CN117974705A - 基于多阈值的缺陷图像分割方法、装置及电子设备 - Google Patents
基于多阈值的缺陷图像分割方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117974705A CN117974705A CN202410246482.2A CN202410246482A CN117974705A CN 117974705 A CN117974705 A CN 117974705A CN 202410246482 A CN202410246482 A CN 202410246482A CN 117974705 A CN117974705 A CN 117974705A
- Authority
- CN
- China
- Prior art keywords
- iteration
- optimizing
- segmentation
- target
- threshold
- 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 93
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003709 image segmentation Methods 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 100
- 239000002245 particle Substances 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多阈值的缺陷图像分割方法、装置及电子设备,涉及图像处理技术领域,包括:在为待分割的目标缺陷图像确定分割阈值解的过程中,确定本次迭代所处的阶段;若本次迭代处于局部寻优阶段,则根据本次迭代的最优寻优粒子位置与当前寻优粒子位置之间的差值,以及自适应步长参数,更新本次迭代的寻优种群位置;根据本次迭代的寻优种群位置确定分割阈值解集;利用目标函数计算分割阈值解的适应度值,并确定本次迭代中满足适应度条件的候选适应度值;根据各迭代轮次的候选适应度值确定目标分割阈值解;并根据目标分割阈值解对目标缺陷图像进行分割,得到目标分割图像。本方案提高图像分割的分割速度和分割精确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于多阈值的缺陷图像分割方法、装置及电子设备。
背景技术
为实现电网安全输电,通常需要对电网输电线路进行线路巡检,来识别电网输电线路的缺陷,进而对存在的缺陷进行及时处理。
相关技术中,通过利用多阈值图像分割方法对电网输电线路缺陷图像进行图像分割,进而识别输电线路的缺陷。
但是,采用上述多阈值图像分割方法对图像进行分割,图像分割的精确性有待进一步提高。
发明内容
本发明提供了一种基于多阈值的缺陷图像分割方法、装置及电子设备,以解决相关技术中的基于多阈值的图像分割,分割精度有待进一步提高的问题。
根据本发明的一方面,提供了一种基于多阈值的缺陷图像分割方法,包括:
在为待分割的目标缺陷图像确定分割阈值解的过程中,确定本次迭代所处的阶段;
若本次迭代处于局部寻优阶段,则根据本次迭代的最优寻优粒子位置与当前寻优粒子位置之间的差值,以及自适应步长参数,更新本次迭代的寻优种群位置;
根据本次迭代的寻优种群位置确定分割阈值解集;其中,所述分割阈值解集包括至少一组分割阈值解;一组分割阈值解包括m个分割阈值;m个分割阈值用于将所述目标缺陷图像分割成m+1类;m为正整数;
利用目标函数计算分割阈值解的适应度值,并确定本次迭代中满足适应度条件的候选适应度值;
根据各迭代轮次的候选适应度值确定目标分割阈值解;并根据所述目标分割阈值解对所述目标缺陷图像进行分割,得到目标分割图像。
根据本发明的另一方面,提供了一种基于多阈值的缺陷图像分割装置,包括:
寻优单元,用于在为待分割的目标缺陷图像确定分割阈值解的过程中,确定本次迭代所处的阶段;
所述寻优单元,还用于若本次迭代处于局部寻优阶段,则根据本次迭代的最优寻优粒子位置与当前寻优粒子位置之间的差值,以及自适应步长参数,更新本次迭代的寻优种群位置;
所述寻优单元,还用于根据本次迭代的寻优种群位置确定分割阈值解集;其中,所述分割阈值解集包括至少一组分割阈值解;一组分割阈值解包括m个分割阈值;m个分割阈值用于将所述目标缺陷图像分割成m+1类;m为正整数;
所述寻优单元,还用于利用目标函数计算分割阈值解的适应度值,并确定本次迭代中满足适应度条件的候选适应度值;
所述寻优单元,还用于根据各迭代轮次的候选适应度值确定目标分割阈值解;
分割阶段,用于根据所述目标分割阈值解对所述目标缺陷图像进行分割,得到目标分割图像。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基于多阈值的缺陷图像分割方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于多阈值的缺陷图像分割方法。
本发明实施例的技术方案,在局部寻优阶段,通过最优寻优粒子位置来更新寻优种群位置可以提高寻优精度;通过自适应步长来更新寻优种群位置可以提高寻优速度。进而提高了利用根据寻优得到的目标分割阈值解进行多阈值图像分割的分割速度和分割精确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是根据本发明实施例一提供的一种基于多阈值的缺陷图像分割方法的流程图;
图2是根据本发明实施例二提供的一种基于多阈值的缺陷图像分割方法的流程图;
图3是根据本发明实施例三提供的一种基于多阈值的缺陷图像分割装置的结构示意图;
图4是实现本发明实施例的基于多阈值的缺陷图像分割方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种基于多阈值的缺陷图像分割方法的流程图,本实施例可适用于基于多阈值的图像分割场景,该方法可以由电子设备来执行。如图1所示,该方法包括:
步骤101,在为待分割的目标缺陷图像确定分割阈值解的过程中,确定本次迭代所处的阶段。
其中,目标缺陷图像可以为电网输电线路的缺陷图像。
其中,目标缺陷图像可以是基于多光谱采集的多光谱图像。多光谱图像提供了不同波段的光谱信息,可以使得对输电线路缺陷区域的分析更为精细,不同材料在不同波段的反射率有所不同,这可以使得缺陷在多光谱图像中显示出特定的光谱特征,同时,多光谱图像可以通过选择合适的波段来增强缺陷的对比度,对比度的提高有助于更容易地检测和分析缺陷。
具体的,可以基于多阈值图像分割方法,利用分割阈值解对待分割的目标缺陷图像进行图像分割。
具体的,可以基于贪心算法来寻找最优解,并根据最优解确定用于对目标缺陷图像进行分割的目标分割阈值解。例如,该贪心算法可以为雾凇优化算法。利用雾凇优化算法通过进行全局寻优和局部寻优来寻找最优解,其中,全局寻优可以为软霜搜索阶段;局部寻优可以为硬霜穿刺阶段。若设置T为最大迭代次数,则可以将0至T/2之间的迭代次数,确定为全局寻优阶段;将T/2至T之间的迭代次数,确定为局部寻优阶段。当迭代次数达到T则停止迭代。
具体的,可以利用Otsu算法实现多阈值图像分割。可以根据经验初始化Otsu算法的分割阈值个数;并初始化雾凇优化算法的参数,包括种群总体规模、问题维度、雾凇结晶的上界和下界,以及最大迭代次数。随机生成一定数量的寻优粒子位置,每个寻优粒子位置对应Otsu算法中的一组分割阈值解。
步骤102,若本次迭代处于局部寻优阶段,则根据本次迭代的最优寻优粒子位置与当前寻优粒子位置之间的差值,以及自适应步长参数,更新本次迭代的寻优种群位置。
具体的,可以利用目标函数计算寻优粒子位置的适应度值,并将满足适应度条件的适应度值对应的寻优粒子位置确定为最优寻优粒子位置。其中,该适应度条件可以为将最大适应度值对应的寻优粒子位置确定为最优寻优粒子位置;适应度条件也可以包括将适应度值按照大小顺序进行排序,将排在第二的适应度值对应的寻优粒子位置确定为最优寻优粒子位置。本发明对适应度条件不做限制。
步骤103,根据本次迭代的寻优种群位置确定分割阈值解集;其中,分割阈值解集包括至少一组分割阈值解;一组分割阈值解包括m个分割阈值;m个分割阈值用于将目标缺陷图像分割成m+1类;m为正整数。
具体的,可以预先设置寻优种群位置与分割阈值解集之间的映射关系。并根据该映射关系,将寻优种群位置映射为分割阈值解集。
步骤104,利用目标函数计算分割阈值解的适应度值,并确定本次迭代中满足适应度条件的候选适应度值。
具体的,可以通过如下公式确定目标函数。
其中,f表示目标函数;N表示用于对目标缺陷图像进行图像分割的分割阈值个数;wi表示目标缺陷图像第i个子区域的像素权重;为第i个子区域的类间方差。
具体的,可以将目标函数作为雾凇优化算法的适应度函数,利用该适应度函数计算本次迭代中产生的最优雾凇个体的适应度值,并将该适应度值确定为本次迭代的候选适应度值。
步骤105,根据各迭代轮次的候选适应度值确定目标分割阈值解;并根据目标分割阈值解对目标缺陷图像进行分割,得到目标分割图像。
具体的,可以将满足适应度条件的候选适应度值,对应的分割阈值解确定为目标分割阈值解。该适应度条件可以为将最大候选适应度值对应的分割阈值解确定为目标分割阈值解;适应度条件也可以包括将候选适应度值按照大小顺序进行排序,将排在第二的候选适应度值对应的分割阈值解确定为目标分割阈值解。本发明对适应度条件不做限制。
具体的,可以目标缺陷图像进行图像预处理,具体为:将彩色图像转化为灰度图像,以减少处理的数据量,灰度图像每个像素只需一个字节存放灰度值,灰度范围为[1,256];然后,通过平移、转置、镜像、旋转、缩放操作对灰度图像进行处理,以改正图像采集系统的系统误差和仪器位置的随机误差。
进而,根据目标分割阈值解对预处理后的目标缺陷图像进行分割,得到目标分割图像。
本发明实施例提供的技术方案,在局部寻优阶段,通过最优寻优粒子位置来更新寻优种群位置可以提高寻优精度;通过自适应步长来更新寻优种群位置可以提高寻优速度。进而提高了利用根据寻优得到的目标分割阈值解进行多阈值图像分割的分割速度和分割精确性。
实施例二
图2是根据本发明实施例二提供的一种基于多阈值的缺陷图像分割方法的流程图,本实施例细化了实施例一中的步骤102和步骤105,并增加了在全局寻优阶段中更新寻优种群位置的特征。如图2所示,该方法包括:
步骤201,在为待分割的目标缺陷图像确定分割阈值解的过程中,确定本次迭代所处的阶段。
步骤201与步骤101的原理、实现方式类似,不再赘述。
步骤201之后可以执行步骤202或者步骤203。
步骤202,若本次迭代处于全局寻优阶段,则根据本次迭代的最优寻优粒子位置,更新本次迭代的寻优种群位置。
步骤202之后可以执行步骤205。
具体的,若确定本次迭代处于全局优化阶段,则可以通过如下公式更新寻优种群位置。
其中,表示寻优种群中第i个寻优粒子更新后的位置;Xbest表示寻优种群中最优寻优粒子位置;r1表示0-1之间的随机数;θ表示0-2π之间的随机角度;β表示外部环境因素;h表示上次迭代寻优粒子粘附度;UB表示逃逸空间的上界;LB表示逃逸空间的下界。
步骤203,若本次迭代处于局部寻优阶段,则确定本次迭代的最优寻优粒子位置,与本次迭代寻优种群位置中第i个寻优粒子的当前位置之间的目标差值。
具体的,若确定本次迭代处于局部最优阶段,则可以通过如下公式确定目标差值。
ΔYi=Ybest-Yi
其中,Ybest表示本次迭代的最优寻优粒子位置;Yi表示本次迭代寻优种群位置中第i个寻优粒子的当前位置;ΔYi表示目标差值。
步骤204,确定目标差值的绝对值,与自适应步长参数之间的乘积;并将目标差值与该乘积之间的差,确定为更新后的第i个寻优粒子位置。
具体的,若确定本次迭代处于局部最优阶段,则可以通过如下公式确定更新后的第i个寻优粒子位置。
Yi new=ΔYi-γ|ΔYi|
其中,Yi new表示更新后的第i个寻优粒子位置,ΔYi表示目标差值;|ΔYi|表示目标差值的绝对值;γ表示自适应步长参数。
进一步的,可以根据各更新后的第i个寻优粒子位置组成更新后寻优种群位置。
在一种可实现方式中,自适应步长参数根据最大步长阈值、最小步长阈值、以及迭代次数确定。
具体的,可以通过如下公式确定自适应步长参数。
其中,γ表示本次迭代的自适应步长参数;γmax表示最大步长阈值,可以设置为2;γmin表示最小步长阈值,可以设置为1;t为本次迭代的迭代次数;T表示最大迭代次数。
具体的,本发明在基础雾凇优化算法基础上,在局部寻优阶段融合了哈里斯鹰优化算法,并引入自适应步长参数,可以提高局部寻优阶段的搜索精度,更好的平衡了全局寻优和局部寻优的性能。在迭代初期能够保持相对较大的值,从而保证迭代前期算法的全局探索能力,在迭代后期能够长时间保持在较小值范围,保证算法进行精细搜索的同时延长算法的局部搜索,从而更快、更精确地找到多阈值Otsu算法阈值参数解,从而使输电线路图像缺陷分割更明显。
步骤205,根据本次迭代的寻优种群位置确定分割阈值解集;其中,分割阈值解集包括至少一组分割阈值解;一组分割阈值解包括m个分割阈值;m个分割阈值用于将目标缺陷图像分割成m+1类;m为正整数。
步骤205与步骤103的原理、实现方式类似,不再赘述。
步骤206,利用目标函数计算分割阈值解的适应度值,并确定本次迭代中满足适应度条件的候选适应度值。
步骤206与步骤104的原理、实现方式类似,不再赘述。
步骤207,根据各迭代轮次的候选适应度值确定目标分割阈值解;并根据目标缺陷图像的中心像素灰度值、邻域点灰度值,以及高斯分布的标准差,确定权重系数。
具体的,可以利用如下公式确定权重系数。
其中,wp表示权重系数;σ表示高斯分布的标准差,用于控制权重的衰减速度;Ic表示目标缺陷图像的中心像素灰度值;Ip表示邻域点灰度值。
步骤208,并根据权重系数,对目标缺陷图像进行局部二值处理,得到更新的目标缺陷图像;根据目标分割阈值解对更新的目标缺陷图像进行分割,得到目标分割图像。
具体的,可以对目标缺陷图像进行去噪、平滑和锐化处理,以提高图像清晰度和对比度。
可以确定局部二值的参数,包括窗口大小和阈值。具体的,可以根据实验条件和实际情况对局部二值的参数进行选择和调整。继而,可以通过如下公式对目标缺陷图像进行局部二值处理。
其中,W_LBP表示对目标缺陷图像进行局部二值处理得到的更新的目标缺陷图像的特征表示;p为邻域点;Ic表示目标缺陷图像的中心像素灰度值;Ip表示邻域点灰度值;wp表示权重系数;s为单位阶跃函数。
在局部二值化过程中,每个像素点的值根据其周围像素点的值进行判断,从而将目标缺陷图像转化为二值图像,即更新的目标缺陷图像。
在局部二值化后的图像中,可以根据需要提取相应的特征提取缺陷区域的边缘、形状、大小信息;进而根据提取的特征,对输电线路图像缺陷进行分割。
具体的,权重系数的选择可以基于像素之间的空间关系、颜色对比度,进而给图像的缺陷部分像素赋予较大的权重。从而在计算局部二值模式时更为突出,这种改进可以增强局部二值模式对图像纹理的刻画能力。因此,在对目标缺陷图像进行局部二值处理过程中加入权重系数,可以使更新的目标缺陷图像的缺陷特征更明显。
实施例三
图3是根据本发明实施例三提供的一种基于多阈值的缺陷图像分割装置的结构示意图。如图3所示,该装置300包括:
寻优单元310,用于在为待分割的目标缺陷图像确定分割阈值解的过程中,确定本次迭代所处的阶段;
寻优单元310,还用于若本次迭代处于局部寻优阶段,则根据本次迭代的最优寻优粒子位置与当前寻优粒子位置之间的差值,以及自适应步长参数,更新本次迭代的寻优种群位置;
寻优单元310,还用于根据本次迭代的寻优种群位置确定分割阈值解集;其中,分割阈值解集包括至少一组分割阈值解;一组分割阈值解包括m个分割阈值;m个分割阈值用于将目标缺陷图像分割成m+1类;m为正整数;
寻优单元310,还用于利用目标函数计算分割阈值解的适应度值,并确定本次迭代中满足适应度条件的候选适应度值;
寻优单元310,还用于根据各迭代轮次的候选适应度值确定目标分割阈值解;
分割阶段320,用于根据目标分割阈值解对目标缺陷图像进行分割,得到目标分割图像。
寻优单元310,具体用于确定本次迭代的最优寻优粒子位置,与本次迭代寻优种群位置中第i个寻优粒子的当前位置之间的目标差值;
确定目标差值的绝对值,与自适应步长参数之间的乘积;并将目标差值与该乘积之间的差,确定为更新后的第i个寻优粒子位置。
在一种可实现方式中,自适应步长参数根据最大步长阈值、最小步长阈值、以及迭代次数确定。
分割阶段320,具体用于根据目标缺陷图像的中心像素灰度值、邻域点灰度值,以及高斯分布的标准差,确定权重系数;
并根据权重系数,对目标缺陷图像进行局部二值处理,得到更新的目标缺陷图像;
根据目标分割阈值解对更新的目标缺陷图像进行分割,得到目标分割图像。
寻优单元310,还用于若本次迭代处于全局寻优阶段,则根据本次迭代的最优寻优粒子位置,更新本次迭代的寻优种群位置。
本发明实施例所提供的基于多阈值的缺陷图像分割装置可执行本发明任意实施例所提供的基于多阈值的缺陷图像分割方法,具备执行基于多阈值的缺陷图像分割方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如基于多阈值的缺陷图像分割方法。
在一些实施例中,上述任一种基于多阈值的缺陷图像分割方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的任一种基于多阈值的缺陷图像分割方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述任一种基于多阈值的缺陷图像分割方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于多阈值的缺陷图像分割方法,其特征在于,包括:
在为待分割的目标缺陷图像确定分割阈值解的过程中,确定本次迭代所处的阶段;
若本次迭代处于局部寻优阶段,则根据本次迭代的最优寻优粒子位置与当前寻优粒子位置之间的差值,以及自适应步长参数,更新本次迭代的寻优种群位置;
根据本次迭代的寻优种群位置确定分割阈值解集;其中,所述分割阈值解集包括至少一组分割阈值解;一组分割阈值解包括m个分割阈值;m个分割阈值用于将所述目标缺陷图像分割成m+1类;m为正整数;
利用目标函数计算分割阈值解的适应度值,并确定本次迭代中满足适应度条件的候选适应度值;
根据各迭代轮次的候选适应度值确定目标分割阈值解;并根据所述目标分割阈值解对所述目标缺陷图像进行分割,得到目标分割图像。
2.根据权利要求1所述的方法,其特征在于,所述根据本次迭代的最优寻优粒子位置与当前寻优粒子位置之间的差值,以及自适应步长参数,更新本次迭代的寻优种群位置,包括:
确定本次迭代的最优寻优粒子位置,与本次迭代寻优种群位置中第i个寻优粒子的当前位置之间的目标差值;
确定所述目标差值的绝对值,与自适应步长参数之间的乘积;并将所述目标差值与该乘积之间的差,确定为更新后的第i个寻优粒子位置。
3.根据权利要求1或2所述的方法,其特征在于,所述自适应步长参数根据最大步长阈值、最小步长阈值、以及迭代次数确定。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标分割阈值解对所述目标缺陷图像进行分割,得到目标分割图像,包括:
根据所述目标缺陷图像的中心像素灰度值、邻域点灰度值,以及高斯分布的标准差,确定权重系数;
并根据所述权重系数,对所述目标缺陷图像进行局部二值处理,得到更新的目标缺陷图像;
根据所述目标分割阈值解对所述更新的目标缺陷图像进行分割,得到目标分割图像。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若本次迭代处于全局寻优阶段,则根据本次迭代的最优寻优粒子位置,更新本次迭代的寻优种群位置。
6.一种基于多阈值的缺陷图像分割装置,其特征在于,包括:
寻优单元,用于在为待分割的目标缺陷图像确定分割阈值解的过程中,确定本次迭代所处的阶段;
所述寻优单元,还用于若本次迭代处于局部寻优阶段,则根据本次迭代的最优寻优粒子位置与当前寻优粒子位置之间的差值,以及自适应步长参数,更新本次迭代的寻优种群位置;
所述寻优单元,还用于根据本次迭代的寻优种群位置确定分割阈值解集;其中,所述分割阈值解集包括至少一组分割阈值解;一组分割阈值解包括m个分割阈值;m个分割阈值用于将所述目标缺陷图像分割成m+1类;m为正整数;
所述寻优单元,还用于利用目标函数计算分割阈值解的适应度值,并确定本次迭代中满足适应度条件的候选适应度值;
所述寻优单元,还用于根据各迭代轮次的候选适应度值确定目标分割阈值解;
分割阶段,用于根据所述目标分割阈值解对所述目标缺陷图像进行分割,得到目标分割图像。
7.根据权利要求6所述的装置,其特征在于,所述寻优单元具体用于:
确定本次迭代的最优寻优粒子位置,与本次迭代寻优种群位置中第i个寻优粒子的当前位置之间的目标差值;
确定所述目标差值的绝对值,与自适应步长参数之间的乘积;并将所述目标差值与该乘积之间的差,确定为更新后的第i个寻优粒子位置。
8.根据权利要求6或7所述的装置,其特征在于,所述自适应步长参数根据最大步长阈值、最小步长阈值、以及迭代次数确定。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的基于多阈值的缺陷图像分割方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的基于多阈值的缺陷图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410246482.2A CN117974705A (zh) | 2024-03-05 | 2024-03-05 | 基于多阈值的缺陷图像分割方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410246482.2A CN117974705A (zh) | 2024-03-05 | 2024-03-05 | 基于多阈值的缺陷图像分割方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974705A true CN117974705A (zh) | 2024-05-03 |
Family
ID=90854684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410246482.2A Pending CN117974705A (zh) | 2024-03-05 | 2024-03-05 | 基于多阈值的缺陷图像分割方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974705A (zh) |
-
2024
- 2024-03-05 CN CN202410246482.2A patent/CN117974705A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966587B (zh) | 目标检测模型的训练方法、目标检测方法及相关设备 | |
CN115131566A (zh) | 基于超像素和改进模糊c均值聚类的自动图像分割方法 | |
CN113378832B (zh) | 文本检测模型训练方法、文本预测框方法及装置 | |
CN112862017B (zh) | 点云数据的标注方法、装置、设备和介质 | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN117974705A (zh) | 基于多阈值的缺陷图像分割方法、装置及电子设备 | |
CN114972361B (zh) | 一种血流分割方法、装置、设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113947146A (zh) | 样本数据生成方法、模型训练方法、图像检测方法及装置 | |
CN113032071A (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
CN117437253A (zh) | 电网输电线路缺陷图像分割方法、装置及电子设备 | |
CN116109991B (zh) | 模型的约束参数确定方法、装置及电子设备 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN115690411A (zh) | 一种肝段分割方法、装置、电子设备及存储介质 | |
CN113362297B (zh) | 用于印刷电路板的图像处理方法、设备和存储介质 | |
CN118154532A (zh) | 一种输电线路的缺陷检测方法、装置和存储介质 | |
CN114463354A (zh) | 图像分割模型的处理方法、装置、设备及存储介质 | |
CN116363378A (zh) | 一种多尺度特征提取方法、装置、电子设备及存储介质 | |
CN116484207A (zh) | 一种多特征提取方法、装置、设备及存储介质 | |
CN116596941A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN116597209A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
CN117149119A (zh) | 一种显示控制方法、装置及电子设备 | |
CN116416254A (zh) | 一种输电线分割方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |