本發(fā)明涉及圖像分析處理，尤其涉及一種基于圖像分析的高精檢測方法。

背景技術(shù)：

1、基于近年來圖像處理和計(jì)算機(jī)視覺領(lǐng)域的快速發(fā)展，尤其是在智能圖像分析、工業(yè)監(jiān)控、醫(yī)學(xué)影像分析和公共安全等應(yīng)用場景中，圖像異常檢測技術(shù)的需求日益增加。圖像異常檢測是一種自動識別圖像中不符合正常特征或存在異常區(qū)域的關(guān)鍵技術(shù)，它在早期故障預(yù)警、異常行為識別、自動缺陷檢測等方面具有廣泛的應(yīng)用潛力。隨著機(jī)器視覺和深度學(xué)習(xí)的不斷進(jìn)步，傳統(tǒng)的檢測方式逐步被高效的自動化檢測技術(shù)所取代，推動了對更加智能、精確的圖像異常檢測方法的研發(fā)。

2、在具體應(yīng)用中，圖像異常檢測的場景和需求各不相同。比如在工業(yè)質(zhì)量檢測中，需要精確定位產(chǎn)品表面的微小缺陷以確保產(chǎn)品的質(zhì)量合格；在醫(yī)療領(lǐng)域中，圖像異常檢測可以幫助醫(yī)生快速發(fā)現(xiàn)醫(yī)學(xué)影像中的異常組織，提高診斷效率和準(zhǔn)確性；在公共安全領(lǐng)域，對監(jiān)控視頻圖像中的異常行為進(jìn)行自動識別，能夠在危險(xiǎn)事件發(fā)生前提供預(yù)警，如出現(xiàn)火災(zāi)時(shí)的消防預(yù)警等。這些應(yīng)用場景通常要求檢測方法能夠在不同的尺度和復(fù)雜的背景下，對異常區(qū)域進(jìn)行高精度識別，因此，圖像異常檢測技術(shù)不僅需要較高的靈敏度和精度，還需具備良好的魯棒性和適應(yīng)性，以應(yīng)對圖像環(huán)境的多樣化。

3、而現(xiàn)有技術(shù)中對局部細(xì)節(jié)的異常檢測效果不佳，容易遺漏重要信息，從而降低了檢測的精確性；無法實(shí)現(xiàn)對不同尺度特征之間的動態(tài)加權(quán)，導(dǎo)致各尺度特征在融合過程中信息冗余或丟失嚴(yán)重，從而無法精確體現(xiàn)異常區(qū)域的多尺度綜合特征，導(dǎo)致異常區(qū)域定位不準(zhǔn)確且可視化效果較差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于圖像分析的高精檢測方法，以解決現(xiàn)有技術(shù)對局部細(xì)節(jié)的異常檢測效果不佳，容易遺漏重要信息，從而降低了檢測的精確性；無法實(shí)現(xiàn)對不同尺度特征之間的動態(tài)加權(quán)，導(dǎo)致各尺度特征在融合過程中信息冗余或丟失嚴(yán)重，從而無法精確體現(xiàn)異常區(qū)域的多尺度綜合特征，導(dǎo)致異常區(qū)域定位不準(zhǔn)確且可視化效果較差。

2、本發(fā)明的一種基于圖像分析的高精檢測方法，包括以下步驟：

3、s1、獲取待檢測的原始圖像，對原始圖像數(shù)據(jù)進(jìn)行預(yù)處理操作，包括歸一化處理、去噪處理和亮度調(diào)整；

4、s2、預(yù)處理后的圖像通過多尺度特征轉(zhuǎn)換生成不同尺度的特征矩陣，并通過關(guān)聯(lián)自適應(yīng)融合模塊計(jì)算特征矩陣間的關(guān)聯(lián)度，生成融合特征圖；

5、s3、計(jì)算融合特征圖中每個(gè)像素點(diǎn)的顯著性評分，生成異常評分矩陣，結(jié)合偏離矩陣確定顯著異常區(qū)域，通過自適應(yīng)閾值分割標(biāo)記出異常區(qū)域；

6、s4、進(jìn)一步應(yīng)用形態(tài)學(xué)操作精確提取異常區(qū)域輪廓，生成清晰可視化的異常檢測結(jié)果。

7、進(jìn)一步，所述s1中歸一化處理用于將圖像像素值映射至統(tǒng)一的數(shù)值范圍[0,?1]，以減少數(shù)據(jù)在不同輸入條件下的分布差異，確保各尺度特征提取模塊能夠在一致的數(shù)據(jù)范圍內(nèi)工作；所述去噪處理主要采用高斯濾波等方法，以減少圖像中的高頻噪聲成分，從而避免噪聲干擾對特征矩陣生成的影響；所述亮度調(diào)整通過自適應(yīng)調(diào)整亮度分布，使圖像在不同亮度條件下依然保持特征的一致性，以提升后續(xù)特征矩陣在不同尺度上的顯著性表現(xiàn)。

8、進(jìn)一步，所述經(jīng)過預(yù)處理后的輸入圖像具備更高的一致性和數(shù)據(jù)質(zhì)量，為了在不同尺度下提取圖像特征信息，預(yù)處理后的輸入圖像經(jīng)過多尺度特征轉(zhuǎn)換模塊的分解操作，生成不同尺度的初始特征矩陣集合；

9、具體的，輸入圖像在每個(gè)不同尺度下與自適應(yīng)特征變換矩陣相結(jié)合，再經(jīng)過激活函數(shù)得到初始特征矩陣，對于每個(gè)不同尺度i，特征矩陣的生成公式為：

10、

11、其中，為尺度i下生成的特征矩陣，分別為特征矩陣的行、列坐標(biāo)；為尺度i的自適應(yīng)變換矩陣，用于提取尺度特定特征，其元素值由行坐標(biāo)和列坐標(biāo)決定；為偏置項(xiàng)，用于平衡不同尺度的特征輸出；表示尺度i的卷積核大小，控制特征提取的感受野范圍；

12、通過激活函數(shù)的非線性變換，生成了多個(gè)不同尺度的特征矩陣，確保每個(gè)特征矩陣保留不同尺度上的圖像特征信息，為后續(xù)多尺度融合提供了充分?jǐn)?shù)據(jù)。

13、進(jìn)一步，為了將不同尺度的特征矩陣有效整合，提出了關(guān)聯(lián)自適應(yīng)融合模塊，通過量化不同尺度特征間的相似性，進(jìn)一步優(yōu)化特征融合的準(zhǔn)確性，計(jì)算特征矩陣間的關(guān)聯(lián)度，通過關(guān)聯(lián)矩陣對不同尺度特征矩陣間的關(guān)系進(jìn)行編碼；

14、對于任意兩個(gè)特征矩陣和，其關(guān)聯(lián)矩陣元素的具體定義如下：

15、

16、其中，為特征矩陣和之間的關(guān)聯(lián)值，用于描述不同尺度特征之間的相似度；是尺度j下生成的特征矩陣；和表示特征矩陣的維度，即行數(shù)和列數(shù)；通過對特征差異的平方和進(jìn)行指數(shù)變換，使得矩陣間的相似性得以量化，關(guān)聯(lián)值越大表示特征矩陣之間的相似性越高，適合用于后續(xù)的自適應(yīng)權(quán)重調(diào)整。

17、進(jìn)一步，通過關(guān)聯(lián)矩陣實(shí)現(xiàn)了對不同尺度特征矩陣之間的相似性量化，為了進(jìn)一步在融合過程中對高相似性特征矩陣賦予更高權(quán)重，定義非對稱加權(quán)矩陣以優(yōu)化特征融合，每個(gè)權(quán)重元素的生成通過關(guān)聯(lián)矩陣與特征矩陣的范數(shù)結(jié)合，定義如下：

18、

19、其中，為特征矩陣與之間的加權(quán)值，與為特征矩陣的l2范數(shù)，通過范數(shù)將特征的幅值大小考慮在內(nèi)，以強(qiáng)化高幅值特征的表達(dá)效果；分母為與特征矩陣相關(guān)的所有特征的關(guān)聯(lián)值和；是多尺度特征矩陣的數(shù)量；是一個(gè)常量，用于防止分母為零；

20、權(quán)重矩陣的生成確保了多尺度特征的自適應(yīng)加權(quán)，增強(qiáng)了相關(guān)性強(qiáng)的特征矩陣在融合過程中的貢獻(xiàn)。

21、進(jìn)一步，在獲得加權(quán)矩陣和關(guān)聯(lián)矩陣之后，特征矩陣通過層次遞進(jìn)融合形成最終的多尺度融合特征矩陣，融合過程采用層次遞進(jìn)疊加，將每個(gè)特征矩陣逐步加權(quán)并疊加生成最終的融合特征圖，遞進(jìn)融合的公式如下：

22、

23、其中，表示融合特征矩陣，包含了不同尺度特征矩陣的綜合特征；用于進(jìn)一步對特征矩陣的值進(jìn)行非線性變換，使特征疊加結(jié)果在高相似度時(shí)具有更高的貢獻(xiàn)度，從而實(shí)現(xiàn)多尺度特征的動態(tài)融合。

24、進(jìn)一步，所述融合特征矩陣包含了異常區(qū)域的顯著信息，進(jìn)入遞進(jìn)異常評估模塊進(jìn)行異常檢測；

25、首先計(jì)算每個(gè)點(diǎn)的顯著性評分，以評估特征圖中不同位置的異常程度，形成異常評分矩陣；顯著性評分基于融合特征矩陣中每個(gè)點(diǎn)的局部差異，結(jié)合高斯偏離和熵差值的方法，用以下公式計(jì)算：

26、

27、其中，為異常評分矩陣中的元素，表示像素點(diǎn)在融合特征矩陣中的顯著性評分；和分別為融合特征圖的均值和標(biāo)準(zhǔn)差，用于測量圖像正常區(qū)域的總體分布；為調(diào)節(jié)系數(shù)，用于平衡偏離項(xiàng)和熵差項(xiàng)的貢獻(xiàn)；熵差項(xiàng)增強(qiáng)了異常區(qū)域評分的敏感度，使異常區(qū)域在評分矩陣中獲得更高值。

28、進(jìn)一步，為了進(jìn)一步定位顯著異常區(qū)域，通過計(jì)算偏離值形成異常偏離矩陣，用于標(biāo)記特征圖中異常區(qū)域的顯著性差異，異常偏離矩陣的計(jì)算公式如下：

29、

30、其中，表示偏離矩陣中的值，反映出融合特征矩陣與顯著性評分之間的差異度；和分別為顯著性評分矩陣的均值和標(biāo)準(zhǔn)差，用于校正偏離值的集中趨勢；偏離值的高次冪項(xiàng)進(jìn)一步提升了偏離較大位置的異常評分，使得真正異常區(qū)域在偏離矩陣中得以突出顯示。

31、進(jìn)一步，綜合顯著性評分矩陣和偏離矩陣的結(jié)果生成最終的異常檢測圖，用于標(biāo)注異常區(qū)域，最終檢測圖的生成公式如下：

32、

33、其中，是異常檢測圖的元素，表示在像素處的異常評分；為sigmoid激活函數(shù)，將檢測結(jié)果標(biāo)準(zhǔn)化至[0,1]范圍；公式中的平方項(xiàng)進(jìn)一步強(qiáng)化高顯著性區(qū)域的得分，使最終的檢測結(jié)果具有高區(qū)分度，能夠精確標(biāo)記出異常區(qū)域。

34、進(jìn)一步，對異常檢測圖應(yīng)用自適應(yīng)閾值分割，設(shè)定一個(gè)自適應(yīng)閾值t，將的區(qū)域標(biāo)記為異常區(qū)域，剩余區(qū)域標(biāo)記為正常區(qū)域；

35、自適應(yīng)閾值可以通過最大類間方差法或局部均值差異計(jì)算獲得，以確保在不同圖像中閾值靈活調(diào)整，適應(yīng)各種異常特征；

36、在分割得到的二值異常圖上應(yīng)用形態(tài)學(xué)操作（如膨脹和腐蝕），進(jìn)一步優(yōu)化異常區(qū)域的邊緣，去除噪聲，確保區(qū)域的連通性，消除孤立的噪聲點(diǎn)，平滑區(qū)域邊緣，從而得到更加清晰、精準(zhǔn)的異常區(qū)域輪廓；

37、對經(jīng)過形態(tài)學(xué)處理的二值圖進(jìn)行輪廓檢測，標(biāo)記出異常區(qū)域的具體輪廓，可以使用例如canny邊緣檢測等方法，獲得異常區(qū)域的精確邊界信息，確保在高精度基礎(chǔ)上實(shí)現(xiàn)異常的有效定位；

38、將檢測到的異常區(qū)域疊加在原圖上生成可視化結(jié)果，突出顯示異常區(qū)域，或者將異常區(qū)域的位置信息輸出為坐標(biāo)數(shù)據(jù)，以便后續(xù)分析和處理。

39、本發(fā)明的技術(shù)方案的有益效果是：

40、1、通過多尺度特征轉(zhuǎn)換模塊將原始圖像信息分解至不同尺度，利用不同尺度特征矩陣的綜合信息捕捉圖像的局部與全局異常特征，通過多尺度關(guān)聯(lián)度和非對稱加權(quán)的自適應(yīng)融合，消除各尺度特征間的信息冗余，使融合特征矩陣能夠全面反映異常區(qū)域的多層次信息，提高了異常區(qū)域的辨識度和檢測的精確性；

41、2、自適應(yīng)的關(guān)聯(lián)矩陣計(jì)算確保不同尺度的特征信息在融合過程中被適度量化，避免低相關(guān)度特征的干擾，提升了在噪聲環(huán)境或復(fù)雜背景中的檢測性能；通過關(guān)聯(lián)度和非對稱加權(quán)矩陣實(shí)現(xiàn)了對高關(guān)聯(lián)特征矩陣的動態(tài)加權(quán)，避免了單一特征的重要性被放大或弱化的問題，生成的融合特征矩陣有效地突出異常區(qū)域的顯著特征，在異常區(qū)域與正常區(qū)域的對比中展現(xiàn)了更強(qiáng)的敏感度，使得檢測更為高效；

42、3、通過結(jié)合高斯偏離和熵差值構(gòu)建的顯著性評分矩陣，使得在融合特征圖中的顯著異常區(qū)域獲得高評分，提升了對異常區(qū)域的判別能力；進(jìn)一步的偏離矩陣計(jì)算則通過高次偏離評分篩選了潛在的異常點(diǎn)，增加了異常檢測的可靠性和精確性，確保異常區(qū)域在多層次的評估中逐步得到確認(rèn)；

43、4、最終生成的異常檢測圖通過自適應(yīng)閾值分割、形態(tài)學(xué)處理和輪廓檢測，不僅準(zhǔn)確標(biāo)定了異常區(qū)域的范圍，還有效去除了噪聲與非目標(biāo)區(qū)域的干擾；分割后的異常區(qū)域輪廓可直接疊加到原圖中，以可視化方式突出異常位置；此外，位置信息還可輸出為坐標(biāo)數(shù)據(jù)，便于在檢測結(jié)果的基礎(chǔ)上進(jìn)行進(jìn)一步分析與處理，滿足多種圖像異常檢測場景的需求，如出現(xiàn)火災(zāi)時(shí)的消防預(yù)警等。