CN116993659A - 基于数学形态学方法的x光图像缺陷提取方法 - Google Patents
基于数学形态学方法的x光图像缺陷提取方法 Download PDFInfo
- Publication number
- CN116993659A CN116993659A CN202310588731.1A CN202310588731A CN116993659A CN 116993659 A CN116993659 A CN 116993659A CN 202310588731 A CN202310588731 A CN 202310588731A CN 116993659 A CN116993659 A CN 116993659A
- Authority
- CN
- China
- Prior art keywords
- ray image
- image
- structural element
- reconstruction
- expansion
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000000926 separation method Methods 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 230000003628 erosive effect Effects 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000010339 dilation Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000006641 stabilisation Effects 0.000 claims description 6
- 238000011105 stabilization Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 3
- 230000008961 swelling Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000002950 deficient Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供了基于数学形态学方法的X光图像缺陷提取方法，包括：获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果；基于第一预设阈值和初步分离结果进行二值化分割，产生潜在缺陷区域；基于潜在缺陷区域的目标比例构建第二方形结构元素，并基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果；基于第二预设阈值对最终的缺陷分割结果进行二值化运算，得到X光图像中存在的目标缺陷。实现对X光图像中记录的物体的缺陷进行进行准确快速的确定，可以在保持缺陷初始形状的前提下来准确提取缺陷。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于数学形态学方法的X光图像缺陷提取方法。
背景技术
随着工业自动化的发展，工业器件的缺陷检测是一个备受关注的研究问题，器件的X射线图像可以提供部分内部缺陷信息，基于图像处理和深度学习的缺陷检测算法已经得到了应用，对于降低检测成本，提高工业器件质量，提供更好的工业安全环境有重要意义；
但是，部分工业器件的缺陷，缺陷的尺寸往往远小于整体本身的尺寸，会受到几何图形和噪声的干扰，使得在缺陷提取过程中图像不完整，从而对目标分割存在困难，大大降低了对缺陷的判定结果以及判定准确性；
因此，为了克服上述缺陷，本发明提供了一种基于数学形态学方法的X光图像缺陷提取方法。
发明内容
本发明提供一种基于数学形态学方法的X光图像缺陷提取方法，用以通过对X光图像进行顶帽交换、顶帽重构交换以及扩张交换和二值化分割，实现对X光图像中记录的物体的缺陷进行准确快速的确定，可以在保持缺陷初始形状的前提下来准确提取缺陷。
本发明提供了一种基于数学形态学方法的X光图像缺陷提取方法，包括：
步骤1：获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果；
步骤2：基于第一预设阈值和初步分离结果进行二值化分割，产生潜在缺陷区域；
步骤3：基于潜在缺陷区域的目标比例构建第二方形结构元素，并基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果；
步骤4：基于第二预设阈值对最终的缺陷分割结果进行二值化运算，得到X光图像中存在的目标缺陷。
优选的，一种基于数学形态学方法的X光图像缺陷提取方法，步骤1中，获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果，包括：
基于预设采集装置对待监测装置进行X光拍摄，并基于拍摄结果得到X光图像；
获取X光图像的尺寸信息以及目标形状的结构元素，并基于X光图像的尺寸信息选取X光图像中的10％-15％为参考图像；
确定参考图像的像素范围，并基于像素范围构建第一方形结构元素B，其中，第一方形结构元素B为矩阵，且矩阵的中心为第一方形结构元素B的原点。
优选的，一种基于数学形态学方法的X光图像缺陷提取方法，确定参考图像的像素范围，并基于像素范围构建第一方形结构元素B，其中，第一方形结构元素B为矩阵，包括：
获取基于第一方形结构元素B对X光图像f(x，y)处理时，第一方形结构元素B中的原点在X光图像中的像素(x，y)，并基于像素(x，y)确定X光图像f(x，y)与第一方形结构元素B的重叠区域；
基于第一方形结构元素B对重叠区域中的像素进行运算，并基于运算结果产生新的灰度值，且将产生的新的灰度值分配至像素(x，y)，完成一次迭代，直至完成X光图像中所有的像素点。
优选的，一种基于数学形态学方法的X光图像缺陷提取方法，基于第一形结构元素B对重叠区域中的像素进行运算，包括：
基于第一方形结构元素B对重叠区域中的像素进行运算包括对X光图像进行膨胀处理和侵蚀处理；
其中，膨胀处理为：
[δB(f)](x，y)＝max(s，t)∈B{f(x+s,y+t)}；
其中，侵蚀处理为：
[εB(f)](x，y)＝min(s，t)∈B{f(x+s,y+t)}；
其中，[δB(f)](x，y)表示基于第一方形结构元素B对X光图像进行膨胀处理后得到的图像；[εB(f)](x，y)表示基于第一方形结构元素B对X光图像进行侵蚀处理后得到的图像；s表示在对X光图像进行膨胀和侵蚀处理时，对X光图像中像素点的横坐标的改变量；t表示在对X光图像进行膨胀和侵蚀处理时，对X光图像中像素点的纵坐标的改变量；max表示取最大值；min表示取最小值。
优选的，一种基于数学形态学方法的X光图像缺陷提取方法，基于第一方形结构元素B对重叠区域中的像素进行运算包括对X光图像进行膨胀处理和侵蚀处理，包括：
将膨胀处理和侵蚀处理进行组合，并基于组合结果对X光图像进行打开和关闭处理，包括：
基于第一方形结构元素B的原点为中心旋转180度得到变形方形结构元素-B，并基于第一方形结构元素B对X光图像f(x，y)进行侵蚀处理，且在侵蚀处理结束后，基于变形方形结构元素-B对侵蚀处理的图像进行膨胀处理，包括：
其中，图像打开处理包括：
[γB(f)](x，y)＝δ-B[εB(f)](x，y)；
其中，[γB(f)](x，y)表示基于第一方形结构元素B和变形方形结构元素-B对X光图像处理后得到的打开图像；
基于第一方形结构元素B对X光图像f(x，y)进行膨胀处理，并基于变形方形结构元素-B对膨胀处理后的图像进行侵蚀处理，包括：
[φB(f)](x，y)＝ε-B[δB(f)](x，y)；
其中，[δB(f)](x，y)表示基于第一方形结构元素B和变形方形结构元素-B对X光图像处理后得到的关闭图像。
优选的，一种基于数学形态学方法的X光图像缺陷提取方法，基于第一方形结构元素B对X光图像f(x，y)进行侵蚀处理，且在侵蚀处理结束后，基于变形方形结构元素-B对侵蚀处理的图像进行膨胀处理，包括：
获取打开处理后得到的图像[γB(f)](x，y)以及X光图像f(x，y)，并确定X光图像f(x，y)在打开处理后的各区域的第一像素亮度以及确定第一方形结构元素B的第二像素亮度；
将第一像素亮度和第二像素亮度进行比较，并基于比较结果将X光图像f(x，y)与打开处理后得到的图像[γB(f)](x，y)进行做差运算，具体步骤包括；
[WHT(f)](x,y)＝f(x,y)-[γB(f)](x，y)；
其中，[WHT(f)](x,y)表示X光图像f(x，y)与打开处理后得到的图像[γB(f)](x，y)进行做差后得到的图像；
基于做差运算结果对第一像素亮度小于第二像素亮度的图像区域进行保留，同时，将其他未受影响的区域在减法处理过程中相互抵消，完成顶帽交换。
优选的，一种基于数学形态学方法的X光图像缺陷提取方法，步骤1中，获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果，包括：
获取预设模板图像g(x，y)以及X光图像f(x，y)，并分别确定预设模板图像g(x，y)以及X光图像f(x，y)对应的灰度值g和灰度值f，其中，预设模板图像g(x，y)以及X光图像f(x，y)的大小尺寸相同；
当灰度值g≥f时，大小为1的测地膨胀为：
其中，∧表示逐点最小值操作，测地膨胀是X光图像和预设模板图像在基本扩张后的逐点最小值；
其中，大小为n的测地膨胀是基于对X光图像进行n次相对于预设模板图像的测地膨胀得到的：
当灰度值g≤f时，大小为1的测地侵蚀和小大为n的测地侵蚀分别为：
其中，V表示逐点最大值操作，预设模板图像是用于限制X光图像的侵蚀收缩；
当尺度大于1并开始逐渐增加时，X光图像的扩张或收缩，在目标迭代次数后，完全被预设模板图像所阻挡，测地变换趋于稳定；
其中，扩张重建为X光图像f(x，y)相对于预设模板图像g(x，y)的迭代测地膨胀，直至达到稳定：
其中，i为当时的迭代次数；
侵蚀重建为X光图像f(x，y)相对于预设模板图像g(x，y)的迭代测地侵蚀，直至达到稳定：
其中，i为当时的迭代次数。
优选的，一种基于数学形态学方法的X光图像缺陷提取方法，步骤1中，获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果，包括：
若所得图像是X光图像f(x，y)的侵蚀结果，且X光图像f(x，y)为本身时，则所得图像的膨胀重构则为X光图像f(x，y)的开放重建：
其中，开放重建保留了X光图像f(x，y)中未被侵蚀去除的形状，只去除无法容纳第一方形结构元素的图像目标；
侵蚀重建，以X光图像f(x，y)的扩张产生的图像为X光图像f(x，y)的闭合重建：
基于闭合重建删除在扩张操作中完全消失的区域，同时，恢复被扩张操作影响的图像区域；
从原始图像中减去开放重建图像为顶帽重构交换：
RWHT(f)＝f-γR(f)；
基于顶帽重构交换重建开放重建去除的结构目标，得到初步分离结果，且重建后得到的图像的灰度值低于相应顶帽变化所得。
优选的，一种基于数学形态学方法的X光图像缺陷提取方法，步骤2中，基于第一预设阈值和初步分离结果进行二值化分割，产生潜在缺陷区域，包括：
获取得到的初步分离结果，并将初步分离结果对应的图像进行拆分，得到N个子图像，且分别确定各子图像对应的灰度值；
获取第一预设阈值，并将各子图像对应的灰度值与第一预设阈值进行比较，并基于比较结果将各子图像中的像素点标记为目标图像和背景图像；
基于标记结果对初步分离结果对应的图像进行二值化分割，得到潜在缺陷区域。
优选的，一种基于数学形态学方法的X光图像缺陷提取方法，步骤3中，基于潜在缺陷区域的目标比例构建第二方形结构元素，并基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果，包括：
获取得到的潜在缺陷区域，并确定潜在缺陷区域的图像尺寸；
基于预设分析要求确定对潜在缺陷区域分析时所需的结构元素的形状，并基于潜在缺陷区域的图像尺寸的50％和结构元素的形状构建第二方形结构元素；
基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果。
与现有技术相比，本发明的有益效果如下：
通过对X光图像进行顶帽交换、顶帽重构交换以及扩张交换和二值化分割，实现对X光图像中记录的物体的缺陷进行准确快速的确定，可以在保持缺陷初始形状的前提下来准确提取缺陷。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于数学形态学方法的X光图像缺陷提取方法的流程图；
图2为本发明实施例中一种基于数学形态学方法的X光图像缺陷提取方法中步骤1的流程图；
图3为本发明实施例中一种基于数学形态学方法的X光图像缺陷提取方法中步骤2的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，如图1所示，包括：
步骤1：获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果；
步骤2：基于第一预设阈值和初步分离结果进行二值化分割，产生潜在缺陷区域；
步骤3：基于潜在缺陷区域的目标比例构建第二方形结构元素，并基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果；
步骤4：基于第二预设阈值对最终的缺陷分割结果进行二值化运算，得到X光图像中存在的目标缺陷。
该实施例中，预设比例是提前已知的，具体可以是X光图像的整体长宽的10％～15％为参考。
该实施例中，顶帽交换指的是保留图像中的相对周围灰度值较高的亮点。
该实施例中，顶帽重构交换指的是X光图像f与其开重构运算之差。
该实施例中，扩张重构是通过预设模板图像对X光图像在处理过程中的膨胀和侵蚀进行限制。
该实施例中，第一方形结构元素一般比要处理的数字图像小很多，一般以二进制矩阵的形式出现，其大小就是结构元素的大小，以及其涉及的像素范围。矩阵的中心是结构化元素的原点，代表了形态学操作中的目标像素。结构化元素可以有不同的形状，如十字，圆形，方形，由二进制矩阵的元素实现，值为1，如3*3大小的正方形结构元素和十字形结构元素：
其中，正方形有9个元素参与计算，而十字结构只有5个元素参与计算。
该实施例中，初步分离结果指的是对得到的X光图像进行变换后，对X光图像中的缺陷进行简单提取后得到的图像。
该实施例中，第一预设阈值是提前设定好的，是较小的阈值，用于对初步分离结果进行二值化分割。
该实施例中，潜在缺陷区域指的是对初步分离结果进行二值化分割后，得到的可能会存在切线的图像区域。
该实施例中，目标比例可以是潜在缺陷区域的50％。
该实施例中，第二方形结构元素与第一方形机构元素不同，大小不同，是用于对潜在缺陷区域进行分析。
该实施例中，基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果的原理同第一方形结构元素对X光图像进行顶帽交换、顶帽重构交换以及扩张交换。
该实施例中，第二预设阈值是提前已知的，是较大的阈值，用于对潜在缺陷区域进行二值化分割，其在进行二值化运算时与通过第一预设阈值对初步分离结果进行二值化分割原理相同。
该实施例中，目标缺陷指的是X光图像中记录的物体存在的缺陷，即最终的分析结果。
上述技术方案的有益效果是：通过对X光图像进行顶帽交换、顶帽重构交换以及扩张交换和二值化分割，实现对X光图像中记录的物体的缺陷进行准确快速的确定，可以在保持缺陷初始形状的前提下来准确提取缺陷。
实施例2：
在实施例1的基础上，本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，如图2所示，步骤1中，获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果，包括：
步骤101：基于预设采集装置对待监测装置进行X光拍摄，并基于拍摄结果得到X光图像；
步骤102：获取X光图像的尺寸信息以及目标形状的结构元素，并基于X光图像的尺寸信息选取X光图像中的10％-15％为参考图像；
步骤103：确定参考图像的像素范围，并基于像素范围构建第一方形结构元素B，其中，第一方形结构元素B为矩阵，且矩阵的中心为第一方形结构元素B的原点。
该实施例中，预设采集装置是提前设定好的，专门用于采集待监测装置的X光图像。
该实施例中，待监测装置是需要进行监测的主体，例如可以是工业器件等。
该实施例中，目标形状指的是根据处理要求确定的，可以是十字，圆形，方形中的一种。
上述技术方案的有益效果是：通过对待监测装置进行X光图像采集，并对采集到的X光图像进行分析，实现根据X光图像对第一方形结构元素B进行准确有效的构建，为实现对X光图像中存在的缺陷进行有效提取提供了便利与保障。
实施例3：
在实施例2的基础上，本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，确定参考图像的像素范围，并基于像素范围构建第一方形结构元素B，其中，第一方形结构元素B为矩阵，包括：
获取基于第一方形结构元素B对X光图像f(x，y)处理时，第一方形结构元素B中的原点在X光图像中的像素(x，y)，并基于像素(x，y)确定X光图像f(x，y)与第一方形结构元素B的重叠区域；
基于第一方形结构元素B对重叠区域中的像素进行运算，并基于运算结果产生新的灰度值，且将产生的新的灰度值分配至像素(x，y)，完成一次迭代，直至完成X光图像中所有的像素点。
上述技术方案的有益效果是：通过第一方形结构元素B对X光图像进行处理，便于消除几何图像和噪声的干扰，从而确保对X光图像分割准确，提高缺陷确定的效率以及准确度。
实施例4：
在实施例3的基础上，本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，基于第一形结构元素B对重叠区域中的像素进行运算，包括：
基于第一方形结构元素B对重叠区域中的像素进行运算包括对X光图像进行膨胀处理和侵蚀处理；
其中，膨胀处理为：
[δB(f)](x，y)＝max(s，t)∈B{f(x+s,y+t)}；
其中，侵蚀处理为：
[εB(f)](x，y)＝min(s，t)∈B{f(x+s,y+t)}；
其中，[δB(f)](x，y)表示基于第一方形结构元素B对X光图像进行膨胀处理后得到的图像；[εB(f)](x，y)表示基于第一方形结构元素B对X光图像进行侵蚀处理后得到的图像；s表示在对X光图像进行膨胀和侵蚀处理时，对X光图像中像素点的横坐标的改变量；t表示在对X光图像进行膨胀和侵蚀处理时，对X光图像中像素点的纵坐标的改变量；max表示取最大值；min表示取最小值。
该实施例中，膨胀和侵蚀操作对应的像素灰度值分别为第一方形结构元素B定义窗口中图像的最大值和最小值，对整个图像f(x，y)而言，膨胀扩大了图像上的明亮区域，从而使图像整体更加明亮，类似于局部最大运算，反之侵蚀缩小图像上的明亮区域，使其整体变暗，类似于一个局部最小运算。
上述技术方案的有益效果是：通过对X光图像进行膨胀和侵蚀操作，确保了对X光图像的处理效果，从而便于根据处理结果对X光图像中记录的物体的缺陷进行准确有效的锁定，可以在保持缺陷初始形状的前提下来准确提取缺陷。
实施例5：
在实施例4的基础上，本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，基于第一方形结构元素B对重叠区域中的像素进行运算包括对X光图像进行膨胀处理和侵蚀处理，包括：
将膨胀处理和侵蚀处理进行组合，并基于组合结果对X光图像进行打开和关闭处理，包括：
基于第一方形结构元素B的原点为中心旋转180度得到变形方形结构元素-B，并基于第一方形结构元素B对X光图像f(x，y)进行侵蚀处理，且在侵蚀处理结束后，基于变形方形结构元素-B对侵蚀处理的图像进行膨胀处理，包括：
其中，图像打开处理包括：
[γB(f)](x，y)＝δ-B[εB(f)](x，y)；
其中，[γB(f)](x，y)表示基于第一方形结构元素B和变形方形结构元素-B对X光图像处理后得到的打开图像；
基于第一方形结构元素B对X光图像f(x，y)进行膨胀处理，并基于变形方形结构元素-B对膨胀处理后的图像进行侵蚀处理，包括：
[φB(f)](x，y)＝ε-B[δB(f)](x，y)；
其中，[φB(f)](x，y)表示基于第一方形结构元素B和变形方形结构元素-B对X光图像处理后得到的关闭图像。
该实施例中，图像的打开和关闭是数学形态学上的基础操作，是侵蚀和膨胀的组合。
该实施例中，变形方形结构元素-B是对第一方形结构元素旋转180度得到的。
该实施例中，在打开和关闭操作中，对称的结构元素B和-B被用来侵蚀和膨胀图像，操作的结果与结构元素本身无关，打开操作尝试恢复被侵蚀操作移除的明亮区域，依次对结构化元素的图像f(x，y)进行最小值操作和最大值操作，最终f(x，y)上的明亮区域被完全的移除。如果他们小于B，对于大于B的明亮区域，只有无法容纳B的部分被去除，其他灰度不受影响；关闭操作尝试恢复被膨胀去除的黑暗区域，通过结构化元素对图像f(x，y)依次进行最大值最小值操作，最终结果是f(x，y)上的暗区，如果小于B，则被完全移除，而对于大于B的暗区，无法容纳B的部分被去除，其他灰度不变。
上述技术方案的有益效果是：通过对X光图像进行打开和关闭操作，实现对X光图形中明亮区域和黑暗区域分别进行有效的处理，为准确提取出X光图像中存在的缺陷提供了便利与保障。
实施例6：
在实施例5的基础上，本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，基于第一方形结构元素B对X光图像f(x，y)进行侵蚀处理，且在侵蚀处理结束后，基于变形方形结构元素-B对侵蚀处理的图像进行膨胀处理，包括：
获取打开处理后得到的图像[γB(f)](x，y)以及X光图像f(x，y)，并确定X光图像f(x，y)在打开处理后的各区域的第一像素亮度以及确定第一方形结构元素B的第二像素亮度；
将第一像素亮度和第二像素亮度进行比较，并基于比较结果将X光图像f(x，y)与打开处理后得到的图像[γB(f)](x，y)进行做差运算，具体步骤包括；
[WHT(f)](x,y)＝f(x,y)-[γB(f)](x，y)；
其中，[WHT(f)](x,y)表示X光图像f(x，y)与打开处理后得到的图像[γB(f)](x，y)进行做差后得到的图像；
基于做差运算结果对第一像素亮度小于第二像素亮度的图像区域进行保留，同时，将其他未受影响的区域在减法处理过程中相互抵消，完成顶帽交换。
该实施例中，在顶帽交换中，小于第一方形结构元素B的明亮区域被保留，其他未受影响的区域在减法处理过程中相互抵消，因此其灰度接近于0，通过顶帽交换，图像f(x，y)上小于结构化元素的明亮区域可以被提取出来。
上述技术方案的有益效果是：通过顶帽交换操作可以是X光图像中的明亮区域进行有效提取，从而便于根据提取结果及时有效的确定X光图像中存在的缺陷，提高确定缺陷的准确率以及可靠性，同时，可以在保持缺陷初始形状的前提下来准确提取缺陷。
实施例7：
在实施例1的基础上，本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，步骤1中，获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果，包括：
获取预设模板图像g(x，y)以及X光图像f(x，y)，并分别确定预设模板图像g(x，y)以及X光图像f(x，y)对应的灰度值g和灰度值f，其中，预设模板图像g(x，y)以及X光图像f(x，y)的大小尺寸相同；
当灰度值g≥f时，大小为1的测地膨胀为：
其中，∧表示逐点最小值操作，测地膨胀是X光图像和预设模板图像在基本扩张后的逐点最小值；
其中，大小为n的测地膨胀是基于对X光图像进行n次相对于预设模板图像的测地膨胀得到的：
当灰度值g≤f时，大小为1的测地侵蚀和小大为n的测地侵蚀分别为：
其中，V表示逐点最大值操作，预设模板图像是用于限制X光图像的侵蚀收缩；
当尺度大于1并开始逐渐增加时，X光图像的扩张或收缩，在目标迭代次数后，完全被预设模板图像所阻挡，测地变换趋于稳定；
其中，扩张重建为X光图像f(x，y)相对于预设模板图像g(x，y)的迭代测地膨胀，直至达到稳定：
其中，i为当时的迭代次数；
侵蚀重建为X光图像f(x，y)相对于预设模板图像g(x，y)的迭代测地侵蚀，直至达到稳定：
其中，i为当时的迭代次数。
该实施例中，扩张重构是建立在形态测地膨胀与测地侵蚀上的。
该实施例中，预设模板图像的作用是限制X光图像的膨胀。
该实施例中，预设模板图像的作用是限制X光图像的侵蚀收缩。
上述技术方案的有益效果是：通过对X光图像进行扩张重构，实现对X光图像进行准确有效的分析，也便于根据分析结果对X光图像中的缺陷进行准确有效的提取，保障了缺陷提取的准确率以及效率。
实施例8：
在实施例1的基础上，本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，步骤1中，获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果，包括：
若所得图像是X光图像f(x，y)的侵蚀结果，且X光图像f(x，y)为本身时，则所得图像的膨胀重构则为X光图像f(x，y)的开放重建：
其中，开放重建保留了X光图像f(x，y)中未被侵蚀去除的形状，只去除无法容纳第一方形结构元素的图像目标；
侵蚀重建，以X光图像f(x，y)的扩张产生的图像为X光图像f(x，y)的闭合重建：
基于闭合重建删除在扩张操作中完全消失的区域，同时，恢复被扩张操作影响的图像区域；
从原始图像中减去开放重建图像为顶帽重构交换：
RWHT(f)＝f-γR(f)；
基于顶帽重构交换重建开放重建去除的结构目标，得到初步分离结果，且重建后得到的图像的灰度值低于相应顶帽变化所得。
该实施例中，开放重建和闭合重建可以充分保留细节，去除小于第一方形结构元素的特征，用于过滤图像噪声。
上述技术方案的有益效果是：通过对X光图像进行顶帽重构交换处理，实现对X光图像中的图像噪声进行有效过滤，从而便于对X光图像中记录的物体的缺陷进行准确快速的确定，且可以在保持缺陷初始形状的前提下来准确提取缺陷。
实施例9：
在实施例1的基础上，本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，如图3所示，步骤2中，基于第一预设阈值和初步分离结果进行二值化分割，产生潜在缺陷区域，包括：
步骤201：获取得到的初步分离结果，并将初步分离结果对应的图像进行拆分，得到N个子图像，且分别确定各子图像对应的灰度值；
步骤202：获取第一预设阈值，并将各子图像对应的灰度值与第一预设阈值进行比较，并基于比较结果将各子图像中的像素点标记为目标图像和背景图像；
步骤203：基于标记结果对初步分离结果对应的图像进行二值化分割，得到潜在缺陷区域。
该实施例中，子图像指的是将初步分离结果进行拆分后得到的多个图像块。
该实施例中，目标图像指的是子图像中用于记录物体主体的图像。
该实施例中，背景图像指的是与被记录物体没有之间关系的图像区域，目的是为了从初步分离结果中准确锁定存在缺陷的区域。
上述技术方案的有益效果是：通过对初步分离结果进行拆分，并对拆分后得到的子图像的灰度值进行确定，其次，将子图像的灰度值与第一预设阈值进行比较，实现对图像中的目标图像和背景图像进行准确有效的区分，从而便于对图像进行二值化分割，确保得到的潜在缺陷区域的准确可靠性，也为准确锁定X光图像中的缺陷提供了便利与保障。
实施例10：
在实施例1的基础上，本实施例提供了一种基于数学形态学方法的X光图像缺陷提取方法，步骤3中，基于潜在缺陷区域的目标比例构建第二方形结构元素，并基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果，包括：
获取得到的潜在缺陷区域，并确定潜在缺陷区域的图像尺寸；
基于预设分析要求确定对潜在缺陷区域分析时所需的结构元素的形状，并基于潜在缺陷区域的图像尺寸的50％和结构元素的形状构建第二方形结构元素；
基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果。
该实施例中，图像尺寸指的是得到的潜在缺陷区域的长和宽的尺寸大小。
该实施例中，预设分析要求是提前已知的，用于表征对潜在缺陷区域分析的标准以及规则。
该实施例中，确定对潜在缺陷区域分析时所需的结构元素的形状可以是十字，圆形或方形中的一种。
上述技术方案的有益效果是：通过根据潜在图像区域的尺寸信息构建第二方形结构元素，并通过第二方形结构元素对潜在图像区域进行分析，实现对X光图像中的缺陷进行准确有效的确定，确保了确定出的缺陷的准确可靠性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，包括：
步骤1：获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果；
步骤2：基于第一预设阈值和初步分离结果进行二值化分割，产生潜在缺陷区域；
步骤3：基于潜在缺陷区域的目标比例构建第二方形结构元素，并基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果；
步骤4：基于第二预设阈值对最终的缺陷分割结果进行二值化运算，得到X光图像中存在的目标缺陷。
2.根据权利要求1所述的一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，步骤1中，获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果，包括：
基于预设采集装置对待监测装置进行X光拍摄，并基于拍摄结果得到X光图像；
获取X光图像的尺寸信息以及目标形状的结构元素，并基于X光图像的尺寸信息选取X光图像中的10％-15％为参考图像；
确定参考图像的像素范围，并基于像素范围构建第一方形结构元素B，其中，第一方形结构元素B为矩阵，且矩阵的中心为第一方形结构元素B的原点。
3.根据权利要求2所述的一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，确定参考图像的像素范围，并基于像素范围构建第一方形结构元素B，其中，第一方形结构元素B为矩阵，包括：
获取基于第一方形结构元素B对X光图像f(x，y)处理时，第一方形结构元素B中的原点在X光图像中的像素(x，y)，并基于像素(x，y)确定X光图像f(x，y)与第一方形结构元素B的重叠区域；
基于第一方形结构元素B对重叠区域中的像素进行运算，并基于运算结果产生新的灰度值，且将产生的新的灰度值分配至像素(x，y)，完成一次迭代，直至完成X光图像中所有的像素点。
4.根据权利要求3所述的一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，基于第一形结构元素B对重叠区域中的像素进行运算，包括：
基于第一方形结构元素B对重叠区域中的像素进行运算包括对X光图像进行膨胀处理和侵蚀处理；
其中，膨胀处理为：
[δB(f)](x，y)＝max(s，t)∈B{f(x+s,y+t)}；
其中，侵蚀处理为：
[εB(f)](x，y)＝min(s，t)∈B{f(x+s,y+t)}；
其中，[δB(f)](x，y)表示基于第一方形结构元素B对X光图像进行膨胀处理后得到的图像；[εB(f)](x，y)表示基于第一方形结构元素B对X光图像进行侵蚀处理后得到的图像；s表示在对X光图像进行膨胀和侵蚀处理时，对X光图像中像素点的横坐标的改变量；t表示在对X光图像进行膨胀和侵蚀处理时，对X光图像中像素点的纵坐标的改变量；max表示取最大值；min表示取最小值。
5.根据权利要求4所述的一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，基于第一方形结构元素B对重叠区域中的像素进行运算包括对X光图像进行膨胀处理和侵蚀处理，包括：
将膨胀处理和侵蚀处理进行组合，并基于组合结果对X光图像进行打开和关闭处理，包括：
基于第一方形结构元素B的原点为中心旋转180度得到变形方形结构元素-B，并基于第一方形结构元素B对X光图像f(x，y)进行侵蚀处理，且在侵蚀处理结束后，基于变形方形结构元素-B对侵蚀处理的图像进行膨胀处理，包括：
其中，图像打开处理包括：
[γB(f)](x，y)＝δ-B[εB(f)](x，y)；
其中，[γB(f)](x，y)表示基于第一方形结构元素B和变形方形结构元素-B对X光图像处理后得到的打开图像；
基于第一方形结构元素B对X光图像f(x，y)进行膨胀处理，并基于变形方形结构元素-B对膨胀处理后的图像进行侵蚀处理，包括：
[φB(f)](x，y)＝ε-B[δB(f)](x，y)；
其中，[δB(f)](x，y)表示基于第一方形结构元素B和变形方形结构元素-B对X光图像处理后得到的关闭图像。
6.根据权利要求5所述的一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，基于第一方形结构元素B对X光图像f(x，y)进行侵蚀处理，且在侵蚀处理结束后，基于变形方形结构元素-B对侵蚀处理的图像进行膨胀处理，包括：
获取打开处理后得到的图像[γB(f)](x，y)以及X光图像f(x，y)，并确定X光图像f(x，y)在打开处理后的各区域的第一像素亮度以及确定第一方形结构元素B的第二像素亮度；
将第一像素亮度和第二像素亮度进行比较，并基于比较结果将X光图像f(x，y)与打开处理后得到的图像[γB(f)](x，y)进行做差运算，具体步骤包括；
[WHT(f)](x,y)＝f(x,y)-[γB(f)](x，y)；
其中，[WHT(f)](x,y)表示X光图像f(x，y)与打开处理后得到的图像[γB(f)](x，y)进行做差后得到的图像；
基于做差运算结果对第一像素亮度小于第二像素亮度的图像区域进行保留，同时，将其他未受影响的区域在减法处理过程中相互抵消，完成顶帽交换。
7.根据权利要求1所述的一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，步骤1中，获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果，包括：
获取预设模板图像g(x，y)以及X光图像f(x，y)，并分别确定预设模板图像g(x，y)以及X光图像f(x，y)对应的灰度值g和灰度值f，其中，预设模板图像g(x，y)以及X光图像f(x，y)的大小尺寸相同；
当灰度值g≥f时，大小为1的测地膨胀为：
其中，∧表示逐点最小值操作，测地膨胀是X光图像和预设模板图像在基本扩张后的逐点最小值；
其中，大小为n的测地膨胀是基于对X光图像进行n次相对于预设模板图像的测地膨胀得到的：
当灰度值g≤f时，大小为1的测地侵蚀和小大为n的测地侵蚀分别为：
其中，V表示逐点最大值操作，预设模板图像是用于限制X光图像的侵蚀收缩；
当尺度大于1并开始逐渐增加时，X光图像的扩张或收缩，在目标迭代次数后，完全被预设模板图像所阻挡，测地变换趋于稳定；
其中，扩张重建为X光图像f(x，y)相对于预设模板图像g(x，y)的迭代测地膨胀，直至达到稳定：
其中，i为当时的迭代次数；
侵蚀重建为X光图像f(x，y)相对于预设模板图像g(x，y)的迭代测地侵蚀，直至达到稳定：
其中，i为当时的迭代次数。
8.根据权利要求1所述的一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，步骤1中，获取X光图像，并基于整体X光图像的预设比例为参考对顶帽交换、顶帽重构交换和扩张重构构建第一方形结构元素，得到初步分离结果，包括：
若所得图像是X光图像f(x，y)的侵蚀结果，且X光图像f(x，y)为本身时，则所得图像的膨胀重构则为X光图像f(x，y)的开放重建：
其中，开放重建保留了X光图像f(x，y)中未被侵蚀去除的形状，只去除无法容纳第一方形结构元素的图像目标；
侵蚀重建，以X光图像f(x，y)的扩张产生的图像为X光图像f(x，y)的闭合重建：
基于闭合重建删除在扩张操作中完全消失的区域，同时，恢复被扩张操作影响的图像区域；
从原始图像中减去开放重建图像为顶帽重构交换：
RWHT(f)＝f-γR(f)；
基于顶帽重构交换重建开放重建去除的结构目标，得到初步分离结果，且重建后得到的图像的灰度值低于相应顶帽变化所得。
9.根据权利要求1所述的一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，步骤2中，基于第一预设阈值和初步分离结果进行二值化分割，产生潜在缺陷区域，包括：
获取得到的初步分离结果，并将初步分离结果对应的图像进行拆分，得到N个子图像，且分别确定各子图像对应的灰度值；
获取第一预设阈值，并将各子图像对应的灰度值与第一预设阈值进行比较，并基于比较结果将各子图像中的像素点标记为目标图像和背景图像；
基于标记结果对初步分离结果对应的图像进行二值化分割，得到潜在缺陷区域。
10.根据权利要求1所述的一种基于数学形态学方法的X光图像缺陷提取方法，其特征在于，步骤3中，基于潜在缺陷区域的目标比例构建第二方形结构元素，并基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果，包括：
获取得到的潜在缺陷区域，并确定潜在缺陷区域的图像尺寸；
基于预设分析要求确定对潜在缺陷区域分析时所需的结构元素的形状，并基于潜在缺陷区域的图像尺寸的50％和结构元素的形状构建第二方形结构元素；
基于第二方形结构元素对潜在缺陷区域进行顶帽变换，顶帽重构变换和扩张重构，产生最终的缺陷分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310588731.1A CN116993659A (zh) | 2023-05-23 | 2023-05-23 | 基于数学形态学方法的x光图像缺陷提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310588731.1A CN116993659A (zh) | 2023-05-23 | 2023-05-23 | 基于数学形态学方法的x光图像缺陷提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116993659A true CN116993659A (zh) | 2023-11-03 |
Family
ID=88520191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310588731.1A Pending CN116993659A (zh) | 2023-05-23 | 2023-05-23 | 基于数学形态学方法的x光图像缺陷提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116993659A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541579A (zh) * | 2024-01-08 | 2024-02-09 | 江西省兆驰光电有限公司 | 一种封装支架缺陷检测方法及系统 |
-
2023
- 2023-05-23 CN CN202310588731.1A patent/CN116993659A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541579A (zh) * | 2024-01-08 | 2024-02-09 | 江西省兆驰光电有限公司 | 一种封装支架缺陷检测方法及系统 |
| CN117541579B (zh) * | 2024-01-08 | 2024-04-26 | 江西省兆驰光电有限公司 | 一种封装支架缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108460744B (zh) | 一种水泥刻槽路面图像降噪增强与裂缝特征提取方法 | |
| CN113706464B (zh) | 一种印刷品外观质量检测方法及系统 | |
| CN116993659A (zh) | 基于数学形态学方法的x光图像缺陷提取方法 | |
| CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
| CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
| Han et al. | An enhanced image binarization method incorporating with Monte-Carlo simulation | |
| CN113538498B (zh) | 一种基于局部二值化的印章图像分割方法、电子设备和可读存储介质 | |
| CN113129265A (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
| Farid et al. | Application of Niblack's method on images | |
| CN116205939A (zh) | 线条提取方法、线条提取设备和计算机存储介质 | |
| CN112287933B (zh) | 一种汽车轮毂x射线图像文字干扰的去除方法及系统 | |
| CN111127450B (zh) | 一种基于图像的桥梁裂缝检测方法及系统 | |
| CN114266748A (zh) | 一种轨交检修领域工艺板表面完整性判定的方法及装置 | |
| Koshy et al. | Copy-move forgery detection and performance analysis of feature detectors | |
| CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 | |
| Malhotra et al. | Image denoising with various filtering techniques | |
| Chehdi et al. | A blind system to identify and filter degradations affecting an image | |
| CN112215851B (zh) | 一种道路网自动构建方法、存储介质及系统 | |
| CN117893527B (zh) | 一种新能源储能箱体表面缺陷检测方法 | |
| CN109919853B (zh) | 一种基于粒子特征检索的piv图像预处理方法 | |
| Abdulwahab et al. | Detection of Cracked Digitized Paintings and Manuscripts Based on Threshold Techniques | |
| Peuwnuan et al. | Local variance image-based for scene text binarization under illumination effects | |
| CN110766624B (zh) | 一种基于迭代修复的点目标和暗斑图像背景均衡方法 | |
| Xiang et al. | Research on crack identification of tunnel lining based on image processing |
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 |