CN117541484B - 一种用于面粉麸星检测的图像增强方法 - Google Patents
一种用于面粉麸星检测的图像增强方法 Download PDFInfo
- Publication number
- CN117541484B CN117541484B CN202410026277.5A CN202410026277A CN117541484B CN 117541484 B CN117541484 B CN 117541484B CN 202410026277 A CN202410026277 A CN 202410026277A CN 117541484 B CN117541484 B CN 117541484B
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- blocks
- gray
- filtering parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 235000013312 flour Nutrition 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 203
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 14
- 235000015099 wheat brans Nutrition 0.000 claims 3
- 230000002159 abnormal effect Effects 0.000 abstract description 45
- 239000002245 particle Substances 0.000 abstract description 43
- 230000001788 irregular Effects 0.000 abstract description 11
- 239000000463 material Substances 0.000 description 20
- 230000000694 effects Effects 0.000 description 4
- 238000000227 grinding Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 235000013599 spices Nutrition 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 235000016213 coffee Nutrition 0.000 description 2
- 235000013353 coffee beverage Nutrition 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种用于面粉麸星检测的图像增强方法，包括：获取碾磨物的灰度图像，将灰度图像划分为多个图像块，根据多个图像块的灰度分布确定多个图像块中的标准块，利用不同的滤波参数对标准块进行滤波，根据每个滤波参数对应的滤波图像确定标准块的最优滤波参数，利用标准块的最优滤波参数确定其余每个图像块的最优滤波参数，将所有图像块的最优滤波参数对应的滤波图像合并得到增强图像。本发明实现了碾磨物堆叠造成的阴影以及不规则区域的模糊处理，同时使得碾磨物的灰度图像中的异常颗粒特征尽可能保留，使得异常颗粒检测更加准确。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于面粉麸星检测的图像增强方法。
背景技术
面粉、调料、咖啡粉等碾磨而成的碾磨物中，可能存在异常颗粒，比如面粉中的麸星、调料中比较的大的调料颗粒。为了保证碾磨物的口感以及外观，需要对碾磨物中的异常颗粒进行筛除。目前通常通过图像处理方式，对碾磨物的图像进行分析，定位碾磨物中的异常颗粒，从而进行异常颗粒的筛除。
全局滤波是图像处理的常用方式，通过滤除图像中的噪声信息来实现图像增强。碾磨物的图像中包含了碾磨物堆叠形成的阴影、不规则区域以及异常颗粒特征，碾磨物中异常颗粒分布不规律，同时碾磨物堆叠效果不同，利用单一的全局滤波参数对碾磨物的图像进行滤波，会造成碾磨物图像中部分位置碾磨物堆叠形成的阴影以及不规则区域特征模糊不够，或碾磨物图像中部分位置的异常颗粒特征过模糊，难以达到较好的增强效果，增强图像中局部模糊不够的碾磨物堆叠形成的阴影、不规则区域特征以及过模糊的异常颗粒特征均会对异常颗粒的检测造成干扰，影响碾磨物中的异常颗粒检测的准确性。
发明内容
为了解决上述问题，本发明提供一种用于面粉麸星检测的图像增强方法，该方法包括以下步骤：
获取碾磨物的灰度图像；将灰度图像划分为多个图像块，根据多个图像块的灰度分布确定多个图像块中的标准块；
利用预设滤波参数序列对标准块进行滤波，根据滤波参数序列中每个滤波参数对应的滤波图像确定标准块的最优滤波参数；
利用标准块的最优滤波参数确定其余每个图像块的最优滤波参数；根据其余每个图像块的最优滤波参数对其余每个图像块进行滤波，得到其余每个图像块的最优滤波参数对应的滤波图像；
将所有图像块的最优滤波参数对应的滤波图像合并得到增强图像。
优选的，所述根据多个图像块的灰度分布确定多个图像块中的标准块，包括：
根据每个图像块与灰度图像之间灰度分布的相似性确定相似性最大的图像块为标准块。
优选的，所述相似性的计算公式如下：
其中，表示多个图像块中的第/>个图像块与灰度图像之间灰度分布的相似性，/>取遍[1,/>]中的整数，/>表示多个图像块的个数；/>表示第/>个图像块中边缘像素点的个数；/>表示第/>个图像块中灰度值为/>的频数；/>表示灰度图像中灰度值为/>的频数；/>表示第/>个图像块中包含的像素点个数；/>表示灰度图像中包含的像素点个数；/>为以自然常数为底的指数函数。
优选的，所述根据滤波参数序列中每个滤波参数对应的滤波图像确定标准块的最优滤波参数，包括：
对于每个滤波参数对应的滤波图像，统计该滤波图像中出现的每个灰度值的频率，根据每个灰度值的频率获取该滤波图像的信息熵；
根据滤波参数序列中相邻滤波参数对应的滤波图像的信息熵之间的变化率确定标准块的最优滤波参数。
优选的，所述根据滤波参数序列中相邻滤波参数对应的滤波图像的信息熵之间的变化率确定标准块的最优滤波参数，包括：
获取滤波图像的信息熵之间的变化率最小的相邻滤波参数中第一个滤波参数作为标准块的最优滤波参数。
优选的，所述利用标准块的最优滤波参数确定其余每个图像块的最优滤波参数，包括：
利用标准块的最优滤波参数对其余每个图像块进行滤波，得到其余每个图像块的第一滤波图像；根据其余每个图像块与其第一滤波图像的差异以及标准块的最优滤波参数获取其余每个图像块的最优滤波参数。
优选的，所述其余每个图像块的最优滤波参数的数值小于标准块的最优滤波参数的数值。
优选的，所述根据其余每个图像块与其第一滤波图像的差异以及标准块的最优滤波参数获取其余每个图像块的最优滤波参数，包括：
其中，表示其余所有图像块中第/>个图像块的最优滤波参数，/>取遍[1,/>]中的整数，/>表示其余所有图像块的个数；/>表示其余所有图像块中第/>个图像块中灰度值为/>的频数；/>表示其余所有图像块中第/>个图像块的第一滤波图像中灰度值为/>的频数；/>表示其余所有图像块中第/>个图像块中包含的像素点个数；/>表示标准块的最优滤波参数；/>为超参数；/>为以自然常数为底的指数函数。
优选的，所述获取碾磨物的灰度图像，包括：
采集碾磨物的RGB图像，构建加权灰度化公式，利用加权灰度化公式将RGB图像转换为灰度图像；
所述加权灰度化公式为：
其中，表示像素点的灰度值，/>、/>以及/>分别表示像素点的/>通道、/>通道以及通道的像素值；/>以及/>分别表示/>通道、/>通道以及/>通道的权重，当所述碾磨物为面粉时，/>和/>相差不超过0.1，/>为0。
优选的，所述滤波参数序列中相邻滤波参数对应的滤波图像的信息熵之间的变化率的获取方法如下：
其中，为滤波参数序列中第/>个滤波参数对应的滤波图像的信息熵和第个滤波参数对应的滤波图像的信息熵之间的变化率，/>取遍[1,/>-1]中的整数，/>为滤波参数序列中滤波参数的个数；/>表示第/>个滤波参数对应的滤波图像的信息熵；表示第/>个滤波参数对应的滤波图像的信息熵；/>表示滤波参数序列中第/>个滤波参数；/>表示滤波参数序列中第/>个滤波参数。
本发明的技术方案的有益效果是：本发明将碾磨物的灰度图像划分为多个图像块，分别获取每个图像块的最优滤波参数，确保了每个图像块中碾磨物堆叠造成的阴影以及不规则区域特征都可被模糊去除，同时使得异常颗粒特征尽可能保留，避免了现有技术对整个灰度图像采用同一滤波参数进行全局滤波而导致局部模糊不够或过模糊造成异常颗粒特征检测困难的现象。
进一步的，本发明设置了标准块，根据标准块的最优滤波参数确定其余每个图像块的最优滤波参数，大大缩减了其余每个图像块的最优滤波参数的计算量，提高了最优滤波参数的确定效率，进而提高了碾磨物的灰度图像的增强效率。
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为本发明的一种用于面粉麸星检测的图像增强方法的步骤流程图；
图2为面粉的灰度图像；
图3为图像块的边缘图像；
图4为滤波参数为0.5时对应的滤波图像；
图5为滤波参数为1时对应的滤波图像；
图6为滤波参数为1.5时对应的滤波图像；
图7为滤波参数为2时对应的滤波图像；
图8为滤波参数为2.5时对应的滤波图像；
图9为滤波参数为3时对应的滤波图像；
图10为熵值曲线。
具体实施方式
下面结合附图具体的说明本发明所提供的一种用于面粉麸星检测的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用于面粉麸星检测的图像增强方法的步骤流程图，该方法包括以下步骤：
S001．获取碾磨物的灰度图像。
碾磨物比如面粉、调料、咖啡粉等为磨制而成，可能包含了异常颗粒，需要通过拍摄碾磨物的图像来对异常颗粒进行检测。本实施例拍摄碾磨物的RGB图像。为了便于处理，需要将RGB图像转换为灰度图像，常规将RGB图像转换为灰度图像的加权灰度化公式为：
其中，表示像素点的灰度值，/>、/>、/>分别表示像素点的/>通道、/>通道、/>通道的像素值；/>、/>、/>分别表示/>通道、/>通道、/>通道的权重。
以面粉为例，拍摄小麦磨制加工得到的面粉RGB图像，由于加工得到的面粉是白色的，而麸星由于是麦子的表皮，为黄色。在RGB色彩模式中黄色由红色和绿色叠加而成，因此为最大限度的保证灰度图像中麸星特征的对比度，在加权灰度化的过程中需重点关注红色通道（通道）和绿色通道（/>通道）的像素值，对于蓝色通道（/>通道）的像素值不关注，则权重/>、/>需尽可能大，权重/>需尽可能小，在本发明实施例中，/>和/>之间的差异不超过0.1，/>取0，例如/>，/>。
通过加权灰度化公式将RGB图像转换为了灰度图像，本发明实施例的面粉的一个灰度图像参见图2。
至此，获取了灰度图像。
S002．将灰度图像划分为多个图像块，根据多个图像块的灰度分布确定多个图像块中标准块。
对灰度图像进行分块，对分块方法不做限定，本发明实施例将灰度图像分为多个大小为的图像块，在其他实施例中，实施人员可根据实际实施情况进行分块，每个图像块的大小可不相同。
对每个图像块进行边缘检测，得到每个图像块中的边缘图像，图3为一个图像块的边缘图像。获取每个图像块中的边缘像素点的数量：可利用链码对每个图像块的边缘图像中的边缘点进行读取，得到每个图像块的多条链码，所有链码的长度和即为边缘像素点的数量。链码为公知技术，在此不再赘述。
获取每个图像块与灰度图像之间灰度分布的相似性：
其中，表示多个图像块中的第/>个图像块与灰度图像之间灰度分布的相似性，/>取遍[1,/>]中的整数，/>表示多个图像块的个数；/>表示第/>个图像块中边缘像素点的个数；/>表示第/>个图像块中灰度值为/>的频数；/>表示灰度图像中灰度值为/>的频数；/>表示第/>个图像块中包含的像素点个数；/>表示灰度图像中包含的像素点个数；/>为以自然常数为底的指数函数；/>表示第/>个图像块中的边缘保留程度，用来反映第/>个图像块中包含的边缘像素点的比重，当边缘保留程度越高，第/>个图像块中碾磨物堆叠效果越好，同时异常颗粒存在的可能性越大，且异常颗粒特征越清晰；/>反映了第/>个图像块中的灰度分布和灰度图像中的灰度分布之间的差异，当差异越小，第/>个图像块越能代表整体，与灰度图像的灰度分布越相似。因此当第/>个图像块中的边缘保留程度越高，且第/>个图像块中的灰度分布和灰度图像中的灰度分布之间的差异越小时，第/>个图像块与灰度图像之间灰度分布的相似性越大。
将与灰度图像之间灰度分布相似性最大的图像块作为标准块。
至此，获取了标准块。
S003．利用预设滤波参数序列中每个滤波参数分别对标准块进行滤波，根据滤波参数序列中每个滤波参数对应的滤波图像确定标准块的最优滤波参数。
需要说明的是，由于碾磨物中存在的异常颗粒的分布位置较为随机，且在碾磨物颗粒之间的相互作用下，碾磨物存在一定程度地堆叠，因此灰度图像中各个区域中包含的异常颗粒以及碾磨物堆叠造成的阴影、不规则区域的分布不一，利用全局滤波参数对灰度图像进行滤波可能会导致部分区域中碾磨物堆叠形成的阴影、不规则区域特征模糊不够，部分区域中异常颗粒特征被过模糊，影响碾磨物中异常颗粒的识别。也即是单一的滤波参数难以获得较好滤波结果，因此需要利用不同的滤波参数对标准块滤波，通过比较不同滤波参数对应的滤波图像获取最优滤波参数。
本发明实施例中，采用高斯滤波的方式对标准块进行滤波，预设滤波参数序列，滤波参数序列中滤波参数（该滤波参数即高斯滤波中的方差参数）分别为0.5、1、1.5、2、2.5、3。图4至图9分别为采用滤波参数为0.5、1、1.5、2、2.5、3时对标准块进行高斯滤波得到的滤波图像。需要说明的是，本发明实施例仅以高斯滤波、滤波参数为0.5、1、1.5、2、2.5、3时为例进行叙述，对于滤波方式以及滤波参数的取值不做限制，实施人员可根据实际实施情况选择滤波方式以及滤波参数。考虑到高斯滤波的高斯核大小过大时，会存在过模糊的现象，因此在本发明实施例的高斯滤波的过程中，采用的高斯核的大小为，在其他实施例中，实施人员可根据实际实施情况设置高斯核的大小。
需要说明的是，根据每个图像块中的异常颗粒以及碾磨物堆叠造成的阴影、不规则区域的分布，针对每个图像块获取一个最优滤波参数，使每个图像块中的碾磨物堆叠形成的阴影、不规则区域特征能够被模糊去除，异常颗粒特征可以保留，从而提高碾磨物中异常颗粒识别的准确性。
若对于每个图像块均通过遍历的方式获取每个图像块的最优滤波参数，计算量非常大，影响碾磨物中异常颗粒检测的效率。为此，本实施例分析每个图像块与灰度图像之间灰度分布的相似性，从而筛选出与灰度图像最相似的最具有代表性的图像块，分析最具有代表性的图像块的最优滤波参数，通过最具有代表性的图像块的最优滤波参数对其余图像块的最优滤波参数进行自适应获取，从而减少计算量，提高碾磨物中异常颗粒识别的效率。
需要进一步说明的是，当滤波参数较小时，难以对碾磨物堆叠的边缘区域特征进行模糊，滤波参数较大时又会产生过模糊现象，导致标准块中异常颗粒特征被模糊，对标准块中异常颗粒的检测产生影响。因此需要对每个滤波参数对应的滤波图像进行衡量，从而筛选出最优滤波参数，确保在最优滤波参数下，标准块中的碾磨物堆叠造成的阴影以及不规则区域特征可被模糊去除，同时异常颗粒特征尽可能保留。
在本发明实施例中，对于每个滤波参数对应的滤波图像，统计滤波图像中出现的每个灰度值的频率，根据每个灰度值的频率获取每个滤波参数对应的滤波图像的信息熵：
其中，表示滤波参数序列中第/>个滤波参数对应的滤波图像的信息熵，/>取遍[1,]中的整数，/>为滤波参数的个数；/>表示第/>个滤波参数对应的滤波图像中灰度值为/>的频率；/>表示对数函数。
以滤波参数为横轴，以滤波参数对应的滤波图像的信息熵为纵轴，绘制熵值曲线。
需要说明的是，在利用滤波参数序列中不同的滤波参数对标准块进行滤波的过程中，随着滤波参数序列中滤波参数的不断增大，得到的滤波图像中包含的信息量逐渐减少，使得滤波图像的信息熵逐渐减小，因此熵值曲线呈现递减的形式，图10为熵值曲线示意图。而随着滤波参数的不断增大，对应的滤波图像的信息熵减小的程度不同，由于碾磨物堆叠的边缘相对于异常颗粒的边缘来说不明显，随着滤波参数的不断增大，标准块中碾磨物堆叠的边缘的特征逐渐被模糊，而异常颗粒边缘相较于碾磨物堆叠的边缘较为清晰，滤波对异常颗粒特征的影响较小，碾磨物堆叠的边缘特征被模糊之后的一段熵值曲线变化趋势较缓，随着滤波参数的继续增大，异常颗粒特征逐渐被模糊。因此变化趋势最缓慢的一段熵值曲线对应的滤波参数可将碾磨物堆叠的边缘特征模糊去除的同时保留标准块中的异常颗粒特征。因此本实施例对熵值曲线上相邻信息熵之间的变化趋势进行衡量，从而筛选出变化趋势最缓慢的一段熵值曲线，进而得到能够将标准块中碾磨物堆叠造成的阴影、不规则区域特征模糊去除的同时保留异常颗粒特征的最优滤波参数。
在本发明实施例中，获取滤波参数序列中相邻滤波参数对应的滤波图像的信息熵之间的变化率：
其中，为滤波参数序列中第/>个滤波参数对应的滤波图像的信息熵和第个滤波参数对应的滤波图像的信息熵之间的变化率，/>取遍[1,/>-1]中的整数，/>为滤波参数的个数；/>表示第/>个滤波参数对应的滤波图像的信息熵；/>表示第/>个滤波参数对应的滤波图像的信息熵；/>表示滤波参数序列中第/>个滤波参数；/>表示滤波参数序列中第/>个滤波参数。
获取滤波图像的信息熵之间的变化率最小的相邻滤波参数中第一个滤波参数作为标准块的最优滤波参数。
至此，获取了标准块的最优滤波参数。
S004．利用标准块的最优滤波参数确定其余每个图像块的最优滤波参数。
需要说明的是，标准块的边缘保留程度高，碾磨物堆叠效果好，即碾磨物堆叠的边缘相对于其他图像块更加清晰，同时异常颗粒特征也越清晰。而其余图像块与灰度图像的相似性相较于标准块小，对应的碾磨物堆叠的边缘、异常颗粒特征相对标准块较为模糊，因此其余图像块的最优滤波参数需要小于标准块的最优滤波参数，从而实现将碾磨物堆叠的边缘特征模糊去除的同时保留异常颗粒的特征。因此本发明实施例根据标准块的最优滤波参数对每个图像块分别进行滤波，根据得到的滤波图像调整每个图像块的最优滤波参数。
在本发明实施例中，最优滤波参数也即是高斯滤波中最优的方差参数，利用标准块的最优滤波参数对其余每个图像块进行高斯滤波，得到其余每个图像块的第一滤波图像。统计其余每个图像块的第一滤波图像中每个灰度值的频率。根据其余每个图像块中灰度值分布与其对应的第一滤波图像中灰度分布的差异获取其余每个图像块的最优滤波参数：
其中，表示其余所有图像块中第/>个图像块的最优滤波参数，/>取遍[1,/>]中的整数，/>表示其余所有图像块的个数；/>表示其余所有图像块中第/>个图像块中灰度值为/>的频数；/>表示其余所有图像块中第/>个图像块的第一滤波图像中灰度值为/>的频数；/>表示其余所有图像块中第/>个图像块中包含的像素点个数；/>表示标准块的最优滤波参数；/>为超参数，用来防止/>结果大于1，使得最终的最优滤波参数为负数，在本发明实施例中超参数/>的值为自然常数/>，在其他实施例中，实施人员可根据具体实施情况设置超参数；当其余所有图像块中第/>个图像块的第一滤波图像中灰度值的频数与滤波前灰度值的频数差异越大，说明异常颗粒特征也可能模糊去除，此时第一滤波图像中碾磨物堆叠的边缘特征和异常颗粒特征的差异越不明显，因此需要对滤波参数适当减小，以得到其余所有图像块中第/>个图像块的最优滤波参数，确保在其余所有图像块中第/>个图像块的最优滤波参数下，其余所有图像块中第/>个图像中碾磨物堆叠的边缘特征被模糊去除，同时异常颗粒特征保留。
至此，获取了其余每个图像块的最优滤波参数。
S005．将所有图像块的最优滤波参数对应的滤波图像合并得到增强图像。
利用其余每个图像块的最优滤波参数对其余每个图像块进行高斯滤波，得到其余每个图像块的第二滤波图像，将其余所有图像块的第二滤波图像以及标准块的最优滤波参数对应的滤波图像按照图像块分块的顺序拼接在一起，得到增强图像。
需要说明的是，通过利用每个图像块的最优滤波参数对每个图像块进行滤波，实现了碾磨物堆叠造成的阴影以及不规则区域特征的模糊处理，同时使得灰度图像中异常颗粒特征较大程度地保留，因此对增强图像进行边缘检测即可获取异常颗粒所在位置。
通过以上步骤，完成了灰度图像的增强，利用增强图像可准确地检测出异常颗粒。
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 (5)
1.一种用于面粉麸星检测的图像增强方法，其特征在于，该方法包括：
获取碾磨物的灰度图像；将灰度图像划分为多个图像块，根据多个图像块的灰度分布确定多个图像块中的标准块；
利用预设滤波参数序列对标准块进行滤波，根据滤波参数序列中每个滤波参数对应的滤波图像确定标准块的最优滤波参数；
利用标准块的最优滤波参数确定其余每个图像块的最优滤波参数；根据其余每个图像块的最优滤波参数对其余每个图像块进行滤波，得到其余每个图像块的最优滤波参数对应的滤波图像；
将所有图像块的最优滤波参数对应的滤波图像合并得到增强图像；
所述根据多个图像块的灰度分布确定多个图像块中的标准块，包括：
根据每个图像块与灰度图像之间灰度分布的相似性确定相似性最大的图像块为标准块；
所述相似性的计算公式如下：
其中，表示多个图像块中的第/>个图像块与灰度图像之间灰度分布的相似性，/>取遍[1,/>]中的整数，/>表示多个图像块的个数；/>表示第/>个图像块中边缘像素点的个数；表示第/>个图像块中灰度值为/>的频数；/>表示灰度图像中灰度值为/>的频数；/>表示第/>个图像块中包含的像素点个数；/>表示灰度图像中包含的像素点个数；/>为以自然常数为底的指数函数；
所述利用标准块的最优滤波参数确定其余每个图像块的最优滤波参数，包括：
利用标准块的最优滤波参数对其余每个图像块进行滤波，得到其余每个图像块的第一滤波图像；根据其余每个图像块与其第一滤波图像的差异以及标准块的最优滤波参数获取其余每个图像块的最优滤波参数；所述其余每个图像块的最优滤波参数的数值小于标准块的最优滤波参数的数值；
所述根据其余每个图像块与其第一滤波图像的差异以及标准块的最优滤波参数获取其余每个图像块的最优滤波参数，包括：
其中，表示其余所有图像块中第/>个图像块的最优滤波参数，/>取遍[1,/>]中的整数，/>表示其余所有图像块的个数；/>表示其余所有图像块中第/>个图像块中灰度值为/>的频数；/>表示其余所有图像块中第/>个图像块的第一滤波图像中灰度值为/>的频数；/>表示其余所有图像块中第/>个图像块中包含的像素点个数；/>表示标准块的最优滤波参数；/>为超参数；/>为以自然常数为底的指数函数。
2.根据权利要求1所述的一种用于面粉麸星检测的图像增强方法，其特征在于，所述根据滤波参数序列中每个滤波参数对应的滤波图像确定标准块的最优滤波参数，包括：
对于每个滤波参数对应的滤波图像，统计该滤波图像中出现的每个灰度值的频率，根据每个灰度值的频率获取该滤波图像的信息熵；
根据滤波参数序列中相邻滤波参数对应的滤波图像的信息熵之间的变化率确定标准块的最优滤波参数。
3.根据权利要求2所述的一种用于面粉麸星检测的图像增强方法，其特征在于，所述根据滤波参数序列中相邻滤波参数对应的滤波图像的信息熵之间的变化率确定标准块的最优滤波参数，包括：
获取滤波图像的信息熵之间的变化率最小的相邻滤波参数中第一个滤波参数作为标准块的最优滤波参数。
4.根据权利要求1所述的一种用于面粉麸星检测的图像增强方法，其特征在于，所述获取碾磨物的灰度图像，包括：
采集碾磨物的RGB图像，构建加权灰度化公式，利用加权灰度化公式将RGB图像转换为灰度图像；
所述加权灰度化公式为：
其中，表示像素点的灰度值，/>、/>以及/>分别表示像素点的/>通道、/>通道以及/>通道的像素值；/>以及/>分别表示/>通道、/>通道以及/>通道的权重，当所述碾磨物为面粉时，/>和/>相差不超过0.1，/>为0。
5.根据权利要求2所述的一种用于面粉麸星检测的图像增强方法，其特征在于，所述滤波参数序列中相邻滤波参数对应的滤波图像的信息熵之间的变化率的获取方法如下：
其中，为滤波参数序列中第/>个滤波参数对应的滤波图像的信息熵和第/>个滤波参数对应的滤波图像的信息熵之间的变化率，/>取遍[1,/>-1]中的整数，/>为滤波参数序列中滤波参数的个数；/>表示第/>个滤波参数对应的滤波图像的信息熵；/>表示第/>个滤波参数对应的滤波图像的信息熵；/>表示滤波参数序列中第/>个滤波参数；表示滤波参数序列中第/>个滤波参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410026277.5A CN117541484B (zh) | 2024-01-09 | 2024-01-09 | 一种用于面粉麸星检测的图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410026277.5A CN117541484B (zh) | 2024-01-09 | 2024-01-09 | 一种用于面粉麸星检测的图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541484A CN117541484A (zh) | 2024-02-09 |
| CN117541484B true CN117541484B (zh) | 2024-05-14 |
Family
ID=89792223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410026277.5A Active CN117541484B (zh) | 2024-01-09 | 2024-01-09 | 一种用于面粉麸星检测的图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541484B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391294A (zh) * | 2014-11-27 | 2015-03-04 | 中国船舶重工集团公司第七二四研究所 | 一种基于连通域特征和模板匹配的雷达点迹关联方法 |
| CN113077464A (zh) * | 2021-05-06 | 2021-07-06 | 吴国军 | 一种医学图像处理方法、医学图像识别方法及装置 |
| CN115861135A (zh) * | 2023-03-01 | 2023-03-28 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
| CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
| CN117274722A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市咏华宇电子有限公司 | 基于红外图像的配电箱智能检测方法 |
-
2024
- 2024-01-09 CN CN202410026277.5A patent/CN117541484B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391294A (zh) * | 2014-11-27 | 2015-03-04 | 中国船舶重工集团公司第七二四研究所 | 一种基于连通域特征和模板匹配的雷达点迹关联方法 |
| CN113077464A (zh) * | 2021-05-06 | 2021-07-06 | 吴国军 | 一种医学图像处理方法、医学图像识别方法及装置 |
| CN115861135A (zh) * | 2023-03-01 | 2023-03-28 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
| CN116309579A (zh) * | 2023-05-19 | 2023-06-23 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
| CN117274722A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市咏华宇电子有限公司 | 基于红外图像的配电箱智能检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 视觉显著性及其在自动目标识别系统中的应用;漆昇翔;《中国博士学位论文全文数据库》;20160715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541484A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8548257B2 (en) | Distinguishing between faces and non-faces | |
| Leemans et al. | Defects segmentation on ‘Golden Delicious’ apples by using colour machine vision | |
| US7522782B2 (en) | Digital image denoising | |
| US7050636B2 (en) | Method and system for improving an image characteristic based on image content | |
| CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
| CN109871884B (zh) | 一种融合多特征的支持向量机面向对象遥感影像分类方法 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| Mendoza et al. | Basics of image analysis | |
| TW201432617A (zh) | 具有邊緣保存雜訊抑制功能之影像處理器 | |
| JP4722467B2 (ja) | 画像において画素を分類する方法、前記方法を使用して肌を検出する方法、前記方法を使用して導出されたデータを使用し、符号化し、送信し、受信し、または復号するように構成される方法および装置、前記方法を実行するように構成される装置、前記方法をコンピュータに実行させるコンピュータプログラム、ならびにコンピュータプログラムを格納するコンピュータ読取可能記憶媒体 | |
| CN111310571B (zh) | 一种基于空谱维滤波的高光谱图像分类方法及装置 | |
| CN109544583B (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
| CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| CN114387273A (zh) | 基于计算机图像识别的环境粉尘浓度检测方法及系统 | |
| CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
| CN115619793A (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
| CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN117557820B (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 | |
| CN111144419B (zh) | 基于分块自适应同态滤波的历史文档图像二值化方法 | |
| Kwok et al. | Design of unsharp masking filter kernel and gain using particle swarm optimization | |
| CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
| CN117541484B (zh) | 一种用于面粉麸星检测的图像增强方法 | |
| EP3896650A1 (en) | Quality control system for series production | |
| CN115187609A (zh) | 一种大米黄粒检测方法和系统 | |
| CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 |
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 |