數(shù)字圖像處理實戰(zhàn) 課件 第8、9章 QR碼的檢測、鋼軌軌面缺陷檢測

第8章QR碼的檢測1分析項目需求目錄了解項目背景2圖像的預(yù)處理3定位塊的檢測4QR碼的分割58.1了解項目背景二維碼是將某種特定的形狀元素按一定格式在二維平面上排列的黑白相間的圖形，在今天已成為移動支付、電子客票、簽到打卡、身份認證等場景中的主流工具。二維碼的本質(zhì)是一種信息存儲工具，二維碼自身可以存儲一定量的信息，也可存儲網(wǎng)絡(luò)地址供智能手機訪問。二維碼有很多不同的技術(shù)標準，目前使用最廣泛的是QR-Code標準，QR是快速響應(yīng)（QuickResponse）的簡寫。本項目主要研究從手機拍攝的自然場景圖像中檢測和定位QR碼，提供求解該問題的分析思路和基本方法。1分析項目需求目錄了解項目背景2圖像的預(yù)處理3定位塊的檢測4QR碼的分割58.2分析項目需求8.2.1數(shù)據(jù)說明本章所使用的數(shù)據(jù)集由作者自行使用手機拍攝，包含不同投影大小、朝向和拍攝角度的QR碼圖像，用以檢驗算法的穩(wěn)健性。8.2分析項目需求8.2.1數(shù)據(jù)說明為了達到能被檢測設(shè)備“快速響應(yīng)”的目標，QR碼中有許多特別設(shè)計的結(jié)構(gòu)元素，它的基本結(jié)構(gòu)如下圖所示。QR碼最顯著的結(jié)構(gòu)是位置探測圖形，它的作用是方便圖像處理算法來對QR碼進行定位，本章簡稱為定位塊。一個完整的QR碼包含三個定位塊，分別位于碼區(qū)的左下、左上和右上角。8.2.1數(shù)據(jù)說明每個定位塊可以看作是由黑、白、黑且邊長之比為7:5:3的3個不同大小的同心正方形疊加而成。這樣的結(jié)構(gòu)是經(jīng)過精心設(shè)計的：當(dāng)使用線掃描類型的讀取設(shè)備掃描QR碼時，穿過定位塊中心位置的水平掃描線上的黑色和白色像素段會呈現(xiàn)1:1:3:1:1的寬度比。同時由于正方形是中心對稱圖形，從任意方向掃描圖像，穿過定位塊中心點的掃描線都會檢測到這個獨特的比率。即使圖像中的QR碼發(fā)生了旋轉(zhuǎn)和輕微變形，以上的兩個設(shè)計仍確保了通過在掃描線中檢測黑白像素段比例的方法，能夠迅速可靠地在含有QR碼的圖像中檢測出QR碼的位置。8.2分析項目需求8.2.2項目目標本項目以手機拍攝的包含QR碼的圖像為研究對象，主要利用邊緣檢測、掃描線算法及透視變換等算法來實現(xiàn)以下目標。（1）通過在邊緣輪廓中檢測三層嵌套結(jié)構(gòu)和比例特征來定位圖像中的QR碼定位塊。（2）根據(jù)定位塊位置確定QR碼的范圍及朝向。（3）對切割出來的QR碼通過透視變換得到標準化的QR碼，便于進一步的信息提取。8.2分析項目需求8.2.3QR碼檢測流程QR碼檢測的流程如下圖所示，所包含的主要步驟如下。（1）圖像預(yù)處理，包括RGB轉(zhuǎn)灰度、中值濾波去噪和自適應(yīng)二值化。（2）在二值圖像的輪廓中檢測三層嵌套結(jié)構(gòu)并使用線掃描算法進一步篩選定位塊。（3）根據(jù)定位塊信息計算QR碼的四個角點及朝向，使用幾何校正及縮放得到標準化的QR碼圖像。（4）調(diào)用函數(shù)進行QR碼的內(nèi)容解析。8.2分析項目需求1分析項目需求目錄了解項目背景2圖像的預(yù)處理3定位塊的檢測4QR碼的分割58.3.1彩色圖像的灰度化原始的QR碼只包含黑白兩色，圖像中的其他顏色對QR碼的識別沒有價值。使用灰度化算法把彩色圖像轉(zhuǎn)化為灰度圖像，即減小了圖像的數(shù)據(jù)量，也便于后續(xù)的圖像二值化操作。使用OpenCV中的cvtColor函數(shù)實現(xiàn)彩色圖像到灰度圖像的轉(zhuǎn)換。8.3圖像的預(yù)處理8.3.2圖像去噪本章用于檢測QR碼定位塊的輪廓嵌套關(guān)系計算容易受到圖像噪聲的影響，需提前進行圖像去噪。使用手機拍攝的QR碼照片易出現(xiàn)椒鹽噪聲，即黑背景下的白噪點和白背景下的黑噪點。中值濾波基于圖像局部鄰域的統(tǒng)計排序過濾噪聲，使用中心像素鄰域內(nèi)灰度值的中值來替換中心像素的值。具體步驟如下。（1）對于每一個圖像像素點，確定以該像素為中心的一個鄰域窗口，形狀通常為正方形，尺寸大小可根據(jù)圖像細節(jié)和噪聲情況來調(diào)整。（2）確定鄰域窗口的形狀和大小后，針對每一個像素，將以該像素為中心點的鄰域窗口內(nèi)所有像素點的灰度值進行排序，然后使用排序的中值替換中心點像素的灰度值。中值濾波的去噪效果依賴于圖像的局部特征和鄰域窗口的大小，窗口過大過小都會影響去噪效果。對于使用手機隨意拍攝的含有大小不確定的QR碼的圖像，很難確定固定的濾波器窗口尺寸。8.3圖像的預(yù)處理8.3.2圖像去噪自適應(yīng)中值濾波算法，能夠自適應(yīng)地根據(jù)算法調(diào)整濾波器窗口尺寸，在保留圖像細節(jié)的同時平滑噪聲，具有更好的魯棒性。記是像素對應(yīng)的鄰域窗口，是窗口內(nèi)的最小灰度值，是窗口內(nèi)的最大灰度值，是窗口內(nèi)所有灰度值的中值，是像素的灰度值；是所能允許的最大尺寸。自適應(yīng)中值濾波算法的流程如右圖所示。8.3圖像的預(yù)處理8.3.3灰度圖像的二值化由于QR碼本身由黑白兩色構(gòu)成，圖像的對比度高使，適合使用閾值方法進行二值化?？紤]到手機拍攝的含QR碼的圖像可能存在光照不均勻的情況，嘗試使用大津法和自適應(yīng)閾值分割方法。對比上圖的結(jié)果，可以發(fā)現(xiàn)自適應(yīng)閾值方法擁有更好的分割結(jié)果。8.3圖像的預(yù)處理8.3.3灰度圖像的二值化對比示例圖像在兩種不同二值化算法下的結(jié)果，雖然自適應(yīng)閾值分割方法（右圖）會使圖像中非QR碼區(qū)域產(chǎn)生擾動，但是卻非常好地處理了處理了QR碼所在的區(qū)域。本案例最終使用自適應(yīng)閾值來處理圖像，之后對結(jié)果圖像進行第二次中值濾波。8.3圖像的預(yù)處理1分析項目需求目錄了解項目背景2圖像的預(yù)處理3定位塊的檢測4QR碼的分割5經(jīng)過預(yù)處理得到的二值圖像中，不僅包含QR碼，也包含文字等其他的干擾成分，需要根據(jù)QR碼定位塊的結(jié)構(gòu)特征設(shè)計算法對其進行定位。定位塊檢測的流程（1）使用OpenCV庫函數(shù)提取二值圖像中黑色區(qū)域的輪廓對象以及反映各輪廓間拓撲關(guān)系的層次樹（2）對輪廓層次樹進行遍歷，找出其中滿足3層嵌套關(guān)系的輪廓（3）為了排除圖像中非定位塊結(jié)構(gòu)造成的干擾，使用掃描線算法找出滿足掃描線上黑白線段長度比為1:1:3:1:1的三層嵌套結(jié)構(gòu)8.4定位塊的檢測8.4.1提取二值圖像的輪廓使用OpenCV中的findContours函數(shù)可檢測二值圖像中的邊緣，并返回保存在列表hierarchy中的邊緣之間的層次樹。使用函findContours從二值數(shù)值圖像中找出的輪廓，如圖所示。8.4定位塊的檢測8.4.2 嵌套關(guān)系檢測遍歷列表hierarchy，遞歸有包含關(guān)系的輪廓，如果某個輪廓包含子輪廓，則繼續(xù)對子輪廓進行遞歸查找它的子輪廓。通過判斷每個輪廓所對應(yīng)的遞歸層數(shù)，就可以從列表hierarchy中找出含有三層嵌套關(guān)系的輪廓，作為定位塊的候選。右圖顯示了從前圖中檢測到的包含三層嵌套關(guān)系的輪廓,經(jīng)過上述處理，QR碼的定位塊都被標記出來，但也有圖像中的無關(guān)結(jié)構(gòu)符合三層嵌套關(guān)系，需要進一步進行處理。8.4定位塊的檢測8.4.3 定位塊線掃描特征篩選此處使用1:1:3:1:1的數(shù)量特征來確定屬于真正定位塊的嵌套輪廓結(jié)構(gòu)。先計算滿足比例關(guān)系的特征的線段中心，再判斷這些線段中心是否包含在嵌套結(jié)構(gòu)內(nèi)，滿足條件的嵌套結(jié)構(gòu)即為QR碼的定位塊。對經(jīng)過8.3.3小節(jié)處理得到的二值圖像，在雙層for循環(huán)中使用線掃描方法檢測圖像的行中是否存在符合定位塊特定數(shù)量比例的結(jié)構(gòu)。線掃描過程中，判斷當(dāng)前點的取值是否與前一個點的取值相同。如果取值相同，則表示該點所在線段長度的k加1。如果取值不同，則該點為新線段的起點。掃描結(jié)束后要計算5個線段的長度比例，由于數(shù)字圖像存在量化誤差，允許各段的比例與1:1:3:1:1存在一定誤差。經(jīng)過本小節(jié)處理后，可進一步去除無關(guān)干擾結(jié)構(gòu)，只保留圖像中的定位塊。8.4定位塊的檢測1分析項目需求目錄了解項目背景2圖像的預(yù)處理3定位塊的檢測4QR碼的分割58.5QR碼的分割8.5.1計算三個定位塊在QR碼中的位置關(guān)系檢測出圖像中QR碼的三個定位塊后，還需要判斷這三個定位塊的位置關(guān)系以及QR碼的右下角點的位置，才能從原圖中完整分割出QR碼，以便進行后續(xù)的處理和識別。如圖所示，將標準方向的QR碼的左上角、左下角和右上角分別標記為top、bottom和right。由于圖像中的QR碼可能會發(fā)生旋轉(zhuǎn)和變形，需要對這三個定位塊進行幾何位置判斷，將它們與top、bottom和right一一對應(yīng)。處理思路：求出三個定位塊輪廓兩兩之間距離的最大值，標記不在最大距離點對中的定位塊為QR碼中top位置的定位塊，再根據(jù)top與最大距離點對連線的位置關(guān)系將其余兩個定位塊分別標記為right和bottom。8.5QR碼的分割8.5.1計算三個定位塊在QR碼中的位置關(guān)系求出三個定位塊輪廓中距離最大的兩個輪廓后，計算這兩個輪廓中心連線的斜率以及第三點到該連續(xù)的有向距離，即可通過右圖判斷QR碼的朝向，進而給每個定位塊指派正確的標記。要求出圖像中QR碼的明確區(qū)域，還需要確定QR碼中沒有定位塊的第4個角點的位置。8.5QR碼的分割8.5.2計算定位塊的四個頂點求得三個定位塊的位置和QR碼的方向后，延長bottom定位塊底部的兩個頂點的連線，延長right定位塊右側(cè)的兩個頂點的連線，兩條延長線的交點就對應(yīng)QR碼的右下角頂點。在此之前，要先求出每個定位塊最外層黑色正方形輪廓的4個頂點，并且判斷它們在定位塊中的位置。（1）使用函數(shù)boundingRect得到定位塊輪廓的最小外接矩形（如圖最外側(cè)的實線矩形所示），將該矩形的中心點作為坐標原點。（2）在每一個象限中遍歷輪廓上的每一個點，求出與原點距離最遠的輪廓點，這就是輪廓的頂點。（3）根據(jù)頂點與外接矩形中心坐標的大小關(guān)系，判斷頂點處于大矩形的哪個位置并進行標記。8.5QR碼的分割8.5.3計算QR碼的第四個角點獲得了所有定位塊的4個頂點后，提取左下定位塊的底部2個頂點和右上定位塊右側(cè)的2個頂點，對這兩組頂點分別做延長線。兩條直線將會在QR碼右下角相交，這樣就確定了QR碼的第四個角點的位置。使用cv_updateCornerOr函數(shù)調(diào)整頂點的順序，使頂點按照逆時針順序排列，確保下一步處理時QR碼保持正確的方向，如代碼824所示。得到頂點及其在QR碼中的相對位置后，使用getIntersectionPoint函數(shù)，由bottom定位塊和right定位塊的信息得到QR碼右下角的頂點。最后將得到的QR碼碼區(qū)的四角坐標保存到名為ding_dian的列表中，先后順序是左上角、左下角、右下角和右上角，類似于在QR碼中寫一個英文字母U。8.5QR碼的分割8.5.4QR碼的幾何校正及縮放

在通過手機等手持設(shè)備獲取含有QR碼的圖像時，無法確保QR碼保持標準的朝向，且QR碼圖像的分辨率也會大小不一。為了方便后期QR碼中的信息提取，需要將QR碼圖像進行幾何校正及縮放，保證其符合標準朝向并且尺寸一致。本章使用OpenCV庫的warpPerspective函數(shù)通過圖像的透視變換來實現(xiàn)QR碼的幾何校正，設(shè)定輸出的標準QR碼的四個角坐標分別是[0,0]、[0,600]、[600,600]和[600,0]。如圖提取出的QR碼在右側(cè)和下方邊緣上有極少的缺失。由于QR碼標準中設(shè)計了冗余信息，些許的失真并不會影響QR碼的解析。對檢測到并做了標準化處理的QR碼，可以調(diào)用Python的pyzbar庫來讀取其中包含的數(shù)據(jù)。小結(jié)本章節(jié)以手機拍攝的含有QR碼的自然場進圖像為研究對象，主要介紹了根據(jù)QR碼的結(jié)構(gòu)特點設(shè)計數(shù)字圖像處理算法以實現(xiàn)QR碼的檢測和識別。首先對圖像進行包括RGB轉(zhuǎn)灰度、中值濾波和自適應(yīng)二值化的圖像預(yù)處理，然后根據(jù)QR碼定位塊的特殊結(jié)構(gòu)從邊緣中查找三層嵌套結(jié)構(gòu)并設(shè)計線掃描算法來檢測出圖像中的QR碼定位塊，最后根據(jù)檢測出的定位塊來確定QR碼的四個角點位置以及QR碼的朝向并利用透視變換得到標準化處理的QR碼圖像。標準化處理的QR碼圖像即可直接應(yīng)用于后續(xù)的信息提取。第9章鋼軌軌面缺陷檢測1分析項目需求目錄了解項目背景2圖像預(yù)處理3基于種子生長算法的軌面缺陷檢測49.1了解項目背景隨著我國鐵路運輸事業(yè)的不斷發(fā)展，鐵路運營里程不斷增加，列車運行速度也不斷提高，車輪與鋼軌軌面之間的相互作用力越來越大，鋼軌軌面缺陷成為影響鐵路運輸安全的重要因素。為保障列車的行車安全，需要及時檢測出鋼軌軌面缺陷。其中的兩個重要環(huán)節(jié)是軌面數(shù)據(jù)的采集和軌面缺陷的檢測。傳統(tǒng)的鋼軌軌面檢查主要依靠目視或人工小車檢測，檢測效率低、占用運輸資源并且具有一定的危險性。隨著科技的進步，我國研制生產(chǎn)了一系列高速綜合檢測列車，可以在運行中對軌道等基礎(chǔ)設(shè)施進行檢測。9.1了解項目背景機器視覺技術(shù)為從圖像中檢測和識別軌面缺陷提供了理論與工具。基于機器視覺的檢測方法不干擾鋼軌的工作狀態(tài)，具有較好的容錯能力和較高的安全性，是軌面缺陷檢測的主流方法。基于機器視覺的軌面缺陷檢測方法在實際應(yīng)用中，仍面臨一些困難。季節(jié)因素和光照條件變化會導(dǎo)致獲取到的圖像產(chǎn)生光照不均勻的情況，增加了缺陷檢測的難度。不同路段和運營環(huán)境的鋼軌表面狀況可能不同，容易產(chǎn)生局部高光，增加了缺陷區(qū)域特征提取的難度。本案例主要研究如何使用圖像處理方法克服軌面圖像中的不均勻光照的影響來檢測疤痕類缺陷。1分析項目需求目錄了解項目背景2圖像預(yù)處理3基于種子生長算法的軌面缺陷檢測49.2分析項目需求本章使用北京交通大學(xué)的RSDDs數(shù)據(jù)集，包括原始的軌面圖像和經(jīng)過專家處理得到的缺陷掩模圖像，所包含的缺陷類型為“疤痕”型。數(shù)據(jù)集包含兩個子集，I型RSDDs數(shù)據(jù)集包含來自客運鐵路的67個樣本，II型RSDDs數(shù)據(jù)集包含來自貨運鐵路的128個樣本。由于II型數(shù)據(jù)集的分辨率過低，本章選擇針對I型數(shù)據(jù)開展疤痕類缺陷檢測的研究。疤痕類缺陷實質(zhì)上是鋼軌表面的坑洞，在圖像中表現(xiàn)為暗色的斑塊，大小、位置和深淺都有一定的隨機性。鋼軌軌面的背景較為復(fù)雜，軌面圖像中存在位置、寬窄和明暗都不確定的軸向條紋。在鋼軌兩側(cè)，往往有灰度接近于0、寬度不一的黑色條紋。部分鋼軌表面有較嚴重的銹蝕或油污，表現(xiàn)為黑色的不規(guī)則條帶。9.2分析項目需求項目目標本項目以I型RSDDs數(shù)據(jù)為研究對象，主要利用連通成分標記、種子生長等算法來實現(xiàn)以下目標。對圖像進行自適應(yīng)預(yù)處理以消除鋼軌軌面的非均勻光照和黑邊干擾。自動確定種子生長算法的最佳上閾值。對軌面圖像進行分割，得到缺陷區(qū)域，便于進一步的缺陷評估和處理。9.2分析項目需求軌面缺陷檢測流程將圖像從RGB格式轉(zhuǎn)換為灰度圖像，基于自定義算法消除軌面上的不均勻光照，得到去除背景的軌面圖像?；谶B通性分析去除黑邊干擾。根據(jù)樣本統(tǒng)計數(shù)據(jù)確定種子點選取規(guī)則。使用曲線擬合自適應(yīng)地獲取種子生長算法的上閾值。應(yīng)用種子生長算法進行軌面缺陷的分割。1分析項目需求目錄了解項目背景2圖像預(yù)處理3基于種子生長算法的軌面缺陷檢測49.3圖像預(yù)處理軌面圖像特點分析疤痕類缺陷表現(xiàn)為軌面上大小不一的坑洞，幾乎不反射光線，所以這類缺陷區(qū)域的像素灰度值比周圍的像素點的灰度值要小。沿軌道方向的水平線掃描軌面圖像時，可發(fā)現(xiàn)同一條掃描線上大部分像素灰度都非常接近。理想情況下掃描線上的像素灰度值變化應(yīng)該是相對平滑的，而當(dāng)掃描到缺陷位置時灰度值會突然減小。軌面圖像的上邊緣和下邊緣都有一段條帶，且顏色比周圍更“黑”，本章中稱這種帶狀痕跡為黑邊。9.3圖像預(yù)處理使用大津法直接對樣本進行圖像閾值分割的效果不佳：很多不屬于缺陷的深色區(qū)域被標記出來，同時缺陷區(qū)域只有一部分被分割出來。經(jīng)分析原因如下：鋼軌表面具有一定的弧度，不同的反射強度造成鋼軌表面圖像中出現(xiàn)明暗不一的條帶，對同樣屬于暗色區(qū)域的表面缺陷區(qū)域造成干擾。而部分鐵軌表面的不規(guī)則條狀銹蝕區(qū)域也在全局閾值分割中被誤識別為目標。鋼軌表面缺陷所對應(yīng)的坑洞本身深淺不一，采集到的圖像中灰度不均勻。如果閾值過高，分割出來的深色區(qū)域要小于實際的缺陷區(qū)域，如閾值過低，會將軌面的其他非缺陷區(qū)域標記為缺陷區(qū)域。9.3圖像預(yù)處理9.3.1軌面不均勻光照的消除讀入圖像后首先使用OpenCV中的cvtColor函數(shù)將其從RGB三通道格式轉(zhuǎn)換為單通道的灰度格式。本章設(shè)計了掃描線處理算法，用于從原始圖像中去除背景中的條帶干擾。（1）對軌面圖像進行逐行掃描，使用numpy庫中的median函數(shù)獲得每行像素灰度值的中值，記為t。（2）將灰度值大于30并且大于t-50的像素標記為背景像素，將其灰度值設(shè)為255。從右圖可見掃描線算法有效地去除了由光照不均勻造成的大部分條帶結(jié)構(gòu)，但結(jié)果中仍存在黑邊。9.3圖像預(yù)處理9.3.2基于連通性分析的黑邊去除單純使用灰度信息無法判斷像素屬于黑邊還是缺陷。進一步分析可以發(fā)現(xiàn)，黑邊與缺陷區(qū)域在空間上不是連通的。因此可以將上下兩條邊界設(shè)置為種子，使用種子生長算法分割出結(jié)果中不屬于背景且與上下兩條邊界相連通的像素，并將它們從處理結(jié)果中去除。研究RSDDs數(shù)據(jù)集中的缺陷掩模圖，可以發(fā)現(xiàn)該數(shù)據(jù)集中對缺陷區(qū)域的大小做了限定，過小面積的缺陷并沒有出現(xiàn)在掩模圖中。為此計算所有目標區(qū)域的面積并通過設(shè)定面積閾值的方法將黑點篩除。1分析項目需求目錄了解項目背景2圖像預(yù)處理3基于種子生長算法的軌面缺陷檢測49.4基于種子生長算法的軌面缺陷檢測9.4.1種子點的提取為了考察缺陷區(qū)域的特征，本小節(jié)利用數(shù)據(jù)集中提供的掩模圖像，繪制缺陷區(qū)域像素的灰度分布直方圖，以此來明確判斷標準。（1）將灰度形式的掩模圖像轉(zhuǎn)換為布爾型數(shù)組（2）使用布爾數(shù)組來引用圖像中被標記為缺陷的像素（3）使用自定義函數(shù)plt_hist繪制缺陷區(qū)域像素的灰度直方圖9.4基于種子生長算法的軌面缺陷檢測9.4.1種子點的提取分析多幅圖像中不同缺陷區(qū)域的像素灰度直方圖，可以發(fā)現(xiàn)疤痕類鋼軌表面缺陷的灰度直方圖的峰值都集中在20左右，即缺陷內(nèi)必定存在灰度在25以下的像素點。利用該先驗知識在去除背景后得到的連通區(qū)域內(nèi)部尋找滿足條件的點，作為缺陷區(qū)域的種子點。9.4基于種子生長算法的軌面缺陷檢測9.4.2上閾值的自適應(yīng)選擇經(jīng)過9.4.1小節(jié)的種子點提取，得到包含于缺陷區(qū)域內(nèi)部的種子點集合。根據(jù)這些種子點可以開展區(qū)域生長，需要在算法中設(shè)置合適的上閾值，也就是在區(qū)域生長過程中并入?yún)^(qū)域的像素的最大灰度值，以便對種子生長的過程進行一定的限制。從種子點開始進行區(qū)域生長，也就是不斷地把與當(dāng)前區(qū)域相鄰且灰度小于上閾值的像素合并到區(qū)域中的過程。假設(shè)坑洞內(nèi)壁相對底部與坑洞周邊更為陡峭，疤痕型缺陷的徑向剖面示意如圖所示。9.4基于種子生長算法的軌面缺陷檢測上閾值的自適應(yīng)選擇的原理計算不同上閾值時種子生長算法所得到的連通區(qū)域的面積，并繪制上閾值-面積曲線，該曲線應(yīng)該具有類似sigmoid函數(shù)曲線的形狀，如圖所示。一開始的較為平坦的曲線對應(yīng)坑洞內(nèi)部較小的面積，由于內(nèi)壁相對陡峭，這一段曲線對應(yīng)的面積變化較小。當(dāng)上閾值繼續(xù)增加接近于坑洞邊緣像素的灰值時，上閾值-面積曲線會有一個明顯的跳躍。當(dāng)上閾值大于坑洞周邊像素的灰度值時，連通區(qū)域面積已經(jīng)擴張到極限，上閾值-面積曲線進入第二個平坦區(qū)域。本節(jié)對上閾值-面積曲線使用sigmoid函數(shù)進行擬合，并利用sigmoid函數(shù)的連續(xù)性與階躍的特性來選取最終的上閾值。9.4基于種子生長算法的軌面缺陷檢測9.4.2上閾值的自適應(yīng)選擇上閾值-面積曲線的計算自定義函數(shù)area_of_gray用于計算某個種子點在給定上閾值yuzhi