CN103714534A - 一种基于压缩感知的材料表面缺陷检测方法 - Google Patents
一种基于压缩感知的材料表面缺陷检测方法 Download PDFInfo
- Publication number
- CN103714534A CN103714534A CN201310682765.3A CN201310682765A CN103714534A CN 103714534 A CN103714534 A CN 103714534A CN 201310682765 A CN201310682765 A CN 201310682765A CN 103714534 A CN103714534 A CN 103714534A
- Authority
- CN
- China
- Prior art keywords
- super
- transform
- material surface
- image
- alpha
- 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.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开一种基于压缩感知的材料表面缺陷检测方法,首先,建立待检测的材料表面的低分辨率图像获取模型;其次,进行材料表面图像的超分辨率重建,采用哈尔小波作为表示函数的基函数,并采用离散余弦变换和离散小波变换对该基函数进行变换基矩阵的设计;然后,在材料表面图像的超分辨率重建中,采用正交匹配追踪算法,在迭代过程中对所选仿生细胞进行正交化,使得重建过程能在有限步数内达到收敛;最后,引入宏块化处理完成待检测材料表面图像的重建。本发明基于压缩感知原理,采取通用的稀疏转换域进行超分辨率重建,并在此基础上实现了目标识别与检测。
Description
技术领域
本发明提出一种基于压缩感知的材料表面缺陷检测方法,属于电子测控和机器视觉领域。
背景技术
近年来,华裔科学家T.Tao,美国科学院院士D.Donoho,Ridgelet及Curvelet创始人E.Candes及等一批优秀科学家,在信号处理、小波分析及计算、统计学等相关领域研究的基础上提出了压缩感知(CompressedSensing,CS)理论,该理论提出了新的信息获取模式:稀疏或类稀疏的高维数据可以通过对所采集的感知向量的少量线性非自适应投影近似表示,即在数据采集的过程中可以直接获取其压缩版本。
以Rice、Duke和MIT等为代表的许多大学在压缩感知领域奠定了许多理论基础。目前,压缩感知理论进展和硬件实现已应用于许多领域:如时不变和时变非线性***辨识,孔径成像编,抽样理论,雷达和地震成像。压缩感知理论已然成为数学领域和信号处理最前沿、最热门的方向。
超分辨率图像重建技术最早由Harris和Goodman提出,当时是像的超分辨率图像处理技术。从一帧静态图像中重构超分辨率图像是一个病态求逆问题,可以通过利用先验知识来约束求解空间的正则化方法来解决,在质量较高而噪声较低且放大系数较小的情况下,单帧图像超分辨率重建可以获得满意的视觉效果。1984年,Tsai和Huangt等人创造性的提出了多帧图建算法。他们采用同一场景的具有平移关系的低分辨率图像序列,利用频域方法重建了一幅高分辨率图像。后来,由于空域方法的灵活性和适用广泛,多帧图像超分辨率重建研究增加了许多空域方法:非均匀样本的内插法、迭代反投影方法、集合理论复原方法(即凸集投影)、统计复原法(即最大后验估计器和最大似估计器)、混合方法、自适应滤波/维纳滤波/卡尔曼滤波方法等。图像质量评价是图像信息学科的基础研究之一,对于超分辨率图像重建研究同样重要。它包括主观评价和客 观评价,MSE(Mean Square Error),SNR(Signal Ratio),PSNR(Peak Signal-Noise Ratio)是标准的客观评价方法,其结果表征两幅之间的统计特性,但这些方法没有考虑到人类视觉特性,在某些情况下会做出完全错误的判引。
发明内容
为了解决在现有的材料表面缺陷检测***的高分辨率重建中,缺乏先验信息,无法使用一个超完备字典适用于不同的高分辨率图像的问题,本发明旨在提供一种基于压缩感知的材料表面缺陷检测方法。
为了实现上述的技术目的,本发明的技术方案为:
一种基于压缩感知的材料表面缺陷检测方法,包括以下步骤:
步骤一:建立待检测的材料表面的低分辨率图像获取模型;
步骤二:进行材料表面图像的超分辨率重建,采用哈尔小波作为表示函数的基函数,并采用离散余弦变换和离散小波变换对该基函数进行变换基矩阵的设计;
步骤三:在材料表面图像的超分辨率重建中,采用正交匹配追踪算法,在迭代过程中对所选仿生细胞进行正交化,使得重建过程能在有限步数内达到收敛;
步骤四:引入宏块化处理完成待检测材料表面图像的重建。
其中,步骤一所述低分辨率图像获取模型:
Y=KJX,其中Y表示***获取的低分辨率图,X表示原始信息,J表示原始信息在仿生***中的退化过程,K表示采样算子。
ΦY=ΦKJX,y=ΦKJΨS=ΘS,其中Φ为高斯随机阵,Ψ为稀疏基。转换关系为:y=ΦY,表示采用高斯随机阵来获得低分辨率测量的量或过程,y为恢复重建信号;X=ΨS,表示X在Ψ变换域下的系数表示为S。
其中,步骤二所述的哈尔小波的基函数定义如下:
采用离散余弦变换和离散小波变换对其变换基矩阵进行的设计如下:
其中,n表示矩阵维数,h为矩阵中的项,p、q、k为阈值参数。
其中,步骤三所述的正交匹配追踪算法:
假设f∈Rn为待分解信号矢量,D={xn}∈Rn*k为超完备字典,其中,Rn为n维实数矩阵,Rn*k为n*k维实数矩阵,k为第k个分量,
xn为所述超完备字典矩阵中的子集,且D中所有原子的范数都为1,Rkf为第K步迭代的剩余信号。初始化时,令 经过K步分解,信号被分解为:
且<γk,xn>=0,n=1,2,……k,
其中,
剩余信号Rk+1f满足Rk+1f=Rkf-akγk,且 其中,步骤四所述的宏块化处理是基于原始图像组成的超完备字典之上的稀疏表达,将图像分宏块处理,通过学习超完备字典来得到高分辨率先验知识。
采用上述技术方案带来的有益效果是:
(1)在材料表面缺陷检测***的高分辨率重建中,最大的限制在于先验信息缺乏,无法使用一个超完备字典适用于不同的高分辨率图像。本发明基于压缩感知原理,采取通用的稀疏转换域进行超分辨率重建,并在此基础上实现目标识别与检测。
(2)本发明的信号重建基于正交匹配追踪算法(OMP),在迭代过程中对所选仿生细胞进行正交化,使得重建过程能在有限步数内达到收敛,克服了传统匹配追踪算法收敛慢的弱点。
附图说明
图1为本发明的超分辨率图像采集与重建处理流程图。
具体实施方式
下面结合附图和实施例,对本发明进行详细说明:
如图1所示的本发明的超分辨率图像采集与重建处理流程图,本发明所述的一种基于压缩感知的材料表面缺陷检测方法包括以下具体步骤:
***模型的设计以压缩感知原理为基础对时、空域子图像映射进行超分辨率重建,最终交予高阶神经元仿生单元进行识别、检测。
首先,建立低分辨率图像获取模型:
Y=KJX (1)
其中Y表示***获取的低分辨率图像;X表示原始信息;J表示原始信息在仿 生***中的退化过程;K表示采样算子。
ΦY=ΦKJX (2)
y=ΦKJΨS=ΘS (3)
其中Φ为高斯随机阵,Ψ为稀疏基(傅里叶、DCT、小波等常用变换域下)。转换关系为:
y=ΦY,表示采用高斯随机阵来获得低分辨率测量的量或过程,y为恢复重建信号;X=ΨS,表示X在Ψ变换域下的系数表示为S。
其次,对二维变换矩阵的稀疏系数进行测量重建。其中常用的稀疏基包括:小波基、chirplet基、curvelet基和正(余)弦基等。由于语音、图像等自然信号的能量大多集中于离散余弦变换的低频部分,并且离散余弦变换本身有很强的能量集中的作用,故本发明采用离散余弦变换(DCT)和离散小渡变换(DWT)变换域进行设计,使用哈尔小波作为表示函数的基函数。
其中,哈尔小波的基函数定义如下:
采用离散余弦变换和离散小渡变换对其变换基矩阵的设计如下:
其中,n表示矩阵维数,h为矩阵中的项,p、q、k为阈值参数。
本发明的超分辨率重建基于正交匹配追踪算法(OMP),在迭代过程中对所选仿生细胞进行正交化,使得重建过程能在有限步数内达到收敛,克服了传统匹配追踪算法收敛慢的弱点。超完备字典的秩为N时,OMP理论上能在N步内收敛。
假设f∈Rn为待分解信号矢量,D={xn}∈Rn*k为超完备字典,其中,Rn为 n维实数矩阵,Rn*k为n*k维实数矩阵,k为第k个分量,xn为所述超完备字典矩阵中的子集,且D中所有原子的范数都为1,Rkf为第K步迭代的剩余信号。初始化时,令 经过K步分解,信号被分解为:
其中,
剩余信号Rk+1f满足Rk+1f=Rkf-akγk,且
压缩感知理论中稀疏基和测量矩阵的维数为图像信号一维展开的维数,而 这也正符合机器视觉信号获取的特点,引入宏块化处理完成材料表面图像的重建过程。其原理是基于原始图像组成的超完备字典之上的稀疏表达,将图像分宏块处理,它的高分辨率先验知识来自于超完备字典的学习,而它的字典一般会有来自于至少50幅类似训练图片的250000个宏块。不同的低分辨率图像对应有相应的超完备字典,诸如材料表面的划伤、辊印、裂纹、孔洞、氧化、褶皱、凹点、气泡、污点、漏涂等,以使得图像在相应的超完备字典上有足够稀疏的表达。除了上述宏块的约束,整幅图像的超分辨重建还必须满足全局的退化模型约束,以此来限制重建过程的最优化。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明的保护范围之内。
Claims (5)
1.一种基于压缩感知的材料表面缺陷检测方法,其特征在于该方法包括以下步骤:
步骤一:建立待检测的材料表面的低分辨率图像获取模型;
步骤二:进行材料表面图像的超分辨率重建,采用哈尔小波作为表示函数的基函数,并采用离散余弦变换和离散小波变换对该基函数进行变换基矩阵的设计;
步骤三:在材料表面图像的超分辨率重建中,采用正交匹配追踪算法,在迭代过程中对所选仿生细胞进行正交化,使得重建过程能在有限步数内达到收敛;
步骤四:引入宏块化处理完成待检测材料表面图像的重建。
2.根据权利要求1所述的基于压缩感知的材料表面缺陷检测方法,其特征在于,步骤一所述的低分辨率图像获取模型:
Y=KJX,其中Y表示***获取的低分辨率图像,X表示原始信息,J表示原始信息在仿生***中的退化过程,K表示采样算子;
ΦY=ΦKJX,y=ΦKJΨS=ΘS,其中Φ为高斯随机阵,Ψ为稀疏基;转换关系为:y=ΦY,表示采用高斯随机阵来获得低分辨率测量的量或过程,y为恢复重建信号;X=ΨS,表示X在Ψ变换域下的系数表示为S。
4.根据权利要求3所述的基于压缩感知的材料表面缺陷检测方法,其特征在于,步骤三所述的正交匹配追踪算法(OMP):
假设f∈Rn为待分解信号矢量,D={xn}∈Rn*k为超完备字典,其中,Rn为n维实数矩阵,Rn*k为n*k维实数矩阵,k为第k个分量,xn为所述超完备字典矩阵中的子集,且D中所有原子的范数都为1,Rkf为第K步迭代的剩余信号;初始化时,令 经过K步分解,信号被分解为:
其中,
剩余信号Rk+1f满足Rk+1f=Rkf-akγk,且
5.根据权利要求4所述的基于压缩感知的材料表面缺陷检测方法,其特征在于,步骤四所述的宏块化处理是基于原始图像组成的超完备字典之上的稀疏表达,将图像分宏块处理,通过学习超完备字典来得到高分辨率先验知识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310682765.3A CN103714534A (zh) | 2013-12-12 | 2013-12-12 | 一种基于压缩感知的材料表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310682765.3A CN103714534A (zh) | 2013-12-12 | 2013-12-12 | 一种基于压缩感知的材料表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103714534A true CN103714534A (zh) | 2014-04-09 |
Family
ID=50407477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310682765.3A Pending CN103714534A (zh) | 2013-12-12 | 2013-12-12 | 一种基于压缩感知的材料表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103714534A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063873A (zh) * | 2014-07-08 | 2014-09-24 | 华东交通大学 | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 |
CN104361352A (zh) * | 2014-11-13 | 2015-02-18 | 东北林业大学 | 基于压缩感知的实木板材缺陷分选方法 |
CN104715460A (zh) * | 2015-03-30 | 2015-06-17 | 江南大学 | 一种基于稀疏表示的快速图像超分辨率重建方法 |
CN106228565A (zh) * | 2016-08-02 | 2016-12-14 | 电子科技大学 | 一种基于x射线图像的输油管道焊缝缺陷检测方法 |
CN106645399A (zh) * | 2016-10-14 | 2017-05-10 | 厦门大学 | 一种复合材料损伤检测评估方法和*** |
CN110770608A (zh) * | 2017-03-29 | 2020-02-07 | 斯伦贝谢技术有限公司 | 压缩感测成像 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804657A (zh) * | 2006-01-23 | 2006-07-19 | 武汉大学 | 遥感图像小目标超分辨率重建方法 |
-
2013
- 2013-12-12 CN CN201310682765.3A patent/CN103714534A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1804657A (zh) * | 2006-01-23 | 2006-07-19 | 武汉大学 | 遥感图像小目标超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
JIANCHAO YANG ET AL.: "Image Super-Resolution as Sparse Representaion of Raw Image Patches", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
王楠: "基于CS理论的超分辨率深度图重建研究与摄像机阵列的研制", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063873A (zh) * | 2014-07-08 | 2014-09-24 | 华东交通大学 | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 |
CN104063873B (zh) * | 2014-07-08 | 2017-11-14 | 华东交通大学 | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 |
CN104361352A (zh) * | 2014-11-13 | 2015-02-18 | 东北林业大学 | 基于压缩感知的实木板材缺陷分选方法 |
CN104715460A (zh) * | 2015-03-30 | 2015-06-17 | 江南大学 | 一种基于稀疏表示的快速图像超分辨率重建方法 |
CN106228565A (zh) * | 2016-08-02 | 2016-12-14 | 电子科技大学 | 一种基于x射线图像的输油管道焊缝缺陷检测方法 |
CN106228565B (zh) * | 2016-08-02 | 2018-12-04 | 电子科技大学 | 一种基于x射线图像的输油管道焊缝缺陷检测方法 |
CN106645399A (zh) * | 2016-10-14 | 2017-05-10 | 厦门大学 | 一种复合材料损伤检测评估方法和*** |
CN106645399B (zh) * | 2016-10-14 | 2019-11-26 | 厦门大学 | 一种复合材料损伤检测评估方法和*** |
CN110770608A (zh) * | 2017-03-29 | 2020-02-07 | 斯伦贝谢技术有限公司 | 压缩感测成像 |
US11327192B2 (en) | 2017-03-29 | 2022-05-10 | Schlumberger Technology Corporation | Compressive sensing imaging |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103714534A (zh) | 一种基于压缩感知的材料表面缺陷检测方法 | |
CN102708576B (zh) | 基于结构字典的分块图像压缩感知重建方法 | |
CN103854262B (zh) | 基于结构聚类与稀疏字典学习的医学图像降噪方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN107516301A (zh) | 一种基于压缩感知在图像重建中测量矩阵的构造优化方法 | |
CN101794440A (zh) | 图像序列的加权自适应超分辨率重建方法 | |
CN103279959B (zh) | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 | |
CN105513026A (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN104091151A (zh) | 基于Gabor特征提取和稀疏表示的车辆识别方法 | |
CN101635050A (zh) | 一种图像复原方法 | |
CN103020909A (zh) | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 | |
CN105488759B (zh) | 一种基于局部回归模型的图像超分辨率重建方法 | |
CN104933678A (zh) | 一种基于像素强度的图像超分辨率重建方法 | |
CN104199627A (zh) | 基于多尺度在线字典学习的可分级视频编码*** | |
CN102722866A (zh) | 基于主成份分析的压缩感知方法 | |
CN103037212A (zh) | 基于视觉感知的自适应块压缩传感图像编码方法 | |
CN104574301A (zh) | 一种太赫兹图像重构方法及*** | |
CN103077510A (zh) | 基于小波hmt模型的多变量压缩感知重构方法 | |
CN103093431A (zh) | 基于pca字典和结构先验信息的压缩感知重构方法 | |
CN112435162A (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
CN104036519A (zh) | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 | |
CN104200439B (zh) | 基于自适应滤波和正则约束的图像超分辨方法 | |
CN104102900A (zh) | 一种车辆识别*** | |
CN104463822A (zh) | 基于多尺度全局滤波的多聚焦图像融合方法及其装置 | |
Babacan et al. | Reference-guided sparsifying transform design for compressive sensing MRI |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140409 |