苗佳　趙永來

摘 要： 提出一種基于灰度像素鄰域模板匹配的轎車流線型曲面缺陷的圖像識(shí)別與檢測(cè)方法，采用圖像處理方法進(jìn)行轎車流線型曲面缺陷識(shí)別，提高轎車表面缺陷的智能修復(fù)能力。對(duì)采集的轎車表面圖像進(jìn)行降噪提純處理，利用自適應(yīng)權(quán)重均衡分割方法進(jìn)行圖像分割，采用Retinex信息增強(qiáng)方法進(jìn)行曲面缺陷圖像增強(qiáng)處理，結(jié)合灰度像素鄰域模板匹配方法進(jìn)行缺陷識(shí)別與檢測(cè)。仿真結(jié)果表明，采用該方法進(jìn)行轎車流線型曲面缺陷的圖像識(shí)別，檢測(cè)的準(zhǔn)確匹配概率較高，對(duì)缺陷部位的定位較準(zhǔn)，性能優(yōu)越。

關(guān)鍵詞： 圖像識(shí)別； 曲面缺陷； 圖像檢測(cè)； Retinex信息增強(qiáng)

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）20?0095?03

Abstract： For car′s streamline curved surface defect， an image recognition and detection method based on grayscale pixel neighborhood template matching is put forward in this paper. The image processing method is used to recognize the streamline curved surface defect of car to improve the intelligent repair ability of car′s surface defect. The captured surface image of the car is processed with noise reduction and purification. The adaptive weight balanced segmentation method is used for image segmentation. The Retinex information enhancement method is adopted to enhance the image with curved surface defect， and combined with the grayscale pixel neighborhood template matching method to recognize and detect the defect. The simulation results show that the method has high accurate?matching probability for detection， precise positioning for defect parts and high performance while it is used to recognize the streamline curved surface defect of car.

Keywords： image recognition； curved surface defect； image detection； Retinex information enhancement

0 引 言

圖像作為數(shù)字信息處理的重要應(yīng)用方向，在機(jī)械加工、目標(biāo)識(shí)別、表面缺陷檢測(cè)和信息修復(fù)等領(lǐng)域都展示了重要的應(yīng)用價(jià)值[1]。研究圖像處理在轎車表面曲面中的缺陷檢測(cè)識(shí)別中的問題，由于采用人工校準(zhǔn)方法進(jìn)行轎車流線型曲面缺陷識(shí)別受到視線和光照等因素的影響，對(duì)缺陷部位的準(zhǔn)確定位檢測(cè)準(zhǔn)確性不好。因此需要研究一種智能的轎車流線型曲面缺陷的檢測(cè)方法，提出基于灰度像素鄰域模板匹配的轎車流線型曲面缺陷的圖像識(shí)別與檢測(cè)方法，結(jié)合圖像處理方法進(jìn)行缺陷識(shí)別和檢測(cè)，取得了較好研究成果。

1 轎車流線型曲面圖像采集處理

1.1 轎車表面圖像采集

為了實(shí)現(xiàn)對(duì)轎車流線型曲面圖像的缺陷部位檢測(cè)，首先進(jìn)行圖像的信息采集和圖像降噪提純處理，構(gòu)建圖像檢測(cè)識(shí)別信息加工模型，采用自適應(yīng)降噪方法進(jìn)行圖像邊緣輪廓分割和圖像檢測(cè)，在二維鄰域的信息素模板中對(duì)轎車流線型曲面圖像進(jìn)行信息素分解[2]，在圖像的初始種子點(diǎn)處進(jìn)行信息配對(duì)，采用圖像小波信息融合方法計(jì)算轎車流線型曲面缺陷的低頻分量，求解公式為：

1.2 圖像降噪及分割處理

對(duì)采集的轎車表面圖像進(jìn)行降噪提純處理，采用自適應(yīng)權(quán)重均衡分割方法進(jìn)行圖像分割，對(duì)轎車流線型曲面圖像邊緣的亮點(diǎn)局部跟蹤[4]，得到輸出轎車流線型曲面圖像的紋理像素點(diǎn)增量表示為：

把檢測(cè)輸出轎車流線型曲面圖像分成幾個(gè)子集，得到水平和垂直方向的分割尺度為[P1=k=1hp（k）g（i，j）×2k-1]和[P2=k=1hp*（k）g（i，j）×2k-1]。通過上述處理，實(shí)現(xiàn)轎車流線型曲面圖像降噪及分割處理，為進(jìn)行缺陷識(shí)別和檢測(cè)提供有效圖像信息輸入。

2 缺陷圖像識(shí)別與檢測(cè)實(shí)現(xiàn)

2.1 曲面缺陷圖像增強(qiáng)處理

在上述進(jìn)行轎車流線型曲面缺陷的采集和預(yù)處理的基礎(chǔ)上，進(jìn)行缺陷識(shí)別檢測(cè)，提出基于灰度像素鄰域模板匹配的轎車流線型曲面缺陷的圖像識(shí)別與檢測(cè)方法，采用自適應(yīng)權(quán)重均衡分割方法進(jìn)行圖像分割，采用Retinex信息增強(qiáng)方法進(jìn)行曲面缺陷圖像增強(qiáng)處理[5]，得到Retinex信息增強(qiáng)通過上述方法計(jì)算缺陷部位的梯度值，進(jìn)行圖像識(shí)別檢測(cè)。

2.2 圖像缺陷檢測(cè)實(shí)現(xiàn)

采用圖像特征分割和平滑分類模型[7]，結(jié)合灰度像素鄰域模板匹配得到曲面圖像缺陷尺度值歸一化表達(dá)式為：

[u]為圖像[pi，j]的缺陷部位的梯度下降函數(shù)，[i，j]為缺陷部位和完好部位像素點(diǎn)之間的特征差異值。通過缺陷部位和完好部位的特征點(diǎn)匹配，進(jìn)行圖像的灰度像素鄰域模板匹配分析，實(shí)現(xiàn)圖像的缺陷識(shí)別和檢測(cè)。

3 仿真實(shí)驗(yàn)分析

為了測(cè)試本文算法在實(shí)現(xiàn)轎車流線型曲面缺陷的圖像識(shí)別與檢測(cè)中的性能，進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)的硬件環(huán)境為主處理器為Intel[?] Pentium[?]Dual，主頻為1.8 GHz的計(jì)算機(jī)。實(shí)驗(yàn)的軟件環(huán)境為Matlab 7。采用三維激光掃描成像技術(shù)進(jìn)行轎車流線型曲面圖像掃描，圖像掃描的像素特征點(diǎn)總數(shù)為15，圖像特征分割的尺度為10，初始成像的灰度像素值為1 024×1 024，缺陷部位檢測(cè)的迭代次數(shù)為120次，迭代步長(zhǎng)為14，邊緣輪廓輸出邊緣值為10.2，設(shè)定閾值[ε]=1.0，特征分塊尺度為[a]=0.25，缺陷部位的標(biāo)定誤差0.1 mm。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行轎車流線型曲面缺陷檢測(cè)仿真分析，得到原始圖像如圖2所示。

分析圖3結(jié)果得知，采用本文方法進(jìn)行轎車表面的缺陷識(shí)別檢測(cè)，能準(zhǔn)確識(shí)別圖像的缺陷部位，具有較高的檢測(cè)性能。為了定量對(duì)比檢測(cè)性能，以準(zhǔn)確檢測(cè)概率為測(cè)試指標(biāo)，采用不同方法得到轎車流線型曲線缺陷的識(shí)別與檢測(cè)，得到結(jié)果如圖3所示。

分析圖3得知，采用本文方法進(jìn)行轎車流線型曲線缺陷的識(shí)別與檢測(cè)的準(zhǔn)確度較高，性能優(yōu)于傳統(tǒng)方法。

4 結(jié) 語

為了提高轎車表面缺陷的智能修復(fù)能力，提出基于灰度像素鄰域模板匹配的轎車流線型曲面缺陷的圖像識(shí)別與檢測(cè)方法。仿真結(jié)果表明，采用該方法進(jìn)行轎車流線型曲面缺陷的圖像識(shí)別，檢測(cè)的準(zhǔn)確匹配概率較高，對(duì)缺陷部位的定位較準(zhǔn)，性能優(yōu)越，具有實(shí)用價(jià)值。

參考文獻(xiàn)

[1] 林兆華，米陽，葛兵.一種粗精結(jié)合的快速圖像自動(dòng)調(diào)焦算法[J].國(guó)外電子測(cè)量技術(shù)，2015，34（10）：28?31.

[2] 駱健，蔣旻.基于RGB?D圖像核描述子的物體識(shí)別方法[J].計(jì)算機(jī)應(yīng)用，2017，37（1）：255?261.

[3] SHU Zhifeng， DOU Xiankang， XIA Haiyun， et al. Low stratospheric wind measurement using mobile Rayleigh Doppler wind LIDAR [J]. Journal of the Optical Society of Korea， 2012， 16（2）： 141?144.

[4] 施曉東，劉格.一種光學(xué)遙感圖像海陸分割方法[J].國(guó)外電子測(cè)量技術(shù)，2014，33（11）：29?32.

[5] 楊霞，劉志偉，雷航.基于TrustZone的指紋識(shí)別安全技術(shù)研究與實(shí)現(xiàn)[J].計(jì)算機(jī)科學(xué)，2016，43（7）：147?152.

[6] 李積英，黨建武，王陽萍.融合量子克隆進(jìn)化與二維Tsallis熵的醫(yī)學(xué)圖像分割算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，26（3）：465?471.

[7] 劉婷，程建.基于訓(xùn)練字典的遙感圖像融合[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（19）：135?140.

[8] 王利，楊征，李洋.特征聚合的遙感圖像數(shù)據(jù)庫檢索技術(shù)[J].激光雜志，2016，37（6）：78?81.