[發明專利]基于RPCA和PCA的圖像重建及異物檢測方法

在審

• 申請號: 202011178617.4
• 申請日: 2020-10-29
• 公開（公告）號: CN112348912A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 王海旭
• 申請（專利權）人: 東莞市盟拓智能科技有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06K9/62
• 代理公司: 廣東莞信律師事務所 44332
• 代理人: 梁年順

本發明涉及缺陷檢測技術領域，具體涉及一種基于RPCA和PCA的圖像重建及異物檢測方法，包括：獲取基向量：獲取樣本圖像集合；依據RPCA算法，對圖像集合的每個樣本圖像進行拉伸合并；迭代出低秩矩陣大圖；進行標準化，降采樣，PCA分解，得到轉換圖像數據所需的基向量及其轉置；圖像數據重建：將待測圖像與基向量進行矩陣相乘，得到轉換到新空間的臨時數據；將臨時數據與基向量轉置進行矩陣相乘，得到轉換回圖像空間的降噪、消除異物后的數據；異物檢測：將重建后的圖像與待測源圖像進行差分，得到噪聲數據與異物數據的集合；篩除噪聲，得到異物數據集合。本發明結合使用RPCA與PCA算法，在要求實時性的場景下同樣可以生效。

技術領域

本發明涉及缺陷檢測技術領域，具體地，涉及一種基于RPCA和PCA的圖像重建及異物檢測方法。

背景技術

當前MINILED檢測環境存在像素質量低，MINILED原件本體太小等客觀原因，無法使用傳統的算法進行缺陷的檢測與定位，同時工業的檢測環境又需要極高的精度以及檢測效率。

目前傳統算法有PCA和RPCA。

PCA是指主成分分析算法；主成分分析是基于尋找正交基來構建新的矩陣數值空間，將原本的數值矩陣轉換到新的矩陣數值空間以降低數據量，從而實現數據的壓縮處理，同時能消除類似高斯噪聲類別的特殊噪聲。

關于PCA尋找正交基空間，根據PCA的數據降維原理，其中有幾個重要步驟，分別有特定的作用：

(1)協方差：一般是用于刻畫兩個變量間的相關性。協方差位為正，則正相關；為負，則負相關；為0則兩變量無關；

(2)特征值：EVD、SVD分解后可得到兩個特征矩陣和一個特征值矩陣，其中每個特征值表示對應特征的所占比重，即成分中越重要的特征，其特征值越大。PCA邏輯中，是通過篩除所占比重小的特征，保留比重大的特征來進行降噪的；

(3)特征中心化：對應于圖像中每個樣本的每個像素點。特征中心化即特征標準化，是減少特征直接的區別，使樣本特征保持統一尺度。

而PCA的實際實現流程如下：

1、整理原始矩陣X_m×n

2、求原始矩陣X_m×n的協方差矩陣S_m×n＝Cov(X)

3、求解協方差矩陣的特征值與特征向量

4、選取特征值最大的K個特征值所對應的特征向量組合為正交基組合矩陣W_n×k

5、進行矩陣空間轉換，計算新空間中的矩陣Z_m×k：

Z_m×k＝X_m×nW_n×k

其中，由于K是人為指定，且范圍為K∈[0,n]，因此當K小于n時，進行PCA轉換可實現矩陣數據的壓縮。

PCA的缺點在于：

1、PCA算法的降噪效果只是附帶，且僅能處理如高斯噪聲的特定噪聲，而無法處理離散噪聲；

2、PCA算法針對圖像壓縮每次都需要進行奇異值分解，計算量較大，無法應用到實時場景。

而RPCA是指魯棒性主成分分析算法；魯棒性主成分分析是運用了機器學習的概念，尋找樣本集共同的一個低秩矩陣后，所得到的低秩矩陣將其與原圖進行差分可以得到對應的噪聲圖像。再將噪聲圖像返回至原圖進行降噪處理。

運行RPCA是需要大量的運算時間，因此基于加速的邏輯，依靠ALM(增廣拉格朗日乘子)求解RPCA的條件下又分為兩種：IALM(非精確ALM)和EALM(精確ALM)。