[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

说明书

主成分—形态学—分水岭边缘算子的红外图像缺陷识别方法。由于外界干扰，以及红外采集设备的噪声影响，导致红外图像噪声干扰大，图像边界不清晰。本发明组成包括：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，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，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，根据累积贡献率判断是否计算缺陷外缘以及缺陷内缘，同时分别计算缺陷外缘、缺陷内缘，输出外缘和内缘，以及膨胀结果图和腐蚀结果图，将输出的膨胀结果图进行中值滤波后进行二值化。本发明用于主成分—形态学—分水岭边缘算子的红外图像缺陷识别方法。

技术领域：

本发明应用于红外热波无损检测领域，同时应用于图像处理领域，具体涉及一种基于主成分—形态学—分水岭的红外图像边缘识别方法。

背景技术：

红外热成像能够将无法识别的红外辐射转化为人眼可见的红外图像，由于外界干扰，以及红外采集设备的噪声影响，导致红外图像噪声干扰大，图像边界不清晰。

发明内容：

本发明的目的是提供一种热水浴激励小型3D打印成品缺陷检测装置及检测方法。

上述的目的通过以下的技术方案实现：

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，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。

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，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）。

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，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）