System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及图像数据处理领域,具体涉及一种基于机器学习的钣金图像增强方法及系统。
技术介绍
1、在对钣金进行图像采集时,由于各种因素的影响,所拍摄的照片存在各种各样的问题,导致低质量图像的出现。例如,在拍摄过程中环境的光照不足等因素引起的图像偏暗,从而产生了低照度、对比度不高和重要特征不明显的图像;并且图像在经过存储、转换、传输等操作后,会进一步降低图像的质量,导致后续对锈斑的识别和处理不准确。因此需要对图像进行增强处理,通过增强图像对比度,可以虚弱原图像中的一些噪声以及增强某些细节信息,由于,人为根据经验评估图像质量,判断图像是否需要增强太过主观,会存在误差,且无法大规模的实际应用。
技术实现思路
1、本专利技术提供一种基于机器学习的钣金图像增强方法,以解决对钣金进行识别和后处理时,采集到的图像质量较低影响后续判断结果的问题,采用如下技术方案:
2、获取钣金图像,灰度化处理得到灰度图,以灰度图中每个像素点的灰度值为轴、邻域均值为轴、灰度值-邻域均值在灰度图中出现的频数为轴,得到灰度值-邻域均值-频数直方图;
3、根据灰度图中每个像素点的灰度值和邻域均值差异对灰度值-邻域均值-频数直方图中的灰度值-邻域均值空间进行区域划分,得到中间区域和边缘区域;
4、使用高斯混合模型对中间区域内的所有像素点进行拟合得到两个二维高斯分布,通过em算法获得两个二维高斯分布的参数,根据中间区域中每个像素点的灰度值和邻域均值计算出每个像素点分别在两个二维高斯分布中的密度
5、根据每一类像素点对应的灰度值-邻域均值统计出该灰度值-邻域均值对应的像素点的个数,计算出每一类的类内对比度和两类之间的类间对比度;
6、利用边缘区域内对应各像素点及该像素点相邻像素点的灰度值计算边缘区域的边缘清晰度;
7、根据获得的中间区域中类间对比度、每一类的类内对比度和边缘区域的边缘清晰度得到二维灰度直方图的均衡化必要度;
8、根据均衡化必要度对二维灰度直方图是否需要均衡化进行判断。
9、所述对灰度值-邻域均值空间进行区域划分的具体方法为:
10、在灰度值-邻域均值空间中,作三条平行直线、和,其中,,为像素点最大灰度值,为像素点最小灰度值,为灰度值;
11、直线和直线之间的区域为中间区域;
12、直线上方和直线下方的区域为边缘区域。
13、所述将中间区域内的所有像素点分为两类的方法如下:
14、使用高斯混合模型对中间区域内的所有像素点进行拟合,模型公式为:
15、;
16、式中,为拟合获得的模型,为样本数据,为高斯模型需要计算的参数,为第个高斯分布需要计算的参数,是系数,且混合高斯模型中,多个高斯模型的系数之和为1,,为该高斯混合模型包含的高斯分布的数量,为在第个高斯分布的分布密度函数,为:
17、;
18、式中,为第个二维高斯分布的均值,为第个二维高斯分布的方差,为第个二维高斯分布的协方差;
19、利用em算法来估计高斯混合模型需要计算的参数,得到高斯混合模型包括的两个二维高斯分布的具体参数分别为和;
20、将中间区域中每个像素点的灰度值和邻域均值带入得到:
21、;
22、式中,为自然常数,为圆周率;
23、当 =1时,若:
24、;
25、则该像素点属于对应的二维高斯分布;
26、当时,若:
27、;
28、则该像素点属于对应的二维高斯分布;
29、通过上述判断,可得到两类像素点集合和,每类集合中的像素点对应的不同的灰度值-邻域均值的个数分别为和。
30、所述二维灰度直方图的均衡化必要度计算方法为:
31、;
32、式中,为二维灰度直方图的均衡化必要度,为类内对比度,为类间对比度,为边缘清晰度,,为像素类别数量,当时,和表示两类像素各自的类内对比度。
33、所述类内对比度的获取步骤为:
34、计算类像素点和类像素点各自的类内均值,公式如下:
35、;
36、式中:为每类像素点对应的不同的灰度值-邻域均值的数量,为每类集合中的像素点对应的不同的灰度值-邻域均值,为像素点集合,为每类像素点中灰度值为且邻域均值为的像素点在类像素点中出现的频数,即对应的像素点个数;
37、当时:
38、;
39、式中,为类像素点的类内均值,为类像素点对应的不同的灰度值-邻域均值,为类像素点中灰度值为且邻域均值为的像素点在类像素点中出现的频数,即对应的像素点个数,为类像素点对应的不同的灰度值-邻域均值的数量;
40、当时:
41、;
42、式中,为类像素点的类内均值,为类像素点对应的不同的灰度值-邻域均值,为类像素点中灰度值为且邻域均值为的像素点在类像素点中出现的频数,即对应的像素点个数,为类像素点对应的不同的灰度值-邻域均值的数量;
43、计算类像素点和类像素点各自的类内对比度,公式如下:
44、;
45、公式中,为类内对比度;
46、当时:
47、;
48、式中,为类像素点的类内对比度;
49、当时:
50、;
51、式中,为类像素点的类内对比度。
52、所述类间对比度的计算方法为:
53、;
54、式中,为类间对比度,为类像素点和类像素点整体频数均值,计算方法如下:
55、;
56、式中,为和两类像素点共同组成的集合中的像素点对应的灰度值-邻域均值,为两类像素点中灰度值为且邻域均值为的像素点出现的频数,即对应的像素点个数。
57、所述边缘清晰度的计算方法为:
58、;
59、式中,,为边缘像素点集合,为边缘像素点集合中边缘像素点的数量,为边缘集合中的边缘像素点坐标,为该坐标对应像素点的灰度值。
60、所述判断二维直方图是否需要均衡化的方法为:
61、若二维灰度直方图的均衡化必要度大于阈值,则对该二维灰度直方图进行均衡化。
62、所述阈值设置为0.5。
63、本专利技术还提供另一种技术方案,一种基于机器学习的钣金图像增强系统,包括图像处理模块、计算分类模块:
64、所述图像处理模块:
65、对采集的钣金图像进行灰度化,并转化为灰度值-邻域均值-频数二维灰度直方图,对二维灰度直方图中的灰度值-邻域均值空间进行区域划分得到边缘区域和中间区域;
66、对所述计算分类模块计算得到的大于均衡化必要度的二维灰度直方图进行均衡化处理;本文档来自技高网...
【技术保护点】
1.一种基于机器学习的钣金图像增强方法,其特征在于,包括:
2.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述对灰度值-邻域均值空间进行区域划分的具体方法为:
3.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述将中间区域内的所有像素点分为两类的方法如下:
4.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述二维灰度直方图的均衡化必要度计算方法为:
5.根据权利要求4所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述类内对比度的获取步骤为:
6.根据权利要求4所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述类间对比度的计算方法为:
7.根据权利要求4所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述边缘清晰度的计算方法为:
8.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述判断二维直方图是否需要均衡化的方法为:
9.根据权利要求8所述的一种基于机器学习的钣金图像
10.一种基于机器学习的钣金图像增强系统,包括图像处理模块、计算分类模块:
...【技术特征摘要】
1.一种基于机器学习的钣金图像增强方法,其特征在于,包括:
2.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述对灰度值-邻域均值空间进行区域划分的具体方法为:
3.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述将中间区域内的所有像素点分为两类的方法如下:
4.根据权利要求1所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述二维灰度直方图的均衡化必要度计算方法为:
5.根据权利要求4所述的一种基于机器学习的钣金图像增强方法,其特征在于,所述类内对比度的获...
【专利技术属性】
技术研发人员:张树涛,张廷廷,刘国庆,王瑞,
申请(专利权)人:山东海天七彩建材有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。