(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111670295.X (22)申请日 2021.12.31 (71)申请人 南京工程学院 地址 211167 江苏省南京市江宁科 学园弘 景大道1号 申请人 泗阳县晨光家具有限公司 (72)发明人 高阳　陈烨　宋晓凤　路绳方　 孟琳　宋姗姗　焦良葆　 (74)专利代理 机构 南京睿之博知识产权代理有 限公司 32 296 代理人 杨晓玲 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/60(2017.01) G06T 7/90(2017.01)G06K 9/62(2022.01) G06V 10/762(2022.01) (54)发明名称 基于特征建模显著性检测的皮革材料表面 缺陷检测方法 (57)摘要 本发明公开了一种基于特征建模显著性检 测的皮革材料表面缺陷检测方法， 包括步骤： S01、 先采集 皮革材料的视频信息， 在视频中选 取 若干帧图像作为待检测图像； S02、 然后采用自底 向上的模型， 进行显著性图像的初步获取， 得到 第一显著性图像； S03、 利用等面积多直方图均衡 算法对第一显著性图像进行增强， 得到第二显著 性图像； S04、 基于超像素的再优化对第二显著性 图像进行处理， 得到第三显著性图像； S05、 最后， 根据第三显著性图像标出缺陷所在位置， 运用全 局阈值法对得到的第三显著性图像进行自适应 阈值化， 本发明有效降低了算法计算量， 在检测 缺陷大小不一、 散布于皮革材料多个区域的情况 下， 检测速度快且检测结果更为稳定、 准确。 权利要求书2页 说明书7页 附图1页 CN 114299051 A 2022.04.08 CN 114299051 A 1.一种基于特征建模显著性检测的皮革材料表面缺陷检测方法， 其特征在于， 包括步 骤： S01、 先采集皮革材 料的视频信息， 在视频中选取若干帧图像作为待检测图像； S02、 然后采用自底向上的模型， 进行显著性图像的初步获取， 得到第一显著性图像； S03、 利用等面积多直方图均衡算法对第一显著性图像进行增强， 得到第二显著性图 像； S04、 基于超像素的再优化对第二显著性图像进行处 理， 得到第三显著性图像； S05、 最后， 根据第三显著性 图像标出缺陷所在位置， 运用全局阈值法对得到的第三显 著性图像进 行自适应阈值化， 得到二值图像， 二值图像中白色区域及为检测到的缺陷区域， 进而标出皮革等材料表面的缺陷所在位置 。 2.根据权利要求1所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法， 其 特征在于， 所述 步骤S02中， 获取第一显著性图像过程包括 步骤： S021、 先在待检测图像I划分中心区域I1和边缘区域I2， 中心区域I1与待检测图像I同 心， 待检测图像I去除中心区域 I1外为边缘区域I2， 边缘区域I2内的像素为 边缘像素； S022、 然后将待检测图像 的中心区域I1和边缘区域I2的像素信息Si均转换至CIELab颜 色空间中， 得到新的像素信息 i表示待检测图像中的像素编号； S023、 计算每一 边缘像素的特 征向量， 运用K ‑means++聚类算法对边 缘像素进行聚类； S024、 统计对边缘像素 聚类后的聚类群组数目， 以及每个聚类群组中的边缘像素数目， 利用算数平均数计算每 个聚类群组的中心特 征值； S025、 最后计算待检测图像中每一像素的特征向量与每一个聚类群组中心的距离， 对 每个像素到所有聚类 群组中心的距离进行归一 化处理， 得到第一显著性图像。 3.根据权利要求2所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法， 其 特征在于， 步骤S 023中， 以每个边缘像素为中心的邻域区块来表 示对应边缘像素的特征， 用 邻域区块中每一像素的像素信息S*分量值乘以对应的权重系数作为对应边缘像素特征值， 权重系数为邻域区块中像素与对应边 缘像素距离的倒数。 4.根据权利要求3所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法， 其 特征在于， 所述邻块区域为与边缘像素相 邻的n个像素宽度组成的区域， 邻块区域的大小为 n*n， n为奇数， 对于靠近外侧的边缘像素， 当边缘像素与图像边缘的距离小于(n ‑1)/2时， 则 邻域区块 为从图像边 缘向内n个 像素宽度组成的区域。 5.根据权利要求2或3所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法， 其特征在于， K ‑means++聚类算法进行聚类的过程包括 步骤： S0231、 在所有的边 缘像素中随机 选取一个 像素作为聚类中心； S0232、 计算每个边缘像素到已有聚类中心的最远距 离， Di表示第i个像 素到当前已有聚 类中心的最远距离， 最大的一个边 缘像素为下一聚类中心； S0233、 计算每个边缘像素到当前每个聚类中心的距离并将边缘像素分配到距离最小 的聚类中心对应的聚类 群组中； S0234、 对每个聚类群组中样本数目进行判断， 样本数目小于设定的最小值时， 解散聚权　利　要　求　书 1/2 页 2 CN 114299051 A 2类群组， 样本数目大于设定的最大值时， 将聚类 群组分为两个子群组； S0235、 判 断是否满足设定的终止条件， 满足条件计算终止， 不满足， 重复步骤S0232 ‑ S0235。 6.根据权利要求2所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法， 其 特征在于， 所述中心区域I1相对于待检测图像I的宽度百分比为c， 相对于待检测图像I的高 度百分比为d， 0.8≤ c＜1， 0.8≤d＜1。 7.根据权利要求1所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法， 其 特征在于， 所述 步骤S03中， 获取第二显著性图像过程包括 步骤： S031、 先计算第一显著性图像灰度级的概率密度函数： WH为第一显著性图像中所有像素点总数， nk为第一显著性图像中灰度值为k的像素点的个 数， L为第一显著性图像的灰度级； 第一显著性图像灰度级的累计分布函数为： S032、 以第一显著性图像灰度值的中值Imean作为标准， 取 作为阈值， 将 第一显著性图像划分为J个子图， 然后得到每一像素灰度值k变换后的灰度数值F(k)， F(k) ＝(L‑1)×c(k),(k＝0,1,...,L‑1)， 并生成灰度变换查找 表； S033、 最后根据灰度变换查找表得到直方图均衡后的J个子图， 然后将所有子图进行叠 加， 即可得到等面积多直方图均衡算法增强后的第二显著性图像。 8.根据权利要求1所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法， 其 特征在于， 所述 步骤S04中， 超像素 再优化的过程包括 步骤： S041、 先对第二显著性图像进行超像素级表示； S042、 然后采用SLIC算法进行超像素分割， 划分为若干超像素 区域， 每个超像素 区域的 显著值为区域内所有像素显著值的平均值； S043、 第q个超像素区域， 设其显著值为Sc(q)， 运用下述算 法对其进一步处理， 处理后的 显著值为： 其中， j∈ Θ1表示与第q个超像素区域在1个距离内的邻近超像素的集合， 是基于第q 个超像素区域与1个距离内超像素j之间欧式距离的权值参数； m∈Θ2为与第q个超像素在2 个距离内的邻近超像素的集合， 是基于第q个超像素区域与2个距离内超像素m之间的欧 式距离的权值参数。 d(q)∈{0,1 }是一个二值量， 若超像素区域q与图像中的强边缘相接， 则 d(q)＝1， 若超像素区域q与图像中的强边 缘不直接相接， 则d(q)＝0 。权　利　要　求　书 2/2 页 3 CN 114299051 A 3