[发明专利]一种面向白玻璃盖板表面微弱缺陷的检测与测量方法

权利要求书

1.一种面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，包括：

采集玻璃盖板图像，计算盖板图像的显著性图；

对显著性图进行快速二值化，利用密度聚类方法对属于同一缺陷的非连续前景像素进行聚类，其中，对显著性图进行快速二值化，包括：

计算显著性图的积分图，积分图上像素点的值为所述像素点对应原图左上方所有像素值的总和；

对图像中的每个点选取其固定大小的邻域，并求取邻域内像素的均值作为阈值，对原图进行二值化；

所述密度聚类方法包括以下步骤：

S21、初始化核心点集合初始化聚类簇数k＝0，初始化未访问点集Γ＝D，簇划分

S22、对于j＝1,2,…,m，首先通过距离度量方式，找到样本x_j的ε-邻域子集N_ε(x_j)，之后当子集点数满足|N_ε(x_j)|≥MinPts时，将样本x_j加入核心点集：Ω＝Ω∪x_j，MinPts描述了某一样本的距离为ε的邻域中样本个数的阈值，ε描述了某一样本的邻域距离阈值；

S23、如果核心点集合则算法结束，否则转入步骤S24；

S24、在核心点集合Ω中，随机选择一个点o，初始化当前簇核心点集Ω_cur＝{o}，初始化类别序号k＝k+1，初始化当前簇点集C_k＝{o}，更新未访问点集Γ＝Γ/{o}；

S25、如果当前簇核心点集则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁,C₂,…C_k}，更新核心点集合Ω＝Ω/C_k，转入步骤S23；

S26、在当前簇核心点集Ω_cur中取出一个核心点o’，通过邻域距离阈值ε找出所有的ε-邻域点集N_ε(o’)，令Δ＝N_ε(o’)∩Γ，更新当前簇点集C_k＝C_k∪Γ，更新未访问点集Γ＝Γ/Δ，更新Ω_cur＝Ω_cur∪(N_ε(o’)∩Ω)，转入步骤S25；

S27、输出簇划分C＝{C₁,C₂,…C_k}；

提取前景目标的高维形态及密度特征；

构建缺陷的正负样本库，正样本库里包含了所有划痕的形态，负样本库里包含了实际生产环境下出现的脏污、灰尘形态，利用样本库中的样本，提取特征向量，采用支持向量机算法作为分类器，进行训练，并在验证集上进行测试：对真实缺陷及干扰进行分类，长宽比为第1维特征，表征样本形状，后8维特征为全局密度特征，统计样本中所有点到中心点的距离，并按预先设定分成8等分，最后64维为局部密度特征，将样本中每个点的密度预分为R1,…,R8八个等级，对每个等级中的点分别统计个数；形态学特征计算：缺陷最小外接矩形的长边与短边的比值：F₀＝L/W，其中，L和W分别为缺陷的长和宽，全局密度特征计算：F_i＝|A|,点集A＝{p|‖p-c‖₂＝R_i},i＝{1,2,…,8}，其中，F_i为第i维全局特征，|·|表示集合中元素个数，c为该样本所有点的中心，R_i为预先设定的距离参数；局部密度特征计算：B集合中元素个数F(j,k)＝|B|,点集B＝{p’|D(p)∈L_j,‖p-p’‖₂＝R_k},p’表示满足条件D(p)∈L_j和‖p-p’‖₂＝R_k的每个点，j＝{1,2,…,8},k＝{1,2,…,8}，R_k表示i＝k时的预先设定的距离参数，D(p)表示点p的像素密度，L_j为第j个密度等级。

2.如权利要求1所述的面向白玻璃盖板表面微弱缺陷的检测与测量方法，其特征在于，图像像素点(i,j)在尺度s上的显著性值c^s_i,j计算如下式所示

其中，N₁、N₂分别是矩形R₁和R₂中像素的个数，v_p和v_q分别是R₁和R₂中像素点处CIELab颜色空间中的三维向量[L,a,b]，D[·]表示取两个向量之间的欧式距离，令图像的宽和高分别为w和h，R₁和R₂表示图像上两个矩形窗口，p、q分别是矩形R₁和R₂中像素的序号，当R₁的宽度为1时，表示取原图中的一个像素点，R₂的宽度w_R2的取值范围为图像上某点最终的显著性值为该点处的多个尺度下的显著性值之和，

其中S为所有的尺度，m_i,j为最终的显著性值，由每个点的显著性值组成的图像成为原图像的显著性图。