CN115082481A - 一种用于齿轮的图像增强方法 - Google Patents

一种用于齿轮的图像增强方法 Download PDF

Info

Publication number
CN115082481A
CN115082481A CN202211009335.0A CN202211009335A CN115082481A CN 115082481 A CN115082481 A CN 115082481A CN 202211009335 A CN202211009335 A CN 202211009335A CN 115082481 A CN115082481 A CN 115082481A
Authority
CN
China
Prior art keywords
area
gray level
gear tooth
image
gear
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
Application number
CN202211009335.0A
Other languages
English (en)
Other versions
CN115082481B (zh
Inventor
刘强林
任福国
李加旺
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.)
Liaocheng Yulin Industrial Design Co ltd
Original Assignee
Liaocheng Yulin Industrial Design 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 Liaocheng Yulin Industrial Design Co ltd filed Critical Liaocheng Yulin Industrial Design Co ltd
Priority to CN202211009335.0A priority Critical patent/CN115082481B/zh
Publication of CN115082481A publication Critical patent/CN115082481A/zh
Application granted granted Critical
Publication of CN115082481B publication Critical patent/CN115082481B/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
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T5/70—Denoising; Smoothing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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

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 Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种用于齿轮的图像增强方法，该方法采集齿轮的RGB图像以得到对应的灰度图像，根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率；利用图像实例分割获取灰度图像中的每个轮齿区域，计算每个所述轮齿区域的崩角疵点系数；基于崩角疵点系数和每个像素点的位置对灰度图像中的每个像素点赋予权值；基于权值计算每个灰度级对应的崩角断面瑕疵概率，以结合初始直方图分布概率得到每个灰度级的直方图分布概率，由直方图分布概率得到均衡化直方图完成灰度图像的图像增强。通过对齿轮的灰度图像中的每个像素点赋予不同的权值，使得图像增强效果更好，且加强了疑似为崩角瑕疵的位置的细节信息。

Description

一种用于齿轮的图像增强方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种用于齿轮的图像增强方法。
背景技术
齿轮作为一种常用且十分重要的传动零件，在各类机械设备中都得到广泛的使用。齿轮的质量对于整个设备来说至关重要，如果存在缺陷，极有可能在使用过程中出现损坏，甚至引发整个机械设备的故障和报废。目前主要有三种齿轮的外观缺陷，分别是崩角，碰伤和划伤，一般通过机器视觉的方式对齿轮进行缺陷检验，但是机器视觉方式中传统的图像增强方法对于齿轮图像的增强效果不佳且没有针对性，尤其是崩角这一缺陷处的细节在图像增强过程中会被模糊，进而不利于后续使用图像分析方式对图像中的瑕疵进行识别和分析。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于齿轮的图像增强方法，所采用的技术方案具体如下：
采集齿轮的RGB图像以得到对应的灰度图像；根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率；
利用图像实例分割获取灰度图像中的每个轮齿区域；获取每个所述轮齿区域的边缘图像以检测所述边缘图像中的角点，根据所述轮齿区域中各个角点之间的距离，分别计算每个所述轮齿区域的粗糙区域凌乱度；根据所述轮齿区域中的角点总数和角点周围像素点的灰度值，分别计算每个所述轮齿区域的粗糙区域中心丰富度；将所述粗糙区域凌乱度和所述粗糙区域中心丰富度之间的比值作为每个所述轮齿区域的崩角疵点系数；
利用阈值分割分别将每个所述轮齿区域划分为瑕疵区域和非瑕疵区域；对灰度图像中非轮齿区域内的像素点赋予权值1，基于每个所述轮齿区域的所述崩角疵点系数和像素点周围区域内其他像素点的灰度值，分别对每个所述轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值；
基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率，将每个灰度级的崩角断面瑕疵概率和初始直方图分布概率之间的乘积作为对应灰度级的直方图分布概率；基于所述直方图分布概率得到均衡化直方图，利用所述均衡化直方图完成灰度图像的图像增强。
进一步的，所述每个所述轮齿区域的粗糙区域凌乱度的获取方法，包括：
计算当前轮齿区域内每个角点对应的粗糙区域凌乱度，选取最小的粗糙区域凌乱度作为当前轮齿区域的粗糙区域凌乱度；其中，粗糙区域凌乱度的计算公式为：
Figure 226272DEST_PATH_IMAGE001
其中，
Figure 402038DEST_PATH_IMAGE002
为粗糙区域凌乱度；
Figure 655165DEST_PATH_IMAGE003
为角点
Figure 269686DEST_PATH_IMAGE004
与第
Figure 127920DEST_PATH_IMAGE005
个其他角点之间的距离；
Figure 802484DEST_PATH_IMAGE006
为角点
Figure 749099DEST_PATH_IMAGE004
分别与当前轮齿区域内其他角点的距离所计算的平均距离；
Figure 104994DEST_PATH_IMAGE007
为当前轮齿区域内其他角点的数量。
进一步的，所述每个所述轮齿区域的粗糙区域中心丰富度的获取方法，包括：
选取当前轮齿区域的粗糙区域凌乱度所对应的角点，获取灰度图像中以该角点为中心的
Figure 676790DEST_PATH_IMAGE008
窗口区域，根据
Figure 194359DEST_PATH_IMAGE008
窗口内像素点的灰度值和当前轮齿区域内的角点总数计算当前轮齿区域的粗糙区域中心丰富度，其中，粗糙区域中心丰富度的计算公式为：
Figure 359761DEST_PATH_IMAGE009
其中，
Figure 253767DEST_PATH_IMAGE010
为粗糙区域中心丰富度；
Figure 948579DEST_PATH_IMAGE011
为
Figure 371470DEST_PATH_IMAGE008
窗口区域内第
Figure 132490DEST_PATH_IMAGE005
个像素点的灰度值；
Figure 98696DEST_PATH_IMAGE012
为
Figure 910664DEST_PATH_IMAGE008
窗口区域内所有像素点的平均灰度值；
Figure 973297DEST_PATH_IMAGE013
为当前轮齿区域内的角点总数。
进一步的，所述分别对每个所述轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值的方法，包括：
Figure 237926DEST_PATH_IMAGE014
其中，
Figure 739314DEST_PATH_IMAGE015
为权值；
Figure 272365DEST_PATH_IMAGE016
表示像素点在瑕疵区域内；
Figure 630534DEST_PATH_IMAGE017
表示像素点在非瑕疵区域内；
Figure 54562DEST_PATH_IMAGE018
为灰度图像内所有轮齿区域的崩角疵点系数的总和；
Figure 31745DEST_PATH_IMAGE019
为像素点所属的第
Figure 552725DEST_PATH_IMAGE005
个轮齿区域的崩角疵点系数；
Figure 19479DEST_PATH_IMAGE020
为以像素点为中心的
Figure 136995DEST_PATH_IMAGE021
窗口区域内所有像素点的灰度值方差；
Figure 42503DEST_PATH_IMAGE022
为像素点所在轮齿区域内所有像素点的灰度值方差的总和。
进一步的，所述基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率的方法，包括：
将相同灰度级下每个像素点的权值进行相加，令相加结果为对应灰度级的崩角断面瑕疵权重；
将所有灰度级的崩角断面瑕疵权重进行相加得到崩角断面瑕疵权重总和，令每个灰度级的崩角断面瑕疵权重与所述崩角断面瑕疵权重总和之间的比值为对应灰度级的崩角断面瑕疵概率。
本发明实施例至少具有如下有益效果：针对齿轮材料在同一光源下，不同齿轮位置呈现不同的反光程度，以及齿轮崩角这一瑕疵的多个断面对应多个朝向的特征，对齿轮的灰度图像中的每个像素点赋予不同权值，使得图像增强效果更好，同时在满足图像增强要求的前提下，针对性地加强疑似为崩角瑕疵的位置的细节信息，为后续对于齿轮存在崩角瑕疵的识别和检测提供了极大便利。
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为本发明一个实施例提供的一种用于齿轮的图像增强方法的步骤流程图。
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一种用于齿轮的图像增强方法，其具体实施方式、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，一个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。
下面结合附图具体的说明本发明所提供的一种用于齿轮的图像增强方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于齿轮的图像增强方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集齿轮的RGB图像以得到对应的灰度图像；根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率。
具体的，使用CCD相机采集齿轮的RGB图像，利用中值滤波对获取的RGB图像进行预处理，以消除噪声和部分外界干扰造成的影响，增强后续分析的准确性；将预处理后的RGB图像转换为灰度图像。
获取灰度图像的灰度直方图，由灰度直方图得到每个灰度级的初始直方图分布概率，则灰度级
Figure 558935DEST_PATH_IMAGE023
的初始直方图分布概率
Figure 258906DEST_PATH_IMAGE024
，其中
Figure 860789DEST_PATH_IMAGE025
为灰度图像中像素点的总数，
Figure 242092DEST_PATH_IMAGE026
表示灰度值为
Figure 740594DEST_PATH_IMAGE023
的像素点个数。
步骤S002，利用图像实例分割获取灰度图像中的每个轮齿区域；获取每个轮齿区域的边缘图像以检测边缘图像中的角点，根据轮齿区域中各个角点之间的距离，分别计算每个轮齿区域的粗糙区域凌乱度；根据轮齿区域中的角点总数和角点周围像素点的灰度值，分别计算每个轮齿区域的粗糙区域中心丰富度；将粗糙区域凌乱度和粗糙区域中心丰富度之间的比值作为每个轮齿区域的崩角疵点系数。
具体的，由于光线的照射和齿轮的构造以及材料性质，齿轮的轮齿部分会有不同程度反光，受到光源照射后出现强烈反光的区域内的灰度值极大，没有被光源照射到的区域内的灰度值极小，而被光源照射到但不存在反光的区域内的灰度值处于中间值，因此灰度图像中像素点的灰度范围比较多，而常用的直方图均衡化方法对于灰度图像增强的效果较差，故对直方图均衡化方法进行改进，利用改进的直方图均衡化方法实现图像增强，也即是对常用的直方图均衡化过程中的直方图分布概率进行优化，利用优化后的直方图分布概率实现图像增强。
利用图像实例分割中根据齿轮图像数据库训练完成的CenterMask对灰度图像中的每个轮齿进行分割，一个轮齿对应一个区域，得到多个轮齿区域。
由于齿轮崩角位置的断面比较凌乱和粗糙，坑洼不平，分为多个不规则的小的断面，且每个小断面朝向不同的方向，对应同一光源具有不同的反光程度，因此根据齿轮崩角的这些具体特征对可能属于齿轮崩角的区域赋予更高的权值。
对每个轮齿区域使用canny算子获取对应的边缘图像，使用Harris角点检测获取边缘图像中的角点，也即是轮齿区域中的角点。为防止灰度图像中细节较多的地方在较小区域内出现过多角点而影响后续分析，则采用非极大值抑制的算法利用角点处灰度值对角点进行筛选，只保留对于特征描述贡献度较大的角点。
根据任意一个轮齿区域内的角点位置，分别计算每个角点与其他角点之间的距离，如角点
Figure 486833DEST_PATH_IMAGE004
与其他
Figure 107170DEST_PATH_IMAGE007
个角点之间的距离，分别记为
Figure 354481DEST_PATH_IMAGE027
，
Figure 111084DEST_PATH_IMAGE028
，…，
Figure 559383DEST_PATH_IMAGE029
，获取这
Figure 263421DEST_PATH_IMAGE007
个距离的均值
Figure 924210DEST_PATH_IMAGE006
，根据这些距离计算角点
Figure 394374DEST_PATH_IMAGE004
对应的粗糙区域凌乱度
Figure 747995DEST_PATH_IMAGE002
，则粗糙区域凌乱度的计算公式为：
Figure 342925DEST_PATH_IMAGE030
其中，
Figure 946686DEST_PATH_IMAGE003
为角点
Figure 881144DEST_PATH_IMAGE004
与第
Figure 795879DEST_PATH_IMAGE005
个其他角点之间的距离。
利用粗糙区域凌乱度的计算公式能够得到任意一个轮齿区域内每个角点对应的粗糙区域凌乱度
Figure 612526DEST_PATH_IMAGE002
，选取最小的粗糙区域凌乱度作为对应轮齿区域的粗糙区域凌乱度，记为
Figure 880696DEST_PATH_IMAGE031
。
需要说明的是，当角点与其他角点之间的距离相差越小时，粗糙区域凌乱度
Figure 731977DEST_PATH_IMAGE002
越小，粗糙区域凌乱度用于衡量轮齿区域内较杂乱部分中这些角点分布的均匀情况，当角点分布越均匀，对应的轮齿区域内的粗糙区域凌乱度越小；由于轮齿崩角这一瑕疵通常出现在轮齿的一小部分，角点对应瑕疵中坑洼不平的各个位置或小断面的边缘方向改变处，所以角点较为集中和均匀，故这一特征越明显，则轮齿区域越可能包含瑕疵。
选取粗糙区域凌乱度
Figure 820544DEST_PATH_IMAGE031
对应的角点，根据该角点的位置，选取灰度图像中以该角点为中心的
Figure 62169DEST_PATH_IMAGE008
窗口，根据
Figure 930768DEST_PATH_IMAGE008
窗口内像素点的灰度值计算轮齿区域的粗糙区域中心丰富度
Figure 230031DEST_PATH_IMAGE010
，则粗糙区域中心丰富度的计算公式为：
Figure 830777DEST_PATH_IMAGE032
其中，
Figure 215491DEST_PATH_IMAGE011
为
Figure 828393DEST_PATH_IMAGE008
窗口内第
Figure 982163DEST_PATH_IMAGE005
个像素点的灰度值；
Figure 816127DEST_PATH_IMAGE012
为
Figure 563503DEST_PATH_IMAGE008
窗口内所有像素点的平均灰度值；
Figure 101800DEST_PATH_IMAGE013
为轮齿区域内的角点总数，其作用是根据轮齿区域内角点的具体数量放大粗糙区域中心丰富度的值。
窗口内像素点的灰度值相差越大、轮齿区域内角点的数量越多时，粗糙区域中心丰富度
Figure 581848DEST_PATH_IMAGE010
越大。
需要说明的是，由于窗口的中心位置是粗糙区域凌乱度
Figure 55555DEST_PATH_IMAGE031
对应角点所的在位置，则该位置为可能含有瑕疵的区域内最可能为瑕疵部分较为中心的位置；瑕疵区域越粗糙，对同一光源的反光情况差异越大，对应轮齿区域内像素点的灰度值相差较大，所以采用该位置附近的像素点灰度值的差异情况以及角点的数量衡量粗糙区域。
利用上述方法能够得到每个轮齿区域的粗糙区域凌乱度
Figure 149281DEST_PATH_IMAGE031
和粗糙区域中心丰富度
Figure 835478DEST_PATH_IMAGE010
。由于轮齿区域内的粗糙区域凌乱度
Figure 963839DEST_PATH_IMAGE031
和粗糙区域中心丰富度
Figure 139606DEST_PATH_IMAGE010
均可反映齿轮崩角这一瑕疵的独有特征，则以此为依据获取每个轮齿区域的崩角疵点系数
Figure 321627DEST_PATH_IMAGE033
，则崩角疵点系数的计算公式为：
Figure 873831DEST_PATH_IMAGE034
当轮齿区域内的粗糙区域凌乱度
Figure 856699DEST_PATH_IMAGE031
越小，粗糙区域中心丰富度
Figure 672208DEST_PATH_IMAGE010
越大时，该轮齿区域的崩角疵点系数
Figure 474948DEST_PATH_IMAGE033
越大。
步骤S003，利用阈值分割分别将每个轮齿区域划分为瑕疵区域和非瑕疵区域；对灰度图像中非轮齿区域内的像素点赋予权值1，基于每个轮齿区域的崩角疵点系数和像素点周围区域内其他像素点的灰度值，分别对每个轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值。
具体的，由步骤S002的方法得到每个轮齿区域的崩角疵点系数
Figure 565264DEST_PATH_IMAGE033
，设置崩角疵点系数阈值，当轮齿区域的崩角疵点系数大于崩角疵点系数阈值时，认为该轮齿区域内含有明显瑕疵。
由于瑕疵是零件上少了一部分，且这部分区域凹向零件内部，其接受和反射的光较少，导致对应区域比较暗，因此瑕疵对应的像素点的灰度值应该比较大。利用大津阈值分割将每个轮齿区域内的瑕疵区域划分出来，进而得到每个轮齿区域中的瑕疵区域和非瑕疵区域，其中，大津阈值分割的方法为：通过类间方差法得到齿轮区域的灰度阈值，将灰度值大于或等于灰度阈值的像素点作为瑕疵像素点，将灰度值小于灰度阈值的像素点作为非瑕疵像素点，进而根据瑕疵像素点和非瑕疵像素点将齿轮区域划分为瑕疵区域和非瑕疵区域。由于崩角这一瑕疵主要发生在齿轮的轮齿位置，所以对灰度图像中不属于轮齿区域内的像素点赋予权值1，对灰度图像中属于轮齿区域内的像素点赋予权值大于1。考虑到在轮齿区域内存在瑕疵区域和非瑕疵区域，进而基于每个轮齿区域的崩角疵点系数和像素点周围区域内其他像素点的灰度值，分别对每个轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值，则瑕疵区域和非瑕疵区域中像素点的权值的计算公式为：
Figure 280935DEST_PATH_IMAGE014
其中，
Figure 126400DEST_PATH_IMAGE015
为权值；
Figure 557381DEST_PATH_IMAGE016
表示像素点在瑕疵区域内；
Figure 451388DEST_PATH_IMAGE017
表示像素点在非瑕疵区域内；
Figure 877690DEST_PATH_IMAGE018
为灰度图像内所有轮齿区域的崩角疵点系数的总和；
Figure 831740DEST_PATH_IMAGE019
为像素点所属的第
Figure 487367DEST_PATH_IMAGE005
个轮齿区域的崩角疵点系数；
Figure 247382DEST_PATH_IMAGE035
表示对第
Figure 200294DEST_PATH_IMAGE005
个轮齿区域的崩角疵点系数进行归一化处理；
Figure 387562DEST_PATH_IMAGE020
为以像素点为中心的
Figure 527556DEST_PATH_IMAGE021
窗口区域内所有像素点的灰度值方差；
Figure 625350DEST_PATH_IMAGE022
为像素点所在轮齿区域内所有像素点的灰度值方差的总和。
步骤S004，基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率，将每个灰度级的崩角断面瑕疵概率和初始直方图分布概率之间的乘积作为对应灰度级的直方图分布概率；基于直方图分布概率得到均衡化直方图，利用均衡化直方图完成灰度图像的图像增强。
具体的，利用步骤S003中权值的获取方法，能够得到灰度图像中每个像素点的权值，将同一个灰度级下每个像素点的权值进行相加，令相加结果为对应灰度级的崩角断面瑕疵权重，进而得到灰度图像中每个灰度级的崩角断面瑕疵权重，则灰度级
Figure 167190DEST_PATH_IMAGE023
的崩角断面瑕疵权重为
Figure 197463DEST_PATH_IMAGE036
。
根据每个灰度级的崩角断面瑕疵权重计算每个灰度级对应的崩角断面瑕疵概率，则崩角断面瑕疵概率的计算公式为：
Figure 355912DEST_PATH_IMAGE037
其中，
Figure 864253DEST_PATH_IMAGE038
为灰度级
Figure 57337DEST_PATH_IMAGE023
的崩角断面瑕疵概率；
Figure 258511DEST_PATH_IMAGE039
为所有灰度级的崩角断面瑕疵概率的总和。
根据灰度级
Figure 638677DEST_PATH_IMAGE023
的初始直方图分布概率
Figure 230937DEST_PATH_IMAGE040
和崩角断面瑕疵概率
Figure 278528DEST_PATH_IMAGE038
计算灰度级
Figure 385024DEST_PATH_IMAGE023
的直方图分布概率
Figure 518065DEST_PATH_IMAGE041
，即
Figure 633789DEST_PATH_IMAGE042
，进而得到灰度图像中每个灰度级的直方图分布概率，为保证各灰度级对应的直方图分布概率之和为定值1，所以对直方图分布概率
Figure 535886DEST_PATH_IMAGE043
进行归一化，记直方图分布概率
Figure 78863DEST_PATH_IMAGE041
对应的归一化直方图分布概率为
Figure 230358DEST_PATH_IMAGE044
。
将灰度级
Figure 152702DEST_PATH_IMAGE023
的累积分布概率定义为：
Figure 909306DEST_PATH_IMAGE045
，也即是将灰度级
Figure 623184DEST_PATH_IMAGE023
之前所有灰度级且包括灰度级
Figure 465238DEST_PATH_IMAGE023
的归一化直方图分布概率进行相加。
通过累积分布概率将灰度图像映射为具有近似均匀灰度级分布的增强图像，相应的映射关系为：
Figure 922764DEST_PATH_IMAGE046
其中，
Figure 205978DEST_PATH_IMAGE047
为灰度图像中最大灰度级与最小灰度级的差值，
Figure 356336DEST_PATH_IMAGE048
为对括号内的数值取其四舍五入值。
基于每个灰度级的映射关系对灰度直方图进行均衡化以得到均衡化直方图，均衡化直方图中灰度级的分布较为均匀，进而根据均衡化直方图得到图像增强后的灰度图像。
需要说明的是，由于在获取累积分布概率的过程中，根据崩角这一瑕疵的特征，对于不同像素点赋予了不同的权值，即越可能为崩角区域内的像素点对应的权值越大，而权值越大的像素点对应的灰度值在均衡化后得到的灰度值越大，权值越小的像素点对应的灰度值在均衡化后得到的灰度值越小，因此这一特性将发生崩角的瑕疵部分与没有瑕疵点部分在图像上出现较大的对比度，有利于后续对于崩角这一瑕疵的识别和分析。
综上所述，本发明实施例提供了一种用于齿轮的图像增强方法，该方法采集齿轮的RGB图像以得到对应的灰度图像，根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率；利用图像实例分割获取灰度图像中的每个轮齿区域，计算每个所述轮齿区域的崩角疵点系数；基于崩角疵点系数和每个像素点的位置对灰度图像中的每个像素点赋予权值；基于权值计算每个灰度级对应的崩角断面瑕疵概率，以结合初始直方图分布概率得到每个灰度级的直方图分布概率，由直方图分布概率得到均衡化直方图完成灰度图像的图像增强。通过对齿轮的灰度图像中的每个像素点赋予不同的权值，使得图像增强效果更好，且加强了疑似为崩角瑕疵的位置的细节信息。
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。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 (5)

1.一种用于齿轮的图像增强方法，其特征在于，该方法包括以下步骤：
采集齿轮的RGB图像以得到对应的灰度图像；根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率；
利用图像实例分割获取灰度图像中的每个轮齿区域；获取每个所述轮齿区域的边缘图像以检测所述边缘图像中的角点，根据所述轮齿区域中各个角点之间的距离，分别计算每个所述轮齿区域的粗糙区域凌乱度；根据所述轮齿区域中的角点总数和角点周围像素点的灰度值，分别计算每个所述轮齿区域的粗糙区域中心丰富度；将所述粗糙区域凌乱度和所述粗糙区域中心丰富度之间的比值作为每个所述轮齿区域的崩角疵点系数；
利用阈值分割分别将每个所述轮齿区域划分为瑕疵区域和非瑕疵区域；对灰度图像中非轮齿区域内的像素点赋予权值1，基于每个所述轮齿区域的所述崩角疵点系数和像素点周围区域内其他像素点的灰度值，分别对每个所述轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值；
基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率，将每个灰度级的崩角断面瑕疵概率和初始直方图分布概率之间的乘积作为对应灰度级的直方图分布概率；基于所述直方图分布概率得到均衡化直方图，利用所述均衡化直方图完成灰度图像的图像增强。
2.如权利要求1所述的一种用于齿轮的图像增强方法，其特征在于，所述每个所述轮齿区域的粗糙区域凌乱度的获取方法，包括：
计算当前轮齿区域内每个角点对应的粗糙区域凌乱度，选取最小的粗糙区域凌乱度作为当前轮齿区域的粗糙区域凌乱度；其中，粗糙区域凌乱度的计算公式为：
Figure 476711DEST_PATH_IMAGE001
其中，
Figure 456169DEST_PATH_IMAGE002
为粗糙区域凌乱度；
Figure 298223DEST_PATH_IMAGE003
为角点
Figure 755749DEST_PATH_IMAGE004
与第
Figure 835700DEST_PATH_IMAGE005
个其他角点之间的距离；
Figure 517218DEST_PATH_IMAGE006
为角点
Figure 846568DEST_PATH_IMAGE004
分别与当前轮齿区域内其他角点的距离所计算的平均距离；
Figure 122433DEST_PATH_IMAGE007
为当前轮齿区域内其他角点的数量。
3.如权利要求2所述的一种用于齿轮的图像增强方法，其特征在于，所述每个所述轮齿区域的粗糙区域中心丰富度的获取方法，包括：
选取当前轮齿区域的粗糙区域凌乱度所对应的角点，获取灰度图像中以该角点为中心的
Figure 853629DEST_PATH_IMAGE008
窗口区域，根据
Figure 909310DEST_PATH_IMAGE008
窗口内像素点的灰度值和当前轮齿区域内的角点总数计算当前轮齿区域的粗糙区域中心丰富度，其中，粗糙区域中心丰富度的计算公式为：
Figure 725956DEST_PATH_IMAGE009
其中，
Figure 525285DEST_PATH_IMAGE010
为粗糙区域中心丰富度；
Figure 845407DEST_PATH_IMAGE011
为
Figure 337569DEST_PATH_IMAGE008
窗口区域内第
Figure 907090DEST_PATH_IMAGE005
个像素点的灰度值；
Figure 247460DEST_PATH_IMAGE012
为
Figure 156511DEST_PATH_IMAGE008
窗口区域内所有像素点的平均灰度值；
Figure 350731DEST_PATH_IMAGE013
为当前轮齿区域内的角点总数。
4.如权利要求1所述的一种用于齿轮的图像增强方法，其特征在于，所述分别对每个所述轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值的方法，包括：
Figure 141970DEST_PATH_IMAGE014
其中，
Figure 486364DEST_PATH_IMAGE015
为权值；
Figure 46658DEST_PATH_IMAGE016
表示像素点在瑕疵区域内；
Figure 880622DEST_PATH_IMAGE017
表示像素点在非瑕疵区域内；
Figure 893577DEST_PATH_IMAGE018
为灰度图像内所有轮齿区域的崩角疵点系数的总和；
Figure 841329DEST_PATH_IMAGE019
为像素点所属的第
Figure 256130DEST_PATH_IMAGE005
个轮齿区域的崩角疵点系数；
Figure 526574DEST_PATH_IMAGE020
为以像素点为中心的
Figure 26826DEST_PATH_IMAGE021
窗口区域内所有像素点的灰度值方差；
Figure 509760DEST_PATH_IMAGE022
为像素点所在轮齿区域内所有像素点的灰度值方差的总和。
5.如权利要求1所述的一种用于齿轮的图像增强方法，其特征在于，所述基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率的方法，包括：
将相同灰度级下每个像素点的权值进行相加，令相加结果为对应灰度级的崩角断面瑕疵权重；
将所有灰度级的崩角断面瑕疵权重进行相加得到崩角断面瑕疵权重总和，令每个灰度级的崩角断面瑕疵权重与所述崩角断面瑕疵权重总和之间的比值为对应灰度级的崩角断面瑕疵概率。
CN202211009335.0A 2022-08-23 2022-08-23 一种用于齿轮的图像增强方法 Active CN115082481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211009335.0A CN115082481B (zh) 2022-08-23 2022-08-23 一种用于齿轮的图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211009335.0A CN115082481B (zh) 2022-08-23 2022-08-23 一种用于齿轮的图像增强方法

Publications (2)

Publication Number Publication Date
CN115082481A true CN115082481A (zh) 2022-09-20
CN115082481B CN115082481B (zh) 2022-11-15

Family

ID=83245318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211009335.0A Active CN115082481B (zh) 2022-08-23 2022-08-23 一种用于齿轮的图像增强方法

Country Status (1)

Country Link
CN (1) CN115082481B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294123A (zh) * 2022-10-08 2022-11-04 淄博永丰环保科技有限公司 一种基于图像视觉的瓦楞纸板质量检测方法
CN115311176A (zh) * 2022-10-12 2022-11-08 江苏菲尔浦物联网有限公司 基于直方图均衡化的夜间图像增强方法
CN115375686A (zh) * 2022-10-25 2022-11-22 山东鲁玻玻璃科技有限公司 一种基于图像处理的玻璃边缘瑕疵检测方法
CN116228804A (zh) * 2023-05-10 2023-06-06 山东省地质测绘院 一种基于图像分割的矿产资源识别方法
CN116433657A (zh) * 2023-06-08 2023-07-14 金乡县明耀玻璃有限公司 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法
CN116843584A (zh) * 2023-09-01 2023-10-03 浙江鼎立实业有限公司 一种图像数据优化增强方法
CN117115174A (zh) * 2023-10-25 2023-11-24 张家港市金阳工具有限公司 一种钳子外形自动检测方法及系统
CN117173158A (zh) * 2023-10-25 2023-12-05 深圳市德海威实业有限公司 一种精密连接器质量智能检测方法及系统
CN117474927A (zh) * 2023-12-28 2024-01-30 山东太阳耐磨件有限公司 基于人工智能的驱动齿生产质量检测方法
CN117635507A (zh) * 2024-01-26 2024-03-01 深圳市精森源科技有限公司 一种塑胶颗粒在线视觉检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609918A (zh) * 2012-02-15 2012-07-25 国家海洋局第二海洋研究所 基于图像特征配准的航空多光谱遥感影像几何精校正方法
US20130194419A1 (en) * 2010-06-30 2013-08-01 Tata Consultancy Services Limited Automatic Detection of Moving Object by Using Stereo Vision Technique
CN104574326A (zh) * 2013-10-15 2015-04-29 无锡华润矽科微电子有限公司 对图像进行直方图均衡处理的方法和装置
CN104680500A (zh) * 2015-02-07 2015-06-03 江西科技学院 一种基于直方图均衡化的图像增强算法
CN106570499A (zh) * 2016-10-28 2017-04-19 南京航空航天大学 一种基于概率图模型的目标跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130194419A1 (en) * 2010-06-30 2013-08-01 Tata Consultancy Services Limited Automatic Detection of Moving Object by Using Stereo Vision Technique
CN102609918A (zh) * 2012-02-15 2012-07-25 国家海洋局第二海洋研究所 基于图像特征配准的航空多光谱遥感影像几何精校正方法
CN104574326A (zh) * 2013-10-15 2015-04-29 无锡华润矽科微电子有限公司 对图像进行直方图均衡处理的方法和装置
CN104680500A (zh) * 2015-02-07 2015-06-03 江西科技学院 一种基于直方图均衡化的图像增强算法
CN106570499A (zh) * 2016-10-28 2017-04-19 南京航空航天大学 一种基于概率图模型的目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FAWAD: "Image Local Features Description Through Polynomial Approximation", 《IEEE ACCESS 》 *
殷昆燕: "基于多视觉特征的图像复杂度评价及应用", 《中国优秀硕士学位论文全文数据库》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294123A (zh) * 2022-10-08 2022-11-04 淄博永丰环保科技有限公司 一种基于图像视觉的瓦楞纸板质量检测方法
CN115311176A (zh) * 2022-10-12 2022-11-08 江苏菲尔浦物联网有限公司 基于直方图均衡化的夜间图像增强方法
CN115311176B (zh) * 2022-10-12 2023-03-07 江苏菲尔浦物联网有限公司 基于直方图均衡化的夜间图像增强方法
CN115375686A (zh) * 2022-10-25 2022-11-22 山东鲁玻玻璃科技有限公司 一种基于图像处理的玻璃边缘瑕疵检测方法
CN115375686B (zh) * 2022-10-25 2023-01-24 山东鲁玻玻璃科技有限公司 一种基于图像处理的玻璃边缘瑕疵检测方法
CN116228804B (zh) * 2023-05-10 2023-07-18 山东省地质测绘院 一种基于图像分割的矿产资源识别方法
CN116228804A (zh) * 2023-05-10 2023-06-06 山东省地质测绘院 一种基于图像分割的矿产资源识别方法
CN116433657B (zh) * 2023-06-08 2023-08-25 金乡县明耀玻璃有限公司 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法
CN116433657A (zh) * 2023-06-08 2023-07-14 金乡县明耀玻璃有限公司 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法
CN116843584A (zh) * 2023-09-01 2023-10-03 浙江鼎立实业有限公司 一种图像数据优化增强方法
CN116843584B (zh) * 2023-09-01 2023-11-07 浙江鼎立实业有限公司 一种图像数据优化增强方法
CN117115174A (zh) * 2023-10-25 2023-11-24 张家港市金阳工具有限公司 一种钳子外形自动检测方法及系统
CN117173158A (zh) * 2023-10-25 2023-12-05 深圳市德海威实业有限公司 一种精密连接器质量智能检测方法及系统
CN117173158B (zh) * 2023-10-25 2024-01-30 深圳市德海威实业有限公司 一种精密连接器质量智能检测方法及系统
CN117115174B (zh) * 2023-10-25 2024-02-06 张家港市金阳工具有限公司 一种钳子外形自动检测方法及系统
CN117474927A (zh) * 2023-12-28 2024-01-30 山东太阳耐磨件有限公司 基于人工智能的驱动齿生产质量检测方法
CN117474927B (zh) * 2023-12-28 2024-03-26 山东太阳耐磨件有限公司 基于人工智能的驱动齿生产质量检测方法
CN117635507A (zh) * 2024-01-26 2024-03-01 深圳市精森源科技有限公司 一种塑胶颗粒在线视觉检测方法及系统
CN117635507B (zh) * 2024-01-26 2024-04-09 深圳市精森源科技有限公司 一种塑胶颗粒在线视觉检测方法及系统

Also Published As

Publication number Publication date
CN115082481B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN115082481B (zh) 一种用于齿轮的图像增强方法
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN114842017B (zh) 一种hdmi线缆表面质量检测方法及系统
CN114359270B (zh) 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
CN116030060B (zh) 一种塑料颗粒质量检测方法
CN116309559B (zh) 一种中硼硅玻璃生产瑕疵智能识别方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN116740058B (zh) 一种固态硬盘配套晶圆的质量检测方法
CN115690105B (zh) 一种基于计算机视觉的铣刀划痕检测方法
CN116740061B (zh) 一种爆珠生产质量视觉检测方法
CN117011292B (zh) 一种复合板表面质量快速检测方法
CN117058147B (zh) 基于计算机视觉的环保塑料制品缺陷检测方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN115035113A (zh) 基于x射线的手机数据线生产缺陷无损检测方法
CN115953409B (zh) 基于图像处理的注塑件表面缺陷检测方法
CN115511907B (zh) 一种用于led屏幕的划痕检测方法
CN115984272A (zh) 基于计算机视觉的半挂车车桥缺陷识别方法
CN116883408A (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115880280A (zh) 一种钢结构焊缝质量的检测方法
CN114998356A (zh) 一种基于图像处理的车桥缺陷检测方法
CN111429361A (zh) 一种基于机器视觉的菌落计数方法
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN117152129B (zh) 一种电池盖板的表面缺陷视觉检测方法及系统
CN110186929A (zh) 一种实时的产品瑕疵定位方法
CN116612112B (zh) 一种水桶表面缺陷视觉检测方法

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