计算机工程

作者：董良振, 田建艳, 杨胜强, 陈海滨

单位：1. 太原理工大学电气与动力工程学院, 山西 太原 030024;2. 太原理工大学机械与运载工程学院, 山西 太原 030024;3. 廊坊市北方天宇机电科技有限公司, 河北 廊坊 065000

关键词：表面粗糙度,图像增强,Retinex理论,光照校正,图像融合

基金：山西省重点研发计划项目(201903D121057)。

在低照度条件下采集的机械加工零件表面图像质量较低,严重影响后续与粗糙度相关的特征提取效果。为此,提出一种基于光照校正和图像融合的低照度图像增强算法。首先对引导滤波算法进行改进,使其能根据图像的纹理情况自适应地调整滤波参数,在平滑纹理的同时保持整体结构,得到更优质的照度图;然后对原始图像进行反相增强,抑制图像中的高亮条纹与光斑,通过图像融合来综合原图和正、反相增强图像的优质像素;接着利用限制对比度的自适应直方图均衡化(CLAHE)算法进一步提高融合图像的对比度;最后将增强图像用于2种不同的零件表面粗糙度检测模型。在钛、钢、镁3种材质的零件表面低照度图像数据集上进行实验,结果表明,该算法有效增强了低照度零件表面图像的质量,增强图像的标准差、平均梯度和信息熵均高于对比算法。与图像增强前相比,基于灰度共生矩阵特征提取的支持向量回归(GLCM-SVR)和基于卷积回归神经网络(RCNN)的粗糙度检测模型的均方根误差分别降低了0.140和0.202 μm,平均绝对误差分别降低了0.116和0.146 μm,表明图像增强能有效提升低照度条件下基于视觉的粗糙度检测方法的精度。

来源：2024年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第6期