1.基于人类视觉特性的微型磁瓦表面缺陷检测方法,其特征在于:包括以下步骤:
(1)图像采集,得到图像image;执行步骤2;
(2)通过阈值分割从图像image得到磁瓦图像region;执行步骤3;
(3)磁瓦图像region屏蔽边缘区域,得到屏蔽后的图像;执行步骤4;
(4)屏蔽后的图像结构张量计算;执行步骤5;
(5)缺陷区域提取。
2.根据权利要求1所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法,其特征在于:步骤3包括:
3.1)、对磁瓦图像region进行打散操作对远离磁瓦部分的干扰过滤掉,进行闭运算操作以减少磁瓦边缘部分干扰,得到过滤后图像;
令a代表被操作区域的集合,b为闭运算的结构元,则闭运算表示为:
3.2)、尺度变换完成边缘区域屏蔽,得到屏蔽后的图像;
对过滤后图像进行仿射变换;仿射变换包括两部分:水平变换和旋转变换,主要按照一个对应点和两个同位角进行变换并将其返回为齐次变换矩阵,表示为:
其中,hommat2d为上述齐次变换矩阵,r为旋转变换矩阵,t为平移系数;
最后将变换后的图像作为掩模,通过不断地微调整直至尺度变换后的图像与步骤3.1得到的过滤后图像作差后分割出的区域为一整个连通区域,设此时尺度变换函数数ξ发生了n次运算;当尺度变换函数数ξ发生了
3.根据权利要求2所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法,其特征在于:步骤4包括:
4.1)对于给定的步骤3.2得到的屏蔽后的图像进行缩放,将其尺寸变换至期望显著图的尺寸,得到缩放后的图像;
4.2)计算缩放后的图像中每一个位置的线性结构张量jσ:
其中,kσ为标准差σ的高斯核函数,*为卷积运算;
4.3)对所有的线性结构张量jσ,求其特征值λ1和λ2,进而计算图像中所有像素位置的|λ1-λ2|,构成矩阵a;计算图像中所有像素位置的|λ1+λ2|,构成矩阵b;
对于任一结构张量,将其表示为
4.4)对矩阵a进行归一化,所的矩阵作为边缘显著图;对矩阵b进行归一化,所得矩阵为角点显著图;
4.5)最终显著图由各通道的显著图的线性组合而获得;
其中,s代表最终显著图,ψ表示图像的规范化,ψ(cl)、ψ(f)和ψ(o)分别表示灰度、边缘以及角点规范化后的显著图。
4.根据权利要求3所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法,其特征在于:步骤5包括:
为了描述图像的纹理等属性,提出以不均匀性(inhomogeneity)以及各向同性(isotropy)对图像的特征进行描述,两者计算步骤如下:
inhomogeneity=trace(jσ)
trace代表计算矩阵的迹,det代表计算矩阵行列式的值;
设某个像素点的不均匀性为pinhomo,各向同性为pisotropy,在实际计算中只有同时满足以下两个条件的像素点才能继续进行计算:
threshinhom、threshshape是人为设定的参数,通过调整这两项参数可以得到不同的处理结果。
5.根据权利要求4所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法,其特征在于:在步骤5中:
经过不均匀性、各向同性计算得到相应的协方差矩阵,通过分析协方差矩阵可以得到感兴趣区域点的具体点坐标;遍历协方差矩阵中的点,检测是否存在符合条件的特征点,只要检测到有特征点的存在,就说明存在缺陷点,那么就可以确定这是一个缺陷磁瓦,反之则为正常磁瓦。
6.根据权利要求5所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法,其特征在于:
若要对步骤5剩下的区域进行更加精细的特征计算并且定位特征点,需要将计算的区域返回至原有的灰度值,这样就必须估计输入图像的噪声质量以及将协方差矩阵的所有分量与噪声方差相乘,噪声均值(mean)与偏差(deviation)的具体计算公式如下:
其中p为图像区域(region)r(步骤3.2得到的屏蔽后的图像)中的任意一个像素,g(p)为区域的灰度值函数;f是图像区域(region)r中的任意一个像素块区域。
7.根据权利要求6所述的基于人类视觉特性的微型磁瓦表面缺陷检测方法,其特征在于:
对于偏差精度要求高的情况下,可采用更加详细的计算公式:
其中f是图像区域(region)r中的任意一个像素块区域,(r′,c′)为图像区域的中心,α、β和μ为图像平面的参数。