一种用于识别表面上的不均匀区域的方法，包括：定义待识别的不均匀区域的主要的几何和尺寸特性；定义由预定函数表示的数学模型，该预定函数确立由与待识别的不均匀区域相似的区域组成的二维域或子域的要素和二维对应域或子对应域的对应要素之间的一致性或相关性，其中各要素表示灰色调的强度值；探测表面，以获取该表面的图像；通过预定尺寸的区域或“窗口”，将该图像与表示数学模型的对应域或子对应域进行比较，并检测它们之间的差异；针对每一区域或“窗口”，计算表示与二维对应域或子对应域的各要素的相关性值的整体数字指标；将每一整体数字指标与预定阈值的可接受性值进行比较；对任何超过预定阈值的可接受性值的情况发出通知。
1.一种用于识别表面上的不均匀区域的方法，其中该方法包括下面的基本步骤：定义待识别的不均匀区域的主要的几何和尺寸特性；
定义由预定函数表示的数学模型，该预定函数确立由尺寸和几何特性与待识别的不均匀区域相似的区域组成的二维域或子域的要素和二维对应域或子对应域的对应要素之间的一致性或相关性，其中各要素表示灰色调的强度值；
通过预定尺寸的区域或“窗口”，将该图像与表示数学模型的二维对应域或子对应域进行比较，并检测它们之间的差异；
针对每一区域或“窗口”，计算表示与二维对应域或子对应域的要素的相关性值的整体数字指标，其中各要素表示灰色调的强度值；
将每一整体数字指标与预定阈值的可接受性值进行比较；
2.根据权利要求1所述的方法，其中，确立由尺寸和几何特性与待识别的不均匀区域的尺寸和几何特性相似的区域组成的二维域或子域的要素和二维对应域或子对应域的对应要素之间的一致性或相关性的预定函数是如下所示的二维高斯函数，其中二维对应域的各要素表示灰色调的强度值：-1
其中δ是标准偏差，K＝1/δ(2π) 表示该二维高斯函数自身的峰值，并且x和y是在该不均匀区域的中心的坐标为(0，0)时的坐标。
3.根据权利要求1所述的方法，其中，确立由尺寸和几何特性与待识别的不均匀区域的尺寸和几何特性相似的区域组成的二维域或子域的要素和二维对应域或子对应域的对应要素之间的一致性或相关性的预定函数由如下所示的系统条件来表示，其中各要素表示灰色调的强度值：-a≤x≤a
其中δ是标准偏差，K＝1/δ(2π) 表示该预定函数自身的峰值，x和y是在该不均匀区域的中心的坐标为(0，0)时的坐标，当该不均匀区域在形状上为椭圆时，D＝2a是椭圆的长轴，2b是椭圆的短轴，C＝a/b。
4.根据权利要求1所述的方法，其中，基于下面的归一化函数执行针对每一区域或“窗口”的对表示与二维对应域或子对应域的要素的相关性值的整体数字指标的计算，其中各要素表示灰色调的强度值：其中Mi是数学模型的N个像素中的第i个像素，Ii是在“窗口”中存在的图像的N个像素中的第i个像素。
5.根据权利要求2或3所述的方法，其中，参数K采用1至255之间的值。
用于识别表面上的不均匀区域的方法
技术领域
[0001] 本发明涉及用于识别表面上的不均匀区域的方法。
[0002] 特别地，该方法涉及对在表面上再现的装饰性图形中出现的彩色不均匀性、含义缺陷或者瑕疵的识别。优选但并非排他地，该表面是瓷砖的表面。 一般地，所涉及的该缺陷表现为边缘和着色或多或少规则和鲜明(intense)的斑点的形式。
背景技术
[0003] 现有技术已对用于识别瓷砖装饰表面上的缺陷的方法进行了说明，一般地，该方法包括：获取瓷砖装饰表面的图像并使之数字化，对瓷砖图像执行一些参数值的测量(这些参数表示瓷砖表面的一定特性)，将所测量的值与阈值相比较，这些阈值表示对应的参数相对于与不存在缺陷的情况相对应的值的容许偏差(或不容许偏差)。
[0004] 通过一系列电视摄像机来获取瓷砖图像，在系列电视摄像机中，至少有一个是垂直指向所带的装饰上有待识别的缺陷的表面。
[0005] 根据所分析的指示参数，基于各自不同的数学算法来执行指示参数的测量及其与阈值的比较。 各种指示参数可以包括例如灰度平均值、平均对比度值或者表面相对于预定基准图像的相似度百分比。
[0006] 当指示参数值与对应的阈值之间的差超过预定的容许水平时，通知可能存在缺陷。 识别方法的可靠性依赖于仅当识别出真正的缺陷时(即，当已经相当明显地超过容许水平时)才指示已经超过预定容许水平的能力。
[0007] 用于测量指示参数并将其与阈值比较的已知数学算法的一些例子为：“对比度”算法、“亮度(Lum)”算法和“斑点(stain)”算法。 对比度算法基于对通过应用不同的滤波器而得到的图像进行卷积。 所生成的图像是这样的图像：该图像中表现出高梯度(即，相对于背景的高对比度水平)的所有部分以较大的灰度强度被显示，而所有其余的部分被削弱。这种类型的算法对于搜索实现在光滑的单调(monotone)表面上的装饰缺陷尤其有效。 在这些情况下，可以在对所分析的表面的测量结果与对应于无缺陷装饰的全体标准值之间执行相对精确的比较。
[0008] 亮度算法基于对装饰表面的整体亮度的测量。 基本上，该算法是基于搜索相对于无缺陷的瓷砖较暗或者较亮的像素。 可以通过与整体亮度的容许水平上限和下限进行比较来识别这些像素。 即使对于再现在非单调背景上的装饰，该方法也是有效的。 相反，对于表面上的随机装饰，该算法是无效的。
[0009] 斑点算法基于发光度的局部分析。 为此，该算法将图像分割成许多片断(fragment)，基于在临近片断中所发现的最高的平均灰度值利用二值化值来识别各片断。该算法使得可以识别灰度值偏离瓷砖背景的像素块。 人们发现，对于具有随机装饰的瓷砖，由于难以正确地标定与所识别的像素块和瓷砖背景之间的对比度相对应的阈值，该算法所提供的结果的精确性相对较低。
[0010] 对于具有各种颜色或带有随机装饰的有光滑表面来说，尤其是如果缺陷以与表面的色彩非常相似的色斑的形式显现，并且还呈现出模糊的边缘，则上述方法无法实现对缺陷的可靠识别。 在这种情况下，当所设置的阈值较严格时，对假定缺陷的错误识别显著增加。 通常必须接受不令人满意的折衷值，其中可以通过对装饰表面进行采样并修改所有可能的可用参数，经过分析，在相当浪费时间的情况下，仅凭经验定义该折衷值。
[0011] 本发明的目的是提供一种用于识别表面上的不均匀区域的方法，该方法消除了已知方法的缺点。
[0012] 该方法的优点在于，无需凭经验来设置重要的参数和/或阈值。
[0013] 该方法的另一优点在于，它对具有任何类型的装饰的任何类型的表面都是有效的。
[0014] 通过下面对本发明方法的优选但非排他实施例的详细说明，本发明的其它特点和优点将更好地显现。
发明内容
[0015] 该方法包括下面将在这里列出并说明的主要步骤。
[0016] 该方法的步骤包括定义待识别的不均匀区域的主要几何和尺寸特性。 在该步骤中，大体上预定义可能存在于待检查的装饰表面上的缺陷的形状。 通过良好的近似，可以假定缺陷的形状是圆形或椭圆形，因为一般地该形状源于沉积在装饰表面上的颜料滴的形成。 因此，不均匀区域的几何和尺寸特性包括该区域的直径和/半轴。
[0017] 该方法还包括这样的步骤：定义由预定函数表示的数学模型，该预定函数确立由尺寸和几何特性(形状特性)与待识别的不均匀区域相似的区域所组成的二维域或子域的各要素和二维对应域(co-domain)或子对应域(sub-co-domain)的对应要素之间的一致性或相关性，其中各要素表示灰色调的强度值。
[0018] 确立由几何尺寸和特性(形状)与待识别的不均匀区域相似的区域所组成的二维域或子域的各要素和二维对应域的对应要素(各要素表示灰色调的强度值)之间的一致性或相关性的预定函数是可通过下面的方式来表达的二维高斯函数：
[0019]
[0020] 其中，δ是标准偏差(即，相对于平均值的距离，在该处该函数表现为拐点)，x0和y0表示该滴的中心的坐标。 所有的坐标都可以以关于表面图像的像素来表示，在该方法的另一步骤中获得该表面图像。
[0021] 可以认为该滴的中心的坐标为(0，0)，因此方程(1.1)可以变成：
[0022]
[0023] 方程(1.2)中的参数K＝1/δ(2π)-1表示该函数自身的峰值。 可以假定参数K为1到255之间的值。 已经发现，值K＝255表示该函数的最佳值，因为，对于该值，该方法相对于缺陷灰度值基本不变化。
[0024] 当我们假定不均匀区域或缺陷在形状上为圆形时，应用公式(1.2)。
[0025] 另一方面，如果缺陷在形状上是椭圆，则与公式(1.2)一起存在下列系统条件：
[0026]
[0027]
[0028] —a≤x≤a
[0029] -b≤y≤b (1.3)
[0030]
[0031]
[0032] 其中，D＝2a是椭圆的长轴，2b是其短轴。
[0033] 该方法还包括这样的步骤：为了获取待检查表面的图像而对该表面进行探测。可以使用彩色或黑白电视摄像机来执行对表面的探测。 通过预定大小的区域或“窗口”来比较所获得的图像与表示数学模型的对应域或子对应域，并识别两个比较对象之间的差异。 针对每一区域或“窗口”，执行整体数字指标r的计算，整体数字指标r表示与数学模型的相关性值。 可以以下列卷积的形式来执行该计算：
[0034]
[0035] 式(1.4)表示非归一化卷积，其中Mi是模型的N个像素，Ii是出现在比较窗口中存在的图像的N个像素。
[0036] 当对研究图像的每一像素都执行了相关性计算时，结果为较大值的窗口的位置就是将发现缺陷模型的位置。 为了获得运算测量的稳定，即，为了获得相对于图像的灰度值和相对于模型的不变性，必须通过归一化r来修正其计算：
[0037]
[0038] 在这种情况下，当模型和缺陷相同时结果r达到最大值1，而当它们不相关时r变成0。
[0039] 由此将各整体数字指标与预定的可接受性阈值相比较。 如果数字指标超过预定的可接受性阈值，则可以推断出对应的比较区域或窗口呈现出缺陷。
[0040] 所述方法提供了重要的优点。
[0041] 首先，由于它基于数学模型，因此无需像已知类型的方法那样执行经验模型设置操作，在已知类型的方法中，必须基于实际存在于样本表面上的一定数量的缺陷来设
