本技术涉及图像异常检测，尤其涉及一种周期图像异常检测方法和装置、电子设备及存储介质。
背景技术：
1、周期性纹理图像是指由按照周期性排列并重复出现的纹理基元构成的图像。在相关实现周期性纹理图像的异常检测中，一种方式是基于学习的方法，为每种特定纹理构建训练数据集，并根据特定纹理的训练数据集训练特定纹理的深度学习模型，但这种方法需要花费大量时间准备训练数据集与训练深度学习模型。一种方式是基于结构分析的方法，但这种这类方法适用于高度规则的纹理，对于非规则的纹理无法进行精准检测。因此，如何精准、快速的检测周期性纹理图像的异常，成为亟待解决的问题。
技术实现思路
1、本技术实施例的主要目的在于提出一种周期图像异常检测方法和装置、电子设备及存储介质，旨在提供精准、快速的检测周期性纹理图像的异常。
2、为实现上述目的，本技术实施例的第一方面提出了一种周期图像异常检测方法，所述方法包括：
3、获取周期图像；其中，所述周期图像为带有周期性纹理的图像；
4、对所述周期图像进行旋转采样处理，得到采样图像；
5、根据预设的初步图像纹理数据和所述采样图像构建图像自表达模型；其中，所述图像自表达模型用于表征所述采样图像中的所述周期性纹理和过滤所述采样图像中的噪声和缺陷；
6、基于所述图像自表达模型更新所述初步图像纹理数据，得到目标图像纹理数据；
7、根据所述目标图像纹理数据对所述采样图像进行图像扩展重构，得到目标参考图像；
8、根据所述目标参考图像对所述周期图像进行异常检测，得到图像异常信息。
9、在一些实施例，所述初步图像纹理数据包括：初步缺陷指示数据和初步周期纹理矢量；所述图像自表达模型包括：周期纹理子模型和缺陷指示子模型；所述基于所述图像自表达模型更新所述初步图像纹理数据，得到目标图像纹理数据，包括：
10、基于所述周期纹理子模型和所述初步缺陷指示数据对所述初步周期纹理矢量进行迭代优化处理，得到目标周期纹理矢量；
11、基于所述缺陷指示子模型和所述目标周期纹理矢量对所述初步缺陷指示数据进行迭代优化处理，得到目标缺陷指示数据。
12、在一些实施例，所述初步周期纹理矢量包括：初步列纹理矢量和初步行纹理矢量；所述周期纹理子模型包括：行纹理子模型和列纹理子模型；所述基于所述周期纹理子模型和所述初步缺陷指示数据对所述初步周期纹理矢量进行迭代优化处理，得到目标周期纹理矢量，包括：
13、基于所述初步列纹理矢量、所述初步缺陷指示数据和所述行纹理子模型对所述初步行纹理矢量进行优化，得到候选行纹理矢量；
14、基于所述初步缺陷指示数据、所述候选行纹理矢量和所述列纹理子模型对所述初步列纹理矢量进行优化，得到候选列纹理矢量；
15、基于所述初步缺陷指示数据、所述候选列纹理矢量和所述行纹理子模型对所述候选行纹理矢量进行优化，得到目标行纹理矢量；
16、基于所述初步缺陷指示数据、所述目标行纹理矢量和所述列纹理子模型对所述候选列纹理矢量进行优化，得到目标列纹理矢量。
17、在一些实施例，所述根据所述目标参考图像对所述周期图像进行异常检测，得到图像异常信息，包括：
18、根据预设的分块尺寸对所述周期图像进行图像分块，得到多个周期分块图像；
19、根据所述分块尺寸对所述目标参考图像进行图像分块，得到多个参考分块图像；
20、根据每一所述周期分块图像从多个所述参考分块图像进行相似分块图像提取，得到每一所述周期分块图像的相似分块图像；
21、根据所述相似分块图像对每一所述周期分块图像进行正则化异常度量，得到每一所述周期分块图像的正则化异常度量数据；
22、根据所述正则化异常度量数据和所述相似分块图像构建正则化异常距离图像；
23、根据预设的卷积核对所述正则化异常距离图像进行卷积处理，得到异常分值；
24、根据所述异常分值和预设的异常阈值确定所述图像异常信息。
25、在一些实施例，所述对所述周期图像进行旋转采样处理，得到采样图像，包括：
26、对所述周期图像进行周期方向度量，得到旋转方向度量数据；
27、获取所述周期图像的图像尺寸，并根据所述旋转方向度量数据和图像尺寸确定第一采样范围；
28、根据所述第一采样范围对所述周期图像进行采样处理，得到采样图像。
29、在一些实施例，所述根据所述相似分块图像对每一所述周期分块图像进行正则化异常度量，得到每一所述周期分块图像的正则化异常度量数据，包括：
30、根据所述相似分块图像对每一所述周期分块图像进行均值处理，得到均值向量；
31、根据所述相似分块图像对每一所述周期分块图像进行标准差度量，得到标准差度量数据；
32、根据所述均值向量、所述标准差度量数据和所述周期分块图像构建所述正则化异常度量数据。
33、在一些实施例，所述根据所述目标图像纹理数据对所述采样图像进行图像扩展重构，得到目标参考图像，包括：
34、根据所述目标图像纹理数据对所述采样图像进行缺陷去除处理，得到采样参考图像；
35、根据所述目标图像纹理数据对所述采样参考图像进行图像拓展处理，得到拓展参考图像；
36、根据所述旋转方向度量数据和所述图像尺寸对所述拓展参考图像进行反向采样处理，得到所述目标参考图像。
37、为实现上述目的，本技术实施例的第二方面提出了一种周期图像异常检测装置，所述装置包括：
38、获取模块，用于获取周期图像；其中，所述周期图像为带有周期性纹理的图像；
39、旋转采样模块，用于对所述周期图像进行旋转采样处理，得到采样图像；
40、构建模块，用于根据预设的初步图像纹理数据和所述采样图像构建图像自表达模型；其中，所述图像自表达模型用于表征所述采样图像中的所述周期性纹理和过滤所述采样图像中的噪声和缺陷；
41、更新模块，用于基于所述图像自表达模型更新所述初步图像纹理数据，得到目标图像纹理数据；
42、扩展重构模块，用于根据所述目标图像纹理数据对所述采样图像进行图像扩展重构，得到目标参考图像；
43、检测模块，用于根据所述目标参考图像对所述周期图像进行异常检测，得到图像异常信息。
44、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
45、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
46、本技术提出的一种周期图像异常检测方法和装置、电子设备及存储介质，其通过获取周期图像，并对周期图像进行旋转采样处理，得到采样图像，能够将图像旋转修正至相同的方向，为后续以相同的方向学习图像的纹理数据提供了数据基础，对旋转后的图像进行采样，减少了需要处理的图像的数据量，提高了周期性纹理图像异常检测的速度；进一步的，根据初步纹理图像数据和采样图像构建图像自表达模型，并基于图像自表达模型更新初步纹理图像数据，得到目标图像纹理数据，直接根据图像构建了纹理数据，提高了检测周期性纹理图像中的异常的速度；进一步的，根据目标图像纹理数据对采样图像进行图像扩展重构，得到目标参考图像，并根据目标参考图像对周期图像进行异常检测，得到图像异常信息，通过目标图像纹理数据修正图像中的非规则纹理，提高了对周期性纹理图像的异常的检测精准度。
1.一种周期图像异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述初步图像纹理数据包括：初步缺陷指示数据和初步周期纹理矢量；所述图像自表达模型包括：周期纹理子模型和缺陷指示子模型；所述基于所述图像自表达模型更新所述初步图像纹理数据，得到目标图像纹理数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述初步周期纹理矢量包括：初步列纹理矢量和初步行纹理矢量；所述周期纹理子模型包括：行纹理子模型和列纹理子模型；所述基于所述周期纹理子模型和所述初步缺陷指示数据对所述初步周期纹理矢量进行迭代优化处理，得到目标周期纹理矢量，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标参考图像对所述周期图像进行异常检测，得到图像异常信息，包括：
5.根据权利要求1所述的方法，其特征在于，所述对所述周期图像进行旋转采样处理，得到采样图像，包括：
6.根据权利要求4所述的方法，其特征在于，所述根据所述相似分块图像对每一所述周期分块图像进行正则化异常度量，得到每一所述周期分块图像的正则化异常度量数据，包括：
7.根据权利要求5所述的方法，其特征在于，所述根据所述目标图像纹理数据对所述采样图像进行图像扩展重构，得到目标参考图像，包括：
8.一种周期图像异常检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的周期图像异常检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的周期图像异常检测方法。
