CN115760826B - 一种基于图像处理的轴承磨损状况诊断方法 - Google Patents
一种基于图像处理的轴承磨损状况诊断方法 Download PDFInfo
- Publication number
- CN115760826B CN115760826B CN202211509748.5A CN202211509748A CN115760826B CN 115760826 B CN115760826 B CN 115760826B CN 202211509748 A CN202211509748 A CN 202211509748A CN 115760826 B CN115760826 B CN 115760826B
- Authority
- CN
- China
- Prior art keywords
- gray
- type
- pixel
- value
- frequency
- 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
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
本发明涉及一种基于图像处理的轴承磨损状况诊断方法,通过将轴承图像转化为灰度图,并得到对应的一维灰度直方图和二维灰度直方图,对频数大于频数均值的灰度值对应的像素点作为第一类像素点,将第一类像素点在二维空间中的进行细化分类得到灰度值大于邻域、灰度值接近邻域和灰度值小于邻域三类像素点区域,根据第一类像素点细化分类后得到的三类像素点的灰度值的频数和第二类像素点的灰度值频数,计算出灰度值分布频率、灰度值累积分布频率,对灰度值累积分布频率归一化后四舍五入后得到均衡化后图像灰度与原图中灰度的映射关系,根据直方图均衡化映射关系,对图像增强,通过细化分类,使得直方图均衡化的增强效果更好。
Description
技术领域
本申请涉及图像传输领域,具体涉及一种基于图像处理的轴承磨损状况诊断方法
背景技术
在对轴承磨损状况诊断过程中,要求图像中轴承表面的细节处对比度高并且特征明显,但进行图像采集时,受到光照等因素的影响,采集到的图像对比度不高且丢失重要特征,再经过后续的存储、转换、传输等操作后,会进一步降低图像的质量。
通过直方图均衡化可以改善图像的亮度和对比度,进而达到增强图像的目的,但图像均衡化过程中只考虑灰度值统计信息,没有考虑灰度值空间信息,直方图均衡化没有分析像素点灰度值和邻域灰度均值的关系,在图像中同一灰度值,都统一按照同一映射关系进行均衡化,导致图像的增强效果不足,影响后续对轴承磨损状况的诊断结果。
该过程可以进行进一步精细化,增强对比效果,通过分析像素点灰度值和邻域灰度均值的关系,如果是灰度值大于邻域灰度均值的像素点,则该像素点比周围像素点亮,为了进一步增强图像对比度,该像素点的增强强度大,如果是灰度值接近邻域灰度均值的像素点,如果是灰度值小于邻域灰度均值的像素点,则该像素点比周围像素点暗,该像素点的增强强度小,如果是灰度值接近邻域灰度均值的像素点,正常增强。
发明内容
本发明提供一种基于图像处理的轴承磨损状况诊断方法,以解决图像增强效果不足的问题,采用如下技术方案:
获取轴承图像,进行灰度处理得到灰度图,以每个像素点的灰度值为x轴、灰度值频数为y轴,得到一维灰度直方图,根据灰度值频数均值将像素点分为第一类像素点和第二类像素点;所述第一类像素点为灰度值频数大于灰度值频数均值对应的像素点;所述第二类像素点为灰度值频数小于灰度值频数均值对应的像素点;
提取出第一类像素点,以第一类像素中每个像素点的灰度值为x轴、邻域灰度均值为y轴、同一灰度值和领域灰度均值中像素点频数为z轴,得到二维灰度直方图;
根据第一类像素点中每个像素点灰度值和邻域灰度均值的灰度差异,将二维灰度直方图的灰度值-邻域灰度均值空间中的第一类像素点划分为灰度值大于邻域灰度均值、灰度值接近邻域灰度均值和灰度值小于邻域灰度均值三类像素点区域;
利用第一类像素点中每一类像素点区域中灰度值对应的灰度频数计算出每一类像素点的灰度分布频率;
利用第二类像素点中灰度值对应的灰度频数计算出每一灰度值的灰度分布频率;
通过第一类像素点中每一类像素点区域的灰度分布频率和第二类像素点中每一灰度值的灰度分布频率分别计算出第一类像素点灰度累计分布频率和第二类像素点灰度累计分布频率;
利用第一类像素点灰度累计分布频率和第二类像素点灰度累计分布频率分别获得第一类像素点和第二类像素点的灰度值的映射关系;
对灰度图中的第一类像素点和第二类像素点按照其对应的映射关系进行直方图均衡化,得到轴承图像的增强图像。
所述第一类像素点细化分类的方法为:
在灰度值-邻域灰度均值空间中,通过平行于直线n=m的两条直线n=m+t、mmax为最大灰度值,mmin为最小灰度值,将该空间划分为m0类像素点区域、m1类像素点区域和m2类像素点区域;
所述m0类像素点区域为直线n=m+t上方灰度值m小于邻域灰度均值n的像素点的区域;
所述m1类像素点区域为直线n=m+t和n=m-t之间灰度值m接近邻域灰度均值n的像素点的区域;
所述m2类像素点区域为直线n=m-t下方灰度值m大于邻域灰度均值n的像素点区域。
所述第一类像素点中每一类像素点中灰度值对应的灰度频数和第二类像素点中灰度值对应的灰度频数的获取方法为:
第一类像素点中每一类像素点区域中灰度值对应的灰度频数,在二维灰度值直方图的邻域灰度均值-像素点频数空间中获取:
式中,h(m0)为第一类像素点进行细化分类为m0类的像素点区域的灰度值频数,h(m1)为第一类像素点进行细化分类为m1类的像素点区域的灰度值频数,h(m2)为第一类像素点进行细化分类为m2类的像素点区域的灰度值频数,h(m,n)为灰度值为m且邻域灰度均值为n的像素点的频数;
第二类像素点中灰度值对应的灰度频数直接在一维灰度直方图中获取。
所述第一类像素点中每一类像素点区域的灰度分布频率和第二类像素点的灰度分布频率计算方法为:
第一类像素点中每一类像素点的灰度分布频率为:
式中,p(mw)为第一类像素点细化分类后的每一类像素点区域的灰度值的分布频率,h(mw)为第一类像素点细化分类后的每一类像素点区域的灰度值的频数,w=0,1,2,w表示第一类像素点细化分类后像素点区域的类别,分别对应m0、m1、m2三类像素点区域,M、N分别为图像的行、列数;
第二类像素点的灰度值分布频率为:
式中,p(m)为第二类像素点的灰度值的灰度分布频率,h(m)为灰度值的频数。
所述第一类像素点的灰度累积分布频率和第二类像素点的灰度累积分布频率的计算方法为:
第一类像素点的灰度累积分布频率为:
式中,s(mw)为第一类像素点的灰度值的累计分布频率,i=0,1,…,m-1,m-1为第二类像素点的灰度值,p(i)为第二类像素点的灰度值的灰度分布频率,j=0,1...,w,w=0,1,2表示第一类像素点细化分类后的像素点区域的类别,分别对应m0、m1、m2三类像素点区域,p(mj)为第一类像素点细化分类后的每一类像素点区域的灰度值的灰度分布频率;
第二类像素点的灰度累积分布频率为:
式中,s(m)为第二类像素点的灰度值的累积分布频率。
所述第一类像素点的映射关系和第二类像素点的映射关系的计算方法如下:
第一类像素点的灰度值映射关系为:
式中,为均衡化后的图像中第一类像素点的灰度值;
第二类像素点的灰度值映射关系为:
式中,为均衡化后的图像中第二类像素点的灰度值;
本发明的有益效果是:在图像质量分析中加入邻域信息,通过像素点与邻域像素的空间信息,在进行直方图均衡化过程中,对灰度值进行分类细化,得到更为精准的直方图均衡化映射关系,通过该映射关系实现图像增强,较传统均衡化具有更加精准的优点。
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是本发明的一种基于图像处理的轴承磨损状况诊断方法的流程示意图;
图2是本发明的一种基于图像处理的轴承磨损状况诊断方法中的一维灰度直方图示意图;
图3是本发明的一种基于图像处理的轴承磨损状况诊断方法中的二维灰度直方图示意图;
图4是本发明的一种基于图像处理的轴承磨损状况诊断方法中的灰度值-邻域灰度均值空间中的像素点区域分类示意图;
图5是本发明的一种基于图像处理的轴承磨损状况诊断方法中的邻域灰度均值-像素点频数空间中的像素点分类示意图;
图6是本发明的一种基于图像处理的轴承磨损状况诊断方法中的第一类像素点细化分类后的像素点灰度值的分布示意图;
图7是本发明的一种基于图像处理的轴承磨损状况诊断方法中灰度值和频数的举例说明示意图;
图8是本发明的一种基于图像处理的轴承磨损状况诊断方法中的灰度值-邻域灰度均值-像素点频数的举例说明示意图;
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。
本发明的一种基于图像处理的轴承磨损状况诊断方法的实施例,如图1所示,包括:
步骤一:获取轴承图像,进行灰度处理得到灰度图,以每个像素点的灰度值为x轴、灰度值频数为y轴,得到一维灰度直方图,根据灰度值频数均值将像素点分为第一类像素点和第二类像素点;所述第一类像素点为灰度值频数大于灰度值频数均值对应的像素点;所述第二类像素点为灰度值频数小于灰度值频数均值对应的像素点;
该步骤的目的是根据一维灰度直方图中灰度值出现的次数,对像素点进行分类。
其中,获取一维直方图的具体步骤为:
如图2所示,建立一个坐标轴,横轴表示图像灰度值m,用0-255的整数表示,纵轴表示对应灰度值m的频数h(m),绘制函数图像,得到对应的一维灰度直方图。
需要说明的是,图像用亮度表示,亮度被分为0到255共256个数值,数值越大,代表的亮度越高。其中0代表纯黑色的最暗区域,255代表纯白色的最亮区域,而中间的数字就是不同亮度的灰色。
一维灰度直方图中用x轴代表0-255的灰度值,用y轴表示对应灰度值的像素数量,这个函数图像就被称为灰度直方图,直方图中柱子的高度表示灰度值的频数,代表了图像中该灰度值的像素数量。
其中,对像素点进行分类的方法为:
将灰度图中灰度值频数大于灰度频数均值的灰度值对应的像素点作为第一类像素点;
将灰度图中灰度值频数小于等于灰度值频数均值的灰度值对应的像素点作为第二类像素点。
需要说明的是,灰度频数均值计算方法如下:
式中M×N为图像的尺寸,256表示图像灰度值为[0,255共256个值。
步骤二:提取出第一类像素点,以第一类像素中每个像素点的灰度值为x轴、邻域灰度均值为y轴、同一灰度值和领域灰度均值中像素点频数为z轴,得到二维灰度直方图;
该步骤的目的是通过二维灰度直方图来反映图像中像素点的像素灰度分布情况。因为一维灰度直方图仅仅反映了像素灰度值的幅值大小,并没有反映出像素与邻域的空间相关信息。直接通过一维灰度直方图的灰度值统计量进行直方图均衡化,忽略了灰度值的空间信息,会导致图像的细节的丢失,而二维灰度直方图通过增加邻域平均灰度值这一维度,体现出像素点与邻域的空间信息。结合二维灰度直方图对图像进行直方图均衡化,根据像素点与邻域的空间信息,将对像素个数多的灰度值进行展宽的过程细化,增强对比度,进而保留图像中更多的细节。
其中,获取二维直方图的具体步骤为:
(1)对于尺寸为M×N的图像,坐标为(x,y)的像素点的灰度值为f(x,y),邻域平均灰度值为g(x,y),以下称为邻域灰度均值。
式中,D表示像素点(x,y)周围尺寸为s的结构元所框选的区域,结构元尺寸通常为3×3,则像素点的邻域灰度均值为像素点周围八邻域像素点灰度值的平均值。
(2)二维灰度直方图在一维灰度直方图的统计中加入了邻域灰度信息,利用灰度值-邻域灰度均值信息来统计直方图,定义如下:
式中m,n∈[0,255],h(m,n)表示灰度值为m,邻域灰度均值为n的像素点的频数,即像素点的个数,mi、nj分别表示不同的灰度值、邻域灰度均值。
(3)如图3所示,建立一个坐标轴,x轴表示像素点灰度值m,用0-255的整数表示;y轴表示像素点邻域灰度均值n,用0-255的整数表示;z轴表示像素点频数即(m,n)的频数h(m,n),绘制函数图像,得到对应的二维灰度直方图。
步骤三:根据第一类像素点中每个像素点灰度值和邻域灰度均值的灰度差异,将二维灰度直方图的灰度值-邻域灰度均值空间中的第一类像素点划分为灰度值大于邻域灰度均值、灰度值接近邻域灰度均值和灰度值小于邻域灰度均值三类像素点区域;
该步骤的目的是,根据像素点与邻域的空间信息,将对像素个数多的灰度值对应的像素点进行细化分类,增强对比度,进而保留图像中更多的细节。因为,直方图均衡化的底层思路为:对图像中像素个数多的灰度值(即对画面起主要作用的灰度值)进行展宽,而对像素个数少的灰度值(即对画面不起主要作用的灰度值)进行归并,从而增大对比度,使图像清晰,达到增强图像的目的,一维灰度直方图仅仅反映了像素灰度值的幅值大小,并没有反映出像素与邻域的空间相关信息。直接通过一维灰度直方图的灰度值统计量进行直方图均衡化,忽略了灰度值的空间信息,会导致图像的细节的丢失,二维灰度直方图通过增加邻域平均灰度值这一维度,体现出像素点与邻域的空间信息,结合二维灰度直方图对图像进行直方图均衡化,本步骤根据像素点与邻域的空间信息,将对像素个数多的灰度值进行展宽的过程细化,增强对比度,进而保留图像中更多的细节。
其中,对第一类像素点进行细化分类的步骤为:
(1)根据灰度值和邻域灰度均值的差异将第一类像素点在二维灰度直方图的灰度值-邻域灰度均值空间中细化分为三类像素点区域,方法为:
如图4所示,通过平行于n=m的两条直线:
将第一类像素点分为三类像素点区域:
(1)直线n=m+t上方为m0类像素点区域,灰度值m小于邻域灰度均值n;
(2)直线n=m+t和m-t之间为m1类像素点区域,灰度值m接近邻域灰度均值n;
(3)直线n=m-t下方为m2类像素点区域,灰度值m大于邻域灰度均值n;
在图4中,灰度值m=127所在的列上,位于直线n=m+t上方的部分,表明该像素点的邻域灰度均值比灰度值大,意味着该像素点比周围邻域暗,为了增强对比度,在展宽时,增强的强度较小;位于两条直线n=m+t和n=m-t之间的部分,表明该像素点的邻域灰度均值与灰度值近似相等,意味着该像素点与周围邻域亮度相似,在展宽时,正常增强;位于直线n=m-t下方的部分,表明该像素点的邻域灰度均值比灰度值小,意味着该像素点比周围邻域亮,为了增强对比度,在展宽时,增强的强度较大。
如图5所示,在图4灰度值对应的邻域灰度均值-像素点频数空间中,第一类像素点也被细分为三类像素点区域,使用m0,m1,m2表示细分后的像素点区域类别:
式中,m0类表示灰度值小于邻域灰度均值的像素点区域,m1类表示灰度值接近邻域灰度均值的像素点区域,m2类表示灰度值大于邻域灰度均值的像素点区域。
步骤四:利用第一类像素点中每一类像素点区域中灰度值对应的灰度频数计算出每一类像素点的灰度分布频率,利用第二类像素点中灰度值对应的灰度频数计算出每一灰度值的灰度分布频率,通过第一类像素点中每一类像素点区域的灰度分布频率和第二类像素点中每一灰度值的灰度分布频率分别计算出第一类像素点灰度累计分布频率和第二类像素点灰度累计分布频率,利用第一类像素点灰度累计分布频率和第二类像素点灰度累计分布频率分别获得第一类像素点和第二类像素点的灰度值的映射关系;
该步骤的目的是针对步骤二中将第一类像素点进行细分后得到的三类像素点区域的灰度值的频数进行统计,再结合第二类像素点的灰度值的频数,计算出灰度值分布频率、累计分布频率和原图中像素点灰度值与均衡化后图像中灰度值的映射关系。
其中,灰度图中第一类像素点细分后的每一类像素点区域和第二类像素点的灰度分布频数计算方法为:
(1)对于第一类像素点,首先在步骤三中被细化分为三类像素点区域,然后在邻域灰度均值-像素点频数空间中,统计细分后的三类像素点区域内像素点的灰度值的频数:
且满足h(m0)+h(m1)+h(m2)=h(m)。
公式中,h(m0)为已细化分类为m0类的像素点区域的灰度值频数,h(m1)为已细化分类为m1类的像素点区域的灰度值频数,h(m2)为已细化分类为m2类的像素点区域的灰度值频数,h(m,n)为像素点频数,即灰度值为m且邻域灰度均值为n的像素点的个数。
(2)对于第二类像素点,不需要进行步骤三的细化分类,直接通过一维灰度图统计该灰度值频数即可,频数为h(i)+h(i+1)+h(i+2)+…,h(m-1),i、i+1、i+2为灰度值小于灰度值频数均值的灰度值,h(i)表示灰度值i的频数,i的频数小于等于频数均值。
如图6所示,m部分表示第一类像素点的灰度值,第一类像素点被细化分类为m0、m1、和m2三类像素点区域,m-1部分表示第二类像素点的灰度值,不细化分类。
(3)根据(1)和(2)得到原始灰度图细化后的灰度分布频率如下:
式中,p为灰度值分布频率,p(mw)为第一类像素点进行细化分类后的每类像素点区域的灰度值的灰度值分布频率,p(m)为第二类像素点的灰度值的灰度分布频率,h(mw)为第一类像素点进行细化分类后的每类像素点区域的灰度值的频数,w=0,1,2,w为w=0,1,2表示第一类像素点进行细化分类后的像素点区域类别,分别对应m0、m1、m2三类像素点区域。
如图7所示,若该图像尺寸为64×64,则图像灰度频数均值:
图像中存在灰度值10的频数为10,即有10个灰度值为10的像素点,灰度值频数10小于频数均值16,为第二类像素点,不需要进行细化分类,则这10个第二类像素点的灰度值分布频率为:
灰度值20的频数为20,即有20个灰度值为20的像素点,灰度值频数大于频数均值,为第一类像素点,需要进行细化分类;
如图8所示,在二维灰度直方图中,灰度值20,邻域灰度均值为3,像素点频数h(20,3)的值为8,即灰度值为20的第一类像素点细分后,在m2类像素点区域中的频数为8;
灰度值20,邻域灰度均值为9,像素点频数h(20,9)的值为6,即灰度值20的第一类像素点细分后,在m1类像素点区域中的频数为6;
灰度值20,邻域灰度均值为25,像素点的频数h(20,25)的值为8,即灰度值20的第一类像素点细分后,在m0类像素点区域中的频数为6;
则这20个第一类像素点进行细化分类后的每类像素点区域的灰度值分布频率为:
其中,第一类像素点和第二类像素点的灰度累积分布频率的计算方法为:
式中,s为累积分布频率,s(m)为第二类灰度值的累积分布频率,s(mw)为第一类像素点的灰度值的累计分布频率,i=0,1,...,m-1,m-1为第二类像素点的灰度值,j=0,1...,w,w=0,1,2表示第一类像素点细化分类后的每类像素点区域的类别,分别对应m0、m1、m2三类像素点区域,p(mj)为第一类像素点进行细化分类后的每类像素点区域的灰度分布频率,p(i)为第二类灰度值的灰度分布频率。
如图8所示,第二类像素点的累积分布概率为:
需要说明的是p(0)、p(1)表示灰度值为0的灰度值频数和灰度值为1的灰度值频数,若图像中没有该灰度值对应的像素点则该灰度频数按0处理。
第一类像素点的累积分布概率按照公式计算为:s(mw)=p(0)+p(1)+…p(19)+p(m0)+p(m1)+p(m2)=0.0024+0.0015+0.0015+0.0020=0.0074。
进一步的,将灰度值的累积分布频率归一化后四舍五入,为了使得均衡化后图像的灰度级与原始图像一致,需要进行归一化。对归一化后累积分布频率进行四舍五入,得到原始图像中灰度值m对应均衡化后的灰度值的映射关系:
第一类像素点灰度值与均衡化后第一类像素点灰度值的映射关系为:
式中,为均衡化后的图像中第一类像素点的灰度值;
第二类像素点灰度值与均衡化后第二类像素点灰度值的映射关系为:
式中,为均衡化后的图像中第二类像素点的灰度值。
步骤五:对灰度图中的第一类像素点和第二类像素点按照其对应的映射关系进行直方图均衡化,得到轴承图像的增强图像。
该步骤的目的是根据细化后的直方图均衡化映射关系,参照原始图像中的像素,得到直方图均衡化之后的图像。根据第一类像素点细化分类后的每类像素点的映射关系,得到均衡化后图像中的第一类像素点细化分类后的每类像素点的灰度值,根据第二类像素点的灰度值映射关系,得到均衡化后图像中的第二类像素点的灰度值,实现图像增强。
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)
1.一种基于图像处理的轴承磨损状况诊断方法,其特征在于,包括:
获取轴承图像,进行灰度处理得到灰度图,以每个像素点的灰度值为x轴、灰度值频数为y轴,得到一维灰度直方图,根据灰度值频数均值将像素点分为第一类像素点和第二类像素点;所述第一类像素点为灰度值频数大于灰度值频数均值对应的像素点;所述第二类像素点为灰度值频数小于灰度值频数均值对应的像素点;
提取出第一类像素点,以第一类像素中每个像素点的灰度值为x轴、邻域灰度均值为y轴、同一灰度值和领域灰度均值中像素点频数为z轴,得到二维灰度直方图;
根据第一类像素点中每个像素点灰度值和邻域灰度均值的灰度差异,将二维灰度直方图的灰度值-邻域灰度均值空间中的第一类像素点划分为灰度值大于邻域灰度均值、灰度值接近邻域灰度均值和灰度值小于邻域灰度均值三类像素点区域;
利用第一类像素点中每一类像素点区域中灰度值对应的灰度频数计算出每一类像素点区域的灰度分布频率;
利用第二类像素点中灰度值对应的灰度频数计算出每一灰度值的灰度分布频率;
通过第一类像素点中每一类像素点区域的灰度分布频率和第二类像素点中每一灰度值的灰度分布频率分别计算出第一类像素点灰度累计分布频率和第二类像素点灰度累计分布频率;
利用第一类像素点灰度累计分布频率和第二类像素点灰度累计分布频率分别获得第一类像素点和第二类像素点的灰度值的映射关系;
对灰度图中的第一类像素点和第二类像素点按照其对应的映射关系进行直方图均衡化,得到轴承图像的增强图像。
2.根据权利要求1所述的一种基于图像处理的轴承磨损状况诊断方法,其特征在于,所述第一类像素点划分为三类像素点区域的方法是:
在灰度值-邻域灰度均值空间中,通过平行于直线n=m的两条直线n=m+t、mmax为最大灰度值,mmin为最小灰度值,将该空间划分为m0类像素点区域、m1类像素点区域和m2类像素点区域;
所述m0类像素点区域为直线n=m+t上方灰度值m小于邻域灰度均值n的像素点的区域;
所述m1类像素点区域为直线n=m+t和n=m-t之间灰度值m接近邻域灰度均值n的像素点的区域;
所述m2类像素点区域为直线n=m-t下方灰度值m大于邻域灰度均值n的像素点区域。
3.根据权利要求2所述的一种基于图像处理的轴承磨损状况诊断方法,其特征在于,所述第一类像素点中每一类像素点区域中灰度值对应的灰度频数和第二类像素点中灰度值对应的灰度频数的获取方法为:
第一类像素点中每一类像素点区域中灰度值对应的灰度频数,在二维灰度值直方图的邻域灰度均值-像素点频数空间中获取:
式中,h(m0)为第一类像素点进行细化分类为m0类的像素点区域的灰度值频数,h(m1)为第一类像素点进行细化分类为m1类的像素点区域的灰度值频数,h(m2)为第一类像素点进行细化分类为m2类的像素点区域的灰度值频数,h(m,n)为灰度值为m且邻域灰度均值为n的像素点的频数;
第二类像素点中灰度值对应的灰度频数直接在一维灰度直方图中获取。
4.根据权利要求3所述的一种基于图像处理的轴承磨损状况诊断方法,其特征在于,所述第一类像素点中每一类像素点区域的灰度分布频率和第二类像素点的灰度分布频率计算方法为:
第一类像素点中每一类像素点区域的灰度分布频率为:
式中,p(mw)为第一类像素点细化分类后的每一类像素点区域的灰度值的分布频率,h(mw)为第一类像素点细化分类后的每一类像素点区域的灰度值的频数,w=0,1,2,w表示第一类像素点细化分类后的像素点区域的类别,分别对应m0、m1、m2三类像素点区域,M、N分别为图像的行、列数;
第二类像素点的灰度值分布频率为:
式中,p(m)为第二类像素点的灰度值的灰度分布频率,h(m)为灰度值的频数。
5.根据权利要求4所述的一种基于图像处理的轴承磨损状况诊断方法,其特征在于,所述第一类像素点的灰度累积分布频率和第二类像素点的灰度累积分布频率的计算方法为:
第一类像素点的灰度累积分布频率为:
式中,s(mw)为第一类像素点的灰度值的累计分布频率,i=0,1,…,m-1,m-1为第二类像素点的灰度值,p(i)为第二类像素点的灰度值的灰度分布频率,j=0,1...,w,w=0,1,2表示第一类像素点细化分类后的像素点区域的类别,分别对应m0、m1、m2三类像素点区域,p(mj)为第一类像素点细化分类后的每一类像素点区域的灰度值的灰度分布频率;
第二类像素点的灰度累积分布频率为:
式中,s(m)为第二类像素点的灰度值的累积分布频率。
6.根据权利要求5所述的一种基于图像处理的轴承磨损状况诊断方法,其特征在于,所述第一类像素点的映射关系和第二类像素点的映射关系的计算方法如下:
第一类像素点的灰度值映射关系为:
式中,为均衡化后的图像中第一类像素点的灰度值;
第二类像素点的灰度值映射关系为:
式中,为均衡化后的图像中第二类像素点的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211509748.5A CN115760826B (zh) | 2022-11-29 | 2022-11-29 | 一种基于图像处理的轴承磨损状况诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211509748.5A CN115760826B (zh) | 2022-11-29 | 2022-11-29 | 一种基于图像处理的轴承磨损状况诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115760826A CN115760826A (zh) | 2023-03-07 |
CN115760826B true CN115760826B (zh) | 2023-08-11 |
Family
ID=85340058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211509748.5A Active CN115760826B (zh) | 2022-11-29 | 2022-11-29 | 一种基于图像处理的轴承磨损状况诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760826B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681619A (zh) * | 2023-06-14 | 2023-09-01 | 常州市宏发纵横新材料科技股份有限公司 | 一种图像增强方法、装置、计算机设备及存储介质 |
CN116681696B (zh) * | 2023-07-27 | 2023-10-20 | 东莞雅达高精密塑胶模具有限公司 | 一种用于自动化生产设备的模具质量监测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011127825A1 (zh) * | 2010-04-16 | 2011-10-20 | 杭州海康威视软件有限公司 | 图像对比度的处理方法及装置 |
CN103606137A (zh) * | 2013-11-13 | 2014-02-26 | 天津大学 | 保持背景和细节信息的直方图均衡化方法 |
CN104484876A (zh) * | 2014-12-05 | 2015-04-01 | 中国海洋大学 | 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
CN114548190A (zh) * | 2022-04-27 | 2022-05-27 | 西安易诺敬业电子科技有限责任公司 | 一种基于自适应残差神经网络的风力涡轮机故障诊断方法 |
CN114677391A (zh) * | 2022-05-26 | 2022-06-28 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
CN114820401A (zh) * | 2022-04-19 | 2022-07-29 | 桂林电子科技大学 | 直方图变换与边缘信息融合的海上逆光红外图像增强方法 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017132858A1 (en) * | 2016-02-03 | 2017-08-10 | Chongqing University Of Posts And Telecommunications | Methods, systems, and media for image processing |
-
2022
- 2022-11-29 CN CN202211509748.5A patent/CN115760826B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011127825A1 (zh) * | 2010-04-16 | 2011-10-20 | 杭州海康威视软件有限公司 | 图像对比度的处理方法及装置 |
CN103606137A (zh) * | 2013-11-13 | 2014-02-26 | 天津大学 | 保持背景和细节信息的直方图均衡化方法 |
CN104484876A (zh) * | 2014-12-05 | 2015-04-01 | 中国海洋大学 | 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
CN114820401A (zh) * | 2022-04-19 | 2022-07-29 | 桂林电子科技大学 | 直方图变换与边缘信息融合的海上逆光红外图像增强方法 |
CN114548190A (zh) * | 2022-04-27 | 2022-05-27 | 西安易诺敬业电子科技有限责任公司 | 一种基于自适应残差神经网络的风力涡轮机故障诊断方法 |
CN114677391A (zh) * | 2022-05-26 | 2022-06-28 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
Non-Patent Citations (1)
Title |
---|
灰度图像的直方图均衡化处理研究;陈永亮;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-964 * |
Also Published As
Publication number | Publication date |
---|---|
CN115760826A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115760826B (zh) | 一种基于图像处理的轴承磨损状况诊断方法 | |
CN110046673B (zh) | 基于多特征融合的无参考色调映射图像质量评价方法 | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
JP4745296B2 (ja) | デジタル画像の領域分離方法および領域分離システム | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN111223110B (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN110996096B (zh) | 一种基于结构相似性差异度的色调映射图像质量评价方法 | |
CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
WO2022141201A1 (zh) | 一种基于dce-mri的乳腺癌分级方法 | |
CN110136085B (zh) | 一种图像的降噪方法及装置 | |
CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN111738984A (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
WO2019181072A1 (ja) | 画像処理方法、コンピュータプログラムおよび記録媒体 | |
CN110807747B (zh) | 一种基于前景蒙版的文档图像降噪方法 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
Tung et al. | Efficient uneven-lighting image binarization by support vector machines | |
CN112532938B (zh) | 一种基于大数据技术的视频监控系统 | |
Zhou et al. | An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal | |
CN112508024A (zh) | 一种变压器电气铭牌钢印字体智能识别方法 | |
CN113674144A (zh) | 一种图像处理方法、终端设备及可读存储介质 | |
CN110717875A (zh) | 一种高清图像处理方法 |
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 |