傅里叶变换进行缺陷检测detect_indent_fft.hdev(源代码与详细解析)

文章目录

简介
程序解析
处理结果预览
算法讲解

简介

detect_indent_fft.hdev是halcon的示例程序，是傅里叶变换进行缺陷检测的一个例子，主要是傅里叶变换在复杂背景下的缺陷检测。

这个程序展示了如何利用快速傅里叶变换（FFT）对塑料制品的表面进行缺陷检测，大致分为三步：

1、用高斯滤波器构造一个合适的滤波器（将原图通过高斯滤波器滤波）；

2、将原图和构造的滤波器进行快速傅里叶变换；

3、利用形态学进行缺陷检测。

程序解析

关于显示类函数解释https://blog.csdn.net/cashmood/article/details/93999690
dev_updata_off()

dev_close_window() //关闭活动的图像窗口
读入图片
read_image(Image,’plastics/plastics_01’)
获取图片的长宽
//参数说明：读入的图片（Image）；图片的宽（Width）；图片的高（Height）
get_image_size(Image,Width,height)

dev_open_window(0,0,Width,Height,’Black’,WindowHandle)
设置显示字体
set_display_font （WindowHandle,14,’mono’,’ture’,’false’）

dev_set_draw(‘Margin’)

dev_set_line_width（3）

dev_set_color（’red’）

（根据图像大小进行fft速度最优化)
对指定大小的图片的fft速度进行优化
//参数说明：图片大小（Width,Height）；优化模式（’standard’）；
optimize_rft_speed（Width,Height,’standard’）

（结合两个高斯滤波器构造一个合适的滤波器）

定义两个常量
Sigma1 := 10.0 Sigma2 := 3.0

在频域生成两个高斯滤波器
//参数说明：生成的高斯滤波器（GaussFilter）；空域中高斯在主方向上的标准差（Sigma）；空域中高斯在正交于主方向的方向上的标准差（Sigma）；滤波器主方向的角度（0.0）；滤波器的规范（’none’）；直流项在频域的位置（’rft’）；图片的大小（Width,Height）
gen_gauss_filter(GaussFilter1,Sigma1,Sigma1,0.0,’none’,’rft’,Width,Height)

gen_gauss_filter(GaussFilter2,Sigma2,Sigma2,0.0,’none’,’rft’,Width,Height) //

两图片相减生成一个带通低频滤波器
//函数原型以及运算公式： sub_image(ImageMinuend, ImageSubtrahend : ImageSub : Mult, Add : )
//g’ := (g1 - g2) * Mult + Add
sub_image(GaussFilter1,GaussFilter2,Filter,1,0) //两图片相减（灰度）

（开始进行图像检测）
NumImages := 11
for循环从1到NumImages，步长为1
for Index := 1 to NumImages by 1

read_image(Image,’plastics/plastics_’+Index$’02’)

将图片转化为灰度图，第一个参数为原图
rgb1_to_gray(Image,Image)

*Perform the convolution in the frequency domain
对一幅图片进行快速傅里叶变换
//参数说明：输入的图片（Image）；傅里叶变换后输出的图片（ImageFFT）；变换方向（’to_freq’或’from_freq’）；变换因子的规范（’none’）；输出图片的数据类型（’complex’）；图片的宽（Width）
rft_generic(Image,ImageFFT,’to_freq’,’none’,’complex’,Width)

图片用一个滤波器在频域进行卷积运算
//参数说明：输入的图片（ImageFFT）；频域滤波器（Filter）；运算后输出的结果
convol_fft(ImageFFT,Filter,ImageConvol) //对图片用一个滤波器在频域进行卷积运算

对滤波后的图片进行快速傅里叶反变换
rft_generic(ImageConcol,ImageFiltered,’from_freq’,’n’,’real’,Width)

用一个矩形掩膜计算像素点的灰度范围
//参数说明：输入的图片（ImageFiltered）；输出的灰度范围图（ImageResult）；矩形掩膜大小（10,10）
灰度范围计算方法：矩形掩膜内的最大灰度值-最小灰度值
gray_range_rect(ImageFiltered,ImageResult,10,10)

求图片灰度值的最大和最小值和变换范围
//参数说明：待分析图片区域（ImageResult）；图片（ImageResult）；被去除的直方图两边像素点所；占总像素数的百分比（0）；得到的最小值最大值及灰度值范围（Min,Max,Range）
min_max_rect(ImageResult,ImageResult,0,Min,Max,Range)//判断区域内灰度值的最大和最小值

利用全局阈值对图像进行分割
//参数说明：输入的图片（ImageResult）；分割后得到的区域（RegionDynThresh）；阈值（max([5.55,Max0.8]),255）；公式：MinGray <= g <= MaxGray
threshold(ImageResult,RegionDynThresh,max([5.55,Max0.8]),255)//

分割连通域
//参数说明：输入的区域（RegionDynThresh）；分割连通域后的区域（ConnectedRegions）
connection(RegionDynThresh,ConnectedRegions)

根据面积筛选区域
select_shape (ConnectedRegions,SelectedRegions,’area’,’and’,4,99999)

合并区域
union1(SelectedRegions,RegionUnion)

使用圆形元素对区域进行闭运算
closeing_circle(RegionUnion,RegionClosing,10)

分割连通域
connection(RegionClosing,ConnectedRegions1)

根据面积筛选区域
select_shape(ConnectedRegions1,SelectedRegions1,’area’,’and’,10,99999)

计算区域的面积以及中心位置
area_center(SelectedRegions1,Area,Row,Column)

显示结果

dev_display(Image)

定义一个变量统计区域的个数
//参数说明：在halcon中“||”代表求数组内元素的个数
Number := |Area|

判断是否存在缺陷区域
if(Number)

如果存在缺陷区域，画出缺陷区域

 gen_circle_contour_xld(ContCircle,Row,Column,gen_tuple_const(Number,30)，gen_tuple_const(Number,0), gen_tuple_const(Number,rad(360)),’positive’,1)ResultMessage := [‘Not OK’,Number + ‘defect(s) found’]Color := [‘red’,’black’]dev_display(ContCircle) else ResultMessage := ‘OK’Color := ‘forest green’

如果不存在缺陷区域，显示OK
endif

      disp_message(WindowHandle,ResultMessage,’window’,12,12,Color,’ture’) if(Index#NumImages)disp_continue_message(WindowHandle,’black’,’ture’)stop()endif

endfor

处理结果预览

算法讲解

在实际的表面缺陷检测系统中，针对的检测表面很多是具有一定纹理的比如：布匹、皮革、塑料等，针对这一类表面的检测就不能单纯依靠帧差或者背景差来完成，因为背景的纹理不可能和当前图像的纹理完全相同。因此，本例程的算法通过将图像变换到频域进行处理，提取缺陷分量后反变换到时域，获得缺陷的具体位置。
在本算法中，在一开始就构造了两个高斯滤波器，高斯滤波器是一种线性平滑滤波器，适用于消除高斯噪声。滤波器的实质是对信号进行滤波，滤除不需要的部分，得到想要的部分。一个低通的滤波器可以滤除高频信号，对于图像来说，噪声和边缘往往集中在高频分量，因此低通能够降噪，但是也能造成图像的模糊。
关键就是使用两个低通滤波器，进行相减后构造了一个带阻滤波器来提取缺陷分量。这就需要保证在实际的待检测表面中缺陷所处的频率范围要和背景以及噪声有明显的差异，并且带阻的频率选择要合适。通过带阻滤波后获得的频率成分对背景中的纹理要有明显的抑制，并且突出缺陷成分，进行傅里叶反变换后重构的图像就是缺陷图像，经过简单的分割就能很容易得到缺陷了。