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

CN115829883B - 一种异性金属结构件表面图像去噪方法 - Google Patents

一种异性金属结构件表面图像去噪方法 Download PDF

Info

Publication number
CN115829883B
CN115829883B CN202310120754.XA CN202310120754A CN115829883B CN 115829883 B CN115829883 B CN 115829883B CN 202310120754 A CN202310120754 A CN 202310120754A CN 115829883 B CN115829883 B CN 115829883B
Authority
CN
China
Prior art keywords
pixel
point
value
gray
points
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.)
Active
Application number
CN202310120754.XA
Other languages
English (en)
Other versions
CN115829883A (zh
Inventor
崔川川
董吉帅
郭克涛
郭庆旭
姬广景
姜勇
马建彬
邵全红
孙超
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.)
Wenshang Hengan Steel Structure Co ltd
Original Assignee
Wenshang Hengan Steel Structure 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 Wenshang Hengan Steel Structure Co ltd filed Critical Wenshang Hengan Steel Structure Co ltd
Priority to CN202310120754.XA priority Critical patent/CN115829883B/zh
Publication of CN115829883A publication Critical patent/CN115829883A/zh
Application granted granted Critical
Publication of CN115829883B publication Critical patent/CN115829883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及一种异性金属结构件表面图像去噪方法，属于图像数据处理技术领域，该方法步骤包括：采集异性金属结构件的表面图像；获取表面图像中孤立噪声点，计算出每个孤立噪声点的预测灰度值；将每个孤立噪声点的预测灰度值作为每个孤立噪声点的灰度值对表面图像进行更新，得到更新图像；将更新图像分割为多个像素块，将全部像素块分为正常像素块和异常像素块；获取异常像素块中异常区域，根据异常区域内的灰度熵值判断异常区域是否为噪声区域；对噪声区域进行去噪；本发明通过对表面图像中像素点邻域特征进行分析，对表面图像中孤立噪声点和噪声区域分别进行去噪填充处理，提高了去噪精度。

Description

一种异性金属结构件表面图像去噪方法
技术领域
本发明属于图像处理技术领域，具体涉及一种异性金属结构件表面图像去噪方法。
背景技术
异性金属结构件是现代工业的重要元件，其表面质量直接影响到产品的质量和使用性能。而在基于机器视觉对其表面质量进行检测的过程中，因受光照条件、外界干扰以及异性金属结构件表面材质等因素的影响，采集到的图像往往会受到噪声的影响；因此，为了准确识别出异性金属结构件表面缺陷，需要对采集的异性金属结构件表面图像进行去噪。
传统的去噪方法往往是利用中值滤波、小波分析等方法对图像完成滤波处理，但是这些滤波方法针对具体的参数模型或某些特定类型的图像有着良好的去噪效果，但由于异性金属结构件表面图像往往具有缺陷与背景对比度低、光照不均、缺陷较小等特点，传统的去噪方法对图像去除高频信息的同时，还会模糊了图像的纹理和边缘等重要信息，降低了图像质量，造成在对去噪后图像进行缺陷识别时不能准确的识别出缺陷区域。
发明内容
本发明提供一种异性金属结构件表面图像去噪方法，用于解决在利用传统的去噪方法对图像进行去噪时，会模糊图像的纹理和边缘等重要信息，造成不能准确识别出图像中缺陷区域的问题。
本发明的一种异性金属结构件表面图像去噪方法采用如下技术方案：
S1、采集异性金属结构件的表面图像；
S2、获取表面图像中的孤立噪声点，以每个孤立噪声点为起点向多个方向延伸，获取每个方向上多个采样点，根据每个方向上相邻采样点之间的灰度值差异和每个采样点与对应孤立噪声点之间的距离，计算出每个孤立噪声点的预测灰度值；
S3、将每个孤立噪声点的预测灰度值作为每个孤立噪声点的灰度值对表面图像进行更新，得到更新图像；
S4、将更新图像分割为多个像素块，根据每个像素块内每个像素点灰度值，计算出每个像素块为异常像素块的置信度；根据每个像素块为异常像素块的置信度，将全部像素块分为正常像素块和异常像素块；
S5、获取异常像素块中异常区域，根据异常区域内的灰度熵值判断异常区域是否为噪声区域；
S6、对噪声区域进行去噪。
进一步地，获取异常像素块中异常区域的步骤包括：
S51、利用传统均值聚类算法将异常像素块分割得到两个聚类区域；
S52、根据每个聚类区域内包含的全部像素点的灰度值，计算出每个聚类区域的灰度均值和灰度熵值；
S53、根据两个聚类区域之间灰度均值差异和灰度熵值差异，计算出两个聚类区域的差异程度；
S54、当两个聚类区域的差异程度大于或等于差异程度阈值时，将每个聚类区域分别作为一个新异常像素块，重复步骤S51- S53获取由新异常像素块分割得到的两个聚类区域之间的差异程度，依次迭代，直至由新异常像素块分割得到的两个聚类区域之间的差异程度小于差异程度阈值时，将新异常像素块作为异常区域。
进一步地，对噪声区域进行去噪的步骤包括：
将噪声区域对应的异常像素块作为目标像素块，获取噪声区域在目标像素块中的位置坐标；
获取目标像素块的全部相邻正常像素块，计算出每个相邻正常像素块与目标像素块内灰度均值的第一差值，选取出第一差值最小值对应的相邻正常像素块作为匹配后正常像素块；
在匹配后正常像素块中选取与噪声区域位置坐标相同的区域作为填充区域，利用填充区域内像素点灰度值替换噪声区域内像素点灰度值，对噪声区域进行填补去噪。
进一步地，根据每个像素块内每个像素点灰度值，计算出每个像素块为异常像素块的置信度的步骤包括：
根据每个像素块内每个像素点的灰度值在表面图像中出现的频率和每个像素点邻域内灰度方差，将每个像素块内全部像素点分为第一类像素点和第二类像素点；
计算出每个像素块内包含的全部第一类像素点的灰度均值，与全部第二类像素点的灰度均值的第二差值；
从每个像素块内包含的全部第一类像素点的灰度均值和第二类像素点的灰度均值中选取最大值，作为每个像素块对应的最大灰度均值；
将每个像素块对应的第二差值绝对值与最大灰度均值的第一比值，作为每个像素块为异常像素块的置信度。
进一步地，根据每个像素块内每个像素点的灰度值在表面图像中出现的频率和每个像素点邻域内灰度方差，将每个像素块内全部像素点分为第一类像素点和第二类像素点的步骤包括：
计算出每个像素块内每个像素点灰度值在表面图像中出现的频率，同时计算出每个像素块内每个像素点邻域内的灰度方差；
将每个像素块内每个像素点对应的频率和灰度方差的第二比值，作为每个像素块内每个像素点对应的第一优选值；
将每个像素块内每个像素点对应的灰度方差与该像素点作为第一聚类中心的优选值的第三比值，作为每个像素块内每个像素点对应的第二优选值；
将最大的第一优选值对应的像素点作为第一聚类中心，将最大的第二优选值对应的像素点作为第二聚类中心；
分别计算出每个像素块内每个像素点与第一聚类中心和第二聚类中心之间的距离，当每个像素点与第一聚类中心之间的距离最小时将该像素点标记为第一类像素点，当每个像素点与第二聚类中心之间的距离最小时将该像素点标记为第二类像素点。
进一步地，获取表面图像中的孤立噪声点的步骤包括：
根据表面图像上每个像素点与邻域像素点灰度值差异，计算出每个像素点为孤立噪声点的概率值；
以表面图像上每个像素点为中心点沿多个方向做多条直线，根据每条直线上中心点的邻域像素点与中心点的灰度值差异计算出每个像素点对应的概率参数；
将每个像素点为孤立噪声点的概率值与对应概率参数相乘，得到每个像素点为孤立噪声点的优化后概率值，将优化后概率值进行归一化处理得到归一化优化后概率值；
将归一化优化后概率值大于或等于预设概率阈值的像素点选取出作为孤立噪声点。
进一步地，根据表面图像上每个像素点与邻域像素点灰度值差异，计算出每个像素点为孤立噪声点的概率值的步骤包括：
选取表面图像上任一像素点作为目标像素点，将目标像素点的每个邻域像素点均作为目标邻域像素点；
从目标像素点和全部目标邻域像素点的灰度值中选取出最大灰度值；
计算出目标像素点灰度值与每个目标邻域像素点灰度值的第三差值，同时分别计算出每个第三差值与最大灰度值的第四比值，将得到的全部第四比值平均值，作为目标像素点为孤立噪声点的概率值；
按照目标像素点为孤立噪声点的概率值的计算方法，计算出每个像素点为孤立噪声点的概率值。
进一步地，以表面图像上每个像素点为中心点沿多个方向做多条直线，根据每条直线上中心点的邻域像素点与中心点的灰度值差异计算出每个像素点对应的概率参数的步骤包括：
以表面图像上目标像素点为中心点沿多个方向做多条直线，在每条直线上选取目标像素点的两个相邻像素点，并将两个相邻像素点分别记为第一相邻像素点和第二相邻像素点；
计算出每条直线上第一相邻像素点与目标像素点灰度值的第四差值，同时计算出每条直线上目标像素点与第二相邻像素点灰度值的第五差值；
将每条直线对应的第四差值与第五差值作差得到第六差值，将得到的全部第六差值总和的倒数作为目标像素点对应的概率参数；
按照目标像素点对应的概率参数的计算方法，计算出每个像素点对应的概率参数。
进一步地，每个孤立噪声点的预测灰度值的计算步骤包括：
以每个孤立噪声点为起点沿每个方向获取多个采样点，按照采样点与孤立噪声点之间距离由小到大的顺序将采样点进行排序，得到每个方向对应的采样点序列；
根据每个方向对应的采样点序列中相邻像素点之间的灰度值差值，和每个采样点与孤立噪声点之间的距离，计算出每个孤立噪声点在每个方向上的预测子灰度值；
将每个孤立噪声点在全部方向上预测子灰度值的平均值，作为每个孤立噪声点的预测灰度值。
进一步地，每个孤立噪声点在每个方向上的预测子灰度值的计算公式为：
Figure SMS_1
其中，
Figure SMS_3
表示第/>
Figure SMS_8
个孤立噪声点在第一个方向上的预测子灰度值；/>
Figure SMS_10
表示第一个方向对应的采样点序列中第一个采样点的灰度值；/>
Figure SMS_2
表示第一个方向对应的采样点序列中第/>
Figure SMS_7
个采样点的灰度值；/>
Figure SMS_12
表示第一个方向对应的采样点序列中第/>
Figure SMS_14
个采样点的灰度值；/>
Figure SMS_4
表示第一个方向对应的采样点序列中包含的采样点总数减1；/>
Figure SMS_6
表示第一个方向对应的采样点序列中第/>
Figure SMS_11
个采样点与第/>
Figure SMS_13
个孤立噪声点之间的距离；/>
Figure SMS_5
表示第一个方向对应的采样点序列中所有采样点与第/>
Figure SMS_9
个孤立噪声点之间的距离总和。
本发明的有益效果是：
根据先验知识可知噪声信息在图像中常表现为引起较强视觉效果的孤立像素点或像素块，而噪声信息与要研究的对象通常是不相关的，噪声信息以无用的信息形式出现，会扰乱图像的可观测信息；故本发明中首先对图像中孤立像素点进行分析，根据异性金属结构件表面图像上每个像素点与邻域像素点灰度值差异，获取每个像素点为孤立噪声点的概率，并对孤立噪声点进行消除，完成对图像中孤立噪声点的去噪处理，提高了对图像中孤立噪声点的判断精度同时提高了图像质量；
在对图像中孤立噪声点进行处理之后，再对图像中像素块进行进一步分析，故本发明首先将图像分割成多个像素块，对分割后的像素块进行分析将像素块分为正常像素块和异常像素块，正常像素块为金属结构件表面背景，金属结构件表面背景的灰度值较为平滑均匀，异常像素块为引起较强视觉效果的像素块，所以异常像素块内像素点灰度值变化幅度较大，同时由于异常像素块内包含异常区域，但异常像素块内不全为异常区域，因此在得到异常像素块后先获取异常区域，在得到异常区域后，根据异常区域内的灰度熵值判断异常区域是否为噪声区域，当判断异常区域为噪声区域后再对噪声区域进行去噪处理，通过单独对噪声区域进行去噪处理，提高了对噪声区域的判断精度同时提高了图像质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种异性金属结构件表面图像去噪方法的实施例总体步骤的流程图；
图2为本发明中获取异常像素块中异常区域的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种异性金属结构件表面图像去噪方法的实施例，如图1所示，该方法包括：
S1、采集异性金属结构件的表面图像。
本发明在固定光源后利用工业相机，采集异性金属结构件的原始图像，采集的原始图像为RGB图像，通过加权灰度化的方法对RGB图像进行灰度化处理得到灰度图像，处理后得到的灰度图像即为异性金属结构件的表面图像。加权灰度化的方法为现有技术，此处不再赘述，至此，即可得到异性金属结构件的表面图像用于进一步分析表面图像中噪声。
S2、获取表面图像中的孤立噪声点，以每个孤立噪声点为起点向多个方向延伸，获取每个方向上多个采样点，根据每个方向上相邻采样点之间的灰度值差异和每个采样点与对应孤立噪声点之间的距离，计算出每个孤立噪声点的预测灰度值。
获取表面图像中的孤立噪声点的步骤包括：根据表面图像上每个像素点与邻域像素点灰度值差异，计算出每个像素点为孤立噪声点的概率值；以表面图像上每个像素点为中心点沿多个方向做多条直线，根据每条直线上中心点的邻域像素点与中心点的灰度值差异计算出每个像素点对应的概率参数；将每个像素点为孤立噪声点的概率值与对应概率参数相乘，得到每个像素点为孤立噪声点的优化后概率值，将优化后概率值进行归一化处理得到归一化优化后概率值；将归一化优化后概率值大于或等于预设概率阈值的像素点选取出作为孤立噪声点。
根据表面图像上每个像素点与邻域像素点灰度值差异，计算出每个像素点为孤立噪声点的概率值的步骤包括：选取表面图像上任一像素点作为目标像素点，将目标像素点的每个邻域像素点均作为目标邻域像素点；从目标像素点和全部目标邻域像素点的灰度值中选取出最大灰度值；计算出目标像素点灰度值与每个目标邻域像素点灰度值的第三差值，同时分别计算出每个第三差值与最大灰度值的第四比值，将得到的全部第四比值平均值，作为目标像素点为孤立噪声点的概率值；按照目标像素点为孤立噪声点的概率值的计算方法，计算出每个像素点为孤立噪声点的概率值。
根据先验知识可知噪声信息在图像上常表现为一引起较强视觉效果的孤立像素点或像素块，故本发明中首先对表面图像中像素点进行分析，判断表面图像中每个像素点是否为孤立噪声点，首先，根据表面图像上每个像素点与邻域像素点灰度值差异，计算出每个像素点为孤立噪声点的概率值，具体过程如下：
首先选取异性金属结构件的表面图像上任意一个像素点
Figure SMS_15
，以像素点/>
Figure SMS_16
为例将其作为目标像素点/>
Figure SMS_17
，分析目标像素点/>
Figure SMS_18
是否为孤立噪声点，将目标像素点/>
Figure SMS_19
的3*3邻域像素点均作为目标邻域像素点，目标像素点/>
Figure SMS_20
为孤立噪声点的概率值/>
Figure SMS_21
的计算公式为：
Figure SMS_22
其中，
Figure SMS_23
表示目标像素点/>
Figure SMS_26
为孤立噪声点的概率值；/>
Figure SMS_30
表示目标像素点/>
Figure SMS_24
的灰度值；/>
Figure SMS_28
表示目标像素点/>
Figure SMS_29
邻域内第/>
Figure SMS_31
个目标邻域像素点的灰度值；/>
Figure SMS_25
表示从目标像素点/>
Figure SMS_27
和全部目标邻域像素点的灰度值中选取出最大灰度值。
在目标像素点
Figure SMS_33
为孤立噪声点的概率值/>
Figure SMS_36
的计算公式中，利用目标像素点/>
Figure SMS_38
与目标邻域像素点灰度值差异，来计算出目标像素点/>
Figure SMS_34
为孤立噪声点的概率值，当目标像素点/>
Figure SMS_35
与目标邻域像素点灰度值差异越大时，说明目标像素点/>
Figure SMS_40
在图像中越明显，同时由于噪声信息在图像上常表现为引起较强视觉效果的孤立像素点，所以当目标像素点/>
Figure SMS_41
为孤立噪声点的概率值/>
Figure SMS_32
越大时，越有可能为孤立噪声点，在计算出目标像素点/>
Figure SMS_37
为孤立噪声点的概率值
Figure SMS_39
后，按照目标像素点为孤立噪声点的概率值的计算方法，计算出每个像素点为孤立噪声点的概率值。
以表面图像上每个像素点为中心点沿多个方向做多条直线，根据每条直线上中心点的邻域像素点与中心点的灰度值差异计算出每个像素点对应的概率参数的步骤包括：以表面图像上目标像素点为中心点沿多个方向做多条直线，在每条直线上选取目标像素点的两个相邻像素点，并将两个相邻像素点分别记为第一相邻像素点和第二相邻像素点；计算出每条直线上第一相邻像素点与目标像素点灰度值的第四差值，同时计算出每条直线上第二相邻像素点与目标像素点灰度值的第五差值；将每条直线对应的第四差值与第五差值作差得到第六差值，将得到的全部第六差值总和的倒数作为目标像素点对应的概率参数；按照目标像素点对应的概率参数的计算方法，计算出每个像素点对应的概率参数。
如果根据每个像素点为孤立噪声点的概率值直接进行孤立噪声点的判断时，可能会存在一些误差；例如：当目标像素点
Figure SMS_44
邻域内像素点灰度值呈现规律性变化时（比如若目标像素点/>
Figure SMS_45
的3*3邻域内像素点灰度值从左至右递减，则此时在计算目标像素点/>
Figure SMS_48
为孤立噪声点的概率值/>
Figure SMS_43
时，虽然概率值/>
Figure SMS_46
较大但是目标像素点/>
Figure SMS_47
在图像上也不显著，目标像素点/>
Figure SMS_49
并不属于孤立噪声点，故如果仅仅根据目标像素点为孤立噪声点的概率值直接进行孤立噪声点的判断时，可能会发生误判，将目标像素点/>
Figure SMS_42
误判为孤立噪声点。
为了避免对孤立噪声点的误判，以目标像素点
Figure SMS_50
为例，以目标像素点/>
Figure SMS_51
为中心点沿0°，45°，90°，135°四个方向做四条直线，在每条直线上选取目标像素点的两个相邻像素点，并将两个相邻像素点分别记为第一相邻像素点和第二相邻像素点，根据每条直线上第一相邻像素点和第二相邻像素点灰度变化规律性，对目标像素点/>
Figure SMS_52
为孤立噪声点的概率值/>
Figure SMS_53
进行优化能减少对目标像素点/>
Figure SMS_54
的误判。
目标像素点
Figure SMS_55
为孤立噪声点的优化后概率值/>
Figure SMS_56
的计算公式为：
Figure SMS_57
其中，
Figure SMS_60
表示目标像素点/>
Figure SMS_64
为孤立噪声点的优化后概率值；/>
Figure SMS_65
表示目标像素点/>
Figure SMS_58
为孤立噪声点的概率值；/>
Figure SMS_62
表示目标像素点/>
Figure SMS_67
的灰度值；/>
Figure SMS_68
表示以目标像素点/>
Figure SMS_59
为中心点做的第/>
Figure SMS_63
条直线上第一相邻像素点；/>
Figure SMS_66
表示以目标像素点/>
Figure SMS_69
为中心点做的第/>
Figure SMS_61
条直线上第二相邻像素点。
在目标像素点
Figure SMS_72
为孤立噪声点的优化后概率值/>
Figure SMS_75
的计算公式中，在第/>
Figure SMS_77
条直线上第一相邻像素点、目标像素点以及第二相邻像素点为按顺序依次排布的三个像素点，计算出第/>
Figure SMS_71
条直线上第一相邻像素点与目标像素点灰度值的第四差值，同时计算出第/>
Figure SMS_73
条直线上目标像素点与第二相邻像素点的第五差值，当第五差值越大时说明第一相邻像素点、目标像素点以及第二相邻像素点这三个像素点的灰度变化越不具备规律性时，说明目标像素点/>
Figure SMS_76
越有可能是孤立噪声点；在计算出目标像素点/>
Figure SMS_79
为孤立噪声点的优化后概率值/>
Figure SMS_70
后，按照目标像素点/>
Figure SMS_74
为孤立噪声点的优化后概率值/>
Figure SMS_78
的计算方法，计算出每个像素点为孤立噪声点的优化后概率值。
在得到每个像素点为孤立噪声点的优化后概率值之后进行归一化处理，得到每个像素点为孤立噪声点的归一化优化后概率值；因为归一化优化后概率值越大的像素点越有可能为孤立噪声点，设置预设概率阈值0.8，将归一化优化后概率值大于或等于预设概率阈值的像素点选取出作为孤立噪声点。
每个孤立噪声点的预测灰度值的计算步骤包括：以每个孤立噪声点为起点沿每个方向获取多个采样点，按照采样点与孤立噪声点之间距离由小到大的顺序将采样点进行排序，得到每个方向对应的采样点序列；根据每个方向对应的采样点序列中相邻像素点之间的灰度值差值，和每个采样点与孤立噪声点之间的距离，计算出每个孤立噪声点在每个方向上的预测子灰度值；将每个孤立噪声点在全部方向上预测子灰度值的平均值，作为每个孤立噪声点的预测灰度值。
在得到孤立噪声点后需要对孤立噪声点进行去噪处理，提高图像质量，为了对孤立噪声点进行去噪填补需要先计算出每个孤立噪声点的预测灰度值。此处仍以第
Figure SMS_80
个孤立噪声点为例，本发明中以第/>
Figure SMS_81
个孤立噪声点为中心点沿0°，45°，90°，135°四个方向上获取n个采样点（每个方向上均获取n个采样点，本发明中给出的参考值为n=5，具体可根据实际情况进行调整），按照采样点与孤立噪声点之间距离由小到大的顺序将采样点进行排序，得到0°，45°，90°，135°四个方向对应的采样点序列，根据每个方向对应的采样点序列中相邻像素点之间的灰度值差值，和每个采样点与孤立噪声点之间的距离，计算出每个孤立噪声点在每个方向上的预测子灰度值。
每个孤立噪声点在每个方向上的预测子灰度值的计算公式为：
Figure SMS_82
其中，
Figure SMS_84
表示第/>
Figure SMS_87
个孤立噪声点在第一个方向上的预测子灰度值；/>
Figure SMS_91
表示第一个方向对应的采样点序列中第一个采样点的灰度值；/>
Figure SMS_86
表示第一个方向对应的采样点序列中第/>
Figure SMS_89
个采样点的灰度值；/>
Figure SMS_92
表示第一个方向对应的采样点序列中第/>
Figure SMS_97
个采样点的灰度值；/>
Figure SMS_83
表示第一个方向对应的采样点序列中包含的采样点总数减1；/>
Figure SMS_90
表示第一个方向对应的采样点序列中第/>
Figure SMS_94
个采样点与第/>
Figure SMS_95
个孤立噪声点之间的距离；/>
Figure SMS_85
表示第一个方向对应的采样点序列中所有采样点与第/>
Figure SMS_88
个孤立噪声点之间的距离总和，若第一方向对应的采样点序列中包含5个采样点，那么/>
Figure SMS_93
表示5个采样点与第/>
Figure SMS_96
个孤立噪声点之间的距离总和。
在每个孤立噪声点在每个方向上的预测子灰度值的计算公式中，由于选取出的是孤立噪声点，那么认为与孤立噪声距离越近的像素点为正常像素点的可能性越大，因此以每个方向的第一个采样点为基准，同时设置距离权重使与孤立噪声点距离越近的采样点权重越大，同时由于正常像素点灰度值相近或呈现出一定的变化规律，故根据相邻采样点之间的灰度差异得到孤立噪声点在每个方向上的预测子灰度值。
本实施例中得到的
Figure SMS_98
为第/>
Figure SMS_99
个孤立噪声点在第一个方向上的预测子灰度值，由于本实施例采集的是四个方向上的预测子灰度值，按照每个孤立噪声点在每个方向上的预测子灰度值的计算方法，则可得到四个方向的预测子灰度值，将四个方向的预测子灰度值的平均值作为第/>
Figure SMS_100
个孤立噪声点在未受到噪声干扰的情况下，应该得到的预测灰度值。
S3、将每个孤立噪声点的预测灰度值作为每个孤立噪声点的灰度值对表面图像进行更新，得到更新图像。
本实施例中在步骤S2中获取了表面图像中的孤立噪声点，同时计算出了每个孤立噪声点的预测灰度值，将每个孤立噪声点的预测灰度值作为每个孤立噪声点的灰度值对表面图像进行更新，得到更新图像。
S4、将更新图像分割为多个像素块，根据每个像素块内每个像素点灰度值，计算出每个像素块为异常像素块的置信度；根据每个像素块为异常像素块的置信度，将全部像素块分为正常像素块和异常像素块。
根据每个像素块内每个像素点灰度值，计算出每个像素块为异常像素块的置信度的步骤包括：根据每个像素块内每个像素点的灰度值在表面图像中出现的频率和每个像素点邻域内灰度方差，将每个像素块内全部像素点分为第一类像素点和第二类像素点；计算出每个像素块内包含的全部第一类像素点的灰度均值，与全部第二类像素点的灰度均值的第二差值；从每个像素块内包含的全部第一类像素点的灰度均值和第二类像素点的灰度均值中选取最大值，作为每个像素块对应的最大灰度均值；将每个像素块对应的第二差值与最大灰度均值的第一比值，作为每个像素块为异常像素块的置信度。
根据每个像素块内每个像素点的灰度值在表面图像中出现的频率和每个像素点邻域内灰度方差，将每个像素块内全部像素点分为第一类像素点和第二类像素点的步骤包括：计算出每个像素块内每个像素点灰度值在表面图像中出现的频率，同时计算出每个像素块内每个像素点邻域内的灰度方差；将每个像素块内每个像素点对应的频率和灰度方差的第二比值，作为每个像素块内每个像素点对应的第一优选值；将每个像素块内每个像素点对应的灰度方差与该像素点作为第一聚类中心的优选值的第三比值，作为每个像素块内每个像素点对应的第二优选值；将最大的第一优选值对应的像素点作为第一聚类中心，将最大的第二优选值对应的像素点作为第二聚类中心；分别计算出每个像素块内每个像素点与第一聚类中心和第二聚类中心之间的距离，当每个像素点与第一聚类中心之间的距离最小时将该像素点标记为第一类像素点，当每个像素点与第二聚类中心之间的距离最小时将该像素点标记为第二类像素点。
根据每个像素块为异常像素块的置信度，将全部像素块分为正常像素块和异常像素块的步骤包括：当每个像素块为异常像素块的置信度大于置信度阈值时将该像素块作为异常像素块，否则将该像素块作为正常像素块。
本实施例中，在步骤S3中已经完成了对孤立噪声点的处理，在对孤立噪声点进行处理之后，将更新图像分割为多个像素块，每个像素块的大小为M*N，即像素块内像素点的个数为M*N个，对像素块进行分析，将像素块分为正常像素块与异常像素块，正常像素块为金属结构件表面的像素块，其内部像素点灰度值应表现为平滑均匀，而异常像素块则会包含缺陷区域或噪声区域等异常区域，其内部像素点灰度差异较大。
以像素块
Figure SMS_101
为例，对其使用自适应K-means均值聚类方法，设置K=2，获取最优聚类中心点，其中一个聚类中心点的选取如下，对像素块/>
Figure SMS_102
内任一像素点/>
Figure SMS_103
获取其3*3邻域像素点，计算像素块/>
Figure SMS_104
内任一像素点/>
Figure SMS_105
作为第一聚类中心的第一优选值/>
Figure SMS_106
：
Figure SMS_107
其中，
Figure SMS_108
表示像素块/>
Figure SMS_109
内任一像素点/>
Figure SMS_110
作为第一聚类中心的第一优选值；/>
Figure SMS_111
表示任一像素点/>
Figure SMS_112
灰度值在表面图像中出现的频率；/>
Figure SMS_113
表示任一像素点/>
Figure SMS_114
在3*3邻域内的灰度方差；灰度方差为现有技术中计算公式，此处不再赘述。
在第一聚类中心的第一优选值的计算公式中，当任一像素点
Figure SMS_115
的灰度值在表面图像中出现的频率越高，并且任一像素点/>
Figure SMS_116
在邻域内的灰度方差越小时，说明任一像素点/>
Figure SMS_117
越有可能为背景像素点，任一像素点/>
Figure SMS_118
作为第一聚类中心（背景像素点聚类中心）的聚类效果越好，即第一优选值越大，则说明任一像素点/>
Figure SMS_119
越有可能为背景像素点，其作为第一聚类中心（背景像素点聚类中心）时聚类效果越好。
再计算任一像素点
Figure SMS_120
作为第二聚类中心的第二优选值/>
Figure SMS_121
：
Figure SMS_122
其中，
Figure SMS_123
表示任一像素点/>
Figure SMS_124
作为第二聚类中心的第二优选值；/>
Figure SMS_125
像素块/>
Figure SMS_126
内任一像素点/>
Figure SMS_127
作为第一聚类中心的第一优选值；/>
Figure SMS_128
表示任一像素点/>
Figure SMS_129
在3*3邻域内的灰度方差；灰度方差为现有技术中计算公式，此处不再赘述。
在第二聚类中心的第二优选值的计算公式中，当任一像素点
Figure SMS_130
在邻域内的灰度方差越大时，说明任一像素点/>
Figure SMS_131
越有可能为异常像素点，任一像素点/>
Figure SMS_132
作为第二聚类中心（异常像素点聚类中心）的聚类效果越好，即第二优选值越大，则说明任一像素点/>
Figure SMS_133
越有可能为异常像素点，其作为第二聚类中心（异常像素点聚类中心）时聚类效果越好。
分别对像素块内每个像素点作为第一聚类中心的第一优选值，和像素块内每个像素点作为第二聚类中心的第二优选值进行归一化处理，将最大的第一优选值对应的像素点作为第一聚类中心，将最大的第二优选值对应的像素点作为第二聚类中心；根据距离度量方式分别计算每个聚类中心之间的距离，当每个像素点与哪个聚类中心距离最小时，则该像素点越属于哪类聚类中心。
每个像素点与聚类中心之间距离的计算公式为：
Figure SMS_134
其中，
Figure SMS_135
表示像素块/>
Figure SMS_140
内像素点/>
Figure SMS_144
点与第一聚类中心/>
Figure SMS_137
点之间的距离；/>
Figure SMS_142
表示自然常数；/>
Figure SMS_146
表示了像素块/>
Figure SMS_147
内像素点/>
Figure SMS_136
点在3*3邻域内灰度方差；/>
Figure SMS_139
表示了第一聚类中心/>
Figure SMS_143
点在3*3邻域内灰度方差；/>
Figure SMS_150
表示像素块/>
Figure SMS_148
内像素点/>
Figure SMS_153
点灰度值；/>
Figure SMS_154
表示像素块/>
Figure SMS_157
内像素点/>
Figure SMS_152
点灰度值；/>
Figure SMS_155
表示像素块/>
Figure SMS_156
内像素点/>
Figure SMS_158
与像素点/>
Figure SMS_138
点之间的欧式距离，欧式距离的计算方法为公知技术不再赘述；K-means均值聚类方法也为公知技术不再赘述，按照像素点/>
Figure SMS_141
点与第一聚类中心/>
Figure SMS_145
点之间距离的计算方法，计算出每个像素点与每个聚类中心之间的距离。当像素点与某一个聚类中心距离值/>
Figure SMS_149
越大，则说明该像素点与该聚类中心的差异越大，则该像素点越不属于该聚类中心，当像素点与某一个聚类中心距离值/>
Figure SMS_151
越小，则说明该像素点与该聚类中心的差异越小，则该像素点越属于该聚类中心。
分别计算出每个像素块内每个像素点与第一聚类中心和第二聚类中心之间的距离，当每个像素点与第一聚类中心之间的距离最小时将该像素点标记为第一类像素点，当每个像素点与第二聚类中心之间的距离最小时将该像素点标记为第二类像素点。
将每个像素块内像素点分为两类后，以像素块
Figure SMS_159
为例，根据像素块/>
Figure SMS_160
内两类像素点之间的差异，获取像素块/>
Figure SMS_161
为异常像素块的置信度/>
Figure SMS_162
，像素块/>
Figure SMS_163
为异常像素块的置信度/>
Figure SMS_164
计算公式为：
Figure SMS_165
其中，
Figure SMS_166
表示像素块/>
Figure SMS_169
为异常像素块的置信度；/>
Figure SMS_173
表示像素块/>
Figure SMS_168
内包含的全部第一类像素点的灰度均值；/>
Figure SMS_170
表示像素块/>
Figure SMS_172
内包含的全部第二类像素点的灰度均值；
Figure SMS_174
表示从像素块/>
Figure SMS_167
内包含的全部第一类像素点的灰度均值和第二类像素点的灰度均值中选取最大值，作为像素块/>
Figure SMS_171
对应的最大灰度均值；
在像素块为异常像素块的置信度计算公式中，当像素块
Figure SMS_176
中第一类像素点的灰度均值与第二类像素点的灰度均值差异越大，则说明像素块/>
Figure SMS_180
内两类像素点之间的灰度差异越大，那么说明像素块/>
Figure SMS_182
越异常，说明像素块/>
Figure SMS_175
为异常像素块的置信度/>
Figure SMS_179
越大，说明像素块/>
Figure SMS_181
内越可能存在异常区域，反之每个像素块/>
Figure SMS_183
为异常像素块的置信度/>
Figure SMS_177
越小，则说明像素块
Figure SMS_178
越可能正常像素块，同时用最大灰度均值作为分母能保证置信度小于1。
由于置信度
Figure SMS_185
越大，像素块/>
Figure SMS_188
内越可能存在异常区域；置信度越小，像素块/>
Figure SMS_189
内越可能为正常像素块；设置置信度/>
Figure SMS_186
判断阈值0.85，当像素块/>
Figure SMS_187
为异常像素块的置信度/>
Figure SMS_190
大于0.85时，则说明像素块/>
Figure SMS_191
为异常像素块，否则像素块/>
Figure SMS_184
为正常像素块。本发明中通过对更新图像进行分块处理，并对每个像素块进行进一步的自适应聚类分析，获取每个像素块为异常像素块的置信度。
S5、获取异常像素块中异常区域，根据异常区域内的灰度熵值判断异常区域是否为噪声区域。
图2为本发明中获取异常像素块中异常区域的步骤流程图；获取异常像素块中异常区域的步骤包括：S51、利用传统均值聚类算法将异常像素块分割得到两个聚类区域；S52、根据每个聚类区域内包含的全部像素点的灰度值，计算出每个聚类区域的灰度均值和灰度熵值；S53、根据两个聚类区域之间灰度均值差异和灰度熵值差异，计算出两个聚类区域的差异程度；S54、当两个聚类区域的差异程度大于或等于差异程度阈值时，将每个聚类区域分别作为一个新异常像素块，重复步骤S51- S53获取由新异常像素块分割得到的两个聚类区域之间的差异程度，依次迭代，直至由新异常像素块分割得到的两个聚类区域之间的差异程度小于差异程度阈值时，将新异常像素块作为异常区域。
在步骤S4中完成了对异常像素块的判断，接着对异常像素块内部进行分析，此处以异常像素块
Figure SMS_192
为例，获取异常像素块中异常区域，对异常像素块进行传统的K-means均值聚类，同样设置K=2，聚类中心的选取同常规的K-means均值聚类算法一致，距离度量准则与步骤/>
Figure SMS_193
中距离度量准则相同，则可获取异常像素块的两个聚类区域，计算出两个聚类区域的差异程度F。
两个聚类区域差异程度
Figure SMS_194
的计算公式为：
Figure SMS_195
其中，
Figure SMS_196
表示对异常像素块使用传统的K-means均值聚类得到的两个聚类区域差异程度；/>
Figure SMS_199
表示异常像素块/>
Figure SMS_202
内包含的第一个聚类区域的灰度均值；/>
Figure SMS_197
表示异常像素块/>
Figure SMS_201
内包含的第二个聚类区域的灰度均值；/>
Figure SMS_203
表示自然常数；/>
Figure SMS_204
表示第一个聚类区域的灰度均值和第二个聚类区域的灰度均值中的最大值；/>
Figure SMS_198
表示第一个聚类区域的灰度熵值；/>
Figure SMS_200
表示第二聚类区域的灰度熵值，灰度均值和灰度熵值为现有技术计算公式，此处不再赘述。
在两个聚类区域差异程度
Figure SMS_205
的计算公式中，当两个聚类区域的灰度均值和灰度熵值均差异较大时，说明这两个聚类区域差异程度较大，设置差异程度阈值为0.8，当异常像素块Q内两个聚类区域的差异程度F大于或等于0.8时，则说明该异常像素块/>
Figure SMS_206
可分为两个异常区域，将分开后的两个聚类区域分别作为一个新异常像素块，对新异常像素块重复该步骤，直至新异常像素块不可分为止。当新异常像素块Q内两个聚类区域的差异程度F小于0.8时，则说明新异常像素块Q为单个区域不可分，将新异常像素块作为异常区域。
在获取异常像素块中异常区域后，对异常区域进行分析，根据异常区域内的灰度熵值计算异常区域为噪声区域的可能性，异常区域为噪声区域的可能性
Figure SMS_207
的计算公式为：
Figure SMS_208
其中，
Figure SMS_209
表示异常区域为噪声区域的可能性；/>
Figure SMS_210
表示异常区域的灰度熵值；/>
Figure SMS_211
表示自然对数。在异常区域为噪声区域的可能性计算公式中，/>
Figure SMS_212
表示异常区域内的灰度熵值，灰度熵值越大，说明异常区域内部分布越散乱，越有可能为噪声区域。而灰度熵值的计算公式为公知技术，此处不再赘述。异常区域为噪声区域的可能性H越大，则说明异常区域越符合噪声分布特征，越有可能为噪声区域（噪声像素块出现时，往往满足某种分布特征，以高斯噪声为例，则其满足高斯分布特征）。
对异常区域为噪声区域的可能性
Figure SMS_213
进行归一化处理后进行判断，由于异常区域为噪声区域的可能性H越大，越有可能为噪声区域，当异常区域为噪声区域的可能性/>
Figure SMS_214
>0.9时，则说明异常区域为噪声区域，需要对噪声区域进行去噪。
S6、对噪声区域进行去噪。
对噪声区域进行去噪的步骤包括：将噪声区域对应的异常像素块作为目标像素块，获取噪声区域在目标像素块中的位置坐标；获取目标像素块的全部相邻正常像素块，计算出每个相邻正常像素块与目标像素块内灰度均值的第一差值，选取出第一差值最小值对应的相邻正常像素块作为匹配后正常像素块；在匹配后正常像素块中选取与噪声区域位置坐标相同的区域作为填充区域，利用填充区域内像素点灰度值替换噪声区域内像素点灰度值，对噪声区域进行填补去噪。
对噪声区域进行去噪填补的具体过程如下：假设噪声区域为
Figure SMS_215
区域，则可获取噪声区域/>
Figure SMS_220
在异常像素块/>
Figure SMS_222
内的坐标信息，再获取异常像素块/>
Figure SMS_217
邻近的全部相邻正常像素块
Figure SMS_218
（即计算每个相邻正常像素块与目标像素块内灰度均值的第一差值，选取出第一差值最小值对应的相邻正常像素块作为匹配后正常像素块/>
Figure SMS_223
），在/>
Figure SMS_224
中选取与噪声区域位置坐标相同的区域作为填充区域/>
Figure SMS_216
区域，将填充区域/>
Figure SMS_219
区域内像素点按坐标一一对应填充到/>
Figure SMS_221
区域中。
至此，完成了异性金属结构件表面图像去噪。
本发明提供一种异性金属结构件表面图像去噪方法，用于解决在利用传统的去噪方法对图像进行去噪时，会模糊图像的纹理和边缘等重要信息，造成不能准确识别出图像中缺陷区域的问题，通过对图像中像素点邻域像素点特性分析，获取像素点为孤立噪声点的概率，并进行优化，提高了孤立噪声点的判断精度，并对噪声点进行去噪填补，提高了图像质量，同时将图像进行分块，并使用自适应K-means均值聚类算法对像素块进行分析，获取了异常像素块以及异常像素块内的异常区域，对异常区域进行进一步分析获取噪声区域，并对噪声区域进行去噪处理，提高了噪声的判断精度同时提高了图像质量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种异性金属结构件表面图像去噪方法，其特征在于，该方法包括：
S1、采集异性金属结构件的表面图像；
S2、获取表面图像中的孤立噪声点，以每个孤立噪声点为起点向多个方向延伸，获取每个方向上多个采样点，根据每个方向上相邻采样点之间的灰度值差异和每个采样点与对应孤立噪声点之间的距离，计算出每个孤立噪声点的预测灰度值；
S3、将每个孤立噪声点的预测灰度值作为每个孤立噪声点的灰度值对表面图像进行更新，得到更新图像；
S4、将更新图像分割为多个像素块，根据每个像素块内每个像素点灰度值，计算出每个像素块为异常像素块的置信度；根据每个像素块为异常像素块的置信度，将全部像素块分为正常像素块和异常像素块；
根据每个像素块内每个像素点灰度值，计算出每个像素块为异常像素块的置信度的步骤包括：根据每个像素块内每个像素点的灰度值在表面图像中出现的频率和每个像素点邻域内灰度方差，将每个像素块内全部像素点分为第一类像素点和第二类像素点；计算出每个像素块内包含的全部第一类像素点的灰度均值，与全部第二类像素点的灰度均值的第二差值；从每个像素块内包含的全部第一类像素点的灰度均值和第二类像素点的灰度均值中选取最大值，作为每个像素块对应的最大灰度均值；将每个像素块对应的第二差值绝对值与最大灰度均值的第一比值，作为每个像素块为异常像素块的置信度；
根据每个像素块内每个像素点的灰度值在表面图像中出现的频率和每个像素点邻域内灰度方差，将每个像素块内全部像素点分为第一类像素点和第二类像素点的步骤包括：计算出每个像素块内每个像素点灰度值在表面图像中出现的频率，同时计算出每个像素块内每个像素点邻域内的灰度方差；将每个像素块内每个像素点对应的频率和灰度方差的第二比值，作为每个像素块内每个像素点对应的第一优选值；将每个像素块内每个像素点对应的灰度方差与该像素点作为第一聚类中心的优选值的第三比值，作为每个像素块内每个像素点对应的第二优选值；将最大的第一优选值对应的像素点作为第一聚类中心，将最大的第二优选值对应的像素点作为第二聚类中心；分别计算出每个像素块内每个像素点与第一聚类中心和第二聚类中心之间的距离，当每个像素点与第一聚类中心之间的距离最小时将该像素点标记为第一类像素点，当每个像素点与第二聚类中心之间的距离最小时将该像素点标记为第二类像素点；
S5、获取异常像素块中异常区域，根据异常区域内的灰度熵值判断异常区域是否为噪声区域；
S6、对噪声区域进行去噪。
2.根据权利要求1所述的一种异性金属结构件表面图像去噪方法，其特征在于，获取异常像素块中异常区域的步骤包括：
S51、利用传统均值聚类算法将异常像素块分割得到两个聚类区域；
S52、根据每个聚类区域内包含的全部像素点的灰度值，计算出每个聚类区域的灰度均值和灰度熵值；
S53、根据两个聚类区域之间灰度均值差异和灰度熵值差异，计算出两个聚类区域的差异程度；
S54、当两个聚类区域的差异程度大于或等于差异程度阈值时，将每个聚类区域分别作为一个新异常像素块，重复步骤S51- S53获取由新异常像素块分割得到的两个聚类区域之间的差异程度，依次迭代，直至由新异常像素块分割得到的两个聚类区域之间的差异程度小于差异程度阈值时，将新异常像素块作为异常区域。
3.根据权利要求1所述的一种异性金属结构件表面图像去噪方法，其特征在于，对噪声区域进行去噪的步骤包括：
将噪声区域对应的异常像素块作为目标像素块，获取噪声区域在目标像素块中的位置坐标；
获取目标像素块的全部相邻正常像素块，计算出每个相邻正常像素块与目标像素块内灰度均值的第一差值，选取出第一差值最小值对应的相邻正常像素块作为匹配后正常像素块；
在匹配后正常像素块中选取与噪声区域位置坐标相同的区域作为填充区域，利用填充区域内像素点灰度值替换噪声区域内像素点灰度值，对噪声区域进行填补去噪。
4.根据权利要求1所述的一种异性金属结构件表面图像去噪方法，其特征在于，获取表面图像中的孤立噪声点的步骤包括：
根据表面图像上每个像素点与邻域像素点灰度值差异，计算出每个像素点为孤立噪声点的概率值；
以表面图像上每个像素点为中心点沿多个方向做多条直线，根据每条直线上中心点的邻域像素点与中心点的灰度值差异计算出每个像素点对应的概率参数；
将每个像素点为孤立噪声点的概率值与对应概率参数相乘，得到每个像素点为孤立噪声点的优化后概率值，将优化后概率值进行归一化处理得到归一化优化后概率值；
将归一化优化后概率值大于或等于预设概率阈值的像素点选取出作为孤立噪声点。
5.根据权利要求4所述的一种异性金属结构件表面图像去噪方法，其特征在于，根据表面图像上每个像素点与邻域像素点灰度值差异，计算出每个像素点为孤立噪声点的概率值的步骤包括：
选取表面图像上任一像素点作为目标像素点，将目标像素点的每个邻域像素点均作为目标邻域像素点；
从目标像素点和全部目标邻域像素点的灰度值中选取出最大灰度值；
计算出目标像素点灰度值与每个目标邻域像素点灰度值的第三差值，同时分别计算出每个第三差值与最大灰度值的第四比值，将得到的全部第四比值平均值，作为目标像素点为孤立噪声点的概率值；
按照目标像素点为孤立噪声点的概率值的计算方法，计算出每个像素点为孤立噪声点的概率值。
6.根据权利要求5所述的一种异性金属结构件表面图像去噪方法，其特征在于，以表面图像上每个像素点为中心点沿多个方向做多条直线，根据每条直线上中心点的邻域像素点与中心点的灰度值差异计算出每个像素点对应的概率参数的步骤包括：
以表面图像上目标像素点为中心点沿多个方向做多条直线，在每条直线上选取目标像素点的两个相邻像素点，并将两个相邻像素点分别记为第一相邻像素点和第二相邻像素点；
计算出每条直线上第一相邻像素点与目标像素点灰度值的第四差值，同时计算出每条直线上目标像素点与第二相邻像素点灰度值的第五差值；
将每条直线对应的第四差值与第五差值作差得到第六差值，将得到的全部第六差值总和的倒数作为目标像素点对应的概率参数；
按照目标像素点对应的概率参数的计算方法，计算出每个像素点对应的概率参数。
7.根据权利要求1述的一种异性金属结构件表面图像去噪方法，其特征在于，每个孤立噪声点的预测灰度值的计算步骤包括：
以每个孤立噪声点为起点沿每个方向获取多个采样点，按照采样点与孤立噪声点之间距离由小到大的顺序将采样点进行排序，得到每个方向对应的采样点序列；
根据每个方向对应的采样点序列中相邻像素点之间的灰度值差值，和每个采样点与孤立噪声点之间的距离，计算出每个孤立噪声点在每个方向上的预测子灰度值；
将每个孤立噪声点在全部方向上预测子灰度值的平均值，作为每个孤立噪声点的预测灰度值。
8.根据权利要求7所述的一种异性金属结构件表面图像去噪方法，其特征在于，每个孤立噪声点在每个方向上的预测子灰度值的计算公式为：
Figure QLYQS_1
其中，
Figure QLYQS_4
表示第/>
Figure QLYQS_7
个孤立噪声点在第一个方向上的预测子灰度值；/>
Figure QLYQS_11
表示第一个方向对应的采样点序列中第一个采样点的灰度值；/>
Figure QLYQS_3
表示第一个方向对应的采样点序列中第/>
Figure QLYQS_9
个采样点的灰度值；/>
Figure QLYQS_12
表示第一个方向对应的采样点序列中第/>
Figure QLYQS_14
个采样点的灰度值；
Figure QLYQS_2
表示第一个方向对应的采样点序列中包含的采样点总数减1；/>
Figure QLYQS_6
表示第一个方向对应的采样点序列中第/>
Figure QLYQS_10
个采样点与第/>
Figure QLYQS_13
个孤立噪声点之间的距离；/>
Figure QLYQS_5
表示第一个方向对应的采样点序列中所有采样点与第/>
Figure QLYQS_8
个孤立噪声点之间的距离总和。
CN202310120754.XA 2023-02-16 2023-02-16 一种异性金属结构件表面图像去噪方法 Active CN115829883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310120754.XA CN115829883B (zh) 2023-02-16 2023-02-16 一种异性金属结构件表面图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310120754.XA CN115829883B (zh) 2023-02-16 2023-02-16 一种异性金属结构件表面图像去噪方法

Publications (2)

Publication Number Publication Date
CN115829883A CN115829883A (zh) 2023-03-21
CN115829883B true CN115829883B (zh) 2023-06-16

Family

ID=85521569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310120754.XA Active CN115829883B (zh) 2023-02-16 2023-02-16 一种异性金属结构件表面图像去噪方法

Country Status (1)

Country Link
CN (1) CN115829883B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168026B (zh) * 2023-04-24 2023-06-27 山东拜尔检测股份有限公司 基于计算机视觉的水质检测方法及系统
CN116205823B (zh) * 2023-05-05 2023-07-25 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 一种基于空域滤波的超声影像去噪方法
CN116229335B (zh) * 2023-05-10 2023-07-21 山东大佳机械有限公司 基于图像数据的畜禽养殖场环境识别方法
CN116385439B (zh) * 2023-06-05 2023-08-15 山东兰通机电有限公司 基于图像处理的电机橡胶减震垫质量检测方法
CN116416164B (zh) * 2023-06-09 2023-08-15 国网山东省电力公司电力科学研究院 一种紫外光路成像分辨率优化方法
CN116485794B (zh) * 2023-06-19 2023-09-19 济南幼儿师范高等专科学校 用于虚拟声乐教学的面部图像分析方法
CN116630447B (zh) * 2023-07-24 2023-10-20 成都海风锐智科技有限责任公司 一种基于图像处理的天气预测方法
CN117094909B (zh) * 2023-08-31 2024-04-02 青岛天仁微纳科技有限责任公司 一种纳米压印晶圆图像采集处理方法
CN116958126B (zh) * 2023-09-18 2023-12-12 深圳市深奇浩实业有限公司 基于计算机视觉的模具注塑检测方法及系统
CN117292328B (zh) * 2023-11-24 2024-02-02 山东新中鲁建设有限公司 一种装配式建筑施工质量安全管理监控方法及系统
CN117423113B (zh) * 2023-12-18 2024-03-05 青岛华正信息技术股份有限公司 一种档案ocr图像自适应去噪方法
CN117437600B (zh) * 2023-12-20 2024-03-26 山东海纳智能装备科技股份有限公司 基于图像识别技术的煤流监测系统
CN117474910B (zh) * 2023-12-27 2024-03-12 陕西立拓科源科技有限公司 一种用于电机质量的视觉检测方法
CN117593305B (zh) * 2024-01-19 2024-04-05 天津康博轻钢制造有限公司 一种面向高频焊接h型钢的视觉定位系统
CN118297839B (zh) * 2024-06-04 2024-08-30 山东华尚电气有限公司 一种基于视觉的变压器绕组状态检测方法
CN118644481B (zh) * 2024-08-14 2024-11-05 江苏腾威纺织科技有限公司 一种服装布料性能测试方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222741A (zh) * 2022-09-20 2022-10-21 江苏昱恒电气有限公司 一种电缆表面缺陷检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100484479C (zh) * 2005-08-26 2009-05-06 深圳迈瑞生物医疗电子股份有限公司 超声图像增强与斑点抑制方法
CN100510774C (zh) * 2007-09-21 2009-07-08 北京航空航天大学 一种合成孔径雷达图像自适应斑点噪声抑制方法
CN104217422B (zh) * 2014-06-03 2017-09-08 哈尔滨工程大学 一种自适应窄带水平集的声纳图像检测方法
CN105405118B (zh) * 2015-10-16 2017-11-21 哈尔滨工程大学 基于量子衍生混合蛙跳的水下声纳图像目标检测方法
CN109416749B (zh) * 2017-11-30 2022-04-15 深圳配天智能技术研究院有限公司 一种图像的灰阶分类方法、装置以及可读存储介质
CN111815574B (zh) * 2020-06-18 2022-08-12 南通大学 一种基于粗糙集神经网络的眼底视网膜血管图像分割方法
CN115439350A (zh) * 2022-08-22 2022-12-06 中国科学院长春光学精密机械与物理研究所 一种复杂背景下的星点图像处理方法
CN115661147B (zh) * 2022-12-26 2023-03-28 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 基于机器视觉的计量检测数据识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222741A (zh) * 2022-09-20 2022-10-21 江苏昱恒电气有限公司 一种电缆表面缺陷检测方法

Also Published As

Publication number Publication date
CN115829883A (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN115457041B (zh) 一种道路质量识别检测方法
CN116168026B (zh) 基于计算机视觉的水质检测方法及系统
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN116137036B (zh) 基于机器学习的基因检测数据智能处理系统
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN117710399B (zh) 一种基于视觉的地质调查中裂缝轮廓提取方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN116385450A (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN116188468A (zh) 一种hdmi线缆传输分拣智能控制系统
CN116309577A (zh) 一种高强传送带物料智能检测方法及系统
CN106815851B (zh) 一种基于视觉测量的栅格圆形油位计自动读数方法
CN117808796B (zh) 一种基于计算机视觉的齿轮表面损伤检测方法
CN116740053B (zh) 一种锻造加工智能生产线的管理系统
CN112750119A (zh) 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN118014935A (zh) 基于人工智能的路由器外壳生产质量检测方法
CN116385446A (zh) 一种用于勃姆石生产的晶体杂质检测方法
CN118587223B (zh) 基于图像处理的纺织缺陷检测方法
CN116894841B (zh) 一种变速箱合金壳体质量视觉检测方法
CN118155079B (zh) 一种近岸船舶显著性检测方法、系统、设备及介质

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Denoising Surface Images of Heterogeneous Metal Structures

Effective date of registration: 20230629

Granted publication date: 20230616

Pledgee: China Postal Savings Bank Limited by Share Ltd. Wenshang County sub branch

Pledgor: Wenshang HengAn Steel Structure Co.,Ltd.

Registration number: Y2023980046636