CN115809972A - 一种高反射率零件图像的自适应耀光抑制方法 - Google Patents

一种高反射率零件图像的自适应耀光抑制方法 Download PDF

Info

Publication number
CN115809972A
CN115809972A CN202211466463.8A CN202211466463A CN115809972A CN 115809972 A CN115809972 A CN 115809972A CN 202211466463 A CN202211466463 A CN 202211466463A CN 115809972 A CN115809972 A CN 115809972A
Authority
CN
China
Prior art keywords
image
adaptive
flare
matrix
original image
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
Application number
CN202211466463.8A
Other languages
English (en)
Inventor
车凯
吕坚
赵琳通
米冠宇
周云
阙隆成
和顺隆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202211466463.8A priority Critical patent/CN115809972A/zh
Publication of CN115809972A publication Critical patent/CN115809972A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Studio Devices (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种高反射率零件图像的自适应耀光抑制方法，涉及智能制造和数字图像处理技术领域，旨在解决多次不同角度的采集会导致采集信息冗余，增加后端信息存储、处理难度，提高信息处理成本，降低生产效率的技术问题，采用的技术方案是，采集高反射率零件图片；求得自适应分隔因子；将原始图像分割成图像块，并求得图像块的均值与原始图像均值的差值；制得背景矩阵；将背景矩阵插值为矩阵；原始图像减去插值后的图像即为耀光抑制后的图像；将高反射率零件的图像采集由传统的多角度拍照和多角度打光抑制耀光方式转变为通过图像处理算法抑制耀光，减少了采集系统的自动化流程节拍，降低了后端信息存储冗余、提高信息处理效率。

Description

一种高反射率零件图像的自适应耀光抑制方法
技术领域
本发明涉及智能制造和数字图像处理技术领域，具体为一种高反射率零件图像的自适应耀光抑制方法。
背景技术
智能制造水平是衡量一个国家工业生产实力的标准，随着数字化工厂的快速推进以及端到端的零部件品质跟踪，对零部件生产过程中的信息采集与处理标准越来越高。对各种生产过程中的零部件图像采集与检测成为品质保障的关键因素。目前绝大部分的零部件信息采集主要集中在产品批次、标号、丝印等信息，且均采用人工接触式扫描采集方式，极易造成测量工件的污染，且人工成本较高。
目前，部分自动化信息采集系统以机器视觉的方式采集零部件表面信息，但针对高反射率的零部件，在采集其表面图像过程中会出现某一区域图像亮度高，形成耀光现象，掩蔽了零件表面信息的表达，通常做法是采集多角度信息或者对零件多角度打光，此种方式会导致采集信息冗余，增加后端信息存储、处理难度，提高信息处理成本，降低生产效率。
因此，针对高反射率零部件图像的采集，抑制其耀光是研究的重点所在，需要持续不断的深入研究出高效的耀光抑制解决方案。
发明内容
鉴于现有技术中所存在的问题，本发明公开了一种高反射率零件图像的自适应耀光抑制方法，采用的技术方案是，包括以下步骤：
步骤1，采用反射光方式，采集成像质量最佳的高反射率零件图片；
步骤2，对采集的图片做直方图统计，求得自适应分隔因子；
步骤3，将原始图像分割成以分割因子为宽高的图像块，并求得图像块的均值与原始图像均值的差值；
步骤4，求得步骤3中差值的最小值，并将步骤3中的差值与最小值作差，得到背景矩阵；
步骤5，将背景矩阵插值为与原始图像大小相同的矩阵；
步骤6，原始图像减去插值后的图像即为耀光抑制后的图像；将高反射率零件的图像采集由传统的多角度拍照和多角度打光抑制耀光方式转变为通过图像处理算法抑制耀光，减少了采集系统的自动化流程节拍，降低了后端信息存储冗余、提高信息处理效率。
作为本发明的一种优选技术方案，所述步骤1中采集的图像为8位数据深度的灰度图像，包括以下步骤：
步骤101，固定图像采集设备；
步骤102，调节镜头焦距；
步骤103，直至图片最清晰，结合相机、镜头、光源和图像处理算法即可完成高反射率零件耀光图像的采集，并抑制耀光现象，具有通用性强，实时性高，降低采集等优势。
作为本发明的一种优选技术方案，所述步骤2中，对采集图片
Figure BDA0003957695440000021
进行直方图分布统计，并求解自适应分割因子l，具体包括以下步骤：
步骤201，创建直方图数组Hist_Tuple，遍历原始图像
Figure BDA0003957695440000022
将像素点的灰度统计值存入数组Hist_Tuple对应列；
步骤202，设定统计阈值TSta_threshold；
步骤203，以灰度值为分割点，计算Hist_Tuple中大于像素点个数值占总像素的百分比，并与统计阈值TSta_threshold比较，得到分割因子l，如下式所示，式中
Figure BDA0003957695440000023
表示向下取整：
Figure BDA0003957695440000031
作为本发明的一种优选技术方案，所示步骤3中设定l为分割因子，将原始图像
Figure BDA0003957695440000032
分割成m×n个大小为l×l的图像块，且m、n满足如下公示：
Figure BDA0003957695440000033
计算原始图像
Figure BDA0003957695440000034
的灰度均值Meanoriginal，如下式所示：
Figure BDA0003957695440000035
将原始图像
Figure BDA0003957695440000036
的灰度均值Meanoriginal与每一个分割的图像块作差，将作差的结果存入矩阵Diff_Tuple，如下式所示：
Figure BDA0003957695440000037
作为本发明的一种优选技术方案，所示步骤4中，求得矩阵Diff_Tuple中的最小值Min，将Diff_Tuple中所有元素分别与Min作差形成的背景矩阵
Figure BDA0003957695440000038
如下式所示：
Figure BDA0003957695440000039
作为本发明的一种优选技术方案，所示步骤5中对求得的背景图像矩阵
Figure BDA00039576954400000310
做双三次插值处理，插值函数为G，插值后背景图像为
Figure BDA00039576954400000311
插值公示如下：
Figure BDA00039576954400000312
作为本发明的一种优选技术方案，所示步骤6中，原始图像
Figure BDA00039576954400000313
与背景建模图像
Figure BDA00039576954400000314
的差值即为高反射率耀光抑制后的图像
Figure BDA00039576954400000315
如下式所示：
Figure BDA00039576954400000316
本发明的有益效果：本发明通过将高反射率零件的图像采集由传统的多角度拍照和多角度打光抑制耀光方式转变为通过图像处理算法抑制耀光，减少了采集系统的自动化流程节拍，降低了后端信息存储冗余、提高信息处理效率；且结合相机、镜头、光源和图像处理算法即可完成高反射率零件耀光图像的采集，并抑制耀光现象，具有通用性强，实时性高，降低采集等优势。
进一步的，本发明能够提高反射率零部件的采集效率，降低后端信息存储冗余、处理复杂度，并节省硬件成本，与工业检测相结合的，采用图像处理的方法抑制高反射率零件的耀光，能适应不同的图像采集场景，通用性强，具有较好的实时性，能极大提高图像采集与后端信息处理效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明高反射率零件图像的自适应耀光抑制效果图一；
图2为本发明高反射率零件图像的自适应耀光抑制效果图二。
实施例1
如图1至图2所示，本发明公开了一种高反射率零件图像的自适应耀光抑制方法，采用的技术方案是，包括以下步骤：
步骤1：采集高反射率零件图片，采用反射光方式，调节相机、镜头、光源，使得成像质量最佳(采集的图像为8位数据深度的灰度图像)；
固定图像采集设备，调节镜头焦距，使图片由模糊到清晰再到模糊，在此过程中会出现图片最清晰的变焦环对应的点；在对应点附近不断重复上述过程，直至调节到图片最清晰；
步骤2，对采集图片
Figure BDA0003957695440000051
其中f表示图片，下标original表示原始图片，上标M×N表示图像宽高，进行直方图分布统计，目的在于求解自适应分割因子l，包括以下步骤：
步骤201，创建1×256的直方图数组Hist_Tuple，遍历原始图像
Figure BDA0003957695440000052
将像素点的灰度统计值存入数组Hist_Tuple对应列(设定某一个像素点的值为128，则对应的Hist_Tuple的第128列中的数值加1)；
步骤202，设定统计阈值TSta_threshold；
步骤203，以灰度值128为分割点，计算Hist_Tuple中大于128的像素点个数值占总像素的百分比，并与TSta_threshold比较，得到分割因子l，如下公式所示，式中
Figure BDA0003957695440000053
表示向下取整：
Figure BDA0003957695440000054
步骤3，得到分割因子l后，将原始图像
Figure BDA0003957695440000055
分割为m×n个大小为l×l的图像块，其中m、n分别满足下述公式：
Figure BDA0003957695440000056
通过公示
Figure BDA0003957695440000057
计算原始图像的灰度均值Meanoriginal，并与每一个分割的图像块作差，将做差的结果存入矩阵Diff_Tuple(矩阵大小为m×n)，如下式所示：
Figure BDA0003957695440000058
步骤4，求得Diff_Tuple中的最小值Min，将Diff_Tuple中所有元素分别与Min作差形成的背景矩阵
Figure BDA0003957695440000061
如下式所示：
Figure BDA0003957695440000062
步骤5，对求得的背景图像矩阵
Figure BDA0003957695440000063
做双三次插值处理，目的是使得背景建模后的图像矩阵与原图像大小相同。插值函数为G，插值后背景图像为
Figure BDA0003957695440000064
插值公式为：
Figure BDA0003957695440000065
步骤6，原始图像
Figure BDA0003957695440000066
与背景建模图像
Figure BDA0003957695440000067
的差值即为高反射率耀光抑制后的图像
Figure BDA0003957695440000068
如下式所示：
Figure BDA0003957695440000069
本发明的工作原理：首先，对原始图像
Figure BDA00039576954400000610
做灰度直方图统计，将图像的统计结果存入直方图数组Hist_Tuple，分析Hist_Tuple中像素值较高的像素点个数占整体像素点(M×N)个数得比值，并与设定阈值TSta_threshold做比较，得到区域的自适应分割因子l，实现局部空间信息项分割窗口的自适应计算；以自适应分割因子l为基准，将M×N的原始图像
Figure BDA00039576954400000611
转化为m×n若干个l×l的方形矩阵；计算每一个方阵的灰度均值与原始图像
Figure BDA00039576954400000612
均值Meanoriginal的差，将差值存入大小为m×n的背景矩阵Diff_Tuple，并得到差值的最小值Min；以Min为基础，将Diff_Tuple中的值与Min作差产生一副m×n大小的背景建模图像
Figure BDA00039576954400000613
(每个像素点的值是原始图像m×n个方块的均值与Min的差值)；将产生的m×n大小的背景建模图像
Figure BDA00039576954400000614
插值为与原图像M×N大小相同的图像
Figure BDA00039576954400000615
原始图像
Figure BDA00039576954400000616
减去背景建模图像
Figure BDA00039576954400000617
即为高反射率耀光抑制后的图像
Figure BDA00039576954400000618
另外，本实施例中的图像采集设备为相机型号-大恒图像-MER-133R54GM；镜头：大恒图像-HN-3519-5M-C2/3X。
本文中未详细说明的部件为现有技术。
上述虽然对本发明的具体实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，而不具备创造性劳动的修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种高反射率零件图像的自适应耀光抑制方法，其特征在于，包括以下步骤：
步骤1，采用反射光方式，采集成像质量最佳的高反射率零件图片；
步骤2，对采集的图片做直方图统计，求得自适应分隔因子；
步骤3，将原始图像分割成以分割因子为宽高的图像块，并求得图像块的均值与原始图像均值的差值；
步骤4，求得步骤3中差值的最小值，并将步骤3中的差值与最小值作差，得到背景矩阵；
步骤5，将背景矩阵插值为与原始图像大小相同的矩阵；
步骤6，原始图像减去插值后的图像即为耀光抑制后的图像。
2.根据权利要求1所述的一种高反射率零件图像的自适应耀光抑制方法，其特征在于，所述步骤1中采集的图像为8位数据深度的灰度图像，包括以下步骤：
步骤101，固定图像采集设备；
步骤102，调节镜头焦距；
步骤103，直至图片最清晰。
3.根据权利要求1所述的一种高反射率零件图像的自适应耀光抑制方法，其特征在于，所述步骤2中，对采集图片
Figure FDA0003957695430000011
进行直方图分布统计，并求解自适应分割因子l，具体包括以下步骤：
步骤201，创建直方图数组Hist_Tuple，遍历原始图像
Figure FDA0003957695430000012
将像素点的灰度，统计值存入数组Hist_Tuple对应列；
步骤202，设定统计阈值TSta_threshold；
步骤203，以灰度值为分割点，计算Hist_Tuple中大于像素点个数值占总像素的百分比，并与统计阈值TSta_threshold比较，得到分割因子l，如下式所示，式中
Figure FDA0003957695430000013
表示向下取整：
Figure FDA0003957695430000021
4.根据权利要求1所述的一种高反射率零件图像的自适应耀光抑制方法，其特征在于：所示步骤3中设定l为分割因子，将原始图像
Figure FDA0003957695430000022
分割成m×n个大小为l×l的图像块，且m、n满足如下公示：
Figure FDA0003957695430000023
计算原始图像
Figure FDA0003957695430000024
的灰度均值Meanoriginal，如下式所示：
Figure FDA0003957695430000025
将原始图像
Figure FDA0003957695430000026
的灰度均值Meanoriginal与每一个分割的图像块作差，将作差的结果存入矩阵Diff_Tuple，如下式所示：
Figure FDA0003957695430000027
5.根据权利要求1所述的一种高反射率零件图像的自适应耀光抑制方法，其特征在于：所示步骤4中，求得矩阵Diff_Tuple中的最小值Min，将Diff_Tuple中所有元素分别与Min作差形成的背景矩阵
Figure FDA0003957695430000028
如下式所示：
Figure FDA0003957695430000029
6.根据权利要求1所述的一种高反射率零件图像的自适应耀光抑制方法，其特征在于：所示步骤5中对求得的背景图像矩阵
Figure FDA00039576954300000210
做双三次插值处理，插值函数为G，插值后背景图像为
Figure FDA00039576954300000211
插值公示如下：
Figure FDA00039576954300000212
7.根据权利要求1所述的一种高反射率零件图像的自适应耀光抑制方法，其特征在于：所示步骤6中，原始图像
Figure FDA00039576954300000213
与背景建模图像
Figure FDA00039576954300000214
的差值即为高反射率耀光抑制后的图像
Figure FDA00039576954300000215
如下式所示：
Figure FDA00039576954300000216
CN202211466463.8A 2022-11-22 2022-11-22 一种高反射率零件图像的自适应耀光抑制方法 Pending CN115809972A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211466463.8A CN115809972A (zh) 2022-11-22 2022-11-22 一种高反射率零件图像的自适应耀光抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211466463.8A CN115809972A (zh) 2022-11-22 2022-11-22 一种高反射率零件图像的自适应耀光抑制方法

Publications (1)

Publication Number Publication Date
CN115809972A true CN115809972A (zh) 2023-03-17

Family

ID=85483805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211466463.8A Pending CN115809972A (zh) 2022-11-22 2022-11-22 一种高反射率零件图像的自适应耀光抑制方法

Country Status (1)

Country Link
CN (1) CN115809972A (zh)

Similar Documents

Publication Publication Date Title
US11257194B2 (en) Method for image dehazing based on adaptively improved linear global atmospheric light of dark channel
WO2021217643A1 (zh) 红外图像处理方法、装置及可移动平台
CN109064418B (zh) 一种基于非局部均值的非均匀噪声图像去噪方法
US6625325B2 (en) Noise cleaning and interpolating sparsely populated color digital image using a variable noise cleaning kernel
DE102011056977A1 (de) Vorrichtung und Verfahren zur digitalen Bildstabilisierung
CN112581904B (zh) 一种oled屏亮度灰阶图像的摩尔纹补偿方法
CN111583193B (zh) 基于几何轮廓模板匹配的开心果骨架提取装置及其算法
CN116823686B (zh) 一种基于图像增强的夜间红外与可见光图像融合方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
RU2325044C1 (ru) Градиентный способ выделения контуров объектов на матрице полутонового растрового изображения
CN107911599B (zh) 一种红外图像全局自动对焦方法及装置
CN113706521A (zh) 碳纤维表面毛团检测方法、装置、存储介质和电子设备
CN116363018B (zh) 一种自适应的nlm降噪方法
CN112529773B (zh) Qpd图像后处理方法及qpd相机
CN111414877B (zh) 去除颜色边框的表格裁切方法、图像处理设备和存储介质
CN115809972A (zh) 一种高反射率零件图像的自适应耀光抑制方法
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法
CN115690107B (zh) 基于图像处理的豆荚果粒高通量计数方法、系统及装置
CN110852947A (zh) 一种基于边缘锐化的红外图像超分辨方法
CN112991326B (zh) 一种清洗质量评价方法
CN111985535A (zh) 一种通过神经网络优化人体深度图的方法及其装置
CN111652221A (zh) 一种用于usb插头表面缺陷检测的roi提取方法和系统
CN110647843A (zh) 一种人脸面部图像处理方法
JP7491830B2 (ja) 被写体シルエット抽出装置、方法及びプログラム
CN111630569A (zh) 双目匹配的方法、视觉成像装置及具有存储功能的装置

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