一种SD-OCT图像的淡水无核珍珠质量检测的方法技术

本发明专利技术公开了一种SD‑OCT图像的淡水无核珍珠质量检测的方法。采集淡水无核珍珠的SD‑OCT图像，分离其背景和目标，对目标区域进行扁平化和平移的处理，再裁剪目标区域中特征明显的区域并对该区域进行降噪处理得到特征图像；提取特征图像的正梯度特征、负梯度特征和纹理特征；选择已划分类别的珍珠SD‑OCT图像作为样本，创建并输入到BP神经网络模型进行训练；训练后对待测情况进行预测识别输出有无珍珠的类别。本发明专利技术对珍珠的SD‑OCT图像起到较好的降噪效果，更方便的提取出图像的特征，摆脱了图像降噪效果差、特征难提取的问题，具有很好的分类鲁棒性和准确性。

A Method for Quality Detection of Freshwater Nucleless Pearls in SD-OCT Images

The invention discloses a method for detecting the quality of fresh water seedless pearls of SD OCT images. The SD_OCT image of freshwater seedless pearl is collected, its background and target are separated, the target area is flattened and translated, then the feature area of the target area is cut and denoised to obtain the feature image; the positive gradient feature, negative gradient feature and texture feature of the feature image are extracted; and the classified Pearl SD_OCT image is selected as the sample. The BP neural network model is created and input for training. After training, the test situation is forecasted and the type of pearl is identified. The present invention has better noise reduction effect for Pearl SD OCT image, more convenient extraction of image features, and avoids the problems of poor image noise reduction effect and difficult extraction of features, and has good classification robustness and accuracy.

【技术实现步骤摘要】
一种SD-OCT图像的淡水无核珍珠质量检测的方法
本专利技术涉及了一种珍珠图像检测珍珠质量的方法，尤其是涉及了一种SD-OCT图像的淡水无核珍珠质量检测的方法。
技术介绍
现有方法对珍珠SD-OCT图像采用中值滤波和BM3D算法结合的降噪算法，去噪效果不明显，仍有较多散斑噪声，对缺陷不明显的珍珠SD-OCT图像提取目标和背景分界线会产生较大误差，不具有普适性；现有的方法提取的特征仅限于获取缺陷层的上边界和缺陷层的下边界正梯度特征和负梯度特征，特征选取少，容易出现误差；设置正梯度特征和负梯度特征的阈值来区分缺陷珍珠和非缺陷珍珠，分类方法简单，实用性差，只能区分缺陷明显的珍珠和没有缺陷的珍珠，无法区分特征不明显的珍珠SD-OCT图像。图像降噪效果差，提取图像背景和目标之间分界线的算法简单且有很大的局限性，提取的图像特征数量少，无缺陷珍珠和有缺陷珍珠之间的区分方法差，不具有普适性。
技术实现思路
为了解决
技术介绍
中提出的问题，本专利技术提供一种SD-OCT图像的淡水无核珍珠质量检测的方法。如图1所示，本专利技术采用的技术方案是：1)采集淡水无核珍珠的SD-OCT图像，要求图像顶部10％的图像行不含目标；2)分离珍珠SD-OCT图像的背景和目标，提取目标区域；3)对目标区域进行扁平化和平移的处理，再裁剪目标区域中特征明显的区域并对该区域进行降噪处理得到特征图像；4)提取特征图像的正梯度特征、负梯度特征和纹理特征；5)选择已划分为无缺陷珍珠和有缺陷珍珠类别的珍珠SD-OCT图像作为样本，创建并输入到BP神经网络模型进行训练；具体实施中，选择100份由已分好类别的珍珠SD-OCT图像作为样本，其中能代表所有珍珠类别的95份样本作为训练集，剩余5份样本作为测试集。待后续使用6)设置BP神经网络模型的参数，学习率Ir设置为0.01，决定系数R2设置为0.9，针对未知类别的珍珠SD-OCT图像重复上述步骤进行处理提取获得正梯度特征、负梯度特征和纹理特征，将提取出来的特征作为分类模型的输入数据，输入到训练后的BP神经网络模型，输出珍珠的类别，完成SD-OCT图像是否有缺陷珍珠的检测。所述步骤2)具体为：2.1)将珍珠SD-OCT图像顶部10％的图像行像素的灰度值归为0，得到图像f；2.2)使用方形结构元素b对步骤2.1)处理后得到的图像f进行一次底帽变换，获得图像Bhat(f)，计算为：Bhat(f)＝(f·b)-f其中，是使用方形结构元素b图像f的闭运算，闭运算是先对珍珠SD-OCT图像f进行腐蚀操作之后再进行膨胀操作Θ；2.3)对经底帽变换后的图像Bhat(f)进行多次开运算，每次开运算的公式：开运算是先对图像Bhat(f)进行膨胀操作之后再进行腐蚀操作Θ，当开运算后图像不再变化，则不再进行开运算操作。2.4)对步骤2.1)处理后得到的图像f，每一个灰度值不为0的像素与在其8连通区域同样为灰度值不为0的像素一起归为一个物体，且以8连通区域相邻的物体合并为一个物体，使得物体边缘的每个像素在各自8连通区域中不存在灰度值不为0的像素，然后将图像上部50％的区域中所包含像素个数小于40的物体的灰度值归为0；8连通区域为每一个像素的上、下、左、右、左上、右上、左下、右下紧邻的位置和斜向相邻的位置的8个像素构成的像素。2.5)对经步骤2.4)处理后的图像进行多次闭运算，当闭运算后图像不再变化，则不再进行闭运算操作，闭运算操作结束后，对图像每一列像素从上向下遍历，遍历到一个灰度值为1的像素则停止遍历，将灰度值为1的像素所在的行位置作为该列中目标和背景之间的分界点；2.6)按照步骤2.5)中的方法提取每一列的分界点，各列的分界点连接形成背景区域和目标区域之间的分界线，分界点上方作为背景像素点，分界点下方作为目标像素点，由此各列的所有目标像素点组成目标区域。所述步骤3)具体为：3.1)计算步骤2)处理得到的目标区域中每一列背景和目标之间的分界点所在的行位置xi，对每一列像素循环上移Hi个像素距离，得到平移后的图像，Hi＝xi-1；3.2)裁掉平移后图像中占图像20％的左侧边缘和右侧边缘，再裁掉占图像50％的底部边缘；3.3)对裁剪后的图像进行中值滤波，再对经中值滤波后的图像使用DTCWT图像降噪算法进行降噪，得到特征图像。所述步骤4)具体为：4.1)定义一个卷积模板w，使用该卷积模板w对特征图像进行卷积，得到梯度图像；4.2)将梯度图像中像素灰度值大于等于0的像素作为正梯度像素，将梯度图像中像素灰度值小于0的像素作为负梯度像素，每一列三个灰度值最大的正梯度像素作为正梯度跳变点，三个正梯度跳变点所在的行数按照正梯度像素的灰度值从大到小依次记为yi1、yi2、yi3，并将行yi1、yi2、yi3作为每一列正梯度跳变点的行位置，i表示像素所在的列数；4.3)把梯度图像从上到下以每40行作为一个图像块划分为多个图像块，最后一个图像块不限定行数；以包含正梯度跳变点个数最多的图像块为珍珠缺陷部位上边界所在区域，区域内选择每一列灰度值最大的正梯度像素作为珍珠缺陷部位和珍珠非缺陷部位之间的正分界点像素，以梯度图像每一列正分界点像素灰度值的平均值作为正梯度特征；4.4)以梯度图像每列的正分界点像素作为起始点，向下搜索占图像纵向总像素的5％像素距离，将灰度值最小的负梯度像素作为负分界点像素，负梯度特征为梯度图像每一列负分界点像素灰度值的平均值；所述步骤4.4)中，若正分界点像素和梯度图像最后一行的距离不足图像纵向总像素的5％像素距离，则以梯度图像最后一行为下界限，将搜索到的灰度值最小的负梯度像素作为负分界点像素。4.5)采用一个n×n的窗口对特征图像进行遍历，计算搜索方向φ＝90°上的灰度共生矩阵C，灰度共生矩阵C中每个点的值Ci,j计算为：其中，f(x,y)表示特征图像，Ci,j是灰度共生矩阵C中的点(i,j)的值，i和j表示灰度共生矩阵C中点的行序号和列序号，；x和y分别表示窗口中的横向坐标和纵向坐标，&表示和关系，dφ表示求导；4.6)由灰度共生矩阵C中每个像素点的值Ci,j计算灰度共生矩阵的能量E，计算如下：4.7)由灰度共生矩阵C中每个像素点的值Ci,j计算灰度共生矩阵的对比度Ccon，计算如下：4.8)由灰度共生矩阵C中每个像素点的值Ci,j计算灰度共生矩阵的自相关Ccor，计算如下：4.9)由灰度共生矩阵C中每个像素点的值Ci,j计算灰度共生矩阵的同质性H，计算如下：由上述的正梯度特征、负梯度特征、能量E、对比度Ccon、自相关Ccor和同质性H共同横向拼接组成纹理特征矩阵。所述步骤5)具体为：5.1)选择已划分为无缺陷珍珠和有缺陷珍珠类别的珍珠SD-OCT图像作为样本，按照步骤2)～4)处理提取获得三种特征，组建训练集；5.3)针对训练集中的每个样本对应的纹理特征矩阵Input进行归一化处理，归一化为0到1之间的小数Input′，计算为：其中，max表示输入数据Input中的最大值，min表示输入数据Input中的最小值；5.4)创建BP神经网络模型，包含有输入层、隐含层和输出层，输入层数目设置为0，隐含层数目设置为1，输出层数目设置为1，输入层节点数目m、隐含层节点数目h和输出层节点数目n满足以下公式：其中，a为调节系数a取0～1本文档来自技高网...

【技术保护点】
1.一种SD‑OCT图像的淡水无核珍珠质量检测的方法，其特征在于包括以下步骤：1)采集淡水无核珍珠的SD‑OCT图像，要求图像顶部10％的图像行不含目标；2)分离珍珠SD‑OCT图像的背景和目标，提取目标区域；3)对目标区域进行扁平化和平移的处理，再裁剪目标区域中特征明显的区域并对该区域进行降噪处理得到特征图像；4)提取特征图像的正梯度特征、负梯度特征和纹理特征；5)选择已划分为无缺陷珍珠和有缺陷珍珠类别的珍珠SD‑OCT图像作为样本，创建并输入到BP神经网络模型进行训练；6)针对未知类别的珍珠SD‑OCT图像重复上述步骤进行处理提取获得正梯度特征、负梯度特征和纹理特征，将提取出来的特征作为分类模型的输入数据，输入到训练后的BP神经网络模型，输出珍珠的类别，完成SD‑OCT图像是否有缺陷珍珠的检测。

【技术特征摘要】
1.一种SD-OCT图像的淡水无核珍珠质量检测的方法，其特征在于包括以下步骤：1)采集淡水无核珍珠的SD-OCT图像，要求图像顶部10％的图像行不含目标；2)分离珍珠SD-OCT图像的背景和目标，提取目标区域；3)对目标区域进行扁平化和平移的处理，再裁剪目标区域中特征明显的区域并对该区域进行降噪处理得到特征图像；4)提取特征图像的正梯度特征、负梯度特征和纹理特征；5)选择已划分为无缺陷珍珠和有缺陷珍珠类别的珍珠SD-OCT图像作为样本，创建并输入到BP神经网络模型进行训练；6)针对未知类别的珍珠SD-OCT图像重复上述步骤进行处理提取获得正梯度特征、负梯度特征和纹理特征，将提取出来的特征作为分类模型的输入数据，输入到训练后的BP神经网络模型，输出珍珠的类别，完成SD-OCT图像是否有缺陷珍珠的检测。2.根据权利要求1所述的一种SD-OCT图像的淡水无核珍珠质量检测的方法，其特征在于：所述步骤2)具体为：2.1)将珍珠SD-OCT图像顶部10％的图像行像素的灰度值归为0，得到图像f；2.2)使用方形结构元素b对步骤2.1)处理后得到的图像f进行一次底帽变换，获得图像Bhat(f)，计算为：Bhat(f)＝(f·b)-f其中，是使用方形结构元素b图像f的闭运算，闭运算是先对珍珠SD-OCT图像f进行腐蚀操作之后再进行膨胀操作Θ；2.3)对经底帽变换后的图像Bhat(f)进行多次开运算，每次开运算的公式：2.4)对步骤2.1)处理后得到的图像f，每一个灰度值不为0的像素与在其8连通区域同样为灰度值不为0的像素一起归为一个物体，且以8连通区域相邻的物体合并为一个物体，然后将图像上部50％的区域中所包含像素个数小于40的物体的灰度值归为0；2.5)对经步骤2.4)处理后的图像进行多次闭运算，当闭运算后图像不再变化，则不再进行闭运算操作，闭运算操作结束后，对图像每一列像素从上向下遍历，遍历到一个灰度值为1的像素则停止遍历，将灰度值为1的像素所在的行位置作为该列中目标和背景之间的分界点；2.6)按照步骤2.5)中的方法提取每一列的分界点，分界点上方作为背景像素点，分界点下方作为目标像素点，由此各列的所有目标像素点组成目标区域。3.根据权利要求1所述的一种SD-OCT图像的淡水无核珍珠质量检测的方法，其特征在于：所述步骤3)具体为：3.1)计算步骤2)处理得到的目标区域中每一列背景和目标之间的分界点所在的行位置xi，对每一列像素循环上移Hi个像素距离，得到平移后的图像，Hi＝xi-1；3.2)裁掉平移后图像中占图像20％的左侧边缘和右侧边缘，再裁掉占图像50％的底部边缘；3.3)对裁剪后的图像进行中值滤波，再对经中值滤波后的图像进行降噪，得到特征图像。4.根据权利要求1所述的一种SD-OCT图像的淡水无核珍珠质量检测的方法，其特征在于：所述步骤4)具体为：4.1)定义一个卷积模板w，使用该卷积模板w对特征图像进行卷积，得到梯度图像；4.2)将梯度图像中像素灰度值大于等于0的像素作为正梯度像素，将梯度图像中像素灰度值小于0的像素作为负梯度像素，每一列三个灰度值最大的正...

【专利技术属性】
技术研发人员：周扬，石龙杰，岑岗，陈正伟，汪凤林，周武杰，岑跃峰，黄俊，张晨光，马伟锋，刘铁兵，施秧，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江,33