章斌, 盧洪義, 劉舜, 桑豆豆, 楊禹成

(南昌航空大學(xué) 飛行器工程學(xué)院, 江西 南昌 330063)

0 引言

工業(yè)CT是一種通過探測器獲得X射線在工件中的衰減和吸收特性的信息,利用計(jì)算機(jī)信息處理和圖像重建技術(shù)轉(zhuǎn)化成圖像的成像方法,工業(yè)CT可以快速準(zhǔn)確地檢測內(nèi)部結(jié)構(gòu)狀態(tài),可以更加直觀的展現(xiàn)被測物體的內(nèi)部組成結(jié)構(gòu)和破損的具體情況,且無接觸,通用性好。近年來,工業(yè)CT的應(yīng)用越來越廣泛,是檢測航空發(fā)動機(jī)關(guān)鍵部件可靠性的重要手段[1]。對CT圖像進(jìn)行分割,可以對部件特征提取和識別,分割的質(zhì)量對部件的檢測精度有著重要的影響[2]。由于受射線散射、檢測工件結(jié)構(gòu)等因素的影響,在CT圖像中會產(chǎn)生偽影、噪聲和邊緣模糊等干擾,對CT圖像部件特征的精確分割帶來極大的挑戰(zhàn)[3]。

圖像分割包括多種分割算法,一般的分割算法有基于閾值分割、基于邊緣的分割、基于區(qū)域的分割、基于圖論的分割和基于深度學(xué)習(xí)的圖像分割等[4]?；陂撝档姆指罘椒?吳一全等[5]提出一種基于背景與目標(biāo)的面積差和類內(nèi)方差的小目標(biāo)圖像分割閾值選取方法。朱敏等[6]在分析固體發(fā)動機(jī)CT圖像結(jié)構(gòu)特征和灰度分布的基礎(chǔ)上,設(shè)計(jì)一種集邊緣檢測、數(shù)學(xué)形態(tài)學(xué)、多閾值分割于一體的自動分割方法?；谶吘壍姆指罘椒?于光輝等[7]為了更有效地對固體發(fā)動機(jī)的CT圖像進(jìn)行邊緣檢測,提出基于引力模型的邊緣檢測算子,此類方法簡單高效,但易受噪聲影響,對復(fù)雜圖像的分割結(jié)果并不理想?；趨^(qū)域的分割方法,鄭洲等[8]提出一種基于區(qū)域增長和統(tǒng)一化水平集的半自動肝臟圖像分割方法。張麗娟等[9]提出一種基于神經(jīng)網(wǎng)絡(luò)改進(jìn)的區(qū)域生長法,并與全卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,對肝臟CT圖像進(jìn)行交互式分割。基于圖論的分割方法,謝勤嵐等[10]針對CT圖像對比度低、組織邊緣模糊、器官輪廓不規(guī)則等特點(diǎn)造成組織器官難以分割的問題,提出一種自適應(yīng)形狀約束的Graph cuts算法?；谏疃葘W(xué)習(xí)的方法,馬月紅等[11]針對深度學(xué)習(xí)算法運(yùn)行速度不能滿足實(shí)時要求,對雙階段目標(biāo)檢測算法快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輕量化改進(jìn)。張玉燕等[12]提出一種金屬三維多層點(diǎn)陣結(jié)構(gòu)內(nèi)部缺陷的檢測方法,設(shè)計(jì)特征提取網(wǎng)絡(luò)對缺陷進(jìn)行分割。由于航空發(fā)動機(jī)CT圖像具有特定的偽影和噪聲,與其他圖像的特征不太一樣,因此工業(yè)CT圖像對一般的分割算法應(yīng)用效果不達(dá)預(yù)期,工業(yè)CT圖像的高精度分割依舊是工業(yè)CT圖像處理的難點(diǎn)。

目前的各種圖像分割方法都是針對特定的對象去應(yīng)用,對于工業(yè)航空發(fā)動機(jī)CT圖像的分割,需要結(jié)合發(fā)動機(jī)CT圖像的特點(diǎn)進(jìn)行改進(jìn)。發(fā)動機(jī)CT圖像中部件的灰度特征相似,且結(jié)構(gòu)連通,因此適合采用區(qū)域生長法對特征部件進(jìn)行分割提取。區(qū)域生長法是通過一定的準(zhǔn)則將相似性質(zhì)的像素點(diǎn)集合起來,形成獨(dú)立的區(qū)域,完成分割[13]。區(qū)域生長算法利用到了相鄰像素間的相同的特點(diǎn),可以與其他條件結(jié)合,作為生長過程準(zhǔn)則,具有魯棒性、易于使用等優(yōu)點(diǎn)。但算法的效果比較依賴種子區(qū)域的選取和生長準(zhǔn)則,需要將區(qū)域生長與其他算法相結(jié)合才行。彭道剛等[14]針對圖像背景干擾較多且復(fù)雜的情況,采用二維最大類間方差法和區(qū)域生長相結(jié)合的缺陷分割方法。余成波等[15]針對圖像背景干擾多且復(fù)雜的情況,提出基于大津法—最大類間方差法(OTSU)與區(qū)域生長相結(jié)合的分割方法,由于航空發(fā)動機(jī)CT圖像有著不同于其他圖像的偽影噪聲,且部分偽影噪聲的灰度特征與部件相似,對部件特征的分割提取帶來不確定的風(fēng)險。

基于上述分析,結(jié)合文獻(xiàn)[16]的思想和區(qū)域生長的方法,本文提出一種基于標(biāo)準(zhǔn)差閾值和改進(jìn)區(qū)域生長的航空發(fā)動機(jī)CT圖像分割算法。首先,針對發(fā)動機(jī)CT圖像的偽影噪聲對特征部件分割的影響,采用非局部均值濾波對發(fā)動機(jī)CT圖像進(jìn)行降噪處理,并基于標(biāo)準(zhǔn)差權(quán)重的二維OTSU和二維最小交叉熵法的閾值分割算法把圖像分割為背景區(qū)和目標(biāo)區(qū),去除背景中噪聲的干擾。對圖像進(jìn)行卷積運(yùn)算,計(jì)算圖像的鄰域均值,將最大均值到波動閾值范圍作為種子點(diǎn),實(shí)現(xiàn)種子點(diǎn)區(qū)域的自動選取?；诜N子鄰域內(nèi)已生長點(diǎn)的均值改進(jìn)生長準(zhǔn)則,同時使用Scharr算子計(jì)算梯度幅值作為附加限定條件的生長準(zhǔn)則。用改進(jìn)的算法進(jìn)一步分割特征部件,實(shí)現(xiàn)航空發(fā)動機(jī)CT圖像的特征部件分割提取。

1 發(fā)動機(jī)CT圖像部件特征提取算法流程

本文重點(diǎn)在于發(fā)動機(jī)CT圖像處理程序的算法設(shè)計(jì),提出發(fā)動機(jī)CT圖像部件特征提取與區(qū)域生長算法,基本步驟如下:

1)對圖像進(jìn)行非局部均值濾波,得到降噪圖像。

2)引入類內(nèi)方差改進(jìn)二維OTSU,提出基于標(biāo)準(zhǔn)差權(quán)重的二維OTSU和二維最小交叉熵法的閾值分割算法,把圖像分割為背景區(qū)和目標(biāo)區(qū),去除背景圖像。

3)提出一種鄰域均值和灰度預(yù)分割閾值的改進(jìn)多種子自動選取方法,實(shí)現(xiàn)在同一幅圖中對多個目標(biāo)的種子自動選取。

4)基于種子鄰域內(nèi)已生長點(diǎn)的均值改進(jìn)生長準(zhǔn)則。

5)使用Scharr算子計(jì)算梯度幅值作為附加限定條件的生長準(zhǔn)則。

6)基于改進(jìn)的生長準(zhǔn)則完成發(fā)動機(jī)部件的特征提取。

本文算法流程如圖1所示。

圖1 標(biāo)準(zhǔn)差閾值和改進(jìn)區(qū)域生長算法的流程圖Fig.1 Standard deviation threshold and flowchart of the improved region growing algorithm

2 圖像預(yù)處理

圖像的預(yù)處理是整個圖像處理的第1步,其目的是提高圖像質(zhì)量,有便于改進(jìn)的算法實(shí)現(xiàn)。圖像濾波就是為了去除噪點(diǎn),這些噪聲在圖像產(chǎn)生過程中是無法避免的,對于發(fā)動機(jī)的偽影噪聲,一般的濾波方法處理結(jié)果不理想。由于發(fā)動機(jī)CT圖像偽影噪聲在金屬部件結(jié)構(gòu)的邊緣局部區(qū)域聚集明顯,非局部均值濾波充分地利用了全局相似部分的信息,在去噪的同時能最大程度地保持圖像的細(xì)節(jié)特征。非局部均值濾波方法[17]與發(fā)動機(jī)CT圖像偽影噪聲的分布特點(diǎn)相似,能夠更好地處理噪聲,因此本文采用非局部均值濾波方法進(jìn)行降噪處理。

一幅圖像F={f(i,j)|(i,j)∈F},對給定的像素點(diǎn)x,非局部均值濾波利用圖像內(nèi)所有像素灰度值的加權(quán)平均得到該點(diǎn)的濾波值,一般情況下會設(shè)定2個固定大小窗口,分別為搜索窗口和鄰域窗口,鄰域窗口在搜索窗口中滑動,通過計(jì)算2個鄰域窗口間的相似性賦以權(quán)值。該點(diǎn)濾波后的灰度值由式(1)計(jì)算:

(1)

(2)

Ca為以a為標(biāo)準(zhǔn)差的高斯核函數(shù),S2(x,y)為x和y歐氏距離的平方,h為平滑系數(shù)。歐氏距離越小,相似性越大,分配的權(quán)值越大,相反,歐氏距離越大,相似性越小,分配的權(quán)值越小。

表1為發(fā)動機(jī)調(diào)節(jié)器和渦輪CT切片經(jīng)非局域?yàn)V波處理的圖像。由表1可以看出,經(jīng)過濾波處理,CT圖像的結(jié)構(gòu)偽影得到了有效的抑制。

表1 發(fā)動機(jī)調(diào)節(jié)器和渦輪CT切片非局部均值濾波處理結(jié)果

3 基于標(biāo)準(zhǔn)差權(quán)重閾值分割算法

3.1 改進(jìn)二維OTSU法

劉健莊等[18]提出二維OTSU法,利用了灰度值和灰度平均值。把圖像的灰度f(x,y)和鄰域平均灰度g(x,y)分為L個等級,令二元組(i,j)出現(xiàn)的頻數(shù)為fij,聯(lián)合概率密度可以相應(yīng)地定義為

(3)

式中:N為圖像總的像素?cái)?shù)。

假設(shè)在二維直方圖中存在兩類Dt和Db,它們分別代表目標(biāo)區(qū)域和背景區(qū)域,分割閾值為(s,t),則可將二維直方圖劃分為圖2所示的區(qū)域1、區(qū)域2、區(qū)域3、區(qū)域4。

圖2 灰度-領(lǐng)域灰度均值二維直方圖Fig.2 2D grayscale mean histogram of the grayscale-domain

假設(shè)區(qū)域1和2分別對應(yīng)目標(biāo)和背景,區(qū)域3和4分別對應(yīng)邊緣和噪聲,則物體出現(xiàn)的概率ωt(s,t)以及背景出現(xiàn)的概率ωb(s,t)分別為

(4)

(5)

兩類對應(yīng)的均值矢量分別為

(6)

(7)

式中:μti、μtj和μbi、μbj分別為目標(biāo)和背景在灰度值域的均值和領(lǐng)域均值區(qū)域的均值。

得到兩區(qū)域的類間方差TSo為

TSo=ωt[(μti-μTi)2+(μtj-μTj)2]+
ωb[(μbi-μTi)2+(μbj-μTj)2]

(8)

(9)

式中:μTi和μTj分別為總的圖像在灰度值域的均值和領(lǐng)域均值區(qū)域的均值;μi(s,t)=iωt(s,t)。

在此基礎(chǔ)上,引入像素內(nèi)聚性,類內(nèi)方差越小,分割越精確,像素之間的內(nèi)聚性越好,公式如下:

(10)

式中:δt、δb為兩區(qū)域類內(nèi)方差,

(11)

(12)

式(10)中對應(yīng)的To(s,t)便是改進(jìn)二維OTSU法得到的最佳閾值。改進(jìn)二維OTSU法提升了算法的抗噪聲能力,當(dāng)像素與像素均值越接近,像素更均勻,保留的內(nèi)容更多,但部件邊緣的像素與均值相差較大,邊緣細(xì)節(jié)就會丟失。

3.2 二維最小交叉熵法

Li等[19]提出通過最小化圖像分割之間的交叉熵來解決閾值選擇問題,圖像分割前后信息量的變化可以用最小交叉熵來衡量。對于兩個分布P和Q,定義其信息交叉熵D(P,Q)如下:

(13)

式中:pi和qi分別為源圖像和得到的分割圖像的灰度值為i的分布概率。

雷博等[20]基于于此基礎(chǔ)將其推廣到二維灰度直方圖上,提出了二維交叉熵的圖像分割算法,將二維直方圖劃分為如圖2所示的區(qū)域1、區(qū)域2、區(qū)域3、區(qū)域4。

假設(shè)區(qū)域1和2分別對應(yīng)目標(biāo)和背景,區(qū)域3和4分別對應(yīng)邊緣和噪聲,分割閾值(s,t)將圖像分割成目標(biāo)Et和背景Eb兩部分,則對應(yīng)的概率密度ωt(s,t)、ωb(s,t)和均值μt(s,t)、μb(s,t)如下:

(14)

(15)

(16)

(17)

兩個區(qū)域的二為交叉熵如下:

(18)

所獲得的最佳閾值向量即

(19)

二維最小交叉熵法分割效果明顯,抗噪聲能力強(qiáng),能夠最大程度保留圖像的紋理細(xì)節(jié),提高圖像豐富度,但對邊緣的識別不準(zhǔn)確,導(dǎo)致分割精度低。

3.3 標(biāo)準(zhǔn)差權(quán)重的閾值分割法

結(jié)合改進(jìn)二維OTSU算法和二維最小交叉熵分割算法的優(yōu)缺點(diǎn),權(quán)衡兩種算法分割的區(qū)域得到標(biāo)準(zhǔn)差所占的比重,提出了基于標(biāo)準(zhǔn)差權(quán)重的二維OTSU和二維最小交叉熵閾值分割算法,引入權(quán)重參數(shù)λ,自適應(yīng)地調(diào)節(jié)閾值的大小:

Th=λTo(s,t)+(1-λ)Ts(s,t)

(20)

(21)

式中:To(s,t)表示由改進(jìn)二維OTSU算法得到的閾值;Ts(s,t)表示由二維最小交叉熵算法得到的閾值;σot和σob分別表示由閾值To(s,t)分割得到的目標(biāo)和背景區(qū)域標(biāo)準(zhǔn)差;σst和σsb分別表示由閾值Ts(s,t)分割得到的目標(biāo)和背景區(qū)域標(biāo)準(zhǔn)差。

以Th為閾值進(jìn)行處理,公式如下:

(22)

式中:fs(x,y)為處理后的圖像;f(x,y)為源圖像。分割結(jié)果圖像如圖3所示。

圖3 改進(jìn)閾值分割Fig.3 Improved threshold segmentation

4 改進(jìn)區(qū)域生長算法分割

航空發(fā)動機(jī)的部件CT圖像中,特征部件通常表現(xiàn)為灰度值由部件中心向邊界逐步降低的連通區(qū)域。有時發(fā)動機(jī)CT圖像上有多個特征部件。因此,要求算法要適用于連通區(qū)域的提取,并且能夠?qū)崿F(xiàn)多個特征部件的分割提取。

區(qū)域生長法的優(yōu)點(diǎn)在于連通區(qū)域生長的實(shí)現(xiàn)簡單、計(jì)算快,不需要經(jīng)驗(yàn)數(shù)據(jù)的支持,可以分割出較好的結(jié)果。此方法是根據(jù)某種規(guī)則對所有像素進(jìn)行條件判斷,從而使得相同特征的像素點(diǎn)匯聚在一起。傳統(tǒng)區(qū)域生長法基本流程圖如圖4所示。

圖4 區(qū)域生長法流程圖Fig.4 Flowchart of the regional growing method

4.1 多種子點(diǎn)自動選取

結(jié)合CT圖像的特征,對于預(yù)分割的圖像,本文提出一種鄰域均值和灰度預(yù)分割閾值的改進(jìn)多種子自動選取方法,實(shí)現(xiàn)在同一幅圖中對多個目標(biāo)的自動分割。自動選取的多種子點(diǎn)步驟如下:

1)對圖像進(jìn)行卷積,得到的圖像是一個均值圖像,每個像素的更新值為自身所在鄰域的均值。求出最大均值的像素坐標(biāo)所對應(yīng)的灰度值級記為Tmax。卷積核為

(23)

2)Tb(x,y)為多個特殊部件的最大灰度范圍,Tb(x,y)∈(Tmax-t,Tmax),t為特殊部件的波動閾值,

t=(Tmax-Th)×β

(24)

式中:Th為改進(jìn)分割閾值;β為常系數(shù)。因?yàn)榉N子點(diǎn)之間的像素灰度值相近,所以t的取值較小,本文中β取0.3。

3)遍歷均值圖像,如Tmax-f(x,y)

本文的多種子自動選取流程圖如圖5所示。

圖5 多種子自動選取流程圖Fig.5 Flowchart of the automatic selection process of seed points

4.2 改進(jìn)的生長準(zhǔn)則

傳統(tǒng)的區(qū)域生長法采用的是固定閾值作為生長準(zhǔn)則,閾值需要人為去根據(jù)不同的圖像設(shè)定不同的閾值,不夠智能化,基于此情況,本文提出基于生長種子點(diǎn)3×3鄰域已生長點(diǎn)灰度均值的自適應(yīng)閾值作為生長準(zhǔn)則,使用Scharr梯度算子計(jì)算種子點(diǎn)和待生長點(diǎn)的梯度幅值作為生長準(zhǔn)則。

由圖5可知，在風(fēng)干過程中，獼猴桃蛋白酶處理組干腌羊火腿肌漿蛋白發(fā)生了降解現(xiàn)象，而且降解程度較對照組大。整體來看，獼猴桃蛋白酶處理組干腌羊火腿的蛋白條帶較對照組暗；分子量 66.2 ku～45.0 ku和33.0 ku～26.0 ku中間小的蛋白條帶已消失；45.0 ku～33.0 ku中間的條帶逐漸變細(xì)，到成熟期（30 d）時消失；20.0 ku附近的條帶逐漸變粗；說明獼猴桃蛋白酶可以降解干腌羊火腿的高分子蛋白成低分子蛋白[25]。

4.2.1 基于鄰域已生長點(diǎn)均值的自適應(yīng)閾值

(25)

式中:n為Q中已生長的像素點(diǎn)個數(shù);T(x,y)為Q內(nèi)已生長像素點(diǎn)的灰度值。

(26)

式中:T為生長種子的灰度值。

(27)

式中:T(xi,yj)為待生長點(diǎn)像素的灰度值。

4.2.2 基于Scharr算子的附加生長條件

對于圖像中提取部件的邊緣灰度值相差較大,所以部件邊緣像素點(diǎn)的梯度幅值較大,運(yùn)用邊緣檢測算子來判斷邊界,改進(jìn)生長準(zhǔn)則。Scharr算子提取邊界更加靈敏,能提取到更細(xì)小的邊界,本文通過Scharr算子計(jì)算種子點(diǎn)和鄰域像素點(diǎn)的梯度幅值差的絕對值。

由于數(shù)字圖像是離散的數(shù)字信號,可用求差分代替連續(xù)函數(shù)微分運(yùn)算。

根據(jù)Scharr算子,對如圖6所示的圖像3×3鄰域做加權(quán)差分。

x-1,y-1x,y-1x+1,y-1x-1,yx,yx+1,yx-1,y+1x,y+1x+1,y+1

中心點(diǎn)(x,y)沿x軸方向上的梯度幅值為

(28)

中心點(diǎn)(x,y)沿y軸方向上的梯度幅值為

(29)

式中:F為點(diǎn)f(x,y)的灰度值。則圖像梯度幅度為

(30)

設(shè)待生長點(diǎn)的梯度幅值為Gg(x,y),當(dāng)前種子點(diǎn)的梯度幅值為Gs(x,y),閾值為Tg,則附加生長準(zhǔn)則為

|Gs(x,y)-Gg(x,y)|≤Tg

(31)

本文改進(jìn)的生長準(zhǔn)則為

(32)

改進(jìn)區(qū)域生長法流程如圖7所示。

圖7 改進(jìn)區(qū)域生長法Fig.7 Improved regional growing method

由于有了附加生長準(zhǔn)則,閾值Tβ可適當(dāng)?shù)脑龃?防止閾值過小導(dǎo)致的欠分割現(xiàn)象。對于發(fā)動機(jī)CT圖像,Tβ取[10,30]較為合理,Tg取[20,40] 較為合理。

5 實(shí)驗(yàn)及結(jié)果分析

5.1 算法驗(yàn)證和對比實(shí)驗(yàn)

為驗(yàn)證所提基于標(biāo)準(zhǔn)差權(quán)重的閾值分割和改進(jìn)區(qū)域生長的算法,本文基于Open CV4.1.0軟件工具在Visual Studio 2017平臺下采用C++語言完成算法實(shí)現(xiàn),并選取兩幅航空發(fā)動機(jī)特殊部件的CT圖像進(jìn)行分割提取,如圖8所示。

圖8 發(fā)動機(jī)CT原始圖像Fig.8 Raw CT images of the engine

同時,采用傳統(tǒng)區(qū)域生長法,最大熵閾值法和文獻(xiàn)[14]改進(jìn)區(qū)域生長法對實(shí)驗(yàn)圖像進(jìn)行特征部件分割提取,對比分析和本文算法多種子點(diǎn)自動選取的準(zhǔn)確和特征部件分割提取的精準(zhǔn)性。

實(shí)驗(yàn)所用電腦的配置為64位Windows 10操作系統(tǒng),16 GB內(nèi)存,CPU型號為Intel(R) Core(TM)i7-10700M,主頻為2.9 GHz。

圖8(a)、圖8(b)為原始CT圖像,可以看出圖8(a)的特征部件較多且結(jié)構(gòu)復(fù)雜,圖8(b)的圖像部件結(jié)構(gòu)簡單,如圖8中標(biāo)記處金屬偽影噪聲干擾較為嚴(yán)重,部件兩側(cè)噪聲的干擾使部件由圓形變成橢圓結(jié)構(gòu)。

在實(shí)驗(yàn)中,由第4節(jié)得出的參數(shù)合理取值范圍,為防止欠分割設(shè)定的初始生長閾值取大一些,取Tβ=20,防止過分割梯度閾值取小些,取Tg=20,按照算法流程對圖像進(jìn)行處理,先對圖像進(jìn)行非局部均值濾波去噪,改進(jìn)標(biāo)準(zhǔn)差權(quán)重閾值預(yù)分割,改進(jìn)區(qū)域生長的特征部件提取。對于調(diào)節(jié)器CT圖像提取活動的齒輪泵和滑油濾嘴,對于發(fā)動機(jī)渦輪CT圖像提取渦輪機(jī)匣和轉(zhuǎn)子。實(shí)驗(yàn)結(jié)果如表2所示。

表2 本文算法提取結(jié)果

針對噪聲多、邊緣模糊的發(fā)動機(jī)CT圖像,標(biāo)準(zhǔn)差權(quán)重閾值的預(yù)分割方法可以有效地去除背景和噪聲干擾,基于直方圖求出部件的正常灰度值分別為38、33。再結(jié)合改進(jìn)區(qū)域生長法之后能夠?qū)崿F(xiàn)多特征部件的提取,且同時提取出不連通的幾部分。對邊緣部分也具有較好的響應(yīng),沒有出現(xiàn)欠分割和過分割現(xiàn)象,算法可行且效果明顯。

在采用傳統(tǒng)區(qū)域生長法分割時,設(shè)定的種子域與本文算法相同,且初始生長閾值相等,即T=Tβ=20,傳統(tǒng)區(qū)域生長法、最大熵閾值法和文獻(xiàn)[14]改進(jìn)區(qū)域生長法與本文算法特征識別分割效果對比如表3所示。

表3 4種算法結(jié)果對比

5.2 結(jié)構(gòu)邊界清晰度評價指標(biāo)

為客觀評價和驗(yàn)證本文算法的優(yōu)越性,采用以下指標(biāo):精確率(CPA)圖像分割對的像素占分割像素的百分比,值越接近1越好,準(zhǔn)確率(PA)圖像中正確分割的像素百分比,即分割正確的像素占總像素的比例,取值越大越好;相似性系數(shù)(Dice)是一種集合相似度度量指標(biāo),表示兩個物體相交的面積占總面積的比值,通常用于計(jì)算兩個樣本的相似度,取值范圍為(0,1),為1時效果最好;交并比(IOU)也稱為jaccard指數(shù),是分割和真實(shí)之間的重疊區(qū)域除以分割和真實(shí)之間的聯(lián)合區(qū)域,取值在(0,1)之間,取值越大,效果越好,指標(biāo)定義如下:

(33)

(34)

(35)

(36)

式中:TP為算法正確分割區(qū)域,TP=(A∩B),A為算法分割結(jié)果,B為理論分割結(jié)果;FP為算法錯誤分割區(qū)域,FP=B-(A∩B);TN為真實(shí)的背景區(qū)域,TN=I-A,I為圖像像素點(diǎn)集合;FN為算法漏測的目標(biāo)區(qū)域,FN=A-(A∩B)。理想分割的部件由設(shè)計(jì)圖紙?zhí)崛〉玫浇Y(jié)果如圖9所示。

圖9 設(shè)計(jì)圖紙?zhí)崛±硐虢Y(jié)果Fig.9 Design drawings for extracting ideal results

5.3 發(fā)動機(jī)結(jié)構(gòu)特征提取效果對比分析

從表3中可以看出,傳統(tǒng)區(qū)域生長法分割結(jié)果中因采用固定閾值導(dǎo)致調(diào)節(jié)器存在欠分割現(xiàn)象,而偽影噪聲的干擾使得發(fā)動機(jī)渦輪的分割中出現(xiàn)粘結(jié)在一起沒有分割的現(xiàn)象。在最大熵法分割的結(jié)果圖中,調(diào)節(jié)器和發(fā)動機(jī)渦輪都出現(xiàn)因閾值分割導(dǎo)致的部分區(qū)域雜亂的干擾現(xiàn)象,在文獻(xiàn)[14]的算法中,調(diào)節(jié)器出現(xiàn)部分邊界欠分割而發(fā)動機(jī)渦輪出現(xiàn)部分邊界過分割現(xiàn)象。

根據(jù)上述分割結(jié)果,本文算法與其他3種算法的性能對比如表4所示。

表4 不同算法對比評價指標(biāo)值

通過對比CPA、PA、Dice和 IOU,從表1中可以看出,本文算法處理后的圖像較其他算法峰值信噪比略有增加,本文算法調(diào)節(jié)器和發(fā)動機(jī)渦輪CPA值較傳統(tǒng)區(qū)域生長法、最大熵閾值法、文獻(xiàn)[14]改進(jìn)區(qū)域生長法分別提高了2.6%、25.5%、9.1%和17.3、7.6%、2.5%,PA最大的是本文算法,接近1,效果比其他的算法更好,Dice調(diào)節(jié)器值最大為本文算法,接近1,效果最好,發(fā)動機(jī)渦輪值較傳統(tǒng)區(qū)域生長法、最大熵閾值法、文獻(xiàn)[14]改進(jìn)區(qū)域生長法分別提高了10.1%、2.8%、5.3%。IOU值調(diào)節(jié)器和發(fā)動機(jī)渦輪較傳統(tǒng)區(qū)域生長法、最大熵閾值法、文獻(xiàn)[14]改進(jìn)區(qū)域生長法分別提高了1%、26.8%、4.1%和19.8%、5.4%、10.5%。相對于其他3種算法中較易出現(xiàn)的欠分割和過分割現(xiàn)象,本文改進(jìn)的基于標(biāo)準(zhǔn)差和區(qū)域生長的算法在圖像分割上取得了更好的分割結(jié)果。

綜上所述,本文算法不僅可自動、高效地確定分割提取特征部件,并且精確地分割出特征部件的大小和形狀,分割的結(jié)果精確度高,算法的可靠性和準(zhǔn)確性得到驗(yàn)證。

6 結(jié)論

本文針對發(fā)動機(jī)CT圖像偽影和噪聲對圖像分割的影響可能導(dǎo)致分割提取不精確的問題,結(jié)合航空發(fā)動機(jī)CT檢測對特定部件的提取需求,提出一種基于標(biāo)準(zhǔn)差權(quán)重閾值和改進(jìn)區(qū)域生長的圖像特征提取算法,改進(jìn)的閾值預(yù)處理可以在去除背景的同時盡可能地保留邊緣細(xì)節(jié),自動種子生成可以更加智能地定位多個特征部件。采用Sharr算子梯度準(zhǔn)則,使得在邊緣生長時可以避免過分割,保留邊緣特征。實(shí)驗(yàn)結(jié)果表明,本文算法有效地解決了發(fā)動機(jī)TC圖像偽影和噪聲對分割提取精度的干擾問題,實(shí)現(xiàn)不同情況下航空發(fā)動機(jī)CT圖像中特殊部件的提取,明顯提高了特征部件分割的精度,且不易出現(xiàn)欠分割或者過分割,下一步可應(yīng)用于對航空發(fā)動機(jī)部件的活動狀態(tài)進(jìn)行分析。