<noframes id="ll9r9"><address id="ll9r9"><nobr id="ll9r9"></nobr></address>
<noframes id="ll9r9">
<noframes id="ll9r9"><form id="ll9r9"></form>
    <em id="ll9r9"><form id="ll9r9"><th id="ll9r9"></th></form></em>
    容易發表/成功率高的期刊
    在線客服

    咨詢客服 咨詢客服

    咨詢郵箱:hz2326495849@163.com

    推薦論文

    基于稀疏表示的車用帶鋼表面圖像信息修復

    時間:2021年08月24日 所屬分類:推薦論文 點擊次數:

    摘要:針對當前車用帶鋼表面圖像信息修復所用時間較長,修復效果較差的問題,提出基于稀疏表示的車用帶鋼表面圖像信息修復方法.根據像元點之間在車用帶鋼表面圖像中存在的空間相關信息,結合像元點的灰度分布信息,采用二維直方圖建立離散測度矩陣,獲得車用

      摘要:針對當前車用帶鋼表面圖像信息修復所用時間較長,修復效果較差的問題,提出基于稀疏表示的車用帶鋼表面圖像信息修復方法.根據像元點之間在車用帶鋼表面圖像中存在的空間相關信息,結合像元點的灰度分布信息,采用二維直方圖建立離散測度矩陣,獲得車用帶鋼表面圖像中需要修復的目標區域和背景區域.在稀疏表示原理的基礎上構建稀疏修復模型,在車用帶鋼表面圖像的目標區域和背景區域中對受損區域進行修復,能夠有效獲取車用帶鋼表面缺陷圖像信息,實現車用帶鋼表面圖像信息的修復.實驗結果表明,所提方法對車用帶鋼表面圖像信息修復的峰值信噪比較高、均方根誤差較小,表明該方法的信息修復效果較好,且修復耗時較短,修復效率高.

      關鍵詞:稀疏表示;圖像分割;離散測度矩陣;稀疏修復模型;圖像修復;信息融合;缺陷檢測

    圖像信息

      圖像作為人們傳遞信息和獲取信息的媒介,是學者們研究的熱點對象[1].數據圖像處理是通過計算機處理并分析圖像的一種技術.數字圖像的性能隨著數字計算機和信息時代的發展不斷提高,被廣泛地應用在各個領域中[2].但是在存儲、壓縮和傳輸過程中,外界的干擾會導致數字圖像信息缺損.為了提高圖像信息的完整性,需要對受損圖像進行修復和填補.圖像信息修復技術在此背景下被人們所重視.

      圖像信息修復技術可以使修復后圖像的視覺效果或可視化效果更接近原始圖像[3].帶鋼作為汽車的重要原材料,對汽車的質量和性能產生直接影響,因此,對其進行表面檢測具有重要意義.但在帶鋼表面檢測圖像中,常因噪聲干擾等問題出現缺陷,為此,需要通過圖像修復技術對車用帶鋼表面圖像信息進行修復,可以實現車用帶鋼受損區域的復原。

      因此需要對車用帶鋼表面圖像信息修復方法進行分析和研究.現有研究中,強振平等[4]提出基于圖像結構分成計算的圖像信息修復方法,利用局部拉普拉斯濾波器平滑處理圖像細節信息,獲得圖像結構成分,確定修復優先級,在基于結構張量和等照度線的圖像修復算法中引入結構成分引導方法,實現圖像信息的修復,但該方法沒有劃分圖像的目標區域和背景區域,導致修復后圖像的峰值信噪較低,存在修復效果差的問題.曹大命等[5]提出基于先驗約束的圖像信息修復方法,通過對圖像做預處理,獲得先驗信息,在先驗信息約束的基礎上初始化偏移映射圖,利用夾角法和均值法在像素塊匹配過程中計算像素塊的相似度,引入直方圖統計方法,實現圖像信息的修復,但該方法未對圖像進行分割處理,導致修復過程中計算量較大,修復圖像所用的時間較長,存在修復效率低的問題.

      韓棟等[6]提出基于曲率約束因子與邊緣加權法則的圖像信息修復方法,通過像素的等照度線的方向構造曲率約束因子,并約束數據項以形成優先級測量函數.利用像素均值之差,構造像素自相關模型調整樣本塊的大小及邊緣加權模型,并通過結合SSD(SumofSquareDifferences)(平方差和)模型建立邊緣加權規則,進行最優匹配,在修復區域中填充最優匹配塊,實現圖像信息的修復.但該方法無法對背景區域中的受損區域進行有效修復,導致修復后的圖像均方根誤差較大,存在圖像修復效果差的問題.為了解決上述方法中存在的問題,提出基于稀疏表示的車用帶鋼表面圖像信息修復方法.

      計算車用帶鋼表面圖像的二維直方圖,獲取背景類和目標類之間存在的離散測度矩陣,并通過距離測度函數,改善車用帶鋼表面圖像分割的精確性;基于稀疏表示理論,獲取圖像目標區域,去除圖像塊中存在的受損區域,構建基于稀疏表示的車用帶鋼表面圖像信息修復模型,進一步減少了計算的冗余度.

      1車用帶鋼表面圖像分割處理

      通常對帶鋼表面進行檢測的系統由以下四個模塊組成:圖像獲取模塊、圖像處理模塊、圖像分析模塊、數據管理及人機接口模塊[7].

      本次研究的車用帶鋼表面圖像分割處理算法是在圖像處理模塊進行.由于受到現場環境、傳輸電路等影響,導致采集的原始圖像具有一定的噪聲,給圖像的修復處理帶來不便[8].對車用帶鋼表面圖像信息修復,首先需對車用帶鋼表面圖像進行分割處理,分離車用帶鋼表面圖像的目標類與背景類信息,以提升車用帶鋼表面圖像信息修復準確性.通過求解車用帶鋼表面圖像的鄰域平均灰度,得到車用帶鋼表面圖像的灰度變換范圍;通過計算車用帶鋼表面圖像的二維直方圖,構建背景類和目標類之間存在的離散測度矩陣,實現車用帶鋼表面圖像的分割.車用帶鋼表面圖像分割處理流程.

      2基于稀疏表示的圖像信息修復

      在實現車用帶鋼表面圖像分割處理后,用圖像分析模塊進行圖像信息分析,基于稀疏表示理論的基礎,對車用帶鋼表面圖像信息進行修復.通過線性組合和圖像塊約束圖像的非零元素的稀疏信號[15],構建稀疏表示模型,構建圖像塊中存在的待修復圖像函數,通過MAP估計去除圖像塊中存在的受損區域,通過L1范數對重構誤差進行測度,構建基于稀疏線性表達的車用帶鋼表面圖像信息修復模型,實現車用帶鋼表面圖像信息修復.

      3實驗結果與分析

      為了驗證基于稀疏表示的車用帶鋼表面圖像信息修復方法的整體有效性,需要對基于稀疏表示的車用帶鋼表面圖像信息修復方法進行測試.本次測試在IntelCorei7CPU,內存為8GB的PC機上采用MatlabR2020b編程實現.將峰值信噪比和均方根誤差作為指標對圖像信息的修復效果進行衡量.

      在東北大學熱軋帶鋼表面缺陷數據集(VisionbasedSISforsteel)中選擇實驗對象共1000張車用帶鋼表面缺陷圖像,分別采用文獻[5]和文獻[6]方法作為實驗對比,測試3種不同方法對圖像信息的修復效果。

      3.1信噪比和均方根誤差對比

      設PSNR(PeakSignal-to-NoiseRatio)表示峰值信噪比,峰值信噪比越大表明圖像信息的修復效果越好,其計算公式如下:PSNR=10lg(2552/MSE)(22)式中:MSE(MeanSquaredError)表示修復圖像與原始圖像之間的均方誤差.設RMSE(RootMeanSquaredError)代表均方根誤差,均方根誤差越小表明修復后的圖像越接近原始圖像,其計算公式如下:RMSE=姨MSE(23)3種不同方法在車用帶鋼表面圖像信息修復過程中,其峰值信噪比及均方根誤差對比結果,本文方法在不同測試中獲得的峰值信噪比均高于文獻[5]方法和文獻[6]方法獲得的峰值信噪比,峰值信噪比越高表明方法的修復效果越好.

      本文方法的均方根誤差均低于0.2,遠小于其他兩種方法,均方根誤差越小,表明此方法的修復效果越好.綜上所述,本文方法對車用帶鋼表面圖像的修復效果較好.本文方法利用稀疏修復模型分別對車用帶鋼表面圖像的目標區域和背景區域進行修復,在修復過程中提高了修復的針對性,進而提高了所提方法的修復效果.

      3.2圖像修復耗時對比

      分別采用本文方法、文獻[5]方法和文獻[6]方法對車用帶鋼表面圖像信息進行修復,對比不同方法修復圖像受損區域所需的時間,隨著圖像數量的增加,3種方法修復圖像所用的時間都有所增加,文獻[5]方法和文獻[6]方法在圖像數量超過200幅時,修復圖像所用的時間迅速增加,是由于圖像數量增加的同時,修復圖像過程中的計算量不斷增加,進而增加了修復所需的時間.本文方法所用的時間雖然也隨著圖像數量的增加不斷增長,但是增加的幅度較小,且在相同圖像數量情況下所用的修復時間遠遠少于文獻[5]和文獻[6]方法所用的修復時間.本文方法對圖像進行分割處理,并利用修復模型在不同區域中對信息進行修復,利用最小化L1范數技術縮小了計算量,進而縮短了修復圖像所需的時間,提高了本文方法的修復效率.

      圖像修復論文:數字處理技術和圖像處理技術的室內設計系統研究

      4結論

      圖像修復的基本原理是利用圖像中存在的有效信息對未知區域進行近似估計,使修復后的圖像接近原始圖像.在數字圖像處理領域中,圖像修復技術是一種重要技術,在眾多領域中具有較強的實用性,被廣泛地應用在車用帶鋼表面受損修復中.目前,車用帶鋼表面圖像信息修復方法存在修復效果差和修復效率低的問題.為此,提出基于稀疏表示的車用帶鋼表面圖像信息修復方法,利用稀疏修復模型在分割后的不同圖像區域中進行信息修復,實驗證明,設計方法縮短了修復所用的時間,優化了修復效果.在圖像的修復中,還需要考慮紋理等修復特征,但本文研究未對修復圖像的精細程度進行驗證,在未來研究中,將會對圖像高精度修復進一步完善.

      參考文獻

      [1]董衛東,彭宏京.基于緊框架的二階總廣義變分圖像修復模型[J].計算機工程與應用,2018,54(11):178—184.DONGWD,PENGHJ.Second-ordertotalgeneralizedvariationalbasedontightframeimageinpaintingmodel[J].Computer EngineeringandApplications,2018,54(11):178—184.(InChinese)

      [2]徐黎明,吳亞娟,張波.基于八鄰域的自適應高階變分圖像修復算法[J].圖學學報,2017,38(4):558—565.XULM,WUYJ,ZHANGB.Imageinpaintingalgorithmbasedonadaptivehighordervariationineightneighbors[J].JournalofGraphics,2017,38(4):558—565.(InChinese)

      [3]王聰,楊晶,潘秀娟,等.基于光參量放大相位共軛特性的圖像修復與增強[J].物理學報,2017,66(10):134—140.WANGC,YANGJ,PANXJ,etal.Imagerestorationandenhance-mentbasedonphaseconjugationofopticalparametricamplification[J].ActaPhysicaSinica,2017,66(10):134—140.(InChinese)

      [4]強振平,何麗波,陳旭,等.利用圖像結構成分的優先塊匹配圖像修復方法[J].計算機輔助設計與圖形學學報,2019,31(5):821—830

      作者:周李洪1,2,龔金科2覮,李兵3

    亚洲AV片劲爆在线观看