唐慶菊，劉元林，梅 晨

(黑龍江科技大學(xué) 機(jī)械工程學(xué)院，哈爾濱 150022)

脈沖紅外熱波檢測的圖像序列處理與缺陷邊緣識別

唐慶菊，劉元林，梅 晨

(黑龍江科技大學(xué) 機(jī)械工程學(xué)院，哈爾濱 150022)

針對脈沖紅外熱波檢測熱障涂層結(jié)構(gòu)脫粘缺陷構(gòu)件時，所采集紅外圖像噪聲較大和邊緣模糊的問題，采用SVD奇異值分解算法對紅外圖像序列進(jìn)行重構(gòu)，實(shí)現(xiàn)了構(gòu)件表面溫度信號特征信息的提取。與原始熱圖相比，處理后的圖像提高了對比度和信噪比。采用Canny、LOG等經(jīng)典檢測算子對缺陷進(jìn)行邊緣識別，并在分析其檢測效果的基礎(chǔ)上，提出了基于Retinex-分水嶺-Canny算子的邊緣檢測混合算法，實(shí)現(xiàn)了熱障涂層結(jié)構(gòu)脫粘缺陷邊緣的有效識別。

紅外圖像；奇異值分解；邊緣檢測；混合算法

在采用脈沖激勵紅外熱波檢測熱障涂層結(jié)構(gòu)脫粘缺陷構(gòu)件時，因受脈沖熱流不均、材料表面發(fā)射率不一致、周圍環(huán)境噪聲等影響，所采集到的紅外圖像往往噪聲較大、邊緣模糊[1]。為了提高紅外圖像信噪比，增強(qiáng)缺陷處的顯示效果，目前主要采用非均勻性校正、增強(qiáng)、降噪、分割等方法，且處理對象大多為單幅圖像。而脈沖紅外熱波檢測獲取的圖像，是在熱激勵作用下構(gòu)件表面不同時刻溫度分布情況的動態(tài)圖像序列，相比單幅圖像蘊(yùn)含更為豐富的缺陷信息。文中研究了奇異值分解算法(singular value decomposition,SVD)，并對脈沖紅外熱波檢測圖像序列進(jìn)行重構(gòu)。在分析Canny、LOG等經(jīng)典算子檢測效果的基礎(chǔ)上，提出了基于Retinex-分水嶺-Canny算子的邊緣檢測混合算法，對熱障涂層結(jié)構(gòu)脫粘缺陷邊緣幾何特征進(jìn)行識別。

1 SVD算法的圖像序列處理

1.1 步驟與方法

對重構(gòu)的缺陷相空間矩陣進(jìn)行奇異值分解(singular value decomposition,SVD)后，其空間與時間基向量包含了缺陷靜態(tài)空間與動態(tài)熱量變換的特征信息[2-4]。在脈沖紅外熱波檢測實(shí)驗中，由紅外熱像儀采集獲得的每幀圖像，均可由各像素點(diǎn)對應(yīng)的溫度值所構(gòu)成的二維矩陣進(jìn)行表示，如式(1)所示。紅外圖像序列即為各幀圖像對應(yīng)二維矩陣按時間順序排列組成的三維數(shù)組矩陣。

(1)

采用SVD算法對圖像序列進(jìn)行重構(gòu)，首先將三維數(shù)組矩陣轉(zhuǎn)換成二維矩陣，但同時保證不丟失包含溫度信號的矩陣元素，具體實(shí)現(xiàn)步驟為：

(1)從圖像序列中第1幀對應(yīng)二維矩陣的第1行元素開始，將第2行元素按順序全部并入第1行元素的末尾，以此類推，將所有行的元素都并到第1行，從而將二維矩陣轉(zhuǎn)換成一維行向量矩陣。

(2)將步驟(1)得到的矩陣轉(zhuǎn)置，轉(zhuǎn)化為一維列向量矩陣，如式(2)所示：

Xf=[x11,x12,…，x1n,…,xm1,xm2,…,xmn]T。

(2)

(3)假設(shè)待處理的紅外圖像序列共有t幀，則經(jīng)轉(zhuǎn)換后得到t個一維列向量矩陣，對其按照行方向依次排列，構(gòu)成新二維矩陣B，如式(3)所示：

B=[X1,X2,…,Xt]，

(3)

式中：Xi(i=1,2,…,t)——轉(zhuǎn)換得到的一維列向量矩陣。

(4)為進(jìn)一步降低圖像序列采集過程中動態(tài)噪聲的影響，在采用SVD算法處理矩陣B前，首先對其進(jìn)行歸一化處理，如式(4)所示：

(4)

式(4)中：

(5)

(6)

經(jīng)處理后的圖像序列，溫度信息方差變?yōu)?，且去除了直流分量，更有利于對(m×n)×t的二維矩陣B進(jìn)行SVD操作。

(5)二維矩陣B經(jīng)過奇異值分解處理可得式(7)：

(7)

式中：s——每幀圖像的像素數(shù)，s=m×n。

經(jīng)上述處理后，即可獲得包含空間變量的經(jīng)驗正交基的矩陣U，對式(2)～(3)將二維矩陣轉(zhuǎn)換為一維矩陣的操作進(jìn)行逆操作，得SVD算法處理后的圖像。

定義圖像信噪比如式(8)：

S=|Td-Tnd|/Snd,

(8)

式中：Td——缺陷區(qū)域的像素值平均值；

Tnd——無缺陷區(qū)域的像素值平均值；

Snd——無缺陷區(qū)域的像素值標(biāo)準(zhǔn)差。

1.2 結(jié)果與分析

設(shè)置光源輸出功率2 000 W、脈寬15 s、采樣頻率60 Hz、采樣時間20 s，采用紅外熱像儀A325SC，對內(nèi)部含有脫粘缺陷的熱障涂層構(gòu)件進(jìn)行檢測實(shí)驗，獲得大小為240×320×1 200的紅外圖像序列。

圖1a和b分別為減背景處理后的最佳對比度圖像和經(jīng)SVD算法處理后的圖像，根據(jù)式(8)計算，其信噪比大小分別為3.536和5.382。由圖1和信噪比計算結(jié)果可知，經(jīng)SVD算法處理后，有效提高了圖像信噪比，缺陷區(qū)域與無缺陷區(qū)域的分界更加清晰，有利于更加準(zhǔn)確地對缺陷位置和邊緣進(jìn)行判定與識別。

在脈沖紅外熱波檢測實(shí)驗中，高能脈沖閃光燈作為熱激勵源，容易產(chǎn)生構(gòu)件表面加熱不均現(xiàn)象。由圖1a可見，右下角無缺陷區(qū)域相較于其他無缺陷區(qū)域溫度有明顯差異；由圖1b可知，經(jīng)SVD算法處理后，有效降低了加熱不均的影響。為了更直觀地表現(xiàn)上述效果，用式(4)～(6)分別對圖1a和b進(jìn)行標(biāo)準(zhǔn)化運(yùn)算處理，使其處于同一數(shù)量級，并分別取圖像中同一截線繪圖，圖2給出了圖像處理前后熱波信號的比較。

a 減背景處理后最佳對比度圖像

b SVD算法處理后圖像

圖2中中間波峰和波谷表示缺陷區(qū)域，波峰和波谷兩側(cè)表示無缺陷區(qū)域。由圖2可見，經(jīng)SVD算法處理后的圖像像素值在區(qū)域內(nèi)波動明顯減小，左右兩側(cè)數(shù)據(jù)的差距變小，說明處理后圖像有效降低了加熱不均對檢測結(jié)果的影響。

圖2 圖像處理前后熱波信號的比較Fig.2 Comparison of thermal wave signal before and after image processing

2 經(jīng)典檢測算子的紅外圖像邊緣識別

圖像邊緣是指圖像灰度在空間中發(fā)生突變的像素集合，通過檢測圖像灰度在空間突變的位置，可提取圖像包含的邊緣特征信息[5-6]。圖3給出了基于經(jīng)典邊緣檢測算子的缺陷邊緣識別結(jié)果。

a 待檢測圖像

b Sobel

c Roberts

d Prewitt

e LOG

f Canny

由圖3可知，Roberts算子幾乎沒有檢測到缺陷邊緣。Sobel和Prewitt算子對圖像邊緣提取不夠精細(xì)，邊界比較模糊，存在對缺陷邊緣識別不全甚至有漏檢缺陷的問題。Canny和LOG算子識別出了圖像中大部分缺陷邊緣，但同時也包含了大量冗余邊界信息，對缺陷識別造成一定干擾。

3 混合算法的缺陷邊緣檢測

3.1 Retinex算法的紅外圖像增強(qiáng)

Retinex算法[7]的基本原理是在一幅圖像中，忽略透射光影響，同時獲得物體反射基本特性，以得到物體原本圖像形態(tài)。該算法可用于實(shí)現(xiàn)紅外圖像的增強(qiáng)。

對經(jīng)SVD處理后的圖1b進(jìn)行灰度變換并采用Retinex算法進(jìn)行處理，結(jié)果如圖4所示。比較圖1b和圖4b可知，經(jīng)過Retinex處理后，有效提高了圖像對比度，缺陷邊緣輪廓更加明顯，為后續(xù)圖像分割奠定了基礎(chǔ)。

a 灰度變換

b Retinex處理

3.2 分水嶺算法的紅外圖像分割

分水嶺算法是一種基于形態(tài)學(xué)理論衍生出的圖像分割算法[8-9]，采用該算法可實(shí)現(xiàn)對紅外圖像的分割，從而進(jìn)一步對構(gòu)件中缺陷與無缺陷區(qū)域進(jìn)行區(qū)分。實(shí)現(xiàn)步驟如下：

(1)選擇結(jié)構(gòu)元素

形態(tài)學(xué)圖像分割處理中，通過標(biāo)記圖像中能與結(jié)構(gòu)元素相匹配的坐標(biāo)，可獲取有關(guān)圖像結(jié)構(gòu)的信息。在分水嶺變換前使用的Top-Hat變換中，結(jié)構(gòu)要素圓盤大小根據(jù)圖像中的對象平均半徑進(jìn)行估計；在灰度值開運(yùn)算中，圓盤大小根據(jù)圖像局部極小值進(jìn)行確定。

(2)增強(qiáng)圖像對比度

采用Top-Hat和Bottom-Hat變換，對紅外圖像進(jìn)行對比度增強(qiáng)操作，定義為：

Hat(A)=A-(A° B)，

(9)

(10)

式中：A——處理圖像；

B——圓盤結(jié)構(gòu)元素。

灰度值開運(yùn)算定義為

A°B=(AΘB)⊕B。

(11)

利用對偶性，將灰度值閉運(yùn)算定義為：

A·B=-[(-A)° (-B)]。

(12)

將式(11)代入式(9)得：

Hat(A)=A-(AΘB)⊕B。

將式(12)代入式(10)得：

在灰度值圖像處理中，Top-Hat變換又稱波峰檢測器，可實(shí)現(xiàn)在暗背景下檢測相對較亮的區(qū)域；Bottom-Hat變換又稱波谷檢測器，可實(shí)現(xiàn)在亮背景下檢測較暗的區(qū)域。因此，將以上兩種變換結(jié)合，可有效檢測出紅外圖像中的波峰和波谷。

(3)谷點(diǎn)檢測

主要包括增大對象間間隙、轉(zhuǎn)換待測區(qū)域的對象和谷點(diǎn)檢測等。通過照亮圖像中的谷點(diǎn)，使其能更好地被檢測到，便于后續(xù)的分水嶺變換。

(4)分水嶺變換和灰度值開運(yùn)算

經(jīng)上述處理后，對谷點(diǎn)檢測后的圖像進(jìn)行分水嶺變換。對于在分水嶺區(qū)域中的像素，其像素值設(shè)置為1，否則設(shè)置為0。然后采用灰度值開運(yùn)算，進(jìn)一步增強(qiáng)圖像中缺陷邊緣顯示效果。

采用以上步驟和方法，對圖4b所示圖像進(jìn)行處理，圖5給出了基于分水嶺算法的紅外圖像分割。圖5a～5f依次為經(jīng)過Top-Hat變換、Bottom-Hat變換、對象間的間隙增大、谷點(diǎn)檢測、分水嶺變換、灰度值開運(yùn)算處理后的圖像。由圖5可知，經(jīng)分水嶺算法處理后的圖5f與圖4b相比，有效抑制了缺陷區(qū)域附近的無用信息，增強(qiáng)了圖像對比度，實(shí)現(xiàn)了構(gòu)件缺陷與無缺陷處區(qū)域的圖像分割和特征提取。

a Top-Hat變換

b Bottom-Hat變換

c 對象間的間隙增大

d 谷點(diǎn)檢測

e 分水嶺變換

f 灰度值開運(yùn)算

3.3 Canny算子的缺陷邊緣檢測

對經(jīng)Retinex-分水嶺算法處理前、后的圖像采用Canny算子進(jìn)行缺陷邊緣檢測，結(jié)果如圖6所示。

a 未處理

b 處理后

由圖6可知，在經(jīng)Retinex-分水嶺-Canny算子的混合算法處理后的圖像中，缺陷邊緣輪廓更加清晰，連續(xù)性好，且有效減少了圖像中大量冗余邊界信息，大大降低了圖像噪聲對缺陷邊緣識別和判定的影響，提高了對缺陷幾何特征提取的效果。

4 結(jié)束語

針對脈沖紅外熱波檢測熱障涂層結(jié)構(gòu)脫粘缺陷構(gòu)件所采集圖像序列的特點(diǎn)，研究了序列重構(gòu)和缺陷邊緣識別算法。采用SVD奇異值分解算法對紅外圖像序列進(jìn)行了重構(gòu)，實(shí)現(xiàn)了構(gòu)件表面溫度信號特征信息的提取，與原始熱圖相比，處理后的圖像提高了對比度和信噪比，缺陷區(qū)域與無缺陷區(qū)域的分界更加清晰，說明SVD奇異值分解算法有效降低了脈沖紅外熱波檢測過程中脈沖熱流對構(gòu)件加熱不均、材料表面發(fā)射率不一致、周圍環(huán)境噪聲等因素的影響。在分析Canny、LOG等經(jīng)典算子檢測效果的基礎(chǔ)上，提出了基于Retinex-分水嶺-Canny算子的邊緣檢測混合算法，不僅減少了圖像中大量冗余邊界信息，而且缺陷邊緣輪廓更加清晰，連續(xù)性好，說明所提出的混合算法可實(shí)現(xiàn)熱障涂層結(jié)構(gòu)脫粘缺陷邊緣幾何特征的有效識別。該研究可進(jìn)一步增強(qiáng)脈沖紅外熱波檢測技術(shù)探測缺陷的能力，為缺陷的定量化檢測奠定一定的基礎(chǔ)。

[1] Tang Q,Bu C,Liu Y,et al.A new signal processing algorithm of pulsed infrared thermography[J].Infrared Physics & Technology,2015,68: 173-178.

[2] Liu W.Additive white gaussian noise level estimation in SVD domain for images[J].IEEE Transactions on Image Processing,2013,22(3): 872-83.

[3] Fioranelli F,Ritchie M,Griffiths H.Personnel recognition based on multistatic micro-doppler and singular value decomposition features[J].Electronics Letters,2015,51(25): 2143-2145.

[4] Torkamani A F,Imani H,Fathollahian H.Video quality measurement based on 3-D singular value decomposition[J].Journal of Visual Communication & Image Representation,2015,27: 1-6.

[5] Sneha A，Sanyam A.A new approach for image steganography using edge detection method[J].International Journal of Innovative Research in Computer and Communica-tion Engineering,2013,1(3): 626-629.

[6] Saif J A M,Hammad M H,Alqubati I A A.Gradient based image edge detection[J].IACSIT International Journal of Engineering and Technology,2016,8(3): 153-156.

[7] Wen H,Bi D,Ma S,et al.Variational retinex algorithm for infrared image enhancement with staircase effect suppression and detail enhancement[J].Acta Optica Sinica,2016,36(9): 0911005.

[8] 孫 偉，王宏飛，邵錫軍.基于改進(jìn)分水嶺算法的紅外圖像分割[J].紅外與激光工程，2006,35: 31-37.

[9] Ramya L,Sasirekha N.A robust segmentation algorithm using morphological operators for detection of tumor in MRI[C]//International Conference on Innovations in Information,Embedded and Communication Systems，IEEE,2015: 1-4.

(編校 王 冬)

Image sequence processing and defect edge identification in pulsed infrared thermal wave detection

TangQingju,LiuYuanlin,MeiChen

(School of Mechanical Engineering,Heilongjiang University of Science & Technology,Harbin 150022，China)

This paper is aimed at overcoming a greater noise and fuzzier edge in the infrared images,as occurs in the detection of thermal barrier coating debonding defects.The research involves reconstructing the infrared image sequence using singular value decomposition algorithm; extracting the feature information of component surface temperature signal; improving the contrast and signal-to-noise ratio of the processed image relative to the original image; detecting the edge of defects using Canny,LOG and other classical detection operators; and based on the analysis of the detection results,proposing a hybrid edge detection algorithm based on Retinex-watershed-Canny operator and thereby achieving an effective identification of the edge of thermal barrier coating debonding defects.

infrared image; singular value decomposition; edge detection; hybrid algorithm

2017-02-23

國家自然科學(xué)基金項目(51403139)；黑龍江省省院科技合作項目(YS15A10)

唐慶菊(1981-)，女，山東省德州人，副教授，博士，研究方向：光聲光熱效應(yīng)無損檢測新技術(shù)，E-mail：tangqingju@126.com。

10.3969/j.issn.2095-7262.2017.02.022

TP391.41

2095-7262(2017)02-0200-05

A