專利名稱：一種印刷圖像缺陷檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種印刷圖像缺陷檢測方法，特別是涉及一種在高速圖像處理情況條 件下，對印刷圖像中小尺寸強(qiáng)對比度缺陷和大面積弱對比度的褶皺、斑痕等缺陷的檢測方法。
背景技術(shù)：
目前，在印刷和造紙行業(yè)的機(jī)器視覺應(yīng)用中，對于印刷和紙張缺陷檢測的核心方 法主要是圖像模型對比。通過預(yù)先選取的特定訓(xùn)練集在不同的圖像特征域建立圖像模型， 讓當(dāng)前待檢測圖像與這些圖像模型進(jìn)行逐像素對比并判斷其對比差異值，最后根據(jù)統(tǒng)計(jì)差 異值的大小獲得檢測結(jié)果。但是由于光源衰減、鏡頭污染、建模時(shí)平場校正與檢測時(shí)平場校 正系數(shù)不一致、曝光參數(shù)不一致等客觀因素，經(jīng)常產(chǎn)生圖像模型均值漂移，結(jié)果無法對弱對 比度褶皺、斑痕進(jìn)行檢測，存在漏檢、誤檢及模板自適應(yīng)差等缺陷。實(shí)際工業(yè)生產(chǎn)在保證產(chǎn)品質(zhì)量的同時(shí)還要求高速判斷剔除廢品，因此找到一種不 依賴于基準(zhǔn)模板的高速、準(zhǔn)確的印刷圖像缺陷檢測方法是非常必要的。

發(fā)明內(nèi)容
本發(fā)明的目的就是針對現(xiàn)有技術(shù)的不足，提供一種不依賴于基準(zhǔn)模板、對實(shí)時(shí)成 像亮度變化不敏感的印刷圖像缺陷檢測方法，不僅解決了利用基準(zhǔn)模板對比檢測方法存在 的漏檢、誤檢以及模板自適應(yīng)差的缺點(diǎn)，而且能夠解決印刷和造紙行業(yè)剔除細(xì)微褶皺、斑痕 的難題。為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下本發(fā)明提出一種印刷圖像缺陷檢測方法，模仿人眼檢測的原則——整體差異和小 塊內(nèi)差異相結(jié)合的殘差檢測方法。所述印刷圖像缺陷檢測方法步驟如下(1)采集當(dāng)前待檢測大張圖像，對當(dāng)前待檢測大張圖像進(jìn)行兩級圖像搜索定位，搜 索到大張圖像上的特定圖像塊，建立Mask圖像(即屏蔽掉搜索到的特定圖像塊之外的其他 區(qū)域，也即Mask屏蔽區(qū)域圖像)，為后續(xù)計(jì)算提供屏蔽區(qū)域圖像比對模板。(2)針對第(1)步中搜索到的特定圖像塊(即未屏蔽區(qū)域)在灰度域和梯度域進(jìn) 行實(shí)時(shí)圖像模型學(xué)習(xí)，建立未屏蔽區(qū)域的灰度域圖像模型和梯度域圖像模型，將當(dāng)前待檢 測大張圖像與學(xué)習(xí)建立的灰度域圖像模型和梯度域圖像模型進(jìn)行對比，根據(jù)Blob聚類分 析，實(shí)現(xiàn)對大張圖像上小尺寸強(qiáng)對比度缺陷的檢測。(3)如果沒檢測出大張圖像上存在小尺寸強(qiáng)對比度缺陷，則根據(jù)預(yù)設(shè)值的分塊大 小，將大張圖像劃分成子區(qū)域，對每個(gè)子區(qū)域分別計(jì)算圖像綜合特征；采用可變閾值法，對 上述劃分成的每個(gè)子區(qū)域進(jìn)行閾值分割；對獲得的分割圖像進(jìn)行Blob聚類分析，提取特征 異常點(diǎn)的圖像特征和圖形特征(如異常區(qū)域邊界與面積的比值)，根據(jù)檢測規(guī)格要求，實(shí)現(xiàn) 大面積弱對比度缺陷檢測。所述分塊預(yù)設(shè)值的大小設(shè)定一是根據(jù)具體檢測目標(biāo)任務(wù)，二是 結(jié)合子區(qū)域所提取出的圖像綜合特征是否能反應(yīng)代表該區(qū)域特征來決定的。當(dāng)檢測目的是關(guān)于子區(qū)域的內(nèi)部性質(zhì)時(shí)，所述圖像綜合特征可以包括顏色、紋理、熵等特征量；如檢測一 大張印刷品是否有較大塊的局部偏色問題時(shí)，圖像綜合特征可用HIS、YUV等特征量來標(biāo)示 子區(qū)域特征(例如需要判斷出9X9個(gè)像素面積大小的區(qū)域是否有偏色問題，則分塊預(yù)設(shè)值 可設(shè)為9X9，并計(jì)算出該區(qū)域的HIS、YUV特征值)；如檢測一大張印刷品是否有較長的淺印 痕問題時(shí)，圖像綜合特征可用子區(qū)域內(nèi)的梯度平均值、灰度直方圖的統(tǒng)計(jì)矩。所述可變閾值 法是經(jīng)過計(jì)算子區(qū)域的圖像綜合特征后，根據(jù)檢測問題的概率分布，選取閾值能反應(yīng)出檢 測目標(biāo)。如果檢測出大張圖像上存在小尺寸強(qiáng)對比度缺陷，則檢測終止。對檢測出存在缺陷的大張圖像進(jìn)行剔除處理。本發(fā)明沒有事先通過學(xué)習(xí)一系列的對象來建立一個(gè)模板，如果那樣做，當(dāng)成像有 所變化，勢必需要重新建立一個(gè)新的模板，因此本發(fā)明采用根據(jù)當(dāng)前待檢測大張圖像實(shí)時(shí) 建立一個(gè)模板先用兩級圖像搜索定位屏蔽一些不需檢測或圖像特征有較大變化的區(qū)域， 對未屏蔽區(qū)域(搜索到的特定圖像塊)，用當(dāng)前圖像的整體統(tǒng)計(jì)量(如灰度、梯度)建立一 個(gè)模板。上述第(2)和(3)步驟包括兩次Blob聚類分析，但二者預(yù)處理方式、檢測參數(shù)設(shè) 置、檢測目的均不同。第(2)步驟中的Blob聚類分析是針對小尺寸強(qiáng)對比度缺陷；第(3) 步驟中的Blob聚類分析是針對大面積弱對比度缺陷，主要防止第(2)步驟漏檢弱對比度缺 陷，因?yàn)閷?shí)時(shí)圖像模型跟基準(zhǔn)模板一樣都會有一個(gè)上下偏移范圍，但是大面積弱對比度缺 陷我們?nèi)搜垴R上可以感覺是錯(cuò)誤對象。這種檢測方法能較好地符合人眼檢測的原理。由于輸紙的機(jī)械傳動部分存在偏差，使得紙張圖像存在空間位置偏移，同時(shí)由于 印刷圖像上特定目標(biāo)對象(如水印)會存在工藝波動，因此在進(jìn)行圖像檢測前，必須進(jìn)行大 張圖像和特定區(qū)域的兩級圖像搜索定位。所述兩級圖像搜索定位，具體步驟如下選取特定 圖像塊(由圖像處理工程師根據(jù)實(shí)際待處理圖像特征，選擇具有鮮明特征的圖像區(qū)域，如 水印等防偽圖案，該圖像區(qū)域一般按一定規(guī)律在大張圖像中反復(fù)出現(xiàn))作為搜索定位模板 圖T，然后將該模板圖T疊放在當(dāng)前待檢測大張圖像S上，并通過平移實(shí)現(xiàn)搜索定位，搜索到 大張圖像上與該模板圖T 一致的特定圖像塊；模板圖T覆蓋下的搜索圖(特定圖像塊)叫 做子圖SU，其中i、j為該子圖左上角像素點(diǎn)在大張圖像S中的坐標(biāo)，叫做參考點(diǎn)。搜索定 位的核心是相似性度量準(zhǔn)則的定義，相似性度量準(zhǔn)則有多種，根據(jù)不同的相似性度量準(zhǔn)則 有不同的搜索定位方法，具體可采用相關(guān)函數(shù)法或基于核的直方圖統(tǒng)計(jì)法。所述學(xué)習(xí)建立的灰度域圖像模型是灰度域的逐像素高、低圖像模型，包括高灰度 值圖像模型和低灰度值圖像模型。所述當(dāng)前待檢測大張圖像與學(xué)習(xí)建立的灰度域圖像模型 進(jìn)行對比，根據(jù)Blob聚類分析，實(shí)現(xiàn)對大張圖像上小尺寸強(qiáng)對比度缺陷的檢測，具體步驟 如下將當(dāng)前待檢測大張圖像與高灰度值圖像模型進(jìn)行逐像素對比，得到對比結(jié)果圖(；；將 當(dāng)前待檢測大張圖像與低灰度值圖像模型進(jìn)行逐像素對比，得到對比結(jié)果圖Q ；分別對對 比結(jié)果圖Ch和(^進(jìn)行二值化處理(可采用多種圖像二值化方法)，形成Blob聚類；根據(jù)不 同檢測區(qū)域和不同檢測精度，設(shè)定高灰度值對比檢測閾值Th和低灰度值對比檢測閾值； 根據(jù)檢測閾值比較各個(gè)Blob聚類的大小，判斷大張圖像上是否存在小尺寸強(qiáng)對比度缺陷。所述當(dāng)前待檢測大張圖像與學(xué)習(xí)建立的梯度域圖像模型進(jìn)行對比，根據(jù)Blob聚 類分析，實(shí)現(xiàn)對大張圖像上小尺寸強(qiáng)對比度缺陷的檢測，具體步驟如下選擇梯度算子，對 當(dāng)前待檢測大張圖像進(jìn)行梯度計(jì)算，并進(jìn)一步消除噪聲梯度和偽梯度干擾，形成梯度圖G ；將梯度圖G和學(xué)習(xí)建立的梯度域圖像模型Gm進(jìn)行對比，得到對比結(jié)果圖Cg ；對對比結(jié)果圖 Cg進(jìn)行二值化處理，形成Blob聚類；根據(jù)不同檢測區(qū)域和不同檢測精度，設(shè)定梯度對比檢 測閾值Tg ；根據(jù)檢測閾值比較各個(gè)Blob聚類的大小，判斷大張圖像上是否存在小尺寸強(qiáng)對 比度缺陷。所述Blob聚類分析可分為圖像特征分析和圖形特征分析。圖像特征分析主要指 Blob的強(qiáng)度和能量，主要通過Blob圖像區(qū)域的灰度或灰度殘差進(jìn)行計(jì)算；圖形特征分析指 通過二值化處理將圖像信息轉(zhuǎn)化為圖案的形狀信息，比如圖形質(zhì)心、圖形面積、圖形周長、 圖形外接最小矩形以及其他圖形信息，從而可根據(jù)圖形特征不同將真實(shí)缺陷與虛假缺陷區(qū) 分出來，典型的Blob圖形特征有Blob面積與外接矩形面積的比、Blob延伸率、最小外接橢 圓的長軸角度等。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是不依賴于基準(zhǔn)模板、對實(shí)時(shí)成像亮度變化 不敏感，檢測結(jié)果高速、準(zhǔn)確，能夠解決利用基準(zhǔn)模板對比檢測方法存在的漏檢、誤檢以及 模板自適應(yīng)差的缺點(diǎn)，同時(shí)能夠解決印刷和造紙行業(yè)剔除細(xì)微褶皺、斑痕的難題。


圖1是印刷圖像缺陷檢測方法流程示意圖。
具體實(shí)施例方式下面結(jié)合附圖，對本發(fā)明的優(yōu)選實(shí)施例作進(jìn)一步的描述。在一條包裝紙的印刷生產(chǎn)線上，需要對印刷圖像是否存在缺陷進(jìn)行檢測。采用本 發(fā)明的印刷圖像缺陷檢測方法，如圖1所示，具體步驟如下首先，采集當(dāng)前待檢測大張圖像，對當(dāng)前待檢測大張圖像進(jìn)行兩級圖像搜索定位， 選取水印防偽圖案作為搜索定位模板圖，然后將該模板圖疊放在當(dāng)前待檢測大張圖像上， 并通過平移實(shí)現(xiàn)搜索定位，搜索到大張圖像上與該模板圖一致的特定圖像塊，屏蔽掉特定 圖像塊之外的其他區(qū)域，建立Mask圖像。第二步，針對第一步中搜索到的特定圖像塊在灰度域和梯度域進(jìn)行實(shí)時(shí)圖像模型 學(xué)習(xí)，建立灰度域圖像模型和梯度域圖像模型，將當(dāng)前待檢測大張圖像與學(xué)習(xí)建立的灰度 域圖像模型和梯度域圖像模型進(jìn)行對比，根據(jù)Blob聚類分析，實(shí)現(xiàn)對大張圖像上小尺寸強(qiáng) 對比度缺陷的檢測。所述學(xué)習(xí)建立的灰度域圖像模型包括高灰度值圖像模型和低灰度值圖像模型；將 當(dāng)前待檢測大張圖像與高灰度值圖像模型進(jìn)行逐像素對比，得到對比結(jié)果圖Ch ；將當(dāng)前待 檢測大張圖像與低灰度值圖像模型進(jìn)行逐像素對比，得到對比結(jié)果圖Ci。采用0TSU方法分 別對對比結(jié)果圖Ch和Q進(jìn)行二值化處理，形成Blob聚類。根據(jù)不同檢測區(qū)域和不同檢測 精度，設(shè)定不同的檢測閾值靠近水印1厘米的特定區(qū)域要求精度高，根據(jù)實(shí)際成像分辨率 計(jì)算對應(yīng)缺陷最小面積像素值，設(shè)定該區(qū)域的高灰度值對比檢測閾值為Th個(gè)像素、低灰度 值對比檢測閾值為個(gè)像素；而其他區(qū)域要求精度低，設(shè)定其他區(qū)域高灰度值對比檢測閾 值為Th’個(gè)像素、低灰度值對比檢測閾值為！\’個(gè)像素。當(dāng)對比結(jié)果圖Ch和Q 二值化處理 后形成的任一 Blob聚類面積大于設(shè)定的對應(yīng)檢測閾值時(shí)，就認(rèn)為存在缺陷。選擇Sobel梯度算子，對當(dāng)前待檢測大張圖像進(jìn)行梯度計(jì)算，并進(jìn)一步消除噪聲梯度和偽梯度干擾，形成梯度圖G ；將梯度圖G和學(xué)習(xí)建立的梯度域圖像模型Gm進(jìn)行對比， 得到對比結(jié)果圖Cg。采用0TSU方法對對比結(jié)果圖(8進(jìn)行二值化處理，形成Blob聚類。根 據(jù)不同檢測區(qū)域和不同檢測精度，設(shè)定不同區(qū)域的梯度對比檢測閾值靠近水印1厘米的 特定區(qū)域要求精度高，根據(jù)實(shí)際成像分辨率計(jì)算對應(yīng)缺陷最小面積像素值，設(shè)定該區(qū)域的 梯度對比檢測閾值為Tg個(gè)像素；而其他區(qū)域要求精度低，設(shè)定該區(qū)域的梯度對比檢測閾值 為Tg’個(gè)像素。當(dāng)對比結(jié)果圖Cg 二值化處理后形成的Blob聚類面積大于設(shè)定的對應(yīng)檢測 閾值時(shí)，就認(rèn)為存在缺陷。上述3幅對比結(jié)果圖ch、cjn cg針對解決問題不同和標(biāo)準(zhǔn)合格產(chǎn)品相比較，ch反 映的是偏亮殘點(diǎn)的區(qū)域分布圖，Ci反映的是偏暗殘點(diǎn)的區(qū)域分布圖，cg反映的是亮暗變化 異常區(qū)域分布圖；這3幅對比結(jié)果圖進(jìn)行二值化處理后，只要其中形成的任一 Blob聚類面 積大于設(shè)定的對應(yīng)檢測閾值就可判定當(dāng)前待檢測大張圖像存在小尺寸強(qiáng)對比度缺陷。第三步，若第二步?jīng)]有檢測出大張圖像上存在小尺寸強(qiáng)對比度缺陷，接下來需要 檢測是否存在9個(gè)像素長度的淺印痕問題。根據(jù)具體檢測目標(biāo)任務(wù)，采用32X32像素面 積大小的區(qū)域作為分塊大小(取灰度方差值為峰值時(shí)的區(qū)域大小為分塊預(yù)設(shè)值大小)，將 大張圖像劃分成子區(qū)域，對每個(gè)子區(qū)域分別計(jì)算灰度方差值作為圖像綜合特征。采用正態(tài) 分布從所有子區(qū)域的灰度方差值中，得到分割閾值對上述劃分成的每個(gè)子區(qū)域進(jìn)行閾值分 割；當(dāng)子區(qū)域的灰度方差值大于該閾值則屬異常子區(qū)域，則將該子區(qū)域設(shè)為255，而灰度方 差值小于等于該閾值的子區(qū)域設(shè)為0。對獲得的分割圖像進(jìn)行Blob聚類分析，提取設(shè)為255 的子區(qū)域組成的Blob的圖像特征和圖形特征；因?yàn)樾枰獧z測是否存在9個(gè)像素長度的淺印 痕問題，因此當(dāng)Blob的長度大于9個(gè)像素，則判定為存在9個(gè)像素長度的淺印痕缺陷。若第二步檢測出了大張圖像上存在小尺寸強(qiáng)對比度缺陷，則檢測終止，不再需要 進(jìn)行大面積弱對比度缺陷檢測。
權(quán)利要求
一種印刷圖像缺陷檢測方法，其特征在于所述印刷圖像缺陷檢測方法步驟如下(1)采集當(dāng)前待檢測大張圖像，對當(dāng)前待檢測大張圖像進(jìn)行兩級圖像搜索定位，搜索到大張圖像上的特定圖像塊，建立Mask圖像；(2)針對第(1)步中搜索到的特定圖像塊在灰度域和梯度域進(jìn)行實(shí)時(shí)圖像模型學(xué)習(xí)，建立灰度域圖像模型和梯度域圖像模型，將當(dāng)前待檢測大張圖像與學(xué)習(xí)建立的灰度域圖像模型和梯度域圖像模型進(jìn)行對比，根據(jù)Blob聚類分析，實(shí)現(xiàn)對大張圖像上小尺寸強(qiáng)對比度缺陷的檢測；(3)如果沒檢測出大張圖像上存在小尺寸強(qiáng)對比度缺陷，則根據(jù)預(yù)設(shè)值的分塊大小，將大張圖像劃分成子區(qū)域，對每個(gè)子區(qū)域分別計(jì)算圖像綜合特征；采用可變閾值法，對上述劃分成的每個(gè)子區(qū)域進(jìn)行閾值分割；對獲得的分割圖像進(jìn)行Blob聚類分析，提取特征異常點(diǎn)的圖像特征和圖形特征，根據(jù)檢測規(guī)格要求，實(shí)現(xiàn)大面積弱對比度缺陷檢測；如果檢測出大張圖像上存在小尺寸強(qiáng)對比度缺陷，則檢測終止。
2.根據(jù)權(quán)利要求1所述的印刷圖像缺陷檢測方法，其特征在于所述兩級圖像搜索定 位，具體步驟如下選取特定圖像塊作為搜索定位模板圖，然后將該模板圖疊放在當(dāng)前待檢 測大張圖像上，并通過平移實(shí)現(xiàn)搜索定位，搜索到大張圖像上與該模板圖一致的特定圖像 塊。
3.根據(jù)權(quán)利要求1或2所述的印刷圖像缺陷檢測方法，其特征在于所述學(xué)習(xí)建立的 灰度域圖像模型包括高灰度值圖像模型和低灰度值圖像模型；所述當(dāng)前待檢測大張圖像與 學(xué)習(xí)建立的灰度域圖像模型進(jìn)行對比，根據(jù)Blob聚類分析，實(shí)現(xiàn)對大張圖像上小尺寸強(qiáng)對 比度缺陷的檢測，具體步驟如下將當(dāng)前待檢測大張圖像與高灰度值圖像模型進(jìn)行逐像素 對比，得到對比結(jié)果圖Ch ；將當(dāng)前待檢測大張圖像與低灰度值圖像模型進(jìn)行逐像素對比，得 到對比結(jié)果圖Q ；分別對對比結(jié)果圖Ch和Q進(jìn)行二值化處理，形成Blob聚類；根據(jù)不同 檢測區(qū)域和不同檢測精度，設(shè)定高灰度值對比檢測閾值Th和低灰度值對比檢測閾值T1;根 據(jù)檢測閾值比較Blob聚類的大小，判斷大張圖像上是否存在小尺寸強(qiáng)對比度缺陷。
4.根據(jù)權(quán)利要求1或2所述的印刷圖像缺陷檢測方法，其特征在于所述當(dāng)前待檢測 大張圖像與學(xué)習(xí)建立的梯度域圖像模型進(jìn)行對比，根據(jù)Blob聚類分析，實(shí)現(xiàn)對大張圖像上 小尺寸強(qiáng)對比度缺陷的檢測，具體步驟如下選擇梯度算子，對當(dāng)前待檢測大張圖像進(jìn)行 梯度計(jì)算，并進(jìn)一步消除噪聲梯度和偽梯度干擾，形成梯度圖G ；將梯度圖G和學(xué)習(xí)建立的 梯度域圖像模型Gm進(jìn)行對比，得到對比結(jié)果圖Cg ；對對比結(jié)果圖(8進(jìn)行二值化處理，形成 Blob聚類；根據(jù)不同檢測區(qū)域和不同檢測精度，設(shè)定梯度對比檢測閾值Tg ；根據(jù)檢測閾值 比較Blob聚類的大小，判斷大張圖像上是否存在小尺寸強(qiáng)對比度缺陷。
全文摘要
本發(fā)明公開了一種印刷圖像缺陷檢測方法。該方法針對大張圖像上的特定圖像塊在灰度域和梯度域進(jìn)行實(shí)時(shí)圖像模型學(xué)習(xí)，將待檢測大張圖像與學(xué)習(xí)建立的灰度域圖像模型和梯度域圖像模型進(jìn)行對比，根據(jù)Blob聚類分析實(shí)現(xiàn)小尺寸強(qiáng)對比度缺陷的檢測；如果沒檢測出小尺寸強(qiáng)對比度缺陷，則將大張圖像劃分成子區(qū)域并分別計(jì)算圖像綜合特征，采用可變閾值法對每個(gè)子區(qū)域進(jìn)行閾值分割，對分割圖像進(jìn)行Blob聚類分析，實(shí)現(xiàn)大面積弱對比度缺陷檢測。與現(xiàn)有技術(shù)相比，本發(fā)明不依賴于基準(zhǔn)模板、對實(shí)時(shí)成像亮度變化不敏感，能夠解決利用基準(zhǔn)模板對比檢測方法存在的漏檢、誤檢以及模板自適應(yīng)差的缺點(diǎn)，同時(shí)能夠解決印刷和造紙行業(yè)剔除細(xì)微褶皺、斑痕的難題。
文檔編號G06T7/00GK101799434SQ20101012514
公開日2010年8月11日 申請日期2010年3月15日 優(yōu)先權(quán)日2010年3月15日
發(fā)明者于勇, 廖世鵬, 張紹兵, 成苗, 王竟爽 申請人:深圳市中鈔科信金融科技有限公司;中科院成都信息技術(shù)有限公司