楊慶峰，楊東亮，黃富明，張海兵

(1.海軍航空大學(xué)青島校區(qū) 航空機(jī)械工程與指揮系，青島 266000；2.山東菏建建筑集團(tuán)有限公司，菏澤 274000)

在一幅損傷圖像中，既包含需要的目標(biāo)信息，也包含干擾目標(biāo)的背景和噪聲，可通過(guò)設(shè)置閾值的方法將目標(biāo)信息從諸多干擾信息中提取出來(lái)[1]。即以閾值為基準(zhǔn)，將圖像數(shù)據(jù)分為兩部分(稱為圖像的二值化)，此時(shí)可將有效的目標(biāo)信息過(guò)濾出來(lái)，并將無(wú)效的干擾信息排除在外。

受散斑條紋圖像中大量較強(qiáng)的顆粒噪聲的影響，條紋的可見(jiàn)性和分辨率會(huì)受到一定程度的限制，條紋對(duì)比度降低，圖像變得較為模糊，給散斑圖像損傷特征識(shí)別帶來(lái)了一定的難度。因此，為提高條紋的對(duì)比度而消除顆粒噪聲的影響是圖像處理過(guò)程的關(guān)鍵環(huán)節(jié)，也是正確識(shí)別散斑條紋信息的必要條件[2-4]，即需要對(duì)散斑干涉損傷特征圖像進(jìn)行有效處理，提高圖像清晰度。

圖像特征的研究包括定性研究和定量研究?jī)刹糠?，為了進(jìn)一步開(kāi)展定量研究工作，確定損傷尺寸等，需要對(duì)圖像進(jìn)行深入處理。損傷特征及邊界是度量尺寸最重要的因素，在垂直于邊緣處的像素灰度值變化比較平緩使得損傷邊界與周邊交界處比較模糊，很難進(jìn)行邊界的確定；而垂直于損傷邊界處的像素點(diǎn)及其鄰域像素點(diǎn)的灰度值的變化率較大，即一階導(dǎo)數(shù)和二階導(dǎo)數(shù)較大，此時(shí)通過(guò)研究像素灰度值的變化規(guī)律，并將變化規(guī)律中的數(shù)值變化轉(zhuǎn)化為具體的灰度值顯示在圖像上，即可突出邊界，實(shí)現(xiàn)邊緣檢測(cè)的目的[5]。該方法作為經(jīng)典邊緣檢測(cè)局部算子法，其基本思路就是通過(guò)檢測(cè)像素點(diǎn)灰度值和鄰域像素點(diǎn)灰度值，從而確定損傷邊界。

1 原始散斑圖像采集

筆者設(shè)計(jì)了含內(nèi)部脫黏損傷鋁蜂窩結(jié)構(gòu)復(fù)合材料試件，模擬某型飛機(jī)垂直尾翼中的鋁蜂窩結(jié)構(gòu)復(fù)合材料及其內(nèi)部脫黏缺陷。在蜂窩結(jié)構(gòu)試件上制作缺陷時(shí)，將與缺陷尺寸大小相同的聚四氟乙烯薄膜夾在膠層與基體之間，以模擬真實(shí)的內(nèi)部脫黏損傷，然后通過(guò)膠黏劑黏接基體和增強(qiáng)體，缺陷直徑為20 mm，鋁蜂窩結(jié)構(gòu)復(fù)合材料試件實(shí)物如圖1所示，試件尺寸為150 mm×250 mm(長(zhǎng)×寬)，試件具體尺寸參數(shù)如表1所示。

該試件上蜂窩壁板的外、內(nèi)層蒙皮厚度均為0.3 mm，蜂窩夾芯格子邊長(zhǎng)為4 mm，蜂窩夾芯箔厚為0.04 mm，下蜂窩壁板的內(nèi)、外層蒙皮厚度均為0.3 mm。

采用LTI-6200型便攜式熱加載激光錯(cuò)位散斑檢測(cè)系統(tǒng)檢測(cè)飛機(jī)鋁蜂窩結(jié)構(gòu)復(fù)合材料試件，檢測(cè)現(xiàn)場(chǎng)如圖2所示。將鋁蜂窩試塊放置于激光散斑檢測(cè)設(shè)備激光探頭下方，通過(guò)熱加載的方式進(jìn)行加載，提取鋁蜂窩脫黏損傷圖像，獲得的脫黏損傷圖像如圖3所示，該圖展示的是直徑20 mm的鋁蜂窩脫黏損傷，該損傷呈現(xiàn)的鋁蜂窩蝴蝶狀散斑圖較為明顯。

圖2 鋁蜂窩結(jié)構(gòu)復(fù)合材料試件損傷檢測(cè)現(xiàn)場(chǎng)

圖3 鋁蜂窩結(jié)構(gòu)脫黏損傷圖像

2 鋁蜂窩結(jié)構(gòu)損傷圖像特征信息提取

在損傷圖像特征信息提取過(guò)程中，借助微分算子進(jìn)行損傷特征邊緣提取，以便更好地提取損傷圖像特征信息。一階導(dǎo)數(shù)和二階導(dǎo)數(shù)即一階微分算子和二階微分算子，為邊緣檢測(cè)算法的兩種類型。在一階微分算法中，圖像的損失邊界存在突變處，對(duì)應(yīng)的是一階極值點(diǎn)。當(dāng)各邊界極值點(diǎn)大致相等時(shí)，邊界很難確定，此時(shí)可借助二階微分算子。一階微分算子和二階微分算子相互結(jié)合可共同對(duì)圖像加以深度處理。針對(duì)鋁蜂窩結(jié)構(gòu)脫黏損傷圖像特征，筆者利用該方法開(kāi)展了信息提取工作。

2.1 基于一階微分的邊緣檢測(cè)算子提取損傷圖像特征

損傷圖像特征的邊緣提取可采用基于一階微分的Robert邊緣檢測(cè)算子，利用任意一對(duì)相互垂直方向上的灰度差值來(lái)計(jì)算梯度，即

Δxf=f(i,j)-f(i+1,j+1)

(1)

Δyf=f(i+1,j)-f(i,j+1)

(2)

R(i,j)=|Δxf|+|Δyf|

(3)

式中：Δxf為x方向上的灰度差；f(i，j)為圖像上任一點(diǎn)的灰度；R(i，j)為梯度；Δyf為y方向上的灰度差。

將得到的數(shù)值R(i,j)與預(yù)先設(shè)定的閾值T進(jìn)行比較，若R(i,j)>T，則判定為缺陷邊緣。鋁蜂窩結(jié)構(gòu)損傷原始散斑圖像如圖4所示，Robert算子邊緣提取結(jié)果如圖5所示。

圖4 鋁蜂窩結(jié)構(gòu)損傷原始散斑圖像

圖5 Robert算子邊緣提取結(jié)果

在一階微分的Robert邊緣檢測(cè)算法中，Robert算子的模板包含4個(gè)元素，容易受噪聲的影響。通過(guò)結(jié)合Robert算子中的方向差分運(yùn)算和加權(quán)運(yùn)算演變?yōu)镾obel微分算子，該算法顯著改善了受噪聲影響大的Robert算子遇到的問(wèn)題，基本思路是以像素點(diǎn)f(x,y)為中心，分別求取3×3鄰域中x方向的偏導(dǎo)數(shù)和y方向上的偏導(dǎo)數(shù)，并適當(dāng)增加x方向的權(quán)重和y方向的權(quán)重，即

Sx=[f(x+1,y-1)+2f(x+1,y)+

f(x+1,y+1)]-[f(x-1,y-1)+

2f(x-1,y)+f(x-1,y+1)]

(4)

Sy=[f(x-1,y+1)+2f(x,y+1)+

f(x+1,y+1)]-[f(x-1,y-1)+

2f(x,y-1)+f(x+1,y-1)]

(5)

計(jì)算其梯度，即

(6)

式中：Sx為x方向的偏導(dǎo)數(shù)；Sy為y方向的偏導(dǎo)數(shù)。

Sobel算子邊緣提取圖像如圖6所示。

圖6 Sobel算子邊緣提取圖像

Kirsch邊緣檢測(cè)算子采用的是8個(gè)不同方向的3×3模板，通過(guò)對(duì)圖像的卷積處理，選取最大值作為圖像邊界的輸出值，該算法在抗噪和細(xì)節(jié)保持方面效果較好。Kirsch算子邊緣提取圖像如圖7所示。

圖7 Kirsch算子邊緣提取圖像

Prewitt算子通過(guò)計(jì)算中心像素點(diǎn)的鄰域像素點(diǎn)的灰度值的差，并提取最大差值，獲取邊緣凸顯的相關(guān)信息。該算子具有多種模板，如水平方向、垂直方向、45°方向、135°方向和225°方向等，采用這些模板進(jìn)行圖像特征提取，獲取最大值，并將該值與設(shè)定的閾值比較、判定，確定邊界。該方法也具有圖像平滑的作用，缺點(diǎn)是某種程度上降低了邊界定位的精度。Prewitt算子邊緣提取圖像如圖8所示。

圖8 Prewitt算子邊緣提取圖像

2.2 基于二階微分的邊緣檢測(cè)算子提取損傷圖像特征

基于一階微分的邊緣檢測(cè)算子通過(guò)求解一階導(dǎo)數(shù)的極值點(diǎn)實(shí)現(xiàn)，當(dāng)極值點(diǎn)大致相等時(shí)，給邊界確定增加了難度。而通過(guò)進(jìn)一步求導(dǎo)，獲得二階導(dǎo)數(shù)的過(guò)零點(diǎn)，則可以進(jìn)一步確定損傷圖像的邊界。Laplace算子作為二階微分算子的一種，在圖像深度處理中經(jīng)常用到，該算法針對(duì)圖像中的某一點(diǎn)f(x,y)，有

(7)

離散化后

(8)

離散化后的拉普拉斯算子近似表示為

f(x,y-1)+f(x-1,y)+f(x,y+1)+

f(x+1,y)-4f(x,y)

(9)

Laplace算子邊緣提取圖像如圖9所示，和一階微分算子相比，Laplace算子在灰度突變信息處理的靈敏度上更高，在邊緣凸顯的同時(shí)，也提高了抗噪聲能力，但仍存在諸多不足，此時(shí)，將Laplace算子和高斯高低通濾波融合，演化出了高斯-拉普拉斯(LOG)算子。該算法的基本思路為：① 對(duì)圖像進(jìn)行高斯濾波，施加Laplace算子運(yùn)算；② 在一階峰值處過(guò)零點(diǎn)；③ 對(duì)歸零點(diǎn)的精確位置進(jìn)行插值估計(jì)。

LOG算子為

(10)

LOG算子邊緣提取圖像如圖10所示，基于二階微分的LOG邊緣檢測(cè)算子在檢測(cè)圖像邊緣上具有很高的靈敏度，在提取細(xì)小邊緣上的能力過(guò)強(qiáng)，使得有效信息和無(wú)效信息很難區(qū)分出來(lái)。

圖9 Laplace算子邊緣提取圖像

圖10 LOG算子邊緣提取圖像

2.3 結(jié)果分析

綜上可知，通過(guò)Robert邊緣檢測(cè)算子獲得的損傷特征圖像整體上較為模糊；通過(guò)Sobel、Kirsch和Prewitt邊緣檢測(cè)算子獲得的損傷特征圖像邊緣清晰，噪聲較少；通過(guò)Laplace邊緣檢測(cè)算子獲得的損傷特征圖像邊緣較粗，且噪聲較多；通過(guò)LOG邊緣檢測(cè)算子獲得的損傷特征圖像雖然較為清晰，但損傷邊緣輪廓相對(duì)整體圖像不突出，有弱化的趨勢(shì)。因此，在損傷特征圖像邊緣提取上，通過(guò)Sobel、Kirsch和Prewitt邊緣提取算子獲取的損傷圖像邊緣特征效果最佳。

3 鋁蜂窩結(jié)構(gòu)脫黏損傷特征的優(yōu)化

筆者針對(duì)Sobel、Kirsch和Prewitt邊緣提取算子引入先中值濾波后Wiener濾波的方法，以及先Wiener濾波后中值濾波的方法，然后再進(jìn)行Sobel算子、Kirsch算子和Prewitt算子邊緣特征信息提取，獲得如圖11所示的損傷圖像邊緣特征信息，以期獲得降噪濾波后的目標(biāo)信息。

如圖11所示，不同目標(biāo)圖像的處理效果差別不大，都可以濾除噪點(diǎn)，保存邊緣中心，突出有效信息，且先中值濾波后Wiener濾波的濾波降噪方法，或者先Wiener濾波后中值濾波降噪方法，降噪效果基本相同。但在優(yōu)化提取中也存在不足，如采用Kirsch算子邊緣檢測(cè)方法，圖像還是存在明顯的噪點(diǎn)；采用Prewitt算子邊緣檢測(cè)方法，雖然邊緣提取后濾除了噪點(diǎn)，圖像呈現(xiàn)比較清晰，但是保留的邊緣部分過(guò)寬，不利于后期開(kāi)展檢測(cè)。

圖11 不同算法的邊緣提取結(jié)果對(duì)比

針對(duì)Sobel算子邊緣提取，為進(jìn)一步濾波降噪以濾除噪點(diǎn)，開(kāi)展深度優(yōu)化，在先中值濾波再Wiener濾波后[其結(jié)果見(jiàn)圖12(a)]，Sobel算子邊緣特征提取前分別引入算術(shù)均值濾波降噪、高斯濾波降噪和小波降噪，處理效果如圖12所示。由圖12可見(jiàn)，引入算術(shù)均值濾波降噪的優(yōu)化處理圖像效果最好，高斯均值濾波降噪效果較差，小波降噪后的圖片效果最差，已經(jīng)發(fā)生了糊化。因此，若先引入算術(shù)均值濾波降噪方法再進(jìn)行Sobel算子邊緣特征提取，可以細(xì)化并突出顯示骨架線，整體效果更好。

圖12 Sobel算子邊緣提取圖像

針對(duì)Kirsch算子邊緣提取，為進(jìn)一步濾波降噪以濾除噪點(diǎn)，開(kāi)展深度優(yōu)化，在先中值濾波再Wiener濾波后，Kirsch算子邊緣特征提取前分別引入算術(shù)均值濾波降噪、高斯濾波降噪和小波降噪，處理效果如圖13所示。由圖13可見(jiàn)，引入算術(shù)均值濾波后的優(yōu)化處理效果最好，小波降噪方法效果次之，高斯均值濾波方法效果最差；算術(shù)均值濾波降噪在將大部分噪聲濾除的同時(shí)細(xì)化了邊緣，突出了骨架線。

圖13 Kirsch算子邊緣提取圖像

針對(duì)Prewitt算子邊緣提取，為進(jìn)一步濾波降噪以濾除噪點(diǎn)，開(kāi)展深度優(yōu)化，在先中值濾波再Wiener濾波后，Prewitt算子邊緣特征提取前分別引入算術(shù)均值濾波降噪、高斯濾波降噪和小波降噪，處理效果如圖14所示。由圖14可見(jiàn)，引入小波降噪后的整體效果最好，高斯均值濾波方法效果次之，算術(shù)均值濾波方法效果最差；小波降噪通過(guò)多分辨率處理后，可將多重分解下的不同頻率信號(hào)分類、重組，在細(xì)化邊緣的同時(shí)將中心骨架線凸顯出來(lái)。

圖14 Prewitt算子邊緣提取圖像

通過(guò)對(duì)比發(fā)現(xiàn)，相同濾波降噪方案下Prewitt算子的邊緣檢測(cè)效果還有改進(jìn)的空間。針對(duì)Prewitt算子邊緣檢測(cè)方法，筆者在中值濾波、Wiener濾波、小波降噪后，Prewitt算子邊緣提取前，再引入算術(shù)均值濾波降噪方法，其效果如圖15所示。

圖15 小波變換后經(jīng)算術(shù)均值濾波的Prewitt算子邊緣提取圖像

結(jié)合圖14(d)，加入算術(shù)均值濾波降噪后，Prewitt算子邊緣檢測(cè)圖像的整體優(yōu)化效果有了明顯改變，在濾除了大部分噪聲的同時(shí)，細(xì)化了邊緣。

通過(guò)以上分析與總結(jié)，獲得的鋁蜂窩結(jié)構(gòu)脫黏損傷圖像特征提取優(yōu)化方案如圖16所示。

圖16 鋁蜂窩結(jié)構(gòu)脫黏損傷圖像提取優(yōu)化方案

4 結(jié)語(yǔ)

為獲得清晰的損傷圖像邊緣特征，通過(guò)中值濾波、Wiener濾波、小波變換等濾波降噪方法，結(jié)合Robert算子、Sobel算子、Kirsch算子、Prewitt算子、Laplace算子、LOG算子邊緣提取技術(shù)，開(kāi)展了飛機(jī)鋁蜂窩結(jié)構(gòu)脫黏損傷圖像特征深度優(yōu)化研究，獲取了飛機(jī)鋁蜂窩結(jié)構(gòu)脫黏損傷、沖擊損傷圖像特征提取優(yōu)化方案。