[发明专利]一种基于自适应阈值的汽车划痕检测方法

权利要求书

1.一种基于自适应阈值的汽车划痕检测方法，其特征在于步骤如下：

步骤1.使用工业相机采集到带有划痕的汽车外观图像；

步骤2.利用小波变换图像融合的特性，将小波变换和新型数学形态学的方法相融合，检测出图像边缘，即汽车划痕；

步骤3.利用基于自适应阈值的滤波去噪算法对得到的边缘检测图像进行去噪，得到清晰的边缘检测图像；

步骤4.通过八连通方法检查各像素与其相邻像素的连通性，将断开的划痕连接起来。

2.根据权利要求1所述的一种基于自适应阈值的汽车划痕检测方法，其特征在于，步骤2中，将小波变换和新型数学形态学的方法相融合进行边缘检测，具体步骤为：

步骤2.1.利用构造二维可微的高斯平滑函数，记其中s＝2^j为小波变换尺度；

对θ(x,y)分别求x和y方向的偏导数，利用两个方向上的偏导数对原图像中点的像素值f(x,y)进行卷积处理，得到尺度s上的图像二维小波变换的两个梯度矢量分量

将两个梯度矢量分量取模值将像素点(x,y)的邻域按每45°平均分为8个扇形；根据其幅角确定像素点落在哪个扇区内；

比较模值M_sf(x,y)与梯度上两相邻像素模值的大小，若M_sf(x,y)最大，则该点定为边缘点；至此得到边缘检测图A；

步骤2.2.用结构元素B₁,B₂对噪声图像滤波和腐蚀膨胀操作得到初步图像边缘检测算子y＝y_d+y_e，其中，

为灰度开运算，·为灰度闭运算，为灰度膨胀运算，为灰度腐蚀运算，

取得图像的细节边缘，即e＝min{y_d,y_e}；

求出图像的最终边缘算子y_final＝y+e；至此得到边缘检测图B；

步骤2.3.将A和B分别进行三次小波分解，每层中都分别将相同子图用系数法融合，如CL1＝k×A_CL1+(1-k)×B_CL1，再将融合后的子图依次重构得到最终边缘检测图像。

3.根据权利要求1所述的一种基于自适应阈值的汽车划痕检测方法，其特征在于，步骤3中，基于自适应阈值的滤波去噪算法对得到的边缘检测图像进行去噪的具体步骤为：

步骤3.1.根据图片噪声的实际情况设置需要的参数，若图像噪声较少，设置相似块数组大小N₂＝16，搜索步长N_step＝3，噪声过滤阈值Thr＝2.7，可变参数sigma＝40；否则设置N₂＝32，N_step＝4，Thr＝2.8，sigma＝80，且Thr和sigma为经验值，根据实际情况进行变化；

将整幅图像四个方向以边缘和顶角对称向外补充N_s＝39的区域获得图像I₂，在I₂上从原图I₁左上角像素点x₁为中心，以长度为N_step的步长对以下的步骤进行全局操作；

步骤3.1.1.以一个像素点为中心构造一个边长N₁＝8的矩形窗口，在该像素点为中心边长为N_s的矩形搜索区域内以长度为N_step的步长滑动取图像块，取其中一块设为参考块P，其余的作为候选块，寻找与P相似的图像块Q，相似度用两图像块之间的欧氏距离d表示，即其中||～||₂表示二范数，f(P)与f(Q)分别表示图像块P与Q内各点的像素值，将d最小的N₂个小块保存在数组A1中；

步骤3.1.2.对数组A1中每个图像块做二维DCT变换并保存起来放入A2，将变换后的二维数组A2中每个小块相对应位置的数组成大小为N₂的数组B1进行一维HAAR小波变换，变换到频谱域；将此时一维数组B1中绝对值小于(Thr*sigma)的位置变为0进行系数收缩，并记录不等于0的位置的总数Non_zero；对系数收缩之后的一维数组B1做HAAR小波逆变换，把各位置复原到二维数组A2中，再将二维数组A2做二维DCT逆变换，此时完成协同滤波，得到每个图像块的基础滤波结果；

步骤3.1.3.由于图像块之间存在重叠，此时需要进行图像块的聚合，求出图像块聚合的加权系数构造大小为N₁*N₁的Kaiser窗并加入权值部分，计算系数其中Q(x)为相似块Q作为为x位置的像素估计值，系数根据求得的系数计算出该像素点最后的去噪估计值

步骤3.2：从得到的去噪图像I₂中截取原图I₁所对应的区域，即为最终的去噪边缘检测图像。