本发明涉及图像处理，尤其涉及基于机器视觉的铝型材料精准切割方法及系统。
背景技术：
1、铝型材料是由铝棒通过热熔、挤压，从而得到不同截面形状的铝型材料。由于铝型材料的密度低、强度高、可塑性好等特点，其被广泛应用于工业领域。通过切割技术，将铝型材料切割成各种形状和尺寸，以满足不同的需求。
2、若金属板材存在缺陷，对其直接进行切割，则会直接影响到板材的质量。因此需要对板材的缺陷进行识别，以便在对其进行切割时，可以避开存在缺陷的部分，以提高所切割的板材质量，避免造成资源浪费。
3、在铝型材料中，不仅存在缺陷区域，同时还需要考虑铝型材料边缘，以便根据缺陷区域以及边缘区域对切割刀的切割路径做出合理规划，从而最大化的利用铝型材料，避免造成资源浪费。由于缺陷区域以及边缘区域通常表现为与周围区域不同的特征，而边缘检测算法可以捕捉到图像中灰度或颜色变化最明显的地方，因此可以通过边缘检测算法来获取缺陷区域以及铝型材料的边缘区域。
4、由于铝型材料在生产过程中可能产生一些表面不均匀的细微特征，在对铝型材料进行边缘检测时，会错误的将这些表面不均匀的细微特征识别为缺陷区域或者边缘区域，因此需要对铝型材料图像进行滤波处理，模糊表面不均匀的细微特征。均值滤波通过计算图像中每个像素邻域的平均值来调整像素值，有助于减少表面不均匀的细微特征，而由于传统的均值滤波算法为预设的固定大小的滤波窗口，若滤波窗口设置过小，则无法较好的消除表面不均匀的细微特征，若滤波窗口设置过大，则会模糊掉铝型材料的缺陷区域以及边缘区域，从而使对铝型材料切割结果不准确，造成资源浪费。
技术实现思路
1、本发明的目的在于提供基于机器视觉的铝型材料精准切割方法及系统，用以解决对铝型材料切割不准确造成的资源浪费的技术问题。
2、第一方面，本发明提供基于机器视觉的铝型材料精准切割方法，采用如下的技术方案：
3、获取铝型材料图像，对铝型材料图像进行预处理，得到多个超像素块；
4、获取任意一个超像素块中的任意一个灰度值所对应的所有像素点的索引位置，对所述索引位置进行聚类，得到聚类结果；根据所有像素点与其所在聚类簇的聚类中心的欧式距离以及所有灰度值的信息熵计算该灰度值的显著性；显著性与欧式距离呈负相关，与信息熵呈正相关；
5、对于任意一个像素点，获取该像素点所在聚类簇的所有像素点与该聚类簇的聚类中心的欧式距离的标准差，根据所述标准差以及该像素点与聚类中心的欧式距离计算该像素点的离群程度，其中所述离群程度与所述欧式距离呈正相关，与所述标准差呈负相关；
6、将任意一个像素点与其八邻域像素点的灰度值差值的绝对值的和作为该像素点的局部差异，将该像素点的灰度值的显著性以及所述局部差异的乘积与离群程度的比值作为该像素点的特征强度，根据特征强度计算该像素点的滤波窗口边长，所述滤波窗口大小与所述特征强度呈负相关；根据滤波窗口边长完成滤波，根据滤波后的图像完成对铝型材料的精准切割。
7、其效果在于：本发明通过计算任意一个像素点的特征强度，并根据该像素点的特征强度自适应获取该像素点的滤波边长，使特征强度更强的像素点的滤波边长更小，可以最大限度的保留特征较强的像素点的特征，从而使滤波结果更加准确，进一步的使铝型材料的精准切割结果更加准确。
8、优选的，所述对铝型材料图像进行预处理，得到多个超像素块，包括步骤：
9、利用超像素分割算法对铝型材料图像进行分割，得到多个超像素块。
10、优选的，所述聚类结果，包括：
11、对所有像素点的索引位置利用迭代自组织聚类算法进行聚类，得到聚类结果，其中，聚类结果包括：每一个聚类簇中的所有像素点的索引位置以及每一个聚类簇的聚类中心。
12、优选的，所述显著性满足表达式：
13、；
14、式中，表示第个超像素块的第个灰度值的显著性；表示第个超像素块的所有灰度值的信息熵；表示对第个灰度值的索引位置进行聚类的聚类簇总数；表示聚类簇序数；表示第个聚类簇中的像素点总数；表示像素点序数；表示第个像素点与其所在聚类簇的聚类中心的欧式距离；表示以自然常数为底数的指数函数。
15、其效果在于：对于任意一个灰度值的所有像素点，通过对所有像素点的索引位置进行聚类，并根据聚类结果中所有像素点与其所在聚类簇的聚类中心之间的欧式距离可以计算出该灰度值在超像素块中的集中程度，若所述欧式距离越小，则说明集中程度越高，即该灰度值所对应的所有像素点在超像素块中具有较强的空间一致性；信息熵反映了该超像素块中所有灰度值的复杂性，其取值越高，则说明在该超像素块中的灰度分布越复杂，有助于强调图像中的重要变化区域。结合这两者，可以有效的减少噪声对灰度值显著性计算的影响。
16、优选的，所述离群程度满足表达式：
17、；
18、式中，表示第个灰度值的第个聚类簇的第个像素点的离群程度；表示第个灰度值的第个聚类簇的第个像素点与其所在聚类簇的聚类中心的欧式距离；表示第个聚类簇中的像素点总数；表示第个聚类簇中的所有像素点距离该聚类簇的聚类中心的平均距离；表示标准归一化函数。
19、其效果在于：通过计算任意一个灰度值中任意一个像素点的离群程度，可以量化出该像素点与其灰度值之间的关系，若其离群程度越小，则说明该像素点的特征强度越趋近于该像素点的灰度值的显著性，从而使后续像素点的特征强度的计算结果更加准确。
20、优选的，所述滤波窗口边长满足表达式：
21、；
22、式中，表示铝型材料图像中第个像素点的滤波窗口的边长；表示预设初始滤波窗口的边长；表示铝型材料图像中第个像素点的特征强度；表示以自然常数为底数的指数函数；表示向上取整函数。
23、其效果在于：根据任意一个像素点的特征强度计算该像素点的滤波窗口边长，使特征强度较大的像素点的滤波窗口边长较小，可以较大程度的保留该像素点的特征，从而使铝型材料图像的滤波结果更加准确。
24、优选的，所述局部差异满足表达式：
25、；
26、式中，表示第个灰度值的第个聚类簇的第个像素点的局部差异；表示任意一个像素点的邻域像素点序数；表示第个灰度值的第个聚类簇的第个像素点的灰度值；表示第个灰度值的第个聚类簇的第个像素点的邻域范围内的第个像素点的灰度值；表示绝对值符号。
27、其效果在于：局部差异指的是相邻像素之间的灰度变化，通过计算像素点的局部差异可以更精确的识别图像中的关键特征区域，可以突出图像中具有显著灰度变化的区域，从而使像素点的特征强度的计算结果更加明显，进一步的使铝型材料图像的滤波结果更加准确。
28、第二方面，本发明提供基于机器视觉的铝型材料精准切割系统，采用如下的技术方案：
29、基于机器视觉的铝型材料精准切割系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述基于机器视觉的铝型材料精准切割方法。
30、通过采用上述技术方案，将上述的基于机器视觉的铝型材料精准切割方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而根据存储器及处理器制作终端设备，方便使用。
31、本发明具有以下技术效果：
32、本发明通过对图像进行分割，得到多个超像素块，对于超像素块中的任意一个灰度值，对其所对应的所有像素点的索引位置进行聚类，得到聚类结果，根据聚类结果以及该超像素块中灰度值的分布情况计算该灰度值的显著性，从而使该灰度值的显著性计算结果更加准确。
33、进一步的，本发明结合像素点的灰度值的显著性、像素点的离群程度以及局部差异综合计算该像素点的特征强度，并根据该像素点的特征强度自适应获取该像素点的滤波边长，使特征强度更强的像素点的滤波边长越小，可以最大限度的保留特征较强的像素点的特征，从而使滤波结果更加准确，进一步的使铝型材料的精准切割结果更加准确。
1.基于机器视觉的铝型材料精准切割方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于机器视觉的铝型材料精准切割方法，其特征在于，所述对铝型材料图像进行预处理，得到多个超像素块，包括步骤：
3.根据权利要求1所述的基于机器视觉的铝型材料精准切割方法，其特征在于，所述聚类结果，包括：
4.根据权利要求1所述的基于机器视觉的铝型材料精准切割方法，其特征在于，所述显著性满足表达式：
5.根据权利要求1所述的基于机器视觉的铝型材料精准切割方法，其特征在于，所述离群程度满足表达式：
6.根据权利要求1所述的基于机器视觉的铝型材料精准切割方法，其特征在于，所述滤波窗口边长满足表达式：
7.根据权利要求1所述的基于机器视觉的铝型材料精准切割方法，其特征在于，所述局部差异满足表达式：
8.基于机器视觉的铝型材料精准切割系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-7任一项所述的基于机器视觉的铝型材料精准切割方法。
