茅正沖，鄔 鋒

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇無(wú)錫214122)

0 引言

傳統(tǒng)的鐵軌缺陷檢測(cè)主要依靠鐵路工作人員巡檢，但人工檢測(cè)效率低且具有一定的危險(xiǎn)性。人工檢測(cè)的限制促進(jìn)了許多先進(jìn)無(wú)損檢測(cè)技術(shù)的發(fā)展，無(wú)損檢測(cè)技術(shù)主要通過(guò)傳感器來(lái)獲取鐵軌狀態(tài)，然后使用軟件系統(tǒng)進(jìn)行缺陷檢測(cè)。無(wú)損檢測(cè)技術(shù)中基于圖像傳感器的視覺(jué)檢測(cè)效率高，成本低，抗干擾性強(qiáng)，在鐵軌表面缺陷檢測(cè)中得到了很好的發(fā)展［1～3］。

鐵軌缺陷中無(wú)規(guī)律表面缺陷［4，5］是視覺(jué)檢測(cè)的難點(diǎn)，因?yàn)?1)無(wú)規(guī)律缺陷是隨機(jī)出現(xiàn)在鐵軌表面上，沒(méi)有共同的周期形狀特性，只能依據(jù)圖像像素灰度來(lái)區(qū)分缺陷與背景;2)鐵軌表面圖像是從室外環(huán)境獲取的，天氣和自然光的影響會(huì)使缺陷表面受到的光照不均勻;3)鐵軌表面對(duì)光的反射率不同使圖像灰度分布變化較大。對(duì)鐵軌缺陷圖像進(jìn)行有效的圖像增強(qiáng)和自動(dòng)閾值分割可以提高缺陷檢測(cè)效率。

鐵軌圖像增強(qiáng)主要是灰度對(duì)比度增強(qiáng)，圖像對(duì)比度增強(qiáng)可以簡(jiǎn)單分為直接增強(qiáng)和間接增強(qiáng)兩種類(lèi)型［6］。直接增強(qiáng)算法是通過(guò)對(duì)比度測(cè)量法增強(qiáng)圖像對(duì)比度，間接增強(qiáng)算法是通過(guò)調(diào)整圖像直方圖增強(qiáng)圖像對(duì)比度。典型間接增強(qiáng)算法有全局直方圖均衡化、自適應(yīng)直方圖均衡化［7］和對(duì)比度受限自適應(yīng)直方圖均衡化［8］。但這些方法不能很好消除鐵軌表面光照不均和反射率不同的影響，因此，不適用于鐵軌圖像增強(qiáng)。

自動(dòng)閾值分割法是按照一定準(zhǔn)則自動(dòng)選取一個(gè)灰度值來(lái)把缺陷目標(biāo)從圖像背景中提取出來(lái)［9］。比較常見(jiàn)的自動(dòng)閾值法有迭代閾值法［10］、最大熵法［11］和最大類(lèi)間方差法［12］等自動(dòng)閾值法，但這些方法對(duì)直方圖為單峰分布的圖像處理并不理想，而增強(qiáng)后的鐵軌缺陷圖像直方圖是接近單峰分布的，因此，這些方法不適用于鐵軌缺陷圖像分割。

針對(duì)無(wú)規(guī)律鐵軌表面缺陷檢測(cè)的難點(diǎn)，本文主要研究了局部對(duì)比度測(cè)量法和改進(jìn)的最大類(lèi)間方差法來(lái)對(duì)鐵軌圖像進(jìn)行增強(qiáng)和分割，實(shí)現(xiàn)了鐵軌表面缺陷檢測(cè)率的提高。

1 鐵軌圖像對(duì)比度增強(qiáng)

圖像對(duì)比度反映了圖像目標(biāo)與背景之間的亮度差異，廣泛應(yīng)用的對(duì)比度主要有兩種:Weber對(duì)比度和Michelson對(duì)比度［13］。Weber對(duì)比度主要反映小目標(biāo)與均衡背景之間的差異，計(jì)算公式為

其中，f為目標(biāo)的亮度均值，b為背景的亮度均值。Michelson對(duì)比度主要測(cè)量周期圖案的對(duì)比度，例如:正弦光柵圖像，計(jì)算公式為

其中，Lmax和Lmin分別表示光柵圖像中最大亮度值和最小亮度值。Weber對(duì)比度和Michelson對(duì)比度都不適用于復(fù)雜圖像。

鐵軌表面缺陷圖像通常具有以下特性:1)圖像全局背景灰度分布會(huì)因?yàn)椴煌墓庹蘸捅砻娣瓷渎识兓^大，但這種變化主要表現(xiàn)在橫軸方向(垂直于列車(chē)行駛方向);2)在一個(gè)局部窗口中，例如:一個(gè)縱軸線窗口，光照和表面反射率是比較穩(wěn)定的，因此，在局部窗口中圖像灰度變化較小;3)缺陷的灰度一般都比背景的灰度低。根據(jù)這些特性并在Weber對(duì)比度的基礎(chǔ)上，本文提出了一種適合鐵軌表面圖像增強(qiáng)的局部對(duì)比度測(cè)量法。

5.開(kāi)展優(yōu)化粉葛中提取葛根素的工藝。加熱，放冷，再稱，定重量，用30%乙醇補(bǔ)足減失的重量，搖勻，濾過(guò)，取續(xù)濾液，進(jìn)樣測(cè)定得到試驗(yàn)結(jié)果。每組處理勻采用了3次重復(fù)，求3次平均值。

設(shè)圖像I和以像素點(diǎn)(x，y)為中心的一個(gè)m×n鄰域窗口W，圖像局部對(duì)比度L(x，y)定義為

其中，I(x，y)為像素點(diǎn)(x，y)的灰度值，μW為窗口 W 中灰度的均值。圖像L(x，y)能夠通過(guò)裁剪處理進(jìn)行進(jìn)一步增強(qiáng)，圖像 L(x，y)的灰度值可以分為兩部分:LO={L(x，y)＜ 0}和 LB={L(x，y)≥0}。當(dāng)圖像 L(x，y)位于 LO時(shí)表示像素點(diǎn)(x，y)的灰度比它的局部背景更低，這像素表示缺陷像素或噪聲;當(dāng)圖像L(x，y)位于LB時(shí)表示像素的灰度比它的局部窗口均值更高，這些像素可認(rèn)為是背景的一部分。因此，圖像L(x，y)可以按照以下方法進(jìn)行裁剪處理

然后，將圖像L(x，y)的灰度重新調(diào)整到0～255灰度區(qū)間。鐵軌圖像增強(qiáng)效果如圖1所示，由圖1(c)可以看出:缺陷區(qū)域比背景區(qū)域明顯突出，并且很好地消除了光照不均和不同表面反射率的影響，并使背景比較均衡化。

圖1 鐵軌圖像對(duì)比度增強(qiáng)效果Fig 1 Rail image contrast enhancement effect

2 鐵軌圖像自動(dòng)閾值分割

假設(shè)一副256灰度級(jí)的圖像M，fi為灰度值i的像素頻數(shù)，N為圖像M總的像素?cái)?shù)，則灰度值i的概率表示為

圖像M的全局灰度均值表示為

假設(shè)t為分割閾值，則圖像可以分割成C1={0，1，…，t-1}和 C2={t，t+1，…，255}兩類(lèi)，C1和 C2分別對(duì)應(yīng)于圖像目標(biāo)部分和圖像背景部分。C1和C2的概率分別為

C1和C2的灰度均值分別為

日本學(xué)者大津首次提出最大類(lèi)間方差法(Otsu)來(lái)確定最佳閾值，最大類(lèi)間方差法是通過(guò)最大化圖像目標(biāo)類(lèi)和圖像背景類(lèi)之間的類(lèi)間方差來(lái)選取最佳閾值的。C1和C2之間的類(lèi)間方差計(jì)算公式為

最大類(lèi)間方差法確定的最佳閾值計(jì)算公式為

最大類(lèi)間方差法對(duì)灰度直方圖為明顯雙峰或多峰分布的圖像分割效果較好，而對(duì)灰度直方圖為單峰分布或接近單峰分布的圖像分割效果較差。經(jīng)增強(qiáng)處理后的鐵軌缺陷圖像灰度直方圖如圖2所示，從圖2中可知，增強(qiáng)后的缺陷圖像直方圖為接近單峰分布，所以，原始最大類(lèi)間方差法對(duì)鐵軌圖像分割效果不理想，需要進(jìn)行一定的改進(jìn)。

圖2 增強(qiáng)圖像灰度直方圖Fig 2 Enhanced image gray histogram

一般經(jīng)過(guò)圖像增強(qiáng)的鐵軌圖像絕大多數(shù)背景像素的灰度值都接近255，而缺陷像素和噪聲在整幅圖像中所占比例非常低，所以，一個(gè)理想的分割閾值t應(yīng)該使缺陷比例w1(t)的值小，相反1-w1(t)的值應(yīng)該大，因此，改進(jìn)的最大類(lèi)間方差法所得閾值可以由類(lèi)間方差σ2B(t)和1-w1(t)共同確定。最佳閾值t*的計(jì)算公式為

其中，常量參數(shù) k用來(lái)控制1-w1(t)作用程度。圖3(b)和圖3(c)分別為最大類(lèi)間方差法和改進(jìn)最大類(lèi)間方差法的圖像分割結(jié)果，從圖3中可知，改進(jìn)最大類(lèi)間方差法所得閾值比普通最大類(lèi)間方差法所得閾值更小，因此，對(duì)圖像進(jìn)行分割時(shí)可以消除更多的噪聲，且保護(hù)了缺陷信息不丟失，分割效果更好。

圖3 鐵軌缺陷圖像分割結(jié)果Fig 3 Rail defect image segmentation result

3 鐵軌缺陷識(shí)別

鐵軌增強(qiáng)圖像經(jīng)過(guò)閾值分割后得到鐵軌二值圖像，其中"1"像素表示背景，"0"像素表示缺陷目標(biāo)或噪聲。缺陷目標(biāo)和噪聲被分割成相互分離的連通區(qū)域，使用區(qū)域增長(zhǎng)標(biāo)記法［14］對(duì)每個(gè)符合8鄰域鄰接準(zhǔn)則的"0"像素連通區(qū)域進(jìn)行標(biāo)記，計(jì)算每個(gè)標(biāo)記區(qū)域的面積(像素個(gè)數(shù))。當(dāng)標(biāo)記區(qū)域的像素個(gè)數(shù)大于700，則檢測(cè)為缺陷，當(dāng)像素個(gè)數(shù)小于700，則檢測(cè)為噪聲并進(jìn)行消除，缺陷識(shí)別如圖4所示。

圖4 鐵軌缺陷識(shí)別Fig 4 Rail defect recognition

4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)采用了在不同天氣情況下拍攝的800副大小為900×300鐵軌圖像進(jìn)行處理分析，其中，600副為無(wú)缺陷圖像，200副為有缺陷圖像。實(shí)際鐵軌缺陷檢測(cè)中所拍攝的圖絕大多數(shù)為無(wú)缺陷圖像，所以，實(shí)驗(yàn)中采用了較多的無(wú)缺陷圖像。缺陷實(shí)際總數(shù)為284個(gè)，檢測(cè)出正確缺陷個(gè)數(shù)為261個(gè)，檢測(cè)出假缺陷42個(gè)。實(shí)驗(yàn)中使用了準(zhǔn)確率和檢全率兩個(gè)準(zhǔn)則，準(zhǔn)確率α和檢全率β定義為

其中，Nt為檢測(cè)出來(lái)的正確缺陷個(gè)數(shù)，Nf為假缺陷但被檢測(cè)為缺陷的個(gè)數(shù)，N為實(shí)際缺陷個(gè)數(shù)。

4.1 鐵軌圖像增強(qiáng)算法中窗口選擇分析

局部對(duì)比度測(cè)量法對(duì)鐵軌圖像增強(qiáng)效果的好壞主要依賴于圖像局部窗口中光照和表面反射率是否穩(wěn)定，因此，窗口W尺寸的選擇非常重要，這將直接影響缺陷檢測(cè)率。本文采用了15×15的方形窗口、135×15的矩形窗口和135×1的線形窗口，檢測(cè)率如表1所示。從表1中可知，在線形窗口下缺陷檢測(cè)性能最好，因?yàn)殍F軌圖像在縱軸方向(列車(chē)行駛方向)上光照和表面反射率都變化較小，而在橫軸方向上變化較大。

表1 不同窗口的檢測(cè)結(jié)果Tab 1 Detection results of different windows

4.2 改進(jìn)最大類(lèi)間方差法中常量k的選取分析

改進(jìn)最大類(lèi)間方差法中參數(shù)k不同所得閾值也不同，為了選取最合適的 k 值，分別取 k=5，10，15，20，25，30，40，50，60測(cè)試檢測(cè)性能，檢測(cè)結(jié)果如圖5所示。從圖5可知，當(dāng)k值從小到大時(shí)，檢測(cè)率會(huì)先平穩(wěn)再逐漸變小，而準(zhǔn)確率由小變大且趨于平穩(wěn)。鐵軌表面缺陷檢測(cè)中檢全率比準(zhǔn)確率更重要，要保證較高檢全率的前提下再盡量提升準(zhǔn)確率，因此，當(dāng)k取15時(shí)檢測(cè)性能最好。

圖5 不同k值的檢測(cè)結(jié)果Fig 5 Detection results of different k value

4.3 不同類(lèi)間方差法對(duì)檢測(cè)率的影響

本文對(duì)最大類(lèi)間方差法和改進(jìn)最大類(lèi)間方差法對(duì)缺陷檢測(cè)率的影響進(jìn)行了分析比較，結(jié)果如表2所示。由表2可知，使用改進(jìn)最大類(lèi)間方差法比最大類(lèi)間方差法檢測(cè)效果更好。改進(jìn)最大類(lèi)間方差法分割圖像時(shí)可以消除更多的噪聲且又不丟失缺陷信息，因此，在相同檢測(cè)率時(shí)，改進(jìn)最大類(lèi)間方差法可以較大地提高準(zhǔn)確率。

表2 兩種閾值法的檢測(cè)結(jié)果Tab 2 Detection results of two threshold methods

5 結(jié)論

本文提出了分別適合于鐵軌表面無(wú)規(guī)律缺陷圖像增強(qiáng)與分割的算法:局部對(duì)比度測(cè)量法和改進(jìn)最大類(lèi)間方差法值法。實(shí)驗(yàn)結(jié)果表明:局部對(duì)比度測(cè)量法很好地消除了鐵軌圖像光照不均和不同表面反射率的影響使缺陷區(qū)域明顯突出于背景區(qū)域且使背景均衡化。改進(jìn)的最大類(lèi)間方差法是通過(guò)使類(lèi)間方差較大的同時(shí)又保持缺陷比例較低來(lái)選取最優(yōu)閾值的，所得閾值比普通最大類(lèi)間方差法所得閾值更小，因此，對(duì)圖像進(jìn)行分割時(shí)可以消除更多的噪聲又不丟失缺陷信息。

［1］Li Qingyong，Ren Shengwei.A real-time visual inspection system for discrete surface defects of rail heads［J］.IEEE Transactions on Instrumentation and Measurement，2012，61(8):2189-2199.

［2］唐湘娜，王耀南.鐵軌表面缺陷的視覺(jué)檢測(cè)與識(shí)別算法［J］.計(jì)算機(jī)工程，2013，39(3):25-30.

［3］官 鑫，趙智雅，高曉蓉.圖像處理技術(shù)在鋼軌表面缺陷檢測(cè)和分類(lèi)中的應(yīng)用［J］.鐵路計(jì)算機(jī)應(yīng)用，2009，18(6):27-30.

［4］Li Qingyong，Ren Shengwei.A visual detection system for rail surface defects［J］.IEEET ransactionson Systems，Man，and Cybernetics—Part C:Applications and Reviews，2012，42(6):1531-1542.

［5］王 平，劉 澤，張廣偉.基于數(shù)字圖像處理和特征提取的鋼軌表面缺陷識(shí)別方法［J］.現(xiàn)代科學(xué)儀器，2012，4(2):24-28.

［6］Tang Jinshan，Peli Eli.Image enhancement using a contrast measure in the compressed domain［J］.IEEE Signal Processing Letters，2003，10(10):289-292.

［7］Zhu Youlian，Huang Cheng.An adaptive histogram equalization algorithm on the image gray level mapping［C］∥2012 International Conference on Solid State Devices and Materials Science，2012:601-608.

［8］劉 軒，劉佳賓.基于對(duì)比度受限自適應(yīng)直方圖均衡的乳腺圖像增強(qiáng)［J］.計(jì)算機(jī)工程與應(yīng)用，2008，44(10):173-175.

［9］Hui-Fuang Ng.Automatic thresholding for defect detection［J］.Pattern Recognition Letters，2006，27(14):1644-1649.

［10］李海燕，張榆鋒.基于灰度迭代閾值脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割［J］.計(jì)算機(jī)應(yīng)用，2011，31(10):2753-2756.

［11］吳一全，殷 駿，畢碩本.最大倒數(shù)熵/倒數(shù)灰度熵多閾值選?。跩］.信號(hào)處理，2013，29(2):143-150.

［12］李 敏，羅洪艷.一種改進(jìn)的最大類(lèi)間方差圖像分割法［J］.南京理工大學(xué)學(xué)報(bào)，2012，36(2):332-337.

［13］Eli Peli.Contrast in complex images［J］.JOpt Soc Am A，1990，7(10):2032-2040.

［14］劉奇琦，龔曉峰.一種二值圖像連通區(qū)域標(biāo)記的新方法［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48(11):178-180.