内容:提出一种基于视觉显著性注意机制的超像素自适应检测方法；
设计视觉显著性注意机制滤波器用于粗略定位出缺陷空间范围，结合超像素分块图像分割方法消除光照不均匀引起的噪声干扰，有效地完成缺陷区域的边界分割和实时特征提取，实现轮毂缺陷空间坐标的精确定位
过程：
- 首先采 用同态滤波器对缺陷图像进行预处理，去除环境光污染噪声引起的图像亮度分布不均匀问题，构建轮毂表面缺陷图像的谱残差视觉注意模型
- 采用超像素分割算法对缺陷显著性图像进行自适应阈值分割
- 标记出高铁轮毂表面缺陷的二维空间位置，实现轮毂表面缺陷的边界检测和形态估计
视觉注意机制的谱残差模型
~基于频域分析为基础，将图像信息分为冗余信息和变化信息两部分，冗余信息为不变的背景信息，变化信息为需要保留的变化的缺陷信息，图像数据可以分成两部分:F( image) = F1 + F2;其中 F1 为冗余部分，F2为变化部分。图像数据的幅度谱曲线具有冗余信息不变的特征，去除冗余信息就可以得到变化的缺陷信息。
（1）构建log谱函数
给定一幅图像 f( x，y) ，根据式( 1) 计算图像的二维离散傅里叶变换，变换后的图像由包含背景信 息的低频分量和包含缺陷信息的高频分量组成，log谱具有线性收敛的特性，根据式( 2) ～ 式( 4) 构建 log 谱函数：
（2） 对log谱进行滤波
由于 log谱线具有局部相似性条件，构建一个均值滤波器对 lg 谱进行滤波，对 lg 谱滤波公式，如式( 6) 所示，其中* 为卷积符号，h 是一个n* n 的均值滤波器，n 选取过小容易导致高铁轮毂缺陷 图像的漏检，n 选取过大又会引入过多噪声引起误 检测。在实验中 n 为 5 时取得较好的效果。谱残差的视觉显著图如式( 7) 所示。
（3）提取缺陷信息
基于谱线中的奇异点为缺陷图像的显著性区域，高铁轮毂图像的谱残差公式为式( 7) ，基于谱残差和相位谱做离散傅里叶反变换得到缺陷显著图， 式( 8) 中得到的谱残差对应于图像的缺陷纹理区域，背景信息被有效地过滤掉，可以准确提取出变化的缺陷的信息。
实验结果表明：视觉显著性超像素检测算法能够抑制背景噪声的干扰，在分区域的图像分割过程中准 确判断出背景的刀纹噪声信息，完整保留了缺陷区域 的特征信息，具有准确的检测效率
超像素分割——SLIC
基于谱残差模型的自适应超像素图像分割算法
基本思想：增加缺陷区域的加权系数，减少背景图像的像素点加权系数
假设输入图像为 g( x，y) ， 运用超像素分割算法将图像分割成 N 个图像块，分割后的图像标记为 G = { G1，G2，…，GN}；其中图像块数量为 N，分割后的图像按照左上角到右下角的顺序依次排序，，Gi ( i ∈［1，N］) 代表第 i 个区域范围内的所有像素点。
在超像素分割后的区域图像块 Gi 中，设置Gi 中的区域图像块为 F，定义图像块方差为下面公式。其中 fi 为像素 j 点的灰度，构建图像块中的方差阈值 T，大于阈值T的图像块包含缺陷信息，进行自适应阈值分割，小于阈值T的图像块则默认为背景区域不进行处理。
因此，基于谱残差的自适应超像素图像分割算法的计算步骤如下：文章来源：https://www.toymoban.com/news/detail-410414.html
- 计算图像的视觉显著图
- 以步长 S 初始化超像素分割的中心点 Ck = ［lk，xk，yk ］T
- 遍历操作，图像分割块设置为 200，超像素 图像分割。
- 在超像素分割的每一个 Ck 内，计算方差 Var( F) ，如果方差大于阈值 T，则认为该区域内有 缺陷信息，在 fi 和 c 之间计算 d( fi ) 。
- 更新权系数 ω( fj ) ，自适应分割缺陷区域内的特征信息
- 自适应超像素分割结果与视觉显著图进行数据融合，标记出缺陷位置。
实验结果表明：基于超像素分割算法分割出图像块，依据图像块内部的方差判断是否需要进行自适应精细分割，相比传统的人工检测，该方法能够解决人工检测过程中由于疲劳和心理波动等客观人为因素造成的误检测和漏检测问题，具有准确快速的特点 文章来源地址https://www.toymoban.com/news/detail-410414.html
到了这里，关于高铁轮毂表面缺陷的＜视觉显著性＞超像素图像检测方法的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
