婁聯(lián)堂，何慧玲，石勝平

(1 中南民族大學 數(shù)學與統(tǒng)計學學院，武漢 430074；2 中國中車集團長江車輛有限公司 工藝研究所，武漢 430212)

無損檢測中的自動缺陷檢測，是目前國內外研究的熱點. 利用數(shù)字圖像處理與分析技術進行工業(yè)產品缺陷的自動無損檢測是一種常用方法，然而X射線圖像缺陷檢測是非常復雜的，最困難的是在對比度差的圖像中發(fā)現(xiàn)小的、不規(guī)則的缺陷，用一般的直方圖均衡化和閾值分割無法將目標缺陷很好地分割出來. 由于缺陷的復雜性和多樣性，自動缺陷檢測算法的可靠性和靈活性對自動焊縫缺陷檢測系統(tǒng)至關重要. YIN等人[1]提出了一種前饋反向傳播神經網(wǎng)絡在無損檢測中的應用，定義并選擇了7類幾何特征來表征不同類型的焊接缺陷，實驗結果表明機器學習確實是一種較好的方法，但此方法需要大量的樣本，因為機器學習分類的準確性主要依賴于樣本學習，各種可能性都需要考慮到，而一般在工業(yè)中，出現(xiàn)缺陷的可能性較小，樣本較少，這時無法利用機器學習來進行缺陷檢測. THIRUGANAM等人[2]提出了一種結合全局和局部閾值技術的射線焊接圖像分割方法. NACEREDDINE等人[3]提出了一種基于圖像中每個像素鄰域像素灰度統(tǒng)計特性的對比度增強方法. 上述兩種方法都可以檢測出較明顯的缺陷，但對細小裂紋這類缺陷的檢測上存在局限性.

本文將研究X射線圖像中的裂紋缺陷自動檢測問題，將焊接圖像中的裂紋缺陷作為研究對象，在已有文獻的基礎上做了改進，提出了一種基于局部方差和局部直方圖增強技術的缺陷檢測方法，對焊接結構進行檢查，以確保焊接質量符合設計要求、安全可靠.

1 預處理

在處理和分析X射線圖像時，很難發(fā)現(xiàn)小缺陷的存在，也很難準確地確定其尺寸，通常需要從預處理階段開始. 圖像預處理的首要任務是選擇感興趣的區(qū)域，就是在懷疑有缺陷的地方，對圖像的某些部分進行定格[3]. 感興趣區(qū)域是圖像的縮小區(qū)域，選擇感興趣區(qū)域可以省去操作員對圖像無用部分的處理，從而縮短計算時間.

在X射線圖像中，焊縫所在區(qū)域只是整幅圖像的一部分，而裂紋缺陷又總是位于焊縫內局部區(qū)域中. 通常，在規(guī)范的X射線圖像中焊縫區(qū)域一般位于圖像中間部分，而編號等文字信息位于圖像偏上或偏下的區(qū)域中，而且焊縫區(qū)域的圖像紋理特征與其他區(qū)域存在較明顯差異，如圖1(a)所示. 將檢測圖像的上述幾何和代數(shù)特征作為先驗知識加以利用，就可以確定焊縫區(qū)域，即圖像感興趣區(qū)域[4]，如圖1(b)所示.

在這里，對原始圖像(a)進行預處理，提取感興趣部分，相當于將含有缺陷的部分圖像進行放大，并去除無關部分，有利于計算機更快、更準確地檢測出缺陷. 為方便，下文提到的原圖都指圖1(b).

圖1 對原始圖像進行預處理Fig.1 Preprocessing the original image

2 基于局部方差和直方圖均衡化處理的圖像分割方法

對比度增強是將圖像中的亮度值范圍拉伸或壓縮成顯示系統(tǒng)指定的亮度顯示范圍，從而提高圖像全部或局部的對比度，改善圖像的視覺效果，將圖像轉換成一種更適合人或計算機進行分析處理的形式，突出某些對人或計算機分析有意義的信息，提高圖像的使用價值. 對比度不足會使圖像中的細節(jié)分辨不清，計算機檢測起來較困難. 如圖2所示，直接對原圖進行分割，導致裂紋缺陷丟失，后期將無法檢測.

圖2 利用Otsu方法對原圖二值化處理后的圖像Fig.2 Image after binary processing of original image by Otsu method

文獻[3]提出了一種基于局部方差增強圖像的方法，實驗結果見圖3(a). 文獻[5]提出了一種基于局部直方圖增強圖像的方法，實驗結果見圖3(c). 這兩種方法在增強效果上還存在局限性和不足.

本文在文獻[3]和文獻[5]的基礎上，提出了一種基于局部方差和局部直方圖均衡化增強圖像的方法，對圖像進行灰度放大，增強亮度的同時拉伸對比度，從而達到改善圖像的視覺效果、清晰顯示局部細節(jié)的目的.

圖像增強步驟如下：

(1)計算原圖像f(x,y)的全局均值mG和方差σG；

(2)選取大小合適的局部區(qū)域Sxy(如八鄰域)，計算局部均值mSxy和方差σSxy；

(3)對圖像進行灰度增強，處理后的圖像為：

(1)

(4)對(3)中處理后的圖像采用局部直方圖均衡化增強對比度.

a)確定模板大小，并對圖像進行擴展；

b)從圖像的第一個像素開始與模板點乘，將點乘后的局部區(qū)域進行直方圖均衡化；

c)將均衡化后中心點的像素值賦給原圖對應點的元素，未被賦值的元素取原值，重復此過程，直至處理完整幅圖像.

為了驗證基于局部方差和局部直方圖均衡化增強圖像對比度方法的可行性和有效性，本文進行了多組對比實驗，實驗結果見圖3.

注：其中第一行中對局部方差增強的圖像去噪后利用局部閾值法進行處理后，圖像呈全白，未在結果中給出圖3 實驗對比圖像Fig.3 Contrast image of experiments

圖3(a)、(c)分別是基于局部方差、局部直方圖增強后得到的圖像，圖3(f)是采用本文提出的基于局部方差和局部直方圖增強后得到的圖像，其中選取Sxy大小為3×3的局部區(qū)域，在式(1)中取k=0.8；取像素值為1大小為35×35的模板. 比較原圖與圖3(a)、(c)、(f)，可以看出圖3(a)采用局部方差增強后的圖像與原圖無明顯區(qū)別；圖3(c)采用局部直方圖均衡化增強后的圖像，對比度增強了；而圖3(f)采用本文提出方法增強后的圖像與圖3(c)相比，暗區(qū)的對比度更高. 由于在圖像獲取和處理的過程中會存在許多噪聲，因此，本文采用文獻[6]中的方法，用中值濾波去噪，以保持圖像質量，避免噪聲對圖像處理產生干擾，影響實驗結果的有效性. 圖3(b)、(d)、(g)是圖3(a)、(c)、(f)去噪后利用Otsu方法二值化處理后得到的圖像；圖3(e)、(h)是圖3(c)、(f)去噪后利用文獻[7]中的局部閾值法二值化處理后得到的圖像. 比較圖2與圖3(b)、(d)、(g)，可以看出圖3(b)采用局部方差增強圖像后的分割效果與原圖分割效果無區(qū)別，裂紋缺失；圖3(d)采用局部直方圖均衡化增強圖像后，分割效果不佳，裂紋大部分缺失；圖3(g)采用本文提出的方法增強圖像后，將裂紋分割出來了. 此外，對比圖3(d)、(g)與圖3(e)、(h)，明顯前一組的處理效果要優(yōu)于后一組，這是因為當該圖像由暗色背景上的較亮物體組成，即當物體和背景像素的灰度十分明顯時，可以用適用于整個圖像的單個(全局)閾值，也就是此時Otsu方法優(yōu)于局部閾值法，可以將缺陷很好地分割出來. 這也進一步說明了采用基于局部方差和局部直方圖均衡化后，圖像的對比度明顯增強了. 因此，本文提出的基于局部方差和局部直方圖均衡化算法，有效地增強了圖像的對比度，使細節(jié)更清晰.

3 裂紋缺陷檢測

通過以上分析，我們選取圖3(g)二值化圖像進行裂紋檢測，可看出圖中存在一些小的殘留點和小孔，為去掉這些小的殘留點和小孔，節(jié)省檢測時間，并使檢測到的結果更精確地代表裂紋缺陷，可利用形態(tài)學方法[8]對圖像進行處理. 其中形態(tài)學腐蝕方法可以有效地去除圖像中一些較小部分，填充狹窄的間隔并消除不相關，同時保持圖像的基本形狀特征與連通性，使邊界更平滑.

二值圖像分析最重要的方法就是連通區(qū)域標記，它通過對二值圖像中白色像素(目標)的標記，讓每個單獨的連通區(qū)域形成一個被標識的塊，進一步就可以獲取這些塊的輪廓、外接矩形、質心、不變矩等幾何參數(shù). 本文利用八鄰域區(qū)域連通標記算法對圖4(a)中的區(qū)域進行標記，它一次遍歷圖像，并記下每一行(或列)中連續(xù)的團和標記的等價對，然后通過等價對對原來的圖像重新進行標記. 實驗結果見圖4(b)與圖4(c)，得到兩個連通區(qū)域.

圖4 形態(tài)學處理與連通區(qū)域標記Fig.4 Morphological processing and connected region marking

根據(jù)缺陷特征分析，很容易檢測出圖4(c)為裂紋缺陷.

綜上，本文X射線圖像裂紋檢測方法的步驟如下：

(1)在X射線圖像中提取可能存在缺陷的感興趣區(qū)域；

(2)基于局部方差和局部直方圖均衡化進行對比度增強，再用中值濾波去噪；

(3)采用Otsu方法進行閾值化處理；

(4)利用形態(tài)學腐蝕處理，消除裂紋與邊緣之間的細小連通及其他小孔；

(5)標記連通區(qū)域；

(6)根據(jù)裂紋的幾何特征對所有提取到的連通區(qū)域進行分析，將裂紋缺陷檢測出來.

4 結論

由上述各組實驗對比可知，僅用局部方差或局部直方圖均衡化增強圖像，都不能將裂紋缺陷準確地分割出來，使后期檢測較困難. 而本文采用的方法達到了較好的圖像增強效果，分割出了裂紋缺陷，最終準確地檢測出裂紋缺陷，因此本文方法優(yōu)于僅用局部方差或局部直方圖均衡化方法. 本文主要針對的是細微裂紋缺陷檢測問題，由于裂紋缺陷特征基本相同，只是位置可能不同，文中算法需要用到的參數(shù)較少，無須進行太多調整；同時本文的裂紋與焊縫的邊界相當近(僅相差一個像素)，利用本文提出的方法能正確檢測出裂紋缺陷，對于其他不同位置的裂紋缺陷也應該能檢測到，因此本文提出的方法對于細微裂紋缺陷檢測具有一定的適應性.