吳 恬,李志農(nóng),朱俊臻,2,馮輔周,2

(1.南昌航空大學(xué)無(wú)損檢測(cè)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,江西 南昌 330063;2.陸軍裝甲兵學(xué)院車(chē)輛工程系,北京 100072)

1 引 言

大型設(shè)備服役期間,由于交變應(yīng)力的作用,關(guān)鍵部件中極易出現(xiàn)疲勞裂紋[1],當(dāng)超聲紅外檢測(cè)技術(shù)對(duì)含有疲勞裂紋的零部件進(jìn)行檢測(cè)時(shí)[2-4],由于熱像儀靈敏度限制、環(huán)境干擾、不均勻生熱、復(fù)雜形狀、微裂紋生熱少等因素的影響,使得熱圖像存在信噪比低、對(duì)比度差的特點(diǎn),因?yàn)橥ㄟ^(guò)該技術(shù)獲取的零部件裂紋紅外圖像,所以為了更好地區(qū)分零部件裂紋紅外圖像的缺陷區(qū)域與非缺陷區(qū)域,從而進(jìn)行定量化分析[5-6],有必要對(duì)超聲紅外缺陷圖像進(jìn)行增強(qiáng)處理[7]。圖像增強(qiáng)技術(shù)是圖像處理領(lǐng)域的重要分支之一,該技術(shù)是部件缺陷超聲紅外圖像處理的一種關(guān)鍵方法。

傳統(tǒng)的紅外圖像增強(qiáng)算法主要分為兩大類(lèi):空間域和頻率域?？臻g域增強(qiáng)算法以直方圖均衡化[8-9](histogram equalization,HE)算法和Retinex[10-11]算法為主。這類(lèi)方法可以快速地提升圖像的對(duì)比度,但容易出現(xiàn)增強(qiáng)過(guò)度或不足細(xì)節(jié)模糊、噪聲放大等問(wèn)題。頻率域算法主要對(duì)原始圖像進(jìn)行頻域?yàn)V波,以達(dá)到增強(qiáng)圖像的效果主要包括基于傅里葉變換[12-13]、小波變換[14-15]的增強(qiáng)算法等,這類(lèi)算法能夠有效地增強(qiáng)圖像的結(jié)構(gòu)特征,但容易出現(xiàn)細(xì)節(jié)模糊的問(wèn)題。而圖像增強(qiáng)算法在不同研究領(lǐng)域不具有普適性,在使用相同算法處理不同種類(lèi)圖像,得到的增強(qiáng)效果區(qū)別很大。因此應(yīng)針對(duì)特定領(lǐng)域及研究對(duì)象,需要選擇合適的算法進(jìn)行增強(qiáng)。

針對(duì)傳統(tǒng)圖像增強(qiáng)方法用于超聲紅外缺陷熱像使整體增強(qiáng)時(shí)易出現(xiàn)缺陷處細(xì)節(jié)模糊的問(wèn)題,本文提出了一種基于k-means的DBSCAN聚類(lèi)[16]和基于缺陷骨架的超聲紅外增強(qiáng)方法。本文分別對(duì)缺陷發(fā)熱區(qū)域和非缺陷區(qū)域進(jìn)行細(xì)節(jié)增強(qiáng),以得到良好的增強(qiáng)效果。首先用基于k-means的DBSCAN聚類(lèi)算法來(lái)識(shí)別裂紋發(fā)熱區(qū)域;其次將圖像劃分為缺陷區(qū)域與非缺陷區(qū)域,對(duì)缺陷區(qū)域進(jìn)行骨架描述,沿裂紋骨架走向?qū)θ毕葸M(jìn)行局部直方均衡化,再次使用Gamma變換對(duì)非缺陷區(qū)域的熱擴(kuò)散進(jìn)行校正。最后將增強(qiáng)后的缺陷區(qū)域和非缺陷區(qū)域進(jìn)行小波融合,得到增強(qiáng)的超聲紅外熱像。

2 超聲紅外熱圖像增強(qiáng)方法的基本原理及流程

針對(duì)常規(guī)圖像增強(qiáng)方法對(duì)超聲紅外圖像缺陷細(xì)節(jié)增強(qiáng)效果不佳的問(wèn)題,本文提出了一種缺陷生熱區(qū)域順裂紋走向的圖像增強(qiáng)方法。本文先對(duì)超聲紅外圖像進(jìn)行基于k-means的DBSCAN聚類(lèi)算法對(duì)超聲紅外圖像進(jìn)行缺陷識(shí)別分割,其次對(duì)高頻缺陷區(qū)域進(jìn)行裂紋骨架的提取,實(shí)現(xiàn)裂紋的粗定位和裂紋輪廓的粗定型。沿裂紋輪廓進(jìn)行改進(jìn)的POSHE算法,再用Gamma變換對(duì)低頻非缺陷區(qū)域的進(jìn)行熱擴(kuò)散校正。最后進(jìn)行圖像的小波融合,得到增強(qiáng)的超聲紅外熱像。流程圖如圖1所示。

2.1 基于k-means的DBSCAN的聚類(lèi)分割

超聲紅外熱像的聚類(lèi)分割難度主要存在于熱擴(kuò)散導(dǎo)致缺陷振動(dòng)生熱的區(qū)域邊界不明顯及噪聲干擾導(dǎo)致熱像邊界模糊。DBSCAN算法對(duì)含噪圖像聚類(lèi)具有一定的可行性,且可以進(jìn)行多層聚類(lèi),更易聚類(lèi)得到裂紋生熱區(qū)域。但DBSCAN算法中,需要依照經(jīng)驗(yàn)設(shè)定參數(shù)鄰域半徑Eps和鄰域中密度閾值MinPts,面對(duì)不同尺寸裂紋的超聲紅外熱圖像時(shí),不能自適應(yīng)地選擇不同尺寸及不同發(fā)熱的裂紋超聲熱像。針對(duì)DBSCAN算法參數(shù)存在較大難題。本文使用基于k-means的DBSCAN聚類(lèi)算法,利用k-means算法聚類(lèi)來(lái)分析像素點(diǎn)距離及深淺關(guān)系,通過(guò)不同聚類(lèi)簇的樣本距離,找到合適的Eps和MinPts參數(shù)。

基于k-means的DBSCAN聚類(lèi)分割算法對(duì)超聲紅外圖像實(shí)現(xiàn)聚類(lèi),將圖像分為非缺陷區(qū)、缺陷區(qū)和熱擴(kuò)散區(qū)。先采用k-means算法對(duì)超聲紅外圖像進(jìn)行初步聚類(lèi),得到像素值相近,且距離較近的多個(gè)簇。再統(tǒng)計(jì)不同簇中各樣本的像素及間距,根據(jù)正態(tài)分布,對(duì)圖像中不同簇分配適合其自身的參數(shù)Eps和MinPts,使得區(qū)域相同的簇更易被聚集。再使用DBSCAN算法對(duì)圖像中的點(diǎn)進(jìn)行聚類(lèi),判斷像素點(diǎn)所處的聚類(lèi)簇進(jìn)行對(duì)應(yīng)簇的參數(shù)選擇,將其分為核心點(diǎn),邊界點(diǎn)及噪聲點(diǎn),通過(guò)密度可達(dá)實(shí)現(xiàn)DBSCAN聚類(lèi),最后依據(jù)聚類(lèi)特性進(jìn)行圖像分割,得到熱像缺陷發(fā)熱區(qū)域與非缺陷區(qū)域。

2.2 基于骨架提取的局部直方均衡化

部分子塊重疊直方圖均衡算法(Partially Overlapped Sub-block Histogram Equalization,POSHE)算法是一種經(jīng)典的局部直方均衡化算法,但容易出現(xiàn)塊效應(yīng)和過(guò)度增強(qiáng),易混淆圖像中的有效信息與無(wú)效信息,基于骨架提取的POSHE算法,針對(duì)超聲紅外缺陷的生熱效果為線狀效果,提出了選擇對(duì)缺陷生熱處進(jìn)行骨架提取,得到裂紋生熱骨架,根據(jù)裂紋走向,將生熱區(qū)域進(jìn)行一列子塊的劃分,在每一子塊中都保留了裂紋信息與裂紋周邊生熱信息,分離裂紋信息與非缺陷信息,再進(jìn)行直方均衡化。減少重疊加權(quán)層數(shù),減輕塊效應(yīng)和過(guò)增強(qiáng)問(wèn)題的同時(shí),優(yōu)化增強(qiáng)效果。

基于骨架提取的局部直方均衡化骨架提取,其本質(zhì)是提取像素的中心輪廓,骨架提取的現(xiàn)存算法有一千多種,本文使用的是K3M順序迭代的方法,其思想是提取目標(biāo)圖像外輪廓,利用輪廓迭代腐蝕邊界,直至不能腐蝕得到偽骨架,再?gòu)膫喂羌苤刑崛≌鎸?shí)骨架。

再沿骨架走向,對(duì)缺陷區(qū)域進(jìn)行改進(jìn)的POSHE算法。為了更好的體現(xiàn)骨架提取的POSHE算法,圖2(a)為本文算法示例。假設(shè)缺陷生熱區(qū)域長(zhǎng)寬比為M×N的矩形區(qū)域,沿著骨架指定大小,長(zhǎng)寬分別為m,n的子塊,步長(zhǎng)選擇為子塊大小的一半(m/2),a,b,c區(qū)域的子塊沿箭頭方向移動(dòng),這些區(qū)域由兩部分重疊的子塊組成。子塊1由a、b區(qū)域組成,子塊2由b、c區(qū)域組成,這三個(gè)區(qū)域由兩個(gè)重疊子塊組成。

圖2 基于骨架提取的POSHE算法與經(jīng)典POSHE算法

假設(shè)m=N,則第i個(gè)子塊的概率密度函數(shù)pi(rj)的表達(dá)式為:

(1)

(2)

(3)

將輸入圖像分塊映射到整個(gè)動(dòng)態(tài)范圍(r0,rL-1),得到輸出圖像。

本文針對(duì)超聲紅外熱像提出了基于骨架提取的局部直方均衡化方法,利用骨架提取找到裂紋走向,沿裂紋走向進(jìn)行單方向的POSHE算法。經(jīng)典POSHE算法雖然可以實(shí)現(xiàn)局部圖像增強(qiáng),但由于子塊結(jié)構(gòu)的設(shè)定不參考圖像本身細(xì)節(jié),均衡后圖像容易出現(xiàn)塊效應(yīng),POSHE算法示例如圖2(b)所示,像素的重復(fù)均衡化程度高,導(dǎo)致了圖像出現(xiàn)過(guò)增強(qiáng)的效果。本文提出的基于骨架提取的POSHE算法,沿骨架進(jìn)行子塊劃分,較為完整地保留了生熱區(qū)域的局部相關(guān)性,不僅避免了由于子塊劃分不恰當(dāng)導(dǎo)致的塊效應(yīng),且能均衡裂紋處的不連續(xù)生熱。本文均衡算法中,單像素最高均衡次數(shù)從四次降為兩次,且由于子塊只有沿裂紋一列,只存在子塊前后的步長(zhǎng)重疊,而避免了傳統(tǒng)POSHE算法在左右步長(zhǎng)的重疊,有效的避免了過(guò)度增強(qiáng),使該方法有效增強(qiáng)了裂紋處信息。

2.3 熱擴(kuò)散校正及圖像融合

非缺陷處的熱擴(kuò)散也是超聲紅外圖像增強(qiáng)需要重點(diǎn)關(guān)注的區(qū)域。Gamma變換是對(duì)輸入圖像灰度值進(jìn)行的非線性操作,使輸出圖像灰度值與輸入圖像灰度值呈指數(shù)關(guān)系,Gamma變換用來(lái)超聲紅外圖像增強(qiáng),可以減小熱擴(kuò)散區(qū)域,同時(shí)不改變圖像暗部細(xì)節(jié)。

Gamma校正公式:

f(I)=Iγ

(4)

其中,I為灰度值;γ為校正系數(shù)。

最后通過(guò)小波圖像融合對(duì)缺陷區(qū)域與非缺陷區(qū)域的圖像進(jìn)行融合。利用小波變換的多分辨率分析,將原始圖像分解為高頻缺陷圖與低頻非缺陷圖,得到一系列不同頻段的子圖像,然后用不同的融合規(guī)則對(duì)子圖像進(jìn)行處理,為保證在融合過(guò)程中減少熱像信息的丟失,本文采用基于鄰域系數(shù)局部方差加權(quán)求和對(duì)低頻。 為了更好地突出紅外熱像的高頻缺陷信息,采用區(qū)域能量加權(quán)求和的方式進(jìn)行高頻系數(shù)的融合。 同時(shí)為抑制背景噪聲對(duì)融合效果的影響,利用引導(dǎo)濾波對(duì)融合后的高頻分量進(jìn)行平滑。最后利用小波逆變換得到融合紅外圖像。

3 實(shí)驗(yàn)驗(yàn)證

3.1 超聲紅外熱成像設(shè)備及采集

超聲紅外熱像檢測(cè)技術(shù)將超聲通過(guò)接觸面耦合于固體介質(zhì)內(nèi)部進(jìn)行迅速無(wú)衰減傳播,若固體內(nèi)部有裂紋、分層等接觸界面類(lèi)的缺陷,機(jī)械能在缺陷區(qū)域因塑性變形、摩擦生熱轉(zhuǎn)化為熱能,產(chǎn)生的熱量提升缺陷位置和鄰近范圍的溫度,通過(guò)紅外熱像儀成像記錄,取得缺陷紅外序列圖,從而判斷被測(cè)結(jié)構(gòu)件所存缺陷。

為獲取足夠多的超聲紅外熱像樣本,課題組自主設(shè)計(jì)搭建了一套超聲紅外熱像無(wú)損檢測(cè)實(shí)驗(yàn)臺(tái),并且編寫(xiě)一套超聲紅外無(wú)損檢測(cè)系統(tǒng)軟件,并實(shí)現(xiàn)激勵(lì)與圖像信號(hào)采集的同步控制。實(shí)驗(yàn)臺(tái)主要由超聲激勵(lì)裝置、圖像采集裝置及導(dǎo)軌等輔助裝置組成,如圖3所示。

圖3 超聲紅外熱像檢測(cè)系統(tǒng)[17-18]

激勵(lì)發(fā)生裝置包含超聲發(fā)生器和超聲換能器兩部分,通過(guò)后端壓力傳感器控制其與待測(cè)件之間的預(yù)緊力,超聲換能器將電能轉(zhuǎn)換為機(jī)械振動(dòng),來(lái)實(shí)現(xiàn)結(jié)構(gòu)件的缺陷振動(dòng)生熱。圖像采集裝置為FLIR公司的T640型號(hào)紅外熱像儀,主要用于實(shí)現(xiàn)采集對(duì)象表面的溫度場(chǎng)信息。其采用非制冷微熱量紅外焦平面陣列,以30 Hz的幀頻記錄溫度場(chǎng)信息,紅外圖像分辨率為640 pixel×480 pixel,熱靈敏度≤0.035 mK。

本文實(shí)驗(yàn)利用超聲紅外檢測(cè)技術(shù)檢測(cè)常見(jiàn)金屬平板貫穿裂紋,如圖4所示,激勵(lì)位置偏離工件中心50 mm,超聲發(fā)生器將220 V/50 HZ的交流電調(diào)制成高頻直流脈沖,超聲紅外檢測(cè)技術(shù)超聲激勵(lì)開(kāi)始時(shí)刻熱像儀即開(kāi)始記錄,超聲激勵(lì)時(shí)間為3 s,熱像儀記錄時(shí)長(zhǎng)為4 s,共采集到120幀紅外圖像。

圖4 被測(cè)平板示意圖

采用上述提出的基于k-means的DBSCAN聚類(lèi)和缺陷骨架的增強(qiáng)方法對(duì)大量超聲紅外熱像進(jìn)行處理,進(jìn)一步采用小波融合的方式進(jìn)行圖像融合。為更好對(duì)比實(shí)驗(yàn)效果,選擇五組裂紋長(zhǎng)度不同,生熱差異較大的超聲紅外缺陷局部圖像作為實(shí)驗(yàn)對(duì)象,其圖像分辨率為128 pixel×128 pixel。為了進(jìn)行評(píng)估與比較,同時(shí)使用直方均衡化(HE),限制對(duì)比度自適應(yīng)直方圖均衡化(CLAHE)、自適應(yīng)同態(tài)濾波(AHF)這3種增強(qiáng)方法與本文提出的算法進(jìn)行對(duì)比。

圖5(a)為不同工件在不同生熱時(shí)長(zhǎng)下的五張超聲紅外裂紋熱像圖,其裂紋光學(xué)測(cè)量長(zhǎng)度分別為5263.5 μm,6983.00 μm,7071.50 μm,7930.00 μm,8537.50 μm。如圖所示,部分缺陷熱像在裂紋處生熱顯著,但熱擴(kuò)散明顯;部分缺陷熱像在裂紋溫度變化不明顯,邊界模糊,對(duì)比度差;部分缺陷熱像在裂紋處生熱不均勻,無(wú)法憑經(jīng)驗(yàn)判斷出裂紋走向。圖5(b)為經(jīng)過(guò)基于k-means的DBSCAN算法聚類(lèi),有效分類(lèi)出缺陷生熱區(qū)域、非缺陷區(qū)域,熱擴(kuò)散明顯的裂紋圖像能分割出熱擴(kuò)散區(qū)域,且分割效果較為準(zhǔn)確,能獲取到缺陷生熱處圖像,僅有幾個(gè)小面積的誤判,結(jié)果如圖5(c)所示。

圖5 不同缺陷的原始熱像、聚類(lèi)結(jié)果及分割結(jié)果

直方均衡化(HE),限制對(duì)比度自適應(yīng)直方圖均衡化(CLAHE)、自適應(yīng)同態(tài)濾波(AHF)和本文算法對(duì)超聲紅外圖像的增強(qiáng)對(duì)比結(jié)果如圖6所示。HE算法模糊了缺陷生熱區(qū)域與熱擴(kuò)散區(qū)域,增強(qiáng)了熱擴(kuò)散區(qū)域與周?chē)膶?duì)比,CLAHE算法均衡了圖像的灰度分布,但對(duì)缺陷增強(qiáng)效果不明顯,AHF算法有效減少熱擴(kuò)散,但對(duì)細(xì)節(jié)沒(méi)有達(dá)到增強(qiáng)效果,本文算法增強(qiáng)了缺陷處生熱細(xì)節(jié),明顯從視覺(jué)效果上觀察到裂紋全貌的同時(shí),減少了熱擴(kuò)散的干擾。

圖6 裂紋1四種增強(qiáng)方法對(duì)比結(jié)果

3.2 實(shí)驗(yàn)結(jié)果及分析

為進(jìn)一步證明本文方法的優(yōu)越性,采取對(duì)比度及峰值信噪比作為增強(qiáng)評(píng)價(jià)指標(biāo)。

對(duì)比度是圖像明暗區(qū)域最亮部和最暗部之間不同亮度層級(jí)的測(cè)量,反應(yīng)了圖像亮暗的拉伸對(duì)比度,對(duì)比度越大,圖像越清晰。對(duì)比度定義如下:

(5)

其中,δ(i,j)=|i-j|,為相鄰像素灰度差;Pδ(i,j)為相鄰像素灰度差為δ的分布概率函數(shù)。

峰值信噪比(PSNR)表示原圖像的最大可能功率與增強(qiáng)后圖像中影響圖像精度的干擾功率之間的比值,描述了圖像處理前后的保真程度,信噪比越大,圖像保證程度越高。

兩圖像的均方誤差定義為:

(6)

峰值信噪比定義為:

(7)

式中,I為原圖像;Ie為增強(qiáng)后圖像;M×N為圖像大小。

信息熵(IE)用來(lái)描述圖像所包含的平均信息量的多少,可以客觀地反映出圖像細(xì)節(jié)信息量,圖像的信息熵值越大,表明該圖像所含的信息量越多。信息熵定義如下:

(8)

式中,L為整幅圖像的最大灰度值;Pk為灰度值k的像素?cái)?shù)量。在本文中,分別從兩方面信息熵考慮圖像的增強(qiáng)效果,分別是局部缺陷的信息熵與整體圖像的信息熵。缺陷處信息熵越大表示缺陷包含的信息越豐富,增強(qiáng)效果越好,而圖像的信息熵越小,證明噪聲、熱擴(kuò)散等干擾因素越少,圖像質(zhì)量很高。

由上述公式可計(jì)算出四種方法對(duì)五個(gè)不同裂紋的平均對(duì)比度、平均峰值信噪比與平均信息熵(局部/整體),結(jié)果如表1所示。

表1 幾種方法的平均對(duì)比度與平均峰值信噪比

傳統(tǒng)HE算法得到的缺陷對(duì)比度低,增強(qiáng)不明顯,且峰值信噪比小,由于對(duì)處理的圖像內(nèi)容不加選擇,誤判了熱擴(kuò)散區(qū)域?yàn)樯鸁釁^(qū)域,導(dǎo)致圖像失真程度高。CLAHE算法最大限度保真了圖像,但該方法為防止噪聲放大,限制了對(duì)比度,導(dǎo)致圖像的增強(qiáng)效果不明顯,且裂紋處信息熵相較其他三種方法最小,該方法對(duì)裂紋的增強(qiáng)效果最差。AHF對(duì)原缺陷生熱明顯的裂紋圖形學(xué)在一定程度上增強(qiáng)了圖像對(duì)比度,但對(duì)生熱不明顯的裂紋圖像被誤判為非缺陷,反而降低了圖像對(duì)比度,但有一定的圖像保真度。本文算法的對(duì)比度遠(yuǎn)超過(guò)其他幾種算法,缺陷處圖像經(jīng)過(guò)聚類(lèi)識(shí)別,避免了增強(qiáng)時(shí)的位置誤判,且裂紋處的信息熵值遠(yuǎn)大于其他三種方法,說(shuō)明改進(jìn)過(guò)的POSHE算法可以有效增強(qiáng)裂紋細(xì)節(jié),還原缺陷生熱圖中生熱不均勻處細(xì)節(jié),而整體信息熵值遠(yuǎn)小于其他三種方法,說(shuō)明該方法對(duì)熱擴(kuò)散及噪聲的抑制最為明顯。綜上所述,本文提出的算法增強(qiáng)效果最為明顯,且具有較強(qiáng)的圖像保真度,具有最好的視覺(jué)增強(qiáng)效果。

4 結(jié) 論

針對(duì)實(shí)驗(yàn)獲取得到的超聲紅外圖像有明顯的熱擴(kuò)散和嚴(yán)重噪聲干擾,導(dǎo)致圖像對(duì)比度差、清晰度低、缺陷邊緣模糊等問(wèn)題,本文提出了一種基于k-means的DBSCAN聚類(lèi)和缺陷骨架的超聲紅外增強(qiáng)方法。實(shí)驗(yàn)結(jié)果證明:

(1)針對(duì)超聲紅外熱圖像模糊問(wèn)題,該方法有效增強(qiáng)了超聲紅外圖像,顯著提高了熱像對(duì)比度,去除了噪聲對(duì)圖像的干擾,明確了圖像邊界。

(2)該方法對(duì)不同大小、不同生熱程度的缺陷細(xì)節(jié)都有明顯視覺(jué)增強(qiáng)效果,對(duì)生熱不一致的裂紋區(qū)域有很好的校正作用,增強(qiáng)后圖像裂紋走向更加凸顯。

(3)相比HE算法,CLAHE算法及AHF算法,本文算法大大提高了圖像對(duì)比度,對(duì)裂紋的增強(qiáng)及熱擴(kuò)散、噪聲等干擾因素的抑制都有較好的效果。

本文提出的基于聚類(lèi)分析和骨架提取的超聲紅外熱像增強(qiáng)方法并具有極強(qiáng)的魯棒性,對(duì)提高超聲紅外檢測(cè)方法檢測(cè)大型設(shè)備的實(shí)際應(yīng)用能力具有重要意義。