缺陷图像匹配的问题_LBP

最新推荐文章于 2024-01-12 10:16:29 发布

原创

最新推荐文章于 2024-01-12 10:16:29 发布 · 1.6k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

本文探讨了在图像处理领域，如何利用局部二值模式（LBP）特征和结构相似度指数（SSIM）来应对光照变化和噪声对图像检测的影响。LBP能够抵抗光照变化，而SSIM则用于衡量图像的结构相似度，从而在有缺陷图像的检测中提供帮助。代码示例展示了LBP的实现及SSIM的计算过程，对于图像匹配和质量评估具有指导意义。

正常图像

有缺陷图像

目的是区分判断出有缺陷的图像。但是，本项目有一些比较困难的点，例如（1），光照或噪声会有变化；（2），有时关键区域位置上会有小的变化

LBP是一种可以解决光照变化和旋转变化的特征向量，是否要用LBP进行特征提取？以下是LBP特征提取的代码：

在图像匹配方面，因为主要观测图像结构的差异，如果是噪声或光照的变化需要忽略，所以我们用到了SSIM来计算图像直接的相似度。

# 以下不再重复这个部分
import cv2
import numpy as np

def origin_LBP(img):
    dst = np.zeros(img.shape,dtype=img.dtype)
    h,w=img.shape
    start_index=1
    for i in range(start_index,h-1):
        for j in range(start_index,w-1):
            center = img[i][j]
            code = 0
#             顺时针，左上角开始的8个像素点与中心点比较，大于等于的为1，小于的为0，最后组成8位2进制
            code |= (img[i-1][j-1] >= center) << (np.uint8)(7)
            code |= (img[i-1][j  ] >= center) << (np.uint8)(6)
            code |= (img[i-1][j+1] >= center) << (np.uint8)(5)
            code |= (img[i  ][j+1] >= center) << (np.uint8)(4)
            code |= (img[i+1][j+1] >= center) << (np.uint8)(3)
            code |= (img[i+1][j  ] >= center) << (np.uint8)(2)
            code |= (img[i+1][j-1] >= center) << (np.uint8)(1)
            code |= (img[i  ][j-1] >= center) << (np.uint8)(0)
            dst[i-start_index][j-start_index]= code
    return dst


def circular_L

最低0.47元/天解锁文章