CN117541605B - 一种钢结构锈蚀图像区域快速分割方法 - Google Patents
一种钢结构锈蚀图像区域快速分割方法 Download PDFInfo
- Publication number
- CN117541605B CN117541605B CN202410026854.0A CN202410026854A CN117541605B CN 117541605 B CN117541605 B CN 117541605B CN 202410026854 A CN202410026854 A CN 202410026854A CN 117541605 B CN117541605 B CN 117541605B
- Authority
- CN
- China
- Prior art keywords
- possibility
- rusted
- candidate
- area
- gray
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 73
- 239000010959 steel Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 title abstract description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 10
- 238000005260 corrosion Methods 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种钢结构锈蚀图像区域快速分割方法，包括：采集钢结构图像，根据备选灰度值是锈蚀区域对应的灰度值的可能性确定备选像素点，根据备选像素点的局部窗口属于锈蚀区域的可能性，以及备选像素点的灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点属于锈蚀区域的可能性，对备选像素点属于锈蚀区域的可能性进行修正，根据备选像素点修正后的属于锈蚀区域的可能性，确定种子点，将种子点输入区域生长算法，通过区域生长算法对钢结构图像进行区域生长，将钢结构图像划分为多个区域。本发明从钢结构图像中属于锈蚀区域的像素点中确定种子点，能够快速将锈蚀区域分割出来，提高分割结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种钢结构锈蚀图像区域快速分割方法。
背景技术
钢结构长时间暴露在空气中，受到空气中水、氧气、污染物和化学物质的影响，会导致钢结构发生锈蚀；若钢结构出现锈蚀会导致钢结构的截面积减小，从而降低钢结构的强度和刚度，严重影响钢结构的性能；因此需要对钢结构进行定期的锈蚀检查。
随着计算机视觉技术的发展，计算机视觉技术被广泛应用，通过计算机视觉对钢结构进行锈蚀检查时，通过区域生长算法对钢结构图像进行分割，区域生长算法随机选择种子点，根据种子点进行区域生长，获得钢结构的锈蚀区域，由于钢结构中的锈蚀区域相较于正常区域的面积较小，随机选择的种子点中属于正常区域的种子点较多，而属于锈蚀区域的种子点较少，导致进行分割时，不能快速将锈蚀区域分割出来。
发明内容
为了解决上述问题，本发明提供一种钢结构锈蚀图像区域快速分割方法，所述方法包括：
采集钢结构图像；
根据灰度值在钢结构图像中对应的像素点的数量，确定多个备选灰度值；根据备选灰度值与相邻灰度值对应的像素点数量的差异，计算每个备选灰度值是锈蚀区域对应的灰度值的可能性；根据备选灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点；
根据备选像素点的局部窗口内所有像素点的灰度值的差异、梯度方向的差异和备选像素点的局部窗口中备选像素点的数量，确定备选像素点的局部窗口属于锈蚀区域的可能性；
根据备选像素点的局部窗口属于锈蚀区域的可能性，以及备选像素点的灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点属于锈蚀区域的可能性；
根据备选像素点属于锈蚀区域的可能性与备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值的差异，对备选像素点属于锈蚀区域的可能性进行修正；
根据备选像素点修正后的属于锈蚀区域的可能性，确定种子点，将种子点输入区域生长算法，通过区域生长算法对钢结构图像进行区域生长，将钢结构图像划分为多个区域。
进一步地，所述根据灰度值在钢结构图像中对应的像素点的数量，确定多个备选灰度值，包括：
统计获得钢结构图像的灰度直方图，根据预设灰度值范围F内灰度值的频率获得多个极大值，将极大值对应的灰度值作为备选灰度值。
进一步地，所述根据备选灰度值与相邻灰度值对应的像素点数量的差异，计算每个备选灰度值是锈蚀区域对应的灰度值的可能性，包括：
式中，表示备选灰度值k是锈蚀区域对应的灰度值的可能性，、分别表示
灰度值i和灰度值i+1对应的像素点的数量，表示备选灰度值k的局部范围内所有灰度值
对应的像素点的数量的平均值，表示备选灰度值k的局部范围内所有灰度值对应的像素
点的数量的极差，f表示预设数量。
进一步地，所述根据备选灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点，包括：
对所有备选灰度值是锈蚀区域对应的灰度值的可能性进行线性归一化，将归一化的结果作为备选灰度值是锈蚀区域对应的灰度值的可能性，如果备选灰度值是锈蚀区域对应的灰度值的可能性大于第一阈值，则将该备选灰度值对应的像素点作为备选像素点。
进一步地，所述根据备选像素点的局部窗口内所有像素点的灰度值的差异、梯度方向的差异和备选像素点的局部窗口中备选像素点的数量，确定备选像素点的局部窗口属于锈蚀区域的可能性，包括：
式中，p表示备选像素点的局部窗口属于锈蚀区域的可能性，表示备选像素点的
灰度值，表示备选像素点的局部窗口中的第j个像素点的灰度值，，分别表示备选像素
点的局部窗口中的第j个像素点和第t个像素点的梯度方向，n表示备选像素点的局部窗口
中备选像素点的数量，N表示备选像素点的局部窗口中像素点的数量。
进一步地，所述根据备选像素点的局部窗口属于锈蚀区域的可能性，以及备选像素点的灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点属于锈蚀区域的可能性，包括：
式中，P表示备选像素点属于锈蚀区域的可能性，p表示备选像素点的局部窗口属于锈蚀区域的可能性，H表示备选像素点的灰度值是锈蚀区域对应的灰度值的可能性。
进一步地，所述根据备选像素点属于锈蚀区域的可能性与备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值的差异，对备选像素点属于锈蚀区域的可能性进行修正，包括：
式中，表示备选像素点修正后的属于锈蚀区域的可能性，P表示备选像素点属于
锈蚀区域的可能性，表示备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能
性的均值，表示以自然常数为底的指数函数。
进一步地，所述根据备选像素点修正后的属于锈蚀区域的可能性，确定种子点，包括：
对所有备选像素点修正后的属于锈蚀区域的可能性进行最大值-最小值归一化，对于归一化后的结果，将修正后的属于锈蚀区域的可能性大于第二阈值的备选像素点作为种子点。
进一步地，所述将种子点输入区域生长算法，通过区域生长算法对钢结构图像进行区域生长，将钢结构图像划分为多个区域，包括：
将种子点输入区域生长算法，通过区域生长算法对钢结构图像进行区域生长，将钢结构图像划分为多个区域，在区域生长的过程中，利用K2×K2大小的第二窗口进行区域生长，计算像素点的第二窗口属于锈蚀区域的可能性，如果像素点的第二窗口属于锈蚀区域的可能性大于第三阈值，继续进行区域生长；如果像素点的第二窗口属于锈蚀区域的可能性小于或者等于第三阈值，此时停止进行区域生长；K2表示预设第二边长。
进一步地，所述备选灰度值k的局部范围的获取方法，包括：
将[k-f,k+f]作为备选灰度值k的局部范围。
本发明的技术方案的有益效果是：本发明根据备选灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点，根据备选像素点的局部窗口属于锈蚀区域的可能性，以及备选像素点的灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点属于锈蚀区域的可能性，根据备选像素点属于锈蚀区域的可能性与备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值的差异，对备选像素点属于锈蚀区域的可能性进行修正，根据备选像素点修正后的属于锈蚀区域的可能性，确定种子点，从钢结构图像中属于锈蚀区域的像素点中确定种子点，使得通过区域生长算法对钢结构图像进行分割时，能够快速将锈蚀区域分割出来，提高分割结果的准确性。
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，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为本发明的一种钢结构锈蚀图像区域快速分割方法的方法流程图。
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钢结构锈蚀图像区域快速分割方法，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钢结构锈蚀图像区域快速分割方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种钢结构锈蚀图像区域快速分割方法的方法流程图，该方法包括：
S001、采集钢结构图像。
需要说明的是，线阵CMOS相机具有高分辨率和精确度的特点，能够有效降低图像对光的敏感程度，以高速进行检测实现快速的产品检查和分类，在钢结构材料等产品的质量控制和外观检测方面具有高效、准确、自动化等多方面的优势，有助于提高生产效率和产品质量，降低生产成本。
在本实施例中，采用CMOS相机拍摄钢结构的表面，获得钢结构表面图像，对获取的钢结构表面图像进行灰度化处理，通过中值滤波对灰度化处理后的钢结构表面图像进行去噪，获得钢结构图像，减小图像中锈蚀区域内的噪声像素点。
S002、根据灰度值在钢结构图像中对应的像素点的数量，确定多个备选灰度值；根据备选灰度值与相邻灰度值对应的像素点数量的差异，计算每个备选灰度值是锈蚀区域对应的灰度值的可能性；根据备选灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点。
需要说明的是，钢结构的锈蚀区域表现为棕红色，而钢结构的正常区域表现为银白色，因此，在钢结构图像中，锈蚀区域相较于正常区域对应的灰度值较小；所以在所有灰度值中所有确定锈蚀区域对应的灰度值时，要在较小的灰度值中确定；本实施例预设一个灰度值范围F，后续在该范围内确定锈蚀区域对应的灰度值。
进一步需要说明的是，锈蚀区域颜色杂乱，锈蚀区域中灰度值过度不连续，因此锈蚀区域中相邻的灰度值对应的像素点的数量之间存在较大差异；所以灰度值对应的像素点数量与相邻灰度值对应的像素点数量的变化越陡峭，灰度值对应的像素点数量与相邻灰度值对应的像素点数量的变化越大，说明该灰度值是锈蚀区域对应的灰度值的可能性越大；相反，由于受到光照影响，正常区域对应的灰度值呈现连续变化的趋势，灰度值对应的像素点数量与相邻灰度值对应的像素点数量差异相近。结合像素点分布的集中程度，分布越集中说明像素点表现为同一类的可能性越大，从而能够较好的区分图像中的锈蚀区域和正常钢结构区域，因此作为种子点的可能性越大。
在本实施例中，统计获得钢结构图像的灰度直方图，根据预设灰度值范围F内灰度值的频率获得多个极大值，将极大值对应的灰度值作为备选灰度值，实施人员可根据实际实施情况设置灰度值范围，例如F=[20,80]。
可选地，根据备选灰度值与相邻灰度值对应的像素点数量的差异，计算每个备选灰度值是锈蚀区域对应的灰度值的可能性。
优选地，根据备选灰度值与相邻灰度值对应的像素点数量的差异，计算每个备选灰度值是锈蚀区域对应的灰度值的可能性，包括：
式中，表示备选灰度值k是锈蚀区域对应的灰度值的可能性，、分别表示
灰度值i和灰度值i+1对应的像素点的数量，[k-f,k+f]表示备选灰度值k的局部范围，f表示
预设数量，实施人员可根据实际实施情况设置数量，例如f=3，表示备选灰度值k的局部范
围内所有灰度值对应的像素点的数量的平均值，表示备选灰度值k的局部范围内所有灰
度值对应的像素点的数量的极差，即灰度值对应的像素点的数量的最大值与最小值的差
值。
需要说明的是，表示相邻两个灰度值对应的像素点的数量的变化程度，
变化长度越大说明相邻两个灰度值对应的像素点的数量变化越陡峭，备选灰度值k的局部
范围内所有相邻两个灰度值对应的像素点的数量的变化程度之和越大，则备选灰度值k是
锈蚀区域对应的灰度值的可能性越大；表示备选灰度值k的局部范围内灰度值i对
应的像素点的数量与平均数量之间的差异，该值越大说明离平均数量越远，备选灰度值k的
局部范围内个灰度值对应的像素点的数量变化越陡峭，相应的分布越集中，则备选灰度值k
是锈蚀区域对应的灰度值的可能性越大；越大说明备选灰度值k的局部范围内灰度值对
应的像素点的数量变化越陡峭，像素点的分布越集中，则备选灰度值k是锈蚀区域对应的灰
度值的可能性越大。
进一步，对所有备选灰度值是锈蚀区域对应的灰度值的可能性进行线性归一化，将归一化的结果作为备选灰度值是锈蚀区域对应的灰度值的可能性，如果备选灰度值是锈蚀区域对应的灰度值的可能性大于第一阈值，则将该备选灰度值对应的像素点作为备选像素点，实施人员可根据实际实施情况设置第一阈值Y1，例如Y1=0.75。
S003、根据备选像素点的局部窗口内所有像素点的灰度值的差异、梯度方向的差异和备选像素点的局部窗口中备选像素点的数量，确定备选像素点的局部窗口属于锈蚀区域的可能性；根据备选像素点的局部窗口属于锈蚀区域的可能性，以及备选像素点的灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点属于锈蚀区域的可能性，根据备选像素点属于锈蚀区域的可能性与备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值的差异，对备选像素点属于锈蚀区域的可能性进行修正。
1、根据备选像素点的局部窗口内所有像素点的灰度值的差异、梯度方向的差异和备选像素点的局部窗口中备选像素点的数量，确定备选像素点的局部窗口属于锈蚀区域的可能性。
需要说明的是，由于锈蚀的存在导致钢结构表面粗糙，使得在钢结构图像上像素点与周围像素点的灰度值存在差异；而部分正常区域的像素点与周围像素点的灰度值存在差异，但是正常区域的灰度差异是由于光照产生的渐变灰度差异，在钢结构图像上这种灰度差异是存在一定的规律性，反应在灰度变化的方向上，像素点的灰度变化方向具有一致性，即梯度方向具有一致性。
在本实施例中，将备选像素点作为中心像素点，获得K1×K1大小的第一窗口，作为备选像素点的局部窗口，K1表示预设第一边长，实施人员可根据实际实施情况设置第一边长，例如K1=7。
可选地，根据备选像素点的局部窗口内所有像素点的灰度值的差异、梯度方向的差异和备选像素点的局部窗口中备选像素点的数量，确定备选像素点的局部窗口属于锈蚀区域的可能性。
优选地，所述根据备选像素点的局部窗口内所有像素点的灰度值的差异、梯度方向的差异和备选像素点的局部窗口中备选像素点的数量，确定备选像素点的局部窗口属于锈蚀区域的可能性，包括：
式中，p表示备选像素点的局部窗口属于锈蚀区域的可能性，表示备选像素点的
灰度值，表示备选像素点的局部窗口中的第j个像素点的灰度值，，分别表示备选像素
点的局部窗口中的第j个像素点和第t个像素点的梯度方向，n表示备选像素点的局部窗口
中备选像素点的数量，N表示备选像素点的局部窗口中像素点的数量。
需要说明的是，备选像素点的局部窗口中的其他像素点与中心像素点的灰度值的
差异越大，则备选像素点的局部窗口属于锈蚀区域的可能性越大；备选像素点的局部窗口
中像素点的梯度方向的差异越大，则备选像素点的局部窗口中所有像素点的梯度方向的一
致性越差，则备选像素点的局部窗口属于锈蚀区域的可能性越大；由于锈蚀区域具有连续
性，因此锈蚀区域的像素点分布较为集中，所以备选像素点的局部窗口中可能属于锈蚀区
域的像素点的密度越大，则备选像素点的局部窗口属于锈蚀区域的可能性越大，备选像素
点是可能属于锈蚀区域的像素点，因此，备选像素点的局部窗口中越大，则备选像素点的
局部窗口属于锈蚀区域的可能性越大。
2、根据备选像素点的局部窗口属于锈蚀区域的可能性，以及备选像素点的灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点属于锈蚀区域的可能性。
优选地，所述根据备选像素点的局部窗口属于锈蚀区域的可能性，以及备选像素点的灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点属于锈蚀区域的可能性，包括：
式中，P表示备选像素点属于锈蚀区域的可能性，p表示备选像素点的局部窗口属于锈蚀区域的可能性，H表示备选像素点的灰度值是锈蚀区域对应的灰度值的可能性。
需要说明的是，备选像素点的局部窗口属于锈蚀区域的可能性越大，且备选像素点的灰度值是锈蚀区域对应的灰度值的可能性越大，则备选像素点属于锈蚀区域的可能性越大。
3、根据备选像素点属于锈蚀区域的可能性与备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值的差异，对备选像素点属于锈蚀区域的可能性进行修正。
需要说明的是，如果仅根据备选像素点属于锈蚀区域的可能性选择种子点，一个锈蚀区域中存在过量的种子点，过量的种子点会导致通过区域生长算法对钢结构图像进行分割时，根据种子点生长出的区域重叠，导致分割得到的锈蚀区域与实际的锈蚀区域之间存在较大差异。因此，需要利用备选像素点之间的位置关系，对备选像素点属于锈蚀区域的可能性进行一定程度的修正，使得根据备选像素点属于锈蚀区域的可能性确定区域生长算法的种子点更为合理。
可选地，根据备选像素点属于锈蚀区域的可能性与备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值的差异，对备选像素点属于锈蚀区域的可能性进行修正，确定备选像素点修正后的属于锈蚀区域的可能性。
优选地，所述根据备选像素点属于锈蚀区域的可能性与备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值的差异，对备选像素点属于锈蚀区域的可能性进行修正，确定备选像素点修正后的属于锈蚀区域的可能性，包括：
式中，表示备选像素点修正后的属于锈蚀区域的可能性，P表示备选像素点属于
锈蚀区域的可能性，表示备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能
性的均值，表示以自然常数为底的指数函数。
需要说明的是，备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值代表了备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的平均水平，备选像素点属于锈蚀区域的可能性大于平均水平时，与平均水平的差异越大，则该备选像素点越可能是锈蚀区域的中心，则将该备选像素点作为种子点时，能够更加快速且准确地获得锈蚀区域，因此，将属于锈蚀区域的可能性与平均水平的差异越大的备选像素点属于锈蚀区域的可能性调大，使其区别于其他备选像素点。
S004、根据备选像素点修正后的属于锈蚀区域的可能性，确定种子点，将种子点输入区域生长算法，通过区域生长算法对钢结构图像进行区域生长，将钢结构图像划分为多个区域。
在本实施例中，对所有备选像素点修正后的属于锈蚀区域的可能性进行最大值-最小值归一化，对于归一化后的结果，将修正后的属于锈蚀区域的可能性大于第二阈值的备选像素点作为种子点，实施人员可根据实际实施情况设置第二阈值Y2，例如Y1=0.9。
进一步，将种子点输入区域生长算法，通过区域生长算法对钢结构图像进行区域生长，将钢结构图像划分为多个区域；在区域生长的过程中，利用K2×K2大小的第二窗口进行区域生长，计算像素点的第二窗口属于锈蚀区域的可能性，如果像素点的第二窗口属于锈蚀区域的可能性大于第三阈值，则认为区域内的像素点都表现为锈蚀区域的一部分，继续进行区域生长；如果像素点的第二窗口属于锈蚀区域的可能性小于或者等于第三阈值，则认为区域内的像素点表现出的属于锈蚀区域的特征越弱，此时获得的区域已经处于或者越过锈蚀区域的边缘，此时停止进行区域生长；K2表示预设第二边长，实施人员可根据实际实施情况设置第二边长，例如K2=3。
本发明根据备选灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点，根据备选像素点的局部窗口属于锈蚀区域的可能性，以及备选像素点的灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点属于锈蚀区域的可能性，根据备选像素点属于锈蚀区域的可能性与备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值的差异，对备选像素点属于锈蚀区域的可能性进行修正，根据备选像素点修正后的属于锈蚀区域的可能性，确定种子点，从钢结构图像中属于锈蚀区域的像素点中确定种子点，使得通过区域生长算法对钢结构图像进行分割时，能够快速将锈蚀区域分割出来，提高分割结果的准确性。
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)
1.一种钢结构锈蚀图像区域快速分割方法，其特征在于，所述方法包括：
采集钢结构图像；
根据灰度值在钢结构图像中对应的像素点的数量，确定多个备选灰度值；根据备选灰度值与相邻灰度值对应的像素点数量的差异，计算每个备选灰度值是锈蚀区域对应的灰度值的可能性；根据备选灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点；
根据备选像素点的局部窗口内所有像素点的灰度值的差异、梯度方向的差异和备选像素点的局部窗口中备选像素点的数量，确定备选像素点的局部窗口属于锈蚀区域的可能性；
根据备选像素点的局部窗口属于锈蚀区域的可能性，以及备选像素点的灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点属于锈蚀区域的可能性；
根据备选像素点属于锈蚀区域的可能性与备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值的差异，对备选像素点属于锈蚀区域的可能性进行修正；
根据备选像素点修正后的属于锈蚀区域的可能性，确定种子点，将种子点输入区域生长算法，通过区域生长算法对钢结构图像进行区域生长，将钢结构图像划分为多个区域；
所述确定多个备选灰度值，包括：
统计获得钢结构图像的灰度直方图，根据预设灰度值范围F内灰度值的频率获得多个极大值，将极大值对应的灰度值作为备选灰度值；
所述计算每个备选灰度值是锈蚀区域对应的灰度值的可能性，包括：
式中，表示备选灰度值k是锈蚀区域对应的灰度值的可能性，/>、/>分别表示灰度值i和灰度值i+1对应的像素点的数量，/>表示备选灰度值k的局部范围内所有灰度值对应的像素点的数量的平均值，/>表示备选灰度值k的局部范围内所有灰度值对应的像素点的数量的极差，f表示预设数量；
所述确定备选像素点的局部窗口属于锈蚀区域的可能性，包括：
式中，p表示备选像素点的局部窗口属于锈蚀区域的可能性，表示备选像素点的灰度值，/>表示备选像素点的局部窗口中的第j个像素点的灰度值，/>，/>分别表示备选像素点的局部窗口中的第j个像素点和第t个像素点的梯度方向，n表示备选像素点的局部窗口中备选像素点的数量，N表示备选像素点的局部窗口中像素点的数量；
所述确定备选像素点属于锈蚀区域的可能性，包括：
式中，P表示备选像素点属于锈蚀区域的可能性，p表示备选像素点的局部窗口属于锈蚀区域的可能性，H表示备选像素点的灰度值是锈蚀区域对应的灰度值的可能性；
所述对备选像素点属于锈蚀区域的可能性进行修正，包括：
式中，表示备选像素点修正后的属于锈蚀区域的可能性，P表示备选像素点属于锈蚀区域的可能性，/>表示备选像素点的局部窗口中所有备选像素点属于锈蚀区域的可能性的均值，/>表示以自然常数为底的指数函数。
2.根据权利要求1所述的一种钢结构锈蚀图像区域快速分割方法，其特征在于，所述根据备选灰度值是锈蚀区域对应的灰度值的可能性，确定备选像素点，包括：
对所有备选灰度值是锈蚀区域对应的灰度值的可能性进行线性归一化，将归一化的结果作为备选灰度值是锈蚀区域对应的灰度值的可能性，如果备选灰度值是锈蚀区域对应的灰度值的可能性大于第一阈值，则将该备选灰度值对应的像素点作为备选像素点。
3.根据权利要求1所述的一种钢结构锈蚀图像区域快速分割方法，其特征在于，所述根据备选像素点修正后的属于锈蚀区域的可能性，确定种子点，包括：
对所有备选像素点修正后的属于锈蚀区域的可能性进行最大值-最小值归一化，对于归一化后的结果，将修正后的属于锈蚀区域的可能性大于第二阈值的备选像素点作为种子点。
4.根据权利要求1所述的一种钢结构锈蚀图像区域快速分割方法，其特征在于，所述将种子点输入区域生长算法，通过区域生长算法对钢结构图像进行区域生长，将钢结构图像划分为多个区域，包括：
将种子点输入区域生长算法，通过区域生长算法对钢结构图像进行区域生长，将钢结构图像划分为多个区域，在区域生长的过程中，利用K2×K2大小的第二窗口进行区域生长，计算像素点的第二窗口属于锈蚀区域的可能性，如果像素点的第二窗口属于锈蚀区域的可能性大于第三阈值，继续进行区域生长；如果像素点的第二窗口属于锈蚀区域的可能性小于或者等于第三阈值，此时停止进行区域生长；K2表示预设第二边长。
5.根据权利要求1所述的一种钢结构锈蚀图像区域快速分割方法，其特征在于，所述备选灰度值k的局部范围的获取方法，包括：
将[k-f,k+f]作为备选灰度值k的局部范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410026854.0A CN117541605B (zh) | 2024-01-09 | 2024-01-09 | 一种钢结构锈蚀图像区域快速分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410026854.0A CN117541605B (zh) | 2024-01-09 | 2024-01-09 | 一种钢结构锈蚀图像区域快速分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541605A CN117541605A (zh) | 2024-02-09 |
| CN117541605B true CN117541605B (zh) | 2024-03-29 |
Family
ID=89788432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410026854.0A Active CN117541605B (zh) | 2024-01-09 | 2024-01-09 | 一种钢结构锈蚀图像区域快速分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541605B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
| CN115294159A (zh) * | 2022-09-30 | 2022-11-04 | 南通市博洋铸造有限公司 | 金属紧固件腐蚀区域分割方法 |
| CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
| CN115719332A (zh) * | 2022-10-18 | 2023-02-28 | 江苏思锐装备科技有限公司 | 一种焊接质量检测方法 |
| 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 |
| WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
| CN116645384A (zh) * | 2023-07-27 | 2023-08-25 | 天津医科大学第二医院 | 基于人工智能的干细胞区域快速分割方法 |
| CN117152137A (zh) * | 2023-10-30 | 2023-12-01 | 江苏高特高金属科技有限公司 | 基于图像处理的焊管腐蚀状态检测方法 |
| CN117237396A (zh) * | 2023-11-16 | 2023-12-15 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7760941B2 (en) * | 2005-09-23 | 2010-07-20 | Mevis Research Gmbh | Method and apparatus of segmenting an object in a data set and of determination of the volume of segmented object |
| CN106356757B (zh) * | 2016-08-11 | 2018-03-20 | 河海大学常州校区 | 一种基于人眼视觉特性的电力线路无人机巡检方法 |
-
2024
- 2024-01-09 CN CN202410026854.0A patent/CN117541605B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
| CN115294159A (zh) * | 2022-09-30 | 2022-11-04 | 南通市博洋铸造有限公司 | 金属紧固件腐蚀区域分割方法 |
| CN115719332A (zh) * | 2022-10-18 | 2023-02-28 | 江苏思锐装备科技有限公司 | 一种焊接质量检测方法 |
| CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
| WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
| 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 |
| CN116645384A (zh) * | 2023-07-27 | 2023-08-25 | 天津医科大学第二医院 | 基于人工智能的干细胞区域快速分割方法 |
| CN117152137A (zh) * | 2023-10-30 | 2023-12-01 | 江苏高特高金属科技有限公司 | 基于图像处理的焊管腐蚀状态检测方法 |
| CN117237396A (zh) * | 2023-11-16 | 2023-12-15 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| Automatic Determination of Seeded Region Growing Parameters in Watershed Regions to Segmentation of Tuna;Agus Zainal Arifin等;《2022 Seventh International Conference on Informatics and Computing (ICIC)》;20230113;1-8 * |
| 基于OTSU和区域生长的电厂管道缺陷检测与分割;彭道刚;《红外技术》;20210609;第43卷(第5期);502-509 * |
| 钢轨表面缺陷图像自适应分割算法;闵永智等;《北京工业大学学报》;20171030;第43卷(第10期);1472-1479 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541605A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
| CN116310360A (zh) | 一种电抗器表面缺陷检测方法 | |
| CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
| CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
| CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
| CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
| CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
| CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
| CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN115861313B (zh) | 一种用于磨头的磨损检测方法 | |
| CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
| CN116993731A (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
| CN117437228B (zh) | 基于图像特征的光伏钢结构组件断裂检测方法 | |
| CN117853493A (zh) | 一种基于图像处理的墙板生产质量检测方法 | |
| CN117541605B (zh) | 一种钢结构锈蚀图像区域快速分割方法 | |
| CN112381084B (zh) | 断层图像的轮廓自动识别方法 | |
| CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
| CN114067122B (zh) | 一种两级式二值化图像处理方法 | |
| CN115222735A (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
| CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
| CN118014994B (zh) | 一种稻壳可降解餐盒裂缝检测方法 | |
| CN117635507B (zh) | 一种塑胶颗粒在线视觉检测方法及系统 | |
| CN116703930B (zh) | 一种汽车后视镜模具成型检测方法 | |
| CN116740065B (zh) | 基于大数据的人造板瑕疵品快速溯源方法及系统 |
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 |