一种级联式快速图像缺陷分割方法技术

本发明专利技术涉及一种级联式快速图像缺陷分割方法，首先对图像进行预处理，获取全局阈值信息，采用基于全局自适应阈值的粗糙图像分割；然后利用先验知识和局部图像信息的水平集方法获得精细的图像分割；最后使用尺寸和形状分析消除明显的错误候选缺陷和错误警报，基于参数化数学形态学方法进行目标分离。通过分层次策略解决了局部和全局阈值不一致时图像分割不精确等问题，在水平集能量函数中引入了缺陷形状大小等特征，充分利用缺陷形状的先验知识，解决了初始化依赖问题，对具有形状特征的图像缺陷分割进行了很好的应用。引入级联式图像处理架构，通过最前级丢弃大多数无缺陷图像，大幅度地减缓了数据分布的不平衡性，大大提高缺陷分割的速度和精度。

【技术实现步骤摘要】

本专利技术涉及一种图像处理技术，特别涉及。
技术介绍
从灰度不均匀图像中分割出缺陷目标是一项困难和重要的技术，也是后续检测和 分类的关键步骤，引入人类对各种缺陷的先验知识可以对缺陷图像的分割具有非常大的优 势，特别是工业产品表面异常检测和管道缺陷检测。通常的做法是从采用全局自适应阈值 的图像分割方法，例如otsu方法通过最大化类间方差和最小化类内方差确定最优的灰度 分割阈值，但是灰度不均匀使得局部阈值选取不恰当，难以得到满意的分割结果；另一方 面，大量资料所涉及的方法对缺陷的处理实时性差，准确度也都不高，其原因是花费太多的 计算在不必要处理的无缺陷图像上，因此这些检测方法无法应用到实际的实时系统。 经对现有的文献检索发现，串联或集成（boosted)的思想已经得到了广泛的使用 到分类中，Viola等人首次提出由多层分类器串联式组成的boosting方法，应用到快速人 脸检测、眼睛检测和性别分类等，获得了很好的效果，他们的思想是一般采用多个同类的弱 分类器组合成强分类器，因此具有一定的局限性。目前没有文献资料将级联式思路引入到 图像分割中，也没有在不同的分割算法中利用图像不同的信息，例如局部和全局的信息，更 没有在缺陷的分割中引入人类的先验知识。
技术实现思路
本专利技术是针对从灰度不均匀图像中分割出缺陷费时准确度不高的问题，提出了一 种级联式快速图像缺陷分割方法，基于图像分割把图像分成特定的、独特性质区域，并获得 图像中一些有意义的目标或结构。此专利技术针对现有图像分割技术的不足，不但利用了图像 的全局信息，而且利用了图像的局部信息和先验知识，弥补了现有方法的不足，对具有形状 特征的图像缺陷分割进行了很好的应用。并且在图像分割的第一步中剔除了大多数无缺陷 图像，大大提高了分割的速度和精确性。 本专利技术的技术方案为：，对带有缺陷的图像进 行粗糙到精细的图像处理，逐步地消除强噪音产生的错误警报，首先第一步对图像进行预 处理后，获取全局阈值信息，采用基于全局自适应阈值的粗糙图像分割；然后第二步利用先 验知识和局部图像信息的水平集方法获得精细的图像分割；最后第三步使用尺寸和形状分 析消除明显的错误候选缺陷和错误警报，基于参数化数学形态学方法进行目标分离。 所述第一步调整图像光强、对比度，然后采用4*4中值滤波进行消噪处理后，使用 Otsu方法粗糙图像分割，通过最大化类间方差和最小化类内方差确定最优的灰度分割阈 值，完成全局自适应阈值的粗糙图像分割。 所述第二步先运用数学形态学方法消除噪音，获得封闭的曲线，并以此封闭曲线 作为精细图像分割的初始值，然后利用包含先验知识的水平集方法获得精细的图像分割。 所述获取封闭的曲线采用区域填充方法消除感兴趣区域的空洞和不连续边界，然 后运用5个像素直径的圆形结构数学形态学方法进行开闭运算，过滤掉很细的边界和随机 噪声区域，当灰度不均匀时，为了消除错误警报和抽取准确的形状特征，采用了基于Chan -Vese模型的水平集方法精炼从粗糙分割出来的相应子图曲线，得到分段光滑目标边缘。 所述精细的图像分割中引入带有先验知识的形状项，精炼带有全局和局部几何形 状信息的曲线，具体是：在Chan-Vese模型的基础上，提出了以下的能量泛函，通过求解这 个能量泛函得到最优的分割： 「mini【主权项】1. ，其特征在于，对带有缺陷的图像进行粗糙到精 细的图像处理，逐步地消除强噪音产生的错误警报，首先第一步对图像进行预处理后，获取 全局阈值信息，采用基于全局自适应阈值的粗糙图像分割；然后第二步利用先验知识和局 部图像信息的水平集方法获得精细的图像分割；最后第三步使用尺寸和形状分析消除明显 的错误候选缺陷和错误警报，基于参数化数学形态学方法进行目标分离。2. 根据权利要求1所述级联式快速图像缺陷分割方法，其特征在于，所述第一步调整 图像光强、对比度，然后采用4*4中值滤波进行消噪处理后，使用Otsu方法粗糙图像分割， 通过最大化类间方差和最小化类内方差确定最优的灰度分割阈值，完成全局自适应阈值的 粗糙图像分割。3. 根据权利要求1所述级联式快速图像缺陷分割方法，其特征在于，所述第二步先运 用数学形态学方法消除噪音，获得封闭的曲线，并以此封闭曲线作为精细图像分割的初始 值，然后利用包含先验知识的水平集方法获得精细的图像分割。4. 根据权利要求3所述级联式快速图像缺陷分割方法，其特征在于，所述获取封闭的 曲线采用区域填充方法消除感兴趣区域的空洞和不连续边界，然后运用5个像素直径的圆 形结构数学形态学方法进行开闭运算，过滤掉很细的边界和随机噪声区域，当灰度不均匀 时，为了消除错误警报和抽取准确的形状特征，采用了基于Chan - Vese模型的水平集方法 精炼从粗糙分割出来的相应子图曲线，得到分段光滑目标边缘。5. 根据权利要求4所述级联式快速图像缺陷分割方法，其特征在于，所述精细的图像 分割中引入带有先验知识的形状项，精炼带有全局和局部几何形状信息的曲线，具体是：在 Chan - Vese模型的基础上，提出了以下的能量泛函，通过求解这个能量泛函得到最优的分 割：其中u (x，y)是图像像素（x，y)的灰度值，(^是轮廓线C内部的灰度平均值，c ^是轮廓 线C外部的灰度平均值，第一项是形状项，反映了轮廓线C和形状函数0的零水平集&之 间的差异，是形状函数，后两项是区域项，λ JP λ 2是平衡形状和区域项权重的正常数， ds是在区域Ω上的曲线积分中的弧微元； 所述的形状函数參，通过对同类缺陷进行形状建模，收集大量的同类缺陷组成 一个冗余数据训练集，通过主成分分析PCA生成一个基于训练集{灼}的新数据集：歹:是训练集中曲线的均值，Xpca本征系数向量、形状向量或者变分本征模，在矩阵^中 对P个主成分进行排序，在实际中，只从训练数据中求取第一主成分，对形状特征的最大变 分进行建模，即P = 1。6. 根据权利要求1所述级联式快速图像缺陷分割方法，其特征在于，所述第三步使用 了两个参数化的结构元素，一个是半径r变化的圆形结构元素，另一个是长度1和角度Θ 变化的线结构元素，其宽度W = 1，可以分离任意角度和大小的裂缝、接头和孔，采用结构元 素 B (X)对集合A的开运算表示为A 〇 B (X)，定义如下： (1)对于半径r变化的圆形结构元素，这里角度91在0°到180°之间每间隔10°取值一次，根据裂缝的长度范围和孔的半 径范围选取合适的参数1和r。【专利摘要】本专利技术涉及，首先对图像进行预处理，获取全局阈值信息，采用基于全局自适应阈值的粗糙图像分割；然后利用先验知识和局部图像信息的水平集方法获得精细的图像分割；最后使用尺寸和形状分析消除明显的错误候选缺陷和错误警报，基于参数化数学形态学方法进行目标分离。通过分层次策略解决了局部和全局阈值不一致时图像分割不精确等问题，在水平集能量函数中引入了缺陷形状大小等特征，充分利用缺陷形状的先验知识，解决了初始化依赖问题，对具有形状特征的图像缺陷分割进行了很好的应用。引入级联式图像处理架构，通过最前级丢弃大多数无缺陷图像，大幅度地减缓了数据分布的不平衡性，大大提高缺陷分割的速度和精度。【IPC分类】G06T7-00【公开号】CN1047514本文档来自技高网...

【技术保护点】
一种级联式快速图像缺陷分割方法，其特征在于，对带有缺陷的图像进行粗糙到精细的图像处理，逐步地消除强噪音产生的错误警报，首先第一步对图像进行预处理后，获取全局阈值信息，采用基于全局自适应阈值的粗糙图像分割；然后第二步利用先验知识和局部图像信息的水平集方法获得精细的图像分割；最后第三步使用尺寸和形状分析消除明显的错误候选缺陷和错误警报，基于参数化数学形态学方法进行目标分离。

【技术特征摘要】

【专利技术属性】
技术研发人员：王永雄，董团阳，张彬，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：上海;31