【技术实现步骤摘要】
本专利技术属于图像处理领域，具体涉及一种基于纹理检测技术融合的纹理方向检测方法。
技术介绍
1、随着精密制造和微纳技术的快速发展，对产品表面微观纹理结构及其方向性的精确检测已成为关键的质量控制环节之一。传统单一的检测方法在处理复杂、非均匀或微细纹理时往往受限于准确性和鲁棒性，导致难以满足现代工业生产和科研领域对精细化检测的需求。因此，迫切需要研发一种高效、准确且适应广泛表面纹理类型的检测方法。特别是在航空航天、半导体制造、生物医学工程等领域中精密部件表面纹理方向性精确测量的切实需求。这些领域的产品表面往往包含具有特定方向性的纹理，它们影响着部件的功能性、耐久性和整体性能。例如，金属疲劳裂纹的走向、光学元件表面微结构的取向、生物组织的纤维排布等，都需要高精度的纹理方向检测技术来支持。
2、灰度分析是图像处理的基础技术之一，主要用于处理黑白或灰度图像。它关注的是图像每个像素的灰度值，而不是颜色信息。灰度分析的优势在于能够简化图像数据，并凸显图像的亮度层次和对比度特性。将彩色图像转化为灰度图像，降低了数据处理的维度，使算法计算效率更高。有利于提取图像的结构信息和纹理特征，对于光照变化不敏感的场景特别有效。为后续的图像处理操作如阈值分割、边缘检测、直方图分析等提供基础。
3、霍夫变换是一种广泛应用于图像处理和计算机视觉中的特征检测技术，尤其擅长于识别图像中的几何形状，如直线、圆或其他参数化的曲线。它的基本思想是将图像空间中的点转换到参数空间，例如直线的霍夫空间是斜率-截距空间，通过累积投票机制寻找参数空间中的峰值
4、在图像处理领域，光谱分析通常指的是频域分析，涉及傅里叶变换或其他频域变换技术。它将图像从空间域转换到频率域，以便观察和分析图像的频率组成。能够揭示图像的周期性结构和纹理特征，如纹理方向、周期性线条等。在频域内进行低通、高通、带通滤波等操作，可以有效地去除噪声或保留特定频率成分。利用频域特性进行图像压缩，能够实现较高的压缩比而不失真重要细节。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种基于纹理检测技术融合的纹理方向检测方法解决了现有的纹理方向检测技术可能对复杂纹理、微弱边缘或噪声敏感，导致检测结果不稳定或不准确的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于纹理检测技术融合的纹理方向检测方法，包括以下步骤：
3、s1、对彩色图像进行图像转换和去噪处理，生成灰度图像；
4、s2、统计灰度图像中不同灰度级别的像素数量，得到灰度分布图，根据灰度分布图得到第一纹理方向；
5、s3、提取灰度图像中的边缘信息，得到梯度幅值图，根据梯度幅值图生成清晰的边缘图像；
6、s4、根据霍夫变换提取边缘图像的第二纹理方向；
7、s5、对彩色图像进行光谱分析，得到图像的频谱表示，计算频谱的幅度谱得到第三纹理方向；
8、s6、将第一纹理方向、第二纹理方向和第三纹理方向进行融合，得到最终的纹理方向。
9、进一步地：所述s1包括以下分步骤：
10、s11、对彩色图像进行图像转换，生成转换后图像；
11、s12、通过高斯滤波对转换后图像进行去噪，生成灰度图像。
12、进一步地：所述s11中，转换后图像的灰度值gray的表达式具体为：
13、gray＝0.299*r+0.587*g+0.114*b
14、式中，r、g和b分别为原彩色像素的红、绿和蓝分量值；
15、所述s12中，高斯滤波的高斯核函数h的表达式具体为：
16、
17、式中，x1为滤波器窗口内的横坐标，y1为滤波器窗口内的纵坐标，δ为高斯函数的标准差。
18、进一步地：所述s2包括以下分步骤：
19、s21、设置若干灰度分布计算搜索线，根据每条灰度分布计算搜索线统计灰度图像中不同灰度级别的像素数量，得到每条灰度分布计算搜索线对应的灰度分布图；
20、s22、对所有的灰度分布图进行平滑处理，获取每条灰度分布图的第一个上升边和最后一个下降边，将其作为基本纹理区域边界的两条边；
21、s23、将基本纹理区域边界的每条边视为一个直线度，计算出直线度方向得到基本纹理区域的边界方向，并将其作为第一纹理方向。
22、进一步地：所述s21中，根据任一灰度分布计算搜索线统计灰度图像中不同灰度级别的像素数量的方法为：
23、沿着任一灰度分布计算搜索线计算灰度图像中的灰度分布，其中，该灰度分布计算搜索线的横坐标和纵坐标分别为该灰度分布计算搜索线上每个像素点对应的灰度图像的坐标和灰度。
24、进一步地：所述s3包括以下分步骤：
25、s31、通过sobel算子计算灰度图像的梯度幅值和梯度方向，生成梯度幅值图；
26、s32、搜索梯度幅值图上沿梯度方向为局部最大值的像素点，将其作为边缘候选点；
27、s33、设置高阈值和低阈值，将梯度幅值大于高阈值的边缘候选点作为强边缘像素点，将梯度幅值在高阈值与低阈值之间的边缘候选点作为弱边缘像素候选点；
28、s34、将连接在已经标记为边缘的像素链上的弱边缘像素候选点作为弱边缘像素点，根据连续的强边缘像素点和弱边缘像素点生成边缘图像。
29、进一步地：所述s31中，计算梯度幅值gradientmagnitude(g)和梯度方向gradientdirection(θ2)的表达式具体为：
30、
31、式中，lx和ly为梯度矢量，其表达式具体为：
32、ix＝gx*image
33、iy＝gy*image
34、式中，*为卷积运算，gx为sobel算子在横坐标轴方向的模板，gx为sobel算子在纵坐标轴方向的模板，image为灰度图像。
35、进一步地：所述s4包括以下分步骤：
36、s41、对边缘图像中每个像素点进行霍夫变换，计算在霍夫空间中表示的像素点坐标(ρ,θ)，其表达式具体为：
37、ρ＝x2*sinθ+y2*cosθ
38、式中，x2为边缘图像中像素点的横坐标，y2为边缘图像中像素点的纵坐标，ρ和θ为边缘图像中直线参数的极坐标参数；
39、s42、计算在霍夫空间中表示的像素点坐标(ρi,θj)直线段发生的概率，以概率最高的表示的像素点坐标(ρmi,θmj)直线段作为纹理方向检测的参考线，将θmj作为第二纹理方向。
40、进一步地：所述s5包括以下分步骤：
41、s51、对彩本文档来自技高网...
【技术保护点】
1.一种基于纹理检测技术融合的纹理方向检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述S1包括以下分步骤：
3.根据权利要求2所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述S11中，转换后图像的灰度值Gray的表达式具体为：
4.根据权利要求1所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述S2包括以下分步骤：
5.根据权利要求4所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述S21中，根据任一灰度分布计算搜索线统计灰度图像中不同灰度级别的像素数量的方法为：
6.根据权利要求1所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述S3包括以下分步骤：
7.根据权利要求6所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述S31中，计算梯度幅值GradientMagnitude(G)和梯度方向GradientDirection(θ2)的表达式具体为：
8.根据权利要求1
9.根据权利要求1所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述S5包括以下分步骤：
10.根据权利要求1所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述S6中，得到最终的纹理方向的表达式具体为：
...【技术特征摘要】
1.一种基于纹理检测技术融合的纹理方向检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述s1包括以下分步骤：
3.根据权利要求2所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述s11中，转换后图像的灰度值gray的表达式具体为：
4.根据权利要求1所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述s2包括以下分步骤：
5.根据权利要求4所述的基于纹理检测技术融合的纹理方向检测方法，其特征在于，所述s21中，根据任一灰度分布计算搜索线统计灰度图像中不同灰度级别的像素数量的方法为：
6.根据权利要求1所述的基...
【专利技术属性】
技术研发人员：黄丹，张宇，及宇轩，王竣，丁桥隆，陈虹良，曹明生，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。