CN115496692A - 一种润滑油磨粒图像增强方法 - Google Patents
一种润滑油磨粒图像增强方法 Download PDFInfo
- Publication number
- CN115496692A CN115496692A CN202211437131.7A CN202211437131A CN115496692A CN 115496692 A CN115496692 A CN 115496692A CN 202211437131 A CN202211437131 A CN 202211437131A CN 115496692 A CN115496692 A CN 115496692A
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- image
- density
- radius
- 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
Links
- 239000010687 lubricating oil Substances 0.000 title claims abstract description 68
- 239000002245 particle Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000005315 distribution function Methods 0.000 claims abstract description 24
- 230000001186 cumulative effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 230000001965 increasing effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 239000000314 lubricant Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000006061 abrasive grain Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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 by the use of 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 by the use of histogram techniques
-
- G06T5/90—
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
Abstract
本发明涉及一种润滑油磨粒图像增强方法,属于图像处理技术领域,该方法步骤包括:采集待分析润滑油磨粒的灰度图像;对灰度图像内灰度值大于邻域灰度均值的像素点进行修正;利用修正后灰度图像内每个像素点的灰度值和邻域灰度均值构建二维灰度图;对二维灰度图内包含的数据点进行局部密度聚类,并根据包含对角线上像素点的聚类簇集合构建累积分布函数曲线;将累积分布函数曲线中最大斜率对应的数据点作为分割灰度值;利用分割灰度值进行分段线性增强得到增强后灰度图像;本发明利用局部密度聚类算法获取二维灰度图内主体像素点,最后根据选取的主体像素点构建累积分布函数曲线,确定磨粒和润滑油的分割灰度值。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种润滑油磨粒图像增强方法。
背景技术
现代化工业向智能化、连续化的方向迅速发展,但是磨损一直是关乎机械设备使用性能及年限的重要问题,在柴油机和发动机等等需要润滑油来进行润滑的设备中,润滑油会在机器摩擦的表面形成一层油膜,避免接触面直接接触而发生干摩擦,但是在机器工作过程中其摩擦副接触表面因相对运动而产生的磨损颗粒进入到润滑油中,会导致润滑油性能下降,同时磨损颗粒随润滑油进入摩擦副接触表面会使摩擦副磨损加剧;因此,根据不同机器的运行特点,每隔一段时间就需要对润滑油进行取样,综合分析润滑油中金属磨损颗粒数量、粒度、形态和成分,来判断机器和各个零部件运行工况。
在对润滑油中金属磨损颗粒数量、粒度、形态和成分进行分析时,需要识别润滑油中金属磨损颗粒,一般是先采集润滑油磨粒图像,之后是对润滑油磨粒图像进行增强,在对润滑油磨粒图像进行增强时,一般采用分段线性变化,而采用分段线性变化对图像增强的方式,最难确定的就是图像中目标区域和背景区域的分割灰度值,由于润滑油磨粒图像中的信息随机性很强,复杂度高,并且不同的润滑油浓度颜色差异不同,润滑油还容易被污染导致对润滑油中磨粒识别不准确,同时润滑油与磨粒之间的颜色差距也不明显,导致不能准确确定出润滑油与磨粒之间的分割灰度值,而如果在分割灰度值出现误差的情况下对润滑油磨粒图像进行增强,在后续润滑油磨粒分析时会造成故障的误诊断。
发明内容
本发明提供一种润滑油磨粒图像增强方法,首先对灰度图像中噪声像素点进行修正得到修正后灰度图像,然后利用局部密度聚类算法最大程度的获取磨粒内部和润滑油主体像素点,最后根据选取的主体像素点构建累积分布函数曲线,确定出磨粒和润滑油的分割灰度值。
本发明的一种润滑油磨粒图像增强方法采用如下技术方案:
S1、采集待分析润滑油磨粒的灰度图像;
S2、对灰度图像内灰度值大于邻域灰度均值的像素点进行均值滤波修正,得到修正后灰度图像;
S3、利用修正后灰度图像内每个像素点的灰度值和邻域灰度均值,构建二维灰度图;其中,二维灰度图的横坐标为像素点的灰度值,二维灰度图的纵坐标为像素点的邻域灰度均值;
S4、获取以二维灰度图中对角线上每个数据点为圆心,以预设初始半径值为半径构建的每个圆形区域内的密度;利用每个圆形区域内的密度和二维灰度图中对角线上数据点的总数,计算出预设初始半径值对应的密度稳定程度;
S5、当预设初始半径值下的密度稳定程度不满足期望值时,改变预设初始半径值得到改变后半径值,重复步骤S4得到在改变后半径值下的密度稳定程度;依次迭代,直至密度稳定程度满足期望值时停止迭代;将第一次满足期望值的改变后半径值作为最终半径值;
S6、以最终半径值为邻域半径对二维灰度图内包含的数据点进行局部密度聚类,得到包含对角线上像素点的聚类簇集合;根据聚类簇集合中每个数据点在修正后灰度图像中对应的像素点个数,按照数据点对应的灰度值从小到大的顺序构建累积分布函数曲线;
S7、获取累积分布函数曲线中最大斜率对应的数据点,将该数据点对应的灰度值作为分割灰度值;
S8、利用分割灰度值对修正后灰度图像进行分段线性增强得到增强后灰度图像。
进一步地,该方法还包括:
当预设初始半径值下的密度稳定程度大于预设稳定程度阈值时,按预设步长增加预设初始半径得到增加后半径值,重复步骤S4得到在增加后半径值下的密度稳定程度;依次迭代,直至密度稳定程度小于或等于预设稳定程度阈值时停止迭代;将停止迭代时的增加后半径值作为最终半径值。
进一步地,该方法还包括:
当预设初始半径值下的密度稳定程度小于或等于预设稳定程度阈值时,按预设步长减小预设初始半径得到减小后半径值,重复步骤S4得到在减小后半径值下的密度稳定程度;依次迭代,直至密度稳定程度大于预设稳定程度阈值时停止迭代;将停止迭代时上一次参与迭代的减小后半径值作为最终半径值。
进一步地,所述对灰度图像内灰度值大于邻域灰度均值的像素点进行均值滤波修正,得到修正后灰度图像的步骤包括:
将灰度图像内灰度值大于邻域灰度均值的像素点筛选出作为筛选后像素点;
将每个筛选后像素点的灰度值,均替换为以每个筛选后像素点为中心像素点的邻域灰度均值,得到每个筛选后像素点的替换后灰度值;
同时将筛选后像素点按照替换后灰度值重新标注在灰度图像内,得到修正后灰度图像。
进一步地,所述预设初始半径值对应的密度稳定程度的计算步骤包括:
利用以预设初始半径值为半径构建的每个圆形区域内的密度和二维灰度图中对角线上数据点的总数,计算出以预设初始半径值为半径构建的多个圆形区域的密度方差;
将多个圆形区域的密度方差负值进行归一化处理,将归一化后的密度方差负值作为预设初始半径值对应的密度稳定程度。
进一步地,所述根据聚类簇集合中每个数据点在修正后灰度图像中对应的像素点个数,按照数据点对应的灰度值从小到大的顺序构建累积分布函数曲线的步骤包括:
根据聚类簇集合中每个数据点对应的灰度值和邻域灰度均值,确定每个数据点在三维坐标系中对应的像素点个数;
按照数据点对应的灰度值从小到大的顺序,构建每个数据点在修正后灰度图像中对应的像素点个数的累积分布函数曲线。
进一步地,所述利用分割灰度值对修正后灰度图像进行分段线性增强得到增强后灰度图像的步骤包括:
构建修正后灰度图像的修正后灰度直方图;
将修正后灰度直方图中像素点数量最多时对应的灰度值标记为最多灰度值,将修正后灰度直方图中小于分割灰度值且像素点数量最少时对应的灰度值标记为最少灰度值;
利用预设第一灰度值、分割灰度值、最多灰度值、预设第二灰度值,将修正后灰度直方图按照灰度值从小到大的顺序依次分为第一区间段、第二区间段以及第三区间段;
将分割灰度值与最小灰度值的比值作为第一区间段的线性增强系数;
计算出最多灰度值与分割灰度值的第一差值,同时计算出最多灰度值与最少灰度值的第二差值;
将第一差值与第二差值的比值,作为第二区间段和第三区间段的线性增强系数。
进一步地,所述每个圆形区域内的密度的计算步骤包括:
将每个圆形区域内包含的数据点的数量与该圆形区域面积的比值,作为每个圆形区域的密度。
本发明的有益效果是:
本发明提供的一种润滑油磨粒图像增强方法,首先对原灰度图像中噪声点进行均值滤波修正得到修正后灰度图像,获取修正后灰度图像能保证后续分析时减小噪点对邻域灰度均值的影响,相较于现有图像预处理过程中,对图像中全部像素点进行均值滤波去噪处理,更具有针对性。
之后在修正后灰度图像的基础上构建二维灰度图,以二维灰度图中对角线上数据点为中心点得到密度稳定程度,因为刚好落在对角线之上的数据点,为中心点灰度值等于邻域内灰度均值的像素点;当灰度值较小且属于磨粒内部像素点时,中心点像素值等于邻域内灰度均值;当灰度值较大且属于润滑油区域像素点,中心点像素值等于邻域内灰度均值;当灰度值较小且属于磨粒边缘像素点,即中心点灰度值小于邻域内灰度均值,由此可知,本发明中二维灰度图中对角线上数据点为需要的主体像素点,因此对位于对角线上像素点进行分析即可。
为了包含更多的主体像素点,以二维灰度图中对角线上每个数据点为圆心,以预设初始半径值为半径构建的多个圆形区域,利用每个圆形区域内的密度和二维灰度图中对角线上数据点的总数,计算出预设初始半径值对应的密度稳定程度,当预设初始半径值对应的密度稳定程度不满足期望值时,对预设初始半径值进行改变不断迭代计算,直至改变后半径值对应的密度稳定程度满足期望值时得到最终半径值,按照最终半径值进行局部密度聚类,得到包含对角线上像素点的聚类结果集合,聚类结果集合中包含了更多的主体像素点,根据聚类结果集合中每个数据点在修正后灰度图像中对应的像素点个数,构建累积分布函数曲线,确定磨粒和润滑油的分割灰度值,避免在后续润滑油磨粒分析时造成故障的误诊断。
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为本发明的一种润滑油磨粒图像增强方法的实施例总体步骤的示意图;
图2为本发明中专用的图像采集台;
图3为本发明中以二维灰度图中对角线上每个数据点为圆心构建的圆形区域示意图。
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。
实施例1:
本实施例提供一种润滑油磨粒图像增强方法,如图1所示,该方法包括:
S1、采集待分析润滑油磨粒的灰度图像。
本发明中以汽车为例,汽车发动机在工作过程中其摩擦副接触表面因相对运动而产生的磨损颗粒进入到润滑油中,会导致润滑油性能下降,同时磨损颗粒随润滑油进入摩擦副接触表面会使摩擦副磨损加剧;因此,根据汽车的运行特点,每行驶一定里程即每隔一段时间就需要对汽车发动机内润滑油进行取样分析,分析汽车发动机润滑油中金属磨损颗粒数量、粒度、形态和成分,来判断汽车发动机的运行工况。
由于润滑油中包含磨粒,在进行润滑油磨粒分析之前,需要将收集到的待分析润滑油和磨粒同时倒入专用的图像采集台中,如图2所示,为专用的图像采集台,同时由于润滑油中可能包含灰尘以及细小的杂质,所以在检测时需要高清分辨率的相机拍摄混合之后的润滑油图像,且保证润滑油能匀速或者均匀的铺设在取样通道上,并采集多张图像用作后续分析。
S2、对灰度图像内灰度值大于邻域灰度均值的像素点进行均值滤波修正,得到修正后灰度图像。
对灰度图像内灰度值大于邻域灰度均值的像素点进行均值滤波修正,得到修正后灰度图像的步骤包括:将灰度图像内灰度值大于邻域灰度均值的像素点筛选出作为筛选后像素点;将每个筛选后像素点的灰度值,均替换为以每个筛选后像素点为中心像素点的邻域灰度均值,得到每个筛选后像素点的替换后灰度值;同时将筛选后像素点按照替换后灰度值重新标注在灰度图像内,得到修正后灰度图像。
由于润滑油中的磨粒基本都处于灰度值较低的范围,拍摄到的图像也是以润滑油为主体的,所以润滑油在整张图像中是占据像素值较大且像素点数量最多的部分的,传统灰度均衡化主要是将灰度图像中的润滑油部分进行均衡化的,并不符合想要的对磨粒的低亮像素点进行增强,对高亮的润滑油像素点进行抑制的思路。且在直方图均衡化时会对一些像素点数量较少的像素点进行归并,但是在归并过程中有些归并会造成图像细节的消失,所以此时的归并是不合理的,所以在对图像增强之前,先对某些像素点灰度值进行修正,再对图像的增强系数进行计算。
而在理想状态下,只存以下几种中心像素点灰度值-中心像素点邻域内灰度均值的情况:灰度值较小且属于磨粒内部像素点,即中心点像素点灰度值等于邻域内灰度均值;灰度值较大且属于润滑油区域像素点,即中心点像素点灰度值等于邻域内灰度均值;灰度值较小且属于磨粒边缘像素点,即中心像素点灰度值小于邻域内灰度均值。
对于中心点像素点灰度值大于邻域内灰度均值的情况,表明此时润滑油面出现微小反光点或是出现灰尘等杂质进入,所以此时应对其进行修正。
若某一像素点的灰度值为且以该像素点为中心像素点的邻域内灰度均值为,即,那么此时应对该像素点进行修正,获取当前邻域内均值所对应的中心点像素灰度值,并用灰度值重新给中心像素点进行赋值,即变化后的像素点坐标变为,此时,即对灰度图像内灰度值大于邻域灰度均值的像素点进行均值滤波修正。
S3、利用修正后灰度图像内每个像素点的灰度值和邻域灰度均值,构建二维灰度图;其中,二维灰度图的横坐标为像素点的灰度值,二维灰度图的纵坐标为像素点的邻域灰度均值。
通过步骤S2完成了对灰度图像内灰度值大于邻域灰度均值的像素点的灰度值修正,修正完成之后,即在二维灰度图中不存在对角线之下的数据点,即在灰度直方图中,对某些像素点灰度值较高的像素点进行了像素点灰度值的降低,实现了对像素点灰度值的矫正。
S4、获取以二维灰度图中对角线上每个数据点为圆心,以预设初始半径值为半径构建的每个圆形区域内的密度;利用每个圆形区域内的密度和二维灰度图中对角线上数据点的总数,计算出预设初始半径值对应的密度稳定程度。
预设初始半径值对应的密度稳定程度的计算步骤包括:利用以预设初始半径值为半径构建的每个圆形区域内的密度和二维灰度图中对角线上数据点的总数,计算出以预设初始半径值为半径构建的多个圆形区域的密度方差;将多个圆形区域的密度方差负值进行归一化处理,将归一化后的密度方差负值作为预设初始半径值对应的密度稳定程度。
如图3所示,为本发明中以二维灰度图中对角线上每个数据点为圆心构建的圆形区域示意图,每个圆形区域内的密度的计算步骤包括:将每个圆形区域内包含的数据点的数量与该圆形区域面积的比值,作为每个圆形区域的密度。
预设初始半径值对应的密度稳定程度的计算公式为:
在预设初始半径值对应的密度稳定程度的计算公式中,使用数据点的密度方差作为密度稳定程度计算参数,在预设初始半径值较小时,其圆内的密度趋近于稳定,但是本发明要寻找的是属于磨粒和润滑油的主体像素点,所以需要对半径进行不断扩大,直至圆内密度发生较大变化时,停止迭代并输出半径值;密度方差越小,表示密度波动范围越小,此时圆内像素点数量很稳定,的值就越大;密度方差越大,表示密度波动范围越大,此时圆内像素点数量很不稳定,的值就越小。
S5、当预设初始半径值下的密度稳定程度不满足期望值时,改变预设初始半径值得到改变后半径值,重复步骤S4得到在改变后半径值下的密度稳定程度;依次迭代,直至密度稳定程度满足期望值时停止迭代;将第一次满足期望值的改变后半径值作为最终半径值。
当预设初始半径值下的密度稳定程度大于预设稳定程度阈值时,按预设步长增加预设初始半径得到增加后半径值,重复步骤S4得到在增加后半径值下的密度稳定程度;依次迭代,直至密度稳定程度小于或等于预设稳定程度阈值时停止迭代;将停止迭代时的增加后半径值作为最终半径值。
本发明中的期望值为小于或等于预设稳定程度阈值,当预设初始半径值为1时,即以二维灰度图中对角线上每个数据点为圆心,以1灰度值为半径构建圆形区域,本发明中预设稳定程度阈值为,当预设初始半径值下的密度稳定程度大于预设稳定程度阈值时,按照预设步长1增加预设初始半径得到增加后半径值,计算在增加后半径值下的密度稳定程度;依次迭代,直至密度稳定程度小于或等于预设稳定程度阈值时停止迭代;将停止迭代时的增加后半径值作为最终半径值。
在预设初始半径值为1灰度值时,以二维灰度图中对角线上每个数据点为圆心,以1灰度值为半径构建圆形区域内的密度趋近于稳定,但是本发明要寻找的是属于磨粒和润滑油的主体像素点,所以需要对半径进行不断扩大,直至圆内密度发生较大变化时,停止迭代并输出最终半径值。
S6、以最终半径值为邻域半径对二维灰度图内包含的数据点进行局部密度聚类,得到包含对角线上像素点的聚类簇集合;根据聚类簇集合中每个数据点在修正后灰度图像中对应的像素点个数,按照数据点对应的灰度值从小到大的顺序构建累积分布函数曲线。
根据聚类簇集合中每个数据点在修正后灰度图像中对应的像素点个数,按照数据点对应的灰度值从小到大的顺序构建累积分布函数曲线的步骤包括:以修正后灰度图像内每个像素点灰度值为轴,以每个像素点邻域灰度均值为轴,以像素点个数为轴建立三维坐标系;根据聚类簇集合中每个数据点对应的灰度值和邻域灰度均值,确定每个数据点在三维坐标系中对应的像素点个数;按照数据点对应的灰度值从小到大的顺序,构建每个数据点在修正后灰度图像中对应的像素点个数的累积分布函数曲线。
以最终半径值为邻域半径对二维灰度图内包含的数据点进行局部密度聚类,得到包含对角线上像素点的聚类簇集合,将包含对角线上像素点的聚类簇集合输入累积分布函数中,求得数据点在灰度图像中对应的像素点个数的累积分布函数曲线。
则最终的累积分布函数为:
其中,表示构建的累计函数,表示聚类簇集合中第个数据点的坐标,表示聚类簇集合中第个数据点的横坐标值;表示聚类簇集合中第个数据点的纵坐标值;表示聚类簇集合中第个数据点在修正后灰度图像中对应的像素点个数;表示聚类簇集合中从第个数据点在修正后灰度图像中对应的像素点个数的累加值;按照数据点对应的灰度值从小到大的顺序,每累加一次都会输出一个累加值,将全部累加值输出后就得到了最终的单调递增的累积分布函数;本发明是对包含对角线上像素点的聚类簇集合进行累加,而聚类簇集合中包含的数据点为中心像素点的灰度值和中心像素点的邻域灰度均值相差较小或是相等的像素点。
本发明中修正后的像素点数量,在磨粒内部像素点数量增长,经历灰度值相近的区间,最后至开始包含进润滑油像素点时像素点数量开始突增,此时为磨粒和润滑油进行增强的最佳分割位置。
S7、获取累积分布函数曲线中最大斜率对应的数据点,将该数据点对应的灰度值作为分割灰度值。
本发明中修正后的像素点数量,在磨粒内部像素点数量增长,经历灰度值相近的区间,最后至开始包含进润滑油像素点时像素点数量开始突增,此时为磨粒和润滑油进行增强的最佳分割位置。在由磨粒内部像素点到包含进润滑油像素点时,像素点数量开始突增,这时在累积分布函数曲线中上升速度最快,对应的斜率最大,记其中斜率最大时对应数据点的灰度值为,即为最优的磨粒和润滑油的分割灰度值。
S8、利用分割灰度值对修正后灰度图像进行分段线性增强得到增强后灰度图像。
利用分割灰度值对修正后灰度图像进行分段线性增强得到增强后灰度图像的步骤包括:构建修正后灰度图像的修正后灰度直方图;将修正后灰度直方图中像素点数量最多时对应的灰度值标记为最多灰度值,将修正后灰度直方图中小于分割灰度值且像素点数量最少时对应的灰度值标记为最少灰度值;利用预设第一灰度值、分割灰度值、最多灰度值、预设第二灰度值,将修正后灰度直方图按照灰度值从小到大的顺序依次分为第一区间段、第二区间段以及第三区间段;将分割灰度值与最小灰度值的比值作为第一区间段的线性增强系数;计算出最多灰度值与分割灰度值的第一差值,同时计算出最多灰度值与最少灰度值的第二差值;将第一差值与第二差值的比值,作为第二区间段和第三区间段的线性增强系数。
本发明中预设第一灰度值为0,预设第二灰度值为255,对修正后灰度图像进行分段线性增强对应的拉伸/缩放比例为:
对修正后灰度图进行分段线性增强的函数具体为:
其中,指分割位置的灰度值,指灰度直方图中,灰度值在0-区间内像素点数量最少时对应的最少灰度值,指的是整个0-255灰度区间内,像素点数量最多时对应的最多灰度值;其中,因此,起到拉伸作用,且,因此,起到缩放作用;表示修正后灰度图像中每个像素点的灰度值,对修正后灰度图像,使用以上增强函数对其进行增强,增强后灰度图像可作为缺陷检测的输入图像,对图像中磨粒的一些细节信息进行分析和研究。
实施例2:
本实施例基于实施例1,本实施例中步骤S5与实施例1中步骤S5的具体实施方式不同,当预设初始半径值下的密度稳定程度小于或等于预设稳定程度阈值时,按预设步长减小预设初始半径得到减小后半径值,重复步骤S4得到在减小后半径值下的密度稳定程度;依次迭代,直至密度稳定程度大于预设稳定程度阈值时停止迭代;将停止迭代时上一次参与迭代的减小后半径值作为最终半径值。
本发明中的期望值为小于或等于预设稳定程度阈值,若预设初始半径值为20灰度值时,即以二维灰度图中对角线上每个数据点为圆心,以20灰度值为半径构建圆形区域,本发明中预设稳定程度阈值为,当预设初始半径值下的密度稳定程度小于或等于预设稳定程度阈值时,即初次选取的预设初始半径值计算出的预设稳定程度就小于或等于预设稳定程度阈值;但是本发明中需要的是由小于或等于预设稳定程度阈值到第一次大于预设稳定程度阈值时对应的半径值,因此,按照预设步长1减小预设初始半径值得到减小后半径值,计算在减小后半径值下的密度稳定程度;依次迭代,直至密度稳定程度大于预设稳定程度阈值时停止迭代;将停止迭代时上一次参与迭代的减小后半径值作为最终半径值。
本发明提供一种润滑油磨粒图像增强方法,首先对灰度图像中噪声像素点进行修正得到修正后图像,然后利用局部密度聚类算法最大程度的获取磨粒内部和润滑油主体像素点,最后根据选取的主体像素点构建累积分布函数曲线,确定磨粒和润滑油的分割灰度值。
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 (8)
1.一种润滑油磨粒图像增强方法,其特征在于,该方法包括:
S1、采集待分析润滑油磨粒的灰度图像;
S2、对灰度图像内灰度值大于邻域灰度均值的像素点进行均值滤波修正,得到修正后灰度图像;
S3、利用修正后灰度图像内每个像素点的灰度值和邻域灰度均值,构建二维灰度图;其中,二维灰度图的横坐标为像素点的灰度值,二维灰度图的纵坐标为像素点的邻域灰度均值;
S4、获取以二维灰度图中对角线上每个数据点为圆心,以预设初始半径值为半径构建的每个圆形区域内的密度;利用每个圆形区域内的密度和二维灰度图中对角线上数据点的总数,计算出预设初始半径值对应的密度稳定程度;
S5、当预设初始半径值下的密度稳定程度不满足期望值时,改变预设初始半径值得到改变后半径值,重复步骤S4得到在改变后半径值下的密度稳定程度;依次迭代,直至密度稳定程度满足期望值时停止迭代;将第一次满足期望值的改变后半径值作为最终半径值;
S6、以最终半径值为邻域半径对二维灰度图内包含的数据点进行局部密度聚类,得到包含对角线上像素点的聚类簇集合;根据聚类簇集合中每个数据点在修正后灰度图像中对应的像素点个数,按照数据点对应的灰度值从小到大的顺序构建累积分布函数曲线;
S7、获取累积分布函数曲线中最大斜率对应的数据点,将该数据点对应的灰度值作为分割灰度值;
S8、利用分割灰度值对修正后灰度图像进行分段线性增强得到增强后灰度图像。
2.根据权利要求1所述的一种润滑油磨粒图像增强方法,其特征在于,该方法还包括:
当预设初始半径值下的密度稳定程度大于预设稳定程度阈值时,按预设步长增加预设初始半径得到增加后半径值,重复步骤S4得到在增加后半径值下的密度稳定程度;依次迭代,直至密度稳定程度小于或等于预设稳定程度阈值时停止迭代;将停止迭代时的增加后半径值作为最终半径值。
3.根据权利要求1所述的一种润滑油磨粒图像增强方法,其特征在于,该方法还包括:
当预设初始半径值下的密度稳定程度小于或等于预设稳定程度阈值时,按预设步长减小预设初始半径得到减小后半径值,重复步骤S4得到在减小后半径值下的密度稳定程度;依次迭代,直至密度稳定程度大于预设稳定程度阈值时停止迭代;将停止迭代时上一次参与迭代的减小后半径值作为最终半径值。
4.根据权利要求1所述的一种润滑油磨粒图像增强方法,其特征在于,所述对灰度图像内灰度值大于邻域灰度均值的像素点进行均值滤波修正,得到修正后灰度图像的步骤包括:
将灰度图像内灰度值大于邻域灰度均值的像素点筛选出作为筛选后像素点;
将每个筛选后像素点的灰度值,均替换为以每个筛选后像素点为中心像素点的邻域灰度均值,得到每个筛选后像素点的替换后灰度值;
同时将筛选后像素点按照替换后灰度值重新标注在灰度图像内,得到修正后灰度图像。
5.根据权利要求1所述的一种润滑油磨粒图像增强方法,其特征在于,所述预设初始半径值对应的密度稳定程度的计算步骤包括:
利用以预设初始半径值为半径构建的每个圆形区域内的密度和二维灰度图中对角线上数据点的总数,计算出以预设初始半径值为半径构建的多个圆形区域的密度方差;
将多个圆形区域的密度方差负值进行归一化处理,将归一化后的密度方差负值作为预设初始半径值对应的密度稳定程度。
7.根据权利要求1所述的一种润滑油磨粒图像增强方法,其特征在于,所述利用分割灰度值对修正后灰度图像进行分段线性增强得到增强后灰度图像的步骤包括:
构建修正后灰度图像的修正后灰度直方图;
将修正后灰度直方图中像素点数量最多时对应的灰度值标记为最多灰度值,将修正后灰度直方图中小于分割灰度值且像素点数量最少时对应的灰度值标记为最少灰度值;
利用预设第一灰度值、分割灰度值、最多灰度值、预设第二灰度值,将修正后灰度直方图按照灰度值从小到大的顺序依次分为第一区间段、第二区间段以及第三区间段;
将分割灰度值与最小灰度值的比值作为第一区间段的线性增强系数;
计算出最多灰度值与分割灰度值的第一差值,同时计算出最多灰度值与最少灰度值的第二差值;
将第一差值与第二差值的比值,作为第二区间段和第三区间段的线性增强系数。
8.根据权利要求1所述的一种润滑油磨粒图像增强方法,其特征在于,所述每个圆形区域内的密度的计算步骤包括:
将每个圆形区域内包含的数据点的数量与该圆形区域面积的比值,作为每个圆形区域的密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437131.7A CN115496692B (zh) | 2022-11-17 | 2022-11-17 | 一种润滑油磨粒图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437131.7A CN115496692B (zh) | 2022-11-17 | 2022-11-17 | 一种润滑油磨粒图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496692A true CN115496692A (zh) | 2022-12-20 |
CN115496692B CN115496692B (zh) | 2023-02-17 |
Family
ID=85115940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211437131.7A Active CN115496692B (zh) | 2022-11-17 | 2022-11-17 | 一种润滑油磨粒图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496692B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841488A (zh) * | 2023-02-21 | 2023-03-24 | 聊城市飓风工业设计有限公司 | 一种基于计算机视觉的pcb板的检孔方法 |
CN115880284A (zh) * | 2023-02-06 | 2023-03-31 | 卡松科技股份有限公司 | 一种用于润滑油磨粒均匀度的检测方法及系统 |
CN116385315A (zh) * | 2023-05-31 | 2023-07-04 | 日照天一生物医疗科技有限公司 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
CN117115494B (zh) * | 2023-10-23 | 2024-02-06 | 卡松科技股份有限公司 | 基于人工智能的润滑油杂质污染检测方法、装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5510886A (en) * | 1993-04-03 | 1996-04-23 | Ricoh Company, Ltd. | Image forming apparatus having an intermediate image carrier |
US6697534B1 (en) * | 1999-06-09 | 2004-02-24 | Intel Corporation | Method and apparatus for adaptively sharpening local image content of an image |
CN115100212A (zh) * | 2022-08-29 | 2022-09-23 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
-
2022
- 2022-11-17 CN CN202211437131.7A patent/CN115496692B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5510886A (en) * | 1993-04-03 | 1996-04-23 | Ricoh Company, Ltd. | Image forming apparatus having an intermediate image carrier |
US6697534B1 (en) * | 1999-06-09 | 2004-02-24 | Intel Corporation | Method and apparatus for adaptively sharpening local image content of an image |
CN115100212A (zh) * | 2022-08-29 | 2022-09-23 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
Non-Patent Citations (2)
Title |
---|
WANG H: "Research on 3D reconstruction method of wear particle dynamic image based on multi contour space mapping", 《 IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING》 * |
刘正光等: "基于二维灰度直方图的模糊熵分割方法", 《天津大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880284A (zh) * | 2023-02-06 | 2023-03-31 | 卡松科技股份有限公司 | 一种用于润滑油磨粒均匀度的检测方法及系统 |
CN115841488A (zh) * | 2023-02-21 | 2023-03-24 | 聊城市飓风工业设计有限公司 | 一种基于计算机视觉的pcb板的检孔方法 |
CN116385315A (zh) * | 2023-05-31 | 2023-07-04 | 日照天一生物医疗科技有限公司 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
CN116385315B (zh) * | 2023-05-31 | 2023-09-08 | 日照天一生物医疗科技有限公司 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
CN117115494B (zh) * | 2023-10-23 | 2024-02-06 | 卡松科技股份有限公司 | 基于人工智能的润滑油杂质污染检测方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115496692B (zh) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115496692B (zh) | 一种润滑油磨粒图像增强方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN114782432B (zh) | 一种基于纹理特征的改进canny算子的边缘检测方法 | |
CN114494259B (zh) | 一种基于人工智能的布匹缺陷检测方法 | |
CN115049664B (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
WO2022041865A1 (zh) | 基于多背景色统计的自动抠图方法及装置 | |
CN115272321B (zh) | 一种基于机器视觉的纺织品缺陷检测方法 | |
CN115578374A (zh) | 一种机械零件铸造质量评估方法与系统 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116703898B (zh) | 一种精密机械轴承端面的质量检测方法 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN113327206B (zh) | 基于人工智能的输电线智能巡检系统的图像模糊处理方法 | |
CN115272312B (zh) | 基于机器视觉的塑料手机外壳缺陷检测方法 | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN116152749B (zh) | 基于数字孪生的齿轮磨损智能监测方法 | |
CN115439494A (zh) | 用于喷雾机质检的喷雾图像处理方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
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 | |
WO2020164042A1 (zh) | 基于边界提取的区域合并图像分割算法 | |
CN107194917B (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 |
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 |