一种钢轨表面缺陷图像自适应分割方法技术

本发明专利技术公开了一种钢轨表面缺陷图像自适应分割方法，包括以下步骤：S1采用行灰度均值逐次累加法提取钢轨区域；S2对钢轨区域图像预处理；S3对钢轨区域图像进行结构区域和非结构区域划分；S4在结构区域利用图像的非局部特征进一步区分缺陷区域和阴影区域；S5根据图像中的不同特征自适应建立背景图像模型；S6图像差分；S7动态阈值分割。利用图像局部信息将图像划分成结构和非结构区域，利用非局部信息自适应调节像素邻域窗口尺寸求取均值，建立准确的背景图像模型，图像差分并动态设定阈值，在凸显图像缺陷部分的同时，有效减弱光照不均和钢轨表面反射特性对钢轨表面缺陷检测产生的影响，获得理想的图像分割效果，保证轨面检测的精度。

Adaptive segmentation method for rail surface defect image

The invention discloses a segmentation method of rail surface defect image adaptive, which comprises the following steps: S1 extraction by rail regional gray mean successive addition; S2 pretreatment of rail image; S3 structure of regional and non regional division of the rail structure image; S4 structure in area using non local features of the image to distinguish the defect region and shadow region; the establishment of S5 model according to the different characteristics of adaptive background image in the image; S6 image difference; S7 dynamic threshold segmentation. The use of local image information divides the image into structured and unstructured regions, using non local information adaptive pixel neighborhood window and average size, establish the accurate model of the background image, image difference and dynamic threshold, highlight the defective parts of the image at the same time, effectively weakening the influence of uneven illumination and reflection characteristics of the rail surface detection of rail surface defects, the ideal image segmentation effect, ensure the accuracy of detection of rail surface.

【技术实现步骤摘要】

本专利技术属于机器视觉图像处理
，涉及一种图像分割方法，具体指一种钢轨表面缺陷图像自适应分割方法。
技术介绍
随着我国铁路运输的快速发展，行车密度和载重量不断加大，加剧了钢轨表面的恶化。同时运营里程也不断扩大，这对线路实现短周期检测提出了新的难题。钢轨作为铁路运输中非常基础的元素，其对铁路运营的安全起着至关重要的作用；而在铁路交通事故中，有近1/3的事故是由钢轨缺陷造成的。随着先进生产技术的引进，钢轨内部出现缺陷的几率已经减少很多，取而代之的是钢轨表面缺陷导致钢轨断裂的情况频繁发生。因此，及时检测出钢轨表面缺陷可以很大程度上防止其进一步发展成为内部缺陷，从而保障铁路的安全运行。目前，我国对于铁路养护，主要依靠人工巡检，不仅效率低下，人力投入大，而且对工务人员的人身安全有很大威胁。因此，研究钢轨表面缺陷自动检测技术具有重要的意义。基于机器视觉的钢轨表面缺陷检测技术具有非接触、速度快、精度高、抗干扰性强等优点，已被广泛应用于轨道缺陷检测中。然而由于钢轨表面缺陷分布的稀疏性造成图像中的特征较少，并且图像易受光照不均和钢轨表面反射特性的影响，在根据灰度信息提取表面缺陷时，无论是单一的灰度阈值方法，还是动态阈值方法，都难以获得理想的分割效果。因此，研究一种能有效减弱分割过程中光照变化以及反射不均等因素影响的图像分割方法很有必要。于此，本专利技术提出一种钢轨表面缺陷图像自适应分割方法，利用图像的局部信息将图像划分成结构区域和非结构区域，再利用非局部信息在图像的结构区域计算图像块的相似度，通过相似度大小自适应地确定窗口尺寸求取均值，建立准确的背景图像模型，并进行图像差分，最后动态地设定阈值实现缺陷分割。实验结果表明，本专利技术提出的钢轨表面缺陷图像自适应分割方法，在能凸显图像缺陷部分的同时，有效地减少光照不均和钢轨表面反射特性对钢轨表面的影响。
技术实现思路
针对上述技术问题，本专利技术提供了一种钢轨表面缺陷图像自适应分割方法，充分利用图像的局部和非局部信息，对图像进行结构和非结构区域划分，并自适应确定像素邻域窗口尺寸求取均值建立背景图像模型，能有效减弱光照不均和钢轨表面反射特性对钢轨表面缺陷检测产生的影响，，以获得理想的图像分割效果，保证轨面检测的精度。本专利技术通过以下技术方案来实现上述目的：一种钢轨表面缺陷图像自适应分割方法，其特征在于包括以下步骤：S1：采用行灰度均值逐次累加法提取钢轨区域；S2：对提取的钢轨区域图像进行预处理，增强图像对比度，去除图像噪声；S3：对预处理后的钢轨区域图像进行结构区域和非结构区域划分；其中结构区域指像素灰度值的离散程度高，像素灰度变异系数CV大于或等于0.0526，且包含局部特征的轨面区域；非结构区域指像素灰度值的离散程度低，像素灰度变异系数CV小于0.0526的轨面区域；S4：在结构区域利用图像的非局部特征对结构区域进一步区分，利用图像块间的相似度，区分结构区域中的缺陷部分和由于光照不均产生的阴影部分；S5：根据图像中的不同特征自适应建立背景图像模型；通过自适应确定像素邻域窗口逐点计算均值建立背景图像模型，实现背景图像的多尺度模糊处理；根据图像块间的相似度，在结构区域的缺陷部分设置7×7像素的像素邻域窗口求取灰度均值作为背景，在结构区域的阴影部分设置3×3像素的像素邻域窗口求取灰度均值作为背景；在非结构区域设置5×5像素的像素邻域窗口求取灰度均值作为背景；S6：图像差分；将原始图像与背景图像进行差值运算，得到差分图像；S7：动态阈值分割；对差分图像设定阈值进行缺陷分割。作为本方案的优化方案，上述步骤1钢轨区域提取具体包括以下步骤：1)求取图像中每一行像素的灰度均值Avg(r)， A v g ( r ) = Σ c = 1 n f ( x r , y ) n ]]>其中，r和c分别表示图像中像素的行和列，n表示图像中像素的总列数；2)对每行灰度均值逐次累加，得到逐次累加灰度均值分布曲线；Sumr＝Sum(r-1)+Avg(r),r∈[1,m]，其中m表示图像的总行数；3)求逐次累加灰度均值分布曲线上每隔钢轨宽度R的区间上的斜率，其中斜率最大的区间(r,r+R)即为图像中的轨面区域，即： r s t a r t = A r g M a x Sum r + R - Sum r R . ]]>作为本方案的优化方案，上述步骤3结构区域和非结构区域划分具体包括以下步骤：对预处理后的钢轨区域图像中的任意像素点(x,y)，其灰度值表示为f(x,y)，该像素点8邻域内的像素用集合表示为：Fx,y＝{f(x+t,y+s)|s,t＝-1,0,1本文档来自技高网...

【技术保护点】
一种钢轨表面缺陷图像自适应分割方法，其特征在于包括以下步骤：S1：采用行灰度均值逐次累加法提取钢轨区域；S2：对提取的钢轨区域图像进行预处理，增强图像对比度，去除图像噪声；S3：对预处理后的钢轨区域图像进行结构区域和非结构区域划分；其中结构区域指像素灰度值的离散程度高，像素灰度变异系数CV大于或等于0.0526，且包含局部特征的轨面区域；非结构区域指像素灰度值的离散程度低，像素灰度变异系数CV小于0.0526的轨面区域；S4：在结构区域利用图像的非局部特征对结构区域进一步区分，利用图像块间的相似度，区分结构区域中的缺陷部分和由于光照不均产生的阴影部分；S5：根据图像中的不同特征自适应建立背景图像模型；通过自适应确定像素邻域窗口逐点计算均值建立背景图像模型，实现背景图像的多尺度模糊处理；根据图像块间的相似度，在结构区域的缺陷部分设置7×7像素的像素邻域窗口求取灰度均值作为背景，在结构区域的阴影部分设置3×3像素的像素邻域窗口求取灰度均值作为背景；在非结构区域设置5×5像素的像素邻域窗口求取灰度均值作为背景；S6：图像差分；将原始图像与背景图像进行差值运算，得到差分图像；S7：动态阈值分割；对差分图像设定阈值进行缺陷分割。...

【技术特征摘要】
1.一种钢轨表面缺陷图像自适应分割方法，其特征在于包括以下步骤：S1：采用行灰度均值逐次累加法提取钢轨区域；S2：对提取的钢轨区域图像进行预处理，增强图像对比度，去除图像噪声；S3：对预处理后的钢轨区域图像进行结构区域和非结构区域划分；其中结构区域指像素灰度值的离散程度高，像素灰度变异系数CV大于或等于0.0526，且包含局部特征的轨面区域；非结构区域指像素灰度值的离散程度低，像素灰度变异系数CV小于0.0526的轨面区域；S4：在结构区域利用图像的非局部特征对结构区域进一步区分，利用图像块间的相似度，区分结构区域中的缺陷部分和由于光照不均产生的阴影部分；S5：根据图像中的不同特征自适应建立背景图像模型；通过自适应确定像素邻域窗口逐点计算均值建立背景图像模型，实现背景图像的多尺度模糊处理；根据图像块间的相似度，在结构区域的缺陷部分设置7×7像素的像素邻域窗口求取灰度均值作为背景，在结构区域的阴影部分设置3×3像素的像素邻域窗口求取灰度均值作为背景；在非结构区域设置5×5像素的像素邻域窗口求取灰度均值作为背景；S6：图像差分；将原始图像与背景图像进行差值运算，得到差分图像；S7：动态阈值分割；对差分图像设定阈值进行缺陷分割。2.根据权利要求1所述的钢轨表面缺陷图像自适应分割方法，其特征在于，上述步骤1钢轨区域提取具体包括以下步骤：1)求取图像中每一行像素的灰度均值Avg(r)， A v g ( r ) = Σ c = 1 ...

【专利技术属性】
技术研发人员：闵永智，岳彪，党建武，马宏锋，张振海，林俊亭，张雁鹏，张鑫，左静，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：甘肃;62