CN116433657A - 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 - Google Patents

一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 Download PDF

Info

Publication number
CN116433657A
CN116433657A CN202310671555.8A CN202310671555A CN116433657A CN 116433657 A CN116433657 A CN 116433657A CN 202310671555 A CN202310671555 A CN 202310671555A CN 116433657 A CN116433657 A CN 116433657A
Authority
CN
China
Prior art keywords
gray level
image
toughened glass
value
interval
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
Application number
CN202310671555.8A
Other languages
English (en)
Other versions
CN116433657B (zh
Inventor
宋全伟
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.)
Jinxiang County Mingyao Glass Co ltd
Original Assignee
Jinxiang County Mingyao Glass Co ltd
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 Jinxiang County Mingyao Glass Co ltd filed Critical Jinxiang County Mingyao Glass Co ltd
Priority to CN202310671555.8A priority Critical patent/CN116433657B/zh
Publication of CN116433657A publication Critical patent/CN116433657A/zh
Application granted granted Critical
Publication of CN116433657B publication Critical patent/CN116433657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，包括：获取钢化玻璃图像灰度直方图对其自适应灰度级区间划分；对累计概率分布区域进行灰度级区间线性划分；获取灰度级区间对应的占比权重；对图像局部图像梯度信息建立无向图，获取无向图的任意两个节点之间权重值利用最短路径得到无向图最大差异程度值表示灰度级区间对应灰度差异性权重值；根据灰度级区间的灰度差异性权重值和灰度级区间的占比权重完成图像增强。本发明对钢化玻璃图像通过灰度差异性进行不同区间的增强效果优化，在保证不失真的情况下，最大程度提高钢化玻璃表面不同区域的增强效果，使得划痕变得更加明显，提高对划痕识别的准确率。

Description

一种基于计算机视觉的钢化玻璃划伤区域图像增强方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的钢化玻璃划伤区域图像增强方法。
背景技术
钢化玻璃划伤在生产与运输过程中可能会导致表面损伤，影响产品的美观和使用寿命。因此，在钢化玻璃的质量检测中，准确识别和评估表面划伤至关重要。在这一场景下，图像增强技术可以发挥重要作用。
现有的直方图均衡化在进行划伤区域图像增强时，往往只能对整个图像进行图像增强，但是钢化玻璃上可能存在不同强度的光照区域，并且划痕可能存在于钢化玻璃不同的区域中，而直方图均衡化在图像增强时，为依据不同光照区域的占比，赋予不同的增强效果，导致可能存在划痕区域的增强效果不好。
发明内容
本发明提供一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，以解决现有的问题。
本发明的一种基于计算机视觉的钢化玻璃划伤区域图像增强方法采用如下技术方案：
本发明一个实施例提供了一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，该方法包括以下步骤：
获取钢化玻璃图像；根据钢化玻璃图像得到灰度直方图的自适应灰度级区间划分；
根据灰度直方图的自适应灰度级区间划分，对累计概率分布区域进行不同灰度级区间的线性划分；获取各个灰度级区间对应的占比权重；
获取各个灰度级区间对应钢化玻璃图像的各个局部图像的梯度信息；根据局部图像的梯度信息建立无向图，获取无向图任意两个节点之间权重值；根据局部图像的梯度信息建立无向图的任意两个节点之间权重值利用最短路径得到无向图的最大差异程度值，获取各个灰度级区间对应的灰度差异性权重值；
根据各个灰度级区间对应的灰度差异性权重值和各个灰度级区间对应的占比权重，完成当前钢化玻璃图像增强。
优选的，所述根据钢化玻璃图像得到灰度直方图的自适应灰度级区间划分，包括的具体步骤如下：
获取钢化玻璃图像对应的灰度直方图的分布曲线，利用均值平滑方法对钢化玻璃图像对应的灰度直方图对应的分布数据进行数据平滑，得到平滑后的数据后，利用峰值点检测算法，得到钢化玻璃图像对应的灰度直方图的分布曲线波谷点；然后从第一个波谷点开始，将相邻两个波谷点之间的数据作为一个光影对应的灰度级区间，完成灰度直方图的自适应区间划分。
优选的，所述累计概率分布区域进行不同灰度级区间的线性划分，包括的具体步骤如下：
在获取得到钢化玻璃图像对应的灰度直方图自适应划分区间后，记录每一个区间的在两端对应的灰度值，得到多个灰度值区间；其中第
Figure SMS_1
个灰度级区间在两端对应的灰度值分为/>
Figure SMS_4
，进而在累计概率分布曲线中，获取/>
Figure SMS_5
在累计概率分布曲线分别对应的新灰度值/>
Figure SMS_3
；其中由于每两个相邻区间上具有相邻的端点所以/>
Figure SMS_6
和/>
Figure SMS_7
为同一灰度级，/>
Figure SMS_8
和/>
Figure SMS_2
为同一灰度级，依次类推得到多个灰度值区间大小。
优选的，所述各个灰度级区间对应的占比权重，包括的具体步骤如下：
第
Figure SMS_9
个区间中/>
Figure SMS_10
的区间进行线性映射为/>
Figure SMS_11
，第/>
Figure SMS_12
个灰度级区间的占比权重值
Figure SMS_13
,即/>
Figure SMS_14
为当前第/>
Figure SMS_15
个灰度级区间内在累积分布概率模型，进行线性简化后线性直线对应的斜率值。
优选的，所述各个灰度级区间对应钢化玻璃图像的各个局部图像的梯度信息，包括的具体步骤如下：
获取钢化玻璃图像中的第
Figure SMS_16
个灰度级区间/>
Figure SMS_17
对应钢化玻璃图像的局部图像，其中局部图像中仅存在像素点集为像素点灰度值属于灰度级区间/>
Figure SMS_18
的像素点，将钢化玻璃图像中其余像素点灰度值置为0，再利用sobel算子求取各个像素点的梯度幅值，记为梯度信息。
优选的，所述无向图任意两个节点之间权重值的获取方法如下：
根据局部图像对应的梯度图像，建立完全无向图，其中以梯度图像中的灰度值不为0的像素点为完全无向图的节点，则任意两个节点之间权权重值计算表达式为：
Figure SMS_19
式中，
Figure SMS_20
为任意两个节点对应像素点之间的权值；/>
Figure SMS_21
两节点对应像素点之间梯度值的最小梯度值；/>
Figure SMS_22
表示两节点对应像素点之间的欧式距离值。
优选的，所述根据局部图像的梯度信息建立无向图的任意两个节点之间权重值利用最短路径得到无向图的最大差异程度值，获取各个灰度级区间对应的灰度差异性权重值，包括的具体步骤如下：
对完全无向图中的权重利用
Figure SMS_24
进行负相关映射，/>
Figure SMS_26
表示映射前的权重，对权重映射后完全无向图利用Dijkstra(狄克斯特拉)算法求取得到第/>
Figure SMS_27
个灰度级区间对应的最短路径值/>
Figure SMS_23
，将最短路径/>
Figure SMS_28
除以第/>
Figure SMS_29
个灰度级内像素点的总个数，作为第/>
Figure SMS_30
个灰度级区间对应差异性权重值/>
Figure SMS_25
。
优选的，所述根据各个灰度级区间对应的灰度差异性权重值和各个灰度级区间对应的占比权重，完成当前钢化玻璃图像增强，包括的具体步骤如下：
对所有灰度级区间对应的灰度差异性权重值
Figure SMS_32
进行归一化处理，对归一化后的值
Figure SMS_35
加/>
Figure SMS_37
得到/>
Figure SMS_33
，将第/>
Figure SMS_39
个区间的差异性权重值/>
Figure SMS_40
与第/>
Figure SMS_41
个灰度级区间对应的/>
Figure SMS_31
相乘，得到新的
Figure SMS_34
；进而将/>
Figure SMS_36
作为新的斜率值，完成对第/>
Figure SMS_38
个灰度级区间的增强；
以第
Figure SMS_43
个灰度级区间中点的灰度值作为参考点，由于/>
Figure SMS_48
斜率已知，且第/>
Figure SMS_49
个灰度级区间两端点与累积分布概率曲线的交点已知，所以可以得到第/>
Figure SMS_44
个灰度级区间中点的灰度值在/>
Figure SMS_45
对应曲线上的点/>
Figure SMS_46
，其中由于/>
Figure SMS_47
为新的斜率值，所以根据过点/>
Figure SMS_42
线性函数的直线方程式，可以得到第/>
Figure SMS_50
个灰度级区间上/>
Figure SMS_51
在映射后新的/>
Figure SMS_52
；
其中，对于第
Figure SMS_53
个灰度级区间相邻两侧的灰度级区间，根据相邻两侧的灰度级区间的斜率结合优化后的映射函数得到映射后灰度值的占比，进行重新分配相邻两侧的灰度级区间映射后的灰度值，得到增强图像。
本发明的技术方案的有益效果是：对钢化玻璃图像通过自适应的灰度级区间划分，可实现对钢化玻璃表面不同区域的增强效果，并且根据灰度区间的差异性权重值和灰度级区间对应的占比权重进行不同区间的增强效果优化，在保证不失真的情况下，最大程度提高钢化玻璃表面不同区域的增强效果，使得划痕变得更加明显，提高对划痕识别的准确率。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于计算机视觉的钢化玻璃划伤区域图像增强方法的步骤流程图。
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基于计算机视觉的钢化玻璃划伤区域图像增强方法，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基于计算机视觉的钢化玻璃划伤区域图像增强方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的钢化玻璃划伤区域图像增强方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取钢化玻璃图像，根据钢化玻璃图像，得到灰度直方图的自适应灰度级区间划分。
本实施例获取钢化玻璃图像的具体地点为钢化玻璃生产线，即在钢化玻璃生产线上采集钢化玻璃图像。具体方法为：首先，需要在生产线上安装适当的图像采集设备和光源设备，其中图像采集设备和光源设备可由实施者根据具体实施场景进行调整(本实施例图像采集设备选取为RGB工业相机，光源设备选取为面光源)；然后，在图像采集设备采集到的图像数据后，通过相机接口实时传输至计算机系统用于后续图像处理(本实施例相机接口选取为GigE)。
在计算机系统获取采集的钢化玻璃图像后，由于玻璃具有表面成像的特征，导致钢化玻璃表面形成不同程度的光影，而划痕可能存在钢化玻璃中的每一处。由于在钢化玻璃上形成光影，其光影内部的灰度级近乎一致，即不同的光影具有近似的灰度级。进而本实施例选取当前钢化玻璃图像对应的灰度直方图，然后根据当前钢化玻璃的灰度直方图，对钢化玻璃采集图像对应灰度直方图上进行不同灰度级区间的自适应划分。
需要说明的是，本实施例中灰度直方图包含256个灰度级。
其具体的不同灰度级区间的自适应划分过程为：获取钢化玻璃图像对应的灰度直方图的分布曲线，利用均值平滑方法对钢化玻璃图像对应的灰度直方图对应的分布数据进行数据平滑，得到平滑后的数据后，利用峰值点检测算法，得到钢化玻璃图像对应的灰度直方图的分布曲线波谷点。然后从第一个波谷点开始，将相邻两个波谷点之间的数据作为一个光影对应的灰度级区间，完成灰度直方图的自适应区间划分，则其中钢化玻璃划痕可能存在任意各个灰度级区间。
至此，获取到多个钢化玻璃图像对应的灰度直方图的自适应灰度级区间。
步骤S002:根据灰度直方图的自适应灰度级区间划分，得到各个灰度级区间对应的占比权重。
在得到钢化玻璃图像对应的灰度直方图的自适应灰度级区间划分后，由于划痕可能存在于各个灰度级区间，进而本方案选择对各个灰度级区间进行单独的图像增强，以得到多张钢化玻璃增强后的图像。
其中直方图均衡化在进行图像增强时，为依赖各个灰度级在图像中的占比权重进行不同程度的灰度级映射，进而完成的图像增强。
但是由于钢化玻璃中的划痕，可能出现在钢化玻璃图像中的任意一处，所以如果单纯的依赖各个灰度级在钢化玻璃图像中的占比作为图像增强的判断依据，则可能导致钢化玻璃图像中部分区域无法得到有效的增强。
进而本实施例选择对不同灰度级区间进行单独的图像增强优化，但是进行单独灰度级区间的钢化玻璃图像增强时，如果把单独的灰度级区间的图像拉伸到0~255，则可能会导致局部过曝，反而无法进行有效的钢化玻璃划痕增强。
进而为了各个灰度级区间在增强后，能够在不失真的情况下，获取得到最大的钢化玻璃图像对比度，本实施例选择计算各个灰度级区间对应的灰度差异性，并将灰度差异性与其各个灰度级区间对应的占比权重相结合进行钢化玻璃图像增强。
其中因为选择采用各个灰度级区间对应的占比权重可以保证整个图像在增强后不会过度失真，进而选择采用各个灰度级区间对应的灰度差异性，可以使得在尽可能保证整个图像不失真的情况下，单个灰度级区间做到最大程度的图像增强。
本实施例为了简化各个灰度级区间的占比权重模型，选择对累计概率分布曲线进行不同灰度级区间的进行线性划分，在保留占比权重的同时，简化模型。
其中对累计概率分布区域进行不同灰度级区间的线性划分的过程为，在获取得到钢化玻璃图像对应的灰度直方图自适应划分区间后，记录每一个区间的在两端对应的灰度值，得到多个灰度值区间。
其中第
Figure SMS_54
个灰度级区间在两端对应的灰度值分为/>
Figure SMS_57
，进而在累计概率分布曲线中，获取/>
Figure SMS_58
在累计概率分布曲线分别对应的新灰度值/>
Figure SMS_55
。其中由于每两个相邻区间上具有相邻的端点所以/>
Figure SMS_59
和/>
Figure SMS_60
为同一灰度级，/>
Figure SMS_61
和/>
Figure SMS_56
为同一灰度级，依次类推得到多个灰度值区间大小。
进而第
Figure SMS_62
个区间中/>
Figure SMS_63
的区间进行线性映射为/>
Figure SMS_64
,其中采用线性映射是因为每一个区间为一个光影，其灰度级近似，进而为了便于计算，简化为线性模型。其中第一个灰度区间为从0开始的，最后一个灰度区间以255结束。
进而计算第
Figure SMS_65
个灰度级区间的占比权重值/>
Figure SMS_66
,即/>
Figure SMS_67
为当前第/>
Figure SMS_68
个灰度级区间内在累积分布概率模型，进行线性简化后线性直线对应的斜率值。其中/>
Figure SMS_69
的值越大，表示当前第/>
Figure SMS_70
个灰度级区间对应的占比越多，对其增强程度越大增强效果越明显。
至此，获取得到各个灰度级区间对应的占比权重。
步骤S003：获取各个灰度级区间对应的灰度差异性权重值。
由于直方图均衡化在进行图像增强时，如果仅仅依照不同灰度级的占比权重对钢化玻璃图像进行增强，但是由于钢化玻璃中每一个灰度级区间，都有可能存在划痕，并且划痕在钢化玻璃图像占比有限，会导致增强效果不好。
进而本实施例进行单个灰度区间的差异性计算，根据计算出各个灰度区间的差异性，进行不同灰度区间的增强程度调整。
在获取钢化玻璃图像中的第
Figure SMS_71
个灰度级区间/>
Figure SMS_72
对应钢化玻璃图像的局部图像。其中局部图像中仅存在像素点集为像素点灰度值属于灰度级区间/>
Figure SMS_73
的像素点，将钢化玻璃图像中其余像素点灰度值置为0。
在第
Figure SMS_74
个灰度级区间对应的第/>
Figure SMS_75
个局部图像中，如果存在划痕，则由于划痕相对为其周围像素点往往具有一定的灰度差值，导致划痕会具有较大的梯度值，并且在进行图像增强时，如果存在较大的梯度，则对其增强则会让差异更加明显，如果存在较小的梯度，则会在增强时容易造成失真。
所以可以根据第
Figure SMS_76
个局部图像中的梯度信息，计算出第/>
Figure SMS_77
个灰度级区间对应的灰度差异性权重。
进而对第
Figure SMS_78
个局部图像，利用sobel算子求取各个像素点的梯度幅值，其中梯度幅值越大，则表示当前第/>
Figure SMS_79
个灰度级区间对应的灰度差异性越大，但是可能梯度幅值越大的区域其占比较少，并且由于划痕往往是连续的，所以如果具有连续的梯度较大信息，其表示第
Figure SMS_80
个灰度级区间对应的灰度差异性越大，其在进行图像增强可以拥有更高的权重值。
本实施例以第
Figure SMS_81
个局部图像对应的梯度图像，建立完全无向图，其中以梯度图像中的有值像素点（梯度值不为0的像素点）为完全无向图的节点，任意两个节点之间权重值为：两节点对应像素点之间梯度值的最小梯度值乘以两节点之间的欧式距离值（将两节点对应像素点之间梯度值的最小梯度值和两节点之间的欧式距离值这两个量线性归一化）。
其中在计算任意两个节点之间权重值时，需要将梯度图像中的梯度值利用最大值最小值归一化方法进行数据归一化，其中在计算欧式距离值时，以图像的对角线对应的欧式距离值为最大值，0值为最小值，计算任意两个节点对应像素点之间的欧式距离值与对角线对应的欧式距离的比值，完成对两节点之间的欧式距离值的归一化。
即任意两个节点之间权权重值为：
Figure SMS_82
式中，
Figure SMS_83
为任意两个节点对应像素点之间的权值，其值越大，则表示则其灰度级差异性越大，越有利于图像增强。
Figure SMS_84
两节点对应像素点之间梯度值的最小梯度值，其值越大，表示节点对应像素点之间具有较大的梯度值，则其灰度级差异性越大，越有利于图像增强。
Figure SMS_85
表示两节点对应像素点之间的欧式距离值，表示梯度的连续性，如果存在高梯度且连续，则其灰度级差异性越大，越有利于图像增强。
其中衡量当前第
Figure SMS_86
个灰度区间对应的最大差异性值时，本实施例选择利用最短路径求取完成无向图中的最大差异程度值，进而可以利用最短路径求取完成无向图中的最大差异程度值。
本实施例选择对完全无向图中的权重利用
Figure SMS_87
进行负相关映射(/>
Figure SMS_89
表示映射前的权重)，对权重映射后完全无向图利用Dijkstra(狄克斯特拉)算法求取得到第/>
Figure SMS_90
个灰度级区间对应的最短路径值/>
Figure SMS_88
，将最短路径/>
Figure SMS_92
除以第/>
Figure SMS_93
个灰度级内像素点的总个数，作为第/>
Figure SMS_94
个灰度级区间对应差异性权重值/>
Figure SMS_91
。
其中除以第
Figure SMS_95
个灰度级内像素点的总个数，是因为当第/>
Figure SMS_96
个灰度级内像素点的总个数越大时，会使得/>
Figure SMS_97
的值变大。
步骤S004：根据各个灰度级区间对应的占比权重和各个灰度级区间对应的灰度差异性权重值，完成当前钢化玻璃图像增强。
由于各个灰度级区间对应的灰度差异性权值不能够直接作为图像增强的调节权重，并且为了在增强前后，增强后的灰度范围仍在0~255。本实施例选择对所有灰度级区间对应的灰度差异性权重值
Figure SMS_98
进行最大值最小值归一化处理。
进而在归一化后，对归一化后的值
Figure SMS_100
加/>
Figure SMS_111
得到/>
Figure SMS_112
，其中/>
Figure SMS_101
为增强权重，可有实施者根据具体实施场景进行调整。进而可将第/>
Figure SMS_104
个区间的差异性权重值/>
Figure SMS_108
与第/>
Figure SMS_110
个灰度级区间对应的/>
Figure SMS_99
相乘，得到新的/>。进而将/>
Figure SMS_107
作为新的斜率值，完成对第/>
Figure SMS_109
个灰度级区间的增强。加/>
Figure SMS_102
之后使得/>
Figure SMS_105
，从而实现增强(本实施例/>
Figure SMS_106
值选取为1)。
但是如果将
Figure SMS_113
作为新的斜率值，其余灰度级区间保持不变，则会导致与第/>
Figure SMS_114
个灰度级区间相邻的灰度分布与第/>
Figure SMS_115
个灰度级区间的像素灰度分布出现断裂，导致增强后的图像失真。
为了消除上述第
Figure SMS_119
个灰度级区间与其相邻灰度级区间可能出现的断裂感，本实施例选择以第/>
Figure SMS_120
个灰度级区间中点的灰度值作为参考点，由于/>
Figure SMS_121
斜率已知，且第/>
Figure SMS_118
个灰度级区间两端点与累积分布概率曲线的交点已知，所以可以得到第/>
Figure SMS_122
个灰度级区间中点的灰度值在
Figure SMS_123
对应曲线上的点/>
Figure SMS_124
，其中由于/>
Figure SMS_117
为新的斜率值，所以根据过点/>
Figure SMS_125
线性函数的直线方程式，可以得到第/>
Figure SMS_126
个灰度级区间上/>
Figure SMS_127
在映射后新的/>
Figure SMS_116
。
其中，对于第
Figure SMS_128
个灰度级区间相邻两侧的灰度级区间，根据相邻两侧的灰度级区间的斜率结合优化后的映射函数得到映射后灰度值的占比，进行重新分配相邻两侧的灰度级区间映射后的灰度值，至此完成对第/>
Figure SMS_129
个灰度级区间的图像增强；其他灰度级区间按本实施例进行实施，以完成整个钢化玻璃划痕的图像增强，得到多张增强图像。
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 (8)

1.一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，其特征在于，该方法包括以下步骤：
获取钢化玻璃图像；根据钢化玻璃图像得到灰度直方图的自适应灰度级区间划分；
根据灰度直方图的自适应灰度级区间划分，对累计概率分布区域进行不同灰度级区间的线性划分；获取各个灰度级区间对应的占比权重；
获取各个灰度级区间对应钢化玻璃图像的各个局部图像的梯度信息；根据局部图像的梯度信息建立无向图，获取无向图任意两个节点之间权重值；根据局部图像的梯度信息建立无向图的任意两个节点之间权重值利用最短路径得到无向图的最大差异程度值，获取各个灰度级区间对应的灰度差异性权重值；
根据各个灰度级区间对应的灰度差异性权重值和各个灰度级区间对应的占比权重，完成当前钢化玻璃图像增强。
2.根据权利要求1所述一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，其特征在于，所述根据钢化玻璃图像得到灰度直方图的自适应灰度级区间划分，包括的具体步骤如下：
获取钢化玻璃图像对应的灰度直方图的分布曲线，利用均值平滑方法对钢化玻璃图像对应的灰度直方图对应的分布数据进行数据平滑，得到平滑后的数据后，利用峰值点检测算法，得到钢化玻璃图像对应的灰度直方图的分布曲线波谷点；然后从第一个波谷点开始，将相邻两个波谷点之间的数据作为一个光影对应的灰度级区间，完成灰度直方图的自适应区间划分。
3.根据权利要求1所述一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，其特征在于，所述累计概率分布区域进行不同灰度级区间的线性划分，包括的具体步骤如下：
在获取得到钢化玻璃图像对应的灰度直方图自适应划分区间后，记录每一个区间的在两端对应的灰度值，得到多个灰度值区间；其中第
Figure QLYQS_2
个灰度级区间在两端对应的灰度值分为
Figure QLYQS_5
，进而在累计概率分布曲线中，获取/>
Figure QLYQS_7
在累计概率分布曲线分别对应的新灰度值
Figure QLYQS_3
；其中由于每两个相邻区间上具有相邻的端点所以/>
Figure QLYQS_4
和/>
Figure QLYQS_6
为同一灰度级，/>
Figure QLYQS_8
和/>
Figure QLYQS_1
为同一灰度级，依次类推得到多个灰度值区间大小。
4.根据权利要求1所述一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，其特征在于，所述各个灰度级区间对应的占比权重，包括的具体步骤如下：
第
Figure QLYQS_9
个区间中/>
Figure QLYQS_10
的区间进行线性映射为/>
Figure QLYQS_11
，第/>
Figure QLYQS_12
个灰度级区间的占比权重值
Figure QLYQS_13
。
5.根据权利要求1所述一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，其特征在于，所述各个灰度级区间对应钢化玻璃图像的各个局部图像的梯度信息，包括的具体步骤如下：
获取钢化玻璃图像中的第
Figure QLYQS_14
个灰度级区间/>
Figure QLYQS_15
对应钢化玻璃图像的局部图像，其中局部图像中仅存在像素点集为像素点灰度值属于灰度级区间/>
Figure QLYQS_16
的像素点，将钢化玻璃图像中其余像素点灰度值置为0，再利用sobel算子求取各个像素点的梯度幅值，记为梯度信息。
6.根据权利要求1所述一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，其特征在于，所述无向图任意两个节点之间权重值的获取方法如下：
根据局部图像对应的梯度图像，建立完全无向图，其中以梯度图像中的灰度值不为0的像素点为完全无向图的节点，则任意两个节点之间权重值计算表达式为：
Figure QLYQS_17
式中，
Figure QLYQS_18
为任意两个节点对应像素点之间的权值；/>
Figure QLYQS_19
两节点对应像素点之间梯度值的最小梯度值；/>
Figure QLYQS_20
表示两节点对应像素点之间的欧式距离值。
7.根据权利要求1所述一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，其特征在于，所述根据局部图像的梯度信息建立无向图的任意两个节点之间权重值利用最短路径得到无向图的最大差异程度值，获取各个灰度级区间对应的灰度差异性权重值，包括的具体步骤如下：
对完全无向图中的权重利用
Figure QLYQS_23
进行负相关映射，/>
Figure QLYQS_24
表示映射前的权重，对权重映射后完全无向图利用Dijkstra算法求取得到第/>
Figure QLYQS_27
个灰度级区间对应的最短路径值/>
Figure QLYQS_22
，将最短路径/>
Figure QLYQS_25
除以第/>
Figure QLYQS_26
个灰度级内像素点的总个数，作为第/>
Figure QLYQS_28
个灰度级区间对应差异性权重值/>
Figure QLYQS_21
。
8.根据权利要求1所述一种基于计算机视觉的钢化玻璃划伤区域图像增强方法，其特征在于，所述根据各个灰度级区间对应的灰度差异性权重值和各个灰度级区间对应的占比权重，完成当前钢化玻璃图像增强，包括的具体步骤如下：
对所有灰度级区间对应的灰度差异性权重值
Figure QLYQS_30
进行归一化处理，对归一化后的值/>
Figure QLYQS_32
加/>
Figure QLYQS_38
得到/>
Figure QLYQS_31
，将第/>
Figure QLYQS_34
个区间的差异性权重值/>
Figure QLYQS_36
与第/>
Figure QLYQS_39
个灰度级区间对应的/>
Figure QLYQS_29
相乘，得到新的/>
Figure QLYQS_33
；进而将/>
Figure QLYQS_35
作为新的斜率值，完成对第/>
Figure QLYQS_37
个灰度级区间的增强；
以第
Figure QLYQS_41
个灰度级区间中点的灰度值作为参考点，由于/>
Figure QLYQS_45
斜率已知，且第/>
Figure QLYQS_48
个灰度级区间两端点与累积分布概率曲线的交点已知，所以可以得到第/>
Figure QLYQS_42
个灰度级区间中点的灰度值在/>
Figure QLYQS_44
对应曲线上的点/>
Figure QLYQS_47
，其中由于/>
Figure QLYQS_50
为新的斜率值，所以根据过点/>
Figure QLYQS_40
线性函数的直线方程式，可以得到第/>
Figure QLYQS_43
个灰度级区间上/>
Figure QLYQS_46
在映射后新的/>
Figure QLYQS_49
；
其中，对于第
Figure QLYQS_51
个灰度级区间相邻两侧的灰度级区间，根据相邻两侧的灰度级区间的斜率结合优化后的映射函数得到映射后灰度值的占比，进行重新分配相邻两侧的灰度级区间映射后的灰度值，得到增强图像。
CN202310671555.8A 2023-06-08 2023-06-08 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 Active CN116433657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310671555.8A CN116433657B (zh) 2023-06-08 2023-06-08 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310671555.8A CN116433657B (zh) 2023-06-08 2023-06-08 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法

Publications (2)

Publication Number Publication Date
CN116433657A true CN116433657A (zh) 2023-07-14
CN116433657B CN116433657B (zh) 2023-08-25

Family

ID=87087545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310671555.8A Active CN116433657B (zh) 2023-06-08 2023-06-08 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法

Country Status (1)

Country Link
CN (1) CN116433657B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117558068A (zh) * 2024-01-11 2024-02-13 深圳市阿龙电子有限公司 基于多源数据融合的智能设备手势识别方法
CN118225803A (zh) * 2024-05-27 2024-06-21 山东聚宁机械有限公司 一种推土机刀片表面外观视觉检测方法
CN118470025A (zh) * 2024-07-15 2024-08-09 苏州金陵玻璃科技有限公司 基于数据分析的钢化玻璃无损检测方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5809171A (en) * 1996-01-05 1998-09-15 Mcdonnell Douglas Corporation Image processing method and apparatus for correlating a test image with a template
KR101878306B1 (ko) * 2009-12-17 2018-07-13 엘타 시스템즈 리미티드 이미지를 개선하기 위한 방법 및 시스템
CN110706235A (zh) * 2019-08-30 2020-01-17 华南农业大学 一种基于双级级联分割的远红外行人检测方法
US20200364828A1 (en) * 2019-05-15 2020-11-19 Realtek Semiconductor Corp. Circuitry for image demosaicing and enhancement and image-processing method
WO2021031459A1 (zh) * 2019-08-16 2021-02-25 域鑫科技（惠州）有限公司 适用于内窥镜的图像增强方法、装置和存储介质
CN114418904A (zh) * 2021-12-13 2022-04-29 上海悠络客电子科技股份有限公司 一种基于改进直方图均衡化和增强高通滤波的红外图像增强方法
CN115018828A (zh) * 2022-08-03 2022-09-06 深圳市尹泰明电子有限公司 一种电子元器件的缺陷检测方法
CN115082481A (zh) * 2022-08-23 2022-09-20 聊城市誉林工业设计有限公司 一种用于齿轮的图像增强方法
CN115147448A (zh) * 2022-05-20 2022-10-04 南京理工大学 面向自动化焊接的图像增强与特征提取方法
CN115311176A (zh) * 2022-10-12 2022-11-08 江苏菲尔浦物联网有限公司 基于直方图均衡化的夜间图像增强方法
CN115546203A (zh) * 2022-11-23 2022-12-30 常熟理工学院 基于图像数据算法的生产监测分析方法
CN116091455A (zh) * 2023-01-30 2023-05-09 南通海驹钢结构有限公司 基于机器视觉的钢网表面缺陷判定方法
US20230142630A1 (en) * 2021-11-10 2023-05-11 Ancestry.Com Operations Inc. Image Enhancement in a Genealogy System
CN116109644A (zh) * 2023-04-14 2023-05-12 东莞市佳超五金科技有限公司 用于铜铝转接排的表面缺陷检测方法
CN116188327A (zh) * 2023-04-21 2023-05-30 济宁职业技术学院 一种用于安防监控视频的图像增强方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5809171A (en) * 1996-01-05 1998-09-15 Mcdonnell Douglas Corporation Image processing method and apparatus for correlating a test image with a template
KR101878306B1 (ko) * 2009-12-17 2018-07-13 엘타 시스템즈 리미티드 이미지를 개선하기 위한 방법 및 시스템
US20200364828A1 (en) * 2019-05-15 2020-11-19 Realtek Semiconductor Corp. Circuitry for image demosaicing and enhancement and image-processing method
WO2021031459A1 (zh) * 2019-08-16 2021-02-25 域鑫科技（惠州）有限公司 适用于内窥镜的图像增强方法、装置和存储介质
CN110706235A (zh) * 2019-08-30 2020-01-17 华南农业大学 一种基于双级级联分割的远红外行人检测方法
US20230142630A1 (en) * 2021-11-10 2023-05-11 Ancestry.Com Operations Inc. Image Enhancement in a Genealogy System
CN114418904A (zh) * 2021-12-13 2022-04-29 上海悠络客电子科技股份有限公司 一种基于改进直方图均衡化和增强高通滤波的红外图像增强方法
CN115147448A (zh) * 2022-05-20 2022-10-04 南京理工大学 面向自动化焊接的图像增强与特征提取方法
CN115018828A (zh) * 2022-08-03 2022-09-06 深圳市尹泰明电子有限公司 一种电子元器件的缺陷检测方法
CN115082481A (zh) * 2022-08-23 2022-09-20 聊城市誉林工业设计有限公司 一种用于齿轮的图像增强方法
CN115311176A (zh) * 2022-10-12 2022-11-08 江苏菲尔浦物联网有限公司 基于直方图均衡化的夜间图像增强方法
CN115546203A (zh) * 2022-11-23 2022-12-30 常熟理工学院 基于图像数据算法的生产监测分析方法
CN116091455A (zh) * 2023-01-30 2023-05-09 南通海驹钢结构有限公司 基于机器视觉的钢网表面缺陷判定方法
CN116109644A (zh) * 2023-04-14 2023-05-12 东莞市佳超五金科技有限公司 用于铜铝转接排的表面缺陷检测方法
CN116188327A (zh) * 2023-04-21 2023-05-30 济宁职业技术学院 一种用于安防监控视频的图像增强方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHOU, SJ; CHEN, J AND WEN, Q: ""A Weight-based Optimization Algorithm of Histogram Equalization"", 《9TH INTERNATIONAL SYMPOSIUM ON ADVANCED OPTICAL MANUFACTURING AND TESTING TECHNOLOGIES: OPTOELECTRONIC MATERIALS AND DEVICES FOR SENSING AND IMAGING》 *
何保畅;耿修瑞;胡文龙;: ""一种基于视觉特性和灰度补偿改进的LDR图像增强方法"", 《中国科学院大学学报》, no. 03 *
郑子为: ""基于机器视觉的玻璃绝缘子缺陷检测技术研究"", 《中国优秀硕士学位论文全文数据库（电子期刊）》, pages 042 - 182 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117558068A (zh) * 2024-01-11 2024-02-13 深圳市阿龙电子有限公司 基于多源数据融合的智能设备手势识别方法
CN117558068B (zh) * 2024-01-11 2024-03-19 深圳市阿龙电子有限公司 基于多源数据融合的智能设备手势识别方法
CN118225803A (zh) * 2024-05-27 2024-06-21 山东聚宁机械有限公司 一种推土机刀片表面外观视觉检测方法
CN118470025A (zh) * 2024-07-15 2024-08-09 苏州金陵玻璃科技有限公司 基于数据分析的钢化玻璃无损检测方法及系统

Also Published As

Publication number Publication date
CN116433657B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN116433657B (zh) 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法
CN115311176B (zh) 基于直方图均衡化的夜间图像增强方法
CN105046655B (zh) 一种视频图像自动锐化方法和装置
CN108765342A (zh) 一种基于改进暗通道的水下图像复原方法
CN101783963A (zh) 一种具有高光抑制的夜间图像增强方法
CN105913396A (zh) 一种噪声估计的图像边缘保持混合去噪方法
CN109658343B (zh) 结合颜色转换和自适应曝光的水下图像增强方法
CN110503617B (zh) 一种基于高、低频信息融合的水下图像增强方法
CN105474259A (zh) 用于在单一图像中去雾的方法和装置
WO2021114564A1 (zh) 一种低对比度红外图像的增强方法
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN115660990A (zh) 基于亮度分类的内窥镜图像镜面反射检测与修复方法
CN116363140A (zh) 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质
CN111640068A (zh) 一种图像曝光度的无监督自动化校正方法
CN101510306B (zh) 一种视频图像照度分布估计方法
CN117611467A (zh) 一种能同时平衡不同区域细节和亮度的低光图像增强方法
CN110674737B (zh) 一种虹膜识别的增强方法
CN117495719A (zh) 一种基于大气光幕与雾浓度分布估计的去雾方法
CN111080563B (zh) 一种基于遍历寻优的直方图均衡方法
CN108564534A (zh) 一种基于检索的图像对比度调整方法
CN112488968A (zh) 一种分程度直方图均衡融合的图像增强方法
CN110136085B (zh) 一种图像的降噪方法及装置
CN107451971A (zh) 基于暗通道和高斯组合先验的低照度盲卷积图像复原法
CN112991240B (zh) 一种用于实时图像增强的图像自适应增强算法
CN115619662A (zh) 一种基于暗通道先验的图像去雾方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Computer Vision Based Image Enhancement Method for Scratched Areas in Tempered Glass

Effective date of registration: 20231225

Granted publication date: 20230825

Pledgee: Jinxiang County sub branch of Postal Savings Bank of China Ltd.

Pledgor: Jinxiang County Mingyao Glass Co.,Ltd.

Registration number: Y2023980073770