[发明专利]主成分—形态学—分水岭边缘算子的红外图像缺陷识别方法

权利要求书

1.一种主成分—形态学—分水岭边缘算子的红外图像缺陷识别方法，其特征是：该方法包括如下步骤：

步骤一：先输入红外图像并且创建其结构元素，然后进行结构元素分解；

步骤二：分别进行膨胀与腐蚀运算，接着设定主成分个数，建立协方差矩阵；

步骤三：计算其特征值和对应的特征向量，将特征值用于计算累积贡献率；

步骤四：根据累积贡献率判断是否计算缺陷外缘以及缺陷内缘；

步骤五：若累积贡献率＜80％，则增加主成分个数，重复上述过程；若累积贡献率≥80％，则重构形态学梯度矩阵，同时分别计算缺陷外缘、缺陷内缘；

步骤六：输出外缘和内缘，以及膨胀结果图和腐蚀结果图；

步骤七：将输出的膨胀结果图进行中值滤波后进行二值化，经过二值化的图像进行边界提取，提取图像骨架；

步骤八：进行分水岭变换，构建水坝，寻找分水线，将分水线叠加到中值滤波后的膨胀图像中；

步骤九：对分割的膨胀分割结果图进行Canny算子边缘检测。

2.根据权利要求1所述的主成分—形态学—分水岭边缘算子的红外图像缺陷识别方法，其特征是：所述的步骤一的具体过程为：输入红外图像，创建结构元素，结构元素的形态有正方形，矩形以及菱形等，接着进行结构元素分解，以提高执行效率，分别进行膨胀和腐蚀处理，定义如下所示：

（1）

（2）。

3.根据权利要求2所述的主成分—形态学—分水岭边缘算子的红外图像缺陷识别方法，其特征是：所述的步骤二的具体过程为：设定主成分的个数，同时进行标准化，令均值为0，标准差为1，建立协方差矩阵，计算特征值和对应的特征向量，将特征值用于累积贡献率的判定，如下所示：

（3）

（4）。

所述的步骤五的具体过程为：

根据累积贡献率判断是否计算缺陷外缘以及缺陷内缘，若累积贡献率＜80％，则增加主成分个数，重复上述过程；若累积贡献率≥80％，则重构形态学梯度ng(i,j)同时分别计算缺陷外缘、缺陷内缘，

计算缺陷外缘如下所示：

（5）

计算缺陷内缘如下所示：

（6）；

所述的步骤七的具体过程为：

输出膨胀和腐蚀的结果图，同时输出缺陷外缘和内缘，膨胀能够将图像周围的背景点合并到缺陷中，是边界向外扩张的过程；腐蚀能够消除边界点，是边界点向内收缩的过程，将输出的膨胀结果图进行中值滤波处理，对滤波后的红外图像进行二值化处理，中值滤波是一组灰度值分别为按照n的个数从大到小排列，

（7）

输出为

（8）。

4.根据权利要求3所述的主成分—形态学—分水岭边缘算子的红外图像缺陷识别方法，其特征是：所述的步骤八的具体过程为：对中值滤波后的红外图像进行分水岭变换，将红外图像看做为拓扑地形，图像中的灰度值代表海拔高度，每一个局部极小值作为集水盆区域，集水盆的边界形成分水岭，首先构建水坝，以二值图像为基础，经过二值化的图像进行边界提取，从而分割边界，以及提取图像骨架；寻找分水线，分割边界具有连通路径的特征，最后将分水线叠加到原图中，进行Canny算子边缘检测。