CN115439352A - 一种复材缺陷检测背景噪声滤除方法、装置、设备及介质 - Google Patents
一种复材缺陷检测背景噪声滤除方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115439352A CN115439352A CN202211009247.0A CN202211009247A CN115439352A CN 115439352 A CN115439352 A CN 115439352A CN 202211009247 A CN202211009247 A CN 202211009247A CN 115439352 A CN115439352 A CN 115439352A
- Authority
- CN
- China
- Prior art keywords
- image
- axis
- area
- region
- composite material
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000007547 defect Effects 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000001914 filtration Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 53
- 230000009467 reduction Effects 0.000 claims description 32
- 230000009466 transformation Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 18
- 230000001131 transforming effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 33
- 238000013178 mathematical model Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 229920000049 Carbon (fiber) Polymers 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000004917 carbon fiber Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052796 boron Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000003365 glass fiber Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种复材缺陷检测背景噪声滤除方法、装置、设备及介质,涉及复材噪声滤除技术领域,该方法包括基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像;基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;基于融合式子,对所述若干区域图像进行融合,以获得第三图像;基于所述第三图像的梯度数值,获得第一MASK模板;基于所述第一MASK模板和矩形区域,获得第二MASK模板;基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像;对所述红通道图像、所述绿通道图像和所述蓝通道图像进行融合,以获得第四图像。如此更便于滤除复合材料板件的背景噪音。
Description
技术领域
本申请涉及复材噪声滤除技术领域,尤其涉及复材缺陷检测背景噪声滤除方法、装置、设备及介质。
背景技术
航空复合材料板件是由多种物理与化学性质不同的物质组合固化而成,复合材料按照材料的差异又可分为树脂基碳纤维复合材料、玻璃纤维复合材料、硼纤维复合材料等。其中碳纤维复合材料以其强度高、耐高温等特性广泛应用于航空、航天、电子等领域,在无人机上复合材料的用量与已高达90%以上,复合材料的使用使战斗机的重量大幅度减轻,减重的同时增加了续航里程与载弹量,有效了提升了战机的综合性能。然而复合材料尤其是基于复合材料制造的板件在生产过程中难以避免的存在一定的缺陷,为了对这些缺陷尤其是表面缺陷更好的检测,需要滤除掉复合材料板件的背景噪音。
但是,现有技术中不便于滤除复合材料板件的背景噪音,从而影响到对复合材料板件的缺陷检测。
发明内容
本申请的主要目的在于提供复材缺陷检测背景噪声滤除方法、装置、设备及介质,旨在解决现有技术中不便于滤除复合材料板件的背景噪音,从而影响到对复合材料板件的缺陷检测的技术问题。
为实现上述目的,本申请第一方面提供了一种复材缺陷检测背景噪声滤除方法,所述方法包括:
基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像;其中,所述全尺度特征提取算子包括0°-360°的结构因子;
基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第二图像包括若干区域图像;
基于融合式子,对所述若干区域图像进行融合,以获得第三图像;
基于所述第三图像的梯度数值,获得第一MASK模板;
基于所述第一MASK模板和矩形区域,获得第二MASK模板;其中,所述矩形区域由所述第三图像在坐标系上的投影而获得;
基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像;
对所述红通道图像、所述绿通道图像和所述蓝通道图像进行融合,以获得第四图像;其中,所述第四图像为噪声滤除处理后的图像。
可选地,在所述基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像的步骤之前,还包括:
基于单通道图像,对目标板材图像进行一次降维处理;
基于图像灰度分布数据的最大类间方差,对一次降维处理后的所述目标板材图像进行二次降维处理;
所述基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像,包括:
基于全尺度特征提取算子,对二次降维后的所述目标板材图像的特征进行提取,以获得第一图像。
可选地,在所述基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像的步骤之前,还包括:
提取二次降维后的所述目标板材图像的奇数列灰度值和偶数行灰度值,以获得一次降采样图像;
提取所述一次降采样图像的奇数列灰度值和偶数行灰度值,以获得二次降采样图像;
所述基于全尺度特征提取算子,对二次降维后的所述目标板材图像的特征进行提取,以获得第一图像,包括:
基于全尺度特征提取算子,对二次降采样图像的特征进行提取,以获得第一图像。
可选地,所述基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第二图像包括若干区域图像,包括:
基于第一差异矩阵、第二差异矩阵和第三差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第一差异矩阵的大小为3x3,所述第二差异矩阵的大小为5x5,所述第三差异矩阵的大小为7x7;所述第二图像包括3x3矩形区域图像、5x5矩形区域图像和7x7矩形区域图像;
所述基于融合式子,对所述若干区域图像进行融合,以获得第三图像,包括:
基于融合式子,对所述3x3矩形区域图像、所述5x5矩形区域图像和所述7x7矩形区域图像进行融合,以获得第三图像。
可选地,所述基于第一差异矩阵、第二差异矩阵和第三差异矩阵,去除所述第一图像中的毛刺,以获得第二图像,包括:
通过如下关系式,对所述3x3矩形区域图像的锚点进行变换:
通过如下关系式,对所述3x3矩形区域图像的锚点进行变换复原:
通过如下关系式,对所述5x5矩形区域图像的锚点进行变换:
通过如下关系式,对所述5x5矩形区域图像的锚点进行变换复原:
通过如下关系式,对所述7x7矩形区域图像的锚点进行变换:
通过如下关系式,对所述7x7矩形区域图像的锚点进行变换复原:
其中,flag表示计数标志;h(i,j)表示图像中在(i,j)点处的灰度值;pointanchor表示中心锚点;x表示矩形区域图像在扫描图像时,中心锚点对应的x轴坐标;y表示矩形区域图像在扫描图像时,中心锚点对应的y轴坐标。
可选地,所述基于融合式子,对所述3x3矩形区域图像、所述5x5矩形区域图像和所述7x7矩形区域图像进行融合,以获得第三图像,包括:
通过如下关系式,对所述3x3矩形区域图像、所述5x5矩形区域图像和所述7x7矩形区域图像进行融合:
其中,himg3(i,j)表示在3x3矩形区域图像中点(i,j)位置对应的像素值,himg4(i,j)表示在5x5矩形区域图像中点(i,j)位置对应的像素值,himg5(i,j)表示在7x7矩形区域图像中点(i,j)位置对应的像素值,himg6(i,j)表示在第三图像中点(i,j)位置对应的像素值,cols和rows均表示像素点位置。
可选地,所述基于所述第三图像的梯度数值,获得第一MASK模板,包括:
分别计算所述第三图像在X轴与Y轴方向上的梯度数值,以获得所述第三图像中每个像素点的融合梯度数值;其中,所述融合梯度数值为X轴与Y轴方向上的梯度数值平方和的算数平方根;
设定融合梯度阈值,以去除所述第三图像中小于所述融合梯度阈值的像素点;
对去除小于所述融合梯度阈值的像素点的所述第三图像进行取反操作,以获得第一MASK模板。
可选地,在所述分别计算所述第三图像在X轴与Y轴方向上的梯度数值,以获得所述第三图像中每个像素点的融合梯度数值,包括:
将所述第三图像映射到投影坐标系中;
对映射到投影坐标系中的所述第三图像,进行尺度复原变换;
将所述第三图像中灰度值为0的像素点区域向X轴和Y轴方向分别进行平行投影,以获得X轴区域长度和Y轴区域长度;
分别获得X轴区域长度和Y轴区域长度的最大值及最小值;
基于最小投影面积,定位第三图像;其中,所述最小投影面积为X轴区域长度的最小值与Y轴区域长度的最小值重叠的区域;
对定位后的所述第三图像进行灰度化处理;
对灰度化处理后的所述第三图像的灰度区域进行扩充处理;
对灰度区域扩充处理后的所述第三图像的灰度区域进行缩放处理;
分别计算进行缩放处理后的所述第三图像在X轴与Y轴方向上的梯度数值,以获得所述第三图像中每个像素点的融合梯度数值。
可选地,所述基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像,包括:
对大于或等于所述融合梯度阈值的所述第三图像的像素点进行首尾相连,以获得所述第三图像的若干全局轮廓线;
对所述第三图像的若干全局轮廓线进行从大到小的排序,以获得所述第三图像的外轮廓区域;
基于所述第三图像的外轮廓区域,获得外轮廓区域质心;其中,所述外轮廓区域质心的x轴坐标为对所有所述全局轮廓线包围的像素点求x轴的平均值,所述外轮廓区域质心的y轴坐标为对所有所述全局轮廓线包围的像素点求x轴的平均值;
对所述第三图像的外轮廓区域进行灰度再赋值;
基于所述第二MASK模板,对灰度再赋值后的所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像。
可选地,所述基于所述第一MASK模板和矩形区域,获得第二MASK模板,包括:
基于所述第三图像投影在X轴上的X轴区域长度和投影在Y轴上的Y轴区域长度的最大值及最小值,获得矩形区域;
将所述MASK模板贴合在所述矩形区域内,以获得到第二MASK模板。
第二方面,一种复材缺陷检测背景噪声滤除装置,所述装置包括:
第一提取模块,用于基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像;其中,所述全尺度特征提取算子包括0°-360°的结构因子;
去除模块,用于基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第二图像包括若干区域图像;
第一融合模块,用于基于融合式子,对所述若干区域图像进行融合,以获得第三图像;
第一获得模块,用于基于所述第三图像的梯度数值,获得第一MASK模板;
第二获得模块,用于基于所述第一MASK模板和矩形区域,获得第二MASK模板;其中,所述矩形区域由所述第三图像在坐标系上的投影而获得;
第二提取模块,用于基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像;
第二融合模块,用于对所述红通道图像、所述绿通道图像和所述蓝通道图像进行融合,以获得第四图像;其中,所述第四图像为噪声滤除处理后的图像。
第三方面,本申请提供了一种计算机设备,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现实施例中所述的方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现实施例中所述的方法。
通过上述技术方案,本申请至少具有如下有益效果:
本申请实施例提出的复材缺陷检测背景噪声滤除方法、装置、设备及介质,该方法通过先基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像;其中,所述全尺度特征提取算子包括0°-360°的结构因子;然后基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第二图像包括若干区域图像;然后基于融合式子,对所述若干区域图像进行融合,以获得第三图像;然后基于所述第三图像的梯度数值,获得第一MASK模板;然后基于所述第一MASK模板和矩形区域,获得第二MASK模板;其中,所述矩形区域由所述第三图像在坐标系上的投影而获得;然后基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像;最后对所述红通道图像、所述绿通道图像和所述蓝通道图像进行融合,以获得第四图像;其中,所述第四图像为噪声滤除处理后的图像。即,本申请的技术方案由于通过全尺度特征提取算子的提取方式对目标板材图像进行提取,且全尺度特征提取算子包括0°-360°的结构因子,因此可以对目标板材图像进行全面的滤除噪声,同时依次对目标板材图像去毛刺后进行融合,再通过得到的第二MASK模板为基础,对目标板材图像的各个通道提取后进行融合,最终得到滤除噪音的目标板材图像。如此通过该方法对目标板材图像的噪声形态特征和灰度特征的适应性更强,可到达更好的去噪声效果,从而更便于滤除复合材料板件的背景噪音,进而更便于对复合材料板件的缺陷进行检测,且由于滤除复合材料板件的背景噪音的效果更好,因此对复合材料板件的缺陷检测的准确度更高。
附图说明
图1为本申请实施例涉及的硬件运行环境的计算机设备结构示意图;
图2为本申请实施例的复材缺陷检测背景噪声滤除方法的流程图;
图3为本申请实施例中未滤除噪音时目标板材图像的示意图;
图4为本申请实施例中3x3矩形区域锚点变换处理后的示意图;
图5为本申请实施例中5x5矩形区域锚点变换处理后的示意图;
图6为本申请实施例中7x7矩形区域锚点变换处理后的示意图;
图7为本申请实施例中融合后得到的第三图像的示意图;
图8为本申请实施例中步骤S13的一种具体执行方法的流程示意图;
图9为本申请实施例中步骤S131的一种具体执行方法的流程示意图;
图10为本申请实施例中将第三图像映射到投影坐标系中后的示意图;
图11为本申请实施例中对第三图像进行平行投影后的示意图;
图12为本申请实施例中对第三图像进行定位后的示意图;
图13为本申请实施例中步骤S15的一种具体执行方法的流程示意图;
图14为本申请实施例中获得第三图像全局轮廓线的示意图;
图15为本申请实施例中对第三图像的外轮廓区域进行灰度再赋值后的示意图;
图16为本申请实施例中融合后得到第四图像后的示意图;
图17为本申请实施例中目标板材图像经过降维后的示意图;
图18为本申请实施例中对目标板材图像进行二次采样的流程示意图;
图19为本申请实施例的复材缺陷检测背景噪声滤除装置的示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请的程序可以基于Windows7系统64位,处理器为Intel(R)Xeon(R)W-22233.60Ghz,运行内存大小为32GB,频率为3200Mhz,硬盘容量为256GB,工业相机的分辨率为1920*1080,扫描方式为面扫描,相机的增益、白平衡和曝光量参数基于相机自适应进行调节,对应的光源为环形白色光源。软件开发平台基于Visual Studio 2019,编程语言为C++,对应的图像处理库为OpenCV4.5.2,基于Release X64平台。
航空复合材料板件是由多种物理与化学性质不同的物质组合固化而成,复合材料按照材料的差异又可分为树脂基碳纤维复合材料、玻璃纤维复合材料、硼纤维复合材料等。其中碳纤维复合材料以其强度高、耐高温等特性广泛应用于航空、航天、电子等领域,在无人机上复合材料的用量与已高达90%以上,复合材料的使用使战斗机的重量大幅度减轻,减重的同时增加了续航里程与载弹量,有效了提升了战机的综合性能。可以说复合材料是当今航空、航天领域不可或缺的重要组成部分,然而复合材料尤其是基于复合材料制造的板件在生产过程中难以避免的存在一定的缺陷,对这些缺陷尤其是表面缺陷检测是保证质量的重要途径之一。
为实现复合材料板件表面缺陷进行检测,常见的方式以人工检测为主,人工检测的主要缺点有检测效率低、检测评价主观性强、评价结果的一致性欠佳等。然而随着飞机产量的增加现有的人工评价方式已难以满足实际的生产需要,急需采用新的具有高检测效率与准确率的检测方式。计算机视觉技术的发展,为采用视觉图像分析的技术手段对复合材料板件表面缺陷的检测成为了可能。
基于视觉的方式对复合材料板件表面缺陷进行检测,首先需要获得研究对象的表面图像,然而在实际的工况中由于高放大倍率、工况复杂和复材切屑等往往获得的板件图像中包含大量的强背景噪声。这些背景噪声对板件的自动化定位、缺陷的识别检测会产生严重的干扰,直接影响了缺陷识别检测算法识别的准确率与精度。为了提高缺陷识别算法的检测准确率,将这些存在于图像背景中潜在的噪声进行去除是重要的技术手段。
为了对这些缺陷尤其是表面缺陷更好的检测,需要滤除掉复合材料板件的背景噪音。但是,目前不便于滤除复合材料板件的背景噪音,从而影响到对复合材料板件的缺陷检测。
为了解决上述技术问题,本申请提供了一种复材缺陷检测背景噪声滤除方法、装置、设备及介质,在介绍本申请的具体技术方案之前,先介绍下本申请实施例方案涉及的硬件运行环境。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意图。
如图1所示,该计算机设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的计算机设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明计算机设备中的处理器1001、存储器1005可以设置在计算机设备中,所述计算机设备通过处理器1001调用存储器1005中存储的复材缺陷检测背景噪声滤除装置,并执行本申请实施例提供的复材缺陷检测背景噪声滤除方法。
参照图2,基于前述实施例的硬件环境,本申请的实施例提供了一种复材缺陷检测背景噪声滤除方法,该方法包括:
S10:基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像;其中,所述全尺度特征提取算子包括0°-360°的结构因子。
在具体实施过程中,目标板材图像是指需要滤除噪音的复合材料板件的彩色图像。全尺度即设计的结构因子包含了0°-360°范围内包含的结构方向,角度最小间隔为10°,即全尺度特征提取算子包括0°与180°结构因子数学模型、10°与190°结构因子数学模型、20°与200°结构因子数学模型、30°与210°结构因子数学模型、40°与220°结构因子数学模型、50°与230°结构因子数学模型、60°与240°结构因子数学模型、70°与250°结构因子数学模型、80°与260°结构因子数学模型、90°与270°结构因子数学模型、100°与280°结构因子数学模型、110°与290°结构因子数学模型、120°与300°结构因子数学模型、130°与310°结构因子数学模型、140°与320°结构因子数学模型、150°与330°结构因子数学模型、160°与340°结构因子数学模型和170°与350°结构因子数学模型。通过全尺度可提升算法对复材板件(目标板材图像)包含倾角情况图像的提取效果。自定义结构因子即结构因子的大小可根据需滤除背景噪声尺度的大小进行自定义调节,以适应不同分辨率、尺寸差异、背景噪声强弱差异的板件复材图像中背景噪声的滤波需要。全尺度自定义结构因子提取特征是通过设计对不同表现形式噪声特征具有滤除能力的滤波器实现,基于图像中噪声模式与结构因子的相似性将噪声特征去除进而达到对复合材料特征区域提取目的。
具体的,如图3所示,图3为具有复杂背景干扰噪声的复合材料板件图像,即目标板材图像。获取分辨率为1920*1080的具有复杂背景干扰噪声的复合材料板件彩色图像(原始图像),相机的参数设定为自适应调节方式,以获得对比度差异较大的研究图像。在获取的图像中共包含了前景区域与背景区域,前景区域为缺陷检测需定位的区域复合材料板件最外层轮廓包含的封闭区域,背景区域为除前景区域以外的其他区域。在图像中的背景区域存在大量的背景噪声,需要将其去除。
S11:基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第二图像包括若干区域图像。
在具体实施过程中,差异矩阵是常规矩阵,但是这里使用多尺度差异矩阵。具体的,基于第一差异矩阵、第二差异矩阵和第三差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第一差异矩阵的大小为3x3,所述第二差异矩阵的大小为5x5,所述第三差异矩阵的大小为7x7;所述第二图像包括3x3矩形区域图像、5x5矩形区域图像和7x7矩形区域图像。
更具体的,设计多尺度差异矩阵区域以去除在第一图像中包含的毛刺。设计的尺度差异矩阵共包含3类:3x3、5x5和7x7大小分别对应尺度1、尺度2、尺度3矩阵。由得到的第一图像分别采用3种尺度矩形区域进行变换处理,3个矩形区域变换方式为独立处理关系。3x3矩形区域图像、5x5矩形区域图像和7x7矩形区域图像的锚点变换和变换复原如下:
3x3矩形区域锚点变换。变换共包含了区域的缩放与复原处理,缩放处理的作用是将图像中的部分毛刺去掉,而复原处理是为了让非毛刺区域的特征与缩放前保持一致,利用噪声的去除效果提升。包含的去毛刺处理与复原处理,(1)3x3矩形区域锚点变换去除毛刺步骤对应的变换式子为:
3x3矩形区域锚点变换复原处理步骤对应的变换式子为:
3x3矩形区域锚点变换处理效果,如图4所示。
(2)5x5矩形区域锚点变换,包含的去毛刺处理与复原处理。
5x5矩形区域锚点变换去除毛刺步骤对应的变换式子为:
5x5矩形区域锚点变换复原处理步骤对应的变换式子为:
5x5矩形区域锚点变换处理效果,如图5所示。
(3)7x7矩形区域锚点变换,包含的去毛刺处理与复原处理。
7x7矩形区域锚点变换去除毛刺步骤对应的变换式子为:
7x7矩形区域锚点变换复原处理步骤对应的变换式子为:
7x7矩形区域锚点变换处理效果,如图6所示。
其中,flag表示计数标志;h(i,j)表示图像中在(i,j)点处的灰度值;pointanchor表示中心锚点;x表示矩形区域图像在扫描图像时,中心锚点对应的x轴坐标;y表示矩形区域图像在扫描图像时,中心锚点对应的y轴坐标。
S12:基于融合式子,对所述若干区域图像进行融合,以获得第三图像。
在具体实施过程中,这里的若干区域图像包括3x3矩形区域图像、5x5矩形区域图像和7x7矩形区域图像,即对步骤S11中3x3矩形区域图像、5x5矩形区域图像和7x7矩形区域图像进行变换及变换复原后进行融合。具体的,融合的方式为对3x3矩形区域、5x5矩形区域和7x7矩形区域三个尺度差异的矩形区域处理后,大小为480*270的结果图像3x3矩形区域图像、5x5矩形区域图像和7x7矩形区域图像中相同像素点位置有且仅有三幅图像中对应位置的灰度值皆为0时,在新建的单通道大小为480*270初始灰度为255的第三图像中对应位置的灰度值为0。更为具体的,多尺度差异处理结果融合式子可表示为:
其中,himg3(i,j)表示在3x3矩形区域图像中点(i,j)位置对应的像素值,himg4(i,j)表示在5x5矩形区域图像中点(i,j)位置对应的像素值,himg5(i,j)表示在7x7矩形区域图像中点(i,j)位置对应的像素值,himg6(i,j)表示在第三图像中点(i,j)位置对应的像素值,cols和rows均表示像素点位置。融合后得到的第三图像,如图7所示。
S13:基于所述第三图像的梯度数值,获得第一MASK模板。
在具体实施过程中,MASK模板为掩模版(mask)简称掩模,是光刻工艺不可缺少的部件,掩模版上承载有设计图形,光线透过它,把设计图形投射在光刻胶上,MASK模板为现有产品。如图8所示,具体的S13包括如下步骤:
S131:分别计算所述第三图像在X轴与Y轴方向上的梯度数值,以获得所述第三图像中每个像素点的融合梯度数值;其中,所述融合梯度数值为X轴与Y轴方向上的梯度数值平方和的算数平方根。
在具体实施过程中,如图9所示,S131包括如下步骤:
S1311:将所述第三图像映射到投影坐标系中。
在具体实施过程中,以第三图像的坐标系为投影的坐标系,坐标系的原点O在左上角位置,水平向左方向表示X轴方向、竖直向下为Y轴方向,建立的图像投影坐标系图像,如图10所示,坐标轴的刻度分度用单位像素pixel表示。融合处理后可得到的第三图像映射到投影坐标系中,第三图像的左上角(0,0)位置点与坐标系的原点O对应,其余位置像素点与坐标系中对应pixel位置对应。
S1312:对映射到投影坐标系中的所述第三图像,进行尺度复原变换。
在具体实施过程中,对坐标系中的第三图像进行尺度复原变换,尺度由映射前的480*270变换为1920*1080,因后续的处理步骤的计算量相对较小且为了将原图提取的特征区域同原图像构成对应映射关系,所以进行尺度的复原变换处理。
S1313:将所述第三图像中灰度值为0的像素点区域向X轴和Y轴方向分别进行平行投影,以获得X轴区域长度和Y轴区域长度。
在具体实施过程中,将第三图像中灰度值为0的像素点区域向坐标系X轴与Y轴方向进行平行投影,投影后分别记录落在X坐标轴与Y坐标轴上对应的行与列对应的区域。在X轴上可得到区域的长度为lx,在Y轴上可得到区域的长度为ly,在坐标系中图像的投影方式与对应区域表示,如图11所示。
S1314:分别获得X轴区域长度和Y轴区域长度的最大值及最小值。
在具体实施过程中,获取坐标系中在X与Y坐标轴上lx与ly区域列cols与行rows的最小值、最大值,对应的数值分别对colsmin、colsmax、rowsmin、rowsmax表示,对该组坐标信息数据进行记录,并以此为获得的轮廓线制作前景区域提取0-1MASK提供坐标区域数据信息。
S1315:基于最小投影面积,定位第三图像;其中,所述最小投影面积为X轴区域长度的最小值与Y轴区域长度的最小值重叠的区域。
在具体实施过程中,基于最小投影面积度量准则定位复合材料板件,最小的投影面积即ly与lx重叠的区域即为复合材料板件所在区域,定位后提取的对应区域具有最少的背景像素填充数量。基于最小投影面积度量准则定位复合材料板件图像,如图12所示。
S1316:对定位后的所述第三图像进行灰度化处理。
在具体实施过程中,由优选的灰度化降维方式对复合材料板件最小投影面积图像进行灰度化处理,然后统计由图像灰度分布数据的最大间方差方式进行降维得到单通道的降维图像。
S1317:对灰度化处理后的所述第三图像的灰度区域进行扩充处理。
在具体实施过程中,在灰度化处理后的第三图像中使用大小为5*5卷积核kernel进行高灰度区域扩充处理,卷积核的锚点为(3,3)位置点,从X轴逐渐最大方向移动卷积核步长为1,直到最大然后变换Y轴增加1pixel单位,依次处理完所有像素位置。扩充的方式为:若在第三图像5*5卷积核范围内存在灰度值会255的像素点,则锚点像素点的灰度值为255,若除锚点像素点之外的24个像素点灰度值全为0,则锚点位置对应的像素点灰度值保持不变。
S1318:对灰度区域扩充处理后的所述第三图像的灰度区域进行缩放处理。
在具体实施过程中,在灰度区域扩充处理后的第三图像中使用大小为5*5卷积核kernel进行高灰度区域缩放处理,卷积核的锚点为(3,3)位置点,从X轴方向逐渐最大移动卷积核步长为1,直到最大然后换换Y增加1pixel单位,依次处理完所有像素位置。缩放的方式为若在灰度区域扩充处理后的所述第三图像5*5卷积核范围内存在灰度值会0的像素点,则锚点像素点的灰度值为0,若除锚点像素点之外的24个像素点灰度值全为255,则锚点位置对应的像素点灰度值保持不变。
S1319:分别计算进行缩放处理后的所述第三图像在X轴与Y轴方向上的梯度数值,以获得所述第三图像中每个像素点的融合梯度数值。
在具体实施过程中,对扩充处理和缩放处理后的第三图像分别计算在X轴与Y轴方向上的梯度数值,梯度数值的计算方式皆采用一阶差分的方式进行计算,然后计算两个数值平方和的算数平方根得到融合梯度数值Cgra。
S132:设定融合梯度阈值,以去除所述第三图像中小于所述融合梯度阈值的像素点。
在具体实施过程中,对每个像素点(x,y)的融合梯度数值进行计算Cgra(x,y),然后设定融合梯度筛选阈值thresholdc,对小于梯度阈值的点进行去除,大于等于阈值的点保留。
S133:对去除小于所述融合梯度阈值的像素点的所述第三图像进行取反操作,以获得第一MASK模板。
在具体实施过程中,对第三图像中的灰度值进行取反操作,反操作即第三图像中灰度值为255的像素点灰度值变为0,图像中灰度值为0的像素点灰度值变为255,然后将第三图像中灰度值为255的像素点灰度值至为1,即可得到第一MASK模板。
S14:基于所述第一MASK模板和矩形区域,获得第二MASK模板;其中,所述矩形区域由所述第三图像在坐标系上的投影而获得。
在具体实施过程中,先基于所述第三图像投影在X轴上的X轴区域长度和投影在Y轴上的Y轴区域长度的最大值及最小值,获得矩形区域;然后将所述MASK模板贴合在所述矩形区域内,以获得到第二MASK模板。
更为具体的,由之前步骤获得的colsmin、colsmax、rowsmin、rowsmax数值,并结合原图信息在同原图等尺度的单通道灰度值为0的图像中,根据colsmin、colsmax、rowsmin、rowsmax数值找到4个坐标点A(colsmin,rowsmin)、B(colsmin,rowsmax)、C(colsmax,rowsmax)、B(colsmax,rowsmin)构成的矩形区域,将第一MASK贴合在矩形区域内得到第二MASK。
S15:基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像。
在具体实施过程中,如图13所示,步骤S15具体包括如下步骤:
S151:对大于或等于所述融合梯度阈值的所述第三图像的像素点进行首尾相连,以获得所述第三图像的若干全局轮廓线。
在具体实施过程中,根据最近邻原则对所有经过阈值处理后的像素点进行首尾相连,得到复合材料板件(第三图像)的全局轮廓线,如图14所示。
S152:对所述第三图像的若干全局轮廓线进行从大到小的排序,以获得所述第三图像的外轮廓区域。
在具体实施过程中,对所有第三图像的全局轮廓线的封闭区域S进行从大到小的排序,仅保留区域面积最大Smax对应的封闭轮廓线,该轮廓线所在的区域即为复合材料板件的最外侧轮廓线段,基于轮廓线段可得到复合材料板件(第三图像)外轮廓区域。
S153:基于所述第三图像的外轮廓区域,获得外轮廓区域质心;其中,所述外轮廓区域质心的x轴坐标为对所有所述全局轮廓线包围的像素点求x轴的平均值,所述外轮廓区域质心的y轴坐标为对所有所述全局轮廓线包围的像素点求x轴的平均值。
在具体实施过程中,计算外轮廓线包围区域的质心,质心的计算方式为对所有外轮廓线包围的像素点求x轴与y轴值的平均值,令得到的质心坐标为C(x,y)。
S154:对所述第三图像的外轮廓区域进行灰度再赋值。
在具体实施过程中,使用上下左右1pixel单位距离4邻域灰度相等关系,仅包含最外侧封闭轮廓线段的第三图像进行灰度再赋值,初始的质心坐标为C(x,y)。若与质心坐标为C(x,y)上下左右位置的像素点的灰度值为255,则其灰度值变为0,然后循环的判断变为0像素点在4邻域范围内的灰度值若为0,则停止搜索,若为255则为0,直至所有的像素点搜索完成为止。基于上下左右1pixel单位距离4邻域灰度相等关系判断的赋值图像,如图15所示。
S155:基于所述第二MASK模板,对灰度再赋值后的所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像。
在具体实施过程中,将第二MASK模板和第三图像各个通道进行提取,若第二MASK模板中对应位置像素点的灰度值为1,则在复合材料板件彩色图像单通道(R、G、B)中的灰度值保持不变,若第二MASK模板中对应位置像素点的灰度值为0,则在第三图像的单通道(R、G、B)中的灰度值为(255、255、255)。
S16:对所述红通道图像、所述绿通道图像和所述蓝通道图像进行融合,以获得第四图像;其中,所述第四图像为噪声滤除处理后的图像。
在具体实施过程中,对采集的复合材料板件彩色图像(第三图像)各个通道进行提取后,可得到红通道图像、所述绿通道图像和所述蓝通道图像分别对应红、绿、蓝通道噪声去除后的图像,然后对红通道图像、所述绿通道图像和所述蓝通道图像进行融合即可得到最后的强背景噪声滤除处理图像,如图16所示,为最后的滤波效果图。
综上,本申请的技术方案由于通过全尺度特征提取算子的提取方式对目标板材图像进行提取,且全尺度特征提取算子包括0°-360°的结构因子,因此可以对复材板件进行全面的滤除噪声。同时依次对目标板材图像去毛刺后进行融合,再通过得到的第二MASK模板为基础,对目标板材图像的各个通道提取后进行融合,最终得到滤除噪音的目标板材图像。如此通过该方法对目标板材图像的噪声形态特征和灰度特征的适应性更强,可到达更好的去噪声效果,从而更便于滤除复合材料板件的背景噪音,进而更便于对复合材料板件的缺陷进行检测。且由于滤除复合材料板件的背景噪音的效果更好,因此对复合材料板件的缺陷检测的准确度更高。
在一些实施例中,在所述基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像的步骤之前还包括:
S20:基于单通道图像,对目标板材图像进行一次降维处理。
在具体实施过程中,基于设计的高对比度单通道图像优选方法进行降维处理:1)分别统计彩色图像(目标板材图像)3通道在0-255共256级灰度范围内像素点的数量分布,绘制不同灰度像素点的分布数量曲线关系图;2)目标板材图像中坐标系的X轴表示灰度级从0开始至255,坐标系的Y轴表示某一特定灰度级在图像中的像素数量;3)得到3通道图像对应3副像素点分布关系图像;4)计算3副图像中数量曲线两波峰之间的距离L1、L2和L3(L1、L2和L3分别对应红、绿和蓝通道图像),距离指波峰所跨越的灰度级数;5)比较L1、L2和L3数值大小,若L1最大,则一次降维处理采用取红色通道的图像,若L2最大,则一次降维处理采用取绿色通道的图像,若L3最大,则一次降维处理采用取蓝色通道的图像。
S21:基于图像灰度分布数据的最大类间方差,对一次降维处理后的所述目标板材图像进行二次降维处理。
所述基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像的步骤包括:基于全尺度特征提取算子,对二次降维后的所述目标板材图像的特征进行提取,以获得第一图像。
在具体实施过程中,基于图像灰度分布数据的最大间方差方式进行降维处理:1)获得一次降维处理后目标板材图像的归一化直方图,对应的灰度级数为N;2)采用式子对图像计算累积和(其中,pi表示在目标板材图像中对应i灰度级像素数同总像素占比);3)采用式子计算累积均值;4)采用式子计算全局灰度均值;5)由得到的数值计算类间方差并得到k*,使得类间方差最大;6)基于计算得到的k*值对目标板材图像进行第二步降维;7)像素点的灰度值仅用0与255表示,大于等于k*的灰度值变换为255,否则变换为0。经过2步降维处理后可获得低维度复合材料表面图像(目标板材图像),如图17所示。通过两次降维后,可以将目标板材图像每个通道包含的前景与背景特征信息维度变得更少,从而更便于对目标板材图像进行后续的操作。
可选地,如图18所示,在所述基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像的步骤之前还包括:
S30:提取二次降维后的所述目标板材图像的奇数列灰度值和偶数行灰度值,以获得一次降采样图像。
在具体实施过程中,提取降维后目标板材图像的奇数列与偶数行对应位置的灰度值,对于1920*1080的原图像对应的奇数列为1、3、5、…、1919共960列,对应的偶数行为2、4、6、…、1080共540行,基于960列与540行对应的灰度数据组成一次降采样图像,对应的分辨率为960*540。
S31:提取所述一次降采样图像的奇数列灰度值和偶数行灰度值,以获得二次降采样图像。
所述基于全尺度特征提取算子,对二次降维后的所述目标板材图像的特征进行提取,以获得第一图像的步骤包括:基于全尺度特征提取算子,对二次降采样图像的特征进行提取,以获得第一图像。
在具体实施过程中,提取一次降采样图像的偶数列与奇数行对应位置的灰度值,对于960*540的原图像对应的偶数列为2、4、6、…、960共480列,对应的奇数行为1、3、5、…、539共270行,基于480列与270行对应的灰度数据组成二次降采样图像,对应的分辨率为480*270。通过对二次降维后的目标板材图像进行两次降采样处理后,可以极大的提高计算量算法的运行效率。
综上,本申请提出的方法可对复合材料板件图像中弱、强背景噪声的滤除,同时由于设计了全角度特征提取方式可对具有倾角的复材板件同样具有良好的噪声去除能力。相比于传统的方法,本发明提出的方法对噪声形态特征、灰度特征的适应性更强,可到达更好的去噪声效果。基于噪声滤除结果图像,利于采用自动化的手段对复合材料板件表面缺陷准确检测与识别,为航空、航天复材板件高效、高精度的检测奠定了基础,同时为基于图像分析方式去燥对形态为矩形、方形的研究对象提供了参考方法。
在另一实施例中,如图19所示,基于与前述实施例相同的发明思路,本申请的实施例还提供了一种仓储物流配送路径规划装置,该装置包括:
第一提取模块,用于基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像;其中,所述全尺度特征提取算子包括0°-360°的结构因子;
去除模块,用于基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第二图像包括若干区域图像;
第一融合模块,用于基于融合式子,对所述若干区域图像进行融合,以获得第三图像;
第一获得模块,用于基于所述第三图像的梯度数值,获得第一MASK模板;
第二获得模块,用于基于所述第一MASK模板和矩形区域,获得第二MASK模板;其中,所述矩形区域由所述第三图像在坐标系上的投影而获得;
第二提取模块,用于基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像;
第二融合模块,用于对所述红通道图像、所述绿通道图像和所述蓝通道图像进行融合,以获得第四图像;其中,所述第四图像为噪声滤除处理后的图像。
需要说明的是,本实施例中复材缺陷检测背景噪声滤除装置中各模块是与前述实施例中的复材缺陷检测背景噪声滤除方法中的各步骤一一对应,因此,本实施例的具体实施方式和达到的技术效果可参照前述复材缺陷检测背景噪声滤除方法的实施方式,这里不再赘述。
此外,在一种实施例中,本申请还提供一种计算机设备,所述计算机设备包括处理器,存储器以及存储在所述存储器中的计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法。
此外,在一种实施例中,本申请还提供一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,计算机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种复材缺陷检测背景噪声滤除方法,其特征在于,所述方法包括:
基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像;其中,所述全尺度特征提取算子包括0°-360°的结构因子;
基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第二图像包括若干区域图像;
基于融合式子,对所述若干区域图像进行融合,以获得第三图像;
基于所述第三图像的梯度数值,获得第一MASK模板;
基于所述第一MASK模板和矩形区域,获得第二MASK模板;其中,所述矩形区域由所述第三图像在坐标系上的投影而获得;
基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像;
对所述红通道图像、所述绿通道图像和所述蓝通道图像进行融合,以获得第四图像;其中,所述第四图像为噪声滤除处理后的图像。
2.如权利要求1所述的复材缺陷检测背景噪声滤除方法,其特征在于,在所述基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像的步骤之前,还包括:
基于单通道图像,对目标板材图像进行一次降维处理;
基于图像灰度分布数据的最大类间方差,对一次降维处理后的所述目标板材图像进行二次降维处理;
所述基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像,包括:
基于全尺度特征提取算子,对二次降维后的所述目标板材图像的特征进行提取,以获得第一图像。
3.如权利要求2所述的复材缺陷检测背景噪声滤除方法,其特征在于,在所述基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像的步骤之前,还包括:
提取二次降维后的所述目标板材图像的奇数列灰度值和偶数行灰度值,以获得一次降采样图像;
提取所述一次降采样图像的奇数列灰度值和偶数行灰度值,以获得二次降采样图像;
所述基于全尺度特征提取算子,对二次降维后的所述目标板材图像的特征进行提取,以获得第一图像,包括:
基于全尺度特征提取算子,对二次降采样图像的特征进行提取,以获得第一图像。
4.如权利要求1所述的复材缺陷检测背景噪声滤除方法,其特征在于,所述基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第二图像包括若干区域图像,包括:
基于第一差异矩阵、第二差异矩阵和第三差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第一差异矩阵的大小为3 x 3,所述第二差异矩阵的大小为5 x 5,所述第三差异矩阵的大小为7 x 7;所述第二图像包括3 x 3矩形区域图像、5 x 5矩形区域图像和7 x 7矩形区域图像;
所述基于融合式子,对所述若干区域图像进行融合,以获得第三图像,包括:
基于融合式子,对所述3 x 3矩形区域图像、所述5 x 5矩形区域图像和所述7 x 7矩形区域图像进行融合,以获得第三图像。
5.如权利要求4所述的复材缺陷检测背景噪声滤除方法,其特征在于,所述基于第一差异矩阵、第二差异矩阵和第三差异矩阵,去除所述第一图像中的毛刺,以获得第二图像,包括:
通过如下关系式,对所述3 x 3矩形区域图像的锚点进行变换:
通过如下关系式,对所述3 x 3矩形区域图像的锚点进行变换复原:
通过如下关系式,对所述5 x 5矩形区域图像的锚点进行变换:
通过如下关系式,对所述5 x 5矩形区域图像的锚点进行变换复原:
通过如下关系式,对所述7 x 7矩形区域图像的锚点进行变换:
通过如下关系式,对所述7 x 7矩形区域图像的锚点进行变换复原:
其中,flag表示计数标志;h(i,j)表示图像中在(i,j)点处的灰度值;pointanchor表示中心锚点;x表示矩形区域图像在扫描图像时,中心锚点对应的x轴坐标;y表示矩形区域图像在扫描图像时,中心锚点对应的y轴坐标。
6.如权利要求4所述的复材缺陷检测背景噪声滤除方法,其特征在于,所述基于融合式子,对所述3 x 3矩形区域图像、所述5 x 5矩形区域图像和所述7 x 7矩形区域图像进行融合,以获得第三图像,包括:
通过如下关系式,对所述3 x 3矩形区域图像、所述5 x 5矩形区域图像和所述7 x 7矩形区域图像进行融合:
其中,himg3(i,j)表示在3 x 3矩形区域图像中点(i,j)位置对应的像素值,himg4(i,j)表示在5 x 5矩形区域图像中点(i,j)位置对应的像素值,himg5(i,j)表示在7 x 7矩形区域图像中点(i,j)位置对应的像素值,himg6(i,j)表示在第三图像中点(i,j)位置对应的像素值,cols和rows均表示像素点位置。
7.如权利要求1所述的复材缺陷检测背景噪声滤除方法,其特征在于,所述基于所述第三图像的梯度数值,获得第一MASK模板,包括:
分别计算所述第三图像在X轴与Y轴方向上的梯度数值,以获得所述第三图像中每个像素点的融合梯度数值;其中,所述融合梯度数值为X轴与Y轴方向上的梯度数值平方和的算数平方根;
设定融合梯度阈值,以去除所述第三图像中小于所述融合梯度阈值的像素点;
对去除小于所述融合梯度阈值的像素点的所述第三图像进行取反操作,以获得第一MASK模板。
8.如权利要求7所述的复材缺陷检测背景噪声滤除方法,其特征在于,在所述分别计算所述第三图像在X轴与Y轴方向上的梯度数值,以获得所述第三图像中每个像素点的融合梯度数值,包括:
将所述第三图像映射到投影坐标系中;
对映射到投影坐标系中的所述第三图像,进行尺度复原变换;
将所述第三图像中灰度值为0的像素点区域向X轴和Y轴方向分别进行平行投影,以获得X轴区域长度和Y轴区域长度;
分别获得X轴区域长度和Y轴区域长度的最大值及最小值;
基于最小投影面积,定位第三图像;其中,所述最小投影面积为X轴区域长度的最小值与Y轴区域长度的最小值重叠的区域;
对定位后的所述第三图像进行灰度化处理;
对灰度化处理后的所述第三图像的灰度区域进行扩充处理;
对灰度区域扩充处理后的所述第三图像的灰度区域进行缩放处理;
分别计算进行缩放处理后的所述第三图像在X轴与Y轴方向上的梯度数值,以获得所述第三图像中每个像素点的融合梯度数值。
9.如权利要求7所述的复材缺陷检测背景噪声滤除方法,其特征在于,所述基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像,包括:
对大于或等于所述融合梯度阈值的所述第三图像的像素点进行首尾相连,以获得所述第三图像的若干全局轮廓线;
对所述第三图像的若干全局轮廓线进行从大到小的排序,以获得所述第三图像的外轮廓区域;
基于所述第三图像的外轮廓区域,获得外轮廓区域质心;其中,所述外轮廓区域质心的x轴坐标为对所有所述全局轮廓线包围的像素点求x轴的平均值,所述外轮廓区域质心的y轴坐标为对所有所述全局轮廓线包围的像素点求x轴的平均值;
对所述第三图像的外轮廓区域进行灰度再赋值;
基于所述第二MASK模板,对灰度再赋值后的所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像。
10.如权利要求1所述的复材缺陷检测背景噪声滤除方法,其特征在于,所述基于所述第一MASK模板和矩形区域,获得第二MASK模板,包括:
基于所述第三图像投影在X轴上的X轴区域长度和投影在Y轴上的Y轴区域长度的最大值及最小值,获得矩形区域;
将所述MASK模板贴合在所述矩形区域内,以获得到第二MASK模板。
11.一种复材缺陷检测背景噪声滤除装置,其特征在于,所述装置包括:
第一提取模块,用于基于全尺度特征提取算子,对目标板材图像的特征进行提取,以获得第一图像;其中,所述全尺度特征提取算子包括0°-360°的结构因子;
去除模块,用于基于差异矩阵,去除所述第一图像中的毛刺,以获得第二图像;其中,所述第二图像包括若干区域图像;
第一融合模块,用于基于融合式子,对所述若干区域图像进行融合,以获得第三图像;
第一获得模块,用于基于所述第三图像的梯度数值,获得第一MASK模板;
第二获得模块,用于基于所述第一MASK模板和矩形区域,获得第二MASK模板;其中,所述矩形区域由所述第三图像在坐标系上的投影而获得;
第二提取模块,用于基于所述第二MASK模板,对所述第三图像的各个通道进行提取,以获得红通道图像、绿通道图像和蓝通道图像;
第二融合模块,用于对所述红通道图像、所述绿通道图像和所述蓝通道图像进行融合,以获得第四图像;其中,所述第四图像为噪声滤除处理后的图像。
12.一种计算机设备,其特征在于,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009247.0A CN115439352A (zh) | 2022-08-22 | 2022-08-22 | 一种复材缺陷检测背景噪声滤除方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009247.0A CN115439352A (zh) | 2022-08-22 | 2022-08-22 | 一种复材缺陷检测背景噪声滤除方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115439352A true CN115439352A (zh) | 2022-12-06 |
Family
ID=84244789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009247.0A Pending CN115439352A (zh) | 2022-08-22 | 2022-08-22 | 一种复材缺陷检测背景噪声滤除方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439352A (zh) |
-
2022
- 2022-08-22 CN CN202211009247.0A patent/CN115439352A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4824987B2 (ja) | パターンマッチング装置およびそれを用いた半導体検査システム | |
EP2534612B1 (en) | Efficient scale-space extraction and description of interest points | |
CN106778659B (zh) | 一种车牌识别方法及装置 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN114897864B (zh) | 基于数模信息的工件检测及缺陷判断方法 | |
EP2447884B1 (en) | Method for detecting and recognising an object in an image, and an apparatus and a computer program therefor | |
US10152646B2 (en) | Keypoint identification | |
JP2005234603A (ja) | 地図情報更新方法及び地図更新装置 | |
CN108763575B (zh) | 基于像控点数据库的像控点自动选取方法 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
TWI664421B (zh) | 用於影像處理的方法、設備、及電腦軟體產品 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN112085708A (zh) | 产品外轮廓中的直线边缘的缺陷检测方法及设备 | |
CN111260735B (zh) | 一种单次拍摄的lidar与全景相机的外参数标定方法 | |
CN112418210B (zh) | 一种杆塔巡检信息智能分类方法 | |
CN116862881A (zh) | 基于图像处理的多目标实时偏移检测方法 | |
CN115439352A (zh) | 一种复材缺陷检测背景噪声滤除方法、装置、设备及介质 | |
CN111178398A (zh) | 检测身份证图像信息篡改的方法、系统、存储介质及装置 | |
KR101574195B1 (ko) | 모바일 플랫폼에 기반한 가상 카메라의 자동 캘리브레이션 방법 | |
JP5684550B2 (ja) | パターンマッチング装置およびそれを用いた半導体検査システム | |
CN114663681A (zh) | 用于对指针式仪表进行读数的方法及其相关产品 | |
CN114255398A (zh) | 一种卫星视频图像的特征提取与匹配的方法及装置 | |
CN109215068B (zh) | 图像放大率测量方法及装置 | |
CN113743413B (zh) | 一种结合图像语义信息的视觉slam方法及系统 |
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 |