高铁轮毂表面缺陷的<视觉显著性>超像素图像检测方法
内容:提出一种基于视觉显著性注意机制的超像素自适应检测方法;
设计视觉显著性注意机制滤波器用于粗略定位出缺陷空间范围,结合超像素分块图像分割方法消除光照不均匀引起的噪声干扰,有效地完成缺陷区域的边界分割和实时特征提取,实现轮毂缺陷空间坐标的精确定位
过程:
- 首先采 用同态滤波器对缺陷图像进行预处理,去除环境光污染噪声引起的图像亮度分布不均匀问题,构建轮毂表面缺陷图像的谱残差视觉注意模型
- 采用超像素分割算法对缺陷显著性图像进行自适应阈值分割
- 标记出高铁轮毂表面缺陷的二维空间位置,实现轮毂表面缺陷的边界检测和形态估计
视觉注意机制的谱残差模型
~基于频域分析为基础,将图像信息分为冗余信息和变化信息两部分,冗余信息为不变的背景信息,变化信息为需要保留的变化的缺陷信息,图像数据可以分成两部分:F( image) = F1 + F2;其中 F1 为冗余部分,F2为变化部分。图像数据的幅度谱曲线具有冗余信息不变的特征,去除冗余信息就可以得到变化的缺陷信息。
(1)构建log谱函数
给定一幅图像 f( x,y) ,根据式( 1) 计算图像的二维离散傅里叶变换,变换后的图像由包含背景信 息的低频分量和包含缺陷信息的高频分量组成,log谱具有线性收敛的特性,根据式( 2) ~ 式( 4) 构建 log 谱函数:
(2) 对log谱进行滤波
由于 log谱线具有局部相似性条件,构建一个均值滤波器对 lg 谱进行滤波,对 lg 谱滤波公式,如式( 6) 所示,其中* 为卷积符号,h 是一个n* n 的均值滤波器,n 选取过小容易导致高铁轮毂缺陷 图像的漏检,n 选取过大又会引入过多噪声引起误 检测。在实验中 n 为 5 时取得较好的效果。谱残差的视觉显著图如式( 7) 所示。
(3)提取缺陷信息
基于谱线中的奇异点为缺陷图像的显著性区域,高铁轮毂图像的谱残差公式为式( 7) ,基于谱残差和相位谱做离散傅里叶反变换得到缺陷显著图, 式( 8) 中得到的谱残差对应于图像的缺陷纹理区域,背景信息被有效地过滤掉,可以准确提取出变化的缺陷的信息。
实验结果表明:视觉显著性超像素检测算法能够抑制背景噪声的干扰,在分区域的图像分割过程中准 确判断出背景的刀纹噪声信息,完整保留了缺陷区域 的特征信息,具有准确的检测效率
超像素分割——SLIC
基于谱残差模型的自适应超像素图像分割算法
基本思想:增加缺陷区域的加权系数,减少背景图像的像素点加权系数
假设输入图像为 g( x,y) , 运用超像素分割算法将图像分割成 N 个图像块,分割后的图像标记为 G = { G1,G2,…,GN};其中图像块数量为 N,分割后的图像按照左上角到右下角的顺序依次排序,,Gi ( i ∈[1,N]) 代表第 i 个区域范围内的所有像素点。
在超像素分割后的区域图像块 Gi 中,设置Gi 中的区域图像块为 F,定义图像块方差为下面公式。其中 fi 为像素 j 点的灰度,构建图像块中的方差阈值 T,大于阈值T的图像块包含缺陷信息,进行自适应阈值分割,小于阈值T的图像块则默认为背景区域不进行处理。
因此,基于谱残差的自适应超像素图像分割算法的计算步骤如下:
- 计算图像的视觉显著图
- 以步长 S 初始化超像素分割的中心点 Ck = [lk,xk,yk ]T
- 遍历操作,图像分割块设置为 200,超像素 图像分割。
- 在超像素分割的每一个 Ck 内,计算方差 Var( F) ,如果方差大于阈值 T,则认为该区域内有 缺陷信息,在 fi 和 c 之间计算 d( fi ) 。
- 更新权系数 ω( fj ) ,自适应分割缺陷区域内的特征信息
- 自适应超像素分割结果与视觉显著图进行数据融合,标记出缺陷位置。
实验结果表明:基于超像素分割算法分割出图像块,依据图像块内部的方差判断是否需要进行自适应精细分割,相比传统的人工检测,该方法能够解决人工检测过程中由于疲劳和心理波动等客观人为因素造成的误检测和漏检测问题,具有准确快速的特点
高铁轮毂表面缺陷的<视觉显著性>超像素图像检测方法相关推荐
- 视觉显著性python_OpenCV—python 图像显著性检测算法—HC/RC/LC/FT
文章目录 一.显著性检测研究现状 二.基于谱残差法的显著性检测 三.基于全局对比度图像显著性检测(LC) 2.1 基于直方图对比度的显著性检测(HC) 2.2 基于区域的对比度方法(region-ba ...
- python视觉识别_视觉显著性python_OpenCV—python 图像显著性检测算法—HC/RC/LC/FT
文章目录 一.显著性检测研究现状 二.基于谱残差法的显著性检测 三.基于全局对比度图像显著性检测(LC) 2.1 基于直方图对比度的显著性检测(HC) 2.2 基于区域的对比度方法(region-ba ...
- 视觉显著性 matlab,转载图像/视觉显著性检测技术发展情况梳理(Saliency Detection、Visual Attention)...
图像/视觉显著性检测技术发展情况梳理(Saliency Detection.Visual Attention) Sason@CSDN 转载:http://blog.csdn.net/anshan198 ...
- MATLAB【七】———— matlab 高斯核使用,超像素图像模拟,矩阵转图像,深度相机模型实践实现
深度模型,图片转稀疏矩阵,稀疏矩阵转图片 %% mat to 2array temp_speckle = ref_speckle; [row_index,col_index,v]=find(temp_ ...
- 基于Seam+Carving和显著性分析的图像缩放方法MATLAB仿真
本课题的主要工作是使用seam+carving算法对图像进行非等比例缩放以及无缝拼接,关于seam+caring算法的理论,这里不再重复,主要见如下的参考文献(已经提供). 下面介绍本系统的主要操作方 ...
- 基于视觉显著性的外观注视估计
Appearance-based Gaze Estimation using Visual Saliency 基于视觉显著性的外观注视估计 Y usuke Sugano, Y asuyuki Mats ...
- SLIC与目前最优超像素算法的比较 SLIC Superpixels Compared to State-of-the-art Superpixel Methods
SLIC与目前最优超像素算法的比较 Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sa ...
- SLIC与目前最优超像素算法的比较
SLIC与目前最优超像素算法的比较 Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sa ...
- 超像素分割与超像素合并/区域合并/多尺度分割
最近两年,超像素分割方法非常火爆,计算机视觉.模式识别许多方向都兴起了超像素研究的热潮,提出的方法也比较多.其实这不是个什么新鲜的东西,以前的许多分割算法所获得的结果都可以称为超像素,如Watersh ...
最新文章
- 大数据方面核心技术有哪些?新人必读
- LUA 利用#遍历表的问题
- java扶贫,基于jsp的扶贫网站-JavaEE实现扶贫网站 - java项目源码
- HDU2186 一定要记住我爱你【水题】
- javascript之奇淫技巧
- 第13章 用序列化保存模型
- 【MySQL】--数据库锁机制
- linux自动切换网,linux使用shell自动切换网关
- 【算法集训 | 暑期刷题营】7.19题---回溯与剪枝
- 5G无线关键技术 — 超密集组网
- 论文总结:云安全研究方向及进展综述
- 电力能耗监测在山东青岛机场的应用
- php 协成wifi_2016最新协成wifi认证系统二次开发版源码 支持中文ssid 无加密无限制...
- 安卓逆向 -- 算法基础(数字签名)
- css保持长宽比拉伸,使用CSS保持div的长宽比
- 基于OpenCV DNN模块给黑白老照片上色(附Python/C++源码)
- 分析盘点44,630,000条攻击数据后,创宇蜜罐发现——
- RGB 真彩色图像,CMYK 出版图像,YCbCr,L灰度图像
- 70行python代码实现qq视频加特效效果
- 查看电脑是几核几线程