科研之友
微信
新浪微博
Facebook
分享链接
摘要
低光照低对比度的钢材表面图像(low-light and low-contrast steel surface images, LCSI)往往被大量噪声污染，给检测和识别带来很大的困难，导致缺陷的识别率很低。为了解决这一问题，本文提出一种基于噪声水平估计(noise level estimation, NLE)的钢材表面图像分解增强算法。根据快速的噪声水平估计确定总变分（total variation, TV）正则化的平衡因子，将低光照低对比度的钢材表面图像分解成基础层和细节层，利用视网膜大脑皮层理论（retina+cortex,Retinex）模型将基础层分解为光照分量和反射分量并分别增强使光照均衡化。对于包含更多图像细节（缺陷）和噪声的细节层，使用高斯滤波抑制噪声后，再对细节进行增强并与增强后的基础层重构得到高质量的输出图像。最后利用最新的基于Canny边缘检测和基于大津算法（nobuyuki Otsu method, Otsu）对增强的钢材表面图像进行缺陷检测。实验结果表明：增强后的缺陷识别率比最新的方法提升至少15%以上。
- 单位
