CN116012607A - 图像弱纹理特征提取方法及装置、设备、存储介质 - Google Patents
图像弱纹理特征提取方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN116012607A CN116012607A CN202310060360.XA CN202310060360A CN116012607A CN 116012607 A CN116012607 A CN 116012607A CN 202310060360 A CN202310060360 A CN 202310060360A CN 116012607 A CN116012607 A CN 116012607A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- shear
- wavelet
- cone
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种图像弱纹理特征提取方法及装置、设备、存储介质,通过将待检测图像划分成若干图像子块;基于剪切小波变换算法对每个图像子块进行特征提取,获得每个图像子块的子纹理特征;将所有图像子块的子纹理特征进行组合,获得待检测图像的全图纹理特征;能够快速且准确地提取出弱纹理特征,进而提高图像识别或缺陷检测的分类效率和精确度。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种图像弱纹理特征提取方法及装置、设备、存储介质。
背景技术
机器视觉在实际应用中,常常会用到纹理特征来进行物品的检测和识别。无论是在可见光图像,还是非可见光图像的识别和检测中,纹理特征都是一类重要特征。例如,在电子元器件生产和应用的过程中,会对电子器件表面成像,进行实时瑕疵提取,以检测电子器件是否存在缺陷。在X光安检这类非可见光成像检测中,物品的堆叠和遮挡等,会在图像中表现为复杂纹理或图案图像色差等形式。
目前主流的纹理特征提取技术通常是针对明显的特征点进行提取,但随着检测精度和检测速度要求越来越高,我们需要对一些不明显的特征点,即弱纹理特征,进行提取。
纹理图像在进行识别或分类的过程中,容易受到光照、尺度大小、方向变化等影响,如果使用单一纹理描述子进行弱纹理特征提取,往往导致分类不够准确的问题。而如果单纯考虑使用多种纹理描述子组合进行弱纹理特征提取,则会导致特征维度过高,且冗余信息增多,分类效率下降。
发明内容
本发明的目的在于提供一种图像弱纹理特征提取方法及装置、设备、存储介质,能够快速且准确地提取出弱纹理特征,进而提高图像识别或缺陷检测的分类效率和精确度。
本发明实施例第一方面公开一种图像弱纹理特征提取方法,包括:
将待检测图像划分成若干图像子块;
基于剪切小波变换算法对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征;
将所有所述图像子块的子纹理特征进行组合,获得所述待检测图像的全图纹理特征。
在一些实施例中,所述基于剪切小波变换算法对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征,包括:
根据所述剪切小波变换算法构建锥剪切小波;
基于所述锥剪切小波对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征。
在一些实施例中,所述根据所述剪切小波变换算法构建锥剪切小波,包括:
在所述剪切小波变换算法的基础上,根据不同的频率带进行不同的处理,以构建锥剪切小波;所述锥剪切小波包括低频部分、水平锥和竖直锥。
在一些实施例中,所述基于所述锥剪切小波对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征,包括:
基于所述锥剪切小波对每个所述图像子块进行剪切小波变换,获得剪切小波变换后的第一系数;
根据指定阈值对所述第一系数进行去噪处理,获得第二系数;
根据所述第二系数按照剪切小波边缘检测的方法对每个所述图像子块进行检测,获得每个所述图像子块的子纹理特征
本发明实施例第二方面公开一种图像弱纹理特征提取装置,包括:
划分单元,用于将待检测图像划分成若干图像子块;
提取单元,用于基于剪切小波变换算法对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征;
组合单元,用于将所有所述图像子块的子纹理特征进行组合,获得所述待检测图像的全图纹理特征。
在一些实施例中,所述提取单元包括:
构建子单元,用于根据所述剪切小波变换算法构建锥剪切小波;
提取子单元,用于基于所述锥剪切小波对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征。
在一些实施例中,所述构建子单元,具体用于在所述剪切小波变换算法的基础上,根据不同的频率带进行不同的处理,以构建锥剪切小波;所述锥剪切小波包括低频部分、水平锥和竖直锥。
在一些实施例中,所述提取子单元包括:
变换模块,用于基于所述锥剪切小波对每个所述图像子块进行剪切小波变换,获得剪切小波变换后的第一系数;
去噪模块,用于根据指定阈值对所述第一系数进行去噪处理,获得第二系数;
检测模块,用于根据所述第二系数按照剪切小波边缘检测的方法对每个所述图像子块进行检测,获得每个所述图像子块的子纹理特征。
本发明实施例第三方面公开一种电子设备,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行第一方面公开的图像弱纹理特征提取方法。
本发明实施例第四方面公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行第一方面公开的图像弱纹理特征提取方法。
本发明的有益效果在于,所提供的图像弱纹理特征提取方法及装置、设备、存储介质,通过将待检测图像划分成若干图像子块;基于剪切小波变换算法对每个图像子块进行特征提取,获得每个图像子块的子纹理特征;将所有图像子块的子纹理特征进行组合,获得待检测图像的全图纹理特征;能够快速且准确地提取出弱纹理特征,进而提高图像识别或缺陷检测的分类效率和精确度。
附图说明
此处的附图,示出了本发明所述技术方案的具体实例,并与具体实施方式构成说明书的一部分,用于解释本发明的技术方案、原理及效果。
除非特别说明或另有定义,不同附图中,相同的附图标记代表相同或相似的技术特征,对于相同或相似的技术特征,也可能会采用不同的附图标记进行表示。
图1是本发明实施例公开的一种图像弱纹理特征提取方法的流程图;
图2是本发明实施例公开的一种剪切小波系统频率系统图;
图3是本发明实施例公开的一种锥剪切小波系统频率系统图;
图4是本发明实施例公开的一种图像弱纹理特征提取装置的结构示意图;
图5是本发明实施例公开的一种电子设备的结构示意图。
附图标记说明:
401、划分单元;402、提取单元;403、组合单元;501、存储器;502、处理器。
具体实施方式
为了便于理解本发明,下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
除非特别说明或另有定义,本文所使用的所有技术和科学术语与所属技术领域的技术人员通常理解的含义相同。在结合本发明的技术方案以现实的场景的情况下,本文所使用的所有技术和科学术语也可以具有与实现本发明的技术方案的目的相对应的含义。本文所使用的“第一、第二…”仅仅是用于对名称的区分,不代表具体的数量或顺序。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
需要说明的是,当元件被认为“固定于”另一个元件,它可以是直接固定在另一个元件上,也可以是存在居中的元件;当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件,也可以是同时存在居中元件;当一个元件被认为是“安装在”另一个元件,它可以是直接安装在另一个元件,也可以是同时存在居中元件。当一个元件被认为是“设在”另一个元件,它可以是直接设在另一个元件,也可以是同时存在居中元件。
除非特别说明或另有定义,本文所使用的“所述”、“该”为相应位置之前所提及或描述的技术特征或技术内容,该技术特征或技术内容与其所提及的技术特征或技术内容可以是相同的,也可以是相似的。
毫无疑义,与本发明的目的相违背,或者明显矛盾的技术内容或技术特征,应被排除在外。
如图1所示,本发明实施例公开一种图像弱纹理特征提取方法,包括:
S1、输入待检测图像I(x)。
S2、将待检测图像划分成若干M×N的图像子块。
S3、基于剪切小波变换算法对每个图像子块进行特征提取,获得每个图像子块的子纹理特征。
步骤S3具体包括以下步骤:
S3.1、根据剪切小波变换算法构建待检测图像I(x)的锥剪切小波。
步骤S3.1中,剪切小波系统频率如图2所示,在剪切小波变换算法的基础上,根据不同的频率带进行不同的处理,以构建待检测图像I(x)的锥剪切小波,如图3所示。在实际应用中,需要对不同图像构建不同的锥剪切小波,具体的构建方法如下。该锥剪切小波包括低频部分、水平锥和竖直锥。
在剪切小波变换的基础上,根据不同的频率带进行不同的处理,引入如下系统,对应图2剪切小波系统的频率分布,图3低频部分、水平锥和垂直锥在频谱图中对应的位置如下:
低频部分:{φk=φ(·-k);k∈Z2},对应图3中的R部分。
S3.2、基于锥剪切小波对每个图像子块进行特征提取,获得每个图像子块的子纹理特征。
步骤S3.1中,首先基于锥剪切小波对每个图像子块进行剪切小波变换,获得剪切小波变换后的第一系数x;然后根据指定阈值W对第一系数x进行去噪处理,获得第二系数y;最后根据第二系数y按照剪切小波边缘检测的方法对每个图像子块进行检测,获得每个图像子块的子纹理特征。其中第一系数和第二系数均为小波系数。
其中,对于剪切小波变换后的第一系数x,采用软阈值法进行去噪处理,具体为采取如下操作:
其中,x剪切小波变换后的第一系数,y为软阈值去噪后的第二系数,W为去噪使用的软阈值。其中,可取软阈值W=0.001。
然后用去除噪声后的第二系数y,再按照剪切小波边缘检测的思路进行检测,就能得到每个图像子块的子纹理特征,即弱纹理特征信息。其中按照剪切小波边缘检测的思路进行检测,具体可通过以下脉冲边缘函数进行测量:
其中,I(y)脉冲边缘函数的输出,即每个图像子块的子纹理特征,ψe表示剪切小波的基函数,ψe为偶函数,且其定义域在实数域上;ψo则由ψe通过希尔伯特变换得到。
S4、将所有图像子块的子纹理特征进行组合,获得待检测图像的全图纹理特征。
在步骤S4中,通过将所有图像子块的子纹理特征直接拼接组合,即可获得待检测图像的全图纹理特征。
如图4所示,本发明实施例公开一种图像弱纹理特征提取装置,包括划分单元401、提取单元402和组合单元403,其中,
划分单元401,用于将待检测图像划分成若干图像子块;
提取单元402,用于基于剪切小波变换算法对每个图像子块进行特征提取,获得每个图像子块的子纹理特征;
组合单元403,用于将所有图像子块的子纹理特征进行组合,获得待检测图像的全图纹理特征。
在本实施例中,提取单元402包括:
构建子单元,用于根据剪切小波变换算法构建锥剪切小波;
提取子单元,用于基于锥剪切小波对每个图像子块进行特征提取,获得每个图像子块的子纹理特征。
在本实施例中,构建子单元,具体用于在剪切小波变换算法的基础上,根据不同的频率带进行不同的处理,以构建锥剪切小波;锥剪切小波包括低频部分、水平锥和竖直锥。
在本实施例中,提取子单元包括:
变换模块,用于基于锥剪切小波对每个图像子块进行剪切小波变换,获得剪切小波变换后的第一系数;
去噪模块,用于根据指定阈值对第一系数进行去噪处理,获得第二系数;
检测模块,用于根据第二系数按照剪切小波边缘检测的方法对每个图像子块进行检测,获得每个图像子块的子纹理特征。
如图5所示,本发明实施例公开一种电子设备,包括存储有可执行程序代码的存储器501以及与存储器501耦合的处理器502;
其中,处理器502调用存储器501中存储的可执行程序代码,执行上述各实施例中描述的图像弱纹理特征提取方法。
本发明实施例还公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行上述各实施例中描述的图像弱纹理特征提取方法。
以上实施例的目的,是对本发明的技术方案进行示例性的再现与推导,并以此完整的描述本发明的技术方案、目的及效果,其目的是使公众对本发明的公开内容的理解更加透彻、全面,并不以此限定本发明的保护范围。
以上实施例也并非是基于本发明的穷尽性列举,在此之外,还可以存在多个未列出的其他实施方式。在不违反本发明构思的基础上所作的任何替换与改进,均属本发明的保护范围。
Claims (10)
1.图像弱纹理特征提取方法,其特征在于,包括:
将待检测图像划分成若干图像子块;
基于剪切小波变换算法对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征;
将所有所述图像子块的子纹理特征进行组合,获得所述待检测图像的全图纹理特征。
2.如权利要求1所述的图像弱纹理特征提取方法,其特征在于,所述基于剪切小波变换算法对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征,包括:
根据所述剪切小波变换算法构建锥剪切小波;
基于所述锥剪切小波对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征。
3.如权利要求2所述的图像弱纹理特征提取方法,其特征在于,所述根据所述剪切小波变换算法构建锥剪切小波,包括:
在所述剪切小波变换算法的基础上,根据不同的频率带进行不同的处理,以构建锥剪切小波;所述锥剪切小波包括低频部分、水平锥和竖直锥。
4.如权利要求2或3所述的图像弱纹理特征提取方法,其特征在于,所述基于所述锥剪切小波对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征,包括:
基于所述锥剪切小波对每个所述图像子块进行剪切小波变换,获得剪切小波变换后的第一系数;
根据指定阈值对所述第一系数进行去噪处理,获得第二系数;
根据所述第二系数按照剪切小波边缘检测的方法对每个所述图像子块进行检测,获得每个所述图像子块的子纹理特征。
5.图像弱纹理特征提取装置,其特征在于,包括:
划分单元,用于将待检测图像划分成若干图像子块;
提取单元,用于基于剪切小波变换算法对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征;
组合单元,用于将所有所述图像子块的子纹理特征进行组合,获得所述待检测图像的全图纹理特征。
6.如权利要求5所述的图像弱纹理特征提取装置,其特征在于,所述提取单元包括:
构建子单元,用于根据所述剪切小波变换算法构建锥剪切小波;
提取子单元,用于基于所述锥剪切小波对每个所述图像子块进行特征提取,获得每个所述图像子块的子纹理特征。
7.如权利要求6所述的图像弱纹理特征提取装置,其特征在于,所述构建子单元,具体用于在所述剪切小波变换算法的基础上,根据不同的频率带进行不同的处理,以构建锥剪切小波;所述锥剪切小波包括低频部分、水平锥和竖直锥。
8.如权利要求6或7所述的图像弱纹理特征提取装置,其特征在于,所述提取子单元包括:
变换模块,用于基于所述锥剪切小波对每个所述图像子块进行剪切小波变换,获得剪切小波变换后的第一系数;
去噪模块,用于根据指定阈值对所述第一系数进行去噪处理,获得第二系数;
检测模块,用于根据所述第二系数按照剪切小波边缘检测的方法对每个所述图像子块进行检测,获得每个所述图像子块的子纹理特征。
9.电子设备,其特征在于,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行权利要求1至4任一项所述的图像弱纹理特征提取方法。
10.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存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1至4任一项所述的图像弱纹理特征提取方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022101010240 | 2022-01-27 | ||
CN202210101024 | 2022-01-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116012607A true CN116012607A (zh) | 2023-04-25 |
CN116012607B CN116012607B (zh) | 2023-09-01 |
Family
ID=86037148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310060360.XA Active CN116012607B (zh) | 2022-01-27 | 2023-01-17 | 图像弱纹理特征提取方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012607B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090304291A1 (en) * | 2008-06-05 | 2009-12-10 | Microsoft Corporation | Real-time compression and decompression of wavelet-compressed images |
US8249365B1 (en) * | 2009-09-04 | 2012-08-21 | Adobe Systems Incorporated | Methods and apparatus for directional texture generation using sample-based texture synthesis |
US20150341647A1 (en) * | 2014-05-21 | 2015-11-26 | Alcatel-Lucent Usa Inc. | Accelerated image processing |
CN105654449A (zh) * | 2014-11-09 | 2016-06-08 | 许亚夫 | 一种视频图像离散划分方法 |
US20180136353A1 (en) * | 2016-11-17 | 2018-05-17 | Saudi Arabian Oil Company | Use of wavelet cross-correlation for virtual source denoising |
CN108364256A (zh) * | 2018-01-23 | 2018-08-03 | 中山大学 | 一种基于四元数小波变换的图像拼接检测方法 |
CN108932492A (zh) * | 2018-06-28 | 2018-12-04 | 福州昌宇五金锁具制品有限公司 | 一种基于非采样剪切波变换的图像指纹提取方法 |
CN111178190A (zh) * | 2019-12-17 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 基于深度图像的目标检测方法、装置及存储介质 |
CN111325765A (zh) * | 2020-02-18 | 2020-06-23 | 山东超越数控电子股份有限公司 | 一种基于冗余小波变换的图像边缘检测算法 |
CN112907748A (zh) * | 2021-03-31 | 2021-06-04 | 山西大学 | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 |
CN113298147A (zh) * | 2021-05-25 | 2021-08-24 | 长春大学 | 基于区域能量和直觉模糊集的图像融合方法及装置 |
-
2023
- 2023-01-17 CN CN202310060360.XA patent/CN116012607B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090304291A1 (en) * | 2008-06-05 | 2009-12-10 | Microsoft Corporation | Real-time compression and decompression of wavelet-compressed images |
US8249365B1 (en) * | 2009-09-04 | 2012-08-21 | Adobe Systems Incorporated | Methods and apparatus for directional texture generation using sample-based texture synthesis |
US20150341647A1 (en) * | 2014-05-21 | 2015-11-26 | Alcatel-Lucent Usa Inc. | Accelerated image processing |
CN105654449A (zh) * | 2014-11-09 | 2016-06-08 | 许亚夫 | 一种视频图像离散划分方法 |
US20180136353A1 (en) * | 2016-11-17 | 2018-05-17 | Saudi Arabian Oil Company | Use of wavelet cross-correlation for virtual source denoising |
CN108364256A (zh) * | 2018-01-23 | 2018-08-03 | 中山大学 | 一种基于四元数小波变换的图像拼接检测方法 |
CN108932492A (zh) * | 2018-06-28 | 2018-12-04 | 福州昌宇五金锁具制品有限公司 | 一种基于非采样剪切波变换的图像指纹提取方法 |
CN111178190A (zh) * | 2019-12-17 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 基于深度图像的目标检测方法、装置及存储介质 |
CN111325765A (zh) * | 2020-02-18 | 2020-06-23 | 山东超越数控电子股份有限公司 | 一种基于冗余小波变换的图像边缘检测算法 |
CN112907748A (zh) * | 2021-03-31 | 2021-06-04 | 山西大学 | 一种基于非降采样剪切波变换与深度图像纹理特征聚类的三维形貌重建方法 |
CN113298147A (zh) * | 2021-05-25 | 2021-08-24 | 长春大学 | 基于区域能量和直觉模糊集的图像融合方法及装置 |
Non-Patent Citations (5)
Title |
---|
RIHONG LI ET AL.: "Defect Detection Based on Fusion of Phase Congruency and Shear Wavelet", 《 2020 INTERNATIONAL SYMPOSIUM ON AUTONOMOUS SYSTEMS (ISAS)》, pages 258 - 262 * |
ZHENYING XU ET AL.: "Sparse-based defect detection of weld feature guided waves with a fusion of shear wave characteristics", 《ELSEVIER》, pages 1 - 11 * |
刘俊梅: "基于小波变换的图像纹理特征提取技术", 计算机工程与设计, pages 3141 - 3144 * |
吴欣亮: "基于剪切波变换的纹理分类研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 13 - 16 * |
洪奔奔;管声启;任浪;高磊;: "基于特征提取与匹配的带钢缺陷检测", 软件, no. 09, pages 39 - 42 * |
Also Published As
Publication number | Publication date |
---|---|
CN116012607B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Robust fabric defect detection and classification using multiple adaptive wavelets | |
CN113095438B (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
JP4579148B2 (ja) | 機械可読コード検出方法及び装置 | |
WO2018211891A1 (ja) | 異変検出装置及び異変検出方法 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
El-Sayed et al. | New edge detection technique based on the shannon entropy in gray level images | |
CN114240947B (zh) | 声扫图像数据库的构建方法、装置、计算机设备 | |
CN112257711B (zh) | 一种铁路货车地板破损故障检测方法 | |
CN111179261A (zh) | 缺陷检测方法、系统、终端设备及存储介质 | |
CN105654109B (zh) | 分类方法、检查方法和检查装置 | |
CN112313718A (zh) | 材料样品的基于图像的新颖性检测 | |
JP2007155724A5 (zh) | ||
CN116309518A (zh) | 一种基于计算机视觉的pcb电路板检测方法及系统 | |
CN113139963A (zh) | 缺陷检测方法和装置 | |
CN116012607B (zh) | 图像弱纹理特征提取方法及装置、设备、存储介质 | |
US20060126136A1 (en) | Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium | |
US8055059B2 (en) | Method and system for determining a defect during sample inspection involving charged particle beam imaging | |
WO2016092783A1 (en) | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program | |
JP2013205320A (ja) | 検査条件決定方法、検査方法および検査装置 | |
CN105868680A (zh) | 台标分类方法及装置 | |
Zhang et al. | Detection of foreign fibers in cotton on the basis of wavelet | |
Rosli et al. | Some technique for an Image of defect in inspection process based on image processing | |
KR101085949B1 (ko) | 폐 분류 장치 및 그 방법 | |
Asha et al. | Automatic detection of defects on periodically patterned textures |
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 |