CN115272184A - 基于优化工业图像质量的缺陷识别方法 - Google Patents
基于优化工业图像质量的缺陷识别方法 Download PDFInfo
- Publication number
- CN115272184A CN115272184A CN202210722061.3A CN202210722061A CN115272184A CN 115272184 A CN115272184 A CN 115272184A CN 202210722061 A CN202210722061 A CN 202210722061A CN 115272184 A CN115272184 A CN 115272184A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- histogram
- component
- equation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 title claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T5/40—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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于优化工业图像质量的缺陷识别方法，涉及工业图像质量优化技术领域；本发明针对工业图像上的ROI区域类型是否为线型分别进行对比度增强处理，再应用多尺度细节强化方法将对比度增强后的射线图像的ROI区域细节更加显著化，最后结合阈值自适应的二值化方法进行背景减法获取被测工件图像上的潜在异常区域，并进行标注，从而辅助提高人工检查效率。
Description
技术领域
本发明属于工业图像质量优化技术领域，具体涉及一种基于优化工业图像质量的缺陷识别方法。
背景技术
工业图像经过数字化后，由于光敏材料、射线能量和辐射剂量等众多因素的影响，导致数字化后的图像存在着对比度低、噪声高等缺点。
目前，对于工业图像的工件质量评估主要通过人为工作进行，然而，人工检查可能缺乏客观性、一致性、准确性和高效性，不同层次的操作人员的评估结果也会有所不同，而且，评估工作依赖于大量的本领域专业知识，通常是主观的和耗时的。此外，新手操作人员通常缺乏对管道焊缝缺陷进行准确评估所需的经验，受人为因素的影响较大。评价过程主要是通过人眼观察来进行，因此，算子无法获得精确的几何参数，如长度、面积和密度等等。这些因素构成了准确评估被测工件质量的主要障碍。
随着工业图像成像技术的发展，基于工业图像的质量增强技术得到了广泛的应用。在工业图像中面临的挑战可以总结为：质量差、亮度不均匀、脏斑点、ROI区域与背景对比度低等。一般来说，每种质量增强技术都能很好地应对其中的某个问题，但是对于其他的一些问题可能会处理效果不理想。此外，大多数最近的方法都需要手动设置参数或者影响因素，而不是自适应的计算工业射线图像的相关因子。这也使得应用射线图像质量增强技术来辅助人工检查的成效并不显著。
发明内容
基于上述问题，本发明提供一种基于优化工业图像质量的缺陷识别方法，包括：
步骤1：依据光电技术和数字处理技术将工件信息转换成数字信号，得到原始工件图像；
步骤2：将工件图像依据ROI区域类型进行分类：非线型区域和线型区域；
步骤3：对于非线型ROI区域，采用灰度平衡化函数和对比度有限的自适应直方图均衡化方法相结合来提升图像质量；包括：
步骤3-1：计算被测工件图像的直方图，然后计算直方图的均值与方差值；
式中，E(X)和V(X)表示图像灰度直方图的均值和方差，g(X)表示灰度值为X的像素点个数，n表示总的像素点个数；
步骤3-2：使用均值与方差来推导与平衡化系数的关系，公式如下：
式中，p代表平衡化系数，并通过p确定要平衡化的直方图的边界值(最小值、最大值)。该值越大，颜色失真就越大，该值越小，对比度增强的程度就越小。在公式(2)中，s是调整均值与方差比值的尺度因子。
步骤3-3：利用平衡化系数和像素总数的比值计算期望的最小值和最大值，如公式(3)所示。在图像的累积直方图中，当直方图的像素点累计值小于n×p时，将此时直方图所对应的灰度值设置为期望的最小值。当直方图的像素点累计值大于n×(1-p)时，则将此时直方图所对应的灰度值设置为期望的最大值。
式中，Hj表示图像直方图累计的像素点。vmin和vmax分别代表期望的最小值和最大值。
步骤3-4：使用灰度平衡化公式(4)将原始直方图的值映射到0～255的范围。它可以将大多数像素分布的灰度范围映射到整个像素区间。
在公式(4)中，x是像素点的灰度值，vmin、vmax分别表示最小的和最大的灰度值。
步骤3-5：将灰度平衡化后的图像划分为多个不重叠的区域；
步骤3-6：分别计算每个区域的直方图；
步骤3-7：计算一个剪切直方图的剪切限制β，公式如下：
其中β为剪切限制，M×N为每个区域的像素数，L为灰度级，α为0～100的剪切因子，Smax为允许的最大斜率；
步骤3-8：将每个直方图以其高度不超过剪切限制的方式重新进行分配。从公式(5)中可以得出，如果α＝0，则剪切限制
步骤4：对于线型ROI区域，采用背景衰减的自适应对比度增强算法来提升图像质量；具体表述为：
步骤4-1：使用公式(6)对被测工件图像进行灰度值归一化处理用于获取浮点型图像，其灰度级范围在0到1之间；
其中，I(x,y)和Imax分别为整个图像和输入的工件图像的最大值。D(x,y)和R(x,y)分别为细节分量和可变分量，这里，(x,y)是一个空间域索引，细节分量和可变分量，都在0到1之间；
步骤4-2：为了寻找归一化图像的局部最大值分量G(y)和局部最小值分量T(y)，使用公式(7)计算局部最大值分量，并使用公式(8)计算背景成分，即局部最小分量。
其中，Loy表示像素点(x,y)周围的局部区域，(x,y)表示局部区域内的像素。T(x,y)分量可以认为是背景成分，是可以进行衰减的分量，以增强图像的对比度；
步骤4-3：利用局部最大值分量和局部最小值分量根据公式(9)生成一个衰减因子λ(x,y)。
在公式(9)中，G(x,y)和T(x,y)为局部最大分量和局部最小分量，var(T(x,y))为局部最小分量的方差；
步骤4-4：使用公式(10)生成可移动分量R(x,y)，它可以自适应的调节，以找到一个合适的可消除背景成分，以更好地增强图像的对比度。
R(x,y)≡λ·T(x,y) (10)
衰减因子λ调节去除成分中背景分量的比例。因此，通过调节衰减因子λ来确定的可移动部分R(x,y)和可去除的背景分量T(x,y)，以有效地增强焊缝缺陷图像。
步骤4-5：使用公式(11)确定另一个可调亮度参数ψ(x,y)，来控制增强图像的亮度。
其中，R(x,y)和G(x,y)为输入射线图像的可变分量和局部最大值；
步骤4-6：最后利用公式(12)得到了增强的射线图像E(x,y)。
步骤5：将步骤3或步骤4处理过的射线图像E(x,y)进一步执行多尺度细节强化；具体表述为：
步骤5-1：通过对射线图像E(x,y)应用三种尺度的高斯卷积核，得到三种不同程度的模糊图像，如公式(13)所示。
其中G1(x,y)、G2(x,y)和G3(x,y)分别为不同尺度的高斯卷积核。
步骤5-2：我们提取精细细节D1(x,y)、中间细节D2(x,y)和粗糙细节D3(x,y)，如公式(14)所示；
步骤5-3：通过设计运算规则来合并这三层细节，以此来生成整体的细节图像，如公式(15)所示。
D*(x,y)＝(1-ω1×sgn(D1(x,y)))×D1(x,y)+ω2×D2(x,y)+ω3×D3(x,y) (15)
其中，ω1、ω2和ω3分别为精细细节、中间细节和粗糙细节的调节因子；
步骤5-4：我们将公式(15)中得到的整体细节D*(x,y)添加到对比度增强后的射线图像E(x,y)中，得到多尺度细节强化图像。
步骤6：阈值自适应二值化处理，具体表述为：
步骤6-1：利用滑动窗口计算强化图像每个窗口的自适应标准差σA，计算方法由公式(16)给出。
式中，σw为窗口像素的标准差，σmin和σmax分别为待处理图像中所有窗口的最小标准差值和最大标准差值；
步骤6-2：计算二值化的阈值，计算公式如式(17)所示：
式中，T为阈值，μw为窗口像素的平均值，σw为窗口像素的标准差，μg为图像中所有像素的平均值，σA为窗口的自适应标准差。
步骤6-3：基于此阈值T，在式(18)中定义了二值化过程。
其中，I(x,y)为二值化图像，i(x,y)为原始工件图像的像素值，T为图像中局部窗口的阈值。
步骤7：利用背景减法标注被测工件图像的潜在异常区域。
步骤7-1：将步骤5所得的细多尺度节强化图像进行大尺度中值滤波，得到背景模型；
步骤7-2：应用背景减法得到差分图像；
步骤7-3：对差分图像进行步骤6所述阈值自适应二值化处理；
步骤7-4：通过面积过滤和形态学操作来获得被测工件图像上的潜在异常区域；
步骤7-5：对二值图像进行轮廓跟踪绘制潜在异常区域的最小外接矩形。
本发明的有益效果是：
本发明提供了一种基于优化工业图像质量的缺陷识别方法，根据被测工件图像的感兴趣区域(即ROI区域)是否为线型区域进行不同的对比度增强手段，之后应用多尺度细节强化对ROI区域细节信息更加显著，结合阈值自适应的二值化方法进行背景减法获取被测工件图像上的潜在异常区域，并进行标注，从而辅助提高人工检查效率。
附图说明
图1为本发明实施例提供的一种工业图像质量提升方法的流程图；
图2为本发明实施例提供的对于非线型ROI区域图像质量提升的流程图；
图3为本发明实施例提供的对于线型ROI区域图像质量提升的流程图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，一种工业图像质量提升方法，如图1所示：包括以下步骤：
步骤1：依据光电技术和数字处理技术将工件信息转换成数字信号，得到原始工件图像；本实施例中直接通过工业X射线探伤机采集工件的图像数据。
步骤2：将工件图像依据ROI区域类型进行分类：非线型区域和线型区域；
步骤3：对于非线型ROI区域，采用灰度平衡化函数和对比度有限的自适应直方图均衡化方法相结合来提升图像质量，如图2所示。
步骤3-1：计算被测工件图像的直方图，然后计算直方图的均值与方差值：
式中，E(X)和V(X)表示图像灰度直方图的均值和方差，g(X)表示灰度值为X的像素点个数，n表示总的像素点个数；
步骤3-2：我们通过使用均值与方差来推导与平衡化系数的关系，公式如下：
式中，p代表平衡化系数，并通过p确定要平衡化的直方图的边界值(最小值、最大值)。该值越大，颜色失真就越大，该值越小，对比度增强的程度就越小。在公式(2)中，s是调整均值与方差比值的尺度因子，在本实施例中将其固定为0.4。
步骤3-3：利用平衡化系数和像素总数的比值计算期望的最小值和最大值，如公式(3)所示。在图像的累积直方图中，当直方图的像素点累计值小于n×p时，将此时直方图所对应的灰度值设置为期望的最小值。当直方图的像素点累计值大于n×(1-p)时，则将此时直方图所对应的灰度值设置为期望的最大值。
式中，Hj表示图像直方图累计的像素点。vmin和vmax分别代表期望的最小值和最大值。
步骤3-4：使用灰度平衡化公式(4)将原始直方图的值映射到0～255的范围。它可以将大多数像素分布的灰度范围映射到整个像素区间。
在公式(4)中，x是像素点的灰度值，vmin、vmax分别表示最小的和最大的灰度值。
步骤3-5：将灰度平衡化后的图像划分为多个不重叠的区域；本实施例中将整个图像划分为8*8个不重叠的区域；
步骤3-6：分别计算每个区域的直方图；
步骤3-7：计算一个剪切直方图的剪切限制β，公式如下：
其中，β为剪切限制，M×N为每个区域的像素数，L为灰度级，α为0～100的剪切因子，Smax为允许的最大斜率；
步骤3-8：将每个直方图以其高度不超过剪切限制的方式重新进行分配。从公式(5)中可以得出，如果α＝0，则剪切限制
步骤4：对于线型ROI区域，采用背景衰减的自适应对比度增强算法来提升图像质量，如图3所示。
步骤4-1：使用公式(6)对被测工件图像进行灰度值归一化处理用于获取浮点型图像，其灰度级范围在0到1之间；
其中，I(x,y)和Imax分别为整个图像和输入的工件图像的最大值。D(x,y)和R(x,y)分别为细节分量和可变分量，这里，(x,y)是一个空间域索引，细节分量和可变分量，都在0到1之间；
步骤4-2：为了寻找归一化图像的局部最大值分量G(y)和局部最小值分量T(y)，我们使用15x15的窗口大小在每个像素点的周围创建局部区域，使用公式(7)计算局部最大值分量，并使用公式(8)计算背景成分，即局部最小分量。
其中，Loy表示像素点(x,y)周围的局部区域，(x,y)表示局部区域内的像素。T(x,y)分量可以认为是背景成分，是可以进行衰减的分量，以增强图像的对比度；
步骤4-3：利用局部最大值分量和局部最小值分量根据公式(9)生成一个衰减因子λ(x,y)。
在公式(9)中，G(x,y)和T(x,y)为局部最大分量和局部最小分量，var(T(x,y))为局部最小分量的方差；
步骤4-4：使用公式(10)生成可移动分量R(x,y)，它可以自适应的调节，以找到一个合适的可消除背景成分，以更好地增强图像的对比度。
R(x,y)≡λ·T(x,y) (10)
衰减因子λ调节去除成分中背景分量的比例。因此，通过调节衰减因子λ来确定的可移动部分R(x,y)和可去除的背景分量T(x,y)，以有效地增强焊缝缺陷图像。
步骤4-5：使用公式(11)确定另一个可调亮度参数ψ(x,y)，来控制增强图像的亮度。
其中，R(x,y)和G(x,y)为输入射线图像的可变分量和局部最大值；
步骤4-6：最后利用公式(12)得到增强的射线图像E(x,y)。
步骤5：将步骤3或步骤4处理过的射线图像E(x,y)进一步执行多尺度细节强化；具体表述为：
步骤5-1：通过对射线图像E(x,y)应用三种尺度的高斯卷积核，得到三种不同程度的模糊图像，如公式(13)所示。
其中，G1(x,y)、G2(x,y)和G3(x,y)分别为不同尺度的高斯卷积核，其标准差分别为σ1＝1.0、σ2＝2.0和σ3＝4.0。
步骤5-2：我们提取精细细节D1(x,y)、中间细节D2(x,y)和粗糙细节D3(x,y)，如公式(14)所示；
步骤5-3：通过设计运算规则来合并这三层细节，以此来生成整体的细节图像，如公式(15)所示。
D*(x,y)＝(1-ω1×sgn(D1(x,y)))×D1(x,y)+ω2×D2(x,y)+ω3×D3(x,y) (15)
其中，ω1、ω2和ω3分别为精细细节、中间细节和粗糙细节的调节因子，固定为0.5、0.5和0.25；
步骤5-4：我们将公式(15)中得到的整体细节D*(x,y)添加到对比度增强后的射线图像E(x,y)中，得到多尺度细节强化图像。
步骤6：阈值自适应二值化处理，具体表述为：
步骤6-1：利用滑动窗口计算强化图像每个窗口的自适应标准差σA，计算方法由公式(16)给出。
式中，σw为窗口像素的标准差，σmin和σmax分别为待处理图像中所有窗口的最小标准差值和最大标准差值；
步骤6-2：计算二值化的阈值，计算公式如式(17)所示：
式中，T为阈值，μw为窗口像素的平均值，σw为窗口像素的标准差，μg为图像中所有像素的平均值，σA为窗口的自适应标准差。
步骤6-3：基于此阈值T，在式(18)中定义了二值化过程。
其中，I(x,y)为二值化图像，i(x,y)为原始工件图像的像素值。
步骤7：利用背景减法标注被测工件图像的潜在异常区域，具体表述为：
步骤7-1：将步骤5所得的细多尺度节强化图像进行大尺度中值滤波，得到背景模型；
步骤7-2：应用背景减法得到差分图像；
步骤7-3：对差分图像进行步骤6所述阈值自适应二值化处理；
步骤7-4：通过面积过滤和形态学操作来获得被测工件图像上的潜在异常区域；
步骤7-5：对二值图像进行轮廓跟踪绘制潜在异常区域的最小外接矩形。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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发明权利要求所限定的范围。
Claims (6)
1.一种基于优化工业图像质量的缺陷识别方法，其特征在于，包括：
步骤1：依据光电技术和数字处理技术将工件信息转换成数字信号，得到原始工件图像；
步骤2：将工件图像依据ROI区域类型分类为非线型区域和线型区域；
步骤3：对于非线型ROI区域，采用灰度平衡化函数和对比度有限的自适应直方图均衡化方法相结合来提升图像质量；
步骤4：对于线型ROI区域，采用背景衰减的自适应对比度增强算法来提升图像质量；
步骤5：将步骤3或步骤4处理过的射线图像E(x,y)执行多尺度细节强化；
步骤6：进行阈值自适应二值化处理；
步骤7：利用背景减法标注被测工件图像的潜在异常区域。
2.根据权利要求1所述的一种基于优化工业图像质量的缺陷识别方法，其特征在于，所述步骤3包括：
步骤3-1：计算被测工件图像的直方图，然后计算直方图的均值与方差值；
式中，E(X)和V(X)表示图像灰度直方图的均值和方差，g(X)表示灰度值为X的像素点个数，n表示总的像素点个数；
步骤3-2：使用均值与方差来推导与平衡化系数的关系，公式如下：
式中，p代表平衡化系数，并通过p确定要平衡化的直方图的边界值，s是调整均值与方差比值的尺度因子；
步骤3-3：利用平衡化系数和像素总数的比值计算期望的最小值和最大值，如公式(3)所示：
式中，Hj表示图像直方图累计的像素点，vmin和vmax分别代表期望的最小值和最大值；
在图像的累积直方图中，当直方图的像素点累计值小于n×p时，将此时直方图所对应的灰度值设置为期望的最小值；当直方图的像素点累计值大于n×(1-p)时，则将此时直方图所对应的灰度值设置为期望的最大值；
步骤3-4：使用灰度平衡化公式(4)将原始直方图的值映射到0～255的范围；
式中，x是像素点的灰度值，vmin、vmax分别表示最小的和最大的灰度值；
步骤3-5：将灰度平衡化后的图像划分为多个不重叠的区域；
步骤3-6：分别计算每个区域的直方图；
步骤3-7：计算一个剪切直方图的剪切限制β，公式如下：
其中，β为剪切限制，M×N为每个区域的像素数，L为灰度级，α为0～100的剪切因子，Smax为允许的最大斜率；
步骤3-8：将每个直方图以其高度不超过剪切限制的方式重新进行分配；从公式(5)中可以得出，如果α＝0，则剪切限制
3.根据权利要求1所述的一种基于优化工业图像质量的缺陷识别方法，其特征在于，所述步骤4包括：
步骤4-1：使用公式(6)对被测工件图像进行灰度值归一化处理用于获取浮点型图像，其灰度级范围在0到1之间；
其中，I(x,y)和Imax分别为整个图像和输入的工件图像的最大值；D(x,y)和R(x,y)分别为细节分量和可变分量，这里，(x,y)是一个空间域索引，细节分量和可变分量，都在0到1之间；
步骤4-2：为了寻找归一化图像的局部最大值分量G(y)和局部最小值分量T(y)，使用公式(7)计算局部最大值分量，使用公式(8)计算背景成分，即局部最小分量；
其中，Loy表示像素点(x,y)周围的局部区域，(x,y)表示局部区域内的像素；
步骤4-3：利用局部最大值分量和局部最小值分量根据公式(9)生成一个衰减因子λ(x,y)；
式中，G(x,y)和T(x,y)为局部最大分量和局部最小分量，var(T(x,y))为局部最小分量的方差；
步骤4-4：使用公式(10)生成可移动分量R(x,y)：
其中，λ表示衰减因子去除成分中背景分量的比例；
步骤4-5：使用公式(11)确定另一个可调亮度参数ψ(x,y)，来控制增强图像的亮度；
步骤4-6：利用公式(12)得到增强的射线图像E(x,y)；
4.根据权利要求1所述的一种基于优化工业图像质量的缺陷识别方法，其特征在于，所述步骤5包括：
步骤5-1：通过对射线图像E(x,y)应用三种尺度的高斯卷积核，得到三种不同程度的模糊图像，如公式(13)所示：
其中，G1(x,y)、G2(x,y)和G3(x,y)分别为不同尺度的高斯卷积核；
步骤5-2：提取精细细节D1(x,y)、中间细节D2(x,y)和粗糙细节D3(x,y)，如公式(14)所示；
步骤5-3：通过设计运算规则来合并这三层细节，以此来生成整体的细节图像，如公式(15)所示：
D*(x,y)＝(1-ω1×sgn(D1(x,y)))×D1(x,y)+ω2×D2(x,y)+ω3×D3(x,y) (15)
其中，D*(x,y)为整体细节，ω1、ω2和ω3分别为精细细节、中间细节和粗糙细节的调节因子；
步骤5-4：将公式(15)中得到的整体细节D*(x,y)添加到对比度增强后的射线图像E(x,y)中，得到多尺度细节强化图像。
5.根据权利要求1所述的一种基于优化工业图像质量的缺陷识别方法，其特征在于，所述步骤6包括：
步骤6-1：利用滑动窗口计算强化图像每个窗口的自适应标准差σA，如公式(16)所示：
式中，σw为窗口像素的标准差，σmin和σmax分别为待处理图像中所有窗口的最小标准差值和最大标准差值；
步骤6-2：计算二值化的阈值，如公式(17)所示：
式中，T为阈值，μw为窗口像素的平均值，σw为窗口像素的标准差，μg为图像中所有像素的平均值，σA为窗口的自适应标准差；
步骤6-3：设计二值化过程生成二值化图像，如公式(18)所示：
其中，I(x,y)为二值化图像，i(x,y)为原始工件图像的像素值，T为图像中局部窗口的阈值。
6.根据权利要求1所述的一种基于优化工业图像质量的缺陷识别方法，其特征在于，所述步骤7包括：
步骤7-1：将步骤5所得的细多尺度节强化图像进行大尺度中值滤波，得到背景模型；
步骤7-2：应用背景减法得到差分图像；
步骤7-3：对差分图像进行步骤6所述阈值自适应二值化处理；
步骤7-4：通过面积过滤和形态学操作来获得被测工件图像上的潜在异常区域；
步骤7-5：对二值图像进行轮廓跟踪绘制潜在异常区域的最小外接矩形。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210722061.3A CN115272184A (zh) | 2022-06-24 | 2022-06-24 | 基于优化工业图像质量的缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210722061.3A CN115272184A (zh) | 2022-06-24 | 2022-06-24 | 基于优化工业图像质量的缺陷识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115272184A true CN115272184A (zh) | 2022-11-01 |
Family
ID=83761742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210722061.3A Pending CN115272184A (zh) | 2022-06-24 | 2022-06-24 | 基于优化工业图像质量的缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115272184A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152052A (zh) * | 2023-06-01 | 2023-12-01 | 中南大学 | 一种面向工业图像质量的智能反馈控制方法与系统 |
-
2022
- 2022-06-24 CN CN202210722061.3A patent/CN115272184A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152052A (zh) * | 2023-06-01 | 2023-12-01 | 中南大学 | 一种面向工业图像质量的智能反馈控制方法与系统 |
| CN117152052B (zh) * | 2023-06-01 | 2024-02-20 | 中南大学 | 一种面向工业图像质量的智能反馈控制方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Multi-scale retinex with color restoration image enhancement based on Gaussian filtering and guided filtering | |
| CN108682008B (zh) | 一种白细胞图像清晰度评价方法及装置 | |
| CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
| TWI393073B (zh) | 影像雜訊濾除方法 | |
| CN107292834B (zh) | 红外图像细节增强方法 | |
| CN112001904A (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
| CN113592782B (zh) | 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 | |
| CN110910317B (zh) | 一种舌象图像增强方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN116993731A (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
| CN114549492A (zh) | 一种基于多粒度图像信息内容的质量评价方法 | |
| CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
| CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
| CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
| CN115272184A (zh) | 基于优化工业图像质量的缺陷识别方法 | |
| Yahaghi et al. | Interlaced bilateral filtering and wavelet thresholding for flaw detection in the radiography of weldments | |
| CN114863498A (zh) | 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 | |
| CN101897592B (zh) | X射线影像中金属异物的提取方法和装置 | |
| Zhao et al. | PLIP based unsharp masking for medical image enhancement | |
| Jindal et al. | Bio-medical image enhancement based on spatial domain technique | |
| CN106023097A (zh) | 一种基于迭代法的流场图像预处理算法 | |
| CN117830134A (zh) | 基于混合滤波分解和图像融合的红外图像增强方法及系统 | |
| CN115761241A (zh) | 一种图像增强方法及其应用 | |
| CN115660988A (zh) | 基于retinex的图像预处理方法 | |
| Nnolim | Enhancement of degraded document images via augmented fourth order partial differential equation and Total Variation-based illumination estimation |
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 |