CN116030058B - 一种用于抛光垫表面粗糙度的质量评价方法 - Google Patents
一种用于抛光垫表面粗糙度的质量评价方法 Download PDFInfo
- Publication number
- CN116030058B CN116030058B CN202310315918.4A CN202310315918A CN116030058B CN 116030058 B CN116030058 B CN 116030058B CN 202310315918 A CN202310315918 A CN 202310315918A CN 116030058 B CN116030058 B CN 116030058B
- Authority
- CN
- China
- Prior art keywords
- texture
- pixel point
- reference pixel
- polishing pad
- obtaining
- 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
Images
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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种用于抛光垫表面粗糙度的质量评价方法。该方法通过对抛光垫表面灰度图像中每个像素点分析局部像素点的灰度空间分布和局部范围内的灰度变化幅度,获得像素点的第一显著度;根据像素点在不同预设方向下的分布规律获得每个像素点的整体梯度信息,确定像素点的第二显著度;根据第一显著度和第二显著度获得每个像素点的新像素值,构建显著表面图像;对显著表面图像滤波获得纹理图像,根据纹理图像中新像素值的分布规律获得纹理指标,最终根据纹理指标判断对应抛光垫的质量情况。本发明根据图像处理,实现对纹理特征的增强和精确提取,提高对抛光垫表面粗糙度质量评估的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于抛光垫表面粗糙度的质量评价方法。
背景技术
抛光垫是工业生产及机械领域的基础配件。抛光垫生产过程中需要对其进行加工、冲压、精密铸造、注射成型等多道工艺,每个工艺流程都需要严格把控,才能够保证最终抛光垫产品的质量。抛光垫的外观检测对于抛光垫质量评估而言至关重要,抛光垫的粗糙度出现偏差时,将导致结构件与设备无法匹配或者在使用过程中导致密封性差等问题,因此,抛光垫初步生产完成之后需要对其进行粗糙度检测,以保证抛光垫的尺寸精度。
由于抛光垫表面的粗糙程度不够明显,需要通过提高表面凹凸纹理特征进行对抛光垫表面粗糙程度的精确检测。在现有相关技术中,对纹理特征的增强或进行显著处理时,多采用纹理的整体特征进行分析增强,对局部纹理分析较为单一,且未考虑纹理信息复杂程度对增强效果的影响,使最终纹理特征提取结果不够精确,不能适用于生产工艺中种类繁多且大小不一的抛光垫,增强效果不明显,影响对纹理特征提取,进而对质量评估的结果误差较大。
发明内容
为了解决现有技术中对局部纹理分析较为单一,且未考虑根据纹理信息复杂程度对增强效果的影响,使纹理特征提取结果不够精确的技术问题,本发明的目的在于提供一种用于抛光垫表面粗糙度的质量评价方法,所采用的技术方案具体如下:
本发明提供了一种用于抛光垫表面粗糙度的质量评价方法,所述方法包括:
获得抛光垫表面灰度图像;
在所述抛光垫表面灰度图像中任选一个像素点作为参考像素点,获得参考像素点在预设局部邻域范围内的灰度变化幅度;根据参考像素点在预设局部邻域内其他像素点的灰度分布情况获得灰度分布指标;根据参考像素点预设局部邻域内其他像素点对应预设局部邻域范围的局部灰度分布规律获得空间分布指标;根据参考像素点的所述灰度分布指标、所述空间分布指标和所述灰度变化幅度获得参考像素点的第一显著度;
根据参考像素点在预设局部邻域范围内不同预设方向上的像素值分布规律,获得参考像素点的整体梯度信息;根据参考像素点的像素值和所述整体梯度信息获得参考像素点的第二显著度;
根据参考像素点的所述第一显著度和所述第二显著度获得参考像素点的新像素值,获得所有像素点的新像素值,构成显著表面图像,对所述显著表面图像滤波获得纹理图像;任选所述纹理图像中一行像素点作为目标行,根据所述目标行中像素点的排列分布获得对应的行排列熵;确定目标行中像素点对应的分布周期,计算每个分布周期中像素点的极差作为变化差异,将目标行对应所有所述变化差异的平均值作为周期变化值;将所述周期变化值与所述行排列熵的乘积作为目标行的行纹理指标;获得所述纹理图像中所有行对应的行纹理指标;同理获得所述纹理图像中所有列对应的列纹理指标;将所有行纹理指标与所有列纹理指标相加获得对应纹理图像的纹理指标。
根据所述纹理指标判断出对应抛光垫的质量情况。
进一步地,所述灰度分布指标的获取包括:
根据参考像素点对应预设局部邻域范围内不同像素值的占比计算信息熵,将熵值作为参考像素点的灰度分布指标。
进一步地,所述空间分布指标的获取包括:
在参考像素点对应预设局部邻域范围内,计算每个像素点的预设局部邻域范围内的像素值均值,将每个像素点的像素值和像素值均值组成每个像素点的空间分布向量;
根据参考点对应预设局部邻域范围内空间分布向量的占比计算信息熵,将熵值作为参考像素点的空间分布指标。
进一步地,所述根据参考像素点的所述灰度分布指标、所述空间分布指标和所述灰度变化幅度获得参考像素点的第一显著度包括:
获得参考像素点对应预设局部邻域范围内像素值的相对极差,以所述相对极差作为所述灰度变化幅度;
根据参考像素点的所述灰度分布指标、所述空间分布指标和所述灰度变化幅度获得第一显著度,所述灰度分布指标、所述空间分布指标和所述灰度变化幅度均与所述第一显著度呈正相关关系。
进一步地,所述参考像素点的整体梯度信息的获取方法包括:
任选一个预设方向作为检测方向;
在参考像素点对应预设局部邻域范围内,获得检测方向上像素值的排列熵均值作为参考像素点在检测方向上的纹理分布指标;采用Sobel算子获得参考像素点对应预设局部邻域范围内在检测方向下的梯度幅值;
将参考像素点在检测方向上的所述梯度幅值和检测方向上的所述纹理分布指标相乘,获得在检测方向上的梯度信息;获得所有预设方向上的所述梯度信息并相加,获得参考像素点的整体梯度信息。
进一步地,所述第二显著度的获取方法包括:
获取所述抛光垫表面灰度图像中所有像素点的整体梯度信息,确定一组最大整体梯度信息阈值和最小整体梯度信息阈值;
当参考像素点对应的整体梯度信息小于等于所述最小整体梯度信息阈值时,参考像素点对应第二显著度为预设灰度级范围的最小值;当参考像素点对应的整体梯度信息大于等于所述最大整体梯度信息阈值时,参考像素点对应第二显著度为预设灰度级范围的最大值;
当参考像素点对应整体梯度信息大于所述最小整体梯度信息阈值且小于所述最大整体梯度信息阈值时,将参考像素点的像素值映射到预设灰度级范围中,将映射后的像素值作为参考像素点的第二显著度。
进一步地,所述显著表面图像的获取方法包括:
将所述参考像素点对应的所述第一显著度和所述第二显著度相乘,获得参考像素点的最终显著度,将所述最终显著度作为参考像素点的新像素值;获得所述抛光垫表面灰度图像中所有像素点的新像素值,由所有得到所述新像素值的像素点构成显著表面图像。
进一步地,所述质量情况的判断方法包括:
当所述纹理指标在预设标准纹理指标范围内时,对应抛光垫的表面粗糙度质量为合格;当纹理特征指标不在预设标准纹理指标范围内时,对应抛光垫的表面粗糙度质量为不合格。
进一步地,所述纹理图像的获取方法包括:
采用引导滤波获得所述显著表面图像的低频滤波图像,将所述显著表面图像减去低频滤波图像获得对应纹理图像。
本发明具有如下有益效果:
本发明通过对抛光垫表面灰度图像中每个像素点分析,根据像素点的局部灰度分布和空间分布规律性获得像素点的灰度分布指标和空间分布指标,进一步根据像素点的灰度分布指标、空间分布指标和局部邻域范围内的灰度变化幅度获得像素点的第一显著度,通过对局部纹理结构的综合分析,获得每个像素点的显著程度,使纹理信息增强明显,便于后续的分析提取。进一步根据不同方向上像素值的分布变化规律获得每个像素点的整体梯度信息,根据整体梯度信息获得每个像素点的第二显著度,进一步通过不同方向的纹理特征对像素点进行优化,增强变化差异较大的像素点的对比度,使后续对纹理特征的提取更精确。通过第一显著度和第二显著度优化所有像素点获得新像素值,并进行滤波获得仅包含纹理特征的纹理图像,精确提取纹理信息,并根据纹理图像中新像素值在不同方向下的分布规律获得纹理指标,更准确的表征抛光垫表面粗糙度,通过纹理指标与标准纹理指标范围可判断对应抛光垫表面粗糙度的质量情况。通过多指标增强纹理信息,使提取的纹理特征更准确显著,对最终对纹理特征的提取分析更精确,可实现对不同抛光垫粗糙度的准确检测。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种用于抛光垫表面粗糙度的质量评价方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于抛光垫表面粗糙度的质量评价方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于抛光垫表面粗糙度的质量评价方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于抛光垫表面粗糙度的质量评价方法流程图,该方法包括:
S1:获得抛光垫表面灰度图像。
本发明主要通过抛光垫的图像数据对表面纹理特征进行提取,进一步根据表面纹理特征对表面粗糙程度进行质量评估,以保证抛光垫可以满足抛光需求。因此首先需要获得抛光垫表面的图像数据,即抛光垫表面灰度图像。
在本发明一个实施例中,设置相机、光源和固定台等图像采集设备,将抛光垫放置于固定台上,通过相机俯视视角获取抛光垫表面图像,用于后续对表面特征提取进行检测,需要说明的是,在另一些实施例中,也可将抛光垫放置在检测带上,通过检测单元中工业相机对抛光垫表面图像进行获取抛光垫表面灰度图像,具体装置安排以及相机视角范围等设备部署,实施者可根据具体实际情况进行调整,在此不做限制。需要说明的是,可直接选用灰度相机对抛光垫进行图像采集,直接获得抛光垫灰度图像。在本发明另一个实施例中,进一步地,为了便于后续对表面特征进行分析,对抛光垫表面图像进行灰度化处理,获得初始灰度化图像。需要说明的是,对图像进行灰度化处理为对图像进行预处理,是本领域技术人员熟知的技术,具体灰度化处理可选方法如加权法,平均值法等,在此不做限制。
由于抛光垫表面为粗糙不平的细微颗粒状磨砂物,在通过光源进行图像采集时,采集到的图像数据会受到光照的影响,产生一定的误差,会使对表面细节特征的分析不够准确,进一步影响检测精度,因此需要对图像进行增强处理,减小照射光的影响。在本发明一个实施例中,采用视网膜大脑皮层理论(Retina Cortex,Retinex)分解初始灰度图像,进行图像增强,消除照射光的影响,获得表征抛光垫自身固有纹理细节信息的抛光垫表面灰度图像。需要说明的是,Retinex算法进行图像增强为本领域技术人员熟知的技术手段,在此不做赘述。
在其他实施例中,也可选用均值滤波或直方图均衡等方法对初始灰度图像进行增强,以获得噪声数据更少的抛光垫表面灰度图像,以便后续分析,在此对图像增强处理不做限定。
至此,获得抛光垫表面灰度图像,可进一步对表面纹理特征进行分析。
S2:在抛光垫表面灰度图像中任选一个像素点作为参考像素点,获得参考像素点在预设局部邻域范围内的灰度变化幅度;根据参考像素点在预设局部邻域内其他像素点的灰度分布情况获得灰度分布指标;根据参考像素点预设局部邻域内其他像素点对应预设局部邻域范围的局部灰度分布规律获得空间分布指标;将参考像素点的灰度分布指标与空间分布指标相乘并开平方,获得局部分布指标;将局部分布指标与灰度变化幅度相乘,获得参考像素点的第一显著度。
抛光垫一般用于对晶片以及机器零件部件表面等进行打磨抛光,其表面粗糙不平的磨砂物颗粒较为细微,图像获得的表面特征不够清晰,使得对抛光垫表面状况及纹理不易检测,表面特征提取的精度往往不够。因此,为了能够获得更准确的抛光垫表面纹理特征,准确分析表面的纹理细节,需要对抛光垫表面灰度图像进行显著处理,重点增强抛光垫表面的纹理细节。
本发明通过对每个像素点进行局部纹理特征分析,实现对每个像素点的增强,通过每个像素点的第一显著度和第二显著度获得像素点的新像素值,构建新图像进行特征分析。其中像素点的第一显著度,主要根据像素点局部纹理的复杂性分析获得,具体第一显著度的获取过程包括:
任选抛光垫表面灰度图像中的一个像素点作为参考像素点进行分析,获得参考像素点的第一显著度。优选地,在本发明一个实施例中,首先计算参考像素点在预设局部邻域范围内的相对极差,将相对极差作为参考像素点对应的灰度幅度变化,反映在参考像素点的局部范围内像素值的最大变化程度,当灰度幅度变化越大,说明参考像素点局部邻域范围可能存在的像素值变化越明显,参考像素点越需要显著处理。在本发明实施例中,预设的局部邻域范围为,以参考像素点为中心构建的7×7大小的局部邻域范围,具体范围大小可根据具体实施场景进行调整,在此不做限定。
在另一些实施例中,也可选用计算参考像素点在预设局部邻域范围内的极差或标准差,作为灰度幅度变化,反映局部像素值的变化程度,在此不做限制。
进一步地,根据参考像素点在预设局部邻域内其他像素点的灰度分布情况获得灰度分布指标,优选地,在本发明一个实施例中,采用信息熵表征局部像素点的灰度分布情况,获得灰度分布指标,通过灰度分布指标可以初步判断参考像素点局部纹理的复杂程度。具体灰度分布指标的获取方法为:根据参考像素点对应局部邻域范围内不同像素值的占比计算信息熵,熵值作为参考像素点的灰度分布指标,在本发明实施例中,灰度分布指标的表达式具体为:
式中,表示为参考像素点u的灰度分布指标,表示为局部邻域范围内像素点对应
的像素值,表示为在局部邻域范围内像素值为c的像素点数量占比,ln( )表示为自然对
数。需要说明的是,信息熵计算为本领域技术人员熟知的公知技术手段,因此具体公式的意
义不再赘述。
在另一些实施例中,也可采用计算参考像素点对应局部像素点灰度值的方差或标准差,获得灰度分布指标。也可选择获取局部像素点的灰度直方图,通过灰度直方图表征像素点灰度分布情况,计算灰度直方图对应灰度的频次等,获得灰度分布指标,通过灰度分布指标反映局部像素点灰度值的分布复杂情况,在此对获取方法不做限制。
通过灰度分布指标对参考像素点局部纹理的复杂程度初步分析,当信息熵的熵值越大,对应灰度分布指标越大,说明局部邻域范围内像素点的灰度分布越复杂,所包含的纹理特征也越多。
在对参考像素点局部邻域范围内的像素点分析时,为了能获得更准确的像素点局部纹理信息,对局部邻域范围中不同位置的像素点进行局部分析,通过不同位置像素点的不同局部特征反映参考像素点的空间分布情况。因此根据参考像素点对应预设局部邻域内其他像素点预设局部领域内的灰度分布规律获得空间分布指标,优选地,在本发明一个实施例中,空间分布指标的具体获取方法包括:
获得参考像素点对应局部邻域范围内每个像素点的像素值,并计算每个像素点在自身对应的预设局部邻域范围内的像素值均值,即在参考像素点对应局部邻域范围中,所有像素点均对应一个像素值和像素值均值。根据每个像素点的像素值和像素值均值组成每个像素点的空间分布向量,空间分布向量可以反映每个像素点在局部位置的分布特征。
根据参考像素点局部邻域范围内所有的空间分布向量,可获得参考像素点对应的空间分布指标。通过空间分布指标进一步判断参考像素点局部纹理的分布规律性,具体空间分布指标的获取方法为:根据参考像素点局部邻域范围内空间分布向量的占比计算信息熵,将熵值作为参考像素点的空间分布指标,在本发明实施例中,空间分布指标的具体表达式为:
式中,表示为参考像素点u的空间分布指标,A表示为空间分布分量的总类型数,
a表示为空间分布分量的索引,N表示为局部邻域范围内空间分布分量的总数量,表示为
空间分布分量a在局部邻域范围内的数量,ln( )表示为自然对数。
通过空间分布指标进一步判断参考像素点的局部像素点的空间分布情况,当信息熵的熵值越大,对应空间分布指标越大,说明参考像素点对应局部像素点在位置分布上越混乱无序。
在本发明另一实施例中,在参考像素点对应局部邻域范围内,计算其他像素点在自身对应局部邻域范围内的像素值方差和标准差,通过平均差反映每个像素点的局部分布趋势,通过方差反映每个像素点的局部分布混乱程度,每个像素点对应一个平均差和一个方差,将每个像素点对应的平均差与方差相乘,将乘积作为每个像素点对应的局部分布指标。当方差越大,平均差越大,说明对应像素点的局部分布越集中且混乱,局部范围蕴含纹理信息越多。
在参考像素点对应局部邻域范围内,每个像素点均可获得一个局部分布指标,进一步对所有局部分布指标求平均值,获得空间分布指标,通过参考像素点对应局部像素点的局部分布情况,综合获得参考像素点在局部范围空间中的分布规律,当空间分布指标越大,说明参考像素点局部像素点所蕴含的纹理信息均越多,整体局部像素点分布也越混乱。需要说明的是,本领域技术人员可根据参考像素点对应局部范围内所有像素点,分析局部灰度分布情况,具体通过均值、方差或标准差等,进一步综合获得参考像素点的局部空间分布情况,即综合方法可采用乘法和加法等等,在此不做限定。
通过灰度分布指标、空间分布指标和灰度变化幅度三个指标,可以更全面的反映参考像素点局部邻域范围内像素点分布情况,因此根据灰度分布指标、空间分布指标和灰度变化幅度获得参考像素点的第一显著度,在本发明中,具体第一显著度的计算方法为:将参考像素点的灰度分布指标与空间分布指标相乘并开平方,获得局部分布指标,通过局部分布指标表征参考像素点的局部像素点分布情况,将局部分布指标与灰度变化幅度相乘,获得参考像素点的第一显著度。
通过第一显著度反映参考像素点局部纹理信息的复杂程度,在本发明实施例中,第一显著度的具体表达式为:
式中,表示为参考像素点u的第一显著度,表示为局部邻域范围内像素点的
最大像素值,表示为局部邻域范围内像素点的最小像素值,表示为参考像素点u对应
局部邻域范围内的像素值均值,表示为参考像素点u的灰度分布指标,表示为参考像素
点u的空间分布指标。
其中,表示为参考像素点的相对极差,即灰度变化幅度,通过灰度变化幅
度反映参考像素点局部邻域范围内像素值的最大变化程度,灰度变化幅度越大,说明局部
像素值的变化越明显,参考像素点越需要显著。表示参考像素点的局部分布指标,通
过局部分布指标反映出参考像素点局部像素点的分布规律情况,当局部分布指标越大,说
明局部像素点的分布越混乱。灰度变化幅度和局部分布指标均与第一显著度成正相关关
系,灰度变化幅度与局部分布指标越大,说明参考像素点对应局部范围包含纹理细节信息
越多,参考像素点的显著程度越高,对应第一显著度越大。
通过第一显著度,可以表征像素点的局部纹理结构特征,初步完成对每个像素点的显著度的分析。
S3:根据参考像素点在预设局部邻域范围内不同预设方向上的像素值分布规律,获得参考像素点的整体梯度信息;根据参考像素点的像素值和整体梯度信息获得参考像素点的第二显著度。
考虑到抛光垫表面具有凹凸不平的纹理特性,进一步更全面对表面纹理信息进行分析,通过多方向纹理特征的提取,突出抛光垫表面整体纹理特征,以便后续获得更精确的表粗糙程度。由于抛光垫在使用时是多角度使用的,因此对于各个方向的纹理特征均进行显著处理,通过分析各个方向下纹理特征获得像素点的第二显著度,对像素点进行显著处理,提高对比度,具体第二显著度的获取方法包括:
对参考像素点进行分析,优选地,在本发明一个实施例中,采用Sobel算子提取参
考像素点在局部邻域范围内的不同预设方向下的梯度幅值,且在本发明实施例中,预设方
向为,,和四个方向,四个方向的Sobel算子具体为:
通过四个方向Sobel算子获得每个对应方向的梯度幅值,需要说明的是,Sobel算
子为本领域技术人员熟知的技术手段,在此不做赘述。在另一些实施例中,也可选用
Prewitt算子或Roberts算子等其他边缘检测算子进行梯度幅值的获取,通过梯度幅值反映
不同方向下的像素值变化程度,获取方法不做限定,且边缘算子获取梯度幅值的方法为本
领域技术人员熟知的公知方法,在此不做赘述。并且在另一些实施例中,对于预设方向的选
择也可仅选用水平、垂直两个方向,或选用,,,六个方向进行
梯度幅值的获取,仅需保证在多方向下的梯度幅值获取方法一致,对此不做限制。
在抛光垫使用过程中,打磨抛光的方向是随机的,抛光垫表面的纹理并不具有规律性,若采用对不同方向的梯度信息取均值作为参考像素点的整体梯度信息,会存在较大误差。
为提高对表面纹理特征的提取精度,保证提取到的抛光垫表面结构细节信息更完成,优选地,在本发明一个实施例中,计算参考像素点在不同方向上像素值对应的排列熵均值作为对应方向的纹理分布指标,通过纹理分布指标调整不同方向梯度幅值的占比,获得更准确的整体梯度信息。在本发明实施例中,整体梯度信息的表达式为:
式中,表示为参考像素点u的整体梯度信息,表示为在方向下的梯度幅值,表示为在方向下的梯度幅值,表示为在方向下的梯度幅值,表示为在方向下的梯度幅值,表示为在方向下的纹理分布指标,表示为在方向下的
纹理分布指标,表示为在方向下的纹理分布指标,表示为在方向下的纹理
分布指标。
本发明实施例中,纹理分布指标的计算具体例如:在局部邻域范围内的方向
下,即水平方向下,计算水平方向对应每行像素点的排列熵,计算所有行的排列熵均值作为
在水平方向下的纹理分布指标,即方向下的纹理分布指标,其他方向的纹理分布指标
获取方法一致。需要说明的是,排列熵为本领域技术人员熟知的技术手段,在此不做赘述。
在本发明另一实施例中,采用计算参考像素点在不同方向上像素值对应的方差作为纹理分布指标,反映局部像素点在不同方向上的分布情况,通过在一个方向下的纹理分布指标与梯度幅值相加,也可获得每个方向的梯度信息,进一步根据不同的梯度信息反映不同预设方向下的像素值分布规律,整合梯度信息获得整体梯度信息,具体整合方法可以采用相加,相乘等正相关结合方法,在此对于根据像素值分布规律获得整体梯度信息的获取方法不做限定。
在得到参考像素点的整体梯度信息后,根据整体梯度信息的大小反映参考像素点对应变化程度,根据变化程度的大小对参考像素点的像素值进行优化,获得第二显著度。
优选地,在本发明一个实施例中,先计算在抛光垫表面灰度图像中所有像素点对应的最大整体梯度信息和最小整体梯度信息,对最大整体梯度信息和最小整体梯度信息调整获得最大整体梯度信息阈值和最小整体梯度信息阈值。最大整体梯度信息阈值和最小整体梯度信息阈值反映了像素点变化差异最大的两个临界值,对于整体梯度信息大于最大整体梯度信息阈值和小于最小梯度信息阈值的像素点来说,对应像素点间的变化差异程度较大,说明对应像素点间包含特征信息差异大,需要增大对应两种像素点的对比度。在本发明实施例中,预设灰度级范围为0-255,具体优化的灰度级范围可根据具体实施情况进行调整,在此不做限制。
因此当参考像素点的整体梯度信息小于等于最小整体梯度信息阈值时,说明参考像素点对应梯度变化小,包含特征信息少,将灰度级范围的最小值作为参考像素点的第二显著度;当参考像素点的整体梯度信息大于等于最大整体梯度信息阈值时,说明参考像素点对应梯度变化大,包含特征信息多,将灰度级范围的最大值作为参考像素点的第二显著度。通过将变化程度相差较大的像素点之间的对比度增强,使具有更丰富纹理信息的像素点更显著,使后续对纹理特征的分析更可靠。
当参考像素点对应整体梯度信息小于最大整体梯度信息阈值且大于最小整体梯度信息阈值时,说明参考像素点的变化程度差异未达到临界值,直接增强会导致部分特征信息缺失,因此将参考像素点的像素值映射到预设灰度级范围中,对参考像素点的像素值进行对比度优化,将映射后的像素值作为参考像素点的第二显著度,在本发明实施例中,为了后续计算的准确性,具体第二显著度的表达式为:
式中,表示为参考像素点u对应的第二显著度,表示为参考像素点u的整体梯度
信息,表示为抛光垫表面灰度图像中的最小整体梯度信息,表示为抛光垫表面灰度
图像中的最大整体梯度信息,表示为参考像素点u的像素值,表示为抛光垫表面灰度图
像中像素值的最小值,表示为抛光垫表面灰度图像中像素值的最大值。表示为最小整
体特度信息调整系数,表示为最大整体梯度信息调整系数,在本发明实施例中,设置为
1.3,表示为0.9,具体数值实施者可根据具体实施情况进行调整,在此不做限定。
其中,表示为最小整体梯度信息阈值,表示为最大整体梯度信息阈
值。表示为将参考像素点的像素值映射到预设灰度级范围内,通过优化像素值
的对应范围,使整个图像的对比度增强,当像素点的第二显著度越大,像素点越显著。
在本发明另一实施例中,可以对参考像素点的整体梯度信息进行归一化处理,获得调整权重,通过调整权重调整参考像素点的像素值,获得参考像素点的第二显著度,具体第二显著度的表达式为:
式中,表示为参考像素点u对应的第二显著度,表示为参考像素点u的整体梯度
信息,表示为参考像素点u的像素值。Norm()表示为归一化函数,需要说明的是,归一化为
本领域技术人员熟知的技术手段,归一化函数的选择可以为线性归一化或标准归一化等,
具体的归一化方法在此不做限定。
通过乘积的形式,将像素点与像素点的局部变化综合分析,对于整体梯度信息越大的像素点,需要增强的程度越大,像素点所需显著程度越高。需要说明的是,本领域技术人员可利用例如函数映射或者相加等其他基本数学计算方法,通过整体梯度信息调整像素值,需保证整体梯度信息与第二显著度呈正相关,即整体梯度信息越大,所需显著度越高即可。
通过第二显著度,可以表征每个像素点提高对比度后的显著程度,进一步根据每个像素点的梯度信息完成了显著处理。
S4:根据参考像素点的第一显著度和第二显著度获得参考像素点的新像素值,获得所有像素点的新像素值,构成显著表面图像,对显著表面图像滤波获得纹理图像;任选纹理图像中一行像素点作为目标行,根据目标行中像素点的排列分布获得对应的行排列熵;确定目标行中像素点对应的分布周期,计算每个分布周期中像素点的极差作为变化差异,将目标行对应所有变化差异的平均值作为周期变化值;将周期变化值与行排列熵的乘积作为目标行的行纹理指标;获得纹理图像中所有行对应的行纹理指标;同理获得纹理图像中所有列对应的列纹理指标;将所有行纹理指标与所有列纹理指标相加获得对应纹理图像的纹理指标。
根据参考像素点的第一显著度和第二显著度,对参考像素点根据纹理特征进行了显著处理,可获得参考像素点的最终显著度,在本发明一个实施例中,最终显著度的表达式为:
采用乘法的形式综合分析,当参考像素点的第一显著度越大,说明参考像素点的局部纹理信息越多,参考像素点越显著,第二显著度越大说明参考像素点的显著程度越强,则参考像素点的最终显著度越大。
在另一些实施例中,采用加法或加权求和的形式综合分析,使第一显著度和第二显著度均与最终显著度呈正相关关系,在此不做限制。
将参考像素点的最终显著度作为新像素值,完成对参考像素点的增强。根据参考像素点的增强过程获得所有像素点的新像素值,将所有获得新像素值的像素点构成的图像作为显著表面图像,显著表面图像为完成显著处理后获得图像,能够更清晰的反映出抛光垫表面的纹理细节特征,以便后续对表面粗糙度进行精确提取。
为了更精确的表征抛光垫表面的粗糙度,对抛光垫表面纹理特征进行提取,即采用滤波的方法提取出仅包含纹理细节的图像,优选地,在本发明一个实施例中,使用引导滤波算法得到包含低频信息的低频滤波图像,由于表面纹理等细节信息为高频信息,因此可以将显著表面图像与低频滤波图像相减,获得仅包含纹理特征的纹理图像。
在另一些实施例中,也可采用其他滤波方法,如双边滤波等,意在提取图像中的高频信息获取纹理图像,在此不做限制。
此时,对纹理图像进行表面粗糙度的提取将更为精确,且经过对表面纹理信息的增强,显著表面图像中的噪点均已进行了抑制,纹理特征更明显且不易被筛除,此时通过纹理图像进行粗糙程度的分析更精确。需要说明的是,引导滤波算法为本领域技术人员熟知的技术手段,在此不做赘述。
在抛光垫使用时,存在对抛光垫表面不同方向上的使用程度不同,导致分析出的粗糙特征不够准确。因此在本发明实施例中,对纹理图像进行表面纹理分析时,对图像中的每行像素点和每列像素点分别分析。根据抛光垫表面具有凹凸不同的特性,每行像素点和每列像素点中像素点的像素值变化存在一定的周期性规律,因此可根据纹理图像中所有新像素值在不同方向下的分布规律获得纹理指标,具体包括:
任选纹理图像中的一行像素点作为目标行,根据目标行中像素点的排列分布获得对应行的行排列熵,通过行排列熵可以反映每行像素点的像素值变化规律性。获得目标行中像素点的分布周期数据,在本发明实施例中,采用对目标行进行曲线拟合的方式,得到对应曲线,对曲线周期进行统计,获得像素点的分布周期,并将每个分布周期中极值的差值作为变化差异,对所有变化差异求均值,获得周期变化值,通过周期变化值反映目标行像素点的变化程度。
根据目标行中像素点的变化规律性和变化程度获得目标行对应的行纹理指标,具体为:将目标行对应的行排列熵和周期变化值相乘获得行纹理指标,在本发明实施例中,行纹理指标的具体表达式为:
其中,表示为变化差异,表示为周期变化值,当
周期变化值越大,说明目标行的变化程度越大,说明表面纹理越复杂。行排列熵和周期变化
值均与行纹理指标呈正相关关系,当行排列熵和周期变化值越大,说明对应行表示的纹理
信息越多,对应表面越粗糙,行纹理指标越大。
根据行纹理指标的获取方法,同理可获得每列的列纹理指标,进一步可根据行纹理指标和列纹理指标获得纹理图像的纹理指标,具体为:将所有行纹理指标和所有列纹理指标相加获得纹理指标,在本发明实施例中,具体纹理指标的表达式为:
采用累加的形式获得整体的纹理指标,通过纹理指标表征了抛光垫表面粗糙度情况,通过表面粗糙度可进一步对抛光垫质量进行评估。
S5:根据纹理指标判断出对应抛光垫的质量情况。
本发明通过将纹理指标与预设标准纹理指标范围进行对比判断质量情况,在本发明一个实施例中,预设标准纹理指标范围的选取方法为:选取至少两个表面满足抛光需求的相同种类标准抛光垫,对于标准的抛光垫根据表面粗糙度特征提取分析方法,获得标准纹理指标,在标准纹理指标中选取最大值和最小值构建标准纹理指标范围。需要说明的是,标准抛光垫的选取可根据需求进行调整,使获得的标准纹理指标范围满足对比。
当获得纹理图像对应的纹理指标在标准纹理指标范围内时,说明纹理指标表征的粗糙度符合抛光要求,则对应抛光垫的表面粗糙质量为合格。当对应纹理指标不在标准纹理指标范围内时,说明纹理指标表征的粗糙度无法满足抛光需求,则对应抛光垫的表面粗糙质量为不合格,影响抛光部件表面的抛光效果。
在本发明另一个实施例中,可选用预先训练好纹理指标分类神经网络,通过神经网络对纹理指标进行分类,进而判断抛光垫的质量问题,具体为:输入本发明获取的纹理指标,输出为纹理指标对应的质量情况,实现对抛光垫的质量评估;还可以通过设定阈值进行对比的方法判断抛光效果的优劣,因为纹理指标已经清楚明确表征抛光垫的表面信息,因此根据纹理指标判断抛光垫的质量情况的具体方法,在此不做限定。
至此,完成对抛光垫表面粗糙度的质量评价。
综上,本发明通过对抛光垫表面灰度图像中每个像素点分析,根据像素点局部灰度分布和空间分布规律性获得像素点的灰度分布指标和空间分布指标,进一步根据像素点的灰度分布指标、空间分布指标和局部邻域范围内的灰度变化幅度获得像素点的第一显著度;根据像素点在预设局部邻域范围内不同预设方向下的分布规律获得每个像素点的整体梯度信息,根据整体梯度信息获得像素点的第二显著度;根据第一显著度和第二显著度获得每个像素点的新像素值,构建显著表面图像,对显著表面图像滤波获得纹理图像,根据纹理图像中新像素值在不同方向下的分布规律获得纹理指标,最终根据纹理指标判断对应抛光垫的质量情况。本发明根据图像处理,实现对纹理特征的增强和精确提取,提高对抛光垫表面粗糙度质量评估的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.一种用于抛光垫表面粗糙度的质量评价方法,其特征在于,所述方法包括:
获得抛光垫表面灰度图像;
在所述抛光垫表面灰度图像中任选一个像素点作为参考像素点,获得参考像素点在预设局部邻域范围内的灰度变化幅度;根据参考像素点在预设局部邻域内其他像素点的灰度分布情况获得灰度分布指标;根据参考像素点预设局部邻域内其他像素点对应预设局部邻域范围的局部灰度分布规律获得空间分布指标;将参考像素点的灰度分布指标与空间分布指标相乘并开平方,获得局部分布指标;将局部分布指标与灰度变化幅度相乘,获得参考像素点的第一显著度;
根据参考像素点在预设局部邻域范围内不同预设方向上的像素值分布规律,获得参考像素点的整体梯度信息;根据参考像素点的像素值和所述整体梯度信息获得参考像素点的第二显著度;
根据参考像素点的所述第一显著度和所述第二显著度获得参考像素点的新像素值,获得所有像素点的新像素值,构成显著表面图像,对所述显著表面图像滤波获得纹理图像;任选所述纹理图像中一行像素点作为目标行,根据所述目标行中像素点的排列分布获得对应的行排列熵;确定目标行中像素点对应的分布周期,计算每个分布周期中像素点的极差作为变化差异,将目标行对应的所有所述变化差异的平均值作为周期变化值;将所述周期变化值与所述行排列熵的乘积作为目标行的行纹理指标;获得所述纹理图像中所有行对应的行纹理指标;根据行纹理指标的获取方法获得所述纹理图像中所有列对应的列纹理指标;将所有行纹理指标与所有列纹理指标相加获得对应纹理图像的纹理指标;
根据所述纹理指标判断出对应抛光垫的质量情况。
2.根据权利要求1所述的一种用于抛光垫表面粗糙度的质量评价方法,其特征在于,所述灰度分布指标的获取包括:
根据参考像素点对应预设局部邻域范围内不同像素值的占比计算信息熵,将熵值作为参考像素点的灰度分布指标。
3.根据权利要求1所述的一种用于抛光垫表面粗糙度的质量评价方法,其特征在于,所述空间分布指标的获取包括:
在参考像素点对应预设局部邻域范围内,计算每个像素点的预设局部邻域范围内的像素值均值,将每个像素点的像素值和像素值均值组成每个像素点的空间分布向量;
根据参考点对应预设局部邻域范围内空间分布向量的占比计算信息熵,将熵值作为参考像素点的空间分布指标。
4.根据权利要求1所述的一种用于抛光垫表面粗糙度的质量评价方法,其特征在于,所述灰度变化幅度的获取包括:
获得参考像素点对应预设局部邻域范围内像素值的相对极差,以所述相对极差作为所述灰度变化幅度。
5.根据权利要求1所述的一种用于抛光垫表面粗糙度的质量评价方法,其特征在于,所述参考像素点的整体梯度信息的获取方法包括:
任选一个预设方向作为检测方向;
在参考像素点对应预设局部邻域范围内,获得检测方向上像素值的排列熵均值作为参考像素点在检测方向上的纹理分布指标;采用Sobel算子获得参考像素点对应预设局部邻域范围内在检测方向下的梯度幅值;
将参考像素点在检测方向上的所述梯度幅值和检测方向上的所述纹理分布指标相乘,获得在检测方向上的梯度信息;获得所有预设方向上的所述梯度信息并相加,获得参考像素点的整体梯度信息。
6.根据权利要求1所述的一种用于抛光垫表面粗糙度的质量评价方法,其特征在于,所述第二显著度的获取方法包括:
获取所述抛光垫表面灰度图像中所有像素点的整体梯度信息,确定一组最大整体梯度信息阈值和最小整体梯度信息阈值;
当参考像素点对应的整体梯度信息小于等于所述最小整体梯度信息阈值时,参考像素点对应的第二显著度为预设灰度级范围的最小值;当参考像素点对应的整体梯度信息大于等于所述最大整体梯度信息阈值时,参考像素点对应的第二显著度为预设灰度级范围的最大值;
当参考像素点对应的整体梯度信息大于所述最小整体梯度信息阈值且小于所述最大整体梯度信息阈值时,将参考像素点的像素值映射到预设灰度级范围中,将映射后的像素值作为参考像素点的第二显著度。
7.根据权利要求1所述的一种用于抛光垫表面粗糙度的质量评价方法,其特征在于,所述显著表面图像的获取方法包括:
将所述参考像素点对应的所述第一显著度和所述第二显著度相乘,获得参考像素点的最终显著度,将所述最终显著度作为参考像素点的新像素值;获得所述抛光垫表面灰度图像中所有像素点的新像素值,由所有得到所述新像素值的像素点构成显著表面图像。
8.根据权利要求1所述的一种用于抛光垫表面粗糙度的质量评价方法,其特征在于,所述质量情况的判断方法包括:
当所述纹理指标在预设标准纹理指标范围内时,对应抛光垫的表面粗糙度质量为合格;当纹理特征指标不在预设标准纹理指标范围内时,对应抛光垫的表面粗糙度质量为不合格。
9.根据权利要求1所述的一种用于抛光垫表面粗糙度的质量评价方法,其特征在于,所述纹理图像的获取方法包括:
采用引导滤波获得所述显著表面图像的低频滤波图像,将所述显著表面图像减去低频滤波图像获得纹理图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315918.4A CN116030058B (zh) | 2023-03-29 | 2023-03-29 | 一种用于抛光垫表面粗糙度的质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315918.4A CN116030058B (zh) | 2023-03-29 | 2023-03-29 | 一种用于抛光垫表面粗糙度的质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030058A CN116030058A (zh) | 2023-04-28 |
CN116030058B true CN116030058B (zh) | 2023-06-06 |
Family
ID=86074409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310315918.4A Active CN116030058B (zh) | 2023-03-29 | 2023-03-29 | 一种用于抛光垫表面粗糙度的质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030058B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958127B (zh) * | 2023-09-18 | 2023-12-08 | 山东九思新材料科技有限责任公司 | 基于图像特征的硅片质量评估方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309578B (zh) * | 2023-05-19 | 2023-08-04 | 山东硅科新材料有限公司 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
CN116385450B (zh) * | 2023-06-07 | 2023-10-10 | 昆山恒光塑胶股份有限公司 | 基于图像处理的ps片材抗耐磨性检测方法 |
CN116452589B (zh) * | 2023-06-16 | 2023-10-20 | 山东伟国板业科技有限公司 | 基于图像处理的人造板表面缺陷智能检测方法 |
CN116542976B (zh) * | 2023-07-06 | 2023-09-08 | 深圳市佳合丰科技有限公司 | 一种模切件缺陷的视觉检测系统 |
CN116740059B (zh) * | 2023-08-11 | 2023-10-20 | 济宁金康工贸股份有限公司 | 一种门窗机加工智能调控方法 |
CN116758086B (zh) * | 2023-08-21 | 2023-10-20 | 山东聚宁机械有限公司 | 基于图像数据的推土机部件质量检测方法 |
CN116993724B (zh) * | 2023-09-26 | 2023-12-08 | 卡松科技股份有限公司 | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 |
CN117392133B (zh) * | 2023-12-12 | 2024-02-20 | 江苏中科云控智能工业装备有限公司 | 一种基于机器视觉的压铸件毛刺检测系统及方法 |
CN117408890B (zh) * | 2023-12-14 | 2024-03-08 | 武汉泽塔云科技股份有限公司 | 一种视频图像传输质量增强方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715445B (zh) * | 2013-12-13 | 2018-04-06 | 腾讯科技(深圳)有限公司 | 图像处理方法和系统 |
CN110473242B (zh) * | 2019-07-09 | 2022-05-27 | 平安科技(深圳)有限公司 | 一种纹理特征提取方法、纹理特征提取装置及终端设备 |
CN115861313B (zh) * | 2023-02-24 | 2023-05-09 | 东莞市春草研磨科技有限公司 | 一种用于磨头的磨损检测方法 |
-
2023
- 2023-03-29 CN CN202310315918.4A patent/CN116030058B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958127B (zh) * | 2023-09-18 | 2023-12-08 | 山东九思新材料科技有限责任公司 | 基于图像特征的硅片质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116030058A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116030058B (zh) | 一种用于抛光垫表面粗糙度的质量评价方法 | |
Hassen et al. | Image sharpness assessment based on local phase coherence | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN108550145B (zh) | 一种sar图像质量评估方法和装置 | |
CN102202227A (zh) | 一种无参考视频质量客观评估方法 | |
CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
CN105277567A (zh) | 一种织物瑕疵检测方法 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN112001904A (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
Silvestre-Blanes | Structural similarity image quality reliability: Determining parameters and window size | |
CN109788275A (zh) | 自然性、结构和双目不对称无参考立体图像质量评价方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN116137036A (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117830139B (zh) | 一种高强度冲压件缺陷检测方法 | |
Wang et al. | An improved DCT-based JND estimation model considering multiple masking effects | |
CN117557820A (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
CN117314901A (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN107527362A (zh) | 一种基于图像纹理特征指标的苹果口感定性鉴别方法 | |
Ahmed et al. | RECENT APPROACHES ON NO-REFERENCE IMAGE QUALITY ASSESSMENT FOR CONTRAST DISTORTION IMAGES WITH MULTISCALE GEOMETRIC ANALYSIS TRANSFORMS: A SURVEY. | |
CN112734666B (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
Li et al. | Vehicle seat detection based on improved RANSAC-SURF algorithm | |
Gizatullin et al. | Method for Constructing Texture Features based on an Image Weight Model | |
CN104732190A (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 |
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 |