一种基于人工智能的气密性检测中图像噪声去除方法与流程

1.本发明涉及人工智能技术领域，具体涉及基于人工智能的气密性检测中图像噪声去除方法。


背景技术：

2.近年来，随着航空航天工业技术的进步，人们对气密性检测技术及装备的要求也走向了一个新高度。在传统的气密性检测中，常用的检测方法为在待检工件中冲入一定压力的气体后将工件放入水或者其他液体中，再对液体中的被测工件进行观察。
3.目前，气密性检测通常采用相机对气缸以及待检工件进行拍摄，以得到气密性检测图像，将气密性检测图像先叠加再进行气密性检测。
4.上述现有技术存在以下缺陷：将气密性检测图像先叠加再进行气密性检测，随着气密性检测图像的叠加，会导致叠加后的检测图像中存在很多噪声，气泡特征很容易淹没在大量噪声中，导致气泡特征成像不明显。


技术实现要素：

5.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的气密性检测中图像噪声去除方法，所采用的技术方案具体如下：
6.本发明一个实施例提供了一种基于人工智能的气密性检测中图像噪声去除方法，该方法包括以下步骤：
7.获取检测图像，所述检测图像包括气泡；根据所述检测图像提取气泡特征，得到气泡特征图像；
8.对所述气泡特征图像进行滑窗操作得到多个窗口图像，基于各所述窗口图像之间的纹理特征相似度和灰度值相似度，计算各所述窗口图像之间的整体相似度；
9.选任一所述窗口图像作为目标窗口图像；计算所述目标窗口图像与各所述窗口图像的欧式距离，利用所述欧式距离分配整体相似度权重；由所述整体相似度和所述相似度得到各窗口图像相关程度；根据所述窗口图像相关程度选取符合预设数量的第一相似窗口图像；
10.将所述第一相似窗口图像的各相同位置处的像素值构成初始像素数组，对所述初始像素数组进行小波变换得到初始小波系数，并对所述初始小波系数进行去噪，得到去噪像素数组；由各所述去噪像素数组得到去噪后的所述第一相似窗口图像的非零像素数量，对所述第一相似窗口图像进行权重分配，并将去噪后的所述第一相似窗口图像进行融合得到初步去噪窗口图像；选取所述初步去噪窗口图像的各第二相似窗口图像，所述第二相似窗口图像的各相同位置处的像素值构成第二像素数组，对所述第二像素数组进行小波变换，得到融合小波系数；将所述初始小波系数和所述融合小波系数相乘，得到各第二相似窗口图像的最终权重；
11.根据所述最终权重对所述第二相似窗口图像进行融合得到最终去噪窗口图像。
12.优选的，所述获取检测图像，所述检测图像包括气泡；根据所述检测图像提取气泡特征，得到气泡特征图像，包括：
13.将所述检测图像进行灰度化并进行顶帽运算，得到背景图像；基于衰减模型对所述背景图像进行融合得到的背景模板图像；
14.将所述背景模板图像和所述背景图像进行作差运算，得到前景图像；基于所述衰减模型对所述前景图像进行融合得到所述气泡特征图像。
15.优选的，所述基于衰减模型对所述背景图像进行融合得到的背景模板图像，包括：
16.所述衰减模型为：
17.f
i 1
＝αf
i
(1
‑
α)f
i 1
18.其中，f
i 1
表示第i 1帧所述背景图像与前i帧所述背景图像融合后的背景模板图像；f
i
为前i帧所述背景图像融合后的所述背景模板图像；f
i 1
为第i 1帧所述背景图像；α为背景衰减系数。
19.优选的，所述基于各所述窗口图像之间的纹理特征相似度和灰度值相似度，计算各所述窗口图像之间的整体相似度，包括：
20.将所述纹理特征相似度和所述灰度值相似度的均值，作为所述目标窗口图像与其他任一所述窗口图像之间的所述整体相似度。
21.优选的，所述基于各所述窗口图像之间的纹理特征相似度和灰度值相似度，计算各所述窗口图像之间的整体相似度，还包括：
22.计算所述目标窗口图像与其他任一所述窗口图像之间的灰度值相似度；
23.所述灰度值相似度的计算方法为：
[0024][0025]
其中,s2为所述目标窗口图像与其他任一所述窗口图像之间的灰度值相似度；δg为所述目标窗口图像与其他任一所述窗口图像的平均灰度值的差值。
[0026]
优选的，所述计算所述目标窗口图像与各所述窗口图像的欧式距离，包括：
[0027]
所述目标窗口图像与各所述窗口图像的欧氏距离由两窗口图像的各像素点之间的欧式距离加权求和得到的；
[0028]
所述欧氏距离的权重的分配方式为基于高斯函数对所述各像素点的欧式距离分配权重。
[0029]
优选的，所述根据所述窗口图像相关程度选取符合预设数量的第一相似窗口图像，包括：
[0030]
计算所述目标窗口图像与各所述窗口图像的所述窗口图像相关程度，将所有所述窗口图像相关程度按照大小进行排序，选取前top
‑
k个所述窗口图像相关程度对应的窗口图像作为所述第一相似窗口图像。
[0031]
优选的，所述对所述初始像素数组进行小波变换得到初始小波系数，并对小波系数进行去噪，得到去噪像素数组，包括：
[0032]
采用bayesshrink算法进行小波阈值自适应；
[0033]
将低于阈值的所述初始小波系数进行置零去噪，将高于阈值的所述初始小波系数通过小波逆变换还原成对应的像素值，得到去噪像素数组。
[0034]
优选的，所述由各所述去噪像素数组得到去噪后的所述第一相似窗口图像的非零像素数量，对所述第一相似窗口图像进行权重分配，包括：
[0035]
获取去噪后的各所述第一相似窗口图像的非零像素数量与所有所述第一相似窗口图像的总非零像素数量的比值，作为各所述第一相似窗口图像的融合权重。
[0036]
优选的，所述将去噪后的所述第一相似窗口图像进行融合得到初步去噪窗口图像
[0037]
将所述第一相似窗口图像进行融合得到初步去噪窗口图像。
[0038]
所述初步去噪窗口图像的每个像素点灰度值为：
[0039][0040]
其中，g
r
为所述初步去噪窗口图像的第r个像素点的灰度值；w
k
为第k个所述第一相似窗口图像的融合权重；为第k个所述第一相似窗口图像的第r个像素点的灰度值；m
r
为第一相似窗口图像的总数量。
[0041]
本发明具有如下有益效果：
[0042]
本发明实施例首先采集检测图像，获取气泡特征图像。根据气泡特征图像得到多个窗口图像，窗口图像在经过初步小波阈值去噪后，虽然可以将噪声很好的去噪，但是同时会导致图像细节缺失或者不明显。随之利用初步去噪窗口图像再次得到第二相似窗口图像的融合小波系数，此时则包含了较少的噪声，与第一相似窗口图像所对应的初始小波系数相乘后可以使噪声位置处所占权重得到很大程度上的减少但不至于消失，使最终得到的最终去噪窗口图像在极大地滤除噪声的同时仍保留原图中的细节信息。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0044]
图1为本发明一个实施例所提供的一种基于人工智能的气密性检测中图像噪声去除方法的方法流程图；
[0045]
图2为本发明一个实施例所涉及的前景图像的示意图。
具体实施方式
[0046]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的气密性检测中图像噪声去除方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0047]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0048]
本发明实施例提供了一种基于人工智能的气密性检测中图像噪声去除方法的具
体实施方法，该方法实施例适用于检测图像噪声去噪，本实施例中相机为工业rgb相机，该相机对气密性检测环境进行检测图像采集。本发明实施例通过检测图像中包含的多个窗口图像先去噪再融合，并对相似窗口图像进行了权重分配，最终融合得到最终去噪图像。达到了使噪声很大程度上的减少但不至于消失，使得到的最终去噪窗口图像在极大地滤除噪声的同时仍保留原图中的细节信息的目的。
[0049]
下面结合附图具体的说明本发明所提供的一种基于人工智能的气密性检测中图像噪声去除方法的具体方案。
[0050]
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的气密性检测中图像噪声去除方法的方法流程图，该方法包括以下步骤：
[0051]
步骤s100，获取检测图像，检测图像包括气泡。根据检测图像提取气泡特征，得到气泡特征图像。
[0052]
使用工业rgb相机对气密性检测环境进行拍照，得到检测图像，其中，相机紧贴玻璃检测池的玻璃壁一侧。
[0053]
将得到的检测图像进行灰度化后并进行顶帽运算，得到背景图像。需要说明的是，经过顶帽运算后的背景图像中包含有气泡特征。其中，顶帽运算是原图像与开运算后图像的差。使用顶帽运算的原因在于该操作下得到的效果图突出了比原图轮廓周围的区域更明亮的区域，往往用来分离比邻近点亮一些的版块。因此当一副图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。
[0054]
对单帧检测图像进行背景提取得到背景图像后，为了得到较为稳定的背景模板图像，首先对背景图像进行筛选，其筛选过程为：
[0055]
1)按照各检测图像采集的先后顺序对各背景图像进行分组，每组包括相邻的背景图像，比如：分组情况为：(1，2)、(3，4)、(5，6)、(7，8)，
……
，其中数字代表的是图像的采集先后顺序。
[0056]
2)保留各组的两个背景图像中的平均灰度值较小的背景图像，并按照检测图像采集的先后顺序对保留的各背景图像进行排序，得到各帧背景图像，比如：(1，2)中2的平均灰度值较小，(3，4)中3的平均灰度值较小，(5，6)中5的平均灰度值较小，(7，8)中8的平均灰度值较小，
……
，则排列顺序为(2，3，5，8，
……
)，将(2，3，5，8，
……
)重新排序为(1，2，3，4，
……
)，作为筛选后的各帧背景图像。
[0057]
需要说明的是，保留平均灰度值较小的背景图像，舍弃平均灰度值较大的背景图像的意义在于，背景图像应尽量为纯黑色，即背景图像的平均灰度值应尽可能的趋近于0，这样才能使前景图像尽可能的明显。
[0058]
基于衰减模型对背景图像进行融合得到的背景模板图像，具体过程包括：
[0059]
衰减模型为：
[0060]
f
i 1
＝αf
i
(1
‑
α)f
i 1
[0061]
其中，f
i 1
为第i 1帧背景图像与前i帧背景图像融合后的背景模板图像；f
i
为前i帧背景图像融合后的背景模板图像；f
i 1
为第i 1帧背景图像；α为背景衰减系数。
[0062]
比如：i为1时，f2为第二帧背景图像与第一帧背景图像融合后的背景模板图像；f1为第一帧背景图像，f2为第二帧背景图像；i为2时，f3为第三帧背景图像与前两帧背景图像融合后的背景模板图像；f2为前两帧背景图像融合后的背景模板图像，f3为第三帧背景图
像；i为3时，f4为第四帧背景图像与前三帧背景图像融合后的背景模板图像；f3为前三帧背景图像融合后的背景模板图像，f4为第四帧背景图像。
[0063]
在本发明实施例中，背景衰减系数α取值为0.9。
[0064]
根据上述的筛选过程，对前后相邻两帧的背景图像进行背景图像的融合，能够得到稳定的背景模板图像。需要说明的是，衰减模型可以起到逐渐凸显固定噪声，减弱随机噪声的作用，所以稳定的背景模板图像中不包含气泡特征。
[0065]
将背景模板图像和背景图像进行作差运算，得到前景图像，该前景图像参见图2所示。具体过程为使用得到的背景模板图像对背景图像分别进行图像相减操作。
[0066]
得到前景图像之后，为了得到较为稳定的气泡特征图像，首先对前景图像进行筛选，其筛选过程为：
[0067]
1)按照各背景图像的先后顺序对各前景图像进行分组，每组包括相邻的两帧前景图像。比如：分组情况为：(1，2)、(3，4)、(5，6)、(7，8)，
……
，其中数字代表的是背景图像的先后顺序。
[0068]
2)保留各组的两帧前景图像中的平均灰度值较大的前景图像，并按照各背景图像的先后顺序对保留的各前景图像进行排序，得到各帧前景图像。比如：(1，2)中1的平均灰度值较大，(3，4)中4的平均灰度值较大，(5，6)中6的平均灰度值较大，(7，8)中7的平均灰度值较大，
……
，则排列顺序为(1，4，6，7，
……
)，将(1，4，6，7，
……
)重新排序为(1，2，3，4，
……
)作为筛选后的各帧前景图像。
[0069]
需要说明的是，保留平均灰度值较大的前景图像是为了使获取的前景图像时与背景图像可以产生明显的对比。此时的前景图像仍然存在很多的噪声，但是已经能够隐约显现气泡特征，原因在于气泡处于运动状态，其在前景图像会被最大限度的显示出来。
[0070]
基于衰减模型对前景图像进行融合得到气泡特征图像，由于最终目的是为了得到明显的气泡特征，因此为了简化计算量，前景图像融合时的前景衰减系数与背景图像融合时的背景衰减系数相同。作为其他的实施方式，前景图像融合时的前景衰减系数也可以根据实际需要设置成其他的数值。
[0071]
步骤s200，对气泡特征图像进行滑窗操作得到多个窗口图像，基于各窗口图像之间的纹理特征相似度和灰度值相似度，计算各窗口图像之间的整体相似度。
[0072]
对气泡特征图像进行滑窗操作，在本发明实施例中窗口尺寸设置为16
×
16，滑动步长设置为3。
[0073]
对每一个窗口图像计算其与其他窗口图像之间的整体相似度。在本发明实施例中，根据灰度共生矩阵来作为纹理特征相似度计算的参考属性。需要说明的是，使用灰度共生矩阵算法的原因在于该算法能反映图像灰度关于方向、相邻间隔和变化幅度等综合信息。在本发明实施例中使用灰度共生矩阵最典型且最常用的四个特征来提取图像的纹理特征，分别为能量、对比度、相关度、熵。由于该算法为公知技术，因此得到四个特征值的过程本发明中不再赘述。
[0074]
具体的，设置窗口图像之间四个特征值所对应的相似性分别为γ1,γ2,γ3,γ4，则由此确定的窗口图像之间的纹理特征相似度。
[0075]
窗口图像之间的纹理特征相似度s1的计算公式为：
[0076][0077]
另一方面，计算目标窗口图像与其他任一窗口图像之间的灰度值相似度；
[0078]
窗口图像之间的灰度值相似度s2的计算公式为：
[0079][0080]
其中,s2为目标窗口图像与其他任一窗口图像之间的灰度值相似度；δg为目标窗口图像与其他任一窗口图像的平均灰度值的差值。
[0081]
由此获取纹理特征相似度和灰度值相似度的均值，作为目标窗口图像与其他任一窗口图像之间的整体相似度。
[0082]
整体相似度s的计算公式为：
[0083][0084]
其中，s1为纹理特征相似度，s2为灰度值相似度。
[0085]
步骤s300，选任一窗口图像作为目标窗口图像；计算目标窗口图像与各窗口图像的欧式距离，利用欧式距离分配整体相似度权重；由整体相似度和相似度得到各窗口图像相关程度；根据窗口图像相关程度选取符合预设数量的第一相似窗口图像。
[0086]
选任一窗口图作为目标窗口图像，计算目标窗口图像与各其他窗口之间的欧式距离；该两窗口图像之间的欧式距离由目标窗口图像和各其他窗口图像的各像素点之间的欧式距离加权求和得到，其中像素点之间的欧式距离的权重分配方式是基于高斯函数对各像素点的欧式距离分配权重。
[0087]
利用高斯公式根据两窗口图像之间的欧式距离进行整体相似度权重分配。即距离目标窗口图像越近的窗口图像，其整体相似度权重越大，反之则整体相似度权重越小。
[0088]
设目标窗口图像i与任一其他窗口图像j之间的整体相似度权重为w
ij
，目标窗口图像i与任一其他窗口图像j之间的整体相似度为s
ij
，将整体相似度权重w
ij
和整体相似度s
ij
相乘，得到窗口图像相关程度。
[0089]
计算目标窗口图像与各窗口图像的窗口图像相关程度，将所有窗口图像相关程度按照由大到小进行排序，选取前top
‑
k个窗口图像相关程度所对应的窗口图像作为第一相似窗口图像。本发明实施例中选取前5个窗口图像相关程度最大的对应窗口图像。
[0090]
步骤s400，将第一相似窗口图像的各相同位置处的像素值构成初始像素数组，对初始像素数组进行小波变换得到初始小波系数，并对初始小波系数进行去噪，得到去噪像素数组；由各去噪像素数组得到去噪后的第一相似窗口图像的非零像素数量，对第一相似窗口图像进行权重分配，并将去噪后的第一相似窗口图像进行融合得到初步去噪窗口图像；选取初步去噪窗口图像的各第二相似窗口图像，第二相似窗口图像的各相同位置处的像素值构成第二像素数组，对第二像素数组进行小波变换，得到融合小波系数；将初始小波系数和融合小波系数相乘，得到各第二相似窗口图像的最终权重。
[0091]
将各第一相似窗口图像中位于同一行同一列(即对应的相同位置)处的像素点的像素值构成初始像素数组，对于各组初始像素数组进行小波变换得到初始小波系数，再对初始小波系数进行阈值筛选，以达到去噪的目的，具体的：
[0092]
小波阈值去噪的基本思想是：将数组通过小波变换后，信号产生的小波系数含有信号的重要信息，经小波分解后信号的小波系数较大，而噪声的小波系数较小，且噪声的小波系数要小于信号的小波系数，因此通过选取一个合适的阈值可以将噪声进行有效去除。
[0093]
本发明实施例使用小波变换进行去噪的原因是因为小波阈值去噪保留了特征提取的部分，性能上优于传统的低通滤波器去噪等方法。由于小波阈值去噪为公知技术，因此本发明中不再赘述。需要说明的是，对于阈值的选择，本发明实施例中采用bayesshrink算法进行小波阈值自适应，该算法是小波软阈值的一种自适应方法，可以对每个小波子带估计一个唯一的阈值。
[0094]
将低于阈值的初始小波系数置零以进行去噪，对高于阈值的初始小波系数进行小波逆变换还原成对应的像素值，得到去噪像素数组。由各去噪像素数组统计去噪后的每个第一相似窗口图像的非零像素数量，将去噪后的各第一相似窗口图像的非零像素数量与所有第一相似窗口图像的总非零像素数量的比值，作为各第一相似窗口图像的融合权重w
k
。
[0095]
将所有第一相似窗口图像进行融合得到初步去噪窗口图像。
[0096]
初步去噪窗口图像的每个像素点灰度值为：
[0097][0098]
其中，g
r
为初步去噪窗口图像的第r个像素点的灰度值；w
k
为第k个第一相似窗口图像的融合权重；为第k个第一相似窗口图像的第r个像素点的灰度值；m
r
为第一相似窗口图像的总数量。
[0099]
计算第一相似窗口图像与各窗口图像的窗口图像相关程度，将所有窗口图像相关程度按照由大到小进行排序，选取前top
‑
k个窗口图像相关程度所对应的窗口图像作为第二相似窗口图像。在本发明实施例中仍选取前5个窗口图像相关程度最大的对应窗口图像。
[0100]
将第二相似窗口图像中位于同一行同一列(即对应的相同位置)处的像素点的像素值构成第二像素数组，对于各组第二像素数组进行小波变换，得到小波系数，以该小波系数作为融合小波系数。需要说明的是，本次进行小波变换之后不必对融合小波系数进行小波阈值去噪处理。
[0101]
将初始小波系数与融合小波系数相乘，将得到的结果作为各第二相似窗口图像的最终权重。
[0102]
步骤s500，根据最终权重对第二相似窗口图像进行融合得到最终去噪窗口图像。
[0103]
根据得到的最终权重，对所有第二相似窗口图像进行融合得到最终去噪窗口图像。
[0104]
最终去噪窗口图像的每个像素点灰度值为：
[0105][0106]
其中，g
h
为最终去噪窗口图像的第h个像素点的灰度值；w
f
为第f个第二相似窗口图像的融合权重；为第f个第二相似窗口图像的第h个像素点的灰度值；m
h
为所有第二相似
窗口图像的总数量。
[0107]
综上所述，本发明实施例利用人工智能，对采集到的检测图像进行气泡特征提取，得到气泡特征图像，获取气泡特征图像的多个窗口图像，任选一窗口图像作为目标窗口图像，计算目标窗口图像与其他窗口图像的窗口图像相关程度，选取符合预设数量的第一相似窗口图像，对各第一相似窗口图像的相同位置处的像素值进行小波变换得到初始小波系数，并对初始小波系数进行小波阈值去噪，得到去噪像素数组。获取去噪后的第一相似窗口图像的非零像素数量，根据非零像素数量对第一相似窗口图像进行权重分配，将去噪后的第一相似窗口图像进行融合得到初始去噪窗口图像，此时的初始去噪窗口图像为初步去噪后的图像，此时噪声被很好的去除。基于初始去噪窗口图像，获取符合预设数量的第二相似窗口图像，对各第二相似窗口图像的相同位置处的像素值进行小波变换得到融合小波系数和第二像素数组，将融合小波系数与初始小波系数相乘得到最终权重。根据最终权重对第二相似窗口图像进行融合得到最终去噪窗口图像。利用初步去噪窗口图像再次得到第二相似窗口图像的融合小波系数，与第一相似窗口图像所对应的初始小波系数相乘后可以使噪声位置处所占权重得到很大程度上的减少但不至于消失，使得到的最终去噪窗口图像在极大地滤除噪声的同时仍保留原图中的细节信息。
[0108]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0109]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0110]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。