一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
【专利摘要】本发明公开了一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，步骤为：一、输入磁瓦图像，利用形态学的顶帽和底帽变换相结合的方法，增强图像整体灰度对比度；二、将所得图像均匀分成a*b个图像块，然后利用分块后的图像块的灰度特征量区分缺陷图像块和非缺陷图像块；三、采用改进Itti视觉注意机制模型计算所得缺陷图像块的显著度，选择初级特征用以形成综合显著图；四、选用大津阈值分割算法对综合显著图阈值化，提取缺陷区域。本发明通过利用形态学处理，图像分块和视觉注意机制思想，有效地克服了亮度不均匀、磁瓦缺陷面积较小、磁瓦本身纹理干扰等问题，可以快速、有效地提取各类磁瓦缺陷，具有很强得适应性。
【专利说明】
一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
技术领域
[0001 ] 本发明涉及机器视觉技术领域，更具体地说，涉及一种基于改进的机器视觉注意 机制的磁瓦表面缺陷检测方法。
【背景技术】
[0002] 铁氧体磁瓦是主要用于永磁电机上的一种瓦状磁铁，其品质的高低直接影响了永 磁电机的整体性能。在磁瓦生产过程中，由于工艺问题，磁瓦表面容易出现裂纹、破损、麻点 等缺陷，直接影响了磁瓦的正常使用。目前工业生产中对磁瓦表面缺陷的判断基本采用人 工检测，检测精度差、检测效率低且劳动力成本高。
[0003] 随着机器视觉的不断发展，基于机器视觉的缺陷检测技术已经开始在工业产品表 面质量监控中得到广泛应用，利用机器视觉自动检测能够提高企业的生产效率、降低劳动 成本，增加企业的竞争力。
[0004] 针对磁瓦产品，由于其本身具有灰度差不明显，存在表面弧度等特点，易导致光照 不均匀，图像灰度对比度低，给开发精度高，速度快的磁瓦检测方法带来一定的难度。李雪 琴等在《计算机辅助设计与图形学学报》中提出利用一种非下采样Contourlet域自适应阈 值面的磁瓦缺陷自动检测方法，该方法能够保证磁瓦表面缺陷检测具有较高准确率，但是 计算时间较长。余永维等依据磁瓦表面灰度值分布情况提出自适应线性形态学算法分割缺 陷，但是该方法对噪声较为敏感。Darabi等提出用人工神经网络分割缺陷图像，但该算法较 复杂，计算量大，不能满足在线实时检测的要求。上述算法均在检测的精度和速度上有待改 进。
[0005] 经检索，中国专利申请号201310020370.7,申请日为2013年1月18日，发明创造名 称为:基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法;该申请案首先构造适合磁 瓦表面缺陷特征提取的5尺度、8方向Gabor滤波器组，并对原始图像进行滤波，得到40幅分 量图；再分别提取分量图的灰度均值和方差特征，组成一个80维的特征向量;并用PCA主成 分分析法和ICA独立成分分析法对原80维的特征向量进行降维，去除相关性和冗余性，得到 20维的特征向量;对特征向量数据归一化预处理，原数据被归一化到[0，1]之间；最后采用 网格法和K-CV交叉验证法实现SVM参数寻优，用训练样本数据离线训练SVM模型；在线检测 时，将预处理后的测试样本数据输入到支持向量机，就可以实现缺陷的自动分类识别。
[0006] 又如中国专利申请号201110061144.4,申请日为2011年3月14日，发明创造名称 为:基于机器视觉的磁瓦表面缺陷自动检测方法与装置;该申请案也公开了一种通过机器 视觉技术对磁瓦表面缺陷进行检测的方法。具体检测过程为：（1)将被检测磁瓦置于传送带 上；（2)启动CCD图像采集装置，采集磁瓦表面图像并传送至图像处理单元；（3)图像处理单 元将采集的图像经图像滤波、图像分割、后形态学处理、边缘检测等处理后，将处理结果传 输至缺陷检测单元；（4)将图像处理结果经特征提取，转化为一维数字信号；（5)将所得结果 经概率模式识别单元训练和测试后，将磁瓦表面质量分为良好磁瓦和缺陷磁瓦两类，以达 到缺陷检测的目的。
[0007]上述申请案均能在一定程度上滤除磁瓦表面纹理的干扰，提取的特征也能够一定 程度反映缺陷信息;但上述申请案或存在算法运算量大，检测时间长的问题，或并未考虑磁 瓦产品灰度差不明显，存在表面弧度的问题，对磁瓦表面缺陷的检测精度较低，仍需进一步 改进。
【发明内容】
[0008] 1.发明要解决的技术问题
[0009] 本发明针对现有磁瓦表面缺陷检测算法在检测精度和速度上均存在不足的问题， 提供了一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，实现磁瓦缺陷的自动 检测。本发明首先采用形态学顶帽和底帽变换增强缺陷区域与背景图像的对比度，然后利 用图像分块后各个图像块之间的灰度特征量对比检测磁瓦是否存在缺陷，有效地减小算法 运算量;最后为克服磁瓦正常磨削纹理对缺陷提取的干扰，采用改进的视觉注意模型分割 图像，通过计算缺陷图像块视觉显著值，实现缺陷分割和提取，本发明能有效地克服噪声干 扰，算法准确率高，且对不同缺陷的适应性好，可靠性高。
[0010] 2.技术方案
[0011]为达到上述目的，本发明提供的技术方案为：
[0012] 本发明的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，其步骤 为：
[0013] 步骤一、输入磁瓦表面原始图像，利用形态学的顶帽和底帽变换相结合的方法，增 强图像整体灰度对比度；
[0014] 步骤二、将步骤一所得磁瓦图像均匀分成a*b个图像块，每个图像块边长为M*N，然 后利用分块后的图像块的灰度特征量区分缺陷图像块和非缺陷图像块，判断图像是否存在 缺陷并确定缺陷所在图像块位置；
[0015] 步骤三、采用改进Itti视觉注意机制模型计算步骤二所得缺陷图像块的显著度， 选择初级特征用以形成显著图，对融合后的综合显著图进行归一化，获得最大注意焦点即 为缺陷区域，直接对综合显著图进行分割；
[0016] 步骤四、在获得综合显著图后选用大津阈值分割算法对综合显著图阈值化，提取 缺陷区域。
[0017] 更进一步地，步骤一进行顶帽和底帽变换的过程为：
[0018] 顶帽变换图That(f)和底帽变换图Bhat(f)的计算公式如下：
[0020] 其中，f表示原始图像，γ⑴表示原始图像f的开运算，Φ⑴表示原始图像f的闭 运算；
[0021] 将原始图像f减去That(f)来减少图像的明亮细节，再减去Bhat(f)来增强图像对比 度，实现强调磁瓦缺陷区域的目的，输出图像用k?表示，计算公式如下：
[0022] kTH = f-AThat(f)-il>Bhat(f)
[0023] 式中，选用半径为17mm的圆形结构作为形态学中的结构元素，参数因子λ = 〇.1，φ =0.1〇
[0024]更进一步地，步骤二中所述图像块的灰度特征量包括图像块均值Wm、对四方向灰 度共生矩阵叠加的熵值W。和改进的图像块方差Wd;其中：
[0025]图像块均值Wm为将图像块像素灰度值从小到大排序后统计前η项的局部均值，计 算公式如下：
[0027] 式中，f(Xl，yj)表示局部区域里坐标(Xl，yj)的像素灰度值；
[0028] 对四方向灰度共生矩阵叠加的熵值Wc计算公式如下：
[0031]上式中，k为灰度共生矩阵的边长;p(i，j)表示在矩阵内（i，j)处的统计概率，t表 示灰度共生矩阵计算熵值的方向；
[0032] 改进的图像块方差Wd计算公式如下：
[0033] Wd = Std(SNiin(SN))
[0034] SjS-(x) ^ Zf ! ?=1,-... ,,Η
[0035] Sn(x) = [Sn(xi)，......，Sn(xn)]
[0036] 上式中，Std()为求均方差公式，SN(x)为将图像块中竖直方向的灰度值相加形成 的1XN的矩阵，f( Xl，n)表示坐标为(Xl，n)点的像素灰度值。
[0037] 更进一步地，步骤二中判断缺陷图像块和非缺陷图像块的标准为:缺陷图像块的 Wm值均小于所处行图像块的Wm值，W。和Wd值均大于所处行图像块的Md值，缺陷图像块的Wd 值大于所处行图像块第二大Wd值的3倍。
[0038] 更进一步地，步骤三中选择的初级特征包括：
[0039] a.局部亮度特征:采用局部亮度的均值和方差作为参考，用局部区域中每一个像 素的灰度值与该区域的图像块灰度值的均值和方差相减得到差值，并对该差值进行指数函 数处理，得到局部亮度显著计算公式如下：
[0040] Ii〇cai(xi,yj) = f(xi,yj)-(mi〇cai(x,y)+y · di〇cai(x,y))
[0042] 式中，mi〇cai(x，y)表示局部灰度平均值，di〇cai(x，y)表示局部灰度方差，f (Xi，yj)表 示灰度值，μ为方差控制因子，取值范围为〇~1;
[0043] b.全局亮度特征:采用全局的平均值作为参考，用每个像素的灰度值与之相减，并 对差值进行指数函数处理，得到全局亮度显著S g(x，y)，计算公式如下：
[0044] Iglobal ( Xi，yi )- I f ( Xi，yi ) _IIlglobal I
[0046] 式中，mgiobai为整幅磁瓦图像的灰度平均值，sum( Iglobal (Xi，yi))为所有Iglobal (Xi， yi)值的和；
[0047] c.频率特征:利用DoG滤波器，获得频率特征显著图SG(x，y)，计算公式如下：
[0049] Sc(x，y)= |mgi〇bai-lG(x，y) |
[0050 ]式中，Ig (X，y)为经DoG滤波后的图像，σ#Ρσ2是高斯核函数的标准差，σ!: σ2 = 5:1。 [0051 ]更进一步地，所述的〇1 = 0.5,〇2 = 0· 1。
[0052]更进一步地，步骤三中对于得到的局部亮度显著图、全局亮度显著图、频率特征显 著图进行融合，生成综合显著图的计算公式如下：
[0054] 3.有益效果
[0055] 采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：
[0056] (1)本发明的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，通过 形态学的顶帽和底帽变换增强图像中缺陷区域与背景图像对比度，抑制高亮度区域的灰度 值，使图像整体灰度对比度得到增强，方便识别出缺陷区域；
[0057] (2)本发明的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，结合 图像分块思想，利用缺陷图像块的灰度特征量与非缺陷图像块的差异，有效地区分缺陷图 像块和非缺陷图像块，判断图像是否存在缺陷并确定出缺陷所在图像块位置，提高了算法 运行效率，减少了运算时间以及降低了分割算法复杂度；
[0058] (3)本发明的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，改进 了视觉注意机制模型，通过计算缺陷图像块视觉显著值，实现缺陷分割和提取，能够有效克 服磁瓦纹理的干扰，准确完成对磁瓦表面的缺陷提取；
[0059] (4)本发明的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，有效 地克服了亮度不均匀、磁瓦缺陷面积较小、磁瓦本身纹理干扰等问题，可以快速、有效地提 取各类磁瓦缺陷，具有很强的适应性。
【附图说明】
[0060] 图1是本发明的磁瓦表面缺陷检测算法流程图；
[0061] 图2中的(a)~(h)是本发明的原始缺陷图；
[0062]图3中的(a)~(h)是本发明的显著图融合图；
[0063]图4中的(a)~(h)是本发明的图像分割图。
【具体实施方式】
[0064]为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
[0065] 实施例1
[0066] 结合图1，本实施例的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方 法，包括以下步骤：
[0067]第一步:输入磁瓦表面原始图像，在图像处理过程中，由于一些灰度值较低的区域 容易与缺陷区域混淆，干扰处理结果。本实施例提出利用形态学的顶帽和底帽变换相结合 的方法，提高缺陷区域与背景的对比度，抑制高亮度区域的灰度值，使图像整体灰度对比度 得到增强，方便识别出缺陷区域。
[0068]进行顶帽和底帽变换的过程为：
[0069]顶帽变换图That(f)是从原始图像f减去图像的开运算Y(f)，而底帽变换图Bhat(f) 是通过原始图像的闭运算Φ(?·)减去f，计算公式如下：
[0071] 在顶帽变换后高亮区域显示的是原始图像f的高灰度值区域，在底帽变换后高亮 区域显示的是原始图像f的低灰度值区域。因此为进一步减小偏亮部分的灰度值，可以将原 始图像f减去Wf)来减少图像的明亮细节，再减去B hat(f)来增强图像对比度，实现强调磁 瓦缺陷区域。输出图像用k?表示，计算公式如下：
[0072] kTH = f-AThat(f)-il>Bhat(f)
[0073] 上式中，选用半径为17mm的圆形结构作为形态学中的结构元素，参数因子取λ = 0·1，Φ = 0·1〇
[0074] 第二步:为了提高算法运行效率，减少运算时间以及降低分割算法复杂度，在图像 分割之前应快速检测一幅图像中是否存在缺陷区域。本实施例首先结合图像分块的思想， 将步骤一所得磁瓦图像均匀分成a*b个图像块，每个图像块边长为Μ*Ν，为了使分块后的图 像尺寸适中正好包含缺陷区域，Μ，Ν的取值需要多次试验测定。然后利用分块后的图像块的 灰度统计量，即分块后的图像块均值，对四方向灰度共生矩阵叠加的熵值和改进的图像块 方差等三种灰度特征量，通过对比输入图像的不同图像块的灰度特征量，有效地区分缺陷 图像块和非缺陷图像块，判断图像是否存在缺陷并确定出缺陷所在图像块位置。
[0075] 利用上述3种灰度特征量，区分缺陷图像块和非缺陷图像块的具体过程为：
[0076]由于图像被分割成a行b列，所以要计算a*b个图像块的三种灰度特征量，具体为：
[0077] a.均值Wm:由于缺陷区域相对于整个图像块面积比较小，对图像均值贡献较小，故 计算均值时，可以统计参与计算均值的像素点并将统计范围尽可能限定于缺陷区域。本实 施例将像素灰度值从小到大排序后统计前η项的局部均值W m，在实践过程中可以利用灰度 直方图实现，η取值为250较合适。计算公式如下：
[0079] 式中，f(Xl，yj)表示局部区域里坐标(Xl，yj)的像素灰度值；
[0080] b.熵值Wc:灰度共生矩阵主要反映灰度分布信息，共生矩阵中元素是由分开一定 距离的具有相同灰度值的像素点对数目构成的。为减少运算量，本实施例将图像块的灰度 等级从0~255压缩至0~15再用一些标量来表征灰度共生矩阵，包括能量、熵、惯性矩和相 关性。灰度共生矩阵中熵值％能够反映图像的复杂程度，为增加熵值的显著性，可将其四个 方向的熵值相加，和为W。。计算公式如下：
[0083]上式中，k为灰度共生矩阵的边长，将灰度等级压缩至16时，1^=16$(丨，」）表示在 矩阵内（i，j)处的统计概率，t表示灰度共生矩阵计算熵值的方向。
[0084] c.方差Wd:为减少磁瓦纹理的影响，本实施例首先将图像块中竖直方向的灰度值 相加，形成1XN的矩阵SM(y);为减少因灰度值相加而影响缺陷区域在计算过程中的作用， 计算时矩阵各项减去矩阵中的最小值，最后计算矩阵的均方差，计算公式如下：
[0085] Wd = Std(SNiin(SN))
[0087] Sn(x) = [Sn(xi)，......，Sn(xn)]
[0088] 上式中，Std()为求均方差公式，SN(x)为将图像块中竖直方向的灰度值相加形成 的1XN的矩阵f( Xl，n)表示坐标为(Xl，n)点的像素灰度值。
[0089]统计每一行分块后各图像块的均值，熵值和方差。判断有无缺陷块的标准为:有缺 陷图像块的Wm值均小于所处行的图像块，W。和Wd均大于所处行图像块，值得注意的是缺陷图 像块Wd值是远大于非缺陷图像块，所以在以W d为判据应设定一定倍数关系，本实施例取倍数 为一行图像块中最大的Wd值大于第二大W d的3倍。若在一行图像块统计表中有图像块的参数 满足以上条件则判断该图像块为缺陷图像块。
[0090] 第三步：由于磁瓦表面纹理较为丰富，直接进行阈值分割难度较大，本实施例采用 改进Itti视觉注意机制模型计算步骤二所得缺陷图像块的显著度。从全局显著值和局部显 著值角度考虑重新选择初级特征用以形成显著图，对融合后的综合显著图归一化到[0，1]， 再获得最大注意焦点（即显著值为1的位置)即为缺陷区域，由于缺陷图像块尺寸较小，所以 不必考虑其他注意焦点，故可以直接对综合显著图分割。具体过程为：
[0091] (1)初级特征选择
[0092] a.局部亮度特征:采用局部亮度的均值和方差作为参考，用局部区域中每一个像 素的灰度值与该区域的图像块灰度值的均值和方差相减得到差值，并对该差值进行指数函 数处理，得到局部亮度显著计算公式如下：
[0093] Ii〇cai(xi,yj) = f(xi,yj)-(mi〇cai(x,y)+y · di〇cai(x,y))
[0095]式中1111。。31(1，7)表示局部灰度平均值，(11。。31(1，7)表示局部灰度方差，€^，7」)表 示灰度值，μ为方差控制因子取值范围为〇~1。
[0096] b.全局亮度特征，在较大缺陷区域中，缺陷区域中部缺乏足够的局部对比度，因此 采用全局的平均值作为参考，用每个像素的灰度值与之相减，并对差值进行数值处理，得到 全局亮度显著图。全局亮度显著图S g(x，y)计算公式如下：
[0097] Iglobal ( Xi，yj )- I f ( Xi，y j ) _IIlglobal I
[00"] 式中，mgiobai为整幅磁瓦图像的灰度平均值，sum( Iglobal (Xi，yj))为所有Iglobal (Xi， yj)值的和。
[0100] c.频率特征：由于DoG滤波器在滤除干扰的同时可以增强边缘和其他细节的可见 性，所以选用DoG滤波器，计算公式如下：
[0102] 式中，〇1和〇2是高斯核函数的标准差，它们的比例关系控制滤波器的带宽，当〇1 = 1.6〇2时，就是边缘检测器，当〇1无穷大时，则将直流分量滤掉，即背景图像滤除。
[0103] 在处理图像数据时，为滤除纹理和其他干扰信息利用一个较小的高斯核窗口，一 般采用[1，4,6,4，1]/16。利用DoG滤波器，通过下式获得频率特征显著图：
[0104] Sc(x，y)= |mgi〇bai-lG(x，y) |
[0105] 式中Sc(x，y)为频率特征显著图，Ic(x，y)为经DoG滤波后的图像。本实施例中取。^ 〇2 = 5；1?〇i = 0.5?〇2 = 0.1〇
[0106] (2)特征融合：由于局部亮度显著图、全局亮度显著图、频率特征显著图表达特定 方向的特性，具有一定的局限性，所以进行融合生成一个综合显著图，用以图像分割。计算
[0107] 第四步:在获得综合显著图后选用大津(Ostu)阈值分割算法对综合显著图进行阈 值化，得到综合显著图显著区域和非显著区域(前景和背景），即可实现对原始图像显著区 域(缺陷区域）的分割。分割出的显著区域并非完整的对应着原始图像的缺陷区域，可能存 在边缘区域和孤立的显著点，但是通过对阈值化图像进行形态学开运算可以消除这些细 To
[0108] 图2中的(a)~(h)是本发明的原始缺陷图，图3中的(a)~(h)是本发明的显著图融 合图，从图3可以看出相对于初级特征的显著图，总显著图在抑制纹理信息上有了明显提 高。图4中的(a)~(h)是本发明的图像分割效果图，从图4可以看出对综合显著图像分割后， 缺陷区域基本得到提取。
[0109] 以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所 示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技 术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案 相似的结构方式及实施例，均应属于本发明的保护范围。
【主权项】
1. 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，其步骤为： 步骤一、输入磁瓦表面原始图像，利用形态学的顶帽和底帽变换相结合的方法，增强图 像整体灰度对比度； 步骤二、将步骤一所得磁瓦图像均匀分成a*b个图像块，每个图像块边长为M*N，然后利 用分块后的图像块的灰度特征量区分缺陷图像块和非缺陷图像块，判断图像是否存在缺陷 并确定缺陷所在图像块位置； 步骤Ξ、采用改进Itti视觉注意机制模型计算步骤二所得缺陷图像块的显著度，选择 初级特征用W形成显著图，对融合后的综合显著图进行归一化，获得最大注意焦点即为缺 陷区域； 步骤四、在获得综合显著图后选用大津阔值分割算法对综合显著图阔值化，提取缺陷 区域。2. 根据权利要求1所述的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方 法，其特征在于:步骤一进行顶帽和底帽变换的过程为： 顶帽变换图化at(f)和底帽变换图Bhat(f)的计算公式如下：其中，f表示原始图像，丫（f)表示原始图像f的开运算，Φ (f)表示原始图像f的闭运算； 将原始图像f减去That(f)来减少图像的明亮细节，再减去Bhat(f)来增强图像对比度，实 现强调磁瓦缺陷区域的目的，输出图像用k?表示，计算公式如下： k?=f-AThat(f)-ll>Bhat(f) 式中，选用半径为17mm的圆形结构作为形态学中的结构元素，参数因子λ = 〇.1，φ = 0.1。3. 根据权利要求1或2所述的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测 方法，其特征在于:步骤二中所述图像块的灰度特征量包括图像块均值Wm、对四方向灰度共 生矩阵叠加的赌值W。和改进的图像块方差Wd;其中： 图像块均值Wm为将图像块像素灰度值从小到大排序后统计前η项的局部均值，计算公式 如下：式中，f(xi，yi)表示局部区域里坐标为(xi，yj)点的像素灰度值； 对四方向灰度共生矩阵叠加的赌值W。计算公式如下：上式中，k为灰度共生矩阵的边长;p(i，j)表示在矩阵内（i，j)处的统计概率，t表示灰 度共生矩阵计算赌值的方向； 改进的图像块方差Wd计算公式如下： Wd = Std(SN-min(SN))Sn(x) = [Sn(xi) ,......,Sn(xn)] 上式中，StdO为求均方差公式，Sn(x)为将图像块中竖直方向的灰度值相加形成的IXN 的矩阵，f(xi，yi)表示坐标为(xi，yj)点的像素灰度值。4. 根据权利要求3所述的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方 法，其特征在于:步骤二中判断缺陷图像块和非缺陷图像块的标准为:缺陷图像块的Wm值均 小于所处行图像块的Wm值，Wc和Wd值均大于所处行图像块的Wc、Wd值，缺陷图像块的Wd值大于 所处行图像块第二大Wd值的3倍。5. 根据权利要求1或2所述的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测 方法，其特征在于:步骤Ξ中选择的初级特征包括： a. 局部亮度特征:采用局部亮度的均值和方差作为参考，用局部区域中每一个像素的 灰度值与该区域的图像块灰度值的均值和方差相减得到差值，并对该差值进行指数函数处 理，得到局部亮度显著图Si(x，y)，计算公式如下：式中，mi〇cai(x，y)表示局部灰度平均值，di〇cai(x，y)表示局部灰度方差，f(xi，yi)表示坐 标为(xi，y j)点的像素灰度值，μ为方差控制因子，取值范围为0~1; b. 全局亮度特征:采用全局的平均值作为参考，用每个像素的灰度值与之相减，并对差 值进行指数函数处理，得到全局亮度显著Sg(x，y)，计算公式如下：式中，niglobal为整幅磁瓦图像的灰度平均值，sum( Iglobal ( Xi , yi ))为所有Iglobal ( Xi , yj )值 的和； c. 频率特征:利用DoG滤波器，获得频率特征显著图SG(x，y)，计算公式如下：式中，Ig(x，y)为经DoG滤波后的图像，〇1和〇2是高斯核函数的标准差，〇1: 〇2 = 5:1。6. 根据权利要求5所述的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方 法，其特征在于:所述的〇1 = 0.5, (52 = 0.1。7. 根据权利要求6所述的一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方 法，其特征在于：步骤Ξ中对于得到的局部亮度显著图、全局亮度显著图、频率特征显著图 进行融合，生成综合显著图的计算公式如下：
【文档编号】G06T7/00GK106093066SQ201610479587
【公开日】2016年11月9日
【申请日】2016年6月24日
【发明人】李丹, 孙海涛, 陆晓燕
【申请人】安徽工业大学