基于自适应稀疏表示的燕窝杂质显微图像清晰化处理方法与流程

摘要: 本技术属于自动化控制,涉及一种基于自适应稀疏表示的燕窝杂质显微图像清晰化处理方法及系统。背景技术:1、随着燕窝加工与质量检测自动化提升,燕窝显微图像已逐步应用于...
基于自适应稀疏表示的燕窝杂质显微图像清晰化处理方法与流程

本技术属于自动化控制,涉及一种基于自适应稀疏表示的燕窝杂质显微图像清晰化处理方法及系统。

背景技术:

1、随着燕窝加工与质量检测自动化提升,燕窝显微图像已逐步应用于杂质分割、计数及面积测量等检测环节,用于观测燕窝基体、天然纤维以及细绒毛、蛋壳碎屑、黑色斑点等微小异物。但在实际成像过程中,受传感器噪声、光照变化、光学散射、对焦状态以及样品表面状态等多种因素影响,采集到的显微图像往往会出现噪声干扰、局部对比度不足、边缘模糊和细节缺失等问题。因微小杂质尺寸小,灰度和边缘变化与燕窝基体或纤维相近,图像退化后杂质轮廓易不连续或与背景混淆,影响后续检测。

2、现有显微图像增强、去噪或稀疏表示复原方法,通常依据灰度、梯度或局部纹理等图像信息,对图像整体或划分后区域进行处理。但燕窝显微图像同时存在基体区域、纤维区域和杂质区域,采用统一参数或约束,增强过度会损失细节,增强不足会残留噪声或产生伪边缘;仅依据局部灰度或梯度判断区域,无法充分区分灰度相近的纤维纹理与微小杂质。

3、此外,部分图像复原方法需对大量图像区域做迭代计算。针对高分辨率燕窝显微图像,处理范围较大或迭代次数较多时,会增加计算时间与系统资源占用,难以满足在线检测效率要求;若降低分辨率或缩减处理范围实现加速,又会丢失微小杂质边缘与局部细节;同时不同样品批次、成像条件及燕窝纹理存在差异,固定参数或模型适配性不足。

4、因此,亟需一种适用于燕窝显微图像、能够满足后续燕窝杂质自动检测对图像质量和处理效率要求的清晰化处理方法。

技术实现思路

1、为了解决现有技术中的上述问题,即现有燕窝显微图像中纤维与杂质难区分且清晰化效率低的问题,本技术提出了一种基于自适应稀疏表示的燕窝杂质显微图像清晰化处理方法,所述方法包括以下步骤:

2、提取燕窝显微图像的纹理分布特征与连通域几何特征;

3、基于纹理分布特征与连通域几何特征,将所述燕窝显微图像的像素划分为基体平滑区、纤维纹理区和杂质候选区,生成区域掩码,并获取预先离线训练完成的基体子字典、纤维子字典和杂质子字典;

4、对所述杂质候选区内的连通域,基于连通域几何特征计算其杂质形态置信度,并转化为自适应稀疏正则权重;

5、调用所述基体子字典对燕窝显微图像进行全局预重建生成基础底图,并基于所述区域掩码的分布坐标锁定至少一个杂质候选图像块;

6、调用杂质子字典并代入所述自适应稀疏正则权重,对所述杂质候选图像块执行局部稀疏重建;

7、将局部稀疏重建所得的图像块替换拼接至所述基础底图的对应坐标,保留所述基础底图中其他区域的像素不变,并对接驳边界进行平滑渐变过渡处理后,输出清晰图像。

8、在一些优选的实施例中,提取燕窝显微图像的纹理分布特征与连通域几何特征,具体包括:

9、基于预设尺寸的逐像素滑动窗口遍历所述燕窝显微图像,针对窗口内部依次计算用以表征灰度起伏的邻域灰度平坦度、用以表征局部梯度幅值变化程度的局部梯度方差,以及用以统计局部梯度矢量方向一致性的梯度方向连续度,共同构成所述纹理分布特征;

10、采用连通准则提取图像中的所有连通域,并提取每一个所述连通域的内部总体面积和外部轮廓周长,构成所述连通域几何特征;其中,纤维纹理区的梯度方向连续度表征数值高于杂质候选区。

11、在一些优选的实施例中,将所述燕窝显微图像的像素划分为基体平滑区、纤维纹理区和杂质候选区,具体包括:

12、若像素邻域内的局部梯度方差低于预设边缘阈值、且邻域灰度平坦度低于预设平滑阈值,判定该像素属于基体平滑区;

13、若像素邻域内的局部梯度方差不低于预设边缘阈值,且梯度方向连续度高于预设方向一致性阈值,判定该像素属于纤维纹理区;

14、若像素邻域内的局部梯度方差不低于预设边缘阈值、梯度方向连续度不高于预设的方向一致性阈值,且所属连通域的连通域几何特征落在由杂质尺寸下限阈值和上限阈值构成的区间内,判定该像素属于杂质候选区。

15、在一些优选的实施例中,预先离线固化的三类专属子字典,其获取方法为:从标定样本中分别截取对应类别的基体平滑图像块、纤维纹理图像块和杂质图像块样本,采用交替寻优机制,交替执行稀疏编码与对应区域的字典的原子更新,以最小化图像块的重建误差;在误差收敛后,固化字典原子,形成相互独立的基体子字典、纤维子字典和杂质子字典。

16、在一些优选的实施例中,基于所述区域掩码的分布坐标锁定至少一个杂质候选图像块,具体为:

17、将待重建的燕窝显微图像划分为多个基础图像块;

18、检测各基础图像块所覆盖坐标对应的区域掩码;若某一基础图像块覆盖至少一个属于所述杂质候选区的像素坐标,则将该基础图像块标记为杂质候选图像块。

19、在一些优选的实施例中,对所述杂质候选区内的连通域,基于连通域几何特征计算其杂质形态置信度,具体包括:

20、对所述杂质候选区内的每一个连通域,分别提取由连通域面积表征的面积匹配得分、由连通域内平均梯度幅值表征的梯度突变强度得分,以及由连通域面积与轮廓周长平方的比例关系表征的形状圆度得分;

21、对所述面积匹配得分、所述梯度突变强度得分以及所述形状圆度得分的输出值进行加权,得到最终的所述杂质形态置信度。

22、另一方面,本技术提出了一种燕窝杂质显微图像清晰化处理系统,包括:

23、特征计算模块,用于获取燕窝显微图像,并计算纹理分布特征和连通域几何特征;

24、区域划分模块,用于基于纹理分布特征与连通域几何特征,将所述燕窝显微图像的像素划分为基体平滑区、纤维纹理区和杂质候选区,生成区域掩码,并获取预先离线训练完成的基体子字典、纤维子字典和杂质子字典;

25、权重求解模块,用于对所述杂质候选区内的连通域,基于连通域几何特征计算其杂质形态置信度,并转化为自适应稀疏正则权重;

26、选择性重建模块,调用所述基体子字典对燕窝显微图像进行全局预重建生成基础底图,并基于所述区域掩码的分布坐标锁定至少一个杂质候选图像块;调用杂质子字典并代入所述自适应稀疏正则权重,对所述杂质候选图像块执行局部稀疏重建;

27、图像融合模块,用于将执行局部稀疏重建所得的图像块替换拼接至所述基础底图的原坐标位置中,保留所述基础底图中其他区域的像素不变,并对接驳边界进行平滑渐变过渡处理后,输出清晰图像。

28、与现有技术相比,本技术提供的实施例中的技术方案,可以至少实现以下有益效果中的一种或多种:

29、1)通过对图像开展多特征区域划分,针对不同区域采用差异化子字典匹配、自适应正则权重以及选择性重建策略,能够在抑制图像噪声的基础上增强微小杂质的边缘特征,同时保留燕窝天然纤维纹理,降低算法整体计算开销,为在线显微质检场景的应用提供技术支持。

30、2)通过结合局部梯度方差、梯度方向连续度及连通域面积等多种特征,将燕窝显微图像中的像素划分为基体平滑区、纤维纹理区和微小杂质候选区,充分利用梯度方向一致性与连通域几何尺寸特征,为区分连续细长的纤维纹理与孤立的杂质斑点提供量化依据,也为后续采用不同子字典开展差异化重建奠定基础。

31、3)基于杂质候选区内连通域的面积、平均梯度幅值及形状圆度等几何特征计算杂质形态置信度,并利用该置信度对稀疏重建过程中的正则项权重进行自适应调整,将杂质形态的先验信息引入稀疏重建的目标函数,使得稀疏惩罚的强度不再仅依赖局部灰度统计特征;对于形态更符合杂质特征的区域,可相应降低稀疏约束以保留边缘细节,进而实现对微小杂质轮廓的针对性保护。

32、4)采用粗-细两级选择性稀疏重建策略:先采用计算开销较低的基体子字典完成全局预重建,再仅针对已标记的微小杂质候选图像块,切换至杂质子字典并代入自适应正则权重执行精细迭代重建。将高复杂度的精细重建过程限定在占比较小的杂质候选区域,大面积的基体与纤维区域直接复用预重建结果,因此可在保证杂质区域重建精度的前提下,显著降低算法整体计算量,提升处理效率。