CN115205289B - 基于视觉的软木地板原材料分级方法 - Google Patents

基于视觉的软木地板原材料分级方法 Download PDF

Info

Publication number
CN115205289B
CN115205289B CN202211118258.2A CN202211118258A CN115205289B CN 115205289 B CN115205289 B CN 115205289B CN 202211118258 A CN202211118258 A CN 202211118258A CN 115205289 B CN115205289 B CN 115205289B
Authority
CN
China
Prior art keywords
segmentation
initial
superpixel
gray
block
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
CN202211118258.2A
Other languages
English (en)
Other versions
CN115205289A (zh
Inventor
胡劲昌
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 Yamanjia Biomass Technology Co ltd
Original Assignee
Shandong Yamanjia Biomass Technology 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 Yamanjia Biomass Technology Co ltd filed Critical Shandong Yamanjia Biomass Technology Co ltd
Priority to CN202211118258.2A priority Critical patent/CN115205289B/zh
Publication of CN115205289A publication Critical patent/CN115205289A/zh
Application granted granted Critical
Publication of CN115205289B publication Critical patent/CN115205289B/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
    • G06T5/70—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
    • G06T7/11—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30161—Wood; Lumber

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General 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)
  • Image Processing (AREA)

Abstract

本发明涉及基于视觉的软木地板原材料分级方法，属于图像处理技术领域，该方法步骤包括：获取软木地板原材料灰度图像，利用经典超像素分割算法对灰度图像进行初始超像素分割得到多个初始分割块；根据每个初始分割块内的灰度方差，和每个初始分割块与其邻域初始分割块之间的灰度差异程度，确定更新后的超像素分割算法；利用更新后的超像素分割算法对灰度图像重新进行超像素分割得到多个新分割块；从新分割块中筛选出黑皮分割块，计算出软木地板中黑皮占比，并根据软木地板中黑皮占比对软木进行分级；本发明根据软木地板原材料本身的特征对经典超像素分割算法进行更新，实现了对软木地板原材料的准确分级。

Description

基于视觉的软木地板原材料分级方法
技术领域
本发明属于图像处理技术领域，具体涉及基于视觉的软木地板原材料分级方法。
背景技术
软木主要生长在地中海沿岸及同一纬度的我国秦岭地区的栓皮栎橡树，而软木制品的原料就是栓皮栎橡树的树皮，软木的应用广泛，利用软木制成的软木地板与实木地板相比更具有环保性、隔音性，防潮效果也会更好；软木树皮分为几个层面，最表面的是黑皮也是最硬的部分，黑皮下面是白色的或者淡黄色的软木木屑，很柔软是软木的精髓所在，如果软木地板更多地采用了软木的精髓该软木地板的品质就越好；黑皮的含量越高软木合成后的硬度越大，软木地板原材料的品质越差。
现有技术中在对软木地板进行分级时，为利用经典超像素分割算法对软木地板原材料图像进行超像素分割识别出黑皮分割块，利用识别出的黑皮分割块来对软木地板原材料进行分级；但是对于软木地板来说，软木木屑本身存在颜色差异，即软木木屑既包括颜色较深的软木木屑也包括颜色较浅的软木木屑；而经典超像素分割算法在对像素点与种子点之间进行距离度量时，一般是兼顾颜色距离和空间距离，这样就会将颜色较深的软木木屑区域和颜色较浅的软木木屑区域划分为不同的超像素块，同时又由于颜色较深的软木木屑区域与黑皮颜色区域相近，很容易将颜色较深的软木木屑区域误识别为黑皮区域，而实际上颜色较深的软木木屑区域并不会影响软木地板原材料的品质，如果将颜色较深的软木木屑区域单独划分出来并误识别为黑皮区域，就会造成在对软木地板原材料分级时不准确。
发明内容
本发明提供基于视觉的软木地板原材料分级方法，先利用经典超像素分割算法对软木地板原材料灰度图像进行初始超像素分割得到多个初始分割块，根据初始分割块内部的图像特征对经典超像素分割算法进行更新，能准确的分割出软木地板原材料图像中的黑皮区域，实现了对软木地板原材料的准确分级。
本发明的基于视觉的软木地板原材料分级方法采用如下技术方案：该方法包括：
获取软木地板原材料灰度图像，利用经典超像素分割算法对灰度图像进行初始超像素分割得到多个初始分割块；
计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度；
获取每个初始分割块内部灰度方差与灰度差异程度的第一比值，并将该第一比值作为该初始分割块的特征值；获取所有初始分割块的特征值中的最小特征值和最大特征值；
利用最小特征值和最大特征值，计算出经典超像素分割算法中颜色距离的权重值和空间距离的权重值，并利用获得的颜色距离的权重值和空间距离的权重值对经典超像素分割算法中的颜色距离和空间距离进行加权更新，得到更新后的超像素分割算法；
利用更新后的超像素分割算法重新对软木地板原材料灰度图像进行超像素分割获得多个新分割块；
获取每个新分割块的灰度均值，并将灰度均值小于预设灰度均值的新分割块作为黑皮分割块；
利用黑皮分割块的数量、全部黑皮分割块内包含的像素点总数量、新分割块的数量、以及灰度图像内包含的像素点总数量，计算出软木地板原材料中黑皮占比；
根据软木地板原材料中黑皮占比对软木地板原材料进行分级。
进一步地，所述计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度的步骤包括：
利用每个初始分割块内包含的全部像素点的灰度值，计算出每个初始分割块内的灰度均值；
选取任一初始分割块作为目标分割块，获取目标分割块邻域内初始分割块数量；
计算出目标分割块与其邻域内每一初始分割块的第一差值，计算出得到的全部第一差值的第一和值；
计算出第一和值与目标分割块邻域内初始分割块数量的第二比值，并将第二比值作为目标分割块与其邻域初始分割块之间的灰度差异程度；
按照目标分割块与其邻域初始分割块之间的灰度差异程度的计算方法，计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度。
进一步地，所述利用最小特征值和最大特征值，计算出经典超像素分割算法中颜色距离的权重值和空间距离的权重值的步骤包括：
计算出最小特征值和最大特征值的第二和值；
将最小特征值与第二和值的第三比值，作为经典超像素分割算法中颜色距离的权重值；
根据经典超像素分割算法中颜色距离的权重值，确定经典超像素分割算法中空间距离的权重值。
进一步地，所述并利用获得的颜色距离的权重值和空间距离的权重值对经典超像素分割算法中的颜色距离和空间距离进行加权更新的步骤包括：
将经典超像素分割算法中颜色距离的权重值与颜色距离相乘，对经典超像素分割算法中的颜色距离进行加权更新；
将经典超像素分割算法中空间距离的权重值与空间距离相乘，对经典超像素分割算法中的空间距离进行加权更新。
进一步地，所述利用经典超像素分割算法对灰度图像进行初始超像素分割得到多个初始分割块的步骤包括：
对软木地板原材料灰度图像进行二值化处理得到二值化图像；
对二值化图像进行密度聚类，将分布密度同值像素点聚为同一聚类区域，得到多个聚类区域；
获取每个聚类区域的中心点，以每个聚类区域的中心点作为经典超像素分割算法中的初始种子点，对软木地板原材料灰度图像进行初始超像素分割得到多个初始分割块。
进一步地，所述利用更新后的超像素分割算法重新对软木地板原材料灰度图像进行超像素分割获得多个新分割块的步骤包括：
获取软木地板原材料灰度图像内包含的初始种子点的总个数；
将灰度图像分为多个图像区域，并获取每个图像区域内包含的初始种子点的个数；
利用每个图像区域内包含的初始种子点的个数和二值化图像内包含的所有初始种子点的个数，计算出每个图像区域内初始种子点的分布比例；
根据经典超像素分割算法中每个图像区域内初始种子点的分布比例，再次作为更新后的超像素分割算法中每个图像区域内初始种子点的分布比例；
根据更新后的超像素分割算法中每个图像区域内初始种子点的分布比例，利用更新后的超像素分割算法对灰度图像重新进行超像素分割得到多个新分割块。
进一步地，所述计算出软木地板原材料中黑皮占比的步骤包括：
计算出全部新分割块的数量与黑皮分割块的数量的第二差值；
计算出第二差值与全部黑皮分割块内包含的像素点总数量的第一乘积；
计算出新分割块的数量与灰度图像内包含的像素点总数量的第二乘积；
将第一乘积与第二乘积的第四比值作为软木地板中黑皮占比。
本发明的有益效果是：
本发明提供的基于视觉的软木地板原材料分级方法，先利用经典超像素分割算法对灰度图像进行初始超像素分割得到多个初始分割块；在得到多个初始分割块后，计算出每个初始分割块内的灰度方差，而灰度方差表示初始分割块内部灰度值分布的均匀性，还计算出初始分割块与邻域内初始分割块之间的灰度差异程度；当每个初始分割块内分割的越细化时，该初始分割块内部灰度值越均匀，同时该初始分割块与邻域内初始分割块的灰度值差异越大，说明该初始分割块的分割效果越好。
本发明中利用分割效果最好的初始分割块和分割效果最差的初始分割块，计算出经典超像素分割算法中颜色距离的权重值和空间距离的权重值，并利用获得的颜色距离的权重值和空间距离的权重值对经典超像素分割算法中的颜色距离和空间距离进行加权更新，得到更新后的超像素分割算法；在更新后的超像素分割算法中，减小了颜色距离的权重，增大了空间距离的权重，使得每个新分割块内允许有颜色差异的像素点出现，这样就能将存在颜色差异的软木木屑像素点划分到同一个超像素分割块内，同时能准确的分割出软木地板灰度图像中面积较大的黑皮区域，实现对软木地板原材料的准确分级。
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为本发明的基于视觉的软木地板原材料分级方法的实施例总体步骤的示意图。
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。
本发明的基于视觉的软木地板原材料分级方法的实施例，如图1所示，该方法包括：
S1、获取软木地板原材料灰度图像，利用经典超像素分割算法对灰度图像进行初始超像素分割得到多个初始分割块。
利用经典超像素分割算法对灰度图像进行初始超像素分割得到多个初始分割块的步骤包括：对软木地板原材料灰度图像进行二值化处理得到二值化图像；对二值化图像进行密度聚类，将分布密度同值像素点聚为同一聚类区域，得到多个聚类区域；获取每个聚类区域的中心点，以每个聚类区域的中心点作为经典超像素分割算法中的初始种子点，对软木地板原材料灰度图像进行初始超像素分割得到多个初始分割块。
本发明利用工业相机采集软木地板原材料的表面图像，由于工业相机的长时间工作，采集的表面图像中会存在噪声，因此需要对采集的表面图像进行预处理，通过均值漂移去除图像中的噪声，得到预处理后的表面图像。然后对于预处理后的表面图像进行灰度化处理得到软木地板灰度图像。
利用大津阈值分割算法确定对灰度图像进行阈值分割的分割阈值，根据得到的分割阈值对图像进行二值化处理得到二值化图像。在得到二值化图像后，对二值化图像进行密度聚类，将分布密度同值像素点聚为同一聚类区域，得到多个聚类区域。获取每个聚类区域的中心点，以每个聚类区域的中心点作为经典超像素分割算法中的初始种子点，对灰度图像进行初始超像素分割得到多个初始分割块。
S2、计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度。
计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度的步骤包括：利用每个初始分割块内包含的全部像素点的灰度值，计算出每个初始分割块内的灰度均值；选取任一初始分割块作为目标分割块，获取目标分割块邻域内初始分割块数量；计算出目标分割块与其邻域内每一初始分割块的第一差值，计算出得到的全部第一差值的第一和值；计算出第一和值与目标分割块邻域内初始分割块数量的第二比值，并将第二比值作为目标分割块与其邻域初始分割块之间的灰度差异程度；按照目标分割块与其邻域初始分割块之间的灰度差异程度的计算方法，计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度。
每个初始分割块内的灰度均值的计算公式为：
Figure 278789DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
表示第
Figure 75450DEST_PATH_IMAGE004
个初始分割块内的灰度均值；
Figure 100002_DEST_PATH_IMAGE005
表示第
Figure 210765DEST_PATH_IMAGE004
个初始分割块中第
Figure 867137DEST_PATH_IMAGE006
个像素点的灰度值；
Figure DEST_PATH_IMAGE007
表示第
Figure 87902DEST_PATH_IMAGE004
个初始分割块中像素点的总数。在每个初始分割块内的灰度均值的计算公式中，利用每个初始分割块内包含的全部像素点的灰度值，计算出每个初始分割块内的灰度均值。
根据得到的每个初始分割块内的灰度均值，计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度。每个初始分割块与其邻域初始分割块之间的灰度差异程度的计算公式为：
Figure DEST_PATH_IMAGE009
其中，
Figure 225272DEST_PATH_IMAGE010
表示第
Figure 28143DEST_PATH_IMAGE004
个初始分割块与其邻域初始分割块之间的灰度差异程度；
Figure 353951DEST_PATH_IMAGE003
表示第
Figure 343904DEST_PATH_IMAGE004
个初始分割块内的灰度均值；
Figure DEST_PATH_IMAGE011
表示第
Figure 672248DEST_PATH_IMAGE004
个初始分割块的第
Figure 860784DEST_PATH_IMAGE012
个邻域初始分割块的灰度均值；
Figure DEST_PATH_IMAGE013
表示第
Figure 996974DEST_PATH_IMAGE004
个初始分割块邻域内初始分割块数量。
在每个初始分割块与其邻域初始分割块之间的灰度差异程度的计算公式中，由于每个初始分割块的邻域内会存在多个初始分割块，所以当每个初始分割块与其邻域初始分割块之间的灰度差异程度越大时，表明该初始分割块分割的越细化。
S3、获取每个初始分割块内部灰度方差与灰度差异程度的第一比值，并将该第一比值作为该初始分割块的特征值；获取所有初始分割块的特征值中的最小特征值和最大特征值。
每个初始分割块内部灰度方差的计算公式为：
Figure DEST_PATH_IMAGE015
其中，
Figure 989070DEST_PATH_IMAGE016
表示第
Figure 730892DEST_PATH_IMAGE004
个初始分割块内对应的灰度方差；
Figure 508355DEST_PATH_IMAGE003
表示第
Figure 175966DEST_PATH_IMAGE004
个初始分割块内的灰度均值；
Figure 406090DEST_PATH_IMAGE005
表示第
Figure 942814DEST_PATH_IMAGE004
个初始分割块中第
Figure 574784DEST_PATH_IMAGE006
个像素点的灰度值；
Figure 413295DEST_PATH_IMAGE007
表示第
Figure 599557DEST_PATH_IMAGE004
个初始分割块中像素点的总数。每个初始分割块内对应的灰度方差用来表征分割块内部的一致性。在每个初始分割块内部灰度方差的计算公式中，利用每个初始分割块内包含的全部像素点的灰度值和每个初始分割块内的灰度均值，计算出每个初始分割块内的灰度均值。
当每个初始分割块内分割的越细化时，该初始分割块内部灰度值越均匀，同时该初始分割块与邻域内初始分割块的灰度值差异越大。若一个初始分割块内为黑皮分割块，那么该分割块内部均匀性越好时，同时与邻域内软木分割块差异越大时，证明该黑皮分割块分割效果越好。所以当任一初始分割块的
Figure 683182DEST_PATH_IMAGE016
越小，同时
Figure 169658DEST_PATH_IMAGE010
越大时，说明该初始分割块的细化程度越小，分割效果就越好。
将每个初始分割块对应的灰度方差与灰度差异程度的第一比值，作为每个初始分割块对应的特征值，由得到的全部特征值组成特征值统计序列
Figure DEST_PATH_IMAGE017
为：
Figure DEST_PATH_IMAGE019
其中，
Figure 333399DEST_PATH_IMAGE017
表示由得到的全部特征值组成特征值统计序列；
Figure 272536DEST_PATH_IMAGE016
表示第
Figure 658387DEST_PATH_IMAGE004
个初始分割块内对应的灰度方差；
Figure 999369DEST_PATH_IMAGE010
表示第
Figure 946728DEST_PATH_IMAGE004
个初始分割块与其邻域初始分割块之间的灰度差异程度。当任一初始分割块的
Figure 638740DEST_PATH_IMAGE016
越小，同时
Figure 359441DEST_PATH_IMAGE010
越大时，说明该初始分割块内部灰度值差异小同时与邻域内初始分割块灰度值差异大，说明该初始分割块的细化程度越好，分割效果就越好。当任一初始分割块的
Figure 820509DEST_PATH_IMAGE016
越大，同时
Figure 941698DEST_PATH_IMAGE010
越小时，说明该初始分割块的细化程度越差，分割效果就越差。
从特征值统计序列
Figure 855428DEST_PATH_IMAGE017
中选取最大特征值
Figure 583081DEST_PATH_IMAGE020
和最小特征值
Figure DEST_PATH_IMAGE021
，即选取细化程度最好和细化程度最差的初始分割块对应的特征值，来对经典超像素分割算法进行更新。
S4、利用最小特征值和最大特征值，计算出经典超像素分割算法中颜色距离的权重值和空间距离的权重值，并利用获得的颜色距离的权重值和空间距离的权重值对经典超像素分割算法中的颜色距离和空间距离进行加权更新，得到更新后的超像素分割算法。
利用最小特征值和最大特征值，计算出经典超像素分割算法中颜色距离的权重值和空间距离的权重值的步骤包括：计算出最小特征值和最大特征值的第二和值；将最小特征值与第二和值的第三比值，作为经典超像素分割算法中颜色距离的权重值；根据经典超像素分割算法中颜色距离的权重值，确定经典超像素分割算法中空间距离的权重值。
根据得到的最小特征值和最大特征值，计算出经典超像素分割算法中颜色距离的权重值和空间距离的权重值。其中，经典超像素分割算法中颜色距离的权重值的计算公式为：
Figure DEST_PATH_IMAGE023
其中，
Figure 993596DEST_PATH_IMAGE024
表示经典超像素分割算法中颜色距离的权重值；
Figure 515713DEST_PATH_IMAGE021
表示最小特征值；
Figure DEST_PATH_IMAGE025
表示最大特征值。经典超像素分割算法中空间距离的权重值为
Figure 336645DEST_PATH_IMAGE026
。
并利用获得的颜色距离的权重值和空间距离的权重值对经典超像素分割算法中的颜色距离和空间距离进行加权更新的步骤包括：将经典超像素分割算法中颜色距离的权重值与颜色距离相乘，对经典超像素分割算法中的颜色距离进行加权更新；将经典超像素分割算法中空间距离的权重值与空间距离相乘，对经典超像素分割算法中的空间距离进行加权更新。
经典超像素分割算法的具体步骤为：
初始化种子点：对图像进行密度聚类，将每一聚类区域的中心点作为初始化种子点。还可以将初始种子点平均分配到图像中，但是将初始种子点平均分配后会造成后期迭代计算时计算量过大。
距离度量：通过得到的初始化种子点对软木地板灰度图像进行超像素分割，在超像素分割过程中，需要计算像素点与种子点之间的距离，该距离包括颜色距离和空间距离。
现有技术中距离度量公式为：
Figure 867990DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示现有技术中距离度量公式；
Figure 195328DEST_PATH_IMAGE030
表示颜色距离；
Figure DEST_PATH_IMAGE031
表示空间距离；
Figure 294871DEST_PATH_IMAGE012
为一个固定的常数（取值范围[1,40],一般取10），
Figure 479732DEST_PATH_IMAGE032
适用于每个聚类，表示聚类内最大空间距离。经典超像素分割算法就是不断聚类迭代的过程，每迭代一次都会重新聚类一次。
将颜色距离
Figure 503183DEST_PATH_IMAGE030
乘以颜色距离的权重值
Figure 42617DEST_PATH_IMAGE024
得到加权更新后颜色距离
Figure DEST_PATH_IMAGE033
，将空间距离
Figure 876844DEST_PATH_IMAGE031
乘以空间距离的权重值为
Figure 252461DEST_PATH_IMAGE026
得到加权更新后空间距离
Figure 860029DEST_PATH_IMAGE034
。
根据加权更新后颜色距离
Figure 270282DEST_PATH_IMAGE033
和加权更新后空间距离
Figure 803638DEST_PATH_IMAGE034
对现有技术中的距离度量公式进行更新，更新后距离度量公式为：
Figure 666552DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示更新后距离度量公式；
Figure 235067DEST_PATH_IMAGE030
表示颜色距离；
Figure 234247DEST_PATH_IMAGE024
表示颜色距离的权重值；
Figure 971128DEST_PATH_IMAGE031
表示空间距离；
Figure 321338DEST_PATH_IMAGE038
表示空间距离的权重值；
Figure 775103DEST_PATH_IMAGE012
为一个固定的常数（取值范围[1,40],一般取10），
Figure 894369DEST_PATH_IMAGE032
适用于每个聚类，表示聚类内最大空间距离。根据更新后距离度量公式确定更新后的超像素分割算法。
本发明根据软木地板原材料本身的特征对经典超像素分割算法进一步优化。由于在进行超像素分割时每个分割块内部的差异越小，分割块与邻域分割块之间的差异越大对应的分割效果越好。经典超像素分割算法在对像素点与种子点之间进行距离度量时，一般是兼顾颜色距离和空间距离，但是对于软木地板图像来说，由于软木木屑本身存在颜色差异，即软木木屑既包括颜色较深的软木木屑也包括颜色较浅的软木木屑；而经典超像素分割算法在对像素点与种子点之间进行距离度量时，一般是兼顾颜色距离和空间距离，这样就会将颜色较深的软木木屑区域和颜色较浅的软木木屑区域划分为不同的超像素块，同时又由于颜色较深的软木木屑区域与黑皮颜色区域相近，很容易将颜色较深的软木木屑区域误识别为黑皮区域，而实际上颜色较深的软木木屑区域并不会影响软木地板原材料的品质，如果将颜色较深的软木木屑区域单独划分出来并误识别为黑皮区域，就会造成在对软木地板原材料分级时不准确。
所以如果利用经典超像素分割算法对软木地板图像进行超像素分割，容易造成将软木木屑区域单独划分出来并识别为黑皮区域，进而导致不能对软木地板进行准确分级的问题出现。因此，本发明根据软木地板原材料图像本身的特征对经典超像素分割算法进行更新，减小颜色距离的权重，增大空间距离的权重，在对像素点与种子点之间的距离进行度量时更少的关注颜色距离更多的关注空间距离，实现准确的分割出软木地板灰度图像中面积较大的黑皮区域。
S5、利用更新后的超像素分割算法重新对软木地板原材料灰度图像进行超像素分割获得多个新分割块。
利用更新后的超像素分割算法重新对软木地板原材料灰度图像进行超像素分割获得多个新分割块的步骤包括：获取软木地板原材料灰度图像内包含的初始种子点的总个数；将灰度图像分为多个图像区域，并获取每个图像区域内包含的初始种子点的个数；利用每个图像区域内包含的初始种子点的个数和二值化图像内包含的所有初始种子点的个数，计算出每个图像区域内初始种子点的分布比例；根据经典超像素分割算法中每个图像区域内初始种子点的分布比例，再次作为更新后的超像素分割算法中每个图像区域内初始种子点的分布比例；根据更新后的超像素分割算法中每个图像区域内初始种子点的分布比例，利用更新后的超像素分割算法对灰度图像重新进行超像素分割得到多个更新新分割块。
本发明中灰度图像分割为9个图像区域，每个图像区域内初始种子点的分布比例的计算公式为：
Figure 270992DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
表示第
Figure 265755DEST_PATH_IMAGE042
个图像区域内初始种子点的分布比例；
Figure DEST_PATH_IMAGE043
表示第
Figure 956500DEST_PATH_IMAGE042
个区域内包含的初始种子点的个数；
Figure 195851DEST_PATH_IMAGE044
表示二值化图像内包含的所有初始种子点的个数。
由于软木图像中每个区域内种子点的分布情况并不相同，为了提高后续超像素分割算法优化的速度，本发明根据每个区域的聚类情况确定每个区域内的初始种子点的分配比例，而这个分配比例是根据软木地板灰度图像确定的，所以既能应用在经典超像素分割算法中，又能应用在更新后的超像素分割算法中，都能提高后续超像素分割算法优化的速度。
S6、获取每个新分割块的灰度均值，并将灰度均值小于预设灰度均值的新分割块作为黑皮分割块。
更新后的超像素分割算法中，增大了每个分割块对颜色差异的包容性，这样即使一个超像素分割块内包含一些与黑皮像素点颜色较为接近的深色软木木屑像素点，但是由于该超像素分割块同时还会包含一些与黑皮像素点颜色差异大的浅色软木木屑像素点，在对该新分割块进行平均灰度值的计算时，该超像素分割块内的平均灰度值依然会大于预设灰度值，而不会被划分为黑皮区域；但是若将灰度值与黑皮像素点颜色较为接近的深色软木木屑像素点单独划分出来作为一个超像素块，由于单独划分出来的超像素块内部缺少了与浅色的软木木屑像素点，在计算该单独划分出来的深色软木木屑超像素块内的平均灰度值时，可能会出现该单独划分出来的深色软木木屑超像素块小于预设灰度值而被误认为黑皮分割块的问题出现。
本发明在步骤S5中，利用更新后的超像素分割算法对灰度图像重新进行超像素分割得到多个新分割块，根据每个新分割块内包含的全部像素点的灰度值，计算出每个新分割块的灰度均值。
预设灰度均值的计算公式为：
Figure 710753DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE047
表示预设灰度均值；
Figure 691347DEST_PATH_IMAGE048
表示软木地板灰度图像中第
Figure 483985DEST_PATH_IMAGE006
个像素点灰度值；
Figure DEST_PATH_IMAGE049
表示软木地板灰度图像中包含的像素点总数。当软木地板灰度图像中第
Figure 764793DEST_PATH_IMAGE004
个新分割块的灰度均值
Figure 499531DEST_PATH_IMAGE050
时，说明此时的新分割块为黑皮分割块，同理筛选出全部的黑皮分割块。
S7、利用黑皮分割块的数量、全部黑皮分割块内包含的像素点总数量、新分割块的数量、以及灰度图像内包含的像素点总数量，计算出软木地板原材料中黑皮占比。
在步骤S6中获取全部的黑皮分割块后，统计出全部黑皮分割块的数量、全部黑皮分割块内包含的像素点总数量、新分割块的数量、以及灰度图像内包含的像素点总数量。
计算出软木地板中黑皮占比的步骤包括：计算出全部新分割块的数量与黑皮分割块的数量的第二差值；计算出第二差值与全部黑皮分割块内包含的像素点总数量的第一乘积；计算出新分割块的数量与灰度图像内包含的像素点总数量的第二乘积；将第一乘积与第二乘积的第四比值作为软木地板中黑皮占比。
软木地板原材料中黑皮占比的计算公式为：
Figure 53573DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE053
表示软木地板中黑皮占比；
Figure 571273DEST_PATH_IMAGE012
表示黑皮分割块的数量；
Figure 267440DEST_PATH_IMAGE054
表示全部黑皮分割块内包含的像素点总数量；
Figure 376341DEST_PATH_IMAGE004
表示新分割块的数量；
Figure 659424DEST_PATH_IMAGE032
表示灰度图像内包含的像素点总数量。
在软木地板中黑皮占比的计算公式中，当软木地板中黑皮分割块内包含的像素点总数量越少时，表示软木原材料越优质。同时若两块软木地板原材料内黑皮分割块内包含的像素点总数量相同，那么黑皮分割块越分散，即多个分散小块的黑皮分割块，比一整个区域的黑皮分割块的软木地板原材料更优质。因此，需要同时结合全部黑皮分割块内包含的像素点总数量和黑皮分割块的数量，来确定软木地板中黑皮占比。
S8、根据软木地板原材料中黑皮占比对软木地板原材料进行分级。
根据步骤S7中得到了当前软木地板原材料中黑皮占比，对当前软木地板原材料进行分级：
当
Figure DEST_PATH_IMAGE055
时，则判定当前软木地板原材料为优质软木原材料；
当
Figure 731548DEST_PATH_IMAGE056
时，则判定当前软木地板原材料为合格原材料；
当
Figure DEST_PATH_IMAGE057
时，则判定当前软木地板原材料为劣质原材料。
本发明提供基于视觉的软木地板原材料分级方法，先利用经典超像素分割算法对软木地板原材料灰度图像进行初始超像素分割得到多个初始分割块，根据初始分割块内部的图像特征对经典超像素分割算法进行更新，能准确的分割出软木地板原材料图像中的黑皮区域，实现了对软木地板原材料的准确分级。
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.基于视觉的软木地板原材料分级方法，其特征在于，该方法包括：
获取软木地板原材料灰度图像，利用经典超像素分割算法对灰度图像进行初始超像素分割得到多个初始分割块；
计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度；
获取每个初始分割块内部灰度方差与灰度差异程度的第一比值，并将该第一比值作为该初始分割块的特征值；获取所有初始分割块的特征值中的最小特征值和最大特征值；
利用最小特征值和最大特征值，计算出经典超像素分割算法中颜色距离的权重值和空间距离的权重值，并利用获得的颜色距离的权重值和空间距离的权重值对经典超像素分割算法中的颜色距离和空间距离进行加权更新，得到更新后的超像素分割算法；
利用最小特征值和最大特征值，计算出经典超像素分割算法中颜色距离的权重值和空间距离的权重值的步骤包括：计算出最小特征值和最大特征值的第二和值；将最小特征值与第二和值的第三比值，作为经典超像素分割算法中颜色距离的权重值；根据经典超像素分割算法中颜色距离的权重值，确定经典超像素分割算法中空间距离的权重值；
经典超像素分割算法中颜色距离的权重值的计算公式为：
Figure 136334DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示经典超像素分割算法中颜色距离的权重值；
Figure 443687DEST_PATH_IMAGE004
表示最小特征值；
Figure DEST_PATH_IMAGE005
表示最大特征值；经典超像素分割算法中空间距离的权重值为
Figure 82479DEST_PATH_IMAGE006
；
利用更新后的超像素分割算法重新对软木地板原材料灰度图像进行超像素分割获得多个新分割块；
获取每个新分割块的灰度均值，并将灰度均值小于预设灰度均值的新分割块作为黑皮分割块；
利用黑皮分割块的数量、全部黑皮分割块内包含的像素点总数量、新分割块的数量、以及灰度图像内包含的像素点总数量，计算出软木地板原材料中黑皮占比；
根据软木地板原材料中黑皮占比对软木地板原材料进行分级。
2.根据权利要求1所述的基于视觉的软木地板原材料分级方法，其特征在于，所述计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度的步骤包括：
利用每个初始分割块内包含的全部像素点的灰度值，计算出每个初始分割块内的灰度均值；
选取任一初始分割块作为目标分割块，获取目标分割块邻域内初始分割块数量；
计算出目标分割块与其邻域内每一初始分割块的第一差值，计算出得到的全部第一差值的第一和值；
计算出第一和值与目标分割块邻域内初始分割块数量的第二比值，并将第二比值作为目标分割块与其邻域初始分割块之间的灰度差异程度；
按照目标分割块与其邻域初始分割块之间的灰度差异程度的计算方法，计算出每个初始分割块与其邻域初始分割块之间的灰度差异程度。
3.根据权利要求1所述的基于视觉的软木地板原材料分级方法，其特征在于，所述并利用获得的颜色距离的权重值和空间距离的权重值对经典超像素分割算法中的颜色距离和空间距离进行加权更新的步骤包括：
将经典超像素分割算法中颜色距离的权重值与颜色距离相乘，对经典超像素分割算法中的颜色距离进行加权更新；
将经典超像素分割算法中空间距离的权重值与空间距离相乘，对经典超像素分割算法中的空间距离进行加权更新。
4.根据权利要求1所述的基于视觉的软木地板原材料分级方法，其特征在于，所述利用经典超像素分割算法对灰度图像进行初始超像素分割得到多个初始分割块的步骤包括：
对软木地板原材料灰度图像进行二值化处理得到二值化图像；
对二值化图像进行密度聚类，将分布密度同值像素点聚为同一聚类区域，得到多个聚类区域；
获取每个聚类区域的中心点，以每个聚类区域的中心点作为经典超像素分割算法中的初始种子点，对软木地板原材料灰度图像进行初始超像素分割得到多个初始分割块。
5.根据权利要求4所述的基于视觉的软木地板原材料分级方法，其特征在于，所述利用更新后的超像素分割算法重新对软木地板原材料灰度图像进行超像素分割获得多个新分割块的步骤包括：
获取软木地板原材料灰度图像内包含的初始种子点的总个数；
将灰度图像分为多个图像区域，并获取每个图像区域内包含的初始种子点的个数；
利用每个图像区域内包含的初始种子点的个数和二值化图像内包含的所有初始种子点的个数，计算出每个图像区域内初始种子点的分布比例；
根据经典超像素分割算法中每个图像区域内初始种子点的分布比例，再次作为更新后的超像素分割算法中每个图像区域内初始种子点的分布比例；
根据更新后的超像素分割算法中每个图像区域内初始种子点的分布比例，利用更新后的超像素分割算法对灰度图像重新进行超像素分割得到多个新分割块。
6.根据权利要求1所述的基于视觉的软木地板原材料分级方法，其特征在于，所述计算出软木地板原材料中黑皮占比的步骤包括：
计算出全部新分割块的数量与黑皮分割块的数量的第二差值；
计算出第二差值与全部黑皮分割块内包含的像素点总数量的第一乘积；
计算出新分割块的数量与灰度图像内包含的像素点总数量的第二乘积；
将第一乘积与第二乘积的第四比值作为软木地板中黑皮占比。
CN202211118258.2A 2022-09-15 2022-09-15 基于视觉的软木地板原材料分级方法 Active CN115205289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211118258.2A CN115205289B (zh) 2022-09-15 2022-09-15 基于视觉的软木地板原材料分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211118258.2A CN115205289B (zh) 2022-09-15 2022-09-15 基于视觉的软木地板原材料分级方法

Publications (2)

Publication Number Publication Date
CN115205289A CN115205289A (zh) 2022-10-18
CN115205289B true CN115205289B (zh) 2022-12-06

Family

ID=83573301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211118258.2A Active CN115205289B (zh) 2022-09-15 2022-09-15 基于视觉的软木地板原材料分级方法

Country Status (1)

Country Link
CN (1) CN115205289B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116233479B (zh) * 2023-04-28 2023-07-21 中译文娱科技(青岛)有限公司 基于数据处理的直播信息内容审核系统及方法
CN116596921B (zh) * 2023-07-14 2023-10-20 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种焚烧炉渣分选方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012001893A1 (ja) * 2010-06-30 2012-01-05 パナソニック株式会社 曲線分割装置、曲線分割方法、曲線分割プログラム及び集積回路
CN111798467A (zh) * 2020-06-30 2020-10-20 中国第一汽车股份有限公司 一种图像分割方法、装置、设备及存储介质
CN113658132A (zh) * 2021-08-16 2021-11-16 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法
CN113781402A (zh) * 2021-08-19 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 芯片表面划痕缺陷的检测方法、装置和计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103426169B (zh) * 2013-07-26 2016-12-28 西安华海盈泰医疗信息技术有限公司 一种医学图像的分割方法
CN110866896B (zh) * 2019-10-29 2022-06-24 中国地质大学（武汉） 基于k-means与水平集超像素分割的图像显著性目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012001893A1 (ja) * 2010-06-30 2012-01-05 パナソニック株式会社 曲線分割装置、曲線分割方法、曲線分割プログラム及び集積回路
CN111798467A (zh) * 2020-06-30 2020-10-20 中国第一汽车股份有限公司 一种图像分割方法、装置、设备及存储介质
CN113658132A (zh) * 2021-08-16 2021-11-16 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法
CN113781402A (zh) * 2021-08-19 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 芯片表面划痕缺陷的检测方法、装置和计算机设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Adaptive Superpixel Segmentation of Marine SAR Images by Aggregating Fisher Vectors;Xueqian Wang 等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20210113;第14卷;全文 *
一种基于加权切比雪夫距离的图像分割方法;毛鑫 等;《太原科技大学学报》;20201231;第41卷(第6期);全文 *
基于优化初始中心的加权K⁃均值彩色图像聚类算法分析;何芳州;《现代电子技术》;20200915;第43卷(第18期);全文 *

Also Published As

Publication number Publication date
CN115205289A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN115205289B (zh) 基于视觉的软木地板原材料分级方法
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
US10474874B2 (en) Applying pixelwise descriptors to a target image that are generated by segmenting objects in other images
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
CN110211126B (zh) 基于直觉模糊c均值聚类的图像分割方法
CN114494256B (zh) 基于图像处理的电线生产缺陷检测方法
JP2007251687A5 (zh)
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN109063619A (zh) 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统
CN105427275A (zh) 大田环境麦穗计数方法及装置
CN102663422B (zh) 基于颜色特征的地板层次分类方法
WO2022141201A1 (zh) 一种基于dce-mri的乳腺癌分级方法
CN115578732B (zh) 一种肥料生产线的标签识别方法
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN115131375B (zh) 一种矿石自动分割方法
CN110910367A (zh) 生物反应器细胞培养质量评价方法
CN109636809B (zh) 一种基于尺度感知的图像分割层次选择方法
CN116805316B (zh) 基于图像增强的可降解塑料加工质量检测方法
CN114550167B (zh) 一种基于人工智能的梨的品质分类方法及装置
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN117522864B (zh) 基于机器视觉的欧松板表面瑕疵检测方法
CN113743421B (zh) 一种水稻叶片花青素显色区域分割及定量分析的方法
CN111161282B (zh) 基于深度种子的图像多层次分割的目标尺度选择方法
CN115841600B (zh) 基于深度学习的甘薯外观品质分类方法

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