CN115018838B - 用于被氧化钢管材料表面麻点瑕疵的识别方法 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及一种用于被氧化钢管材料表面麻点瑕疵的识别方法。采集钢管图像并进行边缘检测，对钢管图像进行初始超像素分割，得到多个超像素块；获取每个超像素块的聚类中心点；获取每个像素点的第一归属性；获取每个像素点的第二归属性；获取每个像素点的最终归属性，确定每个像素点与其聚类区域内各个聚类中心点的颜色距离，计算每个像素点的距离度量，根据每个像素点的距离度量对所有像素点进行超像素块划分，得到划分后的多个超像素块；根据钢管图像中像素点的灰度均值确定麻点缺陷区域。本发明通过确定像素点的颜色距离来确定每个像素点进行超像素分割的归属，从而进行缺陷判断，能够识别出准确的麻点缺陷区域。

Description

用于被氧化钢管材料表面麻点瑕疵的识别方法

技术领域

本发明涉及数据处理领域，具体涉及一种用于被氧化钢管材料表面麻点瑕疵的识别方法。

背景技术

在钢管的铸造生产中，铸造钢材在被加热后经常会发生氧化，导致铸件表面出现麻点和麻坑缺陷，该缺陷虽然不影响铸件的使用性能，但修补过程非常困难，严重影响铸件外观质量，甚至会造成铸件表面有高标准的铸件的成批报废，增加生产成本，而影响麻点产生的主要因素是钢液的质量，因此检测麻点缺陷能够提醒及时调整钢液质量，减少次品率。

目前对于麻点缺陷检测的方法和系统较少，但是对钢材表面其他缺陷的检测方法较多，有形态学、神经网络等等，但是检测到的麻点缺陷往往是一个大致的范围，且中间存在麻点缺陷也存在正常区域，导致在对麻点缺陷进行处理时容易损伤到钢管表面本身涂层，因此在检测麻点缺陷时，需要获取麻点缺陷的准确区域。

因此，本发明提供一种用于被氧化钢管材料表面麻点瑕疵的识别方法，能够更加高效且准确的提取麻点区域即可。

发明内容

本发明提供一种用于被氧化钢管材料表面麻点瑕疵的识别方法，以解决现有的问题，包括：采集钢管图像并进行边缘检测，对钢管图像进行初始超像素分割，得到多个超像素块；获取每个超像素块的聚类中心点；获取每个像素点的第一归属性；获取每个像素点的第二归属性；获取每个像素点的最终归属性，确定每个像素点与其聚类区域内各个聚类中心点的颜色距离，计算每个像素点的距离度量，根据每个像素点的距离度量对所有像素点进行超像素块划分，得到划分后的多个超像素块；根据钢管图像中像素点的灰度均值识别出麻点缺陷区域。

根据本发明提出的技术手段，通过对图像进行初步检测，从而根据检测得到的闭合区域进行超像素分割的参数设置，能够保证对不同图像处理时的适应性，进而根据初步分割后的区域中像素点的颜色特征获取每个像素点的颜色距离，确保在进行像素点归类时的准确性，进而根据颜色距离对每个像素点进行类别划分，最终得到多个划分后的超像素块，使得整个图像在进行超像素分割后得到的各个超像素块的颜色特征更加接近，同时也保证了在进行麻点缺陷检测时能够得到精确的麻点区域，提高的检测的准确度，保证了钢管的生产效率。

本发明采用如下技术方案，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，包括：

采集钢管图像并进行边缘检测，得到多个闭合区域，根据闭合区域的最大尺寸对钢管图像进行初始超像素分割，得到多个超像素块。

获取每个超像素块的聚类中心点，并对每个聚类中心点设定范围内的像素点进行聚类，得到多个聚类区域。

根据每个像素点的颜色值与该像素点所在聚类区域内各个聚类中心点八邻域所有像素点颜色值，计算每个像素点与各个聚类中心点的相似性，将每个像素点与各个聚类中心点的相似性表征每个像素点的第一归属性。

分别获取每个像素点与其所在遍历范围内各个聚类中心连线上经过的所有像素点，根据每个像素点与各个聚类中心点的相似性、该像素点和各个聚类中心点连线上经过的所有像素点与对应聚类中心的相似性表征每个像素点的第二归属性。

根据每个像素点的第一归属性和第二归属性获取每个像素点的最终归属性，根据每个像素点的最终归属性确定每个像素点与各个聚类中心点的颜色距离。

根据每个像素点与各个聚类中心点的颜色距离计算每个像素点的距离度量，根据每个像素点的距离度量对每个像素点进行区域划分。

获取对钢管图像所有像素点进行区域划分后得到的多个超像素块，根据钢管图像中每个划分后的超像素块中像素点灰度均值识别出麻点缺陷区域。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，根据闭合区域的最大尺寸对钢管图像进行初始超像素分割的方法为：

对钢管图像进行边缘检测得到多个闭合区域，根据每个闭合区域中像素点的个数确定其尺寸；

根据所有闭合区域的最大尺寸作为超像素分割的尺寸，对钢管图像进行超像素分割，得到多个超像素块。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，表征每个像素点的第一归属性的方法为：

获取每个像素点的颜色值以及各个聚类中心点八邻域像素点的颜色值；

根据每个像素点的颜色值与各个聚类中心点八邻域像素点的颜色值计算每个像素点与各个聚类中心点的相似性，将每个像素点与各个聚类中心点的相似性获取每个像素点的第一归属性，表达式为：

其中，

表示每个像素点与聚类中心点的第一归属性，

表示每个像素点与聚类中心点的邻域方向上第i个像素点的相似性，(r,g,b)为每个像素点的颜色值，

为聚类中心点八邻域中第i个像素点的颜色值。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，表征每个像素点的第二归属性的方法为：

将钢管图像中每个像素点与其聚类区域内的各个聚类中心连线，获取其与每个聚类中心连线上的所有像素点；

根据每个聚类中心连线上的所有像素点与对应聚类中心像素点的相似性获取每个像素点的第二归属性，表达式为：

其中，

表示每个像素点的第二归属性，

表示每个像素点的第一归属性，

与聚类中心点连线上第j像素点与聚类中心点的相似性，n表示与聚类中心点连线上所有像素点的个数。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，根据第一归属性和第二归属性获取每个像素点的最终归属性的表达式为：

其中，

表示每个像素点与聚类中心点的第一归属性，

表示每个像素点的第二归属性。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，计算每个像素点的距离度量的方法为：

根据每个像素点到各个聚类中心的空间距离以及颜色距离计算每个像素点在超像素分割中的距离度量，表达式为：

其中，

表示每个像素点的距离度量，(R,G,B)为聚类中心点的颜色值，

表示聚类区域内第q个像素点的颜色值，

表示第q个像素点的坐标，（x,y）为聚类中心点坐标，

为每个像素点与其聚类区域内各个聚类中心点的颜色距离，

为每个像素点与其聚类区域内各个聚类中心点的空间距离。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，根据每个像素点的距离度量对每个像素点进行区域划分的方法为：

获取每个像素点到聚类区域内各个聚类中心的距离度量最小值对应的聚类中心，将该像素点划分至对应聚类中心所在的超像素块；

将所有像素点进行区域划分，得到划分后的所有超像素块。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，根据钢管图像中每个超像素块中像素点的灰度均值确定麻点缺陷区域的方法为：

获取所有超像素块的平均灰度值，获取每个超像素块中像素点的灰度均值；

将超像素块中像素点的灰度均值低于所有超像素块平均灰度值对应的超像素块作为麻点缺陷区域采集钢管图像并进行边缘检测，得到多个闭合区域，根据闭合区域的最大尺寸对钢管图像进行初始超像素分割，得到多个超像素块。

获取每个超像素块的聚类中心点，对每个聚类中心点设定范围内的像素点进行遍历，获取每个像素点所在聚类区域内的所有聚类中心。

根据每个像素点的颜色值与该像素点所在聚类区域内各个聚类中心点八邻域所有像素点颜色值，计算每个像素点与各个聚类中心点的相似性，将每个像素点与各个聚类中心点的相似性表征每个像素点的第一归属性。

分别获取每个像素点与其所在聚类区域内各个聚类中心连线上经过的所有像素点，根据每个像素点与各个聚类中心点的相似性、该像素点和各个聚类中心点连线上经过的所有像素点与对应聚类中心的相似性表征每个像素点的第二归属性。

根据每个像素点的第一归属性和第二归属性获取每个像素点的最终归属性，根据每个像素点的最终归属性确定每个像素点与各个聚类中心点的颜色距离。

根据每个像素点与各个聚类中心点的颜色距离计算每个像素点的距离度量，根据每个像素点的距离度量对每个像素点进行区域划分。

获取对钢管图像所有像素点进行区域划分后得到的多个超像素块，根据钢管图像中每个划分后的超像素块中像素点灰度均值确定麻点缺陷区域。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，根据闭合区域的最大尺寸对钢管图像进行初始超像素分割的方法为：

对钢管图像进行边缘检测得到多个闭合区域，根据每个闭合区域中像素点的个数确定其尺寸；

根据所有闭合区域的最大尺寸作为超像素分割的尺寸，对钢管图像进行超像素分割，得到多个超像素块。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，表征每个像素点的第一归属性的方法为：

获取每个像素点的颜色值以及各个聚类中心点八邻域像素点的颜色值；

根据每个像素点的颜色值与各个聚类中心点八邻域像素点的颜色值计算每个像素点与各个聚类中心点的第一归属性，表达式为：

其中，

表示每个像素点与聚类中心点的第一归属性，

表示每个像素点与聚类中心点的邻域方向上第i个像素点的相似性，(r,g,b)为每个像素点的颜色值，

为聚类中心点八邻域中第i个像素点的颜色值。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，表征每个像素点的第二归属性的方法为：

将钢管图像中每个像素点与其聚类区域内的各个聚类中心连线，获取其与每个聚类中心连线上的所有像素点；

根据每个聚类中心连线上的所有像素点与对应聚类中心像素点的相似性获取每个像素点的第二归属性，表达式为：

其中，

表示每个像素点的第二归属性，

表示每个像素点的第一归属性，

与聚类中心点连线上第j像素点与聚类中心点的相似性，n表示与聚类中心点连线上所有像素点的个数。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，根据第一归属性和第二归属性获取每个像素点的最终归属性的表达式为：

其中，

表示每个像素点与聚类中心点的第一归属性，

表示每个像素点的第二归属性。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，计算每个像素点的距离度量的方法为：

根据每个像素点到各个聚类中心的空间距离以及颜色距离计算每个像素点在超像素分割中的距离度量，表达式为：

其中，

表示每个像素点的距离度量，(R,G,B)为聚类中心点的颜色值，

表示聚类区域内第q个像素点的颜色值，

表示第q个像素点的坐标，（x,y）为聚类中心点坐标，

为每个像素点与其聚类区域内各个聚类中心点的颜色距离，

为每个像素点与其聚类区域内各个聚类中心点的空间距离。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，根据每个像素点的距离度量对每个像素点进行区域划分的方法为：

获取每个像素点到聚类区域内各个聚类中心的距离度量最小值对应的聚类中心，将该像素点划分至对应聚类中心所在的超像素块；

将所有像素点进行区域划分，得到划分后的所有超像素块。

进一步的，一种用于被氧化钢管材料表面麻点瑕疵的识别方法，根据钢管图像中每个超像素块中像素点的灰度均值确定麻点缺陷区域的方法为：

获取所有超像素块的平均灰度值，获取每个超像素块中像素点的灰度均值；

将超像素块中像素点的灰度均值低于所有超像素块平均灰度值对应的超像素块作为麻点缺陷区域。

本发明的有益效果是：根据本发明提出的技术手段，通过对图像进行初步检测，从而根据检测得到的闭合区域进行超像素分割的参数设置，能够保证对不同图像处理时的适应性，进而根据初步分割后的区域中像素点的颜色特征获取每个像素点的颜色距离，确保在进行像素点归类时的准确性，进而根据颜色距离对每个像素点进行类别划分，最终得到多个划分后的超像素块，使得整个图像在进行超像素分割后得到的各个超像素块的颜色特征更加接近，同时也保证了在进行麻点缺陷检测时能够得到精确的麻点区域，提高的检测的准确度，保证了钢管的生产效率。

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为本发明实施例的一种用于被氧化钢管材料表面麻点瑕疵的识别方法结构示意图。

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。

如图1所示，给出了本发明实施例的一种用于被氧化钢管材料表面麻点瑕疵的识别方法结构示意图，包括：

101.采集钢管图像并进行边缘检测，得到多个闭合区域，根据闭合区域的最大尺寸对钢管图像进行初始超像素分割，得到多个超像素块。

获取每个超像素块的聚类中心点，并对每个聚类中心点设定范围内的像素点进行聚类，得到多个聚类区域。

本发明将钢管水平放置，布置相机从正上方采集钢管图像，采集过程可能受到噪声干扰，对采集到的图像先进行高斯滤波降噪处理，避免后续图像分析时由于噪声干扰造成分析错误，由于采集到的图像为包含钢管的整幅图像，而目标图像为钢管区域，故使用DNN语义分割提取钢管区域。

所述DNN网络具体步骤如下：

使用的数据集为本发明所述采集过程中得到的钢管图像数据集。

需要分割的像素有两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于钢管类的标注为1。

网络的任务是分类，使用的loss函数为交叉熵损失函数，至此，获得钢管区域图像。

由于对图像进行超像素分割时需要对颜色距离和空间距离进行归一化处理，也就是给颜色距离和空间距离设定不同的权重，空间距离是客观的无法改变其权重，因此本发明根据图像上像素的分布特性对颜色距离进行自适应的调节，本发明对于超像素分割前期的参数采用常规设定，根据前期的常规设定来分析后期颜色空间距离，从而确定颜色空间距离，最后对图像进行超像素分割。

根据闭合区域的最大尺寸对钢管图像进行初始超像素分割的方法为：

对钢管图像进行边缘检测得到多个闭合区域，根据每个闭合区域中像素点的个数确定其尺寸；

根据所有闭合区域的最大尺寸作为超像素分割的尺寸，对钢管图像进行超像素分割，得到多个超像素块。

对图像进行超像素分割时需要确定超像素个数、尺寸以及相邻种子间的步长，超像素分割的一个重要需求是边界附着性，需要能较好的突出感兴趣区域之间的边界，对于钢管来说感兴趣的区域是各个麻点，为了最佳的突出麻点与麻点之间的边界，本发明以麻点为目标来选取合适的超像素尺寸，因为尺寸太大会使得边界黏合，尺寸太小的话一个超像素包含不了一个麻点。

本发明通过边缘检测初步获取图像中边缘闭合的各个区域的像素数量

,即表示麻点区域的直径为：

，因此本发明确定超像素的尺寸为max(D)，设统计到整个钢管区域的像素数量为

,则超像素块的数量为：

,,且相邻种子点间的距离为max(D)，每隔max(D)个单位进行一次取样，最终得到

个取样中心。

本发明在每个超像素块中任意选取一点作为种子点，并在种子点3*3邻域内选取梯度最小的点作为聚类中心点。

本发明中每个聚类中心点是在聚类中心点

区域进行聚类搜索，且相邻聚类中心点之间的距离为

,所以每个像素点会被周围的多个聚类中心点搜索到，因此每个像素点在聚类后同时处于多个聚类区域，本发明通过每个像素点的颜色距离和空间距离将像素点划分至对应聚类中心的聚类区域中。

1021.根据每个像素点的颜色值与该像素点聚类区域内对应各个聚类中心点八邻域所有像素点颜色值，计算每个像素点与其聚类区域内各个聚类中心点的相似性，表征每个像素点的第一归属性。

对于钢管表面麻点，本发明通过将钢管正常区域聚为一类，将表面的麻点聚为一类，而钢管正常区域与麻点区域的最大区别是颜色差异，钢管正常区域为银白色，麻点区域为灰黑色，为了将相同颜色值的像素聚类到一起，本发明计算两目标像素之间的颜色相似性，通过颜色差异将不同颜色值得点直接分割开，避免后续因为距离近而被聚类到一起。

由于聚类中心点八邻域的点基本全部被聚类到聚类中心点，分析当前像素点与聚类中心点八邻域点的相似性，对于钢管来说，正常区域与正常区域的点相似，麻点区域与麻点区域的点相似，因此本发明将当前像素点与其周围聚类中心点八邻域相似度大的点聚类到一起，计算当前像素点与聚类中心点八邻域点的相似性。

表征每个像素点的第一归属性的方法为：

获取每个像素点的颜色值以及各个聚类中心点八邻域像素点的颜色值；

根据每个像素点的颜色值与各个聚类中心点八邻域像素点的颜色值计算每个像素点与各个聚类中心点的第一归属性，表达式为：

其中，

表示每个像素点与聚类中心点的第一归属性，

表示每个像素点与聚类中心点的邻域方向上第i个像素点的相似性，(r,g,b)为每个像素点的颜色值，

为聚类中心点八邻域中第i个像素点的颜色值，当两点之间的颜色差距越大时，二者的相似性越小，反之相似性越大。

1022.获取每个像素点与其聚类区域内各个聚类中心连线上经过的所有像素点，根据该像素点与对应聚类中心点的相似性，以及该像素点与各个聚类中心连线上经过的所有像素点与各个聚类中心的相似性计算每个像素点的第二归属性。

上述本发明通过颜色相似性计算每个像素点的第一归属性，期望将颜色相似的点聚类到一起，但是颜色相似的点中间可能存在颜色突变的点，即这两个颜色相似的点之间出现了一些颜色值异于这两个点的异常点，说明这两个点之间存在边缘或存在其他颜色区域，例如这两个点都是正常点，但是中间出现来麻点，或者这两个点是麻点而中间出现了正常点隔断了这两点之间的相似连续性，因此本发明进一步分析这些相似点之间连线上点的相似性是否连续未产生断裂，只有相似且连续的点才能被聚类到同一个区域。

本发明将当前像素点与各个聚类中心点之间连线，分析连线上所有像素点的整体相似性

表征每个像素点的第二归属性的方法为：

将钢管图像中每个像素点与各个聚类中心连线，获取与每个聚类中心连线上的所有像素点；

根据每个聚类中心连线上的所有像素点与对应聚类中心像素点的相似性获取每个像素点的第二归属性，表达式为：

其中，

表示每个像素点的第二归属性，

表示每个像素点的第一归属性，

与聚类中心点连线上第j像素点与聚类中心点的相似性，n表示与聚类中心点连线上所有像素点的个数，当连线上所有像素与聚类中心的相似度接近当前像素点与聚类中心的相似度时，即

越趋向于0时认为当前像素点与聚类中心点的相似连续性很高，反之

远离0，认为相似性出现断裂的可能性大。

1023.根据第一归属性和第二归属性获取每个像素点的最终归属性，根据每个像素点的最终归属性确定每个像素点与其聚类区域内各个聚类中心点的颜色距离。

根据第一归属性和第二归属性获取每个像素点的最终归属性的表达式为：

其中，

表示每个像素点与聚类中心点的第一归属性，

表示每个像素点的第二归属性，本发明认为像素与聚类中心的相似性和相似连续性的重要程度相同，故二者的权重都为0.5。

由于同一个像素点会被众多聚类中心搜索到，所以本发明通过确定颜色距离来确定像素颜色距离和空间距离的权重，由于像素与某一聚类中心点的最大空间距离为max(D),故对于每一个像素点的最大空间距离的权重为：

，对于每一个像素空间距离权重确定，存在某些像素与各聚类中心的空间距离相同，则此时本发明通过自适应调整颜色距离来确定像素被聚类到哪个聚类中心，当像素与某一聚类中心的归属性大时，相同空间距离情况下将像素聚类到归属性大的聚类中心，根据像素归属性确定像素的颜色距离为：

,式中

越大时，颜色距离也越大。

103.根据每个像素点与各个聚类中心点的颜色距离计算每个像素点的距离度量，根据每个像素点的距离度量对所有像素点进行超像素块划分，得到划分后的多个超像素块。

计算每个像素点的距离度量的方法为：

根据每个像素点到各个聚类中心的空间距离以及颜色距离计算每个像素点在超像素分割中的距离度量，表达式为：

其中，

表示每个像素点的距离度量，(R,G,B)为聚类中心点的颜色值，

表示聚类区域内第q个像素点的颜色值，

表示第q个像素点的坐标，（x,y）为聚类中心点坐标，

为每个像素点与其聚类区域内各个聚类中心点的颜色距离，

为每个像素点与其聚类区域内各个聚类中心点的空间距离。

根据每个像素点的距离度量对所有像素点进行超像素块划分的方法为：

获取每个像素点到聚类区域内各个聚类中心的距离度量最小值对应的聚类中心，将该像素点划分至对应聚类中心所在的超像素块；

将所有像素点进行超像素块划分，得到划分后的所有超像素块。

由于每个点都会被多个聚类中心搜索到，故将像素点最终分配给与其距离d最小的聚类中心，最终每个聚类中心所聚类到的点都是与其距离最小的点，也是与其相似性和连续性最高的点，最终本发明实现对整幅图像按照合适尺寸的超像素进行分割。

104.根据钢管图像中每个划分后的超像素块中像素点灰度均值确定麻点缺陷区域。

根据钢管图像中每个超像素块中像素点的灰度均值确定麻点缺陷区域的方法为：

获取所有超像素块的平均灰度值，获取每个超像素块中像素点的灰度均值；

将超像素块中像素点的灰度均值低于所有超像素块平均灰度值对应的超像素块作为麻点缺陷区域。

对分割后的缺陷图像进行缺陷识别，统计超像素块区域的平均灰度值来筛选缺陷区域：

，式中m为整幅图像上所有像素的数量，

为像素灰度值，求得图像像素平均灰度值，再计算每个超像素块的灰度均值

式中n为每个超像素块内像素的数量，

为块内像素灰度值，求得所有超像素块的平均灰度值,由于麻点区域更黑，所以筛选出灰度均值较低的超像素块为麻点缺陷区域，即认为

的超像素块为麻点缺陷。

根据本发明提出的技术手段，通过对图像进行初步检测，从而根据检测得到的闭合区域进行超像素分割的参数设置，能够保证对不同图像处理时的适应性，进而根据初步分割后的区域中像素点的颜色特征获取每个像素点的颜色距离，确保在进行像素点归类时的准确性，进而根据颜色距离对每个像素点进行类别划分，最终得到多个划分后的超像素块，使得整个图像在进行超像素分割后得到的各个超像素块的颜色特征更加接近，同时也保证了在进行麻点缺陷检测时能够得到精确的麻点区域，提高的检测的准确度，保证了钢管的生产效率。

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)

1.一种用于被氧化钢管材料表面麻点瑕疵的识别方法，其特征在于，包括：

采集钢管图像并进行边缘检测，得到多个闭合区域，根据闭合区域的最大尺寸对钢管图像进行初始超像素分割，得到多个超像素块；

获取每个超像素块的聚类中心点，并对每个聚类中心点设定范围内的像素点进行聚类，得到多个聚类区域；

根据每个像素点的颜色值与该像素点所在聚类区域内各个聚类中心点八邻域所有像素点颜色值，计算每个像素点与各个聚类中心点的相似性，将每个像素点与各个聚类中心点的相似性表征每个像素点的第一归属性；

分别获取每个像素点与其所在遍历范围内各个聚类中心连线上经过的所有像素点，根据每个像素点与各个聚类中心点的相似性、该像素点和各个聚类中心点连线上经过的所有像素点与对应聚类中心的相似性表征每个像素点的第二归属性；

根据每个像素点的第一归属性和第二归属性获取每个像素点的最终归属性，根据每个像素点的最终归属性确定每个像素点与各个聚类中心点的颜色距离；

根据第一归属性和第二归属性获取每个像素点的最终归属性的表达式为：

其中，

表示每个像素点与聚类中心点的第一归属性，

表示每个像素点的第二归属性；

根据每个像素点与各个聚类中心点的颜色距离计算每个像素点的距离度量，根据每个像素点的距离度量对每个像素点进行区域划分；

计算每个像素点的距离度量的方法为：

根据每个像素点到各个聚类中心的空间距离以及颜色距离计算每个像素点在超像素分割中的距离度量，表达式为：

其中，

表示每个像素点的距离度量，(R,G,B)为聚类中心点的颜色值，

表示聚类区域内第q个像素点的颜色值，

表示第q个像素点的坐标，（x,y）为聚类中心点坐标，

为每个像素点与其聚类区域内各个聚类中心点的颜色距离，

为每个像素点与其聚类区域内各个聚类中心点的空间距离；

获取对钢管图像所有像素点进行区域划分后得到的多个超像素块，根据钢管图像中每个划分后的超像素块中像素点灰度均值识别出麻点缺陷区域。

2.根据权利要求1所述的一种用于被氧化钢管材料表面麻点瑕疵的识别方法，其特征在于，根据闭合区域的最大尺寸对钢管图像进行初始超像素分割的方法为：

对钢管图像进行边缘检测得到多个闭合区域，根据每个闭合区域中像素点的个数确定其尺寸；

根据所有闭合区域的最大尺寸作为超像素分割的尺寸，对钢管图像进行超像素分割，得到多个超像素块。

3.根据权利要求1所述的一种用于被氧化钢管材料表面麻点瑕疵的识别方法，其特征在于，表征每个像素点的第一归属性的方法为：

获取每个像素点的颜色值以及各个聚类中心点八邻域像素点的颜色值；

根据每个像素点的颜色值与各个聚类中心点八邻域像素点的颜色值计算每个像素点与各个聚类中心点的相似性，将每个像素点与各个聚类中心点的相似性获取每个像素点的第一归属性，表达式为：

其中，

表示每个像素点与聚类中心点的第一归属性，

表示每个像素点与聚类中心点的邻域方向上第i个像素点的相似性，(r,g,b)为每个像素点的颜色值，

为聚类中心点八邻域中第i个像素点的颜色值。

4.根据权利要求1所述的一种用于被氧化钢管材料表面麻点瑕疵的识别方法，其特征在于，表征每个像素点的第二归属性的方法为：

将钢管图像中每个像素点与其聚类区域内的各个聚类中心连线，获取其与每个聚类中心连线上的所有像素点；

根据每个聚类中心连线上的所有像素点与对应聚类中心像素点的相似性获取每个像素点的第二归属性，表达式为：

其中，

表示每个像素点的第二归属性，

表示每个像素点的第一归属性，

与聚类中心点连线上第j像素点与聚类中心点的相似性，n表示与聚类中心点连线上所有像素点的个数。

5.根据权利要求1所述的一种用于被氧化钢管材料表面麻点瑕疵的识别方法，其特征在于，根据每个像素点的距离度量对每个像素点进行区域划分的方法为：

获取每个像素点到聚类区域内各个聚类中心的距离度量最小值对应的聚类中心，将该像素点划分至对应聚类中心所在的超像素块；

将所有像素点进行区域划分，得到划分后的所有超像素块。

6.根据权利要求1所述的一种用于被氧化钢管材料表面麻点瑕疵的识别方法，其特征在于，根据钢管图像中每个超像素块中像素点的灰度均值确定麻点缺陷区域的方法为：

获取所有超像素块的平均灰度值，获取每个超像素块中像素点的灰度均值；

将超像素块中像素点的灰度均值低于所有超像素块平均灰度值对应的超像素块作为麻点缺陷区域。

Images