一种针对图像中矩形目标的高精度图像分割方法技术

本发明专利技术提供一种针对图像中矩形目标的高精度图像分割方法，涉及图像处理技术领域，所述方法包括步骤1：将图像读入内存，并对图像进行畸变矫正；步骤2：确定畸变矫正后图像矩形轮廓的四个端点，并对图像进行透视变换；步骤3：对透视变换后的图像进行分割，得到平直图像。本发明专利技术通过对矩形工件图像进行变换和分割处理，将工件图像中的矩形轮廓区域提取出来，并根据矩形工件图像的内部网格进行分割，保证分割位置正好处于矩阵工件图像的边界或者网格边界上，保证图像分割的准确度。

A high precision image segmentation method for rectangular objects in image

【技术实现步骤摘要】
一种针对图像中矩形目标的高精度图像分割方法
本专利技术涉及图像处理
，尤其涉及一种针对图像中矩形目标的高精度图像分割方法。
技术介绍
目前，工业缺陷检测是利用深度学习技术或数字图像处理技术对工业产品外观和内部的缺陷进行检测，判断产品质量是否合格。太阳能光伏组件在出厂之前，需要通电并进行红外图像拍摄，此过程称为电致发光(Electroluminescent，EL)，经过EL图像的拍摄，可以使得光伏组件外观上难以发现，但是内部存在的缺陷(例如隐裂、虚焊等缺陷)难以显现出来。其中，深度学习技术，是对图像进行自动判别，能够找出图像中的缺陷并定位，在自动检测算法的开发中，EL图像分割是较难且非常重要的操作，然而分割是检测的第一步，若分割效果不理想，则检测进度必然会降低。EL图像是非标准拍摄，会产生径向畸变、旋转以及位移等，当前采用的分割方法包括基于模板匹配的图像分割方法和基于深度学习的图像分割方法。其中，如图1所示，基于模块匹配的图像分割方法是利用模块匹配分割算法实现的，将EL图像与标准EL模板图像进行匹配，从而分割出目标区域；如图2所示，基于深度学习图像的图像分割方法是基于深度神经网络的Maskrcnn算法实现的，将EL图像通过训练后的Maskrcnn进行网络识别，从而分割出目标区域。基于模板匹配的图像分割方法优势在于应用简单，但是缺点在于匹配效果较差，容易出现分割失败等问题，远远无法满足工业生产过程中高于99.9％的分割准确度要求；基于深度学习的图像分割方法优势在于分割稳健，不容易出现分割失败等问题，但是分割边界波动较大，分割速度较慢，无法满足生产线运行的时间要求，且也无法满足生产过程中高于99.9％的分割准确度要求。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种针对图像中矩形目标的高精度图像分割方法，对矩形工件图像进行变换和分割处理，将工件图像中的矩形轮廓区域提取出来，并根据矩形工件图像的内部网格进行分割，保证分割位置正好处于矩阵工件图像的边界或者网格边界上，保证图像分割的准确度。本专利技术提供一种针对图像中矩形目标的高精度图像分割方法，所述方法包括以下步骤：步骤1：将图像读入内存，并对图像进行畸变矫正；步骤2：确定畸变矫正后图像矩形轮廓的四个端点，并对图像进行透视变换；步骤3：对透视变换后的图像进行分割，得到平直图像。进一步的，对图像进行畸变矫正的步骤如下：步骤1.1：将太阳能光伏组件经过EL拍照生成的图像经过Opencv软件读入内存，形成单通道数字图像；步骤1.2：对数字图像的畸变参数进行预训练，并利用畸变参数对数字图像进行畸变修复，得到边缘平直的数字图像；步骤1.3：对数字图像进行自适应二值处理，得到二值图像；步骤1.4：对二值图像进行迭代的开操作，得到标准的二值图像。进一步的，对图像进行透视变换的步骤如下：步骤2.1：对二值图像进行形态学处理，寻找图像边缘轮廓，并获取边缘轮廓的最小外接多边形的边缘链表；步骤2.2：在边缘链表中查找距离最远的两个点，即为矩形轮廓区域的对角线；连接对角线并查找对角线正负区域距离最大的两个点，即为矩形轮廓区域的另外的对角线，即确定矩形轮廓区域的四个端点；步骤2.3：根据矩形轮廓区域的四个点，对二值图像进行透视变换，将透视畸变标准化，形成标准的矩形轮廓区域，并对二值图像中所有无法透视变换的点进行双线性插值处理。进一步的，对图像进行分割的具体步骤如下：步骤3.1：对透视变换处理的二值图像按照横纵轴方向分别求平均，获得横纵轴方向的平均一维信号，应用区间极小值算法查找所有局部极小值所在的位置坐标，连接位置坐标得到分割线；步骤3.2：将分割线和实际的太阳能光伏组件规格进行对照，如果数量不符合，则调整参数重新尝试，进行修复；如果数量符合，则对二值图像进行分割，得到平直图像。如上所述，本专利技术的一种针对图像中矩形目标的高精度图像分割方法，具有以下有益效果：1、本专利技术解决了由于相机位置、拍摄角度等造成的图像畸变问题，能够输出平直的矩形目标物。2、本专利技术提出基于四个端点的定位方法，将图像的区域匹配转化为端点匹配，提高图像匹配的速度与精准度。附图说明图1显示为本专利技术现有技术中公开的基于模块匹配的分割方法流程图；图2显示为本专利技术现有技术中公开的基于深度学习图像的图像分割方法流程图；图3显示为本专利技术具体实施例中公开的图像分割方法流程图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。如图3所示，本专利技术提供一种针对图像中矩形目标的高精度图像分割方法，所述方法包括以下步骤：步骤1：将图像读入内存，并对图像进行畸变矫正；对图像进行畸变矫正的步骤如下：步骤1.1：将太阳能光伏组件经过EL拍照生成的图像经过Opencv软件读入内存，形成单通道数字图像；步骤1.2：对数字图像的畸变参数进行预训练，并利用畸变参数对图像的畸变进行修复，得到边缘平直的数字图像；步骤1.3：对边缘平直的数字图像进行自适应二值处理，得到二值图像；步骤1.4：对二值图像进行迭代的开操作，得到标准的二值图像，确保太阳能光伏组件区域的灰度值为255，太阳能光伏组件区域之外的灰度值为0。步骤2：确定畸变矫正后图像矩形轮廓的四个端点，并对图像进行透视变换；对图像进行透视变换的步骤如下：步骤2.1：对二值图像进行形态学处理，寻找图像边缘轮廓，并获取边缘轮廓的最小外接多边形的边缘链表；步骤2.2：在边缘链表中查找两两距离最远的两个点，即为矩形轮廓区域的对角线；连接对角线并查找在对角线正负区域距离最大的两个点，即为矩形轮廓区域的另外的对角线，这样，就确定了矩形轮廓区域的四个端点；步骤2.3：根据矩形轮廓区域的四个端点，对标准的二值图像进行透视变换，将透视畸变标准化，形成标准的矩形轮廓区域，并对标准的二值图像中所有无法透视变换的点进行双线性插值处理；步骤3：对透视变换后的图像进行分割，得到平直图像；对图像进行透视变换的步骤如下：步骤3.1：对透视变换处理的二值图像按照横纵轴方向分别求平均，获得横纵轴方向的平均一维信号，应用区间极小值算法查找所有局部极小值所在的位置坐标，连接本文档来自技高网...

【技术保护点】
1.一种针对图像中矩形目标的高精度图像分割方法，其特征在于，所述方法包括以下步骤：/n步骤1：将图像读入内存，并对图像进行畸变矫正；/n步骤2：确定畸变矫正后图像矩形轮廓的四个端点，并对图像进行透视变换；/n步骤3：对透视变换后的图像进行分割，得到平直图像。/n

【技术特征摘要】
1.一种针对图像中矩形目标的高精度图像分割方法，其特征在于，所述方法包括以下步骤：
步骤1：将图像读入内存，并对图像进行畸变矫正；
步骤2：确定畸变矫正后图像矩形轮廓的四个端点，并对图像进行透视变换；
步骤3：对透视变换后的图像进行分割，得到平直图像。


2.根据权利要求1所述的针对图像中矩形目标的高精度图像分割方法，其特征在于，对图像进行畸变矫正的步骤如下：
步骤1.1：将太阳能光伏组件经过EL拍照生成的图像经过Opencv软件读入内存，形成单通道数字图像；
步骤1.2：对数字图像的畸变参数进行预训练，并利用畸变参数对数字图像进行畸变修复，得到边缘平直的数字图像；
步骤1.3：对数字图像进行自适应二值处理，得到二值图像；
步骤1.4：对二值图像进行迭代的开操作，得到标准的二值图像。


3.根据权利要求2所述的针对图像中矩形目标的高精度图像分割方法，其特征在于，对图像进行透视变换的步骤如下：
步骤2.1：对...

【专利技术属性】
技术研发人员：刘龙泽，崔文冰，徐安，冯兴东，江光祥，
申请(专利权)人：上海洪朴信息科技有限公司，
类型：发明
国别省市：上海;31