一种基于图像前景分割的钢卷端面图像自动提取方法与流程

本发明涉及工业机器视觉，具体而言，尤其涉及一种基于图像前景分割的钢卷端面图像自动提取方法。

背景技术：

1、钢卷端面的质量检测是带钢卷取过程中重要的生产指标，主要检测会引起质量质疑折边、毛刺、折边等带钢缺陷。图像前景分割是将图像中的目标图像当作前景进行标记、分离和提取的过程。钢卷端面缺陷检测中，精确的钢卷端面图像有助于缺陷检测算法的快速、精准定位。

2、传统的钢卷端面图像分割算法主要使用阈值、边缘检测和区域法等，利用图像的像素颜色、纹理、形状等基本信息进行分割，但钢卷端面图像是具有规律螺旋纹路、边缘像素较少、背景复杂的图像，无法精准的定位边缘进行分割。

3、近些年，深度学习中的卷积神经网络(cnn)和语义分割在精准，已经成为图像分割的重要工具，能够实现高精度的分割结果。但是在实际生产中，钢卷端面数据获取难度大、单张钢卷端面图像像素巨大和缺乏gpu等问题，导致深度学习无法发挥真实的功效，更多是使用多种分割算法结合，使用低精确度的图像进行使用，导致质量检测结果无法达到最优。

4、对于图像前景分割算法，目前在众多的领域被用于图像分割，如何快速且精准自动分割的方法，是图像处理中的一个研究热点。公开号为cn113284154a的发明专利提出一种钢卷端面自动分割设备，通过二值化得到钢卷边缘线，可以快速定位边缘线，但是存在分割后图像存在遗漏钢卷区域的情况，从而导致部分图像漏检的情况，不适用实际使用。公开号为cn107909589a的发明专利提出一种结合c-v水平集和grabcut算法的牙齿图像分割方法，使用了图像直方图信息以及形态学方法进行图像预处理，从而突出目标轮廓的方法，但是对于钢卷端面图像轮廓突出效果不明显。公开号为cn106651898a的发明专利提出一种基于蒙版插值的快速grabcut算法，以解决算法对于高分辨率图像，计算量庞大的方法，但是对于图像分割效果未涉及。针对钢卷端面需要清晰提取图像的问题，快速grabcut算法对于钢卷端面高分割重合率的需求不适用。

技术实现思路

1、根据上述提出钢卷端面由于背景复杂及图像像素巨大，且无法自动、精准、快速分割的技术问题，提供一种基于图像前景分割的钢卷端面图像自动提取方法。

2、本发明采用的技术手段如下：

3、一种基于图像前景分割的钢卷端面图像自动提取方法，包括：

4、s1、获取钢卷端面原始图像，并对钢卷端面图像进行预处理；

5、s2、对预处理后的图像进行压缩处理，并采用图像前景分割算法获取图像的蒙版图像；

6、s3、对获取的蒙版图像和钢卷端面原始图像进行预处理，得到钢卷端面蒙版等分图像和等分原图；

7、s4、基于钢卷端面蒙版等分图像和等分原图，利用多线程并行使用前景分割算法进行钢卷端面的自动提取。

8、进一步地，所述步骤s1，具体包括：

9、s11、基于获取的钢卷端面原始图像，调整亮度和对比度，公式如下：

10、output_p＝saturatetuchar(α*input_p+β)

11、其中，α表示缩放因子，β表示偏移值，input_p表示输入图像中的像素值，output_p表示输出图像中的像素值；

12、s12、对调整亮度和对比度后的图像进行直方图均值化处理；

13、s13、对经过直方图均值化的图像进行锐化处理；

14、s14、基于经过锐化处理后的图像，使用3*3的卷积内核，通过高斯滤波器进行模糊处理，达到图像平滑的目的。

15、进一步地，所述步骤s12，具体包括：

16、s121、依次扫描原始灰度图像的每一个像素，计算出图像的灰度直方图；

17、s122、计算灰度直方图的累积分布函数，公式如下：

18、

19、其中，sk表示当前灰度级经过累积分布函数映射后的值，n表示图像中像素的总和，nj表示当前灰度级的像素个数，l表示图像中的灰度级总数；

20、s123、根据累积分布函数和直方图均衡化原理得到输入与输出之间的映射关系，对于图像中的每个像素进行重新映射，如下：

21、

22、其中，old_p表示原始图像中的像素值，sold_p表示原始图像中old_p对应的累积分布函数值，smin表示累积分布函数的最小值，m和n表示图像的宽度和高度，l表示像素值的范围。

23、进一步地，所述步骤s13，具体包括：

24、s131、使用高斯滤波器，更新每个像素的新值，对图像进行模糊处理，如下：

25、

26、其中，g(x,y)表示高斯函数在像素位置(x,y)处的值，σ表示高斯函数的标准差；

27、s132、将原图和模糊图像进行加权叠加，将原始图像和模糊后的图像相减，再将结果与原始图像相加，如下：

28、p＝α*p1+β*p2+θ

29、其中，p表示输出图像，α表示第一个输入图像p1的权重系数，p1表示第一个输入图像，β表示第二个输入图像p2的权重系数，p2表示第二个输入图像，θ表示可选的标量，用于在图像加权叠加后添加到结果上。

30、进一步地，所述步骤s2，具体包括：

31、s21、使用双线性插值算法，将原图p0预处理后的图像p1中每一个从p1(x,y)插值到压缩后图像的p2(x,y)，最终得到压缩图像p2，双线性插值算法如下：

32、f(x,y)＝(1-α)(1-β)*f(x1,y1)+α(1-β)*f(x2,y1)+(1-α)*f(x1,y2)+αβ*f(x2,y2)

33、其中，(x1,y1)表示左上角像素点，(x2,y1)表示右上角像素，(x1,y2)表示左下角像素，(x2,y2)表示右下角像素，α表示x-x1的值，β表示y-y1的值；

34、s22、将图像p2使用grabcut算法进行迷糊分割，生成图像mark图像m1，选择使用分割物体的矩形区域进行分割，其中矩形区域的起点为只需使用图像左上点(1，1)，矩形的宽度和高度为图像实际像素减2像素的距离。

35、进一步地，所述步骤s3，具体包括：

36、s31、使用同步骤s21的方法，将m1放大为与原图同像素大小的图像m2；

37、s32、明确原图p0和m2进行n等分；

38、s33、根据n的取值，确定每个等分部分的宽度和高度，最终得到原图p0的4等分图像p00、p01、···p03和蒙版图像m2的4等分图像m20、m21、···m23。

39、进一步地，所述步骤s4，具体包括：

40、s41、将原图4等分的左上图片p00及对应的蒙版图像m20，使用grabcut算法进行精确分割，生成钢卷端面左上角分割图像p30；

41、s42、将原图4等分的右上图片p01及对应的蒙版图像m21，使用grabcut算法进行精确分割，生成钢卷端面右上角分割图像p31；

42、s43、将原图4等分的左下图片p02及对应的蒙版图像m22，使用grabcut算法进行精确分割，生成钢卷端面左下角分割图像p32；

43、s44、将原图4等分的右下图片p03及对应的蒙版图像m23，使用grabcut算法进行精确分割，生成钢卷端面右下角分割图像p33；

44、s45、创建一张与原图p0大小相同的空白图像p3，将钢卷端面左上角分割图像p30的每一个像素点复制到空白图像p3的左上角；

45、s46、创建一张与原图p0大小相同的空白图像p3，将钢卷端面右上角分割图像p31的每一个像素点复制到空白图像p3的右上角；

46、s47、创建一张与原图p0大小相同的空白图像p3，将钢卷端面左下角分割图像p32的每一个像素点复制到空白图像p3的左下角；

47、s48、创建一张与原图p0大小相同的空白图像p3，将钢卷端面右下角分割图像p33的每一个像素点复制到空白图像p3的右下角。

48、较现有技术相比，本发明具有以下优点：

49、1、本发明提供的基于图像前景分割的钢卷端面图像自动提取方法，能够解决钢卷端面由于背景复杂及图像像素巨大，且无法自动、精准、快速分割的技术问题。

50、2、本发明提供的基于图像前景分割的钢卷端面图像自动提取方法，具有分割图像重合率高，快速且分割精准等优点。

51、基于上述理由本发明可在工业机器视觉等领域广泛推广。