CN116091504A - 基于图像处理的连接管连接头质量检测方法 - Google Patents

Abstract

本发明涉及图像处理领域，具体涉及一种基于图像处理的连接管连接头质量检测方法。采集连接管连接头的正面灰度图像；根据每个像素点的梯度显著程度以及对前景像素点簇类的隶属度获取每个像素点的近圆度限制因子；根据每个像素点的近圆度以及近圆度限制因子构建目标函数对灰度图像进行模糊均值聚类；获取每次聚类后的目标函数值，直到相邻两次聚类结果的目标函数值之差小于设定阈值，得到多个最优簇类；将近圆度均值最大值对应的最优簇类作为异常区域，根据异常区域对连接管连接头进行质量检测。本发明通过两个限制因子对图像聚类过程进行限制，能够有效提升图像分割效果，从而保证质量检测结果的准确度。

Description

基于图像处理的连接管连接头质量检测方法

技术领域

本发明涉及图像处理领域，具体涉及一种基于图像处理的连接管连接头质量检测方法。

背景技术

管接头是管道与管道之间的连接工具，是组件与管道之间的拆卸连接点，在管件中起着不可或缺的重要作用，不同结构的管接头应用范围也不同，金属面接触密封结构适用于结构形式，垫片密封结构通常用于输送水，油，空气和其他一般管道；在液压系统中，液压硬管连接管接头是油管与油管、油管与液压元件中间的连接件，它应满足连接牢固、密封可靠、工艺性能好等要求，为了防止出现系统外泄漏的情况，对管接头的密封性能要求很高，如果管接头出现质量问题，可能会导致生产过程出现不可挽回的损失，因此在生产过程中就需要对管道连接处的管道接头进行严密的质量检测。

现有技术中存在利用图像处理对管接头进行质量检测的方法，由于管接头为金属材质，在管接头成像的过程中会出现高亮噪声点和边缘点等干扰信息，而管接头若存在异常，异常区域的像素点与噪声点等干扰信息可能呈现相同灰度信息，现有技术中的模糊均值聚类虽然可以设定影响因子进行噪声点、异常点和边缘点的区分，但是加入的影响因子还是加权与灰度差异，即加入的影响因子仅通过影响灰度值从而进行分割，可能会导致灰度值差异较大的两个像素点在聚类过程中受到影响因子的影响，导致被划分为同一簇类，图像分割的效果并不好，从而对管道连接头的质量检测效果也不够准确。

发明内容

为了解决现有技术中加入的影响因子仅通过影响灰度值进行分割，导致图像分割的效果并不好的问题，本发明提供一种基于图像处理的连接管连接头质量检测方法，该方案包括：采集连接管连接头的正面灰度图像；根据每个像素点的梯度显著程度以及对前景像素点簇类的隶属度获取每个像素点的近圆度限制因子；根据每个像素点的近圆度以及近圆度限制因子构建目标函数对灰度图像进行模糊均值聚类；获取每次聚类后的目标函数值，直到相邻两次聚类结果的目标函数值之差小于设定阈值，得到多个最优簇类；将近圆度均值最大值对应的最优簇类作为异常区域，根据异常区域对连接管连接头进行质量检测。本发明通过两个限制因子对图像聚类过程进行限制，能够有效提升图像分割效果，从而保证质量检测结果的准确度。

本发明采用如下技术方案，基于图像处理的连接管连接头质量检测方法，包括：

采集连接管连接头的正面灰度图像；

获取灰度图像中每个像素点的梯度显著程度，根据每个像素点的梯度显著程度与梯度方向获取每个像素点的梯度特征值，根据每个像素点与其邻域内梯度特征值最接近的两个像素点获取每个像素点对应的圆形；

根据每个像素点对应圆形上所有像素点的灰度均值、每个像素点与其邻域上梯度特征值最近的两个像素点的灰度值获取每个像素点的近圆度；

获取每个像素点对灰度图像中前景像素点簇类的隶属度；以每个像素点为中心建立设定尺寸的窗口，根据每个像素点对应窗口内所有像素点的梯度显著程度以及对前景像素点簇类的隶属度获取每个像素点的近圆度限制因子；

根据每个像素点的近圆度以及近圆度限制因子构建目标函数，基于构建的目标函数对灰度图像进行模糊均值聚类，得到灰度图像中的多个最优簇类；

获取每个最优簇类中像素点的近圆度均值，将近圆度均值最大值对应的最优簇类作为异常区域，根据异常区域对连接管连接头进行质量检测。

进一步的，基于图像处理的连接管连接头质量检测方法，根据每个像素点的近圆度以及近圆度限制因子构建目标函数为：

其中，表示模糊均值聚类的加权指数为m时的目标函数值，表示模糊均值聚类的加权指数为m时，第i个像素点对第k个聚类中心的隶属度，表示第i个像素点的灰度值，表示第k个聚类中心对应像素点的灰度值，表示第i个像素点的近圆度，表示第k个聚类中心对应像素点的近圆度，表示第i个像素点对第k个聚类中心的隶属度限制因子，表示第i个像素点的灰度限制因子，表示第i个像素点的近圆度限制因子，表示欧式范数，c表示聚类中心的个数，N表示像素点个数。

进一步的，基于图像处理的连接管连接头质量检测方法，隶属度限制因子的获取方法为：

其中，表示第i个像素点对第k个聚类中心的隶属度限制因子，表示第i个像素点与其第j个邻域像素点之间的欧式距离，表示第j个邻域像素点对第k个聚类中心的隶属度，m表示模糊均值聚类的加权指数，表示第j个邻域像素点的灰度值，表示第k个聚类中心对应像素点的灰度值，表示欧式范数，表示以第i个像素点为中心点的八邻域像素点集合。

进一步的，基于图像处理的连接管连接头质量检测方法，获取每个像素点的近圆度的方法为：

获取每个像素点对应圆形上所有像素点的灰度均值，与每个像素点和其邻域梯度特征值最接近的两个邻域像素点之间的灰度均值的差值绝对值，得到每个像素点的近圆度。

进一步的，基于图像处理的连接管连接头质量检测方法，获取每个像素点的近圆度限制因子的方法为：

根据每个像素点所在窗口内每个像素点的梯度显著程度和每个像素点对前景像素点簇类的隶属度之间乘积的累加和，与每个像素点所在窗口内像素点数量的比值，得到每个像素点的平均评价指标；

根据每个像素点和其所在窗口内其他每个像素点之间平均评价指标之间差值绝对值的累加和，与每个像素点所在窗口内像素点数量的比值，得到每个像素点的近圆度限制因子。

进一步的，基于图像处理的连接管连接头质量检测方法，灰度图像中每个像素点的梯度显著程度的获取方法为：

利用归一化函数对灰度图像中每个像素点的梯度值进行归一化处理，得到每个像素点的梯度显著程度。

进一步的，基于图像处理的连接管连接头质量检测方法，像素点的灰度限制因子的获取方法为：

利用数值1减去每个像素点的近圆度限制因子，得到每个像素点的灰度限制因子。

本发明的有益效果是：本发明在进行模糊均值聚类时在加入灰度限制因子的同时，引入近圆度限制因子，通过二维信息进行聚类过程中的聚类衡量，一方面可以解决聚类过程中通过单一灰度值影响因子的划分无法对图像中同灰度值，但是表示不同信息的像素点进行有效划分的问题，另一方面，通过近圆度限制因子体现管道边缘像素点在图像中呈圆形排列的特征，能够更好的将同为亮点的管道边缘像素点，噪声像素点，异常像素点进行划分，使得通过由此构建模糊均值聚类的目标函数对图像进行分割具有很好的分割效果，保证了对管道连接头的质量检测的精准度。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种基于图像处理的连接管连接头质量检测方法流程示意图。

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。

在流水线中通过工业CCD相机进行连接管连接头的质量检测中，需要通过管接头的正面检测图像进行划痕检测，在工业CCD相机对管接头正面的成像中因为管接头的材质原因，其外轮廓，内轮廓以及螺纹边缘中会出现与划痕异常相同的高亮点，且工业CCD相机在成像过程中会出现常规噪声，因此为消除噪声点在分割过程中的影响，所以需要使用对噪声不敏感的FLICM（模糊均值聚类）聚类分割方法，但是当图像中出现大量与划痕具有相同的灰度值的轮廓特征噪声点时，这就会使得异常区域的像素点与噪声像素点在灰度轴上根据邻域影响不可分，本发明在聚类过程中通过像素点的灰度值与簇类中心点的灰度值差异进行距离衡量的基础上，还考虑像素点与噪声点在其它方面的差异特征，使得在聚类过程中可以将灰度值相同的像素点根据其在图像中表征信息不同而划分为不同的簇类，并且对于不同的像素点特征的重要程度不同，也就是对于像素点与聚类中心点的距离进行不同程度的衡量并进行综合考量，更优地进行图像预分割。

如图1所示，给出了本发明实施例的一种基于图像处理的连接管连接头质量检测方法流程示意图，包括：

101.采集连接管连接头的正面灰度图像；

本发明通过在流水线中设置检测装置，使管接头经过检测装置进行管接头的质量检测，检测设备中包括工业CCD相机，通过检测管接头正面质量的相机获取其检测图像，然后将检测图像转化为灰度图像。

在工业CCD相机对管接头正面的成像中因为管接头的材质原因，其外轮廓，内轮廓以及螺纹边缘中会出现与划痕异常相同的高亮点，为了消除噪声点在分割过程中的影响，本发明采用对噪声不敏感的模糊均值聚类算法（FLICM）对图像中的像素点进行聚类分割，但是当图像中出现大量与划痕具有相同的灰度值的轮廓特征噪声点时，会使得异常区域的像素点与噪声像素点在灰度轴上根据邻域影响不可分，因此在聚类过程中通过像素点的灰度值与簇类中心点的灰度值差异进行距离衡量的基础上，还需要考虑像素点与噪声点在其它方面的差异特征，使得在聚类过程中可以将灰度值相同的像素点根据其在图像中表征信息不同而划分为不同的簇类，并且对于不同的像素点特征的重要程度不同，也就是对于像素点与聚类中心点的距离进行不同程度的衡量并进行综合考量，更优地进行图像分割。

在聚类分割过程中，因为目标函数中对于簇类的距离衡量是通过像素点的灰度值与簇类中心点的灰度值，所以对于像素点来说，如果其灰度值相同，就需要通过其它特征将相同灰度值的像素点进行划分，这也就出现了通过一些特征影响因子进行距离的影响，也就是对于不同特征的像素点通过“特征因子灰度值差异”来进行计算，但是在通过这样的形式进行相同灰度值像素点的灰度值距离影响时，就有可能会出现“高特征因子低灰度值差异”与“低特征因子高灰度值差异”二者相同的情况，本发明为了避免这种情况，通过改变衡量方式来进行聚类。

在连接管连接头正面图像中，圆形边缘像素点会呈现为高亮点，但是噪声点与异常像素点（包括划痕等缺陷像素点）也会呈现为高亮点，而连接头的管道边缘像素点会呈现出整体的圆形特征，由此本发明通过每一个像素点的相邻像素点的梯度方向来确定三个像素点所能确定的圆形，判断该像素点所形成的圆形上像素点的平均灰度值，来判断该圆形中是否大部分为白色像素点，如果是，那么则说明该像素点是管道边缘像素点，从而将噪声像素点与异常像素点和管道边缘像素点进行区分。

102.获取每个像素点对应的圆形；

灰度图像中每个像素点的梯度显著程度的获取方法为：

利用归一化函数对灰度图像中每个像素点的梯度值进行归一化处理，得到每个像素点的梯度显著程度。

对于第i个像素点，其梯度方向为，梯度值为，在图像的全部像素点中进行梯度值的归一化得到每个像素点的梯度显著程度，其中，表示第i个像素点梯度显著程度，为归一化函数，以此获取灰度图像中每个像素点的梯度显著程度；

在第i个像素点的邻域中根据梯度特征值最接近的两个像素点，即的值最接近的两个像素点，从而通过三个像素点进行圆形方程的计算，即可确定出第i个像素点对应的圆形。

103.获取每个像素点的近圆度；

获取每个像素点的近圆度的方法为：

获取每个像素点的梯度显著程度与梯度方向的乘积，根据每个像素点与其邻域内梯度特征值最接近的两个邻域像素点计算圆形方程，得到每个像素点对应的圆形；

获取每个像素点对应圆形上所有像素点的灰度均值，与每个像素点和其邻域该梯度特征值最接近的两个邻域像素点之间的灰度均值的差值绝对值，得到每个像素点的近圆度，表达式为：

其中，表示第i个像素点的近圆度，表示第i个像素点对应圆形上在经过的所有像素点的灰度值均值，表示第i个像素点与其邻域上梯度特征值最相近的两个像素点、的灰度值均值；当圆上的像素点灰度值均值与三个像素点的灰度值均值越接近，则说明圆上的像素点与三个像素点越相近，其越可能为连接管连接头圆形结构上的像素点。

104.获取每个像素点的近圆度限制因子。

对于一个像素点来说，在图像全局中的梯度值大小关系是簇类衡量的一个方面，即通过全局像素点的梯度值对每一个梯度值进行归一化，以获取像素点的梯度值全局显著程度；在该像素点的局部中，还需要通过该像素点与邻域像素点的梯度值差异与灰度值差异共同来衡量该像素点更应该通过近圆度衡量还是更应该通过灰度值进行簇类衡量。

本发明对于每个像素点在灰度值的衡量上，首先通过FCM二分类将图像中的像素点划分为两个簇类，二分类会将图像中亮点分为一类，背景点分为一类，即前景像素点簇类和背景像素点簇类，通过像素点与邻域中的像素点对于像素值更高的簇类的隶属度来作为中心像素点的近圆度衡量因子，如果一个像素点的本身与邻域像素点对于前景簇类的平均隶属度高于背景簇类隶属度，那么就根据隶属度差异大小作为限制因子的衡量因素。

从而获取每个像素点的近圆度限制因子的方法为：

根据每个像素点所在窗口内每个像素点的梯度显著程度和该像素点对前景像素点簇类的隶属度之间乘积的累加和，与每个像素点所在窗口内像素点数量的比值，得到每个像素点的平均评价指标，表达式为：

其中，表示第x个像素点的平均评价指标，表示以第x个像素点为中心的窗口尺寸，表示以第x个像素点为中心的窗口内像素点的数量，表示第y个像素点的梯度显著程度，表示第y个像素点对前景像素点簇类的隶属度，表示第y个像素点位于以第x个像素点为中心的窗口内。

根据每个像素点和其所在窗口内其他每个像素点之间平均评价指标之间差值绝对值的累加和，与每个像素点所在窗口内像素点数量的比值，得到每个像素点的近圆度限制因子，表达式为：

其中，表示第i个像素点的近圆度限制因子，表示以第i个像素点为中心的窗口尺寸，表示以第i个像素点为中心的窗口内像素点的数量，表示第i个像素点的平均评价指标，表示第j个像素点的平均评价指标，表示第j个像素点位于以第i个像素点为中心的窗口内。

对于限制因子来说，所要选择的像素点首先是区域为前景簇类的像素点，所以通过像素点对前景簇类的隶属度进行衡量，但是单独通过隶属度衡量会造成像素点虽然在划痕上，却因为噪声原因与成像不清晰的原因造成该像素点被划分为背景簇类，所以需要进一步对像素点局部区域像素点的梯度显著性进行衡量，也就是说像素点局部区域中的梯度显著性，与局部区域中像素点的自身局部区域像素点的梯度显著性的差异，来衡量该像素点的近圆度限制因子。

本发明通过每个中心像素点对于前景簇类的隶属度与梯度显著性的乘积作为评价标准，如果该像素点的平均评价指标与该像素点的局部区域（本发明中局部区域为的窗口，根据图像质量与场景需要可以对窗口大小进行调整，本发明对窗口尺寸的选择不做任何限制）内每个像素点的平均评价指标的平均差异大（即比较大），则说明该像素点的周围像素点在图像中是出现局部差异的像素点，在连接管连接头图像中体现的就是在划痕区域或是管道边缘区域中白灰间断的像素点，那么对于这个中心像素点，则更需要通过其近圆度来进行簇类划分的衡量。

通过像素点对于前景簇类的隶属度与梯度显著性获取的近圆度限制因子，相较于每一个像素点都进行两个方向的距离衡量，可以判断每个像素点更倾向于哪一种衡量方法，从而使得在最终的聚类过程中，每个像素点自适应的确定衡量方式权重，通过像素点在图像中的提高了聚类准确性。

105.构建目标函数对灰度图像进行模糊均值聚类，得到多个最优簇类。

构建的目标函数为：

其中，表示模糊均值聚类的加权指数为m时的目标函数值，表示模糊均值聚类的加权指数为m时，第i个像素点对第k个聚类中心的隶属度，表示第i个像素点的灰度值，表示第k个聚类中心对应像素点的灰度值，表示第i个像素点的近圆度，表示第k个聚类中心对应像素点的近圆度，表示第i个像素点对第k个聚类中心的隶属度限制因子，表示第i个像素点的灰度限制因子，表示第i个像素点的近圆度限制因子，表示欧式范数，c表示聚类中心的个数，N表示像素点个数。

因为本发明在进行模糊均值聚类时，一部分通过近圆度衡量，而另一部分需要进行灰度值的衡量，所以在获取到对于近圆度的限制因子之后，通过1-近圆度限制因子的方式来获取灰度限制因子。

本发明中隶属度限制因子的获取方法为：

其中，表示第i个像素点对第k个聚类中心的隶属度限制因子，表示第i个像素点与其第j个邻域像素点之间的欧式距离，表示第j个邻域像素点对第k个聚类中心的隶属度，m表示模糊均值聚类的加权指数，表示第j个邻域像素点的灰度值，表示第k个聚类中心对应像素点的灰度值，表示欧式范数，表示以第i个像素点为中心点的八邻域像素点集合。

隶属度是模糊聚类的核心思想，就是不再将一个像素点划分为单独一个簇类，而是考虑像素点对于所有簇类的归属可能性，进而可以通过多方面信息来对像素点的隶属度进行衡量，使得像素点在聚类过程中可以考虑更多的信息，实现更加精确的分割；在模糊均值聚类的每次迭代过程中，对于隶属度的计算方式可以由拉格朗日乘子法将目标函数与限制条件合并，因为目标函数要求得最小值，所以通过对合并后式子中的求偏导得到隶属度的计算方法，其具体计算方法为公知技术，本发明不做赘述。在迭代过程结束后，通过隶属度最高的簇类作为所属簇类，对像素点的簇类划分去模糊处理，得到最后的分割结果。

本发明中，目标函数由“隶属度，（灰度限制因子灰度值距离），（近圆度限制因子近圆度差异）”几部分组成，同时根据两个限制因子之和为1的特点，近圆度特征越显著，则更大程度地通过像素点的近圆度差异作为距离衡量方式，这样就可以拉开划痕像素点与管道边缘点的差异，而因为大部分原有的像素点梯度特征较弱，所以仍需要通过灰度信息进行衡量。

表示的是图像中第i个像素点到第类的聚类中心点的灰度距离，后面的表示的则是图像中第i个像素点与第类的聚类中心点对应的近圆度差异。

通过本发明中的两个限制因子对模糊均值聚类过程中的距离衡量进行限制，在每次迭代后，对像素点的隶属度以及聚类中心进行更新，从而得到每次迭代后的目标函数值，需要说明的是，模糊均值聚类过程中，每次迭代后更新隶属度以及聚类中心的方法为现有技术，可参考现有技术中对模糊均值聚类算法的任意研究来实现，本发明对此不作赘述。

最后通过两两迭代过程中目标函数值的变化情况来判断聚类是否完成，本发明中设定，当迭代后目标函数值相比上一次迭代的目标函数值变化量小于时认为完成聚类，此处变化量小于即为本发明中所述的直到相邻两次聚类结果的目标函数值之差小于设定阈值，该设定阈值可根据实际情况重新设定，本发明不做限制，则获取此时聚类后的多个簇类，即为图像中的最优簇类。

106.根据异常区域对连接管连接头进行质量检测。

本发明通过管接头的像素点特征自适应获取用于距离衡量的特征，与衡量特征的限制因子，从而使用模糊均值聚类完成图像分割得到多个最佳簇类，此时只需要判断每个簇类中像素点的平均近圆度值，通过平均近圆度最大的簇类即可得到异常簇类，然后对异常簇类中的像素点数量进行标注。

在生产线中因为要保证质量检测的速度，所以在分割出异常区域簇类之后，根据异常区域簇类中的像素点数量根据生产中质量的要求将管接头正面的质量检测结果进行标注，而后再进行具体缺陷种类的确定，这样可以保证质量检测过程的效率，以满足生产需要。

在进行质量检测时，根据工厂生产过程中对于图像中异常像素点数量的要求标准获取异常阈值，该异常阈值根据要求标准的不同，其阈值设定也不同，具体可根据实际情况自行设定，本发明不做限制，从而根据异常簇类中的像素点数量与阈值的大小关系进行质量检测，即异常簇类中的像素点数量大于阈值时，认为当前管道连接头质量存在问题，需要进行返工。

本发明在进行模糊均值聚类时在加入灰度限制因子的同时，引入近圆度限制因子，通过二维信息进行聚类过程中的聚类衡量，一方面可以解决聚类过程中通过单一灰度值影响因子的划分无法对图像中同灰度值，但是表示不同信息的像素点进行有效划分的问题，另一方面，通过近圆度限制因子体现管道边缘像素点在图像中呈圆形排列的特征，同时对灰度限制因子进行调整，能够避免进行聚类时出现高灰度值低权重，低灰度值高权重导致聚类划分错误的情况出现，能够更好的将同为亮点的管道边缘像素点，噪声像素点，异常像素点进行划分，使得通过由此构建模糊均值聚类的目标函数对图像进行分割具有很好的分割效果，保证了对管道连接头的质量检测的精准度。

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 (7)

1.基于图像处理的连接管连接头质量检测方法，其特征在于，包括：

采集连接管连接头的正面灰度图像；

获取灰度图像中每个像素点的梯度显著程度，根据每个像素点的梯度显著程度与梯度方向获取每个像素点的梯度特征值，根据每个像素点与其邻域内梯度特征值最接近的两个像素点获取每个像素点对应的圆形；

根据每个像素点对应圆形上所有像素点的灰度均值、每个像素点与其邻域上梯度特征值最近的两个像素点的灰度值获取每个像素点的近圆度；

获取每个像素点对灰度图像中前景像素点簇类的隶属度；以每个像素点为中心建立设定尺寸的窗口，根据每个像素点对应窗口内所有像素点的梯度显著程度以及对前景像素点簇类的隶属度获取每个像素点的近圆度限制因子；

根据每个像素点的近圆度以及近圆度限制因子构建目标函数，基于构建的目标函数对灰度图像进行模糊均值聚类，得到灰度图像中的多个最优簇类；

获取每个最优簇类中像素点的近圆度均值，将近圆度均值最大值对应的最优簇类作为异常区域，根据异常区域对连接管连接头进行质量检测。

2.根据权利要求1所述的基于图像处理的连接管连接头质量检测方法，其特征在于，根据每个像素点的近圆度以及近圆度限制因子构建目标函数为：

其中，表示模糊均值聚类的加权指数为m时的目标函数值，表示模糊均值聚类的加权指数为m时，第i个像素点对第k个聚类中心的隶属度，表示第i个像素点的灰度值，表示第k个聚类中心对应像素点的灰度值，表示第i个像素点的近圆度，表示第k个聚类中心对应像素点的近圆度，表示第i个像素点对第k个聚类中心的隶属度限制因子，表示第i个像素点的灰度限制因子，表示第i个像素点的近圆度限制因子，表示欧式范数，c表示聚类中心的个数，N表示像素点个数。

3.根据权利要求2所述的基于图像处理的连接管连接头质量检测方法，其特征在于，隶属度限制因子的获取方法为：

其中，表示第i个像素点对第k个聚类中心的隶属度限制因子，表示第i个像素点与其第j个邻域像素点之间的欧式距离，表示第j个邻域像素点对第k个聚类中心的隶属度，m表示模糊均值聚类的加权指数，表示第j个邻域像素点的灰度值，表示第k个聚类中心对应像素点的灰度值，表示欧式范数，表示以第i个像素点为中心点的八邻域像素点集合。

4.根据权利要求1所述的基于图像处理的连接管连接头质量检测方法，其特征在于，获取每个像素点的近圆度的方法为：

获取每个像素点对应圆形上所有像素点的灰度均值，与每个像素点和其邻域梯度特征值最接近的两个邻域像素点之间的灰度均值的差值绝对值，得到每个像素点的近圆度。

5.根据权利要求1所述的基于图像处理的连接管连接头质量检测方法，其特征在于，获取每个像素点的近圆度限制因子的方法为：

根据每个像素点所在窗口内每个像素点的梯度显著程度和每个像素点对前景像素点簇类的隶属度之间乘积的累加和，与每个像素点所在窗口内像素点数量的比值，得到每个像素点的平均评价指标；

根据每个像素点和其所在窗口内其他每个像素点之间平均评价指标之间差值绝对值的累加和，与每个像素点所在窗口内像素点数量的比值，得到每个像素点的近圆度限制因子。

6.根据权利要求1所述的基于图像处理的连接管连接头质量检测方法，其特征在于，灰度图像中每个像素点的梯度显著程度的获取方法为：

利用归一化函数对灰度图像中每个像素点的梯度值进行归一化处理，得到每个像素点的梯度显著程度。

7.根据权利要求2所述的基于图像处理的连接管连接头质量检测方法，其特征在于，像素点的灰度限制因子的获取方法为：

利用数值1减去每个像素点的近圆度限制因子，得到每个像素点的灰度限制因子。

Images