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。
技术实现要素:
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。