CN117437279B - 一种包装盒表面平整度检测方法及系统 - Google Patents
一种包装盒表面平整度检测方法及系统 Download PDFInfo
- Publication number
- CN117437279B CN117437279B CN202311694536.3A CN202311694536A CN117437279B CN 117437279 B CN117437279 B CN 117437279B CN 202311694536 A CN202311694536 A CN 202311694536A CN 117437279 B CN117437279 B CN 117437279B
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- degree
- weight coefficient
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000012856 packing Methods 0.000 title claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 201
- 238000004806 packaging method and process Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000007499 fusion processing Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000003854 Surface Print Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004049 embossing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像增强分析技术领域，具体涉及一种包装盒表面平整度检测方法及系统。该方法包括：获取包装盒表面图像，基于不同的滤波方式对包装盒表面图像进行滤波处理，得到滤波图像；确定滤波图像的滤波混乱程度、滤波差异程度和图像清晰程度；结合滤波混乱程度、滤波差异程度和图像清晰程度，确定滤波图像的初始权重系数；根据中值图像和高斯图像的初始权重系数，确定第一权重系数和第二权重系数；对中值图像和高斯图像进行图像融合处理，得到增强图像；确定强图像与预设标准图像的标准差异程度，将标准差异程度作为平整度检测结果。本发明能够提高对包装盒表面图像平整度检测的精度，增强平整度检测的准确度与可靠性。
Description
技术领域
本发明涉及图像增强分析技术领域，具体涉及一种包装盒表面平整度检测方法及系统。
背景技术
包装盒的平整度直接表征产品在印刷时的印刷质量。包装盒在印刷过程中，可能会由于不规范印刷导致包装盒表面产生不规则的异常印痕，该异常印痕从而影响包装盒在后续二次印刷、覆膜等的效果。
相关技术中直接通过中值-高斯滤波图像预处理算法，对包装盒的表面图像进行预处理，但由于中值-高斯滤波图像预处理算法中对中值滤波和高斯滤波所分配的权重系数为固定值，而包装盒本身的图案各有差异，这样就会导致在基于固定值的权重处理过程中对包装盒图像的检测精度较低，进而导致表面平整度检测的准确性与可靠性较低。
发明内容
为了解决相关技术中对包装盒图像的检测精度较低，进而导致表面平整度检测的准确性与可靠性较低的技术问题，本发明提供一种包装盒表面平整度检测方法及系统，所采用的技术方案具体如下：
本发明提出了一种包装盒表面平整度检测方法，方法包括：
获取包装盒表面图像，基于不同的滤波方式对所述包装盒表面图像进行滤波处理，得到滤波图像，其中，所述滤波方式包括中值滤波和高斯滤波，所述中值滤波对应的滤波图像为中值图像，所述高斯滤波对应的滤波图像为高斯图像；
根据所述滤波图像中所有像素点的灰度值分布确定所述滤波图像的滤波混乱程度，根据所述滤波图像与所述包装盒表面图像中像素点的分布差异确定所述滤波图像的滤波差异程度；根据所述滤波图像中所有像素点的灰度梯度确定所述滤波图像的图像清晰程度；
结合所述滤波混乱程度、所述滤波差异程度和所述图像清晰程度，确定所述滤波图像的初始权重系数；根据中值图像的初始权重系数和高斯图像的初始权重系数，确定中值图像的第一权重系数和高斯图像的第二权重系数；
根据所述第一权重系数和第二权重系数对所述中值图像和高斯图像进行图像融合处理，得到增强图像；
对所述增强图像与预设标准图像进行灰度值和梯度幅值对比，确定标准差异程度，将所述标准差异程度作为平整度检测结果。
进一步地，所述根据所述滤波图像中所有像素点的灰度值分布确定所述滤波图像的滤波混乱程度，包括：
基于信息熵公式计算所述滤波图像中所有像素点的灰度值的信息熵作为初始混乱程度；
计算所述滤波图像中所有像素点的灰度值方差作为滤波方差；
根据所述初始混乱程度和所述滤波方差确定所述滤波图像的滤波混乱程度，其中，所述初始混乱程度和所述滤波方差均与所述滤波混乱程度呈正相关关系，所述滤波混乱程度的取值为归一化的数值。
进一步地，所述根据所述滤波图像与所述包装盒表面图像中像素点的分布差异确定所述滤波图像的滤波差异程度，包括：
计算所述滤波图像与所述包装盒表面图像中像素点的分布概率的交叉熵作为所述滤波图像的滤波差异程度。
进一步地，所述根据所述滤波图像中所有像素点的灰度梯度确定所述滤波图像的图像清晰程度，包括：
计算所述滤波图像中所有像素点的灰度梯度的均值的归一化值，得到所述滤波图像的图像清晰程度。
进一步地，所述滤波混乱程度、所述图像清晰程度均与所述滤波图像的初始权重系数呈正相关关系，所述滤波差异程度与所述滤波图像的初始权重系数呈负相关关系。
进一步地，所述根据中值图像的初始权重系数和高斯图像的初始权重系数，确定中值图像的第一权重系数和高斯图像的第二权重系数，包括：
将所述中值图像的初始权重系数和所述高斯图像的初始权重系数的和值作为权重和值；
计算所述中值图像的初始权重系数与所述权重和值的比值作为所述中值图像的第一权重系数；
计算所述高斯图像的初始权重系数与所述权重和值的比值作为所述高斯图像的第二权重系数。
进一步地，所述根据所述第一权重系数和第二权重系数对所述中值图像和高斯图像进行图像融合处理，得到增强图像，包括：
计算所述第一权重系数与所述中值图像中每一像素点的灰度值的乘积作为中值灰度值；
计算所述第二权重系数与所述高斯图像中每一像素点的灰度值的乘积作为高斯灰度值；
将同一位置处中值灰度值和高斯灰度值的均值作为增强图像中对应位置的去噪灰度值；遍历所有位置的像素点，得到增强图像。
进一步地，所述对所述增强图像与预设标准图像进行灰度值和梯度幅值对比，确定标准差异程度，包括：
计算所述增强图像与预设标准图像在相同位置的灰度值的差值绝对值的均值，得到灰度值差异均值；
计算所述增强图像与预设标准图像在相同位置的梯度幅值的差值绝对值的均值，得到灰度梯度差异均值；
根据所述灰度值差异均值和所述灰度梯度差异均值确定标准差异程度。
进一步地，所述根据所述灰度值差异均值和所述灰度梯度差异均值确定标准差异程度，包括：
将所述灰度值差异均值和所述灰度梯度差异均值的乘积的归一化值作为标准差异程度。
本发明还提供一种包装盒表面平整度检测系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序，以实现前述的一种包装盒表面平整度检测方法的步骤。
本发明具有如下有益效果：
本发明应用于图像增强分析技术领域，通过获取包装盒表面图像，基于中值滤波和高斯滤波的滤波方式分别对包装盒表面图像进行滤波，得到中值图像和高斯图像，使用多种滤波方式，并在后续进行滤波效果的融合，使得能够结合多种滤波方式的图像表现能力，提升平整度分析的准确性与可靠性，由于是根据灰度值确定滤波混乱程度，根据灰度分布差异确定滤波差异程度，并根据灰度梯度确定图像清晰程度，从而能够对每一个滤波图像分别进行图像纹理的分析，便于后续根据滤波图像的特点进行滤波图像的融合，结合滤波混乱程度、滤波差异程度和图像清晰程度，确定滤波图像的初始权重系数，从而根据中值图像和高斯图像的初始权重系数，对中值图像和高斯图像分配对应的权重信息，根据第一权重系数和第二权重系数对中值图像和高斯图像进行图像融合处理，得到增强图像，能够结合中值图像和高斯图像，突出图像中的纹理特征，使图像中的边缘纹理更加的明显，使得在后续根据边缘纹理进行平整度检测时的效果更优；对增强图像与预设标准图像进行灰度值和梯度幅值对比，确定标准差异程度，将标准差异程度作为平整度检测结果，能够很好的在增强图像中保留边缘信息，综上，本发明能够提高对包装盒表面图像平整度检测的精度，增强平整度检测的准确度与可靠性。
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包装盒表面平整度检测方法流程图。
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包装盒表面平整度检测方法及系统，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。
需要说明的是，为了方便运算，本发明中所参与运算的所有指标数据均经过数据预处理，进而取消量纲影响。具体去量纲影响的手段为本领域技术人员熟知的技术手段，在此不做限定。
一种包装盒表面平整度检测方法及系统实施例：
下面结合附图具体的说明本发明所提供的一种包装盒表面平整度检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种包装盒表面平整度检测方法流程图，该方法包括：
S101：获取包装盒表面图像，基于不同的滤波方式对包装盒表面图像进行滤波处理，得到滤波图像，其中，滤波方式包括中值滤波和高斯滤波，中值滤波对应的滤波图像为中值图像，高斯滤波对应的滤波图像为高斯图像。
本发明的一种具体的应用场景为，对包装盒表面印刷所产生的凸起和凹陷程度进行检测，可以理解的是，由于包装盒表面的印刷通常为压印，且不同工艺所对应印料厚度也会产生区别，这些情况均会影响包装盒表面的平整程度，因此，本发明对该种情况进行具体分析。
本发明实施例中可以使用工业相机正对包装盒拍摄原始图像，而后，对原始图像进行图像预处理，其中，图像预处理包括图像灰度化处理、图像去背景处理，图像灰度化处理和图像去背景处理均为本领域技术人员所熟知的技术，举例而言，图像灰度化可以具体例如为均值灰度化处理，而图像去背景处理可以具体例如为基于机器学习的感兴趣区域提取处理，对此不作赘述。经由图像预处理之后得到的图像，即为包装盒表面图像。
本发明实施例中，包装盒本身的表面平整度的特征，受包装盒表面在印刷过程中所产生凹陷压痕、印油所导致的凸起等影响，而凹陷和凸起均会在对应表面产生光的漫反射现象，也即导致对应边缘区域的灰度变化，为了尽可能保留这些边缘细节，本发明实施例中基于中值滤波和高斯滤波分别进行处理。
本发明实施例中，基于中值滤波方式对包装盒表面图像进行中值滤波处理，得到中值图像，基于高通滤波方式对包装盒表面图像进行高通滤波处理，得到高通图像。中值滤波和高通滤波均为本领域所熟知的技术，对此不作赘述。
可以理解的是，中值滤波能够有效的去除图像中的椒盐噪声，但会影响图像灰度之间的连贯性；高斯滤波在对图像进行平滑的同时，能够更多的保留图像的总体的灰度分布特征，能够很好的对图像中的边缘信息进行保留。因此，本发明结合中值滤波和高通滤波共同对包装盒表面图像进行图像增强，但由于不同包装盒表面图像本身所具有纹理差异特点，因此，需要对中值滤波和高斯滤波的程度进行自适应的调节，从而实现自适应的优质图像增强。其具体自适应调节过程参见后续实施例。
S102：根据滤波图像中所有像素点的灰度值分布确定滤波图像的滤波混乱程度，根据滤波图像与包装盒表面图像中像素点的分布差异确定滤波图像的滤波差异程度；根据滤波图像中所有像素点的灰度梯度确定滤波图像的图像清晰程度。
可以理解的是，本发明实施例中，在图像纹理越复杂时，表示对应的图像所保留的细节信息越多，也即图像经由滤波后对应纹理越丰富，则可以表示该滤波图像整体纹理信息保留越多，则本发明实施例通过滤波混乱程度确定滤波图像所保留的整体纹理信息。
进一步地，在本发明的一些实施例中，根据滤波图像中所有像素点的灰度值分布确定滤波图像的滤波混乱程度，包括：基于信息熵公式计算滤波图像中所有像素点的灰度值的信息熵作为初始混乱程度；计算滤波图像中所有像素点的灰度值方差作为滤波方差；根据初始混乱程度和滤波方差确定滤波图像的滤波混乱程度，其中，初始混乱程度和滤波方差均与滤波混乱程度呈正相关关系，滤波混乱程度的取值为归一化的数值。
本发明实施例中，通过信息熵和方差的形式对滤波图像所保留的整体纹理信息进行有效表征。信息熵对应的计算公式可以具体例如为：
式中，表示滤波图像中所有像素点的灰度值的信息熵，/>表示滤波图像中像素点的灰度值，/>表示滤波图像中像素点灰度值的最大值，/>表示滤波图像中灰度值为/>的像素点的频率，/>表示以2为底的对数函数。
本发明实施例中，滤波混乱程度为信息熵和方差的乘积，信息熵和方差越大，均可以表示滤波图像中像素点的纹理分布越混乱，也即滤波混乱程度越大，而滤波混乱程度越大，越可以表示滤波图像中的所包含的信息越丰富，图像的质量越好。
可以理解的是，由于包含有中值滤波和高斯滤波两种滤波方式，也即每一种滤波方式均需要计算对应的滤波混乱程度。
在确定滤波混乱程度之后，可以对滤波差异程度进行分析，其中，滤波差异程度表示对应滤波图像和包装盒表面图像的差异情况，也即滤波对原图像的改变程度。
进一步地，在本发明的一些实施例中，根据滤波图像与包装盒表面图像中像素点的分布差异确定滤波图像的滤波差异程度，包括：计算滤波图像与包装盒表面图像中像素点的分布概率的交叉熵作为滤波图像的滤波差异程度。
本发明实施例中，可以使用交叉熵公式计算滤波图像与包装盒表面图像中像素点的分布概率的交叉熵，可以理解的是，交叉熵表征着两个图像间的差距，也即交叉熵越大，表示滤波差异程度越大，对应的滤波图像与包装盒表面图像的差异越大，较大的差异可能会影响滤波图像本身的质量，因此，本发明实施例中在滤波差异程度越大时，可以表示对应的图像滤波图像与包装盒表面图像的差异越大，滤波图像更可能产生纹理失真的情况，对应滤波图像的质量越差。
进一步地，在本发明的一些实施例中，根据滤波图像中所有像素点的灰度梯度确定滤波图像的图像清晰程度，包括：计算滤波图像中所有像素点的灰度梯度的均值的归一化值，得到滤波图像的图像清晰程度。
其中，图像清晰程度，为滤波图像的清晰度指标，而图像清晰度可以具体表征为图像成像的锐利度，也即相邻像素点的灰度梯度，因此，本发明计算滤波图像中所有像素点的灰度梯度的均值的归一化值，得到滤波图像的图像清晰程度，在图像清晰程度越大时，可以表示滤波图像中总体梯度表现越明显，也即滤波图像中图案的纹理表现越细致，对应的滤波图像中的信息越丰富，滤波图像中的边缘信息保留的越完整。
在确定滤波混乱程度、滤波差异程度和图像清晰程度之后，可以具体结合这三项指标对滤波方式的权重进行分析，其过程具体参见后续实施例。
S103：结合滤波混乱程度、滤波差异程度和图像清晰程度，确定滤波图像的初始权重系数；根据中值图像的初始权重系数和高斯图像的初始权重系数，确定中值图像的第一权重系数和高斯图像的第二权重系数。
本发明实施例中，结合上述步骤中所得到的滤波混乱程度、滤波差异程度和图像清晰程度等特征对不同滤波方式对应的权重系数进行分析。
进一步地，在本发明的一些实施例中，滤波混乱程度、图像清晰程度均与滤波图像的初始权重系数呈正相关关系，滤波差异程度与滤波图像的初始权重系数呈负相关关系。
其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。
也即是说，本发明滤波图像的初始权重系数的计算公式可以具体例如为：
式中，表示滤波图像的初始权重系数，/>表示滤波图像的滤波混乱程度，/>表示滤波图像的图像清晰程度，/>表示滤波图像的滤波差异程度，/>表示超参数，为防止分母为0所设置的安全值，可选地，/>等于0.01。
本发明实施例中，因在滤波混乱程度越大时，越可以表示滤波图像中的所包含的信息越丰富，图像的质量越好。在图像清晰程度越大时，可以表示滤波图像中总体梯度表现越明显，也即滤波图像中图案的纹理表现越细致，对应的滤波图像中的信息越丰富，滤波图像中的边缘信息保留的越完整；也即滤波混乱程度、图像清晰程度的数值越大，对应的图像质量越优，则可以增加该部分的权重，以提升整体的图像增强的质量，滤波混乱程度、图像清晰程度均与滤波图像的初始权重系数呈正相关关系。而在滤波差异程度越大时，可以表示对应的图像滤波图像与包装盒表面图像的差异越大，滤波图像更可能产生纹理失真的情况，对应滤波图像的质量越差，则滤波图像的权重应对应降低，以提升滤波效果的真实性。
因此，本发明实施例能够有效对滤波图像的质量进行分析，使得所得到的初始权重系数具有更高的可靠性。
进一步地，在本发明的一些实施例中，根据中值图像的初始权重系数和高斯图像的初始权重系数，确定中值图像的第一权重系数和高斯图像的第二权重系数，包括：将中值图像的初始权重系数和高斯图像的初始权重系数的和值作为权重和值；计算中值图像的初始权重系数与权重和值的比值作为中值图像的第一权重系数；计算高斯图像的初始权重系数与权重和值的比值作为高斯图像的第二权重系数。
本发明实施例中，分别计算得到中值图像的初始权重系数和高斯图像的初始权重系数，而后，基于两个初始权重系数进行归一化处理，其归一化过程即为计算两者的和值作为权重和值，而后，将权重和值作为分母，两个初始权重系数分别作为分子，得到对应中值图像的第一权重系数和高斯图像的第二权重系数。
S104：根据第一权重系数和第二权重系数对中值图像和高斯图像进行图像融合处理，得到增强图像。
本发明实施例在得到第一权重系数和第二权重系数之后，可以根据第一权重系数和第二权重系数对中值图像和高斯图像进行图像融合处理。
进一步地，在本发明的一些实施例中，根据第一权重系数和第二权重系数对中值图像和高斯图像进行图像融合处理，得到增强图像，包括：计算第一权重系数与中值图像中每一像素点的灰度值的乘积作为中值灰度值；计算第二权重系数与高斯图像中每一像素点的灰度值的乘积作为高斯灰度值；将同一位置处中值灰度值和高斯灰度值的均值作为增强图像中对应位置的去噪灰度值；遍历所有位置的像素点，得到增强图像。
其中，中值灰度值，为中值图像中像素点进行调整后的灰度值，调整过程为通过第一权重系数与中值图像中每一像素点的灰度值的乘积。同理，高斯灰度值，为高斯图像中像素点进行调整后的灰度值，计算第二权重系数与高斯图像中每一像素点的灰度值的乘积作为高斯灰度值。
其中，第一权重系数和第二权重系数，为中值处理和高斯处理所分别得到的滤波后的滤波图像的权重系数，通过第一权重系数和第二权重系数对图像进行处理，从而对不同滤波图像进行自适应的加权，得到增强图像，其中，增强图像为保留优秀平整度检测信息的图像。
S105：对增强图像与预设标准图像进行灰度值和梯度幅值对比，确定标准差异程度，将标准差异程度作为平整度检测结果。
本发明在得到增强图像之后，可以将增强图像与预设标准图像进行灰度值和梯度幅值对比，确定标准差异程度，其中，预设标准图像可以具体例如为待进行印刷的图案的原图像，也即电子版的图案图像，本发明实施例中，可以根据增强图像与预设标准图像中每个像素点的梯度幅值和灰度值进行差异分析。
进一步地，在本发明的一些实施例中，对增强图像与预设标准图像进行灰度值和梯度幅值对比，确定标准差异程度，包括：计算增强图像与预设标准图像在相同位置的灰度值的差值绝对值的均值，得到灰度值差异均值；计算增强图像与预设标准图像在相同位置的梯度幅值的差值绝对值的均值，得到灰度梯度差异均值；根据灰度值差异均值和灰度梯度差异均值确定标准差异程度。
其中，标准差异程度，为与标准情况下的图像间的差异程度。
本发明实施例中，可以对增强图像与预设标准图像在相同位置的灰度值和梯度幅值的差异进行分析，也即计算增强图像与预设标准图像在相同位置的灰度值的差值绝对值的均值，得到灰度值差异均值，而后，将增强图像与预设标准图像在相同位置的梯度幅值的差值绝对值的均值作为灰度梯度差异均值。
进一步地，在本发明的一些实施例中，根据灰度值差异均值和灰度梯度差异均值确定标准差异程度，包括：将灰度值差异均值和灰度梯度差异均值的乘积的归一化值作为标准差异程度。
本发明实施例中，计算灰度值差异均值和灰度梯度差异均值的乘积的归一化值作为标准差异程度，也即是说，整合灰度值差异均值和灰度梯度差异均值，得到整体的差异情况，并将整体的差异情况作为标准差异程度。
可以理解的是，因预设标准图像为标准情况下灰度图像，在印刷色差未发生变化时，对应的灰度值和灰度梯度的差异即可以表明包装盒本身凸起和凹陷等不平整因素下所导致的灰度变化，因此，通过增强图像和预设标准图像中每一像素点的灰度值和灰度梯度差异，从而得到标准差异程度。
本发明实施例中，可以将标准差异程度作为平整度检测结果，也即在图案整体色差、图案印刷质量较优的情况下，标准差异程度即可有效表征由包装盒表面凸起和凹陷等不平整因素的严重程度。
另一方面，本发明还提供一种包装盒表面平整度检测系统，系统包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序，以实现前述的一种包装盒表面平整度检测方法的步骤。
本发明应用于图像增强分析技术领域，通过获取包装盒表面图像，基于中值滤波和高斯滤波的滤波方式分别对包装盒表面图像进行滤波，得到中值图像和高斯图像，使用多种滤波方式，并在后续进行滤波效果的融合，使得能够结合多种滤波方式的图像表现能力，提升平整度分析的准确性与可靠性，由于是根据灰度值确定滤波混乱程度，根据灰度分布差异确定滤波差异程度，并根据灰度梯度确定图像清晰程度，从而能够对每一个滤波图像分别进行图像纹理的分析，便于后续根据滤波图像的特点进行滤波图像的融合，结合滤波混乱程度、滤波差异程度和图像清晰程度，确定滤波图像的初始权重系数，从而根据中值图像和高斯图像的初始权重系数，对中值图像和高斯图像分配对应的权重信息，根据第一权重系数和第二权重系数对中值图像和高斯图像进行图像融合处理，得到增强图像，能够结合中值图像和高斯图像，突出图像中的纹理特征，使图像中的边缘纹理更加的明显，使得在后续根据边缘纹理进行平整度检测时的效果更优；对增强图像与预设标准图像进行灰度值和梯度幅值对比，确定标准差异程度，将标准差异程度作为平整度检测结果，能够很好的在增强图像中保留边缘信息，综上，本发明能够提高对包装盒表面图像平整度检测的精度，增强平整度检测的准确度与可靠性。
一种包装盒表面图像增强方法实施例：
针对相关技术中直接通过中值-高斯滤波图像预处理算法，对包装盒的表面图像进行图像增强的预处理方式，但由于中值-高斯滤波图像预处理算法中对中值滤波和高斯滤波所分配的权重系数为固定值，而包装盒本身的图案各有差异，这样就会导致在基于固定值的权重处理过程中对包装盒图像的图像增强效果较差，增强后图像的质量较差。为了解决这些问题，本发明提出了一种包装盒表面图像增强方法，其具体步骤如下：
S101：获取包装盒表面图像，基于不同的滤波方式对包装盒表面图像进行滤波处理，得到滤波图像，其中，滤波方式包括中值滤波和高斯滤波，中值滤波对应的滤波图像为中值图像，高斯滤波对应的滤波图像为高斯图像；
S102：根据滤波图像中所有像素点的灰度值分布确定滤波图像的滤波混乱程度，根据滤波图像与包装盒表面图像中像素点的分布差异确定滤波图像的滤波差异程度；根据滤波图像中所有像素点的灰度梯度确定滤波图像的图像清晰程度；
S103：结合滤波混乱程度、滤波差异程度和图像清晰程度，确定滤波图像的初始权重系数；根据中值图像的初始权重系数和高斯图像的初始权重系数，确定中值图像的第一权重系数和高斯图像的第二权重系数；
S104：根据第一权重系数和第二权重系数对中值图像和高斯图像进行图像融合处理，得到增强图像；
其中，步骤S101~S104在上述一种包装盒表面平整度检测方法及系统实施例中已给出了详细说明，在此不再赘述。
本发明通过获取包装盒表面图像，基于中值滤波和高斯滤波的滤波方式分别对包装盒表面图像进行滤波，得到中值图像和高斯图像，使用多种滤波方式，并在后续进行滤波效果的融合，使得能够结合多种滤波方式的图像表现能力，提升图像增强效果，由于是根据灰度值确定滤波混乱程度，根据灰度分布差异确定灰度清晰程度，并根据灰度梯度确定图像清晰程度，从而能够对每一个滤波图像分别进行图像纹理的分析，便于后续根据滤波图像的特点进行滤波图像的融合过程，结合滤波混乱程度、滤波差异程度和图像清晰程度，确定滤波图像的初始权重系数，从而根据中值图像和高斯图像的初始权重系数，对中值图像和高斯图像分配对应的权重信息，根据第一权重系数和第二权重系数对中值图像和高斯图像进行图像融合处理，得到增强图像，能够结合中值图像和高斯图像，突出图像中的纹理特征，使图像中的边缘纹理更加的明显，综上，本发明能够有效对包装盒图像进行图像增强处理，提升增强图像的质量。
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 (6)
1.一种包装盒表面平整度检测方法，其特征在于，所述方法包括：
获取包装盒表面图像，基于不同的滤波方式对所述包装盒表面图像进行滤波处理，得到滤波图像，其中，所述滤波方式包括中值滤波和高斯滤波，所述中值滤波对应的滤波图像为中值图像，所述高斯滤波对应的滤波图像为高斯图像；
根据所述滤波图像中所有像素点的灰度值分布确定所述滤波图像的滤波混乱程度，根据所述滤波图像与所述包装盒表面图像中像素点的分布差异确定所述滤波图像的滤波差异程度；根据所述滤波图像中所有像素点的灰度梯度确定所述滤波图像的图像清晰程度；
结合所述滤波混乱程度、所述滤波差异程度和所述图像清晰程度，确定所述滤波图像的初始权重系数；根据中值图像的初始权重系数和高斯图像的初始权重系数，确定中值图像的第一权重系数和高斯图像的第二权重系数；
根据所述第一权重系数和第二权重系数对所述中值图像和高斯图像进行图像融合处理，得到增强图像；
对所述增强图像与预设标准图像进行灰度值和梯度幅值对比，确定标准差异程度，将所述标准差异程度作为平整度检测结果；
所述根据所述滤波图像中所有像素点的灰度值分布确定所述滤波图像的滤波混乱程度，包括：
基于信息熵公式计算所述滤波图像中所有像素点的灰度值的信息熵作为初始混乱程度；
计算所述滤波图像中所有像素点的灰度值方差作为滤波方差；
根据所述初始混乱程度和所述滤波方差确定所述滤波图像的滤波混乱程度，其中，所述初始混乱程度和所述滤波方差均与所述滤波混乱程度呈正相关关系，所述滤波混乱程度的取值为归一化的数值；
所述根据所述滤波图像与所述包装盒表面图像中像素点的分布差异确定所述滤波图像的滤波差异程度，包括：
计算所述滤波图像与所述包装盒表面图像中像素点的分布概率的交叉熵作为所述滤波图像的滤波差异程度；
所述滤波混乱程度、所述图像清晰程度均与所述滤波图像的初始权重系数呈正相关关系，所述滤波差异程度与所述滤波图像的初始权重系数呈负相关关系；
所述根据中值图像的初始权重系数和高斯图像的初始权重系数，确定中值图像的第一权重系数和高斯图像的第二权重系数，包括：
将所述中值图像的初始权重系数和所述高斯图像的初始权重系数的和值作为权重和值；
计算所述中值图像的初始权重系数与所述权重和值的比值作为所述中值图像的第一权重系数；
计算所述高斯图像的初始权重系数与所述权重和值的比值作为所述高斯图像的第二权重系数。
2.如权利要求1所述的一种包装盒表面平整度检测方法，其特征在于，所述根据所述滤波图像中所有像素点的灰度梯度确定所述滤波图像的图像清晰程度，包括：
计算所述滤波图像中所有像素点的灰度梯度的均值的归一化值，得到所述滤波图像的图像清晰程度。
3.如权利要求1所述的一种包装盒表面平整度检测方法，其特征在于，所述根据所述第一权重系数和第二权重系数对所述中值图像和高斯图像进行图像融合处理，得到增强图像，包括：
计算所述第一权重系数与所述中值图像中每一像素点的灰度值的乘积作为中值灰度值；
计算所述第二权重系数与所述高斯图像中每一像素点的灰度值的乘积作为高斯灰度值；
将同一位置处中值灰度值和高斯灰度值的均值作为增强图像中对应位置的去噪灰度值；遍历所有位置的像素点，得到增强图像。
4.如权利要求1所述的一种包装盒表面平整度检测方法，其特征在于，所述对所述增强图像与预设标准图像进行灰度值和梯度幅值对比，确定标准差异程度，包括：
计算所述增强图像与预设标准图像在相同位置的灰度值的差值绝对值的均值，得到灰度值差异均值；
计算所述增强图像与预设标准图像在相同位置的梯度幅值的差值绝对值的均值，得到灰度梯度差异均值；
根据所述灰度值差异均值和所述灰度梯度差异均值确定标准差异程度。
5.如权利要求4所述的一种包装盒表面平整度检测方法，其特征在于，所述根据所述灰度值差异均值和所述灰度梯度差异均值确定标准差异程度，包括：
将所述灰度值差异均值和所述灰度梯度差异均值的乘积的归一化值作为标准差异程度。
6.一种包装盒表面平整度检测系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序，以实现如权利要求1~5任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694536.3A CN117437279B (zh) | 2023-12-12 | 2023-12-12 | 一种包装盒表面平整度检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311694536.3A CN117437279B (zh) | 2023-12-12 | 2023-12-12 | 一种包装盒表面平整度检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117437279A CN117437279A (zh) | 2024-01-23 |
| CN117437279B true CN117437279B (zh) | 2024-03-22 |
Family
ID=89551734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311694536.3A Active CN117437279B (zh) | 2023-12-12 | 2023-12-12 | 一种包装盒表面平整度检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437279B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115272335A (zh) * | 2022-09-29 | 2022-11-01 | 江苏万森绿建装配式建筑有限公司 | 基于显著性检测的冶金金属表面缺陷检测方法 |
| WO2022257759A1 (zh) * | 2021-06-08 | 2022-12-15 | 百果园技术(新加坡)有限公司 | 一种图像带状伪影去除方法、装置、设备和介质 |
| CN115984148A (zh) * | 2023-03-21 | 2023-04-18 | 吉林华瑞基因科技有限公司 | 一种高通量基因测序数据的去噪增强方法 |
| CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及系统 |
| CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
| CN116758077A (zh) * | 2023-08-18 | 2023-09-15 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及系统 |
| CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021212693A1 (zh) * | 2020-04-23 | 2021-10-28 | 北京华科创智健康科技股份有限公司 | 一种融合Gabor小波的多尺度局部水平集超声图像分割方法 |
-
2023
- 2023-12-12 CN CN202311694536.3A patent/CN117437279B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022257759A1 (zh) * | 2021-06-08 | 2022-12-15 | 百果园技术(新加坡)有限公司 | 一种图像带状伪影去除方法、装置、设备和介质 |
| CN115272335A (zh) * | 2022-09-29 | 2022-11-01 | 江苏万森绿建装配式建筑有限公司 | 基于显著性检测的冶金金属表面缺陷检测方法 |
| CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
| CN115984148A (zh) * | 2023-03-21 | 2023-04-18 | 吉林华瑞基因科技有限公司 | 一种高通量基因测序数据的去噪增强方法 |
| CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及系统 |
| CN116758077A (zh) * | 2023-08-18 | 2023-09-15 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及系统 |
| CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| "基于OpenCV的手套包装盒缺陷检测理论分析与研究";王富豪; 蔡吉飞; 董傲楠; 李雨兴; 杨明旭;《绿色包装》;20220831(第08期);全文 * |
| Yulin Ba ; Jing Zuo and Zhengman Jia."Image Filtering Algorithms for Tunnel Lining Surface Cracks Based on Adaptive Median-Gaussian".《ICTE 2019 - Proceedings of the Sixth International Conference on Transportation Engineering》.2021,全文. * |
| 一种提高结核菌痰涂片显微图像质量方法;钟平;金钊;崔瑛;周凌君;;《应用激光》;20100615(第03期);全文 * |
| 基于图像灰度梯度特征的钢轨表面缺陷检测;闵永智;岳彪;马宏锋;肖本郁;;《仪器仪表学报》;20180415(第04期);全文 * |
| 改进的混合高斯模型运动目标检测算法;周莉鸿;;《电子科技》;20170715(第07期);全文 * |
| 自适应阈值Prewitt的石榴病斑检测算法;巨志勇;薛永杰;张文馨;翟春宇;;《农业工程学报》;20200423(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117437279A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113034452B (zh) | 一种焊件轮廓检测方法 | |
| WO2013148566A1 (en) | Image blur detection | |
| CN109377450B (zh) | 一种边缘保护的去噪方法 | |
| CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
| CN114820417A (zh) | 图像异常检测方法、装置、终端设备和可读存储介质 | |
| CA3206206A1 (en) | Device and method for correspondence analysis in images | |
| Teuber et al. | Nonlocal filters for removing multiplicative noise | |
| CN112927135A (zh) | 一种基于边缘感知的偏振图像插值方法 | |
| JP2004139600A (ja) | 画像処理方法、該方法を実行するプロセッサ及びコンピュータプログラムコード手段 | |
| CN117437279B (zh) | 一种包装盒表面平整度检测方法及系统 | |
| CN112801141A (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
| CN111445435A (zh) | 一种基于多区块小波变换的无参考图像质量评价方法 | |
| CN114359083B (zh) | 一种面向干扰环境的高动态热红外图像自适应预处理方法 | |
| CN115829967A (zh) | 一种工业金属表面缺陷图像去噪和增强方法 | |
| CN113658153B (zh) | 一种轮廓数据特征点检测方法及装置 | |
| Sun et al. | Adaptive bilateral filter considering local characteristics | |
| CN114662519A (zh) | 基于位置探测图形梯度和强度先验的qr码盲去模糊方法 | |
| Tao | Enhanced Canny Algorithm for Image Edge Detection in Print Quality Assessment | |
| TW202316367A (zh) | 決定去模糊化濾波器係數的方法 | |
| RU2630744C2 (ru) | Способ обнаружения периодических текстур | |
| CN114820418A (zh) | 图像异常处理方法、装置、终端设备和可读存储介质 | |
| CN116993723B (zh) | 基于图像处理的壁纸质量检测方法 | |
| Tajima et al. | Local LUT Upsampling for Acceleration of Edge-preserving Filtering. | |
| Hassan et al. | Texture based Image Splicing Forgery Recognition using a Passive Approach | |
| Purnima et al. | Non-Gradient Based Design Metrics for Underwater Image Enhancement |
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 |