基于噪声估计的钢材表面图像增强与缺陷检测

低光照低对比度的钢材表面图像(low-light and low-contrast steel surface images,LCSI)往往被大量噪声污染,给检测和识别带来很大的困难,导致缺陷的识别率很低。为了解决这一问题,本文提出一种基于噪声水平估计(noise level estimation,NLE)的钢材表面图像分解增强算法。根据快速的噪声水平估计确定总变分(total variation,TV)正则化的平衡因子,将低光照低对比度的钢材表面图像分解成基础层和细节层,利用视网膜大脑皮层理论(retina+cortex,Retinex)模型将基础层分解为光照分量和反射分量并分别增强使光照均衡化。对于包含更多图像细节(缺陷)和噪声的细节层,使用高斯滤波抑制噪声后,再对细节进行增强并与增强后的基础层重构得到高质量的输出图像。最后利用最新的基于Canny边缘检测和基于大津算法(nobuyuki Otsu method,Otsu)对增强的钢材表面图像进行缺陷检测。实验结果表明:增强后的缺陷识别率比最新的方法提升至少15%以上。