CN117593193A - 一种基于机器学习的钣金图像增强方法及系统 - Google Patents
一种基于机器学习的钣金图像增强方法及系统 Download PDFInfo
- Publication number
- CN117593193A CN117593193A CN202410077184.5A CN202410077184A CN117593193A CN 117593193 A CN117593193 A CN 117593193A CN 202410077184 A CN202410077184 A CN 202410077184A CN 117593193 A CN117593193 A CN 117593193A
- Authority
- CN
- China
- Prior art keywords
- gray
- pixel
- value
- class
- dimensional
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 239000002184 metal Substances 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000009826 distribution Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 34
- 239000000203 mixture Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
-
- 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
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于机器学习的钣金图像增强方法及系统,通过将钣金图像转化为灰度图,将灰度图中每个像素点的灰度值和邻域均值在灰度图中出现的频数,得到二维灰度直方图,对二维灰度直方图进行区域划分,得到边缘区域和中间区域,使用高斯混合模型对中间区域的像素点进行拟合得到两个二维高斯分布,然后用EM算法获得高斯分布的参数,根据高斯分布将中间区域内的像素点分为两类,根据边缘清晰度和这两类像素点的类间对比度、类内对比度综合得到均衡化必要度,并基于均衡化必要度对图像进行均衡化处理。本发明通过以有效评估钣金的锈蚀程度,同时将其作为图像的均衡必要性,实现对图像的准确增强。
Description
技术领域
本申请涉及图像数据处理领域,具体涉及一种基于机器学习的钣金图像增强方法及系统。
背景技术
在对钣金进行图像采集时,由于各种因素的影响,所拍摄的照片存在各种各样的问题,导致低质量图像的出现。例如,在拍摄过程中环境的光照不足等因素引起的图像偏暗,从而产生了低照度、对比度不高和重要特征不明显的图像;并且图像在经过存储、转换、传输等操作后,会进一步降低图像的质量,导致后续对锈斑的识别和处理不准确。因此需要对图像进行增强处理,通过增强图像对比度,可以虚弱原图像中的一些噪声以及增强某些细节信息,由于,人为根据经验评估图像质量,判断图像是否需要增强太过主观,会存在误差,且无法大规模的实际应用。
发明内容
本发明提供一种基于机器学习的钣金图像增强方法,以解决对钣金进行识别和后处理时,采集到的图像质量较低影响后续判断结果的问题,采用如下技术方案:
获取钣金图像,灰度化处理得到灰度图,以灰度图中每个像素点的灰度值为轴、邻域均值为/>轴、灰度值-邻域均值在灰度图中出现的频数为/>轴,得到灰度值-邻域均值-频数直方图;
根据灰度图中每个像素点的灰度值和邻域均值差异对灰度值-邻域均值-频数直方图中的灰度值-邻域均值空间进行区域划分,得到中间区域和边缘区域;
使用高斯混合模型对中间区域内的所有像素点进行拟合得到两个二维高斯分布,通过EM算法获得两个二维高斯分布的参数,根据中间区域中每个像素点的灰度值和邻域均值计算出每个像素点分别在两个二维高斯分布中的密度函数,利用每一个像素点获得的不同密度函数对每一个像素点进行分类,将中间区域内的所有像素点分为两类;
根据每一类像素点对应的灰度值-邻域均值统计出该灰度值-邻域均值对应的像素点的个数,计算出每一类的类内对比度和两类之间的类间对比度;
利用边缘区域内对应各像素点及该像素点相邻像素点的灰度值计算边缘区域的边缘清晰度;
根据获得的中间区域中类间对比度、每一类的类内对比度和边缘区域的边缘清晰度得到二维灰度直方图的均衡化必要度;
根据均衡化必要度对二维灰度直方图是否需要均衡化进行判断。
所述对灰度值-邻域均值空间进行区域划分的具体方法为:
在灰度值-邻域均值空间中,作三条平行直线、/>和/>,其中,/>,/>为像素点最大灰度值,/>为像素点最小灰度值,/>为灰度值;
直线和直线/>之间的区域为中间区域;
直线上方和直线/>下方的区域为边缘区域。
所述将中间区域内的所有像素点分为两类的方法如下:
使用高斯混合模型对中间区域内的所有像素点进行拟合,模型公式为:
;
式中,为拟合获得的模型,/>为样本数据/>,/>为高斯模型需要计算的参数,/>为第/>个高斯分布需要计算的参数,/>是系数,/>且混合高斯模型中,多个高斯模型的系数/>之和为1,/>,/>为该高斯混合模型包含的高斯分布的数量,为/>在第/>个高斯分布的分布密度函数,/>为:
;
式中,为第/>个二维高斯分布的均值,/>为第/>个二维高斯分布的方差,/>为第/>个二维高斯分布的协方差;
利用EM算法来估计高斯混合模型需要计算的参数,得到高斯混合模型包括的两个二维高斯分布的具体参数分别为/>和;
将中间区域中每个像素点的灰度值和邻域均值带入得到:
;
式中,为自然常数,/>为圆周率;
当 =1时,若:
;
则该像素点属于对应的二维高斯分布;
当时,若:
;
则该像素点属于对应的二维高斯分布;
通过上述判断,可得到两类像素点集合和/>,每类集合中的像素点对应的不同的灰度值-邻域均值/>的个数分别为/>和/>。
所述二维灰度直方图的均衡化必要度计算方法为:
;
式中,为二维灰度直方图的均衡化必要度,/>为类内对比度,/>为类间对比度,/>为边缘清晰度,/>,/>为像素类别数量,当/>时,/>和/>表示两类像素各自的类内对比度。
所述类内对比度的获取步骤为:
计算类像素点和/>类像素点各自的类内均值/>,公式如下:
;
式中:为每类像素点对应的不同的灰度值-邻域均值的数量,/>为每类集合中的像素点对应的不同的灰度值-邻域均值,/>为像素点集合,/>为每类像素点中灰度值为/>且邻域均值为/>的像素点在/>类像素点中出现的频数,即/>对应的像素点个数;
当时:
;
式中,为/>类像素点的类内均值,/>为/>类像素点对应的不同的灰度值-邻域均值,/>为/>类像素点中灰度值为/>且邻域均值为/>的像素点在/>类像素点中出现的频数,即/>对应的像素点个数,/>为/>类像素点对应的不同的灰度值-邻域均值的数量;
当时:
;
式中,为/>类像素点的类内均值,/>为/>类像素点对应的不同的灰度值-邻域均值,/>为/>类像素点中灰度值为/>且邻域均值为/>的像素点在/>类像素点中出现的频数,即/>对应的像素点个数,/>为/>类像素点对应的不同的灰度值-邻域均值的数量;
计算类像素点和/>类像素点各自的类内对比度,公式如下:
;
公式中,为类内对比度;
当时:
;
式中,为/>类像素点的类内对比度;
当时:
;
式中,为/>类像素点的类内对比度。
所述类间对比度的计算方法为:
;
式中,为类间对比度,/>为/>类像素点和/>类像素点整体频数均值,计算方法如下:
;
式中,为/>和/>两类像素点共同组成的集合中的像素点对应的灰度值-邻域均值,/>为两类像素点中灰度值为/>且邻域均值为/>的像素点出现的频数,即/>对应的像素点个数。
所述边缘清晰度的计算方法为:
;
式中,,/>为边缘像素点集合,/>为边缘像素点集合中边缘像素点的数量,/>为边缘集合中的边缘像素点坐标,/>为该坐标对应像素点的灰度值。
所述判断二维直方图是否需要均衡化的方法为:
若二维灰度直方图的均衡化必要度大于阈值,则对该二维灰度直方图进行均衡化。
所述阈值设置为0.5。
本发明还提供另一种技术方案,一种基于机器学习的钣金图像增强系统,包括图像处理模块、计算分类模块:
所述图像处理模块:
对采集的钣金图像进行灰度化,并转化为灰度值-邻域均值-频数二维灰度直方图,对二维灰度直方图中的灰度值-邻域均值空间进行区域划分得到边缘区域和中间区域;
对所述计算分类模块计算得到的大于均衡化必要度的二维灰度直方图进行均衡化处理;
所述计算分类模块:
使用高斯混合模型对所述图像处理模块得到的中间区域中的像素点进行拟合得到两个二维高斯分布,通过EM算法获得两个二维高斯分布的参数,将每个像素点的灰度值和邻域均值带入两个二维高斯分布的密度函数,可将中间区域内的所有像素点分为两类,并计算出类间对比度、类内对比度、边缘清晰度,综合得到均衡化必要度,计算出大于均衡化必要度阈值的二维灰度直方图原始图像中灰度值和对应均衡化后的灰度值的映射关系。
本发明的有益效果是:本发明基于机器学习方法,通过数据拟合模型的方法结合图像的二维灰度直方图对像素点进行分类,根据类别特征,可以有效评估钣金的锈蚀程度,同时将其作为图像的均衡必要性,进而对图像进行直方图均衡化,实现对图像的增强,避免了人为经验判断低质量图像是否需要进行增强带来的误差,精准而智能,实用性强。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于机器学习的钣金图像增强方法的流程示意图;
图2是本发明的一种基于机器学习的钣金图像增强方法中的灰度值-邻域均值坐标系示意图;
图3是本发明的一种基于机器学习的钣金图像增强方法中的灰度值-邻域均值频数示意图;
图4是本发明的一种基于机器学习的钣金图像增强方法中的区域划分示意图;
图5是本发明的一种基于机器学习的钣金图像增强方法中的类内均值示意图;
图6是本发明的一种基于机器学习的钣金图像增强系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种基于机器学习的钣金图像增强方法的实施例,如图1所示,包括:
步骤一:采集图像。
获取钣金图像,灰度化处理得到灰度图,以灰度图中每个像素点的灰度值为轴、邻域均值为/>轴、灰度值-邻域均值在灰度图中出现的频数为/>轴,得到灰度值-邻域均值-频数直方图;
该步骤的目的是通过二维灰度直方图来反映图像中像素灰度分布情况。因为一张质量好的图像,像素倾向于占据整个可能的灰度级并且分布均匀,则该图像会有高对比度的外观,并展示灰度调的较大变化。最终效果将是一副灰度细节丰富,灰度范围较大的图像,一维直方图直接用灰度值统计直方图,统计出的直方图容易受到边缘像素点和噪声像素点的干扰,影响灰度直方图形状,使目标和背景不再有双峰或波谷特性,针对在一维灰度直方图的缺陷,二维灰度直方图增加了邻域灰度信息,一方面像素点的邻域平均灰度值受边缘像素点和噪声像素点干扰的程度没有灰度值高,能在一定程度上降低噪声和边缘影响,另一方面,“灰度值-邻域均值”这样的组合能在越大程度上区分边缘像素点、噪声像素点和正常像素点。
其中,获取二维直方图的具体步骤为:
(1)使用相机从钣金正上方采集图像,对采集图像进行灰度化处理,得到灰度图像,图像用亮度表示,亮度被分为0到255共256个数值,数值越大,代表的亮度越高。其中0代表纯黑色的最暗区域,255代表纯白色的最亮区域,而中间的数字就是不同亮度的灰色,用表示像素点的灰度值,/>表示像素点的八邻域像素的灰度值的平均值,以下称为邻域均值;
(2)对于尺寸为的图像,坐标为/>的像素点的灰度值为/>,邻域平均灰度值为/>。
;
其中,为选择邻域/>的结构元的尺寸,选择像素点/>周围的区域,即八邻域。
(3)二维灰度直方图在一维灰度直方图的统计中加入了邻域灰度信息,通过每个像素点的灰度值和八邻域灰度均值/>得到的/>来统计直方图,定义如下:
;
其中,/>表示整幅图中像素点的灰度值-邻域均值信息在灰度图中出现的频数,即灰度值为/>,邻域均值为/>对应的像素点在灰度图中出现的频数。
(4)建立一个坐标轴,轴表示像素点灰度值/>,用0-255的整数表示;/>轴表示像素点邻域均值/>,用0-255的整数表示;/>轴表示灰度值和邻域均值/>的频数/>,绘制函数图像,得到对应的三维灰度直方图;本实施例还提供另一种构建坐标轴的方式,如图2所示,先以灰度值/>为/>轴,以邻域均值/>为/>轴建立灰度值-邻域均值坐标系,图中像素点的灰度值为10,邻域均值为20,然后如图3所示,以灰度值和邻域均值信息/>为/>轴,以/>的频数为/>轴,建立灰度值-邻域均值和灰度值-邻域均值频数坐标系,图中像素点的灰度值和邻域信息为(10,20),频数为5,可以直观的获取/>的频数信息。
步骤二:区域划分。
根据灰度图中每个像素点的灰度值和邻域均值差异对灰度值-邻域均值-频数直方图中的灰度值-邻域均值空间进行区域划分,得到中间区域和边缘区域;
该步骤的目的是,在直方图的灰度值和邻域均值组成的空间内,根据灰度值和邻域均值的差异将该平面划分为三个区域,不同的区域包含不同类型的像素点,图像中大多数的像素点属于背景区域和目标区域,灰度变化较平缓,像素点灰度值与邻域均值的差别较小;在图像的边缘区域和噪声区域上的像素点,灰度值较周围区域像素灰度值存在突变,像素点灰度值与邻域均值的差别较大。因此通过像素点灰度值与邻域均值构成的二维灰度直方图,将图像上的像素点分为噪声像素点、边缘区域像素点和中间区域像素点三类,通过区域划分可以排除边缘像素点和噪声像素点的干扰,得到中间像素点分布区域。
其中,进行区域划分的具体方法为:
如图4所示,二维灰度直方图中的轴和/>轴组成的平面内,通过两条平行于的两条直线/>和/>,将直方图划分为三个区域,在直线和/>之间的区域的点对对应的像素点灰度值和邻域均值接近,则该区域为中间区域,/>下方和/>上方区域内的点对对应的像素点的灰度值和邻域均值差异较大,将其作为边缘像素点,则该区域为边缘区域,其中,/>为像素点最大灰度值,/>为像素点最小灰度值。
需要说明的是,对于噪声像素点和边缘像素点,其自身灰度值与邻域均值的差别较大,统计时会被影射到三维灰度直方图的区域2和区域3上,本实施例中将噪声像素点和边缘像素点统一归为边缘像素点,记区域2和区域3上的点对对应的像素点属于边缘像素点集合,边缘像素点的数量为/>;而中间区域内的像素点,其自身灰度值与邻域均值的差别较小,统计时会被影射到三维灰度直方图的区域1上。
步骤三:高斯混合模型。
使用高斯混合模型对中间区域内的所有像素点进行拟合得到两个二维高斯分布,通过EM算法获得两个二维高斯分布的参数,根据中间区域中每个像素点的灰度值和邻域均值计算出每个像素点分别在两个二维高斯分布中的密度函数,利用每一个像素点获得的不同密度函数对每一个像素点进行分类,将中间区域内的所有像素点分为两类;
该步骤的目的是针对步骤二划分出来的中间区域内的像素点使用高斯混合模型进行拟合,得到高斯混合模型,通过EM算法计算出高斯分布里面的参数值,进而通过高斯分布的分布密度函数将中间区域内的像素点分为两类。
其中,高斯混合模型是用高斯概率密度函数(正态分布曲线)精确地量化事物,它是一个将事物分解为若干的基于高斯概率密度函数形成的模型,图像灰度直方图反映的是图像中某个灰度值出现的频次,也可认为是图像灰度概率密度的估计,若图像所包含的目标区域和背景区域相差比较大,且背景区域和目标区域在灰度上有一定的差异,那么该图像的灰度直方图呈现双峰-谷形状,其中一个峰对应于目标,另一个峰对应于背景的中心灰度,对于复杂的图像,一般是多峰的,通过将直方图的多峰特性看作是多个高斯分布的叠加。
其中,对中间区域内的像素点进行分类的具体步骤为:
(1)使用高斯混合模型对所有中间区域内的像素点进行拟合,模型公式为:
;
式中,为样本数据/>,/>为高斯模型需要计算的参数,/>为第/>个高斯分布需要计算的参数,/>是系数,/>且混合高斯模型中,多个高斯模型的系数/>之和为1,,/>,/>为该高斯混合模型包含的高斯分布的数量,/>为/>在第/>个高斯分布的分布密度函数,/>为:
;
式中,为第/>个二维高斯分布的均值,/>为第/>个二维高斯分布的方差,/>为第/>个二维高斯分布的协方差;
(2)利用EM算法来估计高斯混合模型需要计算的参数,得到高斯混合模型包括的两个二维高斯分布的具体参数分别为/>和;
(3)将中间区域中每个像素点的灰度值-邻域均值带入得到:
;
式中,为自然常数,/>为圆周率;
当时,若:
;
则该像素点属于对应的二维高斯分布;
当时,若:
;
则该像素点属于对应的二维高斯分布;
通过上述操作,将中间区域内的像素点分为了类像素点和/>类像素点两类,每类集合中的像素点对应的不同的灰度值-邻域均值的个数分别为/>和/>。
需要说明的是,“不同的灰度值-邻域均值的个数”是指,例如该类像素点中包含的灰度值-邻域均值分别为:(1,2),(1,2),(1,3),(1,4),(1,4),(1,4),将灰度值-邻域均值相同的统计为1个,则该类像素点中不同的灰度值-邻域均值为:(1,2),(1,3),(1,4),即“不同的灰度值-邻域均值的个数”等于3个。
步骤四:类内对比度和类间对比度。
根据每一类像素点对应的灰度值-邻域均值统计出该灰度值-邻域均值对应的像素点的个数,计算出每一类的类内对比度和两类之间的类间对比度;
该步骤的目的是,对不同类别的像素点之间的差异和同类别的像素点之间的差异进行分析,得到图像是否需要增强的判断标准,如果一幅图像的灰度直方图几乎覆盖了整个灰度的取值范围,并且除了个别灰度值的个数较为突出,整个灰度值分布近似于均匀分布,那么这幅图像就具有较大的灰度动态范围和较高的对比度,同时图像的细节更为丰富,对于和/>这两类像素点,在各自的类内,分布的越均匀,图像质量越好,均衡化必要度越小;而两类之间差异性越大,图像质量越好,均衡化必要度越小;
其中,类内对比度的计算方法为:
(1)计算类像素点和/>类像素点各自的类内均值/>,公式如下:
;
式中,为像素点集合,/>为每类像素点对应的不同的灰度值-邻域均值的数量,为每类像素点中灰度值为/>且邻域均值为/>的像素点在/>类像素点中出现的频数,即/>为对应的像素点个数;
a.当时:
;
式中,为/>类像素点的类内均值,/>,/>为/>类像素点对应的不同的灰度值-邻域均值,/>为/>类像素点中灰度值为/>且邻域均值为/>的像素点在/>类像素点中出现的频数,即/>对应的像素点个数,/>为/>类像素点对应的不同的灰度值-邻域均值的数量;
如图5中所示,设类像素点中有像素点1(1,1),像素点2(1,1),像素点3(1,2),这三个像素点中像素点1和像素点2的灰度值-邻域均值相同,则该/>类像素点中包含的灰度值-邻域均值为(1,1)和(1,2),总数为2,则/>,其中,(1,1)出现的频数为2,(1,2)出现的频数为1,则/>=/>=2,/>=1,则类内均值计算方法为:
/>+/>=1.5;
b.当时:
;
式中,为/>类像素点的类内均值,/>,/>为/>类像素点对应的不同的灰度值-邻域均值,/>为/>类像素点中灰度值为/>且邻域均值为/>的像素点在类像素点中出现的频数,即/>对应的像素点个数,/>为/>类像素点对应的不同的灰度值-邻域均值的数量;
如图5中所示,设类像素点中有像素点4(10,100),像素点5(10,100),像素点4和像素点5的灰度值-邻域均值相同,则该/>类像素点中包含的灰度值-邻域均值为(10,100),总数为1,则/>,其中,(10,100)出现的频数为2,则可得到灰度值-邻域均值的频数,/>=/>=2,则/>类内均值为/>=/>。
(2)计算类像素点和/>类像素点各自的类内对比度,公式如下:
;
式中,为类内对比度,/>,/>为/>内不同的灰度值-邻域均值;
当时:/>
;
式中,为/>类像素点的类内对比度,/>;
如图5所示类像素点的类内对比度为:
=/>(0.25+0.25)=0.25;
当时:
;
式中,为/>类像素点的类内对比度,/>;
如图5所示类像素点的类内对比度为:
=/>;
其中,类间对比度的计算方法为:
;
式中,为类间对比度,/>为/>类像素点和/>类像素点整体频数均值,计算方法如下:
;
式中,为/>和/>两类像素点共同组成的集合中的像素点对应的灰度值-邻域均值,/>为两类像素点中灰度值为/>且邻域均值为/>的像素点在/>类像素点中出现的频数,即/>对应的像素点个数。
步骤五:边缘清晰度。
利用边缘区域内对应各像素点及该像素点相邻像素点的灰度值计算边缘区域的边缘清晰度;
该步骤的目的是考虑灰度图中的边缘像素点灰度分布,因为一个图像中,对于边缘像素点,该像素点与周围邻域像素点的灰度值差值越大,边缘越清晰,边缘像素对评估图像质量有着不可或缺作用,因此将其作为评估图像质量的参数计算出来。
其中,边缘清晰度的计算方法为:
;
式中,,/>为边缘像素点集合,/>为边缘像素点集合中边缘像素点的数量,/>为边缘像素点坐标,/>为该坐标对应像素点的灰度值。
步骤六:图像均衡化必要度。
根据获得的中间区域中类间对比度、每一类的类内对比度和边缘区域的边缘清晰度得到二维灰度直方图的均衡化必要度;
该步骤的目的是综合步骤四和五得出的评估图像质量的参数,得到整体图像是否需要进行增强的判断标准为均衡化必要度。
其中,二维灰度直方图的均衡化必要度计算方法如下:
;
式中,为二维灰度直方图的均衡化必要度,/>为/>类像素点和/>类像素点的类间对比度,/>为边缘清晰度。所述BY越大,越应进行均衡化处理,提高该处图像质量。
步骤七:判断是否需要均衡化。
根据均衡化必要度对二维灰度直方图是否需要均衡化进行判断。
该步骤的目的是使用步骤四计算出的增强必要度对大于阈值的灰度图的二维灰度直方图进行是否需要均衡化进行判断处理,根据均衡化处理后的二维灰度直方图映射得到增强后的图像,实现对图像的增强处理。
本实施例设定均衡化必要度阈值为0.5,当计算出图像的均衡化必要度大于0.5时,对二维灰度直方图进行均衡化处理,具体方法如下:
(1)计算灰度分布频率,对于各像素块,根据尺寸计算得到灰度分布频率:
;
式中,为图像行列数,/>为灰度值的分布频率,/> 为灰度值/>在灰度图中的出现频数;
(2)计算灰度累积分布频率:
;
式中,为灰度值/>的累积分布概率;
(3)对灰度值的累积分布频率进行归一化,对归一化后累积分布频率进行四舍五入,得到原始图像中灰度值对应均衡化后的灰度级/>为:
;
根据映射关系对灰度图进行二维直方图均衡化,实现对图像的增强。
本发明的另一种实施例如图6所示,一种基于机器学习的钣金图像增强系统,包括S100图像处理模块、S101计算分类模块:S100图像处理模块,对采集的钣金图像进行灰度化,并转化为灰度值-邻域均值-频数二维灰度直方图,对二维灰度直方图中的灰度值-邻域均值空间进行区域划分得到边缘区域和中间区域;将处理后的区域发送给S1011计算分类模块,使用高斯混合模型对所述图像处理模块得到的中间区域中的像素点进行拟合得到两个二维高斯分布,通过EM算法获得两个二维高斯分布的参数,将每个像素点的灰度值和邻域均值带入两个二维高斯分布的密度函数,可将中间区域内的所有像素点分为两类,并计算出类间对比度、类内对比度、边缘清晰度,综合得到均衡化必要度,计算出大于均衡化必要度阈值的二维灰度直方图原始图像中灰度值和对应均衡化后的灰度值的映射关系。根据映射关系进行图像均衡化处理完成图像增强。
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 (10)
1.一种基于机器学习的钣金图像增强方法,其特征在于,包括:
获取钣金图像,灰度化处理得到灰度图,以灰度图中每个像素点的灰度值为轴、邻域均值为/>轴、灰度值-邻域均值在灰度图中出现的频数为/>轴,得到灰度值-邻域均值-频数直方图;
根据灰度图中每个像素点的灰度值和邻域均值差异对灰度值-邻域均值-频数直方图中的灰度值-邻域均值空间进行区域划分,得到中间区域和边缘区域;
使用高斯混合模型对中间区域内的所有像素点进行拟合得到两个二维高斯分布,通过EM算法获得两个二维高斯分布的参数,根据中间区域中每个像素点的灰度值和邻域均值计算出每个像素点分别在两个二维高斯分布中的密度函数,利用每一个像素点获得的不同密度函数对每一个像素点进行分类,将中间区域内的所有像素点分为两类;
根据每一类像素点对应的灰度值-邻域均值统计出该灰度值-邻域均值对应的像素点的个数,计算出每一类的类内对比度和两类之间的类间对比度;
利用边缘区域内对应各像素点及该像素点相邻像素点的灰度值计算边缘区域的边缘清晰度;
根据获得的中间区域中类间对比度、每一类的类内对比度和边缘区域的边缘清晰度得到二维灰度直方图的均衡化必要度;
根据均衡化必要度对二维灰度直方图是否需要均衡化进行判断。
2.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述对灰度值-邻域均值空间进行区域划分的具体方法为:
在灰度值-邻域均值空间中,作三条平行直线、/>和/>,其中,/>,/>为像素点最大灰度值,/>为像素点最小灰度值,/>为灰度值;
直线和直线/>之间的区域为中间区域;
直线上方和直线/>下方的区域为边缘区域。
3.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述将中间区域内的所有像素点分为两类的方法如下:
使用高斯混合模型对中间区域内的所有像素点进行拟合,模型公式为:
式中,为拟合获得的模型,/>为样本数据/>,/>为高斯模型需要计算的参数,为第/>个高斯分布需要计算的参数,/>是系数,/>且混合高斯模型中,多个高斯模型的系数/>之和为1,/>,/>为该高斯混合模型包含的高斯分布的数量,为/>在第/>个高斯分布的分布密度函数,/>为:
式中,为第/>个二维高斯分布的均值,/>为第/>个二维高斯分布的方差,/>为第/>个二维高斯分布的协方差;
利用EM算法来估计高斯混合模型需要计算的参数,得到高斯混合模型包括的两个二维高斯分布的具体参数分别为/>和/>;
将中间区域中每个像素点的灰度值和邻域均值带入得到:
式中,为自然常数,/>为圆周率;
当 =1时,若:
则该像素点属于对应的二维高斯分布;
当时,若:
则该像素点属于对应的二维高斯分布;
通过上述判断,可得到两类像素点集合和/>,每类集合中的像素点对应的不同的灰度值-邻域均值/>的个数分别为/>和/>。
4.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述二维灰度直方图的均衡化必要度计算方法为:
式中,为二维灰度直方图的均衡化必要度,/>为类内对比度,/>为类间对比度,为边缘清晰度,/>,/>为像素类别数量,当/>时,/>和/>表示两类像素各自的类内对比度。
5.根据权利要求4所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述类内对比度的获取步骤为:
计算类像素点和/>类像素点各自的类内均值/>,公式如下:
式中:为每类像素点对应的不同的灰度值-邻域均值的数量,/>为每类集合中的像素点对应的不同的灰度值-邻域均值,/>为像素点集合,/>为每类像素点中灰度值为/>且邻域均值为/>的像素点在/>类像素点中出现的频数,即/>对应的像素点个数;
计算类像素点和/>类像素点各自的类内对比度,公式如下:
公式中,为类内对比度。
6.根据权利要求4所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述类间对比度的计算方法为:
式中,为类间对比度,/>为/>类像素点和/>类像素点整体频数均值,计算方法如下:
式中,为/>和/>两类像素点共同组成的集合中的像素点对应的灰度值-邻域均值,/>为两类像素点中灰度值为/>且邻域均值为/>的像素点出现的频数,即/>对应的像素点个数。
7.根据权利要求4所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述边缘清晰度的计算方法为:
式中,,/>为边缘像素点集合,/>为边缘像素点集合中边缘像素点的数量,为边缘集合中的边缘像素点坐标,/>为该坐标对应像素点的灰度值。
8.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述判断二维直方图是否需要均衡化的方法为:
若二维灰度直方图的均衡化必要度大于阈值,则对该二维灰度直方图进行均衡化。
9.根据权利要求8所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述阈值设置为0.5。
10.一种基于机器学习的钣金图像增强系统,包括图像处理模块、计算分类模块:
所述图像处理模块:
对采集的钣金图像进行灰度化,并转化为灰度值-邻域均值-频数二维灰度直方图,对二维灰度直方图中的灰度值-邻域均值空间进行区域划分得到边缘区域和中间区域;
对所述计算分类模块计算得到的大于均衡化必要度的二维灰度直方图进行均衡化处理;
所述计算分类模块:
使用高斯混合模型对所述图像处理模块得到的中间区域中的像素点进行拟合得到两个二维高斯分布,通过EM算法获得两个二维高斯分布的参数,将每个像素点的灰度值和邻域均值带入两个二维高斯分布的密度函数,可将中间区域内的所有像素点分为两类,并计算出类间对比度、类内对比度、边缘清晰度,综合得到均衡化必要度,计算出大于均衡化必要度阈值的二维灰度直方图原始图像中灰度值和对应均衡化后的灰度值的映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077184.5A CN117593193B (zh) | 2024-01-19 | 2024-01-19 | 一种基于机器学习的钣金图像增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077184.5A CN117593193B (zh) | 2024-01-19 | 2024-01-19 | 一种基于机器学习的钣金图像增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593193A true CN117593193A (zh) | 2024-02-23 |
CN117593193B CN117593193B (zh) | 2024-04-23 |
Family
ID=89920557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410077184.5A Active CN117593193B (zh) | 2024-01-19 | 2024-01-19 | 一种基于机器学习的钣金图像增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593193B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788570A (zh) * | 2024-02-26 | 2024-03-29 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于机器视觉的斗轮机定位方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070238954A1 (en) * | 2005-11-11 | 2007-10-11 | White Christopher A | Overlay image contrast enhancement |
CN105118067A (zh) * | 2015-09-22 | 2015-12-02 | 成都融创智谷科技有限公司 | 一种基于高斯平滑滤波的图像分割方法 |
WO2019223069A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN115512231A (zh) * | 2022-11-15 | 2022-12-23 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 适用于国土空间生态修复的遥感解译方法 |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
-
2024
- 2024-01-19 CN CN202410077184.5A patent/CN117593193B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070238954A1 (en) * | 2005-11-11 | 2007-10-11 | White Christopher A | Overlay image contrast enhancement |
CN105118067A (zh) * | 2015-09-22 | 2015-12-02 | 成都融创智谷科技有限公司 | 一种基于高斯平滑滤波的图像分割方法 |
WO2019223069A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN115512231A (zh) * | 2022-11-15 | 2022-12-23 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 适用于国土空间生态修复的遥感解译方法 |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
Non-Patent Citations (3)
Title |
---|
曾磊;: "基于Otsu法自适应阈值的图像分割研究", 信息技术, no. 10, 25 October 2008 (2008-10-25) * |
王娟;: "基于图像邻域滤波和分频处理的边缘检测", 科技创新与应用, no. 31, 20 October 2020 (2020-10-20) * |
黄展鹏;: "基于分段直方图均衡化技术的图像增强", 电脑知识与技术, no. 16, 5 June 2008 (2008-06-05) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788570A (zh) * | 2024-02-26 | 2024-03-29 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于机器视觉的斗轮机定位方法及系统 |
CN117788570B (zh) * | 2024-02-26 | 2024-05-07 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于机器视觉的斗轮机定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117593193B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4529172B2 (ja) | デジタル画像における赤目領域の検出方法及び装置 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111626993A (zh) | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN108665417B (zh) | 一种车牌图像去模糊方法、装置及系统 | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN115760826B (zh) | 一种基于图像处理的轴承磨损状况诊断方法 | |
CN111724376B (zh) | 一种基于纹理特征分析的纸病检测方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
CN113052215A (zh) | 基于神经网络可视化的声呐图像自动目标识别方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
CN116228780A (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN116109558A (zh) | 基于颈部半透明厚度测量值筛查胎儿染色体异常的方法 | |
CN105447457A (zh) | 一种基于自适应特征的车牌字符识别方法 | |
CN111274964A (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN110837834B (zh) | 一种数字仪表读数方法及系统 | |
CN111881924A (zh) | 结合光照不变性与短曝光光照增强的暗光车照识别方法 | |
CN110188693B (zh) | 改进的复杂环境车辆特征提取和停车判别方法 |
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 |