基于RPCA和PCA的图像重建及异物检测方法技术

本发明专利技术涉及缺陷检测技术领域，具体涉及一种基于RPCA和PCA的图像重建及异物检测方法，包括：获取基向量：获取样本图像集合；依据RPCA算法，对图像集合的每个样本图像进行拉伸合并；迭代出低秩矩阵大图；进行标准化，降采样，PCA分解，得到转换图像数据所需的基向量及其转置；图像数据重建：将待测图像与基向量进行矩阵相乘，得到转换到新空间的临时数据；将临时数据与基向量转置进行矩阵相乘，得到转换回图像空间的降噪、消除异物后的数据；异物检测：将重建后的图像与待测源图像进行差分，得到噪声数据与异物数据的集合；筛除噪声，得到异物数据集合。本发明专利技术结合使用RPCA与PCA算法，在要求实时性的场景下同样可以生效。求实时性的场景下同样可以生效。求实时性的场景下同样可以生效。

【技术实现步骤摘要】
基于RPCA和PCA的图像重建及异物检测方法


[0001]本专利技术涉及缺陷检测
，具体地，涉及一种基于RPCA和PCA的图像重建及异物检测方法。

技术介绍

[0002]当前MINILED检测环境存在像素质量低，MINILED原件本体太小等客观原因，无法使用传统的算法进行缺陷的检测与定位，同时工业的检测环境又需要极高的精度以及检测效率。
[0003]目前传统算法有PCA和RPCA。
[0004]PCA是指主成分分析算法；主成分分析是基于寻找正交基来构建新的矩阵数值空间，将原本的数值矩阵转换到新的矩阵数值空间以降低数据量，从而实现数据的压缩处理，同时能消除类似高斯噪声类别的特殊噪声。
[0005]关于PCA寻找正交基空间，根据PCA的数据降维原理，其中有几个重要步骤，分别有特定的作用：
[0006](1)协方差：一般是用于刻画两个变量间的相关性。协方差位为正，则正相关；为负，则负相关；为0则两变量无关；
[0007](2)特征值：EVD、SVD分解后可得到两个特征矩阵和一个特征值矩阵，其中每个特征值表示对应特征的所占比重，即成分中越重要的特征，其特征值越大。PCA逻辑中，是通过筛除所占比重小的特征，保留比重大的特征来进行降噪的；
[0008](3)特征中心化：对应于图像中每个样本的每个像素点。特征中心化即特征标准化，是减少特征直接的区别，使样本特征保持统一尺度。
[0009]而PCA的实际实现流程如下：
[0010]1、整理原始矩阵X
mr/>×
n
[0011]2、求原始矩阵X
m
×
n
的协方差矩阵S
m
×
n
＝Cov(X)
[0012]3、求解协方差矩阵的特征值与特征向量
[0013]4、选取特征值最大的K个特征值所对应的特征向量组合为正交基组合矩阵W
n
×
k
[0014]5、进行矩阵空间转换，计算新空间中的矩阵Z
m
×
k
：
[0015]Z
m
×
k
＝X
m
×
n
W
n
×
k
[0016]其中，由于K是人为指定，且范围为K∈[0,n]，因此当K小于n时，进行PCA转换可实现矩阵数据的压缩。
[0017]PCA的缺点在于：
[0018]1、PCA算法的降噪效果只是附带，且仅能处理如高斯噪声的特定噪声，而无法处理离散噪声；
[0019]2、PCA算法针对图像压缩每次都需要进行奇异值分解，计算量较大，无法应用到实时场景。
[0020]而RPCA是指鲁棒性主成分分析算法；鲁棒性主成分分析是运用了机器学习的概
念，寻找样本集共同的一个低秩矩阵后，所得到的低秩矩阵将其与原图进行差分可以得到对应的噪声图像。再将噪声图像返回至原图进行降噪处理。
[0021]运行RPCA是需要大量的运算时间，因此基于加速的逻辑，依靠ALM(增广拉格朗日乘子)求解RPCA的条件下又分为两种：IALM(非精确ALM)和EALM(精确ALM)。
[0022]使用ALM法解析RPCA的原理是求解一个参数时固定其余参数。假设D＝A+E(D为待分解矩阵，A为低秩矩阵，E为噪声矩阵)。其展开为拉格朗日式为：
[0023][0024]对于EALM而言，在实现的过程中构建了两个循环，假设其为内循环与外循环。内循环为固定惩罚因子Y和系数μ，收敛矩阵A和E，直到不收敛为止再更新Y和μ。可以直观的看出，这样运算量极大，但从逻辑上这是最能精确拟合出RPCA所需要的结果。
[0025]而IALM与EALM的区别在于其仅构建了一个循环，即A、E、Y、μ在同一个循环内进行更新，在控制Y和系数μ的情况下，每次循环都是近似的拟合。从逻辑上即可知晓这样的拟合结果是不如EALM精确的，但其优势是减少了运算量与运算时间。
[0026]对应地，RPCA的缺点在于：
[0027]1、需要一定足够数量的样本集，且最终效果与样本集数量成正比；
[0028]2、由于是带有机器学习的部分过程，因此需要额外的时间先进行训练与学习，这个时间成本是不能适应实时场景的。
[0029]由此可见，PCA和RPCA算法各自都无法适用于实时场景检测。

技术实现思路

[0030]本专利技术主要是为了解决MINILED工业检测环境中的未知缺陷的检测问题，本专利技术可以在未知缺陷细节的前提下对大多数异物进行检测与定位。为此，本专利技术提供一种基于RPCA和PCA的图像重建及异物检测方法。
[0031]本专利技术的具体方案如下。
[0032]基于RPCA和PCA的图像重建及异物检测方法，包括以下步骤：
[0033]获取基向量：获取一定数量的样本图像集合；依据RPCA算法，对图像集合的每个样本图像进行拉伸合并；依据RPCA算法迭代得到低秩矩阵大图；对低秩矩阵大图的每个独立样本进行标准化；对标准化的低秩矩阵大图降采样，形成低秩小图；将低秩小图进行PCA分解，得到转换图像数据所需的基向量及其转置；
[0034]图像数据重建：将待测图像与基向量进行矩阵乘法运算，得到转换到新空间的临时数据；将转换到新空间的临时数据与基向量转置进行矩阵乘法运算，得到转换回图像空间的降噪、消除异物后的数据；
[0035]异物检测：将重建后的图像与待测源图像进行差分，得到噪声数据与异物数据的集合；筛除噪声，得到异物数据集合。
[0036]进一步地，还包括，异物定位：对异物数据集合进行聚类，分析并获取每个类别的异物数据对应的中心信息，并对应到图像空间坐标，得到异物的定位信息。
[0037]进一步地，依据RPCA算法，对图像集合的每个样本图像进行拉伸合并，具体为：将图像集合的每个样本图像从m*n的矩阵数据结构拉伸为m*n*1的向量结构，再将所有样本图
像的向量拼接成一个m*n*z的大图结构，其中m、n为单张样本大小，z为样本数量。
[0038]优选地，还包括，在将每个样本图像从m*n的矩阵数据结构拉伸为m*n*1的向量结构之前，对样本图像进行预处理。
[0039]进一步地，对低秩矩阵大图的每个独立样本进行标准化的处理为：
[0040]其中，i,j为对应像素的位置坐标，S
’
为标准化后的单个像素值，S为低秩处理后的样本值，为该像素位置的全局均值。
[0041]进一步地，对标准化的低秩矩阵大图降采样，形成低秩小图，具体为：随机保留z个样本向量中的g个样本向量，重新组合为低秩小图。
[0042]优选地，在将低秩小图进行PCA分解中，保留所有特征值作为基向量。
[0043]进一步地，对于多维度图像，在获取基向量步骤中，先将各个维度单独分解出来，以获取各个维度下的基向量，并最终获取多组基向量及其转置。
...

【技术保护点】

【技术特征摘要】
1.基于RPCA和PCA的图像重建及异物检测方法，其特征在于，包括以下步骤：获取基向量：获取一定数量的样本图像集合；依据RPCA算法，对图像集合的每个样本图像进行拉伸合并；依据RPCA算法迭代得到低秩矩阵大图；对低秩矩阵大图的每个独立样本进行标准化；对标准化的低秩矩阵大图降采样，形成低秩小图；将低秩小图进行PCA分解，得到转换图像数据所需的基向量及其转置；图像数据重建：将待测图像与基向量进行矩阵乘法运算，得到转换到新空间的临时数据；将转换到新空间的临时数据与基向量转置进行矩阵乘法运算，得到转换回图像空间的降噪、消除异物后的数据；异物检测：将重建后的图像与待测源图像进行差分，得到噪声数据与异物数据的集合；筛除噪声，得到异物数据集合。2.根据权利要求1所述的基于RPCA和PCA的图像重建及异物检测方法，其特征在于，还包括，异物定位：对异物数据集合进行聚类，分析并获取每个类别的异物数据对应的中心信息，并对应到图像空间坐标，得到异物的定位信息。3.根据权利要求1所述的基于RPCA和PCA的图像重建及异物检测方法，其特征在于，依据RPCA算法，对图像集合的每个样本图像进行拉伸合并，具体为：将图像集合的每个样本图像从m*n的矩阵数据结构拉伸为m*n*1的向量结构，再将所有样本图像的向量拼接成一个m*n*z的大图结构，其中m、n为单张样本大小，z为样本数量。4.根据权利要求3所述的基于RPCA和PCA的图像重建及异物检测方法，其特征在于，还包括，在将每个样本图像从m*n的矩阵数...

【专利技术属性】
技术研发人员：王海旭，
申请(专利权)人：东莞市盟拓智能科技有限公司，
类型：发明
国别省市：