CN115330645B - 一种焊接图像增强方法 - Google Patents
一种焊接图像增强方法 Download PDFInfo
- Publication number
- CN115330645B CN115330645B CN202211269307.2A CN202211269307A CN115330645B CN 115330645 B CN115330645 B CN 115330645B CN 202211269307 A CN202211269307 A CN 202211269307A CN 115330645 B CN115330645 B CN 115330645B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- initial
- image
- gradient
- enhanced
- 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
Links
Images
Classifications
-
- 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 by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30152—Solder
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种焊接图像增强方法,具体涉及图像处理技术领域,该方法包括:获取焊缝区域的灰度图像中各像素点的初始梯度幅值,根据初始梯度幅值得到初始梯度直方图,根据初始梯度直方图获取增强需求程度;对初始梯度直方图进行直方图均衡化得到第一目标梯度场;根据像素点及邻域像素点的初始梯度幅值得到该像素点的边缘点概率;根据像素点的边缘点概率、初始梯度幅值及第一梯度幅值得到像素点的增强效果值,根据增强效果值得到初始待增强像素点;将得到的初始待增强像素点重新进行增强,直到待增强像素点比例低于比例阈值时结束增强,本发明方法能够增强焊缝区域图像的对比度,使图像更清晰。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种焊接图像增强方法。
背景技术
金属物件在焊接过程中,由于焊接温度或速度的不合适会造成的焊接缺陷,主要的外部焊接缺陷有焊瘤、裂纹和气孔缺陷。
在对焊缝区域图像进行人眼判断时,焊缝区域图像的颜色复杂、对比度低,且伴随有少量噪声,很多缺陷人眼观测起来较为困难、无法准确辨别,传统的方法是对焊缝区域图像进行图像增强,增大图像对比度使得人眼更易观测,但是传统方法处理后的图像中任然存在部分边缘点没有被增强,非边缘点却被增强,使得人眼观测增强后的图像时得到的图像边缘特征信息不清楚,从而无法准确判断焊缝区域的缺陷,因此,需要一种焊接图像增强方法。
发明内容
本发明提供一种焊接图像增强方法,以解决现有的问题。
本发明的一种焊接图像增强方法采用如下技术方案:该方法包括:
获取待检测焊接件的焊缝区域的灰度图像;
获取灰度图像中每个像素点的初始梯度幅值,并利用得到的每个像素点的初始梯度幅值得到初始梯度直方图,根据初始梯度直方图获取均匀梯度直方图;
根据初始梯度直方图和均匀梯度直方图获取灰度图像的增强需求程度;并根据增强需求程度对初始梯度直方图进行直方图均衡化得到第一目标梯度场;
利用每个像素点的初始梯度幅值以及该像素点的邻域像素点的初始梯度幅值得到该像素点属于边缘像素点的边缘点概率;
根据每个像素点的边缘点概率、初始梯度幅值以及该像素点在第一目标梯度场中的第一梯度幅值得到该像素点的增强效果值,利用每个像素点的增强效果值确定出初始待增强像素点;
利用所有初始待增强像素点的第一梯度幅值构建待增强梯度直方图,对待增强梯度直方图进行直方图均衡化得到第二目标梯度场,根据每个初始待增强像素点的初始梯度幅值、在第二目标梯度场中的第二梯度幅值和该初始待增强像素点的边缘点概率得到每个初始待增强像素点的增强效果值;
根据初始待增强像素点的增强效果值确定出需要进行二次增强的二次待增强像素点,并计算二次待增强像素点所占灰度图像的比例,当该比例小于设定的比例阈值时,图像增强完成,当比例不小于设定的比例阈值时,将该二次待增强像素点作为初始待增强像素点进行迭代,直到增强后的待增强像素点所占灰度图像的比例小于设定的比例阈值,图像增强完成。
进一步,获取待检测焊接件的焊缝区域的灰度图像的步骤包括:
采集待检测焊接件的RGB图像;
对得到的RGB图像进行高斯滤波降噪处理得到滤波图像;
对待检测焊接件的滤波图像进行分割得到焊缝区域图像;
对焊缝区域图像进行灰度化处理得到焊缝区域的灰度图像。
进一步,利用得到的每个像素点的初始梯度幅值得到初始梯度直方图的步骤包括:
根据初始梯度直方图中的梯度幅值级以及每个梯度幅值级的频数得到梯度幅值级的频数相同的均匀梯度直方图。
进一步,根据初始梯度直方图和均匀梯度直方图得到灰度图像的增强需求程度的步骤包括:
利用初始梯度直方图中各梯度幅值级的频数和均匀梯度直方图中梯度幅值级的频数的差值的均值得到灰度图像的增强需求程度。
进一步,获取每个像素点属于边缘像素点的边缘点概率的步骤包括:
将每个像素点都作为中心像素点,获取每个中心像素点8邻域像素点;
过中心像素点在8邻域内做多条直线;
根据每条直线上像素点的初始梯度幅值和中心像素点的初始梯度幅值得到该直线的边缘线概率;
根据直线的边缘线概率得到中心像素点属于边缘像素点的边缘点概率。
进一步,根据每个像素点的边缘点概率、初始梯度幅值以及该像素点在第一目标梯度场中的第一梯度幅值得到该像素点的增强效果值的步骤包括:
根据下式计算每个像素点的增强效果值:
进一步,利用每个像素点的增强效果值确定出初始待增强像素点的步骤包括:
若某像素点得到的增强效果值大于0,则认为该像素点为正增强像素点;
若某像素点得到的增强效果值小于0,则认为该像素点为初始待增强像素点。
本发明的有益效果是:本发明的一种焊接图像增强方法,通过对焊缝区域的初始梯度直方图进行直方图均衡化使焊缝区域的灰度图像的对比度增强,图像更加清晰;在此基础上,根据每个像素点的边缘点概率、初始梯度幅值以及增强后的梯度幅值计算每个像素点的增强效果,对不满足增强效果的像素点即初始待增强像素点重新进行局部增强,再将局部增强后得到的二次待增强像素点重新局部增强,从而不断减少逆增强点的数量,直到灰度图像中的待增强像素点比例小于预设的比例阈值时,结束图像增强,最终得到的增强图像比传统的只进行一次直方图均衡化的效果更好,增强的图像纹理更加清晰,非边缘区域更加平滑,边缘区域更加明显,便于后续更加准确、快速的检测出缺陷。
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为本发明的一种焊接图像增强方法的实施例总体步骤的流程图;
图2为图1中过中心像素点的直线的示意图。
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。
本发明的一种焊接图像增强方法的实施例,如图1所示,该方法包括:
S1、获取待检测焊接件的焊缝区域的灰度图像。
具体的,在待检测焊接件上方布置摄像头,采集待检测焊接件的RGB图像,在采集车RGB图像的过程中会受到噪声干扰,因此对RGB图像进行高斯滤波降噪处理得到滤波图像,滤波图像中包括焊缝区域与非焊缝区域,后续需要处理的是焊缝区域,因此对滤波图像进行DNN网络识别:识别数据集为采集到的滤波图像数据集,训练集对应的标签为单通道的语义标签,属于非焊缝区域的像素标注为0,焊缝区域的像素标注为1,DNN网络识别使用的交叉熵函数为loss函数,最终得到待检测焊接件的焊缝区域图像;将得到焊缝区域图像灰度化处理得到焊缝区域的灰度图像。
S2、获取灰度图像中每个像素点的初始梯度幅值,并利用得到的每个像素点的初始梯度幅值得到初始梯度直方图,根据初始梯度直方图获取均匀梯度直方图;根据初始梯度直方图和均匀梯度直方图获取灰度图像的增强需求程度;并根据增强需求程度对初始梯度直方图进行直方图均衡化得到第一目标梯度场。
具体的,S21、获取焊缝区域的灰度图像中的各像素点的灰度值,根据焊缝区域各像素点的灰度值得到各像素点的初始梯度幅值,根据初始梯度幅值得到焊缝区域的初始梯度直方图,初始梯度直方图中横轴代表梯度幅值级,纵轴代表每个梯度幅值级的频数。
本发明是需要对焊缝图像增强,即对焊缝区域的灰度图像进行图像增强,使用的方法是对灰度图像的初始梯度直方图进行直方图均衡化,但是也存在一些焊缝区域的图像本身就比较清晰,边缘信息清楚完整,人眼可以直接识别焊缝区域的缺陷,这类焊缝区域的灰度图像是不需要进行图像增强的,我们只需要将对比度不清晰的图像进行图像增强进而方便人眼判断;即我们应该首先获取图像的整体增强需求程度,根据增强需求程度和预设的增强需求程度阈值判断该焊缝区域的灰度图像是否需要图像增强。
具体的,S22、根据初始梯度直方图中的梯度幅值级以及每个梯度幅值级的频数得到梯度幅值级的频数相同的均匀梯度直方图,计算初始梯度直方图中各个梯度幅值级频数与均匀梯度直方图中各个梯度幅值级频数的差异,通过差异得到整个初始梯度直方图相较于均匀梯度直方图的失衡程度,即初始梯度直方图增强到均匀梯度直方图的增强需求程度,根据下式计算图像的增强需求程度:
其中, 表示图像的增强需求程度;表示图像的初始梯度直方图中的梯度
幅值级数;表示图像的初始梯度直方图中第个梯度幅值级的频数;表示图像的均匀梯
度直方图中梯度幅值级的频数;为自然常数;表示图像的初始梯度直方图中第个
梯度幅值级的频数与均匀梯度直方图中对应梯度幅值级的频数的差异,对所有梯度幅值级
的频数的差异求均值,得到的差异的均值越大,说明初始梯度直方图与均匀梯度直方图的
差异越大,即图像的整体失衡程度越大,图像的增强需求程度也就越大,设置增强需求程度
阈值为0.3,当得到的增强需求程度时,对图像增强,即对图像的初始梯度直方图
进行梯度直方图均衡化处理,得到第一梯度直方图,根据第一梯度直方图得到第一目标梯
度场,第一目标梯度场中可以直接得到每个像素点的第一梯度值;当得到的增强需求程度时,即认为图像清晰,不需要对图像增强。
S3、利用每个像素点的初始梯度幅值以及该像素点的邻域像素点的初始梯度幅值得到该像素点属于边缘像素点的边缘点概率。
通过各像素点的初始梯度幅值和第一目标梯度场中的第一梯度幅值,可以得到每个像素点的梯度幅值是增大还是减小,我们需要得到的是边缘像素点的梯度幅值增大,非边缘像素点的梯度幅值不变,但是实际的直方图均衡化存在缺陷,不能完全得到这种增强效果,实际的直方图均衡化可能会将非边缘像素点的梯度幅值增大,例如将梯度幅值大的噪声点识别为边缘像素点,然后增大噪声点的梯度幅值,或者没有使部分边缘点的梯度幅值增强大,因此需要先判断灰度图像中各像素点为边缘点的概率,记为边缘点概率,再判断该点的增强效果;边缘像素点邻域中存在一部分像素点与该边缘像素点特征十分相似,一般表现为过该边缘像素点的某一条线上像素点的梯度幅值非常相近,而邻域中的其他像素点与该边缘像素点的特征差异非常大。
具体的,S31、将每个像素点都作为中心像素点,获取中心像素点8邻域的像素点,过中心像素点在中心像素点8邻域内做中心像素点0°、45°、90°、135°方向上的直线如图2所示,每条直线最多包括3个像素点,根据中心像素点的初始梯度幅值和同一条直线上的像素点的初始梯度幅值来计算中心像素点的边缘点概率,当过中心像素点的某条直线上有较多像素点的梯度幅值相近时,认为该直线是边缘线的概率大;获取中心像素点8邻域的像素点与该中心像素点的初始梯度幅值的差值,将每条直线上与中心像素点的初始梯度幅值差值小于5的像素点的值设为1,反之设为0,将差值小于5的像素点记为与中心像素点梯度幅值相近的像素点;根据下式计算过中心像素点的直线为边缘线的概率,记为边缘线概率:
S32、如图2所示,每个中心像素点最多有4条直线,获取过中心像素点的所有直线
中边缘线概率最大的直线,将该直线的边缘线概率记为,若过某个中心像素点的直线
中,超过两条直线的边缘线概率相等,都为最大概率,且满足,则认为该中心像
素点为非边缘像素点,将该中心像素点的边缘点概率记为;若过某个中心像素点
的直线的边缘线概率,且这样的直线不超过2条,则认为该中心像素点为疑似边
缘像素点,将作为该中心像素点的边缘点概率;若过某个中心像素点的多条
直线不满足,则认为这些直线中不存在边缘线,该中心像素点为非边缘像素点
的概率比较大,将该中心像素点的边缘点概率记为;将每个像素点都作为中心像
素点,因此得到了每个像素点属于边缘像素点的边缘点概率。
S4、根据每个像素点的边缘点概率、初始梯度幅值以及该像素点在第一目标梯度场中的第一梯度幅值得到该像素点的增强效果值,利用每个像素点的增强效果值确定出初始待增强像素点。
传统的梯度直方图均衡化是将分布不均匀的梯度直方图通过均衡化达到分布更加均匀,由于非边缘区域的像素点梯度幅值小,频数大,边缘区域的像素点梯度幅值大,频数小,因此在直方图均衡化的过程中,非边缘像素点分布在较大区间,边缘像素点分布在一小段区间中,这种情况会使得边缘像素点梯度幅值增大,非边缘像素点梯度幅值不变或者稍稍增大,符合图像增强的需求,但是在实际的图像增强过程中,存在一些噪声点会造成干扰,或者有些边缘像素点梯度幅值没有增大,非边缘像素点的梯度幅值被大幅增大,这种情况是不符合图像增强需求的,因此需要得到每个像素点的增强效果,再重新进行图像增强。
所需要的图像增强效果是边缘像素点的梯度幅值增大,非边缘像素点的梯度幅值差异不变,根据步骤S3得到的像素点的边缘点概率以及图像增强前后的像素点的梯度幅值来确定像素点的增强效果值是否符合需要的增强效果。
具体的,根据下式计算每个像素点的增强效果值:
其中,表示像素点的初始梯度幅值;表示像素点的第一梯度幅值;表示像素点
的增强效果值;表示像素点的边缘点概率;为自然常数;若某个像素点在图像增强后梯度
幅值变大了,且该像素点的边缘点概率,则根据计算得到的,该像素点符合我们
需要的增强效果,记为正增强像素点,得到的值越大,说明增强效果越好;若某个像素点
在图像增强后梯度幅值变大了,该像素点的边缘点概率,则根据计算得到,该像
素点不符合我们需要的增强效果,记为初始待增强像素点;若某个像素点在图像增强后梯
度幅值不变,该像素点的边缘点概率,则根据计算得到,该像素点不符合我们需
要的增强效果,记为初始待增强像素点;若某个像素点在图像增强后梯度幅值不变,该像素
点的边缘点概率,则根据计算得到,该像素点符合我们需要的增强效果,记为正
增强像素点。
S5、利用所有初始待增强像素点的第一梯度幅值构建待增强梯度直方图,对逆增强梯度直方图进行直方图均衡化得到第二目标梯度场,根据每个初始待增强像素点的初始梯度幅值、在第二目标梯度场中的第二梯度幅值和该初始待增强像素点的边缘点概率得到每个初始待增强像素点的增强效果值。
所有的初始待增强像素点不是需求的增强效果,所以要对这些初始待增强像素点重新进行增强处理,达到我们需要的效果。具体的,提取步骤S4中得到的所有初始待增强像素点,获取初始待增强像素点在第一目标梯度场中的第一梯度幅值,根据所有的初始待增强像素点的第一梯度幅值得到逆增强梯度直方图,对逆增强梯度直方图进行直方图均衡化得到第二梯度直方图,根据第二梯度直方图得到第二目标梯度场;根据每个初始待增强像素点的初始梯度幅值、第二目标梯度场中的第二梯度幅值、边缘点概率以及计算像素点的增强效果值的公式得到对应的初始待增强像素点的增强效果值。
S6、根据初始待增强像素点的增强效果值确定出需要进行二次增强的二次待增强像素点,并计算二次待增强像素点所占灰度图像的比例,当该比例小于设定的比例阈值时,图像增强完成,当比例不小于设定的比例阈值时,将该二次待增强像素点作为初始待增强像素点进行迭代,直到增强后的待待增强像素点所占灰度图像的比例小于设定的比例阈值,图像增强完成。
二次进行直方图均衡化能够在一定程度上减少初始待增强像素点的数量,但是二次增强后肯定也会存在待增强像素点,对这些像素点再次重新统计直方图并均衡化。
具体的,根据初始待增强像素点的增强效果值得到二次增强的二次待增强像素点,根据得到二次增强的二次待增强像素点的方法对图像进行多次局部增强,直到灰度图像中待增强像素点数量所占比例小于设置的比例阈值2%时,认为对该焊缝区域的灰度图像已经达到我们需要的增强效果,停止对灰度图像进行局部增强,比例阈值根据需求自行设置。
综上所述,本发明提供一种焊接图像增强方法,通过对焊缝区域的初始梯度直方图进行直方图均衡化使焊缝区域的灰度图像的对比度增强,图像更加清晰;在此基础上,根据每个像素点的边缘点概率、初始梯度幅值以及增强后的梯度幅值计算每个像素点的增强效果,对不满足增强效果的像素点即初始待增强像素点重新进行局部增强,再将局部增强后得到的二次待增强像素点重新局部增强,从而不断减少逆增强点的数量,直到灰度图像中的待增强像素点比例小于预设的比例阈值时,结束图像增强,最终得到的增强图像比传统的只进行一次直方图均衡化的效果更好,增强的图像纹理更加清晰,非边缘区域更加平滑,边缘区域更加明显,便于后续更加准确、快速的检测出缺陷。
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 (5)
1.基于图像处理的焊接图像增强方法,其特征在于,该方法包括:
获取待检测焊接件的焊缝区域的灰度图像;
获取灰度图像中每个像素点的初始梯度幅值,并利用得到的每个像素点的初始梯度幅值得到初始梯度直方图,根据初始梯度直方图获取均匀梯度直方图;
利用初始梯度直方图中各梯度幅值级的频数和均匀梯度直方图中梯度幅值级的频数的差值的均值得到灰度图像的增强需求程度;并根据增强需求程度对初始梯度直方图进行直方图均衡化得到第一目标梯度场;
利用每个像素点的初始梯度幅值以及该像素点的邻域像素点的初始梯度幅值得到该像素点属于边缘像素点的边缘点概率;
根据每个像素点的边缘点概率、初始梯度幅值以及该像素点在第一目标梯度场中的第一梯度幅值得到该像素点的增强效果值,计算每个像素点的增强效果值的公式为:
利用每个像素点的增强效果值确定出初始待增强像素点;
利用所有初始待增强像素点的第一梯度幅值构建待增强梯度直方图,对待增强梯度直方图进行直方图均衡化得到第二目标梯度场,根据每个初始待增强像素点的初始梯度幅值、在第二目标梯度场中的第二梯度幅值和该初始待增强像素点的边缘点概率得到每个初始待增强像素点的增强效果值,初始待增强像素点的增强效果值的计算方式与每个像素点的增强效果值的计算方式相同;
根据初始待增强像素点的增强效果值确定出需要进行二次增强的二次待增强像素点,并计算二次待增强像素点所占灰度图像的比例,当该比例小于设定的比例阈值时,图像增强完成,当比例不小于设定的比例阈值时,将该二次待增强像素点作为初始待增强像素点进行迭代,直到增强后的待增强像素点所占灰度图像的比例小于设定的比例阈值,图像增强完成。
2.根据权利要求1所述的基于图像处理的焊接图像增强方法,其特征在于,获取待检测焊接件的焊缝区域的灰度图像的步骤包括:
采集待检测焊接件的RGB图像;
对得到的RGB图像进行高斯滤波降噪处理得到滤波图像;
对待检测焊接件的滤波图像进行分割得到焊缝区域图像;
对焊缝区域图像进行灰度化处理得到焊缝区域的灰度图像。
3.根据权利要求1所述的基于图像处理的焊接图像增强方法,其特征在于,利用得到的每个像素点的初始梯度幅值得到初始梯度直方图的步骤包括:
根据初始梯度直方图中的梯度幅值级以及每个梯度幅值级的频数得到梯度幅值级的频数相同的均匀梯度直方图。
4.根据权利要求1所述的基于图像处理的焊接图像增强方法,其特征在于,获取每个像素点属于边缘像素点的边缘点概率的步骤包括:
将每个像素点都作为中心像素点,获取每个中心像素点8邻域像素点;
过中心像素点在8邻域内做多条直线;
根据每条直线上像素点的初始梯度幅值和中心像素点的初始梯度幅值得到该直线的边缘线概率;
根据直线的边缘线概率得到中心像素点属于边缘像素点的边缘点概率。
5.根据权利要求1所述的基于图像处理的焊接图像增强方法,其特征在于,利用每个像素点的增强效果值确定出初始待增强像素点的步骤包括:
若某像素点得到的增强效果值大于0,则认为该像素点为正增强像素点;
若某像素点得到的增强效果值小于0,则认为该像素点为初始待增强像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269307.2A CN115330645B (zh) | 2022-10-17 | 2022-10-17 | 一种焊接图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269307.2A CN115330645B (zh) | 2022-10-17 | 2022-10-17 | 一种焊接图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330645A CN115330645A (zh) | 2022-11-11 |
CN115330645B true CN115330645B (zh) | 2023-03-31 |
Family
ID=83915242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211269307.2A Active CN115330645B (zh) | 2022-10-17 | 2022-10-17 | 一种焊接图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330645B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109644B (zh) * | 2023-04-14 | 2023-06-16 | 东莞市佳超五金科技有限公司 | 用于铜铝转接排的表面缺陷检测方法 |
CN116228747B (zh) * | 2023-05-04 | 2023-07-21 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
CN116883270B (zh) * | 2023-07-04 | 2024-03-22 | 广州医科大学附属第四医院(广州市增城区人民医院) | 一种碎石手术软镜清晰化成像系统 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
CN117593192B (zh) * | 2024-01-18 | 2024-03-26 | 大连云间来客科技有限公司 | 一种妇科宫颈图像增强分析方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993115B (zh) * | 2019-03-29 | 2021-09-10 | 京东方科技集团股份有限公司 | 图像处理方法、装置及可穿戴设备 |
CN111429372A (zh) * | 2020-03-24 | 2020-07-17 | 杭州趣维科技有限公司 | 一种增强低对比度图像边缘检测效果的方法 |
CN113781482B (zh) * | 2021-11-11 | 2022-02-15 | 山东精良海纬机械有限公司 | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 |
CN115147448A (zh) * | 2022-05-20 | 2022-10-04 | 南京理工大学 | 面向自动化焊接的图像增强与特征提取方法 |
-
2022
- 2022-10-17 CN CN202211269307.2A patent/CN115330645B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115330645A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN113538433A (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN113658132A (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN109635814B (zh) | 基于深度神经网络的森林火灾自动检测方法和装置 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115984284A (zh) | 一种用于船舶维护的x射线船体焊缝图像检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115330758B (zh) | 基于去噪处理的焊接质量检测方法 | |
CN114782330B (zh) | 基于人工智能的炉排异常检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
Li et al. | Detection algorithm of defects on polyethylene gas pipe using image recognition | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN112288760B (zh) | 一种粘连细胞图像筛除方法、系统及细胞图像分析方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 |
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 |