CN114994098A - 一种异物检测的方法及设备 - Google Patents
一种异物检测的方法及设备 Download PDFInfo
- Publication number
- CN114994098A CN114994098A CN202210588802.3A CN202210588802A CN114994098A CN 114994098 A CN114994098 A CN 114994098A CN 202210588802 A CN202210588802 A CN 202210588802A CN 114994098 A CN114994098 A CN 114994098A
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- foreign matter
- spatial domain
- filtering
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/18—Investigating the presence of flaws defects or foreign matter
Abstract
本发明公开了一种异物检测的方法及设备,用于快速进行异物自动检测,并且增强异物检测的鲁棒性。该方法包括:获取待检测的目标图像,对所述目标图像进行傅里叶变换,得到目标图像的频域图像;利用随图像梯度变化的滤波因子,对所述频域图像进行滤波得到滤波图像,以增大所述目标图像中的异物区域和非异物区域之间的差异;从所述滤波图像中提取异物区域,根据所述异物区域确定异物检测结果。
Description
技术领域
本发明涉及视频图像处理技术领域,特别涉及一种异物检测的方法及设备。
背景技术
作为无损检测的典型代表,X光机在各种类型的食品异物检测中发挥着重要的作用。在X光机异物检测中,人工挑选会导致较为严重的成本问题,以及人眼视觉疲劳带来的漏检、误检问题。
由于食品种类丰富多样,其中掺杂的异物种类更是无法穷举,同时普通的X光机成像效果较差,这对检测算法的泛化能力提出了严峻的考验,现有的食品异物自动检测算法通常基于部分低级特征,泛化能力有限。另外,由于场景的限制,食品异物自动检测算法还需要具有实时性,对速度具有一定要求。
因此,开发一种快速、准确、强鲁棒的异物检测算法尤为重要。
发明内容
本发明提供一种异物检测的方法及设备,用于快速进行异物自动检测,并且增强异物检测的鲁棒性。
第一方面,本发明实施例提供的一种异物检测的方法,包括:
获取待检测的目标图像,对所述目标图像进行傅里叶变换,得到目标图像的频域图像;
利用随图像梯度变化的滤波因子,对所述频域图像进行滤波得到滤波图像,以增大所述目标图像中的异物区域和非异物区域之间的差异;
从所述滤波图像中提取异物区域,根据所述异物区域确定异物检测结果。
本实施例提出的一种异物检测方法,充分利用异物的灰度值在多次图像平滑操作后仍是局部极小值这个特征,通过在频率域放大异物区域与正常区域之间的差异,从而达到检测异物是否存在的目的,能够保证检测的准确性和效率。
作为一种可选的实施方式,所述获取待检测的目标图像,包括:
对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像。
本实施例可以通过对原始图像进行对比度拉伸处理,对原始图像进行去噪处理,去除背景噪声,并且增加异物区域和正常区域之间的差异性,从而提高检测的准确度。
作为一种可选的实施方式,所述对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像,包括:
利用所述原始图像的灰度均值和预设拉伸参数,对所述原始图像进行对比度拉伸处理,得到拉伸图像;
对所述拉伸图像进行伽马补偿处理,得到所述目标图像。
本实施例提出的对比度拉伸处理结合两种对比度拉伸方式,一种是自适应的拉伸方式,利用原始图像的灰度均值和预设拉伸参数进行初次拉伸,另一种是伽马补偿,进行再次拉伸,利用两种拉伸结合的方式,能够提高拉伸效果,增加异物区域和正常区域之间的差异性,从而提高检测的准确度。
作为一种可选的实施方式,所述对拍摄得到的原始图像进行对比度拉伸处理之前,还包括:
对拍摄得到的原始图像进行中值滤波处理,得到中值滤波处理后的原始图像;
所述对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像,包括:
对所述中值滤波处理后的原始图像进行对比度拉伸处理,得到所述目标图像。
在一些实施例中,本实施例在进行对比度拉伸之前,还对原始图像进行了中值滤波,从而有效去除原始图像中的噪声,提高检测的准确度。
作为一种可选的实施方式,通过如下方式确定所述滤波因子:
将所述频域图像的复数矩阵转换为包含幅值和相位的函数矩阵;
将所述函数矩阵的幅值,确定为所述滤波因子。
在一些实施例中,本实施例中的滤波因子是频域图像的函数矩阵中的幅值,而由于该幅值随着梯度的大小进行变换,能够有效针对不同梯度提供不同频率的滤波,由于异物区域和正常区域的频率存在较大差异,从而通过本实施例中的频率域的滤波处理,能够进一步增加异物区域和正常区域的差异,突出异物区域,从而提高检测的准确度。
作为一种可选的实施方式,所述从所述滤波图像中提取异物区域,包括:
对所述滤波图像进行傅里叶逆变换,得到空间域图像;
对所述空间域图像进行二值化操作,确定所述滤波图像中的异物区域。
本实施例由于已经增加了异物区域和正常区域的差异,因此,通过二值化操作能够更加快速便捷的进行异物检测,提高检测的效率。
作为一种可选的实施方式,所述对所述空间域图像进行二值化操作,确定所述滤波图像中的异物区域,包括:
利用预设阈值对所述空间域图像进行二值化操作,得到二值图像;
根据所述二值图像,确定所述滤波图像中的异物区域。
作为一种可选的实施方式,所述利用预设阈值对所述空间域图像进行二值化操作之前,还包括:
对所述空间域图像进行高斯模糊处理,得到高斯模糊处理后的空间域图像;
所述利用预设阈值对所述空间域图像进行二值化操作,得到二值图像,包括:
利用预设阈值对所述高斯模糊处理后的空间域图像,进行二值化操作,得到二值图像。
本实施例为例提高检测的准确度,还可以先对空间域图像进行高斯模糊,去除高斯噪声,再对去除噪声的空间域图像进行二值化操作,得到更为准确地二值图像,从而提高检测的准确度。
第二方面,本发明实施例提供的一种异物检测的设备,包括处理器和存储器,所述存储器用于存储所述处理器可执行的程序,所述处理器用于读取所述存储器中的程序并执行如下步骤:
获取待检测的目标图像,对所述目标图像进行傅里叶变换,得到目标图像的频域图像;
利用随图像梯度变化的滤波因子,对所述频域图像进行滤波得到滤波图像,以增大所述目标图像中的异物区域和非异物区域之间的差异;
从所述滤波图像中提取异物区域,根据所述异物区域确定异物检测结果。
作为一种可选的实施方式,所述处理器具体被配置为执行:
对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像。
作为一种可选的实施方式,所述处理器具体被配置为执行:
利用所述原始图像的灰度均值和预设拉伸参数,对所述原始图像进行对比度拉伸处理,得到拉伸图像;
对所述拉伸图像进行伽马补偿处理,得到所述目标图像。
作为一种可选的实施方式,所述对拍摄得到的原始图像进行对比度拉伸处理之前,所述处理器具体还被配置为执行:
对拍摄得到的原始图像进行中值滤波处理,得到中值滤波处理后的原始图像;
所述处理器具体被配置为执行:
对所述中值滤波处理后的原始图像进行对比度拉伸处理,得到所述目标图像。
作为一种可选的实施方式,所述处理器具体被配置为通过如下方式确定所述滤波因子:
将所述频域图像的复数矩阵转换为包含幅值和相位的函数矩阵;
将所述函数矩阵的幅值,确定为所述滤波因子。
作为一种可选的实施方式,所述处理器具体被配置为执行:
对所述滤波图像进行傅里叶逆变换,得到空间域图像;
对所述空间域图像进行二值化操作,确定所述滤波图像中的异物区域。
作为一种可选的实施方式,所述处理器具体被配置为执行:
利用预设阈值对所述空间域图像进行二值化操作,得到二值图像;
根据所述二值图像,确定所述滤波图像中的异物区域。
作为一种可选的实施方式,所述利用预设阈值对所述空间域图像进行二值化操作之前,所述处理器具体还被配置为执行:
对所述空间域图像进行高斯模糊处理,得到高斯模糊处理后的空间域图像;
所述处理器具体被配置为执行:
利用预设阈值对所述高斯模糊处理后的空间域图像,进行二值化操作,得到二值图像。
第三方面,本发明实施例还提供一种异物检测的装置,包括:
频域变换单元,用于获取待检测的目标图像,对所述目标图像进行傅里叶变换,得到目标图像的频域图像;
图像滤波单元,用于利用随图像梯度变化的滤波因子,对所述频域图像进行滤波得到滤波图像,以增大所述目标图像中的异物区域和非异物区域之间的差异;
异物提取单元,用于从所述滤波图像中提取异物区域,根据所述异物区域确定异物检测结果。
作为一种可选的实施方式,所述频域变换单元具体用于:
对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像。
作为一种可选的实施方式,所述频域变换单元具体用于:
利用所述原始图像的灰度均值和预设拉伸参数,对所述原始图像进行对比度拉伸处理,得到拉伸图像;
对所述拉伸图像进行伽马补偿处理,得到所述目标图像。
作为一种可选的实施方式,所述对拍摄得到的原始图像进行对比度拉伸处理之前,所述频域变换单元具体还用于:
对拍摄得到的原始图像进行中值滤波处理,得到中值滤波处理后的原始图像;
所述频域变换单元具体用于:
对所述中值滤波处理后的原始图像进行对比度拉伸处理,得到所述目标图像。
作为一种可选的实施方式,所述图像滤波单元具体用于通过如下方式确定所述滤波因子:
将所述频域图像的复数矩阵转换为包含幅值和相位的函数矩阵;
将所述函数矩阵的幅值,确定为所述滤波因子。
作为一种可选的实施方式,所述异物提取单元具体用于:
对所述滤波图像进行傅里叶逆变换,得到空间域图像;
对所述空间域图像进行二值化操作,确定所述滤波图像中的异物区域。
作为一种可选的实施方式,所述异物提取单元具体用于:
利用预设阈值对所述空间域图像进行二值化操作,得到二值图像;
根据所述二值图像,确定所述滤波图像中的异物区域。
作为一种可选的实施方式,所述利用预设阈值对所述空间域图像进行二值化操作之前,所述异物提取单元具体还用于:
对所述空间域图像进行高斯模糊处理,得到高斯模糊处理后的空间域图像;
所述异物提取单元具体用于:
利用预设阈值对所述高斯模糊处理后的空间域图像,进行二值化操作,得到二值图像。
第四方面,本发明实施例还提供计算机存储介质,其上存储有计算机程序,该程序被处理器执行时用于实现上述第一方面所述方法的步骤。
本申请的这些方面或其他方面在以下的实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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为本发明实施例提供的一种异物检测方法的实施流程图;
图2为本发明实施例提供的一种异物检测的详细实施流程图;
图3为本发明实施例提供的一种异物检测的设备示意图;
图4为本发明实施例提供的一种异物检测的装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
本发明实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。其中,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例1、作为无损检测的典型代表,X光机在各种类型的食品异物检测中发挥着重要的作用。在X光机异物检测中,人工挑选会导致较为严重的成本问题,以及人眼视觉疲劳带来的漏检、误检问题。随着最近几年人工智能技术的飞速发展,为各行各业进行智能化赋能正在全国各地如火如荼的展开。在X光机异物检测中,如何利用人工智能技术在食品领域进行快速、自动、准确的异物检测,已成为又一个研究的热点,同时也是一个亟待解决的问题。由于食品种类丰富多样,其中掺杂的异物种类更是无法穷举,同时普通的X光机成像效果较差,这对检测算法的泛化能力提出了严峻的考验,现有的食品异物自动检测算法通常基于部分低级特征,泛化能力有限。另外,由于场景的限制,食品异物自动检测算法还需要具有实时性,对速度具有一定要求。
在工业食品X光机的成像中,异物最为显著的特征体现在灰度值的局部极小值,即存在肉眼可见的小黑块,与周围一圈的像素点相比,异物点的灰度值要明显的小,这便是设计异物检测算法需要利用的最为重要的特征,除此之外,异物区域的另一个显著特征则是在多次图像平滑操作后,异物区域仍然能够保持其局部极值的特性。但是由于食品异物检测领域的特殊性,事先难以获取关于异物的先验信息,如颜色、大小、形状等,也难以获知食品种类,如果开发普适的异物检测算法便无法确定可能存在的背景干扰。因此如何高效、准确的使用灰度值的局部极小值,来设计快速、准确、鲁棒的异物检测算法显得尤为关键。由于检测场景的复杂性和丰富性,检测算法设计的难点在于:1)异物成像形态不确定,仅仅能确定局部极小这一个特征;2)异物类别和背景食品类别无法穷举,难以控制误检。因此,开发一种快速、准确、强鲁棒的异物检测算法尤为重要。
由于在工业检测场景下,除了对算法的准确性有较高要求,算法的运行效率同样十分重要,为了解决上述困难,本实施例提出一种异物检测方法,能够保证检测的准确性和效率,本实施例提出的异物检测方法,核心思想是在频率域进一步放大异物区域与正常区域之间的差异,从而达到检测异物是否存在的目的。本实施例充分利用异物的灰度值在多次图像平滑操作后仍是局部极小值这个特征,同时结合尺度图像理论,并结合一系列的后处理操作,能够准确、快速的检测出食品的X光图像中是否存在异物。
如图1所示,本实施例提供的一种异物检测方法的实施流程如下所示:
步骤100、获取待检测的目标图像,对所述目标图像进行傅里叶变换,得到目标图像的频域图像;
在一些实施例中,本实施例中的目标图像包括但不限于通过X光拍摄得到的图像,还可以是通过其他方式拍摄得到的图像,本实施例对此不作过多限定。
可选的,本实施例中的目标图像是对拍摄得到的原始图像进行图像增强处理操作后的图像,实施中,本实施例中的图像增强处理操作包括但不限于去噪操作和/或,对比度拉伸处理。
可选的,本实施例中的去噪操作包括但不限于中值滤波、高斯模糊中的至少一种。
在一些实施例中,本实施例中的目标图像是灰度图像。
在一些实施例中,本实施例通过如下方式获取待检测的目标图像:
对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像。
可选的,本实施例中的对比度拉伸处理包括但不限于预设拉伸参数的拉伸处理和伽马处理。
在一些实施例中,本实施例通过如下方式进行对比度拉伸处理:
利用所述原始图像的灰度均值和预设拉伸参数,对所述原始图像进行对比度拉伸处理,得到拉伸图像;对所述拉伸图像进行伽马补偿处理,得到所述目标图像。
实施中,本实施例实际上执行了两次拉伸处理,第一次拉伸处理时,本实施例利用如下公式对原始图像进行对比度拉伸处理:
其中,g(j,k)表示拉伸图像在空间域坐标(j,k)处的像素值,f(j,k)表示原始图像在空间域坐标(j,k)处的像素值,m表示原始图像的灰度均值,E表示预设拉伸参数。其中,E的取值可以是0.8、1.2或者1.6,具体选择何值视实际情况而定,本实施例不作过多限定。
第二次拉伸处理时,本实施例对拉伸图像进行伽马补偿处理,可选的,为了在进行伽马补偿处理时更便于数值计算,本实施例先对拉伸图像进行归一化操作,得到归一化拉伸图像,对归一化拉伸图像进行伽马补偿处理,得到补偿拉伸图像,最后对补偿拉伸图像进行反归一化操作,得到目标图像。
实施中,通过如下公式进行归一化操作:
其中,g(j,k)表示拉伸图像在空间域坐标(j,k)处的像素值,g′(j,k)表示归一化拉伸图像在空间域坐标(j,k)处的像素值。其中,e为预先设定的参数,e的取值范围在0~1之间。可选的,e取0.5。
实施中,通过如下公式进行伽马补偿:
其中,g′(j,k)表示归一化拉伸图像在空间域坐标(j,k)处的像素值,g″(j,k)表示进行伽马补偿后的补偿拉伸图像在空间域坐标(j,k)处的像素值;r表示预设参数,是预先给定的值。
实施中,通过如下公式进行反归一化操作:
I(j,k)=g″(j,k)×256-0.5 公式(4);
其中,g″(j,k)表示进行伽马补偿后的补偿拉伸图像在空间域坐标(j,k)处的像素值;I(j,k)表示目标图像在空间域坐标(j,k)处的像素值。
在一些实施例中,本实施例在对拍摄得到的原始图像进行对比度拉伸处理之前,还可以对拍摄得到的原始图像进行中值滤波处理,得到中值滤波处理后的原始图像,对所述中值滤波处理后的原始图像进行对比度拉伸处理,得到所述目标图像。
需要说明的是,由于系统硬件上的原因,一般的X光机图像中通常会存在大量的噪声,因此首先需要对获取的原始图像进行去噪操作。结合效果与效率的双重考虑,本实施例选择效果较好的中值滤波器作为去噪算子。中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波的基本原理是把数字图像中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)},其中,f(x,y),g(x,y)分别为原始图像和处理后图像。W为二维模板,通常为3×3,5×5区域,也可以是不同的形状,如线状,圆形,十字形,圆环形等。由于中值滤波的去噪效果和窗口的形状大小均有较强联系,本实施例中的中值滤波的窗口可以是方形的3×3大小的模板。实施中,中值滤波的实现过程是,首先通过从原始图像的采样窗口取出奇数个数据进行排序;其次,利用排序后的中值取代采样窗口中间的数据。
实施中,对拍摄得到的原始图像进行中值滤波处理后,对所述中值滤波处理后的原始图像进行对比度拉伸处理,得到所述目标图像。
在一些实施例中,本实施例通过如下方式进行对比度拉伸处理:
利用所述中值滤波处理后的原始图像的灰度均值和预设拉伸参数,对所述中值滤波处理后的原始图像进行对比度拉伸处理,得到拉伸图像;对所述拉伸图像进行伽马补偿处理,得到所述目标图像。
实施中,本实施例实际上执行了两次拉伸处理,第一次拉伸处理时,本实施例利用如下公式对中值滤波处理后的原始图像进行对比度拉伸处理:
其中,g(j,k)表示拉伸图像在空间域坐标(j,k)处的像素值,f(j,k)表示中值滤波处理后的原始图像在空间域坐标(j,k)处的像素值,m表示中值滤波处理后的原始图像的灰度均值,E表示预设拉伸参数。其中,E的取值可以是0.8、1.2或者1.6,具体选择何值视实际情况而定,本实施例不作过多限定。
第二次拉伸处理时,本实施例对拉伸图像进行伽马补偿处理,可选的,为了在进行伽马补偿处理时更便于数值计算,本实施例先对拉伸图像进行归一化操作,得到归一化拉伸图像,对归一化拉伸图像进行伽马补偿处理,得到补偿拉伸图像,最后对补偿拉伸图像进行反归一化操作,得到目标图像。
实施中,通过如下公式进行归一化操作:
其中,g(j,k)表示拉伸图像在空间域坐标(j,k)处的像素值,g′(j,k)表示归一化拉伸图像在空间域坐标(j,k)处的像素值。其中,e为预先设定的参数,e的取值范围在0~1之间。可选的,e取0.5。
实施中,通过如下公式进行伽马补偿:
其中,g′(j,k)表示归一化拉伸图像在空间域坐标(j,k)处的像素值,g″(j,k)表示进行伽马补偿后的补偿拉伸图像在空间域坐标(j,k)处的像素值;r表示预设参数,是预先给定的值。
实施中,通过如下公式进行反归一化操作:
I(j,k)=g″(j,k)×256-0.5 公式(8);
其中,g″(j,k)表示进行伽马补偿后的补偿拉伸图像在空间域坐标(j,k)处的像素值;I(j,k)表示目标图像在空间域坐标(j,k)处的像素值。
实施中,本实施例中的利用所述原始图像的灰度均值和预设拉伸参数,对所述原始图像进行对比度拉伸处理,能够将原始图像的灰度范围压缩到一个较小的范围,从而去除背景干扰,使得异物的成像更为明显,增大异物区域和正常区域的差异。本实施例中的对比度拉伸处理是随着原始图像的不同而自适应变化的,能够针对不同灰度的原始图像进行对应的对比度拉伸处理,更具针对性,效果更为明显。在利用所述原始图像的灰度均值和预设拉伸参数,对所述原始图像进行对比度拉伸处理,进一步对所述拉伸图像进行伽马补偿处理,通过固定阈值的拉伸处理进行人为干预,使得拉伸处理能够更加灵活多变。
步骤101、利用随图像梯度变化的滤波因子,对所述频域图像进行滤波得到滤波图像,以增大所述目标图像中的异物区域和非异物区域之间的差异;
实施中,异物区域和非异物区域(即正常区域)的图像梯度差异较大,而根据随梯度变化的滤波因子,对频域图像进行滤波,能够使得异物区域和非异物区域的滤波程度是不同的,例如在异物区域能够滤除更多的高频信息,在非异物区域滤除更多的低频信息,从而增大目标图像中的异物区域和非异物区域之间的差异,达到检测异物的目的。
在一些实施例中,可以通过如下方式确定所述滤波因子:
将所述频域图像的复数矩阵转换为包含幅值和相位的函数矩阵;将所述函数矩阵的幅值,确定为所述滤波因子。
实施中,本实施例中的频域图像可以通过如下公式表示:
公式(9)经过整理变换后得到频域图像的复数矩阵,如下所示:
将公式(10)的复数矩阵转换为包含幅值和相位的函数矩阵,如下所示:
为了增大异物区域和正常区域的差异,突出异物区域,对傅里叶变换后的频域图像进行自适应的滤波操作,具体公式如下所示:
通过公式(14)对目标图像的频域图像进行滤波操作,得到滤波图像,由于滤波图像中异物区域和正常区域之间的差异较大,因此可以更加准确地从滤波图像中提取出异常区域,从而提高检测的准确度。
步骤102、从所述滤波图像中提取异物区域,根据所述异物区域确定异物检测结果。
在一些实施例中,通过如下步骤从所述滤波图像中提取异物区域:
对所述滤波图像进行傅里叶逆变换,得到空间域图像;对所述空间域图像进行二值化操作,确定所述滤波图像中的异物区域。
实施中,通过如下公式对滤波图像进行傅里叶逆变换:
O(u,v)=G-1(u,v) 公式(15);
其中,O(u,v)表示空间域图像。
在一些实施例中,通过如下步骤确定滤波图像中的异物区域:
利用预设阈值对所述空间域图像进行二值化操作,得到二值图像;根据所述二值图像,确定所述滤波图像中的异物区域。
实施中,可以预先确定预设阈值,将空间域图像中的每个像素值和该预设阈值进行比较,高于该预设阈值的像素值置为1(白色),低于或等于该预设阈值的像素值置为0(黑色),从而得到二值图像。
利用异物灰度值在多次图像平滑操作后仍是局部极小值这个特征,将所述二值图像中的黑色区域,确定为异物区域。
在一些实施例中,利用预设阈值对所述空间域图像进行二值化操作之前,还可以对所述空间域图像进行高斯模糊处理,得到高斯模糊处理后的空间域图像;利用预设阈值对所述高斯模糊处理后的空间域图像,进行二值化操作,得到二值图像。
在一些实施例中,由于噪声的影响,为了得到更加准确地异物区域,还可以在进行二值化操作之前,对空间域图像进行高斯模糊,以去除噪声。
以窗口大小为(2k+1)(2k+1)的高斯滤波器为例,本实施例中的高斯滤波器的构造公式如下所示:
i,j表示空间域中像素点坐标,k为预先设定的值,k的取值范围在0~1之间,Hij表示本实施例中的高斯模糊使用的高斯滤波器的函数式,σ2表示方差。其中选择滤波器的尺寸通常不大于11,即k通常不大于5,可以根据实际情况选择,本实施例对此不作过多限定。
实施中,得到高斯模糊处理后的空间域图像,利用预设阈值对所述高斯模糊处理后的空间域图像,进行二值化操作,得到二值图像。
在一些实施例中,本实施例还可以根据异物区域的面积、形态中的至少一种特征,确定异物检测结果。实施中,当异物区域的面积大于面积阈值时,确定从目标图像中检测到异物;或者,当异物区域的形态和预设形态的相似度高于相似度阈值时,确定从目标图像中检测到异物;或,当异物区域的面积大于面积阈值且异物区域的形态和预设形态的相似度高于相似度阈值时,确定从目标图像中检测到异物。
其中,本实施例中的面积阈值和相似度阈值,都可以根据检测的灵敏度灵活设置,本实施例对此不作过多限定。
如图2所示,本实施例还提供一种异物检测的详细实施流程,具体如下所示:
步骤200、对拍摄得到的原始图像进行中值滤波处理,得到中值滤波处理后的原始图像;
步骤201、利用中值滤波处理后的原始图像的灰度均值和预设拉伸参数,对中值滤波处理后的原始图像进行对比度拉伸处理,得到拉伸图像;
步骤202、对拉伸图像进行伽马补偿处理,得到目标图像;
步骤203、对目标图像进行傅里叶变换,得到目标图像的频域图像;
步骤204、将所述频域图像的复数矩阵转换为包含幅值和相位的函数矩阵,利用随图像梯度变化的幅值,对频域图像进行滤波得到滤波图像;
步骤205、对滤波图像进行傅里叶逆变换,得到空间域图像;
步骤206、对空间域图像进行高斯模糊处理,得到高斯模糊处理后的空间域图像;
步骤207、利用预设阈值对高斯模糊处理后的空间域图像,进行二值化操作,得到二值图像;
步骤208、根据二值图像,确定滤波图像中的异物区域。
实施例2、基于相同的发明构思,本发明实施例还提供了一种异物检测的设备,由于该设备即是本发明实施例中的方法中的设备,并且该设备解决问题的原理与该方法相似,因此该设备的实施可以参见方法的实施,重复之处不再赘述。
如图3所示,该设备包括处理器300和存储器301,所述存储器301用于存储所述处理器300可执行的程序,所述处理器300用于读取所述存储器301中的程序并执行如下步骤:
获取待检测的目标图像,对所述目标图像进行傅里叶变换,得到目标图像的频域图像;
利用随图像梯度变化的滤波因子,对所述频域图像进行滤波得到滤波图像,以增大所述目标图像中的异物区域和非异物区域之间的差异;
从所述滤波图像中提取异物区域,根据所述异物区域确定异物检测结果。
作为一种可选的实施方式,所述处理器300具体被配置为执行:
对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像。
作为一种可选的实施方式,所述处理器300具体被配置为执行:
利用所述原始图像的灰度均值和预设拉伸参数,对所述原始图像进行对比度拉伸处理,得到拉伸图像;
对所述拉伸图像进行伽马补偿处理,得到所述目标图像。
作为一种可选的实施方式,所述对拍摄得到的原始图像进行对比度拉伸处理之前,所述处理器300具体还被配置为执行:
对拍摄得到的原始图像进行中值滤波处理,得到中值滤波处理后的原始图像;
所述处理器300具体被配置为执行:
对所述中值滤波处理后的原始图像进行对比度拉伸处理,得到所述目标图像。
作为一种可选的实施方式,所述处理器300具体被配置为通过如下方式确定所述滤波因子:
将所述频域图像的复数矩阵转换为包含幅值和相位的函数矩阵;
将所述函数矩阵的幅值,确定为所述滤波因子。
作为一种可选的实施方式,所述处理器300具体被配置为执行:
对所述滤波图像进行傅里叶逆变换,得到空间域图像;
对所述空间域图像进行二值化操作,确定所述滤波图像中的异物区域。
作为一种可选的实施方式,所述处理器300具体被配置为执行:
利用预设阈值对所述空间域图像进行二值化操作,得到二值图像;
根据所述二值图像,确定所述滤波图像中的异物区域。
作为一种可选的实施方式,所述利用预设阈值对所述空间域图像进行二值化操作之前,所述处理器300具体还被配置为执行:
对所述空间域图像进行高斯模糊处理,得到高斯模糊处理后的空间域图像;
所述处理器300具体被配置为执行:
利用预设阈值对所述高斯模糊处理后的空间域图像,进行二值化操作,得到二值图像。
实施例3、基于相同的发明构思,本发明实施例还提供了一种异物检测的装置,由于该装置即是本发明实施例中的方法中的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图4所示,该装置包括:
频域变换单元400,用于获取待检测的目标图像,对所述目标图像进行傅里叶变换,得到目标图像的频域图像;
图像滤波单元401,用于利用随图像梯度变化的滤波因子,对所述频域图像进行滤波得到滤波图像,以增大所述目标图像中的异物区域和非异物区域之间的差异;
异物提取单元402,用于从所述滤波图像中提取异物区域,根据所述异物区域确定异物检测结果。
作为一种可选的实施方式,所述频域变换单元400具体用于:
对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像。
作为一种可选的实施方式,所述频域变换单元400具体用于:
利用所述原始图像的灰度均值和预设拉伸参数,对所述原始图像进行对比度拉伸处理,得到拉伸图像;
对所述拉伸图像进行伽马补偿处理,得到所述目标图像。
作为一种可选的实施方式,所述对拍摄得到的原始图像进行对比度拉伸处理之前,所述频域变换单元400具体还用于:
对拍摄得到的原始图像进行中值滤波处理,得到中值滤波处理后的原始图像;
所述频域变换单元400具体用于:
对所述中值滤波处理后的原始图像进行对比度拉伸处理,得到所述目标图像。
作为一种可选的实施方式,所述图像滤波单元401具体用于通过如下方式确定所述滤波因子:
将所述频域图像的复数矩阵转换为包含幅值和相位的函数矩阵;
将所述函数矩阵的幅值,确定为所述滤波因子。
作为一种可选的实施方式,所述异物提取单元402具体用于:
对所述滤波图像进行傅里叶逆变换,得到空间域图像;
对所述空间域图像进行二值化操作,确定所述滤波图像中的异物区域。
作为一种可选的实施方式,所述异物提取单元402具体用于:
利用预设阈值对所述空间域图像进行二值化操作,得到二值图像;
根据所述二值图像,确定所述滤波图像中的异物区域。
作为一种可选的实施方式,所述利用预设阈值对所述空间域图像进行二值化操作之前,所述异物提取单元402具体还用于:
对所述空间域图像进行高斯模糊处理,得到高斯模糊处理后的空间域图像;
所述异物提取单元402具体用于:
利用预设阈值对所述高斯模糊处理后的空间域图像,进行二值化操作,得到二值图像。
基于相同的发明构思,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
获取待检测的目标图像,对所述目标图像进行傅里叶变换,得到目标图像的频域图像;
利用随图像梯度变化的滤波因子,对所述频域图像进行滤波得到滤波图像,以增大所述目标图像中的异物区域和非异物区域之间的差异;
从所述滤波图像中提取异物区域,根据所述异物区域确定异物检测结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种异物检测的方法,其特征在于,该方法包括:
获取待检测的目标图像,对所述目标图像进行傅里叶变换,得到目标图像的频域图像;
利用随图像梯度变化的滤波因子,对所述频域图像进行滤波得到滤波图像,以增大所述目标图像中的异物区域和非异物区域之间的差异;
从所述滤波图像中提取异物区域,根据所述异物区域确定异物检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测的目标图像,包括:
对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像。
3.根据权利要求2所述的方法,其特征在于,所述对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像,包括:
利用所述原始图像的灰度均值和预设拉伸参数,对所述原始图像进行对比度拉伸处理,得到拉伸图像;
对所述拉伸图像进行伽马补偿处理,得到所述目标图像。
4.根据权利要求2所述的方法,其特征在于,所述对拍摄得到的原始图像进行对比度拉伸处理之前,还包括:
对拍摄得到的原始图像进行中值滤波处理,得到中值滤波处理后的原始图像;
所述对拍摄得到的原始图像进行对比度拉伸处理,得到所述目标图像,包括:
对所述中值滤波处理后的原始图像进行对比度拉伸处理,得到所述目标图像。
5.根据权利要求1所述的方法,其特征在于,通过如下方式确定所述滤波因子:
将所述频域图像的复数矩阵转换为包含幅值和相位的函数矩阵;
将所述函数矩阵的幅值,确定为所述滤波因子。
6.根据权利要求1所述的方法,其特征在于,所述从所述滤波图像中提取异物区域,包括:
对所述滤波图像进行傅里叶逆变换,得到空间域图像;
对所述空间域图像进行二值化操作,确定所述滤波图像中的异物区域。
7.根据权利要求6所述的方法,其特征在于,所述对所述空间域图像进行二值化操作,确定所述滤波图像中的异物区域,包括:
利用预设阈值对所述空间域图像进行二值化操作,得到二值图像;
根据所述二值图像,确定所述滤波图像中的异物区域。
8.根据权利要求7所述的方法,其特征在于,所述利用预设阈值对所述空间域图像进行二值化操作之前,还包括:
对所述空间域图像进行高斯模糊处理,得到高斯模糊处理后的空间域图像;
所述利用预设阈值对所述空间域图像进行二值化操作,得到二值图像,包括:
利用预设阈值对所述高斯模糊处理后的空间域图像,进行二值化操作,得到二值图像。
9.一种异物检测的设备,其特征在于,该设备包括处理器和存储器,所述存储器用于存储所述处理器可执行的程序,所述处理器用于读取所述存储器中的程序并执行权利要求1~8任一所述方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588802.3A CN114994098A (zh) | 2022-05-26 | 2022-05-26 | 一种异物检测的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588802.3A CN114994098A (zh) | 2022-05-26 | 2022-05-26 | 一种异物检测的方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114994098A true CN114994098A (zh) | 2022-09-02 |
Family
ID=83029681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210588802.3A Pending CN114994098A (zh) | 2022-05-26 | 2022-05-26 | 一种异物检测的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994098A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117102562A (zh) * | 2023-10-24 | 2023-11-24 | 常州法尔林精机有限公司 | 一种刨床加工自动化生产线机械手控制系统及方法 |
-
2022
- 2022-05-26 CN CN202210588802.3A patent/CN114994098A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117102562A (zh) * | 2023-10-24 | 2023-11-24 | 常州法尔林精机有限公司 | 一种刨床加工自动化生产线机械手控制系统及方法 |
CN117102562B (zh) * | 2023-10-24 | 2023-12-22 | 常州法尔林精机有限公司 | 一种刨床加工自动化生产线机械手控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766736B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN109903294B (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN114994098A (zh) | 一种异物检测的方法及设备 | |
Reddy et al. | Canny scale edge detection | |
CN112446889A (zh) | 一种基于超声的医学视频读取方法 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN110728692A (zh) | 一种基于Scharr算子改进的图像边缘检测方法 | |
Wu et al. | Image Edge Detection Based on Sobel with Morphology | |
Zia et al. | Rician noise removal from MR images using novel adapted selective non-local means filter | |
Lu et al. | Double-guided filtering: Image smoothing with structure and texture guidance | |
CN114359183A (zh) | 图像质量评估方法及设备、镜头遮挡的确定方法 | |
CN110188601A (zh) | 一种基于学习的机场遥感图像检测方法 | |
CN111476821B (zh) | 基于在线学习的目标跟踪方法 | |
Ferandji et al. | Performance Comparison of Image Edge Detection Operators for Lontara Sanskrit Scripts | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
Bansal et al. | Digital image enhancement by improving contrast, removal of noise and motion blurring | |
Rathod et al. | ANALYSIS AND DENOISING MEDICAL LUNGS CT-SCAN IMAGES USING VARIOUS PREPROCESSING FILTERING TECHNIQUES | |
Huang et al. | An adaptive segmentation algorithm for degraded chinese rubbing image binarization based on background estimation | |
Yu et al. | An adaptive iterative algorithm for motion deblurring based on salient intensity prior | |
Jothi et al. | An Efficient Denoising Architecture for Impulse Noise Removal in Colour Image Using Combined Filter. |
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 |