域为范围，阈值
Figure DEST_PATH_IMAGE124
为0，来判定灰度的依赖特性。所谓的依赖就是，以原始灰阶矩阵中某个元素为中心，计算8邻域内所有元素的灰阶与该中心元素的灰阶的差值，如果满足阈值
Figure 87225DEST_PATH_IMAGE124
，则认为8邻域上某个元素与中心元素具有依赖性，为依赖元素，8邻域内有s个依赖元素，就认为对应在灰度依赖矩阵中的值为s。
根据灰度依赖矩阵的生成原理可以知晓，如果图像中的每个元素的灰度值都接近，灰阶相同，则最终的依赖矩阵中的元素值都应该接近于邻域范围值8。然而由于美缝过程中色差的存在，以及各种美缝缺陷，会导致图像中其他灰阶的存在，因此灰度依赖矩阵中存在元素值小于8的存在。并且灰度依赖矩阵中整体元素数值越大美缝效果越好，于此同时，灰度依赖矩阵中出现元素小于8的位置越多，表明美缝存在缺陷的位置越多，美缝效果越差。
结合灰度依赖矩阵的特性，可计算得到美缝灰度图像中美缝区域的灰度均匀性：
Figure DEST_PATH_IMAGE030A
其中，
Figure 242394DEST_PATH_IMAGE032
为美缝颜色不均匀度，
Figure 560243DEST_PATH_IMAGE034
表示灰阶的个数，
Figure DEST_PATH_IMAGE126
，
Figure 669014DEST_PATH_IMAGE036
表示最大依赖元素数目，同时也是灰度依赖矩阵的列数，
Figure 388708DEST_PATH_IMAGE038
为灰度依赖矩阵中所有元素值的和，
Figure 383952DEST_PATH_IMAGE040
表示灰度依赖矩阵中相同灰阶下所有依赖元素的值的和，
Figure 392360DEST_PATH_IMAGE042
为修正后的异常像素点所对应的灰度值的种类数。
上式的含义在于通过计算灰度依赖矩阵中不同灰阶之间元素的差异性来表征图像的灰度均匀性，
Figure DEST_PATH_IMAGE128
取平方的含义在于依赖数目越多，占有的权值越大，最后根据不同灰阶下的依赖数目的加权和除去总体的依赖数目，得到一个整体图像均匀性的表达，G值越小图像灰度越均匀美缝效果越好。
根据以上分析可知，正常情况下，美缝灰度图像中美缝区域上的灰阶应当集中在正常灰阶上，即
Figure 570400DEST_PATH_IMAGE020
，因此在灰度依赖矩阵中，元素值应当集中在灰阶为
Figure 98596DEST_PATH_IMAGE020
的这一行，该行依赖性强度最高，即该行的元素值占据整体元素数值的比例越大表明美缝的效果越好，存在美缝异常的可能性越小，所以通过计算灰度依赖矩阵中除去正常灰阶元素值的剩余灰阶元素值占据灰阶依赖矩阵中元素值之和的比例，同样可反映出美缝效果的好坏：
Figure DEST_PATH_IMAGE044A
其中，
Figure 641572DEST_PATH_IMAGE046
表示灰度依赖矩阵中剩余异常灰阶元素值占据总体灰阶元素值之和的比例，
Figure 619499DEST_PATH_IMAGE038
表示总体元素值之和，
Figure 148701DEST_PATH_IMAGE048
表示灰度依赖矩阵中正常灰阶元素值之和，
Figure 29938DEST_PATH_IMAGE036
表示最大依赖元素数目，同时也是灰度依赖矩阵的列数。
比例值
Figure 415920DEST_PATH_IMAGE046
越小，代表美缝效果越好，美缝异常的可能性越小。
4、由所得美缝效果评价指标确定美缝效果评价函数，完成美缝效果评价。
根据所得美缝颜色不均匀度
Figure 149652DEST_PATH_IMAGE032
以及比例值
Figure 482544DEST_PATH_IMAGE046
，可确定美缝效果的联合评价函数：
Figure DEST_PATH_IMAGE050A
其中，
Figure 68157DEST_PATH_IMAGE052
为美缝效果的异常指标，当异常指标超过检测人员凭经验设定的异常指标阈值，则认为美缝效果异常。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于图像处理的美缝效果检测方法，其特征在于，包括以下步骤：
采集美缝图像后灰度化处理得到美缝灰度图像，采用霍夫变换检测美缝灰度图像中的直线，确定美缝灰度图像的美缝区域；
基于美缝灰度图像的美缝区域中各个像素点的灰度值，采用密度聚类算法以灰度值为依据对美缝灰度图像的美缝区域中所有像素点进行聚类分割，得到第一设定数量个分组；
以所得第一设定数量个分组中包含像素点数量最多的分组为正常分组，计算所述正常分组中像素点的灰度值的种类数，以所述正常分组中各种灰度值的平均值作为美缝灰度图像的美缝区域中正常像素点的正常灰阶；
从美缝灰度图像的美缝区域所包含的所有像素点中除去所述正常分组内的所有像素点，以剩余像素点为异常像素点，采用密度聚类算法以灰度值为依据对所述异常像素点进行聚类分割，得到第二设定数量个分组；
确定所述第二设定数量个分组中每个分组内像素点的灰度值的种类数，计算所述第二设定数量个分组中每个分组内各种灰度值的平均值，以所得第二设定数量个平均值作为所述异常像素点的异常灰阶；
根据所得正常灰阶和异常灰阶，将美缝灰度图像的美缝区域中各个像素点的灰度值替换为该像素点对应的灰阶，得到原始灰阶矩阵，根据原始灰阶矩阵生成灰度依赖矩阵；
基于所得灰度依赖矩阵，计算美缝颜色不均匀度以及灰度依赖矩阵中异常灰阶元素值占据总体灰阶元素值之和的比例，然后得到美缝效果的异常指标，完成美缝效果检测。
2.根据权利要求1所述的基于图像处理的美缝效果检测方法，其特征在于，还包括对所确定的正常分组中的正常像素点以及对所确定的异常像素点进行修正的内容：
确定所述正常分组中出现频次最低的灰度值种类，计算该种灰度值与正常分组中其它种类灰度值之间的距离：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为正常像素点所对应的所有种灰度值的集合
Figure DEST_PATH_IMAGE006
中出现频次最低的第i种灰度值
Figure DEST_PATH_IMAGE008
与集合
Figure 497736DEST_PATH_IMAGE006
中每种灰度值
Figure DEST_PATH_IMAGE010
之间的距离；若
Figure DEST_PATH_IMAGE012
，则认为该灰度值为正常灰度值，若
Figure DEST_PATH_IMAGE014
，则认为该灰度值为异常灰度值；其中，
Figure DEST_PATH_IMAGE016
为距离阈值，其取值根据经验确定；
从所述正常像素点中保留灰度值正常的像素点，去除灰度值异常的像素点，直至正常像素点中不再包括异常像素点，得到修正后的正常像素点；
从美缝灰度图像的美缝区域所包含的所有像素点中除去所述修正后的正常像素点，得到修正后的异常像素点。
3.根据权利要求2所述的基于图像处理的美缝效果检测方法，其特征在于，基于修正后的正常像素点，确定正常灰阶的方法为：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
为修正后的正常像素点所对应的所有种灰度值集合
Figure DEST_PATH_IMAGE022
中的灰度值经统一化后所得灰阶，
Figure DEST_PATH_IMAGE024
表示修正后的正常像素点所对应的所有种灰度值集合中第
Figure DEST_PATH_IMAGE026
种灰度值大小，
Figure DEST_PATH_IMAGE028
为修正后的正常像素点所对应的灰度值的种类数；
基于修正后的异常像素点，确定异常灰阶的方法为：
采用密度聚类算法以灰度值为依据对所述修正后的异常像素点进行聚类分割，得到新的第二设定数量个分组；
确定所述新的第二设定数量个分组中每个分组内像素点的灰度值的种类数，计算所述新的第二设定数量个分组中每个分组内各种灰度值的平均值，以所得新的第二设定数量个平均值作为所述修正后的异常像素点的异常灰阶。
4.根据权利要求3所述的基于图像处理的美缝效果检测方法，其特征在于，所述美缝颜色不均匀度为：
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE032
为美缝颜色不均匀度，
Figure DEST_PATH_IMAGE034
表示灰阶的个数，
Figure DEST_PATH_IMAGE036
表示最大依赖元素数目，同时也是灰度依赖矩阵的列数，
Figure DEST_PATH_IMAGE038
为灰度依赖矩阵中所有元素值的和，
Figure DEST_PATH_IMAGE040
表示灰度依赖矩阵中相同灰阶下所有依赖元素的值的和，
Figure DEST_PATH_IMAGE042
为修正后的异常像素点所对应的灰度值的种类数。
5.根据权利要求4所述的基于图像处理的美缝效果检测方法，其特征在于，所述灰度依赖矩阵中异常灰阶元素值占据总体灰阶元素值之和的比例为：
Figure DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE046
表示灰度依赖矩阵中剩余异常灰阶元素值占据总体灰阶元素值之和的比例，
Figure 408446DEST_PATH_IMAGE038
表示总体元素值之和，
Figure DEST_PATH_IMAGE048
表示灰度依赖矩阵中正常灰阶元素值之和；
所述美缝效果的异常指标为：
Figure DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE052
为美缝效果的异常指标。
6.根据权利要求1所述的基于图像处理的美缝效果检测方法，其特征在于，所述第一设定数量以及第二设定数量根据美缝效果检测精确度要求确定。
CN202210913074.9A 2022-08-01 2022-08-01 一种基于图像处理的美缝效果检测方法 Active CN114972348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210913074.9A CN114972348B (zh) 2022-08-01 2022-08-01 一种基于图像处理的美缝效果检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210913074.9A CN114972348B (zh) 2022-08-01 2022-08-01 一种基于图像处理的美缝效果检测方法

Publications (2)

Publication Number Publication Date
CN114972348A CN114972348A (zh) 2022-08-30
CN114972348B true CN114972348B (zh) 2022-09-30

Family

ID=82970118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210913074.9A Active CN114972348B (zh) 2022-08-01 2022-08-01 一种基于图像处理的美缝效果检测方法

Country Status (1)

Country Link
CN (1) CN114972348B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002024817A (ja) * 2000-07-10 2002-01-25 Sharp Corp 画像処理方法及び画像処理装置
CN101587189A (zh) * 2009-06-10 2009-11-25 武汉大学 用于合成孔径雷达图像的纹理基元特征提取方法
CN107845087A (zh) * 2017-10-09 2018-03-27 深圳市华星光电半导体显示技术有限公司 液晶面板亮度不均匀缺陷的检测方法和系统
WO2019104616A1 (zh) * 2017-11-30 2019-06-06 深圳配天智能技术研究院有限公司 一种图像处理方法及装置、计算机可读存储介质
CN111667448A (zh) * 2019-03-06 2020-09-15 深圳中科飞测科技有限公司 一种图像处理方法、装置及设备
JP2021081494A (ja) * 2019-11-15 2021-05-27 シャープ株式会社 画像処理システム、画像処理方法、及び画像処理プログラム
CN112975979A (zh) * 2021-03-08 2021-06-18 三峡大学 基于人工智能的瓷砖美缝机器人及控制方法
CN113177592A (zh) * 2021-04-28 2021-07-27 上海硕恩网络科技股份有限公司 一种图像分割方法、装置、计算机设备及存储介质
CN114092454A (zh) * 2021-11-26 2022-02-25 浙江晶科能源有限公司 光伏组件el检测方法、设备和存储介质
CN114235758A (zh) * 2021-12-10 2022-03-25 苏州凌云视界智能设备有限责任公司 缺陷检测方法、装置、设备及存储介质
WO2022067543A1 (zh) * 2020-09-29 2022-04-07 深圳市汇顶科技股份有限公司 指纹识别方法、指纹识别装置、电子设备及存储介质
CN114494210A (zh) * 2022-01-28 2022-05-13 江苏豪尚新材料科技有限公司 基于图像处理的塑料膜生产缺陷检测方法及系统
CN114757949A (zh) * 2022-06-15 2022-07-15 济宁市海富电子科技有限公司 基于计算机视觉的电线电缆缺陷检测方法及系统
CN114758017A (zh) * 2022-04-24 2022-07-15 启东市恒通橡胶制品厂(普通合伙) 用于橡胶密封圈异常检测的压缩传输方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002024817A (ja) * 2000-07-10 2002-01-25 Sharp Corp 画像処理方法及び画像処理装置
CN101587189A (zh) * 2009-06-10 2009-11-25 武汉大学 用于合成孔径雷达图像的纹理基元特征提取方法
CN107845087A (zh) * 2017-10-09 2018-03-27 深圳市华星光电半导体显示技术有限公司 液晶面板亮度不均匀缺陷的检测方法和系统
WO2019104616A1 (zh) * 2017-11-30 2019-06-06 深圳配天智能技术研究院有限公司 一种图像处理方法及装置、计算机可读存储介质
CN111667448A (zh) * 2019-03-06 2020-09-15 深圳中科飞测科技有限公司 一种图像处理方法、装置及设备
JP2021081494A (ja) * 2019-11-15 2021-05-27 シャープ株式会社 画像処理システム、画像処理方法、及び画像処理プログラム
WO2022067543A1 (zh) * 2020-09-29 2022-04-07 深圳市汇顶科技股份有限公司 指纹识别方法、指纹识别装置、电子设备及存储介质
CN112975979A (zh) * 2021-03-08 2021-06-18 三峡大学 基于人工智能的瓷砖美缝机器人及控制方法
CN113177592A (zh) * 2021-04-28 2021-07-27 上海硕恩网络科技股份有限公司 一种图像分割方法、装置、计算机设备及存储介质
CN114092454A (zh) * 2021-11-26 2022-02-25 浙江晶科能源有限公司 光伏组件el检测方法、设备和存储介质
CN114235758A (zh) * 2021-12-10 2022-03-25 苏州凌云视界智能设备有限责任公司 缺陷检测方法、装置、设备及存储介质
CN114494210A (zh) * 2022-01-28 2022-05-13 江苏豪尚新材料科技有限公司 基于图像处理的塑料膜生产缺陷检测方法及系统
CN114758017A (zh) * 2022-04-24 2022-07-15 启东市恒通橡胶制品厂(普通合伙) 用于橡胶密封圈异常检测的压缩传输方法
CN114757949A (zh) * 2022-06-15 2022-07-15 济宁市海富电子科技有限公司 基于计算机视觉的电线电缆缺陷检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Clustered Calcification Analysis and Detection for Mammographic;Xin Zhang等;《2009 International Conference on Future BioMedical Information Engineering (FBIE)》;20100205;全文 *
USM Sharpening Detection Based on Grey-Level;Hang Gao等;《2019 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI)》;20200123;全文 *
基于图像处理的廊道表面裂缝检测技术研究;田伟等;《电子设计工程》;20200305(第05期);全文 *

Also Published As

Publication number Publication date
CN114972348A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN111242878B (zh) 基于布谷鸟搜索的矿井下图像增强方法
CN112396619B (zh) 一种基于语义分割的内部复杂组成的小型颗粒分割方法
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN115205289B (zh) 基于视觉的软木地板原材料分级方法
CN116091455A (zh) 基于机器视觉的钢网表面缺陷判定方法
CN116542972B (zh) 基于人工智能的墙板表面缺陷快速检测方法
CN115861290B (zh) 一种肤感木门表面缺陷检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115512231A (zh) 适用于国土空间生态修复的遥感解译方法
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN111798526B (zh) 基于聚类空间映射的彩色图像主色快速提取方法及系统
US20130084025A1 (en) Method for Brightness Correction of Defective Pixels of Digital Monochrome Image
CN112907460A (zh) 一种遥感图像增强方法
CN112215859A (zh) 一种基于深度学习和邻接约束的纹理边界检测方法
CN115797607A (zh) 一种增强vr真实效果的图像优化处理方法
CN109191482B (zh) 一种基于区域自适应光谱角阈值的图像合并分割方法
CN114972348B (zh) 一种基于图像处理的美缝效果检测方法
CN114266899A (zh) 一种基于多核dsp的图像目标并行检测方法
CN116740579B (zh) 一种国土空间规划数据智能采集方法
CN112562829A (zh) 一种自适应生成dicom影像默认窗宽窗位的方法
CN116596879A (zh) 基于边界样本分位数的葡萄霜霉病自适应识别方法
CN115601298A (zh) 室内真菌污染等级的判别方法、装置、设备及介质
CN110633679B (zh) 一种基于遗传算法的指针式仪表示数自动识别方法及系统

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Detecting Beauty Sewing Effect Based on Image Processing

Effective date of registration: 20230311

Granted publication date: 20220930

Pledgee: Bank of China Limited Sishui sub branch

Pledgor: Shandong Shangya Building Materials Co.,Ltd.

Registration number: Y2023980034518

PE01 Entry into force of the registration of the contract for pledge of patent right