1.一种基于机器视觉的彩色印刷品色差缺陷检测方法,其特征在于,包括以下步骤:
S1、采集彩色印刷品的RGB图像,依次进行图像预处理与多尺度分解,得到3个不同尺度的图像;将各尺度RGB图像分别转化到Lab色彩空间,得到对应尺度的Lab空间图像,提取每个尺度下Lab空间中a通道、b通道的颜色分布特征与L通道的亮度分布特征;
S2、对每个尺度的Lab空间图像,基于a通道、b通道的颜色欧氏距离构建相似度矩阵,选择颜色分布特征中的峰值点集作为初始聚类中心,对像素点进行聚类得到粗聚类簇,计算每个粗聚类簇的颜色均匀性指标;
S3、对颜色均匀性指标低于均匀性阈值的粗聚类簇,结合像素点的空间位置距离与Lab颜色距离构建双维度距离函数,重新确定聚类中心并迭代聚类,得到细聚类簇;
S4、计算每个尺度下聚类簇的分割质量,综合分割质量为多尺度特征融合值,即联合离散度特征与色差梯度变化率特征的加权和,通过熵权法确定两特征值的融合权重,融合所有尺度的聚类结果得到对应的综合分割质量;
S5、计算彩色印刷品的色差质量综合评分,所述综合评分由区域权重评分与多尺度一致性评分加权得到,当综合评分低于质量评分阈值,判定存在色差缺陷;
步骤S4中计算每个尺度下聚类簇的分割质量为在单个尺度内,对每个聚类簇单独计算其单尺度分割质量,针对该尺度下的第m个聚类簇,先分别计算其联合离散度特征与色差梯度变化率特征;随后,基于当前尺度下所有聚类簇的两类特征,通过熵权法计算出这两个特征对应的全局权重;再将该聚类簇的两类特征值分别与对应权重相乘,求和得到该尺度下第m个聚类簇的单尺度分割质量,同一尺度下的所有聚类簇,均需按此方式单独计算,最终得到该尺度内每个聚类簇对应的单尺度分割质量,对每个簇按照权重进行加权求得到单尺度分割质量;
步骤S4中综合分割质量为将同一物理区域在各尺度下对应的单尺度分割质量,分别乘以对应尺度的权重,再对加权后的值求和平均,最终得到该物理区域的综合分割质量;
所述步骤S5中综合评分由区域权重评分与多尺度一致性评分加权得到的具体实现为:
S51、计算区域权重评分:,其中,为区域权重评分,为第m个聚类簇的区域权重,为第m个聚类簇的综合分割质量,分别为第m个聚类簇的L通道,a通道和b通道均值,M为聚类簇总数;
S52、计算多尺度一致性评分:,其中K为分解的尺度数,为第m个聚类簇在第k尺度下的分割质量;
S53、将区域权重评分和多尺度一致性评分进行加权求和得到综合评分。
2.根据权利要求1所述的一种基于机器视觉的彩色印刷品色差缺陷检测方法,其特征在于,所述步骤S1中依次进行图像预处理的具体实现为:S111、进行噪声抑制,计算采集的RGB图像各通道像素灰度均值与标准差,设定三级噪声判定阈值:,,,其中分别为三个判定阈值,分别为灰度均值与标准差,将各通道像素划分为低灰度区、中灰度区、高灰度区;对低、高灰度区采用以像素灰度差值为权重的3×3窗口加权中值滤波,对中灰度区采用基于窗口像素标准差动态调整方差的自适应高斯滤波;
S112、将噪声抑制后的RGB图像划分为多个不重叠子区域,计算各子区域初步亮度均值,选取亮度均值中位数作为标准亮度基准,计算各子区域亮度偏差值;基于像素与区域中心的归一化距离d构建梯度补偿函数,将补偿后亮度反向映射至RGB空间;
S113、计算RGB图像各像素的颜色饱和度:,对饱和度小于设定饱和度阈值的像素执行饱和度增强:,其中,为设定的饱和度阈值,保持亮度不变并反向映射到RGB空间得到预处理后的图像。
3.根据权利要求1所述的一种基于机器视觉的彩色印刷品色差缺陷检测方法,其特征在于,所述步骤S1中进行多尺度分解,得到3个不同尺度的图像的具体实现为:S121、以预处理后图像为输入作为,构建改进的高斯金字塔作为拉普拉斯金字塔分解的基础,针对印刷品墨点纹理方向的各向异性特性,对第层高斯图像,=0,1,构建5×5的自适应权重高斯核,核权重系数,其中,为核中心权重基准值,为第层的方差,由的纹理方向熵计算得到:,为纹理方向熵,取值范围为[0,1],为纹理方向权重因子,为像素行列坐标;采用该自适应高斯核对进行滤波,得到滤波图像;
S122、对滤波图像提取边缘梯度图,计算每个2×2像素块的梯度均值;设定印刷品边缘梯度阈值,对的像素块采用梯度加权降采样,权重系数,降采样值为2×2像素的加权均值;对的像素块采用均值降采样,通过非均匀降采样得到下一层高斯图像;
S123、基于改进的高斯金字塔构建颜色补偿型拉普拉斯金字塔,对第+1层高斯图像进行二倍升采样,采用双线性插值得到初始升采样图像,计算与的RGB通道像素值归一化至[0,1]区间,计算对应像素的RGB空间色差,其中,为归一化后两图像对应通道的像素差值;
S124、构建补偿因子,其中,为RGB空间下的印刷品色差阈值,将补偿因子作用于的RGB通道,各通道像素值乘以得到补偿升采样图像;
S125、计算滤波图像与补偿升采样图像的残差图像,则三个不同尺度的图像为,,。
4.根据权利要求1所述的一种基于机器视觉的彩色印刷品色差缺陷检测方法,其特征在于,所述步骤S2中对像素点进行聚类得到粗聚类簇之前还需要计算Lab空间图像中每个像素点的纹理响应值,通过纹理响应阈值筛选出非纹理像素点,仅对非纹理像素点进行后续聚类分析;所述纹理响应值满足:,其中,为第i个像素点的纹理响应值,分别为第i个像素点的a通道,b通道,L通道值,分别为第i个像素点八邻域内第j个像素点的对应通道值。
5.根据权利要求1所述的一种基于机器视觉的彩色印刷品色差缺陷检测方法,其特征在于,所述步骤S2中构建相似度矩阵的构建的具体实现为:对于每个像素点,提取其在当前尺度Lab空间图像中的a通道值、b通道值,对于任意两个像素点,计算其a、b通道的欧氏距离表征颜色差异程度,然后将差异程度转化为相似度,其中为当前尺度下所有像素点对的欧氏距离最大值,然后以像素点编号为行、列索引构建相似度矩阵。
6.根据权利要求1所述的一种基于机器视觉的彩色印刷品色差缺陷检测方法,其特征在于,所述步骤S2中颜色均匀性指标满足:,其中,为第q个粗聚类簇的颜色均匀性指标,分别为该粗聚类簇a通道、b通道的标准差,分别为该粗聚类簇a通道、b通道的均值,为避免分母为零的极小值。
7.根据权利要求1所述的一种基于机器视觉的彩色印刷品色差缺陷检测方法,其特征在于,所述步骤S3对颜色均匀性指标低于均匀性阈值的粗聚类簇,结合像素点的空间位置距离与Lab颜色距离构建双维度距离函数,重新确定聚类中心并迭代聚类,得到细聚类簇的具体实现为:S31、提取所述颜色均匀性指标低于均匀性阈值的粗聚类簇内所有像素点的特征信息,包括每个像素点的Lab颜色值和空间坐标;
S32、针对该粗聚类簇内任意两个像素点,构建融合Lab颜色距离与空间位置距离的双维度距离函数,所述双维度距离函数满足:,其中,为像素点i与像素点j的双维度距离,为距离权重系数,为当前尺度下Lab空间图像的对角线长度;
S33、计算该粗聚类簇内所有像素点的Lab颜色均值和空间坐标均值,以均值为基准筛选出与该基准的双维度距离最小的3个像素点作为细聚类的初始聚类中心;
S34、迭代聚类执行时,先遍历待细聚类的粗聚类簇内所有像素点,计算各像素点与所有初始聚类中心的双维度距离,将其分配给距离最小的聚类中心对应的细聚类候选簇;再对每个候选簇,通过簇内像素点的Lab颜色均值与空间坐标均值,以更新聚类中心;随后判断连续两次迭代的聚类中心双维度距离变化量最大值小于设定的阈值,则终止迭代;迭代终止后,当前各细聚类候选簇即为该粗聚类簇细分所得的细聚类簇。
8.根据权利要求1所述的一种基于机器视觉的彩色印刷品色差缺陷检测方法,其特征在于,所述步骤S4中联合离散度特征与色差梯度变化率特征的计算方式为:联合离散度特征,其中,为第m个聚类簇的联合离散度特征,为该聚类簇内颜色边缘像素点个数,为该聚类簇内总像素点数,为该聚类簇内像素点空间坐标的标准差,分别为该聚类簇L通道、a通道、b通道的标准差;色差梯度变化率特征满足:,其中,为第m个聚类簇的色差梯度变化率特征,为该聚类簇的颜色对比度,为该聚类簇内第i个像素点的Lab颜色梯度幅值,为该聚类簇内所有像素点的颜色梯度幅值均值。