基于局部特征空间距离的带钢表面缺陷图像特征提取方法技术

本发明专利技术涉及一种基于局部特征空间距离的带钢表面缺陷图像特征提取方法。其技术方案是：对于一幅带钢表面缺陷图像预处理后的向量数据点Xi分别从所有幅带钢表面缺陷图像预处理后的向量数据点构成矩阵数据X中选择与一幅带钢表面缺陷图像预处理后的向量数据点Xi类别相同的K个近邻点建立流形局部特征空间S(Xi)，然后以流形局部特征空间S(Xi)之间的距离度量多流形散度Js，在保持流形局部结构不变的基础上，最大化多流形散度来寻找低维投影矩阵A，实现带钢表面缺陷图像的判别特征提取。本发明专利技术通过最大化多流形散度Js提取带钢表面缺陷图像的分类特征，具有提高带钢表面缺陷图像识别效果的特点。

【技术实现步骤摘要】

本专利技术属于带钢表面缺陷图像特征提取
。特别是涉及一种基于局部特征 空间距离的带钢表面缺陷图像特征提取方法。
技术介绍
带钢是钢铁工业的主要产品形式之一，是航空航天、汽车轮船制造等必备原材料， 关系到许多制造行业的发展。近年来，带钢的需求量不断增加，并要求具有较高的表面质 量。而在其轧制过程中，由于连铸钢坯、乳制设备及轧制工艺等原因，导致轧制钢板表面出 现了裂纹、氧化铁皮、结疤、辊印、刮伤、孔洞和麻点等缺陷，这些缺陷不仅影响了产品外观， 更重要的是降低了产品的抗腐蚀性、抗磨性及疲劳强度等使用性能，因此给产品埋下了安 全隐患。故带钢的表面质量检测尤为重要。 带钢表面质量检测经历了人工目测检测、传统无损检测和基于图像识别检测的三 个发展阶段。目前，基于图像模式识别的带钢表面质量检测方法是研究的热点，其中带钢 表面缺陷图像识别是冷轧带钢表面缺陷检测的关键，而带钢表面缺陷图像特征提取是其中 最为重要的步骤，带钢表面缺陷图像特征提取的好坏直接影响着最终的检测效果。针对带 钢表面缺陷图像特征提取及分类，一些专家和学者对其进行了较多研究：S.Arivazhagan 和L.Ganesan将小波变换应用于纹理分类，取得了较好的效果；XuechuanWang和Kuldip K.Paliwal对标准的特征提取方法以及如何降低特征向量的维数进行了阐述；H.zhang等 利用计算机仿真实验，证明利用小波变换函数可以很好地提取图像的不同特征，进行图像 分析。但是由于带钢表面缺陷种类繁多和特征复杂，基于这些传统的特征提取方法的识别 率尚不够理想。
技术实现思路
本专利技术旨在克服现有技术不足，目的是提供一种能提高带钢表面缺陷图像识别的 效果的。 为实现上述技术方案，本专利技术采用的技术方案的具体步骤是： 步骤一、对采集的带钢表面缺陷图像依次进行灰度化处理、平滑处理、归一化处理 和向量化，得到一幅带钢表面缺陷图像预处理后的向量数据点Xi，所有幅带钢表面缺陷图 像预处理后的向量数据点Xi(i=l，2，...，n)构成矩阵数据X。其中：η表示所有带钢表面 缺陷图像的总数。 步骤二、从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一幅带钢表面 缺陷图像预处理后的向量数据点Xi欧氏距离最小和类别相同的k幅带钢表面缺陷图像预 处理后的向量数据点，构成与一幅带钢表面缺陷图像预处理后的向量数据点Xi相关的流形 局部特征空间S(Xi)，最小线性表示误差系数％为：本文档来自技高网...

【技术保护点】
一种基于局部特征空间距离的带钢表面缺陷图像特征提取方法，其特征在于所述方法的具体步骤是：步骤一、对采集的带钢表面缺陷图像依次进行灰度化处理、平滑处理、归一化处理和向量化，得到一幅带钢表面缺陷图像预处理后的向量数据点Xi，所有幅带钢表面缺陷图像预处理后的向量数据点Xi(i＝1,2,...,n)构成矩阵数据X，其中：n表示所有带钢表面缺陷图像的总数；步骤二、从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小和类别相同的k幅带钢表面缺陷图像预处理后的向量数据点，构成与一幅带钢表面缺陷图像预处理后的向量数据点Xi相关的流形局部特征空间S(Xi)，最小线性表示误差系数Wj为：Wj=min||Xi-Σj=1kWjXj||2---(1)]]>Wj=ΣiGjt-1/Σj,tGjt-1---(2)]]>式(1)和(2)中：Xi表示一幅带钢表面缺陷图像预处理后的向量数据点，Xj表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小和类别相同的k幅带钢表面缺陷图像预处理后的第j个向量数据点，Gjt表示局部格莱姆矩阵，Gjt＝(Xi‑Xj)·(Xi‑Xt)，Xt表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小和类别相同的k幅带钢表面缺陷图像预处理后的第t个向量数据点，i，j和t均为自然数，i≠j≠t；步骤三、对于其余的任一幅带钢表面缺陷图像预处理后的向量数据点Xi，重复步骤二，得到最小线性表示误差系数矩阵W；步骤四、建立多流形散度的数学模型JsJs=ΣiΣm||S(Xi)-S(Xm)||2Him---(3)]]>式(3)中：S(Xi)表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi相关的流形局部特征空间，S(Xm)表示与另一幅带钢表面缺陷图像预处理后的向量数据点Xm相关的流形局部特征空间，||S(Xi)‑S(Xm)||表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi相关的流形局部特征空间S(Xi)到与另一幅带钢表面缺陷图像预处理后的向量数据点Xm相关的流形局部特征空间S(Xm)之间的欧氏距离Dim，Him表示一幅带钢表面缺陷图像预处理后的向量数据点Xi与另一幅带钢表面缺陷图像预处理后的向量数据点Xm之间的类别差异信息：步骤五、与一幅带钢表面缺陷图像预处理后的向量数据点Xi相关的流形局部特征空间S(Xi)到与另一幅带钢表面缺陷图像预处理后的向量数据点Xm相关的流形局部特征空间S(Xm)之间的欧氏距离Dim为：Dim=||fi(P)(Xm)-fm(P)(Xi)||---(5)]]>式(5)中：表示一幅带钢表面缺陷图像预处理后的向量数据点Xi在与另一幅带钢表面缺陷图像预处理后的向量数据点Xm相关的流形局部特征空间S(Xm)内的投影，表示另一幅带钢表面缺陷图像预处理后的向量数据点Xm在与一幅带钢表面缺陷图像预处理后的向量数据点Xi的相关的流形局部特征空间S(Xi)内的投影；步骤六、构建目标函数模型maxAT{ΣiΣm||fi(P)(Xm)-fm(P)(Xi)||2Him}As.tATX(1-W)(1-W)TXTA=I---(6)]]>式(6)中：A表示低维投影矩阵，T表示矩阵转置，I表示单位矩阵；对式(6)进行广义特征值分解ΣiΣm||fi(P)(Xm)-fm(P)(Xi)||2Himf=λX(1-W)(1-W)TXTf---(7)]]>式(7)中：λ表示特征值，f表示特征向量；将特征值λ由大到小顺序进行排列，取前d个特征值所对应的特征向量f组成低维投影矩阵A，其中d表示所提取特征的维数；步骤七、对于一幅带钢表面缺陷图像预处理后的向量数据点Xi，经过线性投影后的低维特征Yi为：Yi＝ATXi     (8)式(8)中：A表示低维投影矩阵，T表示矩阵转置。...

【技术特征摘要】
1. 一种基于局部特征空间距离的带钢表面缺陷图像特征提取方法，其特征在于所述方 法的具体步骤是： 步骤一、对采集的带钢表面缺陷图像依次进行灰度化处理、平滑处理、归一化处理和向 量化，得到一幅带钢表面缺陷图像预处理后的向量数据点Xi,所有幅带钢表面缺陷图像预 处理后的向量数据点Xi(i = l，2，...，n)构成矩阵数据X，其中：η表示所有带钢表面缺陷 图像的总数； 步骤二、从所有带钢表面缺陷图像预处理后的矩阵数据X中寻找与一幅带钢表面缺陷 图像预处理后的向量数据点Xi欧氏距离最小和类别相同的k幅带钢表面缺陷图像预处理 后的向量数据点，构成与一幅带钢表面缺陷图像预处理后的向量数据点X i相关的流形局部 特征空间S (Xi)，最小线性表示误差系数％为：式⑴和⑵中： Xi表示一幅带钢表面缺陷图像预处理后的向量数据点， Xj表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小和类别相同 的k幅带钢表面缺陷图像预处理后的第j个向量数据点， Gjt表示局部格莱姆矩阵，Gjt= (Xi-Xj) · (Xi-Xt), Xt表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi欧氏距离最小和类别相同 的k幅带钢表面缺陷图像预处理后的第t个向量数据点， i, j和t均为自然数，i关j关t ; 步骤三、对于其余的任一幅带钢表面缺陷图像预处理后的向量数据点Xi,重复步骤二， 得到最小线性表示误差系数矩阵W ; 忠骤四、建立名流形散麼的数学椋型L式⑶中： S(Xi)表示与一幅带钢表面缺陷图像预处理后的向量数据点Xi相关的流形局部特征空 间， S(Xm)表示与另一幅带钢表面缺陷图像预处理后的向量数据点Xm相关的流形局部特...

【专利技术属性】
技术研发人员：李波，胡洋，张晓龙，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42