一种用于船舶维护的X射线船体焊缝图像检测方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种用于船舶维护的X射线船体焊缝图像检测方法。

背景技术

焊接是船舶维护中会频繁使用到的工艺，并且焊接过程中极易受到外部环境影响导致成型的焊缝会出现不可预料的缺陷，这些缺陷的存在会产生安全隐患。所以在焊接完成后需要及时对焊接质量进行检查。现有的对船体焊缝的检测方法主要包括无损检验和破坏检验，考虑到破坏检验不符合对船舶进行维护的期望，因此在对船舶维护时的焊接质量进行检测时通常使用无损检验。X射线无损探伤时对焊缝进行无损检验的主要方法之一，是一种使用X射线穿透船体焊缝，以胶片作为记录信息的载体的无损检测方法，当焊缝中出现不同密度的物质时，由于不同物质对射线的吸收系数不同，所以胶片乳剂层卤化银产生的潜影也不相同，可以跟据暗室处理后的底片上不同位置的差异来进行辨别。现有技术通常基于模板匹配和基于边缘检测的方法检测焊缝X射线探伤图像中的焊缝缺陷。

但是船体焊缝图像中会不可避免的出现噪声和微小缺陷区域，而现有技术中基于模板匹配和基于边缘检测的方法无法准确地区分微小缺陷和噪声，从而噪声部分微小缺陷在缺陷检测过程中被遗漏，导致船体焊缝检测的准确度降低。

发明内容

为了解决现有技术中基于模板匹配和基于边缘检测的方法无法准确地区分微小缺陷和噪声导致船体焊缝检测的准确度降低的技术问题，本发明的目的在于提供一种用于船舶维护的X射线船体焊缝图像检测方法，所采用的技术方案具体如下：

本发明提出了一种用于船舶维护的X射线船体焊缝图像检测方法，所述方法包括：

获取待检测船舶船体的焊缝X射线探伤图像，对所述焊缝X射线探伤图像进行区域筛选得到焊缝区域图像；

在所述焊缝区域图像中根据每个像素点的灰度值和对应的第一预设邻域范围内每个像素点的灰度值分布特征得到灰度混乱度，将每个像素点所处的行和列中的所有像素点组成的区域记为对应的混乱度特征区域，根据每个像素点对应的混乱度特征区域中灰度混乱度进行异常数据检测得到标记像素点，对所有标记像素点进行聚类分析得到至少两个标记像素点集合；

根据每个像素点与对应的第二预设邻域范围内其他像素点之间灰度混乱度的分布特征的相似度得到相似度分布特征值，根据每个像素点对应的混乱度特征区域中灰度混乱度的数值分布特征得到对应的混乱度特征阈值，根据每个像素点对应的所述相似度分布特征值、所述混乱度特征阈值和所处标记像素点集合内标记像素点的数量得到灰度混乱度密集度；

根据灰度混乱度密集度对每个像素点进行聚类分析，检测出缺陷像素点，所有缺陷像素点组成的区域记为X射线船体焊缝图像中的缺陷区域。

进一步地，所述灰度混乱度的获取方法包括：

统计所述焊缝区域图像中所有像素点的灰度值，根据所有像素点的灰度值得到灰度值均值，计算目标像素点第一预设邻域范围内像素点灰度值的标准差，计算目标像素点的灰度值与所述灰度值均值之间的灰度差异，将目标像素点对应的所述标准差和所述灰度差异的乘积记为灰度混乱度；

改变目标像素点得到每个像素点的灰度混乱度。

进一步地，所述相似度分布特征值的获取方法包括：

统计目标像素点第三预设邻域范围内所有像素点的灰度混乱度，将目标像素点预设邻域范围内所有像素点的灰度混乱度按照从左到右、从上到下进行顺序排列得到灰度混乱向量；改变目标像素点得到每个像素点的灰度混乱向量；

计算目标像素点与其第二预设邻域范围内每个像素点之间灰度混乱向量的余弦相似度，将所有余弦相似度的均值记为目标像素点对应的相似度分布特征值；

改变目标像素点得到所有像素点对应的相似度分布特征值。

进一步地，所述灰度混乱度密集度的获取方法包括：

将目标像素点的所述灰度混乱度与所述混乱度特征阈值之间的差异归一化后获得灰度混乱度差异，计算所述灰度混乱度差异与目标像素点对应的所述相似度分布特征值之间的差值得到灰度混乱度偏离度，通过目标像素点所处标记像素点集合内标记像素点的数量与预设调节参数的和值得到偏离值密集度，根据灰度混乱度偏离度和偏离值密集度的乘积获得目标像素点的灰度混乱度密集度；

改变目标像素点得到所有像素点的灰度混乱度密集度。

进一步地，所述将每个像素点对应的灰度混乱度密集度进行聚类分析检测出缺陷像素点包括：

以每个像素点的所述灰度混乱度密集度作为模糊C均值聚类分析过程中的特征向量并进行隶属度计算；通过模糊C均值聚类分析将所有像素点分为正常像素点类别和缺陷像素点类别，将所述缺陷像素点类别中所有像素点记为缺陷像素点。

进一步地，所述混乱度特征阈值的获取方法包括：

统计目标像素点对应的混乱度特征区域中所有像素点的灰度混乱度，采用OTSU最大类间方差法根据对应的混乱度特征区域中所有像素点的灰度混乱度得到混乱度特征阈值；

改变目标像素点得到所有像素点对应的混乱度特征阈值。

进一步地，所述焊缝区域图像的获取方法包括：

对所述焊缝X射线探伤图像进行去噪得到去噪后探伤图像，将所述去噪后探伤图像通过OTSU阈值分割得到分割探伤图像，将所述分割探伤图像进行开运算后筛选出的区域映射到焊缝X射线探伤图像中得到所述焊缝区域图像。

本发明具有如下有益效果：

考虑到微小缺陷区域与噪声区域形态特征和空间分布特征存在差异，本发明实施例根据每个像素点对应的所述相似度分布特征值、所述混乱度特征阈值和所处标记像素点集合内标记像素点的数量得到灰度混乱度密集度，根据灰度混乱度密集度将微小缺陷区域与噪声区域形态特征和空间分布特征存在差异进行放大，进一步通过聚类分析检测出缺陷像素点，实现对微小缺陷区域的识别，提高对船体焊缝图像检测的准确度。综上所述，本发明通过计算船体焊缝中各个像素点的灰度混乱度密集度进行图像数据处理，能够放大缺陷特征避免微小缺陷和噪声影响检测结果，提高了船体焊缝图像检测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种用于船舶维护的X射线船体焊缝图像检测方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于船舶维护的X射线船体焊缝图像检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种用于船舶维护的X射线船体焊缝图像检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种用于船舶维护的X射线船体焊缝图像检测方法流程图，该方法包括：

步骤S1：获取待检测船舶船体的焊缝X射线探伤图像，对焊缝X射线探伤图像进行区域筛选得到焊缝区域图像。

本发明目的在于提供一种用于船舶维护的X射线船体焊缝图像检测方法，对需要进行船舶维护检查的船体的焊缝X射线探伤图像进行图像处理，分析是否存在焊接缺陷，实现对船舶的维护，保障船舶航行安全。因此首先需要获取待检测船舶船体的焊缝X射线探伤图像，并且为了方便后续分析需要保证焊缝在图像中呈水平分布。需要说明的是，后续所有焊缝X射线探伤图中焊缝在图像中均为水平分布，且通过X射线探伤检测焊缝为现有焊缝检测的常用技术，为本领域技术人员所熟知的技术手段，在此不对获取待检测船舶船体的焊缝X射线探伤图像的获取方法做进一步赘述。考虑到焊缝X射线探伤图像中除焊缝之外的其他区域会对后续焊缝图像检测造成影响，因此本发明实施例对焊缝X射线探伤图像进行区域筛选得到焊缝区域图像。

优选地，对焊缝X射线探伤图像进行区域筛选得到焊缝区域图像的具体过程包括：

对焊缝X射线探伤图像进行去噪得到去噪后探伤图像；去噪能够提高图像的质量使得区域筛选的精度更高，本发明实施例通过中值滤波对焊缝X射线探伤图像进行去噪处理。需要说明的是，中值滤波去噪为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

将去噪后探伤图像通过OTSU阈值分割得到分割探伤图像。由于焊缝区域相比于焊缝X射线探伤图像中其他区域的灰度值相对更高，因此通过OTSU阈值分割能够清楚的将焊缝区域筛选出来。

但是所得到的分割探伤图像中可能存在焊缝附近的标识信息，由于对应标识信息一般较小，所以本发明实施例将分割探伤图像进行开运算后筛选出的区域映射到焊缝X射线探伤图像中得到焊缝区域图像。通过开运算消除焊缝附近的标识信息，完成二值图像上焊缝区域的筛选，进一步将二值图像上的焊缝区域映射到焊缝X射线探伤图像中即可得到焊缝区域图像。

步骤S2：在焊缝区域图像中根据每个像素点的灰度值和对应的第一预设邻域范围内每个像素点的灰度值分布特征得到灰度混乱度，将每个像素点所处的行和列中的所有像素点组成的区域记为对应的混乱度特征区域，根据每个像素点对应的混乱度特征区域中灰度混乱度进行异常数据检测得到标记像素点，对所有标记像素点进行聚类分析得到至少两个标记像素点集合。

考虑到当焊缝不存在缺陷时，对应的焊缝区域图像内各个像素点的灰度值分布较为均匀，每个像素点附近所有像素点的灰度值也趋于一致；对应的当焊缝存在缺陷时，缺陷区域的像素点的灰度值相对于正常像素点的灰度值存在明显差异，并且存在缺陷的焊缝区域图像中，会存在像素点周围灰度值分布较为杂乱的区域。所以本发明实施例基于像素点的灰度值相对于焊缝区域其他像素点的差异和像素点附近的灰度分布特征进行特征提取，并将每个像素点所提取出的特征记为灰度混乱度。本发明实施例在焊缝区域图像中根据每个像素点第一预设邻域范围内像素点灰度值分布特征得到灰度混乱度。

优选地，灰度混乱度的获取方法具体包括：

统计焊缝区域图像中所有像素点的灰度值，根据所有像素点的灰度值得到灰度值均值，计算目标像素点第一预设邻域范围内像素点灰度值的标准差，计算目标像素点的灰度值与灰度值均值之间的灰度差异，将目标像素点对应的标准差和灰度差异的乘积记为灰度混乱度；改变目标像素点得到每个像素点的灰度混乱度。在本发明实施例中，第一预设邻域范围设置为八邻域，且后续过程中第一预设邻域范围、第二预设邻域范围和第三预设邻域范围皆为八邻域。

通过目标像素点的灰度值与焊缝区域图像中所有像素点的灰度值均值进行比较，能够体现出目标像素点灰度值相较于整体像素点灰度值的分布情况，而通过目标像素点第一预设邻域范围内的标准差体现出目标像素点局部邻域范围内的灰度值分布情况。因此每个像素点的灰度混乱度能表征每个像素点整体和局部的灰度值分布情况。

灰度混乱度的获取方法在公式上表现为：

其中，

通过灰度混乱度获取公式得到的灰度混乱度，能够提取出每个像素点相对于焊缝区域图像整体和该像素点附近的灰度值分布特征，当像素点灰度值越偏离焊缝区域图像整体特征或对应的第一预设邻域范围内分布越杂乱，即像素点灰度值与所有像素点灰度值之间的灰度差异越大或其第一预设邻域范围内各个像素点灰度值标准差越大时，则该像素点对应的灰度混乱度越大。

由于焊缝上微小缺陷区域相对于其他正常区域而言范围较小，焊缝区域图像中正常区域占大多数且正常区域的像素点灰度值与缺陷区域的像素点灰度值差异明显，所以焊缝区域图像中微小缺陷区域中像素点对应的灰度混乱度较大。本发明实施例能够根据该特点将每个像素点与其他像素点的灰度混乱度进行比较从而进一步筛选出微小缺陷区域。

但是如果选取焊缝区域图像整体的像素点与每个像素点的灰度混乱度进行比较，对应的比较范围过大对应的计算过程较为复杂，且当焊缝区域中含有的微小缺陷区域过多时，通过焊缝区域整体的像素点与焊缝区域内微小缺陷区域内的像素点进行比较容易受到其他微小缺陷对应的像素点灰度混乱度的干扰，所以在选取每个像素点灰度混乱度的对比区域时，需要尽可能地选取对比较过程干扰较小的区域。

考虑到焊缝在图像中为水平分布，且焊缝中微小缺陷区域的缺陷通常为裂纹等较为细长的缺陷，因此将每个像素点所在行的所有像素点作为比较范围，能够使得微小缺陷区域中像素点的灰度混乱度更为突出，但是考虑到焊缝微小缺陷中细长的裂纹缺陷的分布方向与焊缝的水平分布方向一致，导致对应的微小缺陷区域中的像素点相较于该像素点所在行的各像素点的灰度混乱度突出程度减弱，因此本发明实施例将每个像素点所在行的所有像素点的基础上，添加每个像素点所在列的所有像素点作为比较范围，并将比较范围记为混乱度特征区域。即本发明实施例将每个像素点所处的行和列中的所有像素点组成的区域记为对应的混乱度特征区域。

进一步对每个像素点对应的混乱度特征区域中其他像素点之间的灰度混乱度进行比较，初步筛选出微小缺陷区域像素点，进一步根据每个像素点对应的混乱度特征区域中灰度混乱度进行异常数据检测得到标记像素点。本发明实施例通过LOF异常数据检测，将每个混乱度特征区域中的异常值对应的像素点记为标记像素点。需要说明的是，异常数据检测存在多种方法，且包括LOF异常数据检测在内的所有异常数据检测方法均为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

标记像素点的获取过程能够体现出当前像素点的灰度混乱度相较于局部范围内其他像素点的差异情况，所以无法排除噪声数据可能被划分为标记像素点的可能。考虑到焊缝区域中微小缺陷区域虽然面积较小，但是通常微小缺陷不会单独出现在某个位置，而是呈一个区域出现，与噪声数据的通常单独离散出现的特征存在明显差异。所以本发明实施例进一步对所有标记像素点进行聚类分析得到至少两个标记像素点集合。在本发明实施例中，以2为最少点数量，以6为半径采用DBSCAN聚类算法对所有标记像素点进行聚类分析得到至少两个标记像素点集合，并进一步统计每个标记像素点集合中标记像素点的数量。当某像素点为标记像素点时，若该像素点对应为焊缝表面出现缺陷位置的像素点，则该像素点附近会存在至少两个标记像素点，这些标记像素点会被划分到同一个标记点集合内。需要说明的是，聚类分析为本领域技术人员所熟知的技术手段，且包括DBSCAN聚类算法在内的所有聚类分析方法均为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

步骤S3：根据每个像素点与对应的第二预设邻域范围内其他像素点之间灰度混乱度的分布特征的相似度得到相似度分布特征值，根据每个像素点对应的混乱度特征区域中灰度混乱度的数值分布特征得到对应的混乱度特征阈值，根据每个像素点对应的相似度分布特征值、混乱度特征阈值和所处标记像素点集合内标记像素点的数量得到灰度混乱度密集度。

步骤S2通过每个微小缺陷区域的形态特征和空间分布特征得到至少两个标记像素点集合，进一步需要根据所得到的标记像素点集合对微小缺陷区域像素点进行检测。为了提高对微小缺陷区域像素点检测的准确度，本发明实施例在通过每个微小缺陷区域的形态特征和空间分布特征得到至少两个标记像素点集合的基础上加入相似性特征，具体的：

本发明实施例对每个像素点第二预设邻域范围内灰度混乱度的分布状况的相似度进行对比，并将对比结果作为相似性特征，即根据每个像素点与对应的第二预设邻域范围内其他像素点之间灰度混乱度的分布特征的相似度得到相似度分布特征值，通过像素点分布特征值表征相似性特征。

优选地，相似度分布特征值的获取方法包括：

本发明实施例采用余弦相似度对灰度混乱度分布状况的相似度进行计算，考虑到余弦相似度所计算的对象为向量，因此本发明实施例将每个像素点第三预设邻域范围内灰度混乱度的分布状况转化为向量来进一步计算余弦相似度，将每个像素点第三预设邻域范围内灰度混乱度顺序排列得到对应的灰度混乱向量。

统计目标像素点第三预设邻域范围内所有像素点的灰度混乱度，将目标像素点第三预设邻域范围内所有像素点的灰度混乱度按照从左到右、从上到下进行顺序排列得到灰度混乱向量；改变目标像素点得到每个像素点的灰度混乱向量。该过程能够同一所有像素点的灰度混乱向量的获取方法，保证不同的像素点的灰度混乱向量受到灰度混乱度选取顺序的影响。

进一步地计算目标像素点与其第二预设邻域范围内每个像素点之间灰度混乱向量的余弦相似度，将所有余弦相似度的均值记为目标像素点对应的相似度分布特征值。通过余弦相似度的均值能够对每个像素点与其第二预设邻域范围内每个像素点的灰度混乱度分布情况相似程度的整体特征进行表征。当相似度分布特征值较大，即余弦相似度整体较大时，对应的像素点与第二预设邻域范围内的像素点属于同一种像素点的可信度较大，同一种像素点指像素点第二预设邻域范围内均为正常区域像素点或均为微小缺陷区域像素点。

由于相似度分布特征值仅能得到每个像素点第二预设邻域范围内像素点为同一种像素点的可信度，且同一种像素点包括正常区域像素点或微小缺陷区域像素点，因此需要进一步筛选出根据正常区域像素点和微小缺陷区域像素点的差异提取出微小缺陷区域的特征。考虑到每个像素点对应的混乱度特征区域中，微小缺陷区域像素点的数量明显小于正常区域像素点的数量，且正常区域像素点的灰度混乱度之间差异不大，因此本发明实施例考虑到该特征根据每个像素点对应的混乱度特征区域中灰度混乱度的数值分布特征得到对应的混乱度特征阈值。

优选地，混乱度特征阈值的获取方法包括：

统计目标像素点对应的混乱度特征区域中所有像素点的灰度混乱度，采用OTSU最大类间方差法根据对应的混乱度特征区域中所有像素点的灰度混乱度得到混乱度特征阈值；改变目标像素点得到所有像素点对应的混乱度特征阈值。当像素点对应的灰度混乱度相对于混乱度特征区域范围内其他像素点的灰度混乱度差异较大时，则该像素点的灰度混乱度与混乱度特征阈值差异较大，且对于微小缺陷区域内的像素点的混乱度特征区域中，正常区域像素点占大多数，导致微小缺陷区域内像素点总是与混乱度特征阈值差异较大。采用OTSU最大类间方差法所得到的阈值，能够清楚的分离出正常区域像素点和微小缺陷区域的像素点。需要说明的时，OTSU最大类间方差法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

在获取混乱度特征阈值后，完成对微小缺陷区域相似度特征的提取。进一步根据此前所提取出的微小缺陷区域的形态特征和空间分布特征表征微小缺陷区域的特征，并将该特征记为灰度混乱度密集度。本发明实施例根据每个像素点对应的相似度分布特征值、混乱度特征阈值和所处标记像素点集合内标记像素点的数量得到灰度混乱度密集度。

优选地，灰度混乱度密集度的获取方法包括：

将目标像素点的灰度混乱度与混乱度特征阈值之间的差异归一化后获得灰度混乱度差异。由于目标像素点的混乱度特征区域中微小缺陷区域内像素点总是与混乱度特征阈值差异较大，通过目标像素点的灰度混乱度与对应的混乱度特征阈值之间的差异，能够明显的体现出微小缺陷区域像素点灰度混乱度的特征。

计算灰度混乱度差异与目标像素点对应的相似度分布特征值之间的差值得到灰度混乱度偏离度。由于相似度分布特征值能够表现出目标像素点第二预设邻域范围内各像素点之间的一致性程度，所以通过灰度混乱度差异与目标像素点对应的相似度分布特征值之间的差值，能够在一致性程度的基础上引入灰度混乱度偏差从而分离出微小缺陷区域和正常区域像素点的差异特征。当目标像素点的灰度混乱度差异越大，相似度分布特征值越小时，对应的目标像素点的微小缺陷区域特征越明显。

通过目标像素点所处标记像素点集合内标记像素点的数量与预设调节参数的和值得到偏离值密集度，根据灰度混乱度偏离度和偏离值密集度的乘积得到目标像素点的灰度混乱度密集度；改变目标像素点得到所有像素点的灰度混乱度密集度。由于微小缺陷总是呈区域分布的特性，因此微小缺陷对应的标记像素点集合内标记像素点数量越多，对应的目标像素点微小缺陷区域特征越明显，本发明实施例通过偏离值密集度表征每个标记像素点集合内像素点的数量特征。通过偏离值密集度作为灰度混乱度偏离度的系数，能够将微小缺陷区域像素点的特征进行放大，进一步使得对微小缺陷区域像素点的筛选更加准确。

优选地，当目标像素点不属于标记像素点时，将目标像素点所处标记像素点集合内标记像素点的数量记为0。对应的偏离值密集度通过预设常数系数表示。在本发明实施例中，预设常数系数设置为1。

在本发明一个实施例中，灰度混乱度密集度的获取方法在公式上表现为：

其中，

至此，得到每个像素点对应的灰度混乱度密集度。

步骤S4：根据灰度混乱度密集度对每个像素点进行聚类分析，检测出缺陷像素点，所有缺陷像素点组成的区域记为X射线船体焊缝图像中的缺陷区域。

进一步根据灰度混乱度密集度对焊缝区域图像中所有像素点进行分类，将所有像素点分为微小缺陷区域像素点和非微小缺陷区域像素点。将每个像素点对应的灰度混乱度密集度进行聚类分析检测出缺陷像素点，所有缺陷像素点组成的区域记为X射线船体焊缝图像中的缺陷区域。

优选地，考虑到灰度混乱度密集度作为聚类分析基础数据时，能够使得模糊C均值聚类算法中隶属度的计算更加准确，本发明实施例以每个像素点的灰度混乱度密集度作为模糊C均值聚类分析过程中的特征向量并进行隶属度计算；通过模糊C均值聚类分析将所有像素点分为正常像素点类别和缺陷像素点类别，将缺陷像素点类别中所有像素点记为缺陷像素点。隶属度计算公式包括：

其中，

将用灰度混乱密集度计算出的隶属度替代原模糊C均值算法中的隶属度对焊缝区域中的像素点进行聚类，将隶属于缺陷像素点类别的像素点划分出来。需要说明的是，模糊C均值算法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

进一步地将所有缺陷像素点组成的区域记为X射线船体焊缝图像中的缺陷区域。

优选地，考虑到划痕等轻微的损伤在焊缝表面可能会出现间断，为了避免间断部分少量的像素点因较为离散而与图像中不可避免的噪音混淆，需要再次根据空间位置分布排除噪音的干扰。对划分出的出现所有缺陷像素点使用OPTICS算法以minpts=3，

至此，本发明完成。

综上所述，本发明通过对焊缝X射线探伤图像进行区域筛选得到焊缝区域图像，根据焊缝区域图像中各个像素点的灰度值分布特征得到灰度混乱度，基于焊缝区域图像中各个像素点的灰度混乱度，根据微小缺陷区域中的形态特征、空间分布特征以及每个像素点预设邻域范围内分布特征的相似度得到灰度混乱度密集度，基于灰度混乱度密集度对焊缝区域图像中各个像素点进行聚类分析筛选出缺陷区域。本发明通过计算船体焊缝中各个像素点的灰度混乱度密集度进行图像数据处理实现船体环缝图像检测的方法，提高了对微小缺陷区域的检测准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。