CN104867130B - 一种基于裂纹图像子区灰度均值的自适应分割方法 - Google Patents
一种基于裂纹图像子区灰度均值的自适应分割方法 Download PDFInfo
- Publication number
- CN104867130B CN104867130B CN201510190419.2A CN201510190419A CN104867130B CN 104867130 B CN104867130 B CN 104867130B CN 201510190419 A CN201510190419 A CN 201510190419A CN 104867130 B CN104867130 B CN 104867130B
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- gray
- district
- histogram
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 208000037656 Respiratory Sounds Diseases 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 5
- 239000002956 ash Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 235000002918 Fraxinus excelsior Nutrition 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000010191 image analysis Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/13—Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于裂纹图像子区灰度均值的自适应分割方法,包括以下步骤:1)基于图像直方图的裂纹图像灰度统计数据对裂纹图像特征进行分析;2)选择对称于预制裂纹扩展水平线的包括疲劳裂纹在内的狭长矩形区域作为图像分析ROI区域;3)从预制裂纹起点开始到裂纹右边缘位置,将ROI区域划分为两排同样尺寸的多个正方形区域图像子区;4)对每个图像子区计算其灰度分布方差,根据方差分布规律排除不包括疲劳裂纹的图像子区;5)将包含裂纹的图像子区进行直方图计算,得到直方图二维数组;6)采用基于裂纹图像子区灰度均值的自适应迭代方法进行每个子区的裂纹分割。本发明提高了裂纹的测量精度,适用范围广,算法复杂度低,实现简单,运算速度快。
Description
技术领域
本发明涉及图像处理技术的图像分割领域,特别涉及一种基于裂纹图像子区灰度均值的自适应分割方法,实现裂纹的边缘检测,以便于后续的裂纹长度测量。
背景技术
众所周知,基于图像处理的机械视觉技术应用于工业产品的测量领域,在保证测量要求的同时,使***具有非接触、适应能力强、快速高效、准确、柔性好、可靠性高、操作简便和成本低等特点,采用图像处理技术的裂纹检测方法,可以直观、精确、实时、可靠地完成裂纹的检测和进一步的分析处理。
为保证疲劳裂纹尺寸测量的精确性,必须在图像预处理及以后的处理过程中严格保证裂纹边缘的位置,这样,像中值滤波等即保证边缘细节又能去除噪声的非线性滤波器就不能在裂纹处理中应用,而其他线性滤波器又会模糊裂纹边缘,采用某些边缘增强算法虽然起到一定的裂纹边缘增强效果,但也会造成裂纹尖端部分细节的损失。
发明内容
为了克服已有裂纹边缘检测方法的可靠性较差的不足,本发明提供了一种适用范围广,算法复杂度低,实现简单,运算速度快的基于裂纹图像子区灰度均值的自适应分割方法,不采取任何滤波去噪及边缘增强处理方法,而直接对原图进行图像分割与识别。
本发明解决其技术问题所采用的技术方案是:
一种基于裂纹图像子区灰度均值的自适应分割方法,所述分割方法包括以下步骤:
1)基于图像直方图的裂纹图像灰度统计数据对裂纹图像特征进行分析;
2)选择对称于预制裂纹扩展水平线的包括疲劳裂纹在内的狭长矩形区域作为图像分析ROI区域;
3)从预制裂纹起点开始到裂纹右边缘位置,将ROI区域划分为两排同样尺寸的多个正方形区域图像子区;
4)对每个图像子区计算其灰度分布方差,根据方差分布规律排除不包括疲劳裂纹的图像子区;
5)将包含裂纹的图像子区进行直方图计算,得到直方图二维数组;
6)采用基于裂纹图像子区灰度均值的自适应迭代方法进行每个子区的裂纹分割,得到裂纹的二值化图,过程如下:
(6.1)为全局阈值选择一个初始的估计值T,初始阈值必须大于图像的最小灰度值而小于最大灰度值;
(6.2)用T分割图像产生两个子图像G1和G2,G1由灰度值小于等于T的所有像素组成,G2由灰度值大于T的所有像素组成;
(6.3)对G1和G2分别采用公式(3)和公式(4)计算其平均灰度值m1和m2
式中:i为直方图数组的索引,也就是像素的灰度值,ni为所对应灰度值的像素个数;
(6.4)计算一个新阈值:
(6.5)重复上述步骤(6.2)到步骤(6.4),直到前后两次迭代的差值ΔT小于预定义的参数ΔT0为止。
进一步,所述步骤3)中,两排同样尺寸的多个正方形区域图像子区,一排包含裂纹和背景,一排为与之相邻的纯背景区域。
再进一步,所述步骤4)中,采用下述公式(1)和公式(2)计算每个图像子区的灰度方差,并求出同一列两个图像子区灰度方差之差,得到沿疲劳裂纹扩展方向图像子区灰度方差分布规律,其中横坐标表示从疲劳裂纹起点到试件右边缘所划分图像子区序号,如果两个对应子区灰度方差基本相等则代表裂纹并没有扩展到这一子区,可根据这一规律将裂纹扩展方向上不包括疲劳裂纹的图像子区排除;
式中,m为图像子区的灰度均值,σ2为图像子区的灰度方差,ri为第i个灰度级,i=0,1,2,…,L-1,ni为图像中灰度级为ri的像素个数。
所述步骤5)中,直方图二维数组的索引数即为像素灰度级,数组元素值即为此灰度级下的像素个数。
所述步骤1)中,一个灰度级在[0,L-1]范围内的数字图像直方图为一个离散函数h(rk)=nk,归一化直方图为P(rk)=nk/n,其中n是图像的像素总数,nk是图像中灰度级为rk的像素个数,rk是第k个灰度级,k=0,1,2,…,L-1,根据此定义编程对裂纹图像不同区域计算其灰度直方图h(rk),所得裂纹区域及背景区域局部直方图;
均值m和方差σ2是反应所分析图像子区灰度分布水平和灰度对比度的参量,计算公式如下所示:
本发明的有益效果主要表现在:采用基于裂纹图像子区灰度均值的自适应分割方法对裂纹图像的原图直接进行图像分割与识别,实现裂纹的边缘检测,以便于后续的裂纹长度测量。通过这种方法能够更加精确地检测出裂纹边缘,特别是裂纹和背景灰度差比较小的弱裂纹边缘,提高了裂纹的测量精度。本发明方法适用范围广,算法复杂度低,实现简单,运算速度快。
附图说明
图1是基于裂纹图像子区灰度均值的自适应分割方法基本流程示意图;
图2是基于裂纹图像子区灰度均值的自适应分割方法裂纹图像子区分割示意图;
图3是基于裂纹图像子区灰度均值的自适应分割方法图像子区灰度方差分布规律图;
图4是基于裂纹图像子区灰度均值的自适应分割方法裂纹原图及裂纹图像分割图,其中,(a)为原图,(b)为分割图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图4,一种基于裂纹图像子区灰度均值的自适应分割方法,包括以下步骤:
1)对裂纹图像特征进行分析。
数字图像的灰度直方图是图像灰度级的函数,描述的是图像中每种灰度级像素的个数,反映图像中每种灰度出现的频率,是分析图像特征的主要工具。一个灰度级在[0,L-1]范围内的数字图像直方图为一个离散函数h(rk)=nk,归一化直方图为P(rk)=nk/n,其中n是图像的像素总数,nk是图像中灰度级为rk的像素个数,rk是第k个灰度级,k=0,1,2,…,L-1,根据此定义编程对裂纹图像不同区域计算其灰度直方图h(rk),所得裂纹区域及背景区域局部直方图。根据直方图数据计算得到相应图像子区的灰度均值和方差,据此对裂纹图像特征进行进一步的分析,均值m和方差σ2是反应所分析图像子区灰度分布水平和灰度对比度的参量,计算公式如下所示:
由于疲劳裂纹的自然形态特征、光照和裂纹表面处理不均匀等因素,裂纹图像中的不同位置上呈现出不同的灰度均值及方差,尤其是裂纹尖端灰度方差较小时,裂纹和试件背景灰度差别较小,较难识别。纯背景区域灰度分布方差要小于裂纹和背景混合区域的灰度分布方差。
2)选择图像分析ROI区域。选择对称于预制裂纹扩展水平线的包括疲劳裂纹在内的狭长矩形区域作为图像分析ROI区域。ROI区域示意图参阅图2。
3)划分图像子区。从预制裂纹起点开始到裂纹右边缘位置,将ROI区域划分为两排同样尺寸的多个正方形区域图像子区。如图2所示,一排包含裂纹和背景,一排为与之相邻的纯背景区域。
4)对每个图像子区计算其灰度分布方差,根据方差分布规律排除不包括疲劳裂纹的图像子区。采用公式(6)对每个图像子区计算其灰度方差,并求出同一列两个图像子区灰度方差之差,沿疲劳裂纹扩展方向图像子区灰度方差分布的规律,参阅图3。横坐标表示从疲劳裂纹起点到试件右边缘所划分图像子区序号,图中曲线1表示包含裂纹的图像子区方差变化规律,曲线3表示相应背景图像子区方差变化规律,曲线2表示相应图像子区方差差值的变化规律,从图3中可以看出,从裂纹起点到试件右边缘,背景图像子区的方差虽然略有波动但变化很小,但包含裂纹的图像子区的灰度方差变化很大,开始阶段子区方差较大,然后逐渐变小直到与相关背景子区方差相等,代表越到裂纹尖端区域裂纹和试件背景灰度差别较小,越难识别,如果两个对应子区灰度方差基本相等则代表裂纹并没有扩展到这一子区,曲线2所代表的方差差值的变化规律更直接地表明了这一点,可根据这一规律将裂纹扩展方向上不包括疲劳裂纹的图像子区排除。
5)将包含裂纹的图像子区进行直方图计算,得到直方图二维数组,数据的索引数即为像素灰度级,数组元素值即为此灰度级下的像素个数。
6)采用基于裂纹图像子区灰度均值的自适应迭代方法进行每个子区的裂纹分割,裂纹图像子区分割方法描写如下:
(6.1)为全局阈值选择一个初始的估计值T,初始阈值必须大于图像的最小灰度值而小于最大灰度值。
(6.2)用T分割图像产生两个子图像G1和G2,G1由灰度值小于等于T的所有像素组成,G2由灰度值大于T的所有像素组成。
(6.3)对G1和G2分别下述公式计算其平均灰度值m1和m2。
式中:i为直方图数组的索引,也就是像素的灰度值,ni为所对应灰度值的像素个数。
(6.4)计算一个新阈值:
(6.5)重复上述步骤(6.2)到步骤(6.4),直到前后两次迭代的差值ΔT小于预定义的参数ΔT0为止。
通过基于裂纹图像子区灰度均值的自适应分割方法得到裂纹的二值化图,参阅图4。
最后说明的是,以上实施例仅仅是对于本发明专利精神作举例说明。本发明专利所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方法替代,但并不会偏离本发明专利的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种基于裂纹图像子区灰度均值的自适应分割方法,其特征在于:所述分割方法包括以下步骤:
1)基于图像直方图的裂纹图像灰度统计数据对裂纹图像特征进行分析;
2)选择对称于预制裂纹扩展水平线的包括疲劳裂纹在内的狭长矩形区域作为图像分析ROI区域;
3)从预制裂纹起点开始到裂纹右边缘位置,将ROI区域划分为两排同样尺寸的多个正方形区域图像子区;
4)对每个图像子区计算其灰度分布方差,根据方差分布规律排除不包括疲劳裂纹的图像子区;
5)将包含裂纹的图像子区进行直方图计算,得到直方图二维数组;
6)采用基于裂纹图像子区灰度均值的自适应迭代方法进行每个子区的裂纹分割,得到裂纹的二值化图,过程如下:
(6.1)为全局阈值选择一个初始的估计值T,初始阈值必须大于图像的最小灰度值而小于最大灰度值;
(6.2)用T分割图像产生两个子图像G1和G2,G1由灰度值小于等于T的所有像素组成,G2由灰度值大于T的所有像素组成;
(6.3)对G1和G2分别采用公式(3)和公式(4)计算其平均灰度值m1和m2
式中:i为直方图数组的索引,也就是像素的灰度值,Ni为所对应灰度值的像素个数;
(6.4)计算一个新阈值:
(6.5)重复上述步骤(6.2)到步骤(6.4),直到前后两次迭代的差值ΔT小于预定义的参数ΔT0为止;
所述步骤3)中,两排同样尺寸的多个正方形区域图像子区,一排包含裂纹和背景,一排为与之相邻的纯背景区域;
所述步骤4)中,采用下述公式(1)和公式(2)计算每个图像子区的灰度方差,并求出同一列两个图像子区灰度方差之差,得到沿疲劳裂纹扩展方向图像子区灰度方差分布规律,其中横坐标表示从疲劳裂纹起点到试件右边缘所划分图像子区序号,如果两个对应子区灰度方差基本相等则代表裂纹并没有扩展到这一子区,可根据这一规律将裂纹扩展方向上不包括疲劳裂纹的图像子区排除;
式中,m为图像子区的灰度均值,σ2为图像子区的灰度方差,ri为第i个灰度级,i=0,1,2,…,L-1,ni为图像中灰度级为ri的像素个数;
所述步骤5)中,直方图二维数组的索引数即为像素灰度级,数组元素值即为此灰度级下的像素个数;
所述步骤1)中,一个灰度级在[0,L-1]范围内的数字图像直方图为一个离散函数h(rk)=nk,归一化直方图为P(rk)=nk/n,其中n是图像的像素总数,nk是图像中灰度级为rk的像素个数,rk是第k个灰度级,k=0,1,2,…,L-1,根据此定义编程对裂纹图像不同区域计算其灰度直方图h(rk),所得裂纹区域及背景区域局部直方图;
均值m和方差σ2是反应所分析图像子区灰度分布水平和灰度对比度的参量,计算公式如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510190419.2A CN104867130B (zh) | 2015-04-21 | 2015-04-21 | 一种基于裂纹图像子区灰度均值的自适应分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510190419.2A CN104867130B (zh) | 2015-04-21 | 2015-04-21 | 一种基于裂纹图像子区灰度均值的自适应分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104867130A CN104867130A (zh) | 2015-08-26 |
CN104867130B true CN104867130B (zh) | 2018-09-18 |
Family
ID=53912945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510190419.2A Active CN104867130B (zh) | 2015-04-21 | 2015-04-21 | 一种基于裂纹图像子区灰度均值的自适应分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104867130B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6702097B2 (ja) * | 2016-09-02 | 2020-05-27 | 富士通株式会社 | 画像処理プログラム、画像処理方法および画像処理装置 |
CN106874882B (zh) * | 2017-02-24 | 2020-02-18 | 广东诚泰交通科技发展有限公司 | 路面病害边缘检测方法和装置 |
CN108109135A (zh) * | 2017-12-06 | 2018-06-01 | 贵阳朗玛信息技术股份有限公司 | 一种获取图像灰度级分布的方法及装置 |
CN108537781B (zh) * | 2018-03-28 | 2020-11-03 | 潍坊路加精工有限公司 | 磁铁表面裂纹缺陷检测方法 |
CN108648521A (zh) * | 2018-04-20 | 2018-10-12 | 湖南城市学院 | 一种应用语言学便携式语言学习工具 |
CN109146871B (zh) * | 2018-08-31 | 2021-09-24 | 珠海格力智能装备有限公司 | 裂纹的识别方法及装置 |
CN109753957B (zh) * | 2018-12-07 | 2020-11-27 | 东软集团股份有限公司 | 图像显著性检测方法、装置、存储介质及电子设备 |
CN110645899B (zh) * | 2019-09-10 | 2021-07-27 | 中国船舶重工集团公司第七一五研究所 | 一种结构裂缝分布式光纤监测方法及装置 |
CN113899746B (zh) * | 2021-09-30 | 2024-05-17 | 江苏纹动测控科技有限公司 | 一种基于dic的钢结构疲劳裂纹扩展形态测量方法 |
CN114037705B (zh) * | 2022-01-11 | 2022-03-25 | 南通皋亚钢结构有限公司 | 一种基于贝纹线的金属断裂疲劳源检测方法与*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6575620B1 (en) * | 2000-02-15 | 2003-06-10 | The United States Of America As Represented By The Secretary Of The Air Force | Method and device for visually measuring structural fatigue using a temperature sensitive coating |
CN101413901B (zh) * | 2008-12-01 | 2010-10-27 | 南京航空航天大学 | 基于ccd图像特征的表面疲劳裂纹检测方法 |
CN102692188B (zh) * | 2012-05-08 | 2014-11-12 | 浙江工业大学 | 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法 |
CN102912714A (zh) * | 2012-10-24 | 2013-02-06 | 华东交通大学 | 一种用于路面裂纹图像采集与处理的机器视觉*** |
-
2015
- 2015-04-21 CN CN201510190419.2A patent/CN104867130B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104867130A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104867130B (zh) | 一种基于裂纹图像子区灰度均值的自适应分割方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN105160641B (zh) | 基于图像处理的x射线焊缝区域提取方法 | |
CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
Mack et al. | High-precision 3D detection and reconstruction of grapes from laser range data for efficient phenotyping based on supervised learning | |
CN110230978A (zh) | 一种耐火砖几何尺寸测量方法 | |
CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
CN103759676A (zh) | 一种工件表面粗糙度非接触式的检测方法 | |
CN110827235B (zh) | 钢板表面缺陷检测方法 | |
Yang et al. | Research and analysis of Image edge detection algorithm Based on the MATLAB | |
TWI624807B (zh) | 醫學影像之迭代式分析法 | |
CN103455994A (zh) | 图像模糊度的确定方法和设备 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN115063409A (zh) | 一种机械刀具表面材质检测方法及*** | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN107590512A (zh) | 一种模板匹配中参数的自适应方法和*** | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN104574417A (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
CN103942526B (zh) | 一种离散数据点集的线特征提取方法 | |
CN103971362B (zh) | 基于直方图和精英遗传聚类算法的sar图像变化检测 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN117495851A (zh) | 一种基于图像轮廓处理的水环境微生物检测方法 | |
CN104063864B (zh) | 基于四元相位叠合模型的图像模糊度评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |