CN108154501B - 基于灰度分布的螺旋叶片图像分割质量自适应评价方法 - Google Patents
基于灰度分布的螺旋叶片图像分割质量自适应评价方法 Download PDFInfo
- Publication number
- CN108154501B CN108154501B CN201711401826.9A CN201711401826A CN108154501B CN 108154501 B CN108154501 B CN 108154501B CN 201711401826 A CN201711401826 A CN 201711401826A CN 108154501 B CN108154501 B CN 108154501B
- Authority
- CN
- China
- Prior art keywords
- helical blade
- segmentation
- image
- evaluation
- blade image
- 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
Images
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
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于灰度分布的螺旋叶片图像分割质量自适应评价方法,首先根据螺旋叶片自身的物理特性以及图像采集过程中的光学特性,确定错误分割率和遗漏分割率为螺旋叶片图像分割质量的评价指标;然后构建具有自适应特色的螺旋叶片图像分割质量综合评价模型,并计算各分割质量评价指标的值,以螺旋叶片输入图像为基础,分析其灰度分布情况,以灰度标准差为依据自适应计算各指标的权重系数,利用模型进行分析,得到最终的螺旋叶片图像分割质量的评价结果。采用本发明有效解决现有评价策略忽视输入图像灰度分布对分割性能干扰的不足,实现高效、稳定、自适应的螺旋叶片图像分割质量的评价。
Description
技术领域
本发明涉及机械产品的自动化检测领域,特别涉及一种基于灰度分布的螺旋叶片图像分割质量自适应评价方法。
背景技术
螺旋叶片是工业生产中一些关键装备的重要组成部分,其自动测量问题一直是工程中研究的热点。近年来,数字图像处理技术和计算机视觉技术的快速发展和广泛应用,使以图像为基础的螺旋叶片自动检测成为人们关注的重点,并成为提高高性能螺旋叶片生产效率和制造水平的重要手段。
螺旋叶片的图像分割结果为其图像检测提供数据基础,而图像分割效果的评价可以为其图像检测过程中最优图像分割策略的选择、最优分割结果的筛选提供依据,同时也对螺旋叶片图像分割策略的分析、设计及进一步的策略优化有着重要的指导意义,将为更加精确的螺旋叶片原始缺陷检测数据的获取奠定基础,是螺旋叶片图像检测中重点关注的问题之一,对良好螺旋叶片图像检测结果的取得具有重要作用。
发明内容
发明目的:本发提供一种高效、稳定、自适应的基于灰度分布的螺旋叶片图像分割质量自适应评价方法,为螺旋叶片最优图像分割策略的选择提供依据。
技术方案:本发明所述的一种基于灰度分布的螺旋叶片图像分割质量自适应评价方法,包括以下步骤:
(1)确定螺旋叶片图像分割质量的评价指标;
(2)构建螺旋叶片图像分割质量自适应、综合评价模型;
(3)计算螺旋叶片图像各分割质量评价指标的值;
(4)计算螺旋叶片图像分割质量评价模型的自适应调整系数;
(5)计算并输出螺旋叶片图像分割质量的评价结果。
步骤(1)所述的评价指标主要包括错误分割率和遗漏分割率。
步骤(2)所述的自适应、综合评价模型描述如下:
pi+qi=1
其中,Evalue表示计算得到的螺旋叶片图像分割质量的评价值,K表示评价用的螺旋叶片图像个数,i表示第i幅图像,p和q是权重系数,表示两种分割率所占权重,缺省值为0.5,TFi表示第i个图像中分割出的非特征的个数,TCi表示分割出的缺陷特征总数,LCi表示遗漏掉的缺陷特征数,RCi表示总缺陷特征数。
所述步骤(4)包括以下步骤:
(41)螺旋叶片图像灰度归一化处理后的标准差:
其中,STD表示螺旋叶片图像的灰度标准差,AvgG表示螺旋叶片图像的灰度均值,ri表示螺旋叶片图像中第i级灰度值,L表示螺旋叶片图像中像素的灰度级数,Maxr表示最大权重灰度值,Minr表示最小权重灰度值;
(42)螺旋叶片图像分割质量评价模型的自适应调整系数:
p=1-STD
q=STD
其中,p表示当前螺旋叶片图像的错误分割率权重系数,q表示当前螺旋叶片图像的遗漏分割率权重系数。
有益效果:与现有技术相比,本发明的有益效果:1、有效解决现有评价策略忽视输入图像灰度分布对分割性能干扰的不足,实现高效、稳定、自适应的螺旋叶片图像分割质量的评价;2、为更加精确的螺旋叶片原始缺陷检测数据的获取奠定基础,同时也对螺旋叶片图像分割策略的分析、设计及进一步的优化有着重要的指导意义。
附图说明
图1是本发明的流程框图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
如图1所示,本发明提出的基于灰度分布特性的螺旋叶片图像分割效果自适应评价方法,包括以下步骤:
1、确定螺旋叶片图像分割质量的评价标准
针对分割后的螺旋叶片图像,本发明引入针对缺陷特征的错误分割率和遗漏分割率协同的螺旋叶片图像分割质量评价模型,其中,错误分割率是指被分割出的非缺陷特征数量与分割出的所有缺陷特征数量的比值;遗漏分割率是遗漏掉的缺陷特征数量与应该分割出的缺陷特征数量的比值。
2、构建螺旋叶片图像分割质量的自适应、综合评价模型
构建的螺旋叶片图像分割质量的自适应、综合评价模型描述如下:
pi+qi=1
其中,Evalue表示计算得到的螺旋叶片图像分割质量的评价值,K表示评价用的螺旋叶片图像个数,i表示第i幅图像,p和q是权重系数,表示两种分割率所占权重,缺省值为0.5,TFi表示第i个图像中分割出的非特征的个数,TCi表示分割出的缺陷特征总数,LCi表示遗漏掉的缺陷特征数,RCi表示总缺陷特征数。
3、计算螺旋叶片图像分割质量评价指标的值
主要计算螺旋叶片图像的错误分割率和遗漏分割率,其计算公式分别如下:
4、计算螺旋叶片图像分割质量评价模型的自适应权重系数
在自适应评价模型中,螺旋叶片图像错误分割率和遗漏分割率的权重系数决定了其在评价中所占的比重,自适应权重系数的引入,提高了评价模型对螺旋叶片综合分割质量评价的可参考性,评价值对螺旋叶片分割效果的反映更加准确。
一般来说,螺旋叶片图像的灰度分散度越小,则缺陷特征划分难度越大,缺陷特征错误分割发生的可能性越大,评价模型中错误分割率的系数应该越大,因此,在各评价指标权重系数的计算过程中,以反映螺旋叶片图像灰度分散度的灰度标准差作为错误分割权重系数的计算依据,能够在充分考虑输入图像灰度分布特性的基础上,实现螺旋叶片图像的分割评价,螺旋叶片图像灰度归一化处理后的标准差计算公式如下:
其中,STD表示螺旋叶片图像的灰度标准差,AvgG表示螺旋叶片图像的灰度均值,ri表示螺旋叶片图像中第i级灰度值,L表示螺旋叶片图像中像素的灰度级数,Maxr表示最大权重灰度值,Minr表示最小权重灰度值。
其中AvgG的计算公式如下:
上式中P(ri)的计算公式如下:
Maxr的计算如下:
Maxr=Max(ri*P(ri))
Minr的计算如下:
Minr=Min(ri*P(ri))
其中,P(ri)表示螺旋叶片图像中ri出现的概率,Ni表示螺旋叶片图像中灰度值为ri的像素点的个数,N表示螺旋叶片图像中总的像素点数。
螺旋叶片图像分割质量评价模型的自适应调整系数:
p=1-STD
q=STD
其中,p表示当前螺旋叶片图像的错误分割率权重系数,q表示当前螺旋叶片图像的遗漏分割率权重系数。
5、计算并输出螺旋叶片图像分割质量的评价结果
以构建的螺旋叶片图像分割质量评价模型、计算得到的各评价指标值以及自适应权重系数为基础,可以计算得到螺旋叶片图像分割质量的评价结果。本发明中的评价模型能够根据螺旋叶片图像的灰度分布情况自动调整错误分割率和遗漏分割率在最终评价中所占的比重,计算出的评价结果对螺旋叶片分割质量的反映将更加准确。针对应用不同策略分割得到的螺旋叶片图像分割结果,按照以上步骤处理后得到的评价值Evalue越大,说明螺旋叶片图像错误分割和遗漏分割的综合概率越大,则螺旋叶片图像的分割效果越差。
以上所述仅仅是本发明的优选实施方法,在本技术领域内,不脱离本发明基本图像分割质量评价原理的前提下,还可以做出一些具体算法的改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (3)
1.一种基于灰度分布的螺旋叶片图像分割质量自适应评价方法,其特征在于,包括如下步骤:
(1)确定螺旋叶片图像分割质量的评价指标;所述评价指标为错误分割率和遗漏分割率;
(2)构建螺旋叶片图像分割质量自适应、综合评价模型;
(3)计算螺旋叶片图像各分割质量评价指标的值;
(4)计算螺旋叶片图像分割质量评价模型的自适应调整系数;
(5)计算并输出螺旋叶片图像分割质量的评价结果;
所述步骤(4)包括以下步骤:
(41)螺旋叶片图像灰度归一化处理后的标准差:
其中,STD表示螺旋叶片图像的灰度标准差,AvgG表示螺旋叶片图像的灰度均值,ri表示螺旋叶片图像中第i级灰度值,L表示螺旋叶片图像中像素的灰度级数,Maxr表示最大权重灰度值,Minr表示最小权重灰度值;
(42)螺旋叶片图像分割质量评价模型的自适应调整系数:
p=1-STD
q=STD
其中,p表示当前螺旋叶片图像的错误分割率权重系数,q表示当前螺旋叶片图像的遗漏分割率权重系数。
2.根据权利要求1所述的一种基于灰度分布的螺旋叶片图像分割质量自适应评价方法,其特征在于,步骤(1)所述的评价指标主要包括错误分割率和遗漏分割率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401826.9A CN108154501B (zh) | 2017-12-22 | 2017-12-22 | 基于灰度分布的螺旋叶片图像分割质量自适应评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401826.9A CN108154501B (zh) | 2017-12-22 | 2017-12-22 | 基于灰度分布的螺旋叶片图像分割质量自适应评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154501A CN108154501A (zh) | 2018-06-12 |
CN108154501B true CN108154501B (zh) | 2021-07-09 |
Family
ID=62464915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711401826.9A Active CN108154501B (zh) | 2017-12-22 | 2017-12-22 | 基于灰度分布的螺旋叶片图像分割质量自适应评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154501B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620294B (zh) * | 2018-12-08 | 2022-01-25 | 郑州大学 | 肿瘤恶性程度鉴定机构 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799925A (zh) * | 2010-03-05 | 2010-08-11 | 华中科技大学 | 一种图像自动分割结果的性能分析方法 |
CN103390274A (zh) * | 2013-07-19 | 2013-11-13 | 电子科技大学 | 一种基于区域相关信息熵的图像分割质量评价方法 |
CN103871054A (zh) * | 2014-02-27 | 2014-06-18 | 华中科技大学 | 一种基于组合指标的图像分割结果定量评价方法 |
CN104794714A (zh) * | 2015-04-18 | 2015-07-22 | 吉林大学 | 基于ROC Graph的图像分割质量评价方法 |
CN106373096A (zh) * | 2016-08-30 | 2017-02-01 | 电子科技大学 | 一种多特征权值自适应的阴影消除方法 |
CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
-
2017
- 2017-12-22 CN CN201711401826.9A patent/CN108154501B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799925A (zh) * | 2010-03-05 | 2010-08-11 | 华中科技大学 | 一种图像自动分割结果的性能分析方法 |
CN103390274A (zh) * | 2013-07-19 | 2013-11-13 | 电子科技大学 | 一种基于区域相关信息熵的图像分割质量评价方法 |
CN103871054A (zh) * | 2014-02-27 | 2014-06-18 | 华中科技大学 | 一种基于组合指标的图像分割结果定量评价方法 |
CN104794714A (zh) * | 2015-04-18 | 2015-07-22 | 吉林大学 | 基于ROC Graph的图像分割质量评价方法 |
CN106373096A (zh) * | 2016-08-30 | 2017-02-01 | 电子科技大学 | 一种多特征权值自适应的阴影消除方法 |
CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
Non-Patent Citations (2)
Title |
---|
Stand-Alone Objective Segmentation Quality Evaluation;Paulo Lobato Correia等;《EURASIP Journal on Advances in Signal Processing》;20020430;第3.2节 * |
基于Gap统计的图像分割理论与算法研究;黄陈蓉;《中国博士学位论文电子期刊》;20050715(第7期);I138-35 * |
Also Published As
Publication number | Publication date |
---|---|
CN108154501A (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN110766058B (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN110926433A (zh) | 一种用于滨海核电站海洋致灾物预警*** | |
CN116977329B (zh) | 一种基于机器视觉的光伏板栅线检测方法 | |
CN116030052B (zh) | 电脑显示板层压工序蚀刻质量检测方法 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN112767385B (zh) | 基于显著性策略与特征融合无参考图像质量评价方法 | |
CN115442575B (zh) | 一种基于视频质量评估的视频自适应传输方法及*** | |
CN115063648A (zh) | 一种绝缘子缺陷检测模型构建方法及*** | |
CN114549555A (zh) | 一种基于语义分割网络的人耳图像解刨学分割方法 | |
CN105225252B (zh) | 云团运动预测方法 | |
CN108154501B (zh) | 基于灰度分布的螺旋叶片图像分割质量自适应评价方法 | |
CN116051382A (zh) | 一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法 | |
CN109978858B (zh) | 一种基于前景检测的双框架缩略图像质量评价方法 | |
CN111260776A (zh) | 一种自适应正态分析的三维形貌重建方法 | |
CN103578104B (zh) | 一种针对高斯模糊图像的部分参考图像客观质量评价方法 | |
CN116958092A (zh) | 一种基于改进立体匹配算法的输电线路弧垂快速测量方法 | |
CN109447952B (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 | |
CN116993639A (zh) | 基于结构重参数化的可见光与红外图像融合方法 | |
CN111986079A (zh) | 基于生成对抗网络路面裂缝图像超分辨率重建方法及装置 | |
CN115063449B (zh) | 用于目标跟踪的面向高光谱视频的三通道视频输出方法 | |
CN116095291A (zh) | 一种用于媒体流图像传输的图像预处理方法 | |
CN112950479B (zh) | 一种图像灰度区域拉伸算法 | |
Yu et al. | Safety Helmet Wearing Detection Based on Super-resolution Reconstruction | |
CN104112274B (zh) | 基于混合尺度变换的图像质量评价方法 |
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 |