一种缺陷图像分割方法技术

本发明专利技术涉及图像处理领域，更具体地，涉及一种缺陷图像分割方法。方法包括：对原始图像进行差分运算得到差分图像；对原始图像和差分图像进行处理得到两组数组信号；对两组数组信号进行归一化处理；利用独立分量分析进行解混，对归一化后的两组数组信号中的背景信号和缺陷目标特征信号进行分离，得到两个独立分量；将两个独立分量还原成矩阵形成两个分量图像；对每一个分量图像设置阈值进行阈值分割；将两个分量图像的分割结果进行融合得到缺陷分割图。本发明专利技术将原始图像和原始图像的差分图像分别利用独立分量分析的方法进行图像分割，再将两个图像分割结果进行融合，可以有效解决图像背景编号对分割的干扰，从而有效地将缺陷从图像中分割出来。

【技术实现步骤摘要】
一种缺陷图像分割方法
本专利技术涉及图像处理领域，更具体地，涉及一种缺陷图像分割方法。
技术介绍
在有色金属行业和钢铁行业，对板带材、铝箔的表面质量的要求越来越高，需要对表面进行实时的在线检测，这其中包含一些特殊用途的薄带材料，如密封包装料、管料等，需要对其内部存在的针孔缺陷进行全面准确的检测，避免由于误检和漏检对后续产品造成损失。基于光学图像的机器视觉检测技术是目前的主流检测方法，其检测的高效性和工作环境要求低的特点使得它正逐步取代人工检测。缺陷分割是缺陷图像分割作为缺陷检测系统的中级处理，在缺陷图像预处理和机器视觉高级分析两个阶段之间起到了关键的桥梁作用，属于基础和关键性技术。其目的是把图像分成各具特性的区域并把其中感兴趣的区域提取出来，把输入图像转化为分割图像，它对提取目标特征、目标识别与分类以及其后的高层处理等都非常重要。传统的图像分割算法大致有三种：1)基于阈值的分割技术；2)基于边缘检测的图像分割；3)基于区域特征的图像分割技术。后续又发展出很多其它的方法，如基于小波变换技术、神经网络技术、Gabor滤波。在这些传统的分割算法中，全局阈值分割算法最简单，运算速度最快，尤其当目标和背景之间拥有较好的对比度时，一般总能获得封闭的联通的一个或多个目标分割区域，尽管如此，阈值分割技术的缺点也很明显，最直接的问题就是阈值如何选取，特别是图像背景复杂且处于一个动态变化的过程时，阈值的选择变得无从下手，即便在一些理想的状态下可以选定最佳的阈值，也会因该方法仅考虑像素本身的灰度、忽略图像的空间相关性特征而极易受噪声的干扰。边缘检测图像分割技术本质上依赖图像的不连续性，其缺点也比较明显，比如串行边缘检测分割技术存在起点选择和执行效率低下的问题，并行边缘检测的边界不连续性和非单像素性使得该方法在实际应用中如想取得理想的分割效果必须借助其它辅助手段或进行相应的后处理技术。以区域增长和分裂合并为主要形式的区域特征图像分割技术考虑到了像素的空间相关或邻接特性，分别从像素和整体图像两个相反的出发点进行合并或分裂，最终得到分割结果。无论是从像素开始进行区域生长还是从整体图像开始进行区域分裂都可以有效克服孤立噪声点的干扰，获得理想的鲁棒性，但是该方法存在容易造成过度分割的问题.其它方法，如基于小波变换技术，神经网络技术，Gabor滤波等的图像分割方法，被认为对噪声具有鲁棒性，然而这些方法普遍存在耗时较长，不适合实时性图像的处理。
技术实现思路
本专利技术为克服上述现有技术所述的至少一种缺陷(不足)，提供一种有效地将缺陷从图像中分割出来的缺陷图像分割方法。为解决上述技术问题，本专利技术的技术方案如下：一种缺陷图像分割方法，包括：对原始图像进行差分运算得到差分图像；对原始图像和差分图像进行处理得到两组数组信号；对两组数组信号进行归一化处理；利用独立分量分析进行解混，对归一化后的两组数组信号中的背景信号和缺陷目标特征信号进行分离，得到两个独立分量；将两个独立分量还原成矩阵形成两个分量图像；对每一个分量图像设置阈值进行阈值分割；将两个分量图像的分割结果进行融合得到缺陷分割图。本专利技术将原始图像和原始图像的差分图像分别利用独立分量分析的方法进行图像分割，再将两个图像分割结果进行融合，可以有效解决图像背景编号对分割的干扰，从而有效地将缺陷从图像中分割出来。上述方案中，所述对原始图像和差分图像进行处理得到两组数组信号的具体为：将原始图像和差分图像按行或列首尾相连得到两组数组X1和X2。此方式通过按行或按列的方式对原始图像和差分图像进行拉伸，可以简单并快速地将每个图像矩阵转化成一个数组，这样就可以得到由原始图像和差分图像组成的两组信号。上述方案中，对两组数组信号进行归一化处理的具体步骤包括：设X1和X2分别为原始图像和差分图像所对应的数组信号，长度均为MN；min1＝min(X1),max1＝max(X1)，X1归一化后的数据为G1，min2＝min(X2),max2＝max(X2)，X2归一化后的数据为G2，其中X1(t)、X2(t)分别表示t时刻观测到的信号。上述方案中，利用独立分量分析进行解混，对归一化后的两组数组信号中的背景信号和缺陷目标特征信号进行分离，得到两个独立分量的具体步骤包括：采用基于负熵的FastICA方法求解分离矩阵W，通过分离矩阵W计算独立分量。此步骤中采用基于负熵的FastICA法(定点迭代算法，称为Fixed-Point算法)作为独立分量分析(ICA)的优化算法，其分离出来的信号更逼近源信号，更逼近源信号是相比于峰度，负熵在度量非高斯性上更稳定，不易受外点影响。而且由于采用逼近的牛顿算法，收敛较有保证，可证明它有三阶收敛速度，有利于提高整个算法的效率，迭代过程无需引入调节步长等人为设置的参数，因而更简单方便。上述方案中，采用基于负熵的FastICA方法求解分离矩阵W，通过分离矩阵W计算独立分量的具体步骤包括：求解分离矩阵W的具体步骤：将数据进行中心化和白化，其中G1和G2分别表示归一化后的两组数组信号，MN表示数组的长度：设数据G，其均值为互相关矩阵为相关矩阵的特征值对角阵为V，特征值对应的特征向量矩阵为UT，白化数据为取任意初始正交矩阵W＝[w1,...,wm]T，逐个估计出分解向量wi的方向，i＝1,2,...,m，m为待提取的独立分量的数目，取值为整数，具体数值跟信号源有关，即为信号源的独立分量数目。本专利中，信号源为图像数据，独立分量为缺陷目标和背景，所以m＝2。(1)wi(0),且||wi(0)||＝1，令k＝0,(2)计算其中E(·)可以对Z的各采样时刻值求均值来估计(3)将wi(k+1)归一化：(4)如果wi(k+1)Twi(k)不接近于1，则令k＝k+1，回到步骤(3)；否则迭代结束，输出最终的wi(k+1)作为wi其中，负熵采用的近似表达式为J(y)∝{E[g(y)]-E[g(y)]}2，g(y)＝(1/a1)logcosha1y，分别为函数g(y)的一阶导数和二阶导数；y是随机变量,y的方差为1，||w||2也必须等于1。y的负熵为J(y),其中，1≤a1≤2，通常取a1＝1。通过分离矩阵W＝[w1,w2,...,wm]T计算独立分量：上述方案中，将两个独立分量还原成矩阵形成两个分量图像的具体为：将两个独立分量进行归一化，将归一化的两个独立分量转化成M*N的矩阵，得到分量图像。由于实际的独立分量分析的分解中，丰度有正有负，得到的分量值也有正有负，所以需要将所获得的独立分量进行归一化处理，再进行矩阵转化处理。上述方案中，对每一个分量图像设置阈值进行阈值分割的具体步骤包括：采用直方图分割方法对每个分量图像进行阈值分割，具体的，f1、f2分别表示对分量图像A1,A2的分割结果，阈值分割函数如下:其中，(i,j)表示空间位置，0标签表示背景像元，1标签代表目标像元，d表示预设阈值。此步骤中采用直方图分割方法作为图像的目标分割算法，主要是因为目标特征图像已将背景信息和目标信息最大程度地分离了，其灰度直方图能够很好地表现背景和兴趣目标的分布，充分展示了背景和目标极强的可分度，加上背景和目标的亮度的对比度也很强，因此基于直方图分割方法的阈值也很好设定，基于实验可知，预设阈值的范围在(0.65,1)的实数范围本文档来自技高网...

【技术保护点】
一种缺陷图像分割方法，其特征在于，包括：对原始图像进行差分运算得到差分图像；对原始图像和差分图像进行处理得到两组数组信号；对两组数组信号进行归一化处理；利用独立分量分析进行解混，对归一化后的两组数组信号中的背景信号和缺陷目标特征信号进行分离，得到两个独立分量；将两个独立分量还原成矩阵形成两个分量图像；对每一个分量图像设置阈值进行阈值分割；将两个分量图像的分割结果进行融合得到缺陷分割图。

【技术特征摘要】
1.一种缺陷图像分割方法，其特征在于，包括：对原始图像进行差分运算得到差分图像；对原始图像和差分图像进行处理得到两组数组信号；对两组数组信号进行归一化处理；利用独立分量分析进行解混，对归一化后的两组数组信号中的背景信号和缺陷目标特征信号进行分离，得到两个独立分量；将两个独立分量还原成矩阵形成两个分量图像；对每一个分量图像设置阈值进行阈值分割；将两个分量图像的分割结果进行融合得到缺陷分割图。2.根据权利要求1所述的缺陷图像分割方法，其特征在于，所述对原始图像和差分图像进行处理得到两组数组信号的具体为：将原始图像和差分图像按行或列首尾相连得到两组数组X1和X2。3.根据权利要求1所述的缺陷图像分割方法，其特征在于，对两组数组信号进行归一化处理的具体步骤包括：设X1和X2分别为原始图像和差分图像所对应的数组信号，长度均为MN；min1＝min(X1),max1＝max(X1)，X1归一化后的数据为G1，min2＝min(X2),max2＝max(X2)，X2归一化后的数据为G2，其中X1(t)、X2(t)分别表示t时刻观测到的信号。4.根据权利要求1所述的缺陷图像分割方法，其特征在于，利用独立分量分析进行解混，对归一化后的两组数组信号中的背景信号和缺陷目标特征信号进行分离，得到两个独立分量的具体步骤包括：采用基于负熵的FastICA方法求解分离矩阵W，通过分离矩阵W计算独立分量。5.根据权利要求1所述的缺陷图像分割方法，其特征在于，采用基于负熵的FastICA方法求解分离矩阵W，通过分离矩阵W计算独立分量的具体步骤包括：求解分离矩阵W的具体步骤：将数据进行中心化和白化，其中G1和G2分别表示归一化后的两组数组信号，MN表示数组的长度：设数据G，其均值为互相关矩阵为相关矩阵的特征值对角阵为V，特征值对应的特征向量矩阵为UT，白化数据为取任意初始正交矩阵W＝[w1,...,wm]T，逐个估计出分解向量wi的方向，，i＝1,2,...,m，m为待提取的独立分量的数目，取值为整数；(1)wi(0),且||wi(0)||＝1，令k＝0,(2)计算其中E(·)可...

【专利技术属性】
技术研发人员：程东升，谭旭，黄秀琴，薛国伟，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：广东,44