像塊中無(wú)缺陷；
[0046] Step2 :若加權(quán)特征值λ i遠(yuǎn)遠(yuǎn)大于加權(quán)特征值λ 2，則該子圖像塊中存在缺陷，從 而最終檢測(cè)并定位缺陷位置。
[0047] 方法具體步驟如下：
[0048] 步驟1:缺陷圖像預(yù)處理。本發(fā)明通過(guò)對(duì)背景信息估計(jì)，使表面缺陷與背景信息分 害J，并利用圖像變換突出缺陷部分像素亮度，具體過(guò)程如下：
[0049] 1)采用開運(yùn)算，對(duì)目標(biāo)圖像先腐蝕處理，再膨脹操作。通過(guò)結(jié)構(gòu)元滑動(dòng)既消除條狀 物體表面文字等像素干擾，又保留缺陷信息，獲得背景估計(jì)圖像；
[0050] 2)將源圖像與背景估計(jì)圖像進(jìn)行差分運(yùn)算。對(duì)于一幅圖像為ΜΧΝ矩陣，差分矩陣 Λ [i，j] = S[i，j]_T[i，j]，S[i，j]，T[i，j]分別為源圖像與背景估計(jì)圖像，其中Λ [i，j] 中任意元素非負(fù)，最大值小于255。
[0051] 3)采用亮度變換方法，通過(guò)伽馬（ga_a)變化，增強(qiáng)或者減少圖像亮度，達(dá)到突出 表面缺陷目的。
[0052] 4)利用視覺注意力模型，處理上述步驟得到圖像，獲得顯著性圖像SM。
[0053] 步驟2 :圖像分塊。先將一副mXη的顯著性圖SM分成pXq塊子圖像，即：
[0055] 其中S表不顯著性圖SM，每個(gè)子圖像Sk^ m kXn^陣形式，其中、
[0056] 步驟3 :提取缺陷子圖像。由于顯著性圖像S中缺陷處的像素與非缺陷位置的像 素特征不同，其方差可以更好體現(xiàn)缺陷顯著特征，并且方差是描述圖像中像素值與均值之 間變化程度，包含缺陷圖像方差明顯要比沒(méi)有缺陷圖像方差大。因此，可以通過(guò)計(jì)算子圖像 方差，通過(guò)與整幅圖像均方差對(duì)比，確定缺陷位置，具體算法描述如下：
[0057] a)計(jì)算整幅顯著性圖像S均值和方差：
[0060] 式中E(k，1)、〇2(k，1)分別為顯著性圖像S均值，方差。
[0061] b)計(jì)算分塊子圖像Skl均值和方差：
[0064] 式中（2ω+1) X (2ω+1)為圖像分塊大小，ω為整數(shù)，(Λ，/) v 〇_: (A，/}分別為 子圖像矩陣Skl的均值、方差。
[0065] c)對(duì)于整副圖像而言，大部分像素點(diǎn)灰度值相近，僅僅包含缺陷區(qū)域灰度值較大， 因此整幅圖像個(gè)體（單個(gè)像素點(diǎn)灰度值）偏離總體（整幅圖像的灰度值）波動(dòng)不大，也就 是方差不是很大；而對(duì)于分塊的子圖像，如果不包含缺陷，則灰度值差別不大，其方差小于 整幅圖像的方差；如果包含缺陷，灰度值相差較大，其值波動(dòng)也大，這時(shí)子圖像的方差必定 大于整幅圖像的方差。因此判別函數(shù)可定義為：
[0067] 由此，可根據(jù)判別函數(shù)確定子圖像是否包含缺陷。
[0068] 步驟4 :構(gòu)建加權(quán)協(xié)方差矩陣，利用上述步驟確定的疑似缺陷子圖像，本文利用 PCA的思想，通過(guò)構(gòu)建加權(quán)協(xié)方差矩陣，基于每個(gè)像素點(diǎn)灰度值而計(jì)算加權(quán)的特征值，從而 確定顯著性圖SM中缺陷位置，具體步驟描述如下：
[0069] a)定義子圖像中心像素點(diǎn)(?為：
[0072] b)子圖像加權(quán)協(xié)方差矩陣Μ定義為：
，其中
[0076] 步驟5 :加權(quán)特征值計(jì)算，根據(jù)式Μ-λ · I = 〇計(jì)算λ λ2，其中λ \2分別為：
[0079] 步驟6 :識(shí)別與定位缺陷位置，通過(guò)判斷λ λ 2的值確定子圖像是否包含缺陷：若 λ u λ 2的值相近，則該子圖像塊中無(wú)缺陷；若λ i遠(yuǎn)遠(yuǎn)大于λ 2，則該子圖像塊中存在缺陷。
【主權(quán)項(xiàng)】
1. 一種基于圖像分塊方差-加權(quán)特征值的多缺陷檢測(cè)方法，其特征在于包括如下步 驟： 1) 缺陷圖像預(yù)處理； 2) 圖像分塊，先將預(yù)處理的一副mXn顯著性圖SM分成pXq塊子圖像，即：其中S表示顯著性圖SM，每個(gè)子圖像Skl是m kXn^陣形式，其中3) 提取包含潛在缺陷的子圖像，由于顯著性圖像SM中缺陷處像素與非缺陷位置像素 特征不同，包含缺陷的圖像方差明顯要比沒(méi)有缺陷圖像的方差大；因此，通過(guò)計(jì)算子圖像方 差，與整幅圖像均方差對(duì)比，確定包含潛在缺陷的子圖像位置； 4) 構(gòu)建加權(quán)協(xié)方差矩陣，利用PCA的思想，通過(guò)構(gòu)建加權(quán)協(xié)方差矩陣，基于每個(gè)像素點(diǎn) 灰度值而計(jì)算加權(quán)特征值，從而確定顯著性圖SM缺陷位置； 5) 加權(quán)特征值λ λ 2計(jì)算； 6) 識(shí)別與定位缺陷位置，通過(guò)判斷λ1; λ2的值確定子圖像是否包含缺陷：若λ λ2 的值相近，則該子圖像塊中無(wú)缺陷；若A1遠(yuǎn)遠(yuǎn)大于λ 2，則該子圖像塊中存在缺陷。2. 根據(jù)權(quán)利要求1所述的基于圖像分塊方差-加權(quán)特征值的多缺陷檢測(cè)方法，其特征 在于上述步驟3)中，確定包含潛在缺陷的子圖像的具體算法描述如下： 21) 計(jì)算全幅顯著性圖像SM的均值和方差：式中E(k，l)、〇2(k，l)分別為顯著性圖像SM的均值，方差； 22) 計(jì)算分塊子圖像Skl均值和方差：式中（2ω+1) X (2ω+1)為圖像分塊大小，ω為整數(shù)，分別為子矩陣 Skl的均值、方差； 23) 對(duì)于整副圖像，圖像個(gè)體（單個(gè)像素點(diǎn)灰度值）偏離總體（整幅圖像的灰度值）波 動(dòng)不大，也就是方差不是很大；而對(duì)于分塊的子圖像，如果不包含缺陷，其方差小于整幅圖 像均方差；如果包含缺陷，則子圖像的方差必定大于整幅圖像均方差，因此判別函數(shù)可定義 為：3. 根據(jù)權(quán)利要求1所述的基于圖像分塊方差-加權(quán)特征值的多缺陷檢測(cè)方法，其特征 在于上述步驟4)中，確定顯著性圖SM缺陷位置的具體步驟描述如下： 31) 定義子圖像的中心像素點(diǎn)(.?.3為：32) 子圖像的加權(quán)協(xié)方差矩陣M定義為：：其中4. 根據(jù)權(quán)利要求1所述的基于圖像分塊方差-加權(quán)特征值的多缺陷檢測(cè)方法，其特征 在于上述步驟5)中，加權(quán)特征值A(chǔ)1, λ2計(jì)算，根據(jù)式Μ-λ ·Ι = 〇計(jì)算λ λ2，其中A1, λ2 分別為：5. 根據(jù)權(quán)利要求2所述的基于圖像分塊方差-加權(quán)特征值的多缺陷檢測(cè)方法，其特征 在于上述步驟23)中，圖像個(gè)體是指單個(gè)像素點(diǎn)灰度值，偏離總體是指整幅圖像的灰度值。
【專利摘要】本發(fā)明是一種基于圖像分塊方差-加權(quán)特征值的多缺陷檢測(cè)方法，本發(fā)明利用圖像分塊提取子圖像，加權(quán)協(xié)方差計(jì)算加權(quán)特征值來(lái)確定缺陷。圖像分塊目的是利用圖像方差與分塊子圖像的方差比較，去除圖像方差值較小的子圖像，得到包含潛在缺陷的子圖像，作為下一步加權(quán)特征值計(jì)算輸入。然后利用主元成分分析方法構(gòu)建加權(quán)協(xié)方差矩陣，通過(guò)計(jì)算加權(quán)特征值來(lái)確定缺陷位置。本發(fā)明能對(duì)條狀物體表面多處缺陷實(shí)現(xiàn)同時(shí)在線檢測(cè)，能夠一次性檢測(cè)圖像中存在多處表面缺陷，準(zhǔn)確實(shí)現(xiàn)對(duì)條狀物體多缺陷目標(biāo)的檢測(cè)與定位。具有檢測(cè)速度快、實(shí)時(shí)性好、檢測(cè)準(zhǔn)確率高特點(diǎn)。
【IPC分類】G06T7/00
【公開號(hào)】CN105354831
【申請(qǐng)?zhí)枴緾N201510646314
【發(fā)明人】許亮, 蘇培權(quán), 何小敏, 劉學(xué)福
【申請(qǐng)人】廣東工業(yè)大學(xué)
【公開日】2016年2月24日
【申請(qǐng)日】2015年9月30日