CN115908207A - 一种金属表面下复杂背景的图像特征增强处理方法 - Google Patents
一种金属表面下复杂背景的图像特征增强处理方法 Download PDFInfo
- Publication number
- CN115908207A CN115908207A CN202211189056.7A CN202211189056A CN115908207A CN 115908207 A CN115908207 A CN 115908207A CN 202211189056 A CN202211189056 A CN 202211189056A CN 115908207 A CN115908207 A CN 115908207A
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- metal surface
- smqt
- complex background
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 40
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013139 quantization Methods 0.000 claims abstract description 17
- 238000012546 transfer Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 7
- 238000011158 quantitative evaluation Methods 0.000 claims description 7
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 16
- 238000001514 detection method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Abstract
本发明公开了一种金属表面下复杂背景的图像特征增强处理方法,包括如下步骤:S1、使用改进的巴特沃斯传递函数替换传统同态滤波中的传递函数,使其将图像分解成高频图像和低频图像;S2、计算各个像素灰度值的平均值;S3、采用均值量化方法将各个像素的类度值归一化;S4、将量化输出分解到2个节点中,生成新的金属表面图像。本发明通过对每个均值量化单元的计算去除复杂背景下的金属表面的背景干扰,可以显示出图像底层的结构特征,并能自动集中增强图像的细节信息,快速得到高质量的前景信息,从而便于对金属表面的缺陷进行精准定位。
Description
技术领域
本发明属于去背景干扰的金属表面图像特征增强领域,更具体地说,尤其涉及一种金属表面下复杂背景的图像特征增强处理方法。
背景技术
在金属表面缺陷图像采集的过程中,工业生产环境具有很强的随机性和不可控性,使得采集到的部分金属表面缺陷图像存在着光照不足、对比度低和光照不均等问题,这严重影响接下来的缺陷检测过程。因此,对金属表面缺陷进行图像增强,具有十分重要的意义。
对金属表面缺陷进行图像增强,就是要尽可能地凸显出缺陷的位置,减少外界光线的干扰,便于后期的检测和识别。
针对受不同因素影响的金属表面缺陷,图像增强的方式也会有所不同。直方图均衡化算法原理相对简单、运算速度相对较快,但是处理后的缺陷图像会产生局部模糊、边缘细节丢失等现象。同态滤波通过改变图像的对比度来增强金属表面缺陷图像,能较好地锐化图像的边缘细节,减少外界光照变化对图像的影响,但是也存在着高亮度图像处理效果不佳的问题。基于小波变换和同态滤波的图像增强算法有效消除了光照不均,增强了缺陷细节信息,但是该算法仅对低对比度缺陷图像增强效果较好,因此,我们提出一种金属表面下复杂背景的图像特征增强处理方法。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种金属表面下复杂背景的图像特征增强处理方法,通过去除复杂环境下的金属表面图像的背景干扰,大大地提高了金属表面缺陷识别的准确率。
为实现上述目的,本发明提供如下技术方案:
一种金属表面下复杂背景的图像特征增强处理方法,包括如下步骤:
S1、使用改进的巴特沃斯传递函数替换传统同态滤波中的传递函数,使其将图像分解成高频图像和低频图像;
S2、计算各个像素灰度值的平均值;
S3、采用均值量化方法将各个像素的类度值归一化;
S4、将量化输出分解到2个节点中,生成新的金属表面图像。
优选的,步骤S1中,根据照射-反射模型将输入图像f(x,y)表示为照射分量i(x,y)与反射分量r(x,y)的乘积,即:f(x,y)=i(x,y)*r(x,y)。
优选的,所述改进的巴特沃斯传递函数具体为:
式中D(u,v)表示频率(u,v)到滤波中心(u0,v0)的距离,D0为截止频率;n为滤波器阶数;c为锐化系数; rH为高频增益系数,当rH>1时表示对高频部分进行增强;rL为低频增益系数,当rL<1时表示对低频部分进行削弱。
优选的,所述改进的巴特沃斯传递函数将传统同态滤波中的H(u,v)替换为 rH和rL进行运算,运算完成后将得到高频信息函数和低频信息函数,然后对其进行傅里叶逆变换,将高频信息和低频信息从频域转换到空域,最后再分别对其进行指数变换,得到高频图像f1(x,y)和低频图像f2(x,y);
其中,若经过同态滤波处理的高频图像为D(x),x为图像的一个像素,该像素对应的灰度值为V(x);
D(x)经过SMQT变换后输出图像为M(x),变量L控制SMQT变换的等级,则L级SMQT变换可以表示为SMQTL:D(x)→M(x)。
优选的,所述的SMQTL变换过程用二叉树结构来描述,树的每个节点都是一个均值量化单元,每个MQU的计算包括如下步骤:
将u(x)分解到二叉树的2个节点D0(x)和D1(x)中,
优选的,所述的SMQTL变换过程中,对比度增强效果的量化评价标准包括:
优选的,所述的SMQTL变换过程中,对比度增强效果的量化评价标准还包括:
韦伯比评价图像对比度的方式,式中Imax(Φ,p) 和Imin(Φ,p)表示在特定变换Φ和特定参数p下图像的最大亮度值和最小亮度值; c=0.001以防止I(Φ,p)为0,韦伯比越小,则分辨亮区能力越好。
优选的,所述的SMQTL变换过程中,对比度增强效果的量化评价标准还包括:
熵代表的是平均信息量,设X是取值有限的随机变量,pi表示信息量中变量为xi的信息所占比例,pi=P{X=xi},i=1,2,…,n.则 X的熵熵越大,表示图像的信息量越大,也就是在细节信息的保持上最优.由附图5数据可知优化后的SMQT图像增强效果最好。
本发明的技术效果和优点:本发明提供的一种金属表面下复杂背景的图像特征增强处理方法,与传统的处理方法相比,本发明通过对每个均值量化单元的计算去除复杂背景下的金属表面的背景干扰,可以显示出图像底层的结构特征,并能自动集中增强图像的细节信息,快速得到高质量的前景信息,从而便于对金属表面的缺陷进行精准定位。
附图说明
图1为本发明的算法流程图;
图2为本发明实施例中划痕图像增强效果与传统算法对比图;
图3为本发明实施例中焊斑图像增强效果与传统算法对比图;
图4为本发明实施例中漏镀图像增强效果与传统算法对比图;
图5为本发明实施例中SMQT与传统算法性能对比图表。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,一并不用于限定本发明。一基于本发明中的实施例,本领一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。
本发明提供了如图1-5的一种金属表面下复杂背景的图像特征增强处理方法,通过以下技术方案实现,包括:1、使用改进的巴特沃斯传递函数替换传统同态滤波中的传递函数,使其将图像分解成高频图像和低频图像。2、计算各个像素灰度值的平均;3、采用均值量化方法将各个像素的类度值归一化;4、将量化输出分解到2个节点中,生成新的金属表面图像,根据照射-反射模型将输入图像f(x,y)表示为照射分量i(x,y)与反射分量r(x,y)的乘积,即: f(x,y)=i(x,y)*r(x,y)。
本发明采用的改进过的巴特沃斯滤波器既能有效滤波,又能消除振铃效应,是一种介于理想滤波器和高斯滤波器间的过渡性滤波器,可以减少图像信息量的丢失并保持图像质量。
其传递函数为:
式中D(u,v)表示频率(u,v)到滤波中心(u0,v0)的距离,D0为截止频率;n为滤波器阶数;c为锐化系数;rH为高频增益系数,当rH>1时表示对高频部分进行增强;rL为低频增益系数,当rL<1时表示对低频部分进行削弱。将传统同态滤波中的H(u,v)替换为 Hh和Hl进行运算,运算完成后将得到高频信息函数和低频信息函数,然后对其进行傅里叶逆变换,将高频信息和低频信息从频域转换到空域,最后再分别对其进行指数变换,得到高频图像f1(x,y)和低频图像f2(x,y).
设经过同态滤波处理的高频图像为D(x),x为图像的一个像素,该像素对应的灰度值为V(x)。
另D(x)经过SMQT变换后输出图像为M(x),变量L控制SMQT变换的等级,则L级SMQT变换可以表示为SMQTL:D(x)→M(x)..
SMQTL变换过程可以用二叉树结构来描述,树的每个节点都是一个均值量化单元(mean quantization unit,MQU).每个MQU的计算由如下3步来实现。
b.采用均值量化的方法将各个像素的灰度值V(x)量化为0挥着1,量化输出
b.采用均值量化的方法将各个像素的灰度值V(x)量化为0挥着1,量化输出
将u(x)分解到二叉树的2个节点D0(x)和D1(x)中,
最后,金属表面图像D(x)经过SMQT变换后输出图像
对比度增强效果的量化评价标准有以下3种:
式中Imax(Φ,p)和Imin(Φ,p)表示在特定变换Φ和特定参数p下图像的最大亮度值和最小亮度值;c=0.001以防止I(Φ,p)为0.韦伯比越小,则分辨亮区能力越好。
c.熵代表的是平均信息量,设X是取值有限的随机变量,pi表示信息量中变量为xi的信息所占比例,pi=P{X=xi},i=1,2,…,n.则 X的熵熵越大,表示图像的信息量越大,也就是在细节信息的保持上最优.由附图5数据可知优化后的SMQT图像增强效果最好。
从图2到图4的对比实验结果可以看出:优化后的SMQT图像增强效果最好,分段拉伸次之,直方图均衡化效果最差.优化后的SMQT图像增强方法计算量小,易于实现且实时性好.因此,本发明所使用的方法对金属表面缺陷图像进行增强得到了较好的视觉效果,该方法具有很强的实用性和推广价值。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,一尽管参照前述实施例对本发明进行了详细的说明,一对于本领域的一技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,一凡在本发明的精神和原则之内,一所作一的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种金属表面下复杂背景的图像特征增强处理方法,其特征在于,包括如下步骤:
S1、使用改进的巴特沃斯传递函数替换传统同态滤波中的传递函数,使其将图像分解成高频图像和低频图像;
S2、计算各个像素灰度值的平均值;
S3、采用均值量化方法将各个像素的类度值归一化;
S4、将量化输出分解到2个节点中,生成新的金属表面图像。
2.根据权利要求1所述的一种金属表面下复杂背景的图像特征增强处理方法,其特征在于:步骤S1中,根据照射-反射模型将输入图像f(x,y)表示为照射分量i(x,y)与反射分量r(x,y)的乘积,即:f(x,y)=i(x,y)*r(x,y)。
4.根据权利要求3所述的一种金属表面下复杂背景的图像特征增强处理方法,其特征在于:所述改进的巴特沃斯传递函数将传统同态滤波中的H(u,v)替换为rH和rL进行运算,运算完成后将得到高频信息函数和低频信息函数,然后对其进行傅里叶逆变换,将高频信息和低频信息从频域转换到空域,最后再分别对其进行指数变换,得到高频图像f1(x,y)和低频图像f2(x,y);
其中,若经过同态滤波处理的高频图像为D(x),x为图像的一个像素,该像素对应的灰度值为V(x);
D(x)经过SMQT变换后输出图像为M(x),变量L控制SMQT变换的等级,则L级SMQT变换可以表示为SMQTL:D(x)→M(x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211189056.7A CN115908207A (zh) | 2022-09-28 | 2022-09-28 | 一种金属表面下复杂背景的图像特征增强处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211189056.7A CN115908207A (zh) | 2022-09-28 | 2022-09-28 | 一种金属表面下复杂背景的图像特征增强处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908207A true CN115908207A (zh) | 2023-04-04 |
Family
ID=86484016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211189056.7A Pending CN115908207A (zh) | 2022-09-28 | 2022-09-28 | 一种金属表面下复杂背景的图像特征增强处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908207A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424641A (zh) * | 2013-09-07 | 2015-03-18 | 无锡华御信息技术有限公司 | 一种关于图像模糊篡改检测的方法 |
US20200058102A1 (en) * | 2016-11-10 | 2020-02-20 | Wuhan Jingce Electronic Group Co., Ltd. | Background suppression method and detecting device in automatic optical detection of display panel |
-
2022
- 2022-09-28 CN CN202211189056.7A patent/CN115908207A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424641A (zh) * | 2013-09-07 | 2015-03-18 | 无锡华御信息技术有限公司 | 一种关于图像模糊篡改检测的方法 |
US20200058102A1 (en) * | 2016-11-10 | 2020-02-20 | Wuhan Jingce Electronic Group Co., Ltd. | Background suppression method and detecting device in automatic optical detection of display panel |
Non-Patent Citations (2)
Title |
---|
刘思 等: "复杂背景下钢板表面缺陷检测的图像增强方法", 华中科技大学学报(自然科学版), vol. 39, pages 2 * |
朱志勋 等: "基于改进的同态滤波与SMQT相结合的磁瓦表面缺陷图像增强算法研究", 《光电子·激光》, vol. 32, no. 8, pages 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527333B (zh) | 一种基于伽马变换的快速图像增强方法 | |
CN100550978C (zh) | 一种保持边缘的自适应图像滤波方法 | |
CN112561804A (zh) | 基于多尺度细节增强的低光照水下图像增强方法 | |
CN111105371B (zh) | 一种低对比度红外图像的增强方法 | |
CN108389163A (zh) | 一种基于暗光彩色图像的自适应增强方法 | |
CN115359044B (zh) | 一种基于图像增强的金属件表面划痕检测方法 | |
CN115937216B (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN106570843A (zh) | 一种自适应小波阈值函数图像噪声抑制方法 | |
CN107784639B (zh) | 一种无人机遥感图像改进多边滤波去噪方法 | |
CN112541869A (zh) | 一种基于matlab实现的Retinex图像去雾方法 | |
CN116188325A (zh) | 一种基于深度学习和图像颜色空间特性的图像去噪方法 | |
CN104616259B (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
CN115294118A (zh) | 一种船用钣金焊接缺陷识别方法 | |
CN111476784A (zh) | 一种基于图像增强识别技术的产品表面缺陷在线检测方法 | |
CN111598790A (zh) | 基于对偶深度神经网络的高光谱遥感图像去噪方法 | |
CN117314801A (zh) | 基于人工智能的模糊图像优化增强方法 | |
Patvardhan et al. | Document image denoising and binarization using Curvelet transform for OCR applications | |
CN115908207A (zh) | 一种金属表面下复杂背景的图像特征增强处理方法 | |
CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
CN110175959B (zh) | 一种台风云图增强方法 | |
CN115829967A (zh) | 一种工业金属表面缺陷图像去噪和增强方法 | |
CN105894478B (zh) | 基于统计局部秩特征的图像去噪方法 | |
CN115358948A (zh) | 一种基于改进Retinex算法的低照度图像增强方法 | |
Swarup et al. | DWT based historical image enhancement technique using adaptive gamma correction | |
CN111915633A (zh) | 一种铸件边缘检测方法及装置 |
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 |