[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN109559318A - 基于积分算法的局部自适应图像阈值处理方法 - Google Patents

基于积分算法的局部自适应图像阈值处理方法 Download PDF

Info

Publication number
CN109559318A
CN109559318A CN201811187496.2A CN201811187496A CN109559318A CN 109559318 A CN109559318 A CN 109559318A CN 201811187496 A CN201811187496 A CN 201811187496A CN 109559318 A CN109559318 A CN 109559318A
Authority
CN
China
Prior art keywords
image
region
integral
threshold
gray value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811187496.2A
Other languages
English (en)
Other versions
CN109559318B (zh
Inventor
周勇
熊联军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Brose Kunshan Intelligent Technology Co Ltd
Original Assignee
Brose Kunshan Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Brose Kunshan Intelligent Technology Co Ltd filed Critical Brose Kunshan Intelligent Technology Co Ltd
Priority to CN201811187496.2A priority Critical patent/CN109559318B/zh
Publication of CN109559318A publication Critical patent/CN109559318A/zh
Application granted granted Critical
Publication of CN109559318B publication Critical patent/CN109559318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30116—Casting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于积分算法的局部自适应图像阈值处理方法，包括采集铸件图像，并对其进行灰度化；将灰度图像转换成积分图像；对积分图像进行区域领域均值运算，得到各区域新的中心像素点灰度值，将新的中心像素点灰度值作为区域的阈值；计算区域的平均阈值，根据各区域的平均阈值，进行图像二值化处理。本发明将灰度图像转换为积分图像，对积分图像进行区域划分，并计算每个区域的平均阈值，最后根据区域的平均阈值对图像进行二值化，避免了单一阈值处理像素，会将目标区域和背景区域进行错误划分的问题。

Description

基于积分算法的局部自适应图像阈值处理方法
技术领域
本发明涉及一种基于积分算法的局部自适应图像阈值处理方法，属于图像处理领域。
背景技术
铸造完成的铸件物体需要取图分析，即采集图像，通过图像处理对铸件进行分析，发现铸件存在的问题。现在采集图像时，采用x射线光源和平板相机，由于x射线照射不均匀，有突发噪声或者背景灰度变化比较大时，整幅图像分割将没有合适的单一阈值，如果仍然采用单一的阈值方式去处理每一个像素，有可能会将目标区域和背景区域进行错误的划分。
发明内容
本发明提供了一种基于积分算法的局部自适应图像阈值处理方法，解决了现有单一阈值方式会将目标区域和背景区域错误划分的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
基于积分算法的局部自适应图像阈值处理方法，包括以下步骤，
采集铸件图像，并对其进行灰度化；
将灰度图像转换成积分图像；
对积分图像进行区域领域均值运算，得到各区域新的中心像素点灰度值，将新的中心像素点灰度值作为区域的阈值；
计算区域的平均阈值，根据各区域的平均阈值，进行图像二值化处理。
像素点灰度值的转换公式为，
p1(i,j)＝∑i＝(0→m)∑j＝(0→n)p(i,j)
其中，p1(i,j)为积分图像中坐标为(i，j)的像素点灰度值，p(i,j)为灰度图像中坐标为(i，j)的像素点灰度值，m和n分别代表灰度图像的宽度和高度。
获得各区域新的中心像素点灰度值过程为，
对积分图像进行区域划分，区域大小为s*s；
确定四个顶角像素点；
计算新的中心像素点灰度值p＝A+D-B-C，其中A,B,C,D分别为积分图像中区域左上顶角、右上顶角、左下顶角和右下顶角的像素点灰度值。
假设区域中心像素点坐标为(i，j)，则区域横坐标方向的最小值为x1，最大值为x2，纵坐标方向的最小值为y1，最大值为y2；
其中，x1＝i-s/2，若x1<0，则x1＝0，若x1≥图像宽度，则x1＝图像宽度-1；
x2＝i+s/2，若x2≥图像宽度，则x2＝图像宽度-1；
y1＝j-s/2，若y1<0，则y1＝0，若y1≥图像高度，则y1＝图像高度-1；
y2＝j+s/2，若y2≥图像高度，则y2＝图像高度-1；
平均阈值R＝区域阈值/(s*s)。
若区域中p(i,j)大于RT％，则p(i,j)为255，否则为0。
本发明所达到的有益效果：本发明将灰度图像转换为积分图像，对积分图像进行区域划分，并计算每个区域的平均阈值，最后根据区域的平均阈值对图像进行二值化，避免了单一阈值处理像素，会将目标区域和背景区域进行错误划分的问题。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，基于积分算法的局部自适应图像阈值处理方法，包括以下步骤：
步骤1，采集铸件图像，并对其进行灰度化。
步骤2，将灰度图像转换成积分图像。
两种图像中像素点灰度值的转换公式为：
p1(i,j)＝∑i＝(0→m)∑j＝(0→n)p(i,j)
其中，p1(i,j)为积分图像中坐标为(i，j)的像素点灰度值，p(i,j)为灰度图像中坐标为(i，j)的像素点灰度值，m和n分别代表灰度图像的宽度和高度
步骤3，对积分图像进行区域领域均值运算，得到各区域新的中心像素点灰度值，将新的中心像素点灰度值作为区域的阈值。
具体过程如下：
31)对积分图像进行区域划分，区域大小为s*s；其中划分区域的大小，一般设置为图像宽的八分之一，可产生比较好的效果，可适当进行调整。
32)确定四个顶角像素点。
四个顶角像素点坐标可根据中心像素点坐标确定，具体如下：
假设区域中心像素点坐标为(i，j)，则区域横坐标方向的最小值为x1，最大值为x2，纵坐标方向的最小值为y1，最大值为y2；
其中，x1＝i-s/2，若x1<0，则x1＝0，若x1≥图像宽度，则x1＝图像宽度-1；
x2＝i+s/2，若x2≥图像宽度，则x2＝图像宽度-1；
y1＝j-s/2，若y1<0，则y1＝0，若y1≥图像高度，则y1＝图像高度-1；
y2＝j+s/2，若y2≥图像高度，则y2＝图像高度-1；
33)根据转换公式，计算四个顶角像素点灰度值，左上顶角、右上顶角、左下顶角和右下顶角的像素点灰度值分别为A,B,C,D；
34)根据四个顶角像素点灰度值，计算新的中心像素点灰度值p＝A+D-B-C；
在积分图像中，中心像素点灰度值本来可以根据转换公式得到，但是这里用计算出的p替换通过转换公式获得的中心像素点灰度值，称为新的中心像素点灰度值。顶角计算中心点灰度值相比用转换公式获得的值，一一映射到整个图像上，整个图像更平滑些。
35)将新的中心像素点灰度值p作为区域的阈值。
步骤4，计算区域的平均阈值R，根据各区域的平均阈值，进行图像二值化处理。
平均阈值R＝区域阈值/(s*s)＝p/(s*s)。
二值化过程为：若区域中p(i,j)大于RT％，则p(i,j)为255，否则为0。一般设置的T％一般取值为85％(T％对的取值范围在0到100％之间)，可得到比较好的图像效果，可适当进行调整。
上述方法将灰度图像转换为积分图像，对积分图像进行区域划分，每个区域计算一个平均阈值R，最后根据区域的平均阈值对图像进行二值化，避免了单一阈值处理像素，会将目标区域和背景区域进行错误划分的问题。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.基于积分算法的局部自适应图像阈值处理方法，其特征在于：包括以下步骤，
采集铸件图像，并对其进行灰度化；
将灰度图像转换成积分图像；
对积分图像进行区域领域均值运算，得到各区域新的中心像素点灰度值，将新的中心像素点灰度值作为区域的阈值；
计算区域的平均阈值，根据各区域的平均阈值，进行图像二值化处理。
2.根据权利要求1所述的基于积分算法的局部自适应图像阈值处理方法，其特征在于：像素点灰度值的转换公式为，
p1(i,j)＝∑i＝(0→m)∑j＝(0→n)p(i,j)
其中，p1(i,j)为积分图像中坐标为(i，j)的像素点灰度值，p(i,j)为灰度图像中坐标为(i，j)的像素点灰度值，m和n分别代表灰度图像的宽度和高度。
3.根据权利要求1所述的基于积分算法的局部自适应图像阈值处理方法，其特征在于：获得各区域新的中心像素点灰度值过程为，
对积分图像进行区域划分，区域大小为s*s；
确定四个顶角像素点；
计算新的中心像素点灰度值p＝A+D-B-C，其中A,B,C,D分别为积分图像中区域左上顶角、右上顶角、左下顶角和右下顶角的像素点灰度值。
4.根据权利要求3所述的基于积分算法的局部自适应图像阈值处理方法，其特征在于：假设区域中心像素点坐标为(i，j)，则区域横坐标方向的最小值为x1，最大值为x2，纵坐标方向的最小值为y1，最大值为y2；
其中，x1＝i-s/2，若x1<0，则x1＝0，若x1≥图像宽度，则x1＝图像宽度-1；
x2＝i+s/2，若x2≥图像宽度，则x2＝图像宽度-1；
y1＝j-s/2，若y1<0，则y1＝0，若y1≥图像高度，则y1＝图像高度-1；
y2＝j+s/2，若y2≥图像高度，则y2＝图像高度-1。
5.根据权利要求1所述的基于积分算法的局部自适应图像阈值处理方法，其特征在于：平均阈值R＝区域阈值/(s*s)。
6.根据权利要求1所述的基于积分算法的局部自适应图像阈值处理方法，其特征在于：若区域中p(i,j)大于RT％，则p(i,j)为255，否则为0。
CN201811187496.2A 2018-10-12 2018-10-12 基于积分算法的局部自适应图像阈值处理方法 Active CN109559318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811187496.2A CN109559318B (zh) 2018-10-12 2018-10-12 基于积分算法的局部自适应图像阈值处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811187496.2A CN109559318B (zh) 2018-10-12 2018-10-12 基于积分算法的局部自适应图像阈值处理方法

Publications (2)

Publication Number Publication Date
CN109559318A true CN109559318A (zh) 2019-04-02
CN109559318B CN109559318B (zh) 2023-08-29

Family

ID=65864914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811187496.2A Active CN109559318B (zh) 2018-10-12 2018-10-12 基于积分算法的局部自适应图像阈值处理方法

Country Status (1)

Country Link
CN (1) CN109559318B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112295949A (zh) * 2020-10-13 2021-02-02 广州纳诺科技股份有限公司 一种基于深度神经网络的视觉智能分拣方法及系统
WO2021212913A1 (zh) * 2020-04-22 2021-10-28 杭州涂鸦信息技术有限公司 一种图像分割方法、装置、设备及介质
CN114345717A (zh) * 2022-03-14 2022-04-15 北京物资学院 一种货物分拣装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855617A (zh) * 2011-07-01 2013-01-02 中国科学院深圳先进技术研究院 自适应图像处理方法及系统
CN106845313A (zh) * 2016-12-28 2017-06-13 广州智慧城市发展研究院 一种二维码的二值化处理方法
CN107037056A (zh) * 2017-03-29 2017-08-11 浙江大学 一种快速局部阈值分割的水果表面缺陷检测方法
US20180137321A1 (en) * 2015-07-23 2018-05-17 Fujian Landi Commercial Equipment Co., Ltd. Method and system for decoding two-dimensional code using weighted average gray-scale algorithm

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855617A (zh) * 2011-07-01 2013-01-02 中国科学院深圳先进技术研究院 自适应图像处理方法及系统
US20180137321A1 (en) * 2015-07-23 2018-05-17 Fujian Landi Commercial Equipment Co., Ltd. Method and system for decoding two-dimensional code using weighted average gray-scale algorithm
CN106845313A (zh) * 2016-12-28 2017-06-13 广州智慧城市发展研究院 一种二维码的二值化处理方法
CN107037056A (zh) * 2017-03-29 2017-08-11 浙江大学 一种快速局部阈值分割的水果表面缺陷检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021212913A1 (zh) * 2020-04-22 2021-10-28 杭州涂鸦信息技术有限公司 一种图像分割方法、装置、设备及介质
CN112295949A (zh) * 2020-10-13 2021-02-02 广州纳诺科技股份有限公司 一种基于深度神经网络的视觉智能分拣方法及系统
CN114345717A (zh) * 2022-03-14 2022-04-15 北京物资学院 一种货物分拣装置

Also Published As

Publication number Publication date
CN109559318B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
US8442346B2 (en) Image processing method and associated apparatus for adjusting an edge pixel
CN107203973B (zh) 一种三维激光扫描系统中线激光中心的亚像素定位方法
CN110264459A (zh) 一种土壤裂缝特征信息提取方法
CN109741356B (zh) 一种亚像素边缘检测方法及系统
US6925206B2 (en) White line detection apparatus and white line detection method
CN109559318A (zh) 基于积分算法的局部自适应图像阈值处理方法
CN108133216B (zh) 基于机器视觉的可实现小数点读取的数码管读数识别方法
JP2007140684A (ja) 画像処理装置、方法、プログラム
CN115170669A (zh) 基于边缘特征点集配准的识别定位方法及系统、存储介质
CN107085707A (zh) 一种基于交通监控视频的车牌定位方法
TWI394096B (zh) 影像追蹤處理的方法
JP2017510427A5 (zh)
CN105069801A (zh) 基于图像质量诊断的视频图像预处理方法
CN106327437B (zh) 一种彩色文本图像校正方法及系统
CN109410205B (zh) 一种复杂路面背景下的裂缝提取方法
CN109886935A (zh) 一种基于深度学习的道面异物检测方法
WO2010050412A1 (ja) 校正指標決定装置、校正装置、校正性能評価装置、システム、方法、及びプログラム
CN109767402A (zh) 一种基于直方图统计的非制冷红外热像自适应映射方法
JP2000048211A (ja) 移動物体追跡装置
CN110910319A (zh) 一种基于大气散射模型的手术视频实时去雾增强方法
CN104537627B (zh) 一种深度图像的后处理方法
TWI383690B (zh) 影像處理的方法
CN109191482B (zh) 一种基于区域自适应光谱角阈值的图像合并分割方法
CN115424107A (zh) 基于图像融合与深度学习的水下桥墩表观病害检测方法
US11354794B2 (en) Deposit detection device and deposit detection method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant