徐 超，馮輔周，閔慶旭，孫吉偉，朱俊臻

?

基于形態(tài)學(xué)和OTSU算法的紅外圖像降噪及分割

徐 超，馮輔周，閔慶旭，孫吉偉，朱俊臻

（裝甲兵工程學(xué)院 機(jī)械工程系，北京 100072）

在渦流熱像技術(shù)中，圖像處理是進(jìn)行缺陷特征提取和識(shí)別的關(guān)鍵基礎(chǔ)，而增強(qiáng)的圖像有助于提高渦流熱像技術(shù)的檢測(cè)效果。利用多種常用的紅外圖像處理方法進(jìn)行增強(qiáng)處理，旨在解決紅外圖像信噪比不高、缺陷對(duì)比度低等問(wèn)題。首先分析了噪聲來(lái)源，通過(guò)算術(shù)運(yùn)算對(duì)渦流紅外圖像進(jìn)行預(yù)處理，然后采用基于形態(tài)學(xué)權(quán)重的自適應(yīng)算法進(jìn)行形態(tài)學(xué)降噪，最后利用二維最大類(lèi)間方差法（OTSU）對(duì)圖像進(jìn)行分割。定性和定量分析結(jié)果均驗(yàn)證了該方法的有效性和適用性，研究成果為紅外圖像的特征提取和缺陷識(shí)別奠定了方法基礎(chǔ)。

渦流熱像；紅外圖像；形態(tài)學(xué)降噪；圖像分割

0 引言

渦流紅外熱像技術(shù)是一種新型的無(wú)損檢測(cè)方法，主要用于導(dǎo)電材料的無(wú)損評(píng)估，其有效結(jié)合渦流檢測(cè)和紅外熱成像技術(shù)，具有快速、準(zhǔn)確和高分別率的優(yōu)點(diǎn)[1-2]。受紅外熱像儀靈敏度的限制、噪聲的干擾以及目標(biāo)與背景的溫差相對(duì)較小的特點(diǎn)[3]，使得紅外圖像的灰度級(jí)較少，對(duì)比度較低，其信噪比也較可見(jiàn)光圖像的低[4]。利用紅外圖像進(jìn)行缺陷特征提取和識(shí)別時(shí)，圖像處理是關(guān)鍵基礎(chǔ)，研究成果有助于提高渦流熱像技術(shù)的檢測(cè)效果，因此對(duì)渦流紅外圖像的處理和研究具有重要的現(xiàn)實(shí)意義。

國(guó)內(nèi)外針對(duì)圖像處理方面的研究已經(jīng)廣泛開(kāi)展，特別是隨著紅外無(wú)損檢測(cè)技術(shù)的發(fā)展，越來(lái)越多的新方法被運(yùn)用到紅外圖像的增強(qiáng)中。圖像增強(qiáng)的方法包含兩大類(lèi)：空間域方法和變換域方法[5]?？臻g域方法直接是圖像的灰度值進(jìn)行處理，如直方圖均衡化是通過(guò)某種變換對(duì)圖像灰度范圍進(jìn)行拉伸，王炳健[4]提出了平臺(tái)直方圖均衡（Plateau Histogram Equalization, PHE）及其變換形式，Kim[6]提出了平均維持雙向直方圖均衡（Brightness Preserving Bi-Histogram Equalization, BBHE），Chen[7]提出了遞歸均值直方圖均衡（Recursive Mean-Separate Histogram Equalization, RMSHE），這些方法在增強(qiáng)的同時(shí)也放大了噪聲淹沒(méi)有用信息，而且圖像整體亮度不高，對(duì)比度低。變換域方法是將圖像變化到某種域（如頻域、小波域、模糊域）里進(jìn)行處理，然后再反變換回來(lái)，得到增強(qiáng)的圖像。近年來(lái)，多尺度小波變換以良好的時(shí)頻分析特性得到廣泛的應(yīng)用[8-9]，但是二維小波變換只能表示水平、垂直和對(duì)角3個(gè)方向，造成圖像邊緣和細(xì)節(jié)的模糊。

針對(duì)現(xiàn)有算法中的不足，提出基于形態(tài)學(xué)權(quán)重的自適應(yīng)算法進(jìn)行形態(tài)學(xué)降噪，克服了傳統(tǒng)形態(tài)學(xué)中一定程度上侵蝕、淹沒(méi)或放大目標(biāo)區(qū)域，以及對(duì)高噪聲、小目標(biāo)的紅外圖像處理效果不穩(wěn)定等缺點(diǎn)，有效增強(qiáng)了紅外圖像的輪廓特征并對(duì)噪聲有了一定的抑制作用。然后利用二維OTSU對(duì)圖像中的目標(biāo)區(qū)域進(jìn)行分割，以獲取目標(biāo)和背景高對(duì)比度的圖像。

1 圖像預(yù)處理

1.1 噪聲來(lái)源

紅外圖像是由目標(biāo)的紅外輻射信號(hào)轉(zhuǎn)換得到的，非常容易受噪聲干擾，且紅外噪聲與可見(jiàn)光無(wú)必然關(guān)系。通常，紅外圖像中的噪聲主要來(lái)源于圖像的獲取過(guò)程和傳輸過(guò)程[10]。研究表明：絕大部分的噪聲都可以用高斯白噪聲、椒鹽噪聲或者兩者的混合噪聲來(lái)表示，其中椒鹽噪聲是在紅外圖像處理中廣泛存在的一種對(duì)圖像質(zhì)量破壞嚴(yán)重的噪聲。在實(shí)驗(yàn)過(guò)程中，紅外圖像易受到的干擾源主要是外界輻射源和空氣對(duì)流。

1.2 算術(shù)運(yùn)算

算術(shù)運(yùn)算作為圖像預(yù)處理的首要步驟，用于消除較為固定的系統(tǒng)噪聲，主要包括加法和減法運(yùn)算。其中，圖像減法運(yùn)算通過(guò)將待處理圖像的像素對(duì)應(yīng)值與背景圖像相減以增強(qiáng)圖像對(duì)比度，又稱(chēng)減背景，可用公式表示為：(,)＝(,)－(,)，其中(,)和(,)分別表示待處理圖像和背景圖像上坐標(biāo)為(,)的像素點(diǎn)的灰度值。在渦流紅外熱像技術(shù)中，激勵(lì)開(kāi)始前的圖像即為背景圖像，以后所獲得的每幀圖像都可以作為待處理圖像，通過(guò)減背景操作去除背景信息，有效增強(qiáng)圖像對(duì)比度，即可得到含噪聲的被測(cè)對(duì)象的溫度變化信息。此方法可以顯著消除環(huán)境的靜態(tài)噪聲。

由于渦流激勵(lì)的特性，在試件邊緣生熱即邊緣效應(yīng)，會(huì)淹沒(méi)裂紋生熱，因此，采用一個(gè)相同尺寸且無(wú)裂紋的試件作為參照，去除邊緣效應(yīng)的影響。

2 基于形態(tài)學(xué)權(quán)重的自適應(yīng)降噪

2.1 形態(tài)學(xué)開(kāi)-閉級(jí)聯(lián)

形態(tài)學(xué)的基本思想是具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的[11]。形態(tài)學(xué)的開(kāi)運(yùn)算可以過(guò)濾紅外圖像的噪聲，而形態(tài)學(xué)閉運(yùn)算可以增強(qiáng)圖像中的低灰度區(qū)域[12]。因此，采用形態(tài)學(xué)開(kāi)-閉級(jí)聯(lián)形式，實(shí)現(xiàn)對(duì)紅外圖像的增強(qiáng)，形態(tài)學(xué)開(kāi)-閉級(jí)聯(lián)定義為：

2.2 權(quán)重多結(jié)構(gòu)形態(tài)學(xué)

采用不同形狀的結(jié)構(gòu)元素對(duì)渦流紅外圖像進(jìn)行多結(jié)構(gòu)形態(tài)學(xué)開(kāi)-閉運(yùn)算，每種不同結(jié)構(gòu)元素的開(kāi)-閉運(yùn)算可表示為A（＝1,2,3,…,），原始紅外圖像連續(xù)做兩次形態(tài)學(xué)開(kāi)-閉運(yùn)算，進(jìn)而構(gòu)成一個(gè)串聯(lián)結(jié)構(gòu)，如圖1所示。

圖1 開(kāi)-閉運(yùn)算串聯(lián)結(jié)構(gòu)

串聯(lián)增強(qiáng)后將不同的串聯(lián)結(jié)構(gòu)進(jìn)行并聯(lián)，形成串-并聯(lián)復(fù)合結(jié)構(gòu)，如圖2所示。由于每個(gè)開(kāi)-閉運(yùn)算級(jí)聯(lián)采用的結(jié)構(gòu)元素不同，并聯(lián)結(jié)構(gòu)可以繼承各個(gè)開(kāi)閉運(yùn)算級(jí)聯(lián)的優(yōu)點(diǎn)，增強(qiáng)效果是串聯(lián)結(jié)構(gòu)的疊加，彌補(bǔ)串聯(lián)結(jié)構(gòu)的單一性。

圖2 串-并聯(lián)復(fù)合結(jié)構(gòu)

針對(duì)渦流紅外圖像目標(biāo)弱小，輪廓形狀簡(jiǎn)單的特點(diǎn)，本文的形態(tài)結(jié)構(gòu)元素采用不同角度的線性結(jié)構(gòu)。在具體實(shí)現(xiàn)過(guò)程中，采用不同結(jié)構(gòu)元素的開(kāi)-閉運(yùn)算A的串聯(lián)增強(qiáng)結(jié)果與原始圖像的差異值作為權(quán)值向量P，則形態(tài)學(xué)自適應(yīng)權(quán)值計(jì)算公式為：

Q＝P/(1＋2＋…＋P) (2)

式中：Q為不同形狀元素的開(kāi)-閉運(yùn)算A的權(quán)值。

若輸入圖像為(,)，經(jīng)過(guò)圖1所示的串聯(lián)增強(qiáng)結(jié)果為L(,)，則圖2所示的形態(tài)學(xué)自適應(yīng)權(quán)值算法得到的輸出圖像(,)為：

3 基于二維OTSU算法的圖像分割

OTSU是經(jīng)典的閾值分割算法，是由大津展之提出的[13]。該方法是一種無(wú)監(jiān)督無(wú)參數(shù)的自動(dòng)閾值分割方法，計(jì)算簡(jiǎn)單，分割效果良好。由于一維OTSU直方圖信息量的局限性，研究人員提出了二維OTSU，分割效果得到了很大的改善[14-16]。

二維OTSU運(yùn)用灰度和鄰域平均灰度構(gòu)造二維直方圖，在二維空間上計(jì)算閾值。對(duì)于一幅×的圖像，用(,)表示圖像上坐標(biāo)為(,)的像素點(diǎn)的灰度值，(,)表示圖像上坐標(biāo)為(,)的像素點(diǎn)的3×3鄰域平均灰度值。(,)和(,)都為級(jí)（灰度級(jí)），構(gòu)成一個(gè)二維空間，二元組(,)出現(xiàn)的頻數(shù)為c，則定義相應(yīng)的聯(lián)合概率密度p為：

p＝c/(,＝1,2,…,) (4)

圖3 二維直方圖區(qū)域劃分

假設(shè)在二維直方圖被分割閾值(,)分為4部分，其中，1和4對(duì)應(yīng)于背景和目標(biāo)，2和3對(duì)應(yīng)于邊緣和噪聲，背景和目標(biāo)出現(xiàn)的概率密度分別如式(5)和(6)所示：

在二維OTSU中2、3的概率之和為0，即：

0＋1≈1。

背景和目標(biāo)兩類(lèi)對(duì)應(yīng)的均值矢量如式(7)和(8)：

直方圖上總的均值矢量如下式：

以此類(lèi)推，可以得到，二維OTSU的多閾值公式為：

＝(0×0－1s)2＋(0×1－1t)2＋

(1×0－1s)2＋(1×1－1t)2＋

(w×0－1s)2＋(w×0－1t)2(10)

4 處理結(jié)果及分析

4.1 實(shí)驗(yàn)系統(tǒng)及圖像采集

如圖4所示，電渦流脈沖熱成像無(wú)損檢測(cè)系統(tǒng)主要包括感應(yīng)加熱源、紅外熱像儀、脈沖發(fā)生器、計(jì)算機(jī)、感應(yīng)線圈及其他輔助檢測(cè)設(shè)備。感應(yīng)加熱源產(chǎn)生高頻交流電，并通過(guò)感應(yīng)線圈提供渦流激勵(lì)，加熱被測(cè)試件；紅外熱像儀通過(guò)測(cè)量被測(cè)對(duì)象的紅外熱輻射對(duì)其表面熱分布進(jìn)行成像。熱像儀的溫度分辨率為0.035℃。為滿(mǎn)足大部分材料的檢測(cè)需求，激勵(lì)源采用最大功率為2.4kW、最大電流為400A及激勵(lì)頻率范圍為150～400kHz的感應(yīng)加熱模塊。本實(shí)驗(yàn)中，線圈采用空心銅管制作，銅管直徑為8mm，形狀呈平面矩形螺旋狀。被測(cè)試樣為含預(yù)制疲勞裂紋的45鋼平板，如圖5所示。

圖4 電渦流脈沖熱成像無(wú)損檢測(cè)系統(tǒng)

檢測(cè)時(shí)，線圈和熱像儀都置于試件之上，以在被測(cè)試件表面產(chǎn)生平行于線圈邊緣的渦流場(chǎng)。同時(shí)，被測(cè)試件表面噴涂一層黑色啞光漆以增強(qiáng)表面發(fā)射率。激勵(lì)時(shí)間設(shè)置為0.2s，功率為100%，獲取的紅外熱圖像如圖6所示。

圖5 被測(cè)試件示意圖

圖6 熱像儀采集的原始紅外圖像

4.2 實(shí)驗(yàn)結(jié)果分析

本文算法在MATLAB軟件平臺(tái)上實(shí)現(xiàn)，實(shí)驗(yàn)圖像為渦流激勵(lì)下含貫穿疲勞裂紋金屬平板的紅外熱圖像。為了驗(yàn)證本文算法的降噪增強(qiáng)效果，利用直方圖均衡化算法、小波降噪、形態(tài)學(xué)開(kāi)閉運(yùn)算等算法來(lái)對(duì)比分析。

圖7給出了渦流紅外熱像的原圖、減背景以及去邊緣效應(yīng)的圖像，可以看出：原始圖像對(duì)比度低，噪聲嚴(yán)重，減背景后的圖像對(duì)比度得到增強(qiáng)，但存在噪聲和邊緣效應(yīng)，通過(guò)去除邊緣效應(yīng)僅留下裂紋區(qū)域的生熱信息，椒鹽噪聲依然存在。

圖7 算術(shù)運(yùn)算處理結(jié)果

Fig.7 Arithmetic results

圖8給出了不同算法的降噪增強(qiáng)效果對(duì)比圖，可以看到：直方圖均衡化雖然能增強(qiáng)目標(biāo)區(qū)域，但是放大了噪聲，圖像整體效果較差；小波降噪效果較好，一定程度上去除了噪聲和增強(qiáng)了對(duì)比度；先開(kāi)后閉運(yùn)算淹沒(méi)了目標(biāo)區(qū)域，先閉后開(kāi)運(yùn)算使圖像模糊，對(duì)比度降低；而基于形態(tài)學(xué)權(quán)重自適應(yīng)增強(qiáng)算法明顯去除椒鹽噪聲，提高對(duì)比度，目標(biāo)區(qū)域輪廓清晰，其范圍也沒(méi)有發(fā)生縮放，克服了傳統(tǒng)形態(tài)學(xué)算法的不足，降噪效果最佳。

圖8 不同降噪算法對(duì)比圖

進(jìn)一步，本文采用峰值信噪比（PSNR）來(lái)定量評(píng)價(jià)降噪效果，其峰值信噪比定義如下：

式中：Y和X分別表示降噪后的圖像和原始圖像；、分別表示的圖像的行列。

PSNR值越大，說(shuō)明降噪能力越強(qiáng)，上述的降噪方法的PSNR曲線如圖9所示?？梢钥吹剑夯谛螒B(tài)學(xué)權(quán)重的自適應(yīng)降噪方法的PSNR值最大，優(yōu)于其他傳統(tǒng)方法，降噪效果最佳。

圖9 PSNR對(duì)比直方圖

對(duì)形態(tài)學(xué)權(quán)重的自適應(yīng)增強(qiáng)后的圖像（圖8(f)），進(jìn)行OTSU分割，如圖10所示，分割效果較好并且邊緣清晰，將目標(biāo)區(qū)域完整地分割了出來(lái)。

5 結(jié)論

針對(duì)渦流熱像技術(shù)中的紅外圖像缺陷、對(duì)比度差等問(wèn)題，提出了一種自適應(yīng)圖像增強(qiáng)算法?；谛螒B(tài)學(xué)的權(quán)重自適應(yīng)算法對(duì)圖像降噪，不僅目標(biāo)區(qū)域被真實(shí)無(wú)損還原，而且改進(jìn)了傳統(tǒng)形態(tài)學(xué)降噪效果不佳的缺點(diǎn)，對(duì)比幾種常用的降噪方法，并用PSNR來(lái)度量圖像的降噪效果。定性和定量分析證明了本文提出的算法具有良好的降噪效果。通過(guò)OTSU分割，目標(biāo)區(qū)域被完整分割，分割效果較好并且邊緣清晰。研究成果為后續(xù)圖像序列的特征提取和缺陷識(shí)別奠定了良好的圖像基礎(chǔ)。

圖10 OTSU分割后的圖像

[1] HE Yunze, PAN Mengchun, CHENDixiang, et al. Eddy current step heating thermography for quantitatively evaluation[J]., 2013, 103(19):023112-2698.

[2] Weekes B, Almond D P, Cawley P, et al. Eddy-current induced thermography—probability of detection study of small fatigue cracks in steel, titanium and nickel-based superalloy[J]., 2012, 49:47-56.

[3] 張秀君, 孫曉麗. 分段線性變換增強(qiáng)的自適應(yīng)方法[J]. 電子科技, 2005(3):13-16.

ZHANG Xiujun, SUN Xiaoli.Adaptive method for enhancement of piecewise linear transformation[J]., 2005(3): 13-16.

[4] 王炳健, 劉上乾, 周慧鑫, 等. 基于平臺(tái)直方圖的紅外圖像自適應(yīng)增強(qiáng)算法[J]. 光子學(xué)報(bào), 2005, 48(2):77-82.

WANG Bingjian, LIU Shangqian, ZHOU Huixin, et al. Adaptive enhancement algorithm for infrared image based on platform histogram [J]., 2005, 48(2):77-82.

[5] 張曉杰. 紅外圖像處理及弱小目標(biāo)檢測(cè)方法研究[D]. 南京: 南京航空航天大學(xué), 2012.

ZHANG Xiaojie. Infrared image processing and weak target detection method[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2012.

[6] Kim Y T. Contrast enhancement using brightness preserving bi-histogram equalization[C]//, 1997, 43(1):1-8.

[7] CHEN S D, Ramli A R. Contrast enhancement using recursive mean-separate histogram equalization for scalable brightness preservation[J]., 2003, 49(4): 1301-1309.

[8] 康志亮. 基于小波的紅外圖像增強(qiáng)算法研究[D]. 成都: 電子科技大學(xué), 2008.

KANG Zhiliang. Research on Infrared Image Enhancement Algorithm Based on Wavelet[D]. Chengdu: University of Electronic Science and Technology of China, 2008.

[9] 祁燕, 宋凱. 基于小波多尺度的圖像增強(qiáng)新算法[J]. 微計(jì)算機(jī)信息, 2010, 26(10):133-134.

QI Yan, SONG Kai. Image enhancement algorithm based on wavelet mltiscale[J]., 2010, 26(10):133-134.

[10] 王圳萍, 張家樹(shù), 陳高. 加權(quán)低秩矩陣恢復(fù)的混合噪聲圖像去噪[J]. 計(jì)算機(jī)科學(xué), 2016, 43(1):298-301.

WANG Zhuping, ZHANG Jiashu, CHEN Gao. Weighted low-rank matrix recovery for hybrid noise image denoising[J]., 2016, 43(1): 298-301.

[11] 王樹(shù)文, 閆成新, 張?zhí)煨? 等. 數(shù)學(xué)形態(tài)學(xué)在圖像處理中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用, 2004, 40(32):89-92.

WANG Shuwen, YAN Chengxin, ZHANG Tianxu, et al. Application of mathematical morphology in image processing[J]., 40(32):89-92..

[12] 王啟銀, 薛建東, 任新輝. 一種自適應(yīng)的變電站設(shè)備紅外圖像分割方法[J]. 紅外技術(shù), 2016, 38(9):770-773.

WANG Qiyin, XUE Jiandong, REN Xinhui. An adaptive infrared image segmentation method for substation equipment[J]., 2016, 38(9): 770-773.

[13] Ohtsu N. A Threshold selection method from gray-level histograms[J]., 1979, 9(1):62-66.

[14] 劉健莊, 栗文青. 灰度圖像的二維Otsu自動(dòng)閾值分割法[J]. 自動(dòng)化學(xué)報(bào), 1993, 19(1):101-105.

LIU Jianzhuang, LAI Wenqing. Two-dimensional Otsu automatic threshold segmentation method for gray image[J]., 1993, 19(1):101-105.

[15] 范九倫, 趙鳳. 灰度圖像的二維Otsu曲線閾值分割法[J]. 電子學(xué)報(bào), 2007, 35(4):751-755.

FAN Jiulun, ZHAO Feng. Two-dimensional Otsu curve threshold segmentation of gray image[J]., 2007, 35(4): 751-755.

[16] 吳一全, 潘喆, 吳文怡. 二維直方圖區(qū)域斜分閾值分割及快速遞推算法[J]. 通信學(xué)報(bào), 2008, 29(4):77-83.

WU Yiquan, PAN Zhe, WU Wenyi. Calculation of fast diagonal threshold and fast recursion algorithm for two-dimensional histogram[J]., 2008, 29(4):77-83.

Infrared Image Denoising and Segmentation Based on Morphology and Otsu Method

XU Chao，F(xiàn)ENG Fuzhou，MIN Qingxu，SUN Jiwei，ZHU Junzhen

(,,100072,)

In eddy current thermography, image processing is the key basis of defect feature extraction and recognition, and the enhanced image is helpful to improve the detection effect. Therefore, a method combining three infrared image processing algorithms is introduced to enhance the infrared image in order to solve the problems of low SNR and contrast of infrared images. Based on analyzing the noise sources, eddy current infrared images are preprocessed by arithmetic calculation and the adaptive algorithm based on morphological weight is used to reduce the noise. Further, the images are segmented by 2D OTSU algorithm. The validity and applicability of the proposed method are both qualitatively and quantitatively verified. This study aims to provide a basis for defect feature extraction and recognition.

eddy current thermography，infrared image，morphological noise reduction，image segmentation

TP301.6

A

1001-8891(2017)06-0512-05

2017-01-11；

2017-04-07.

徐超（1992-），男，碩士研究生，主要從事渦流熱像技術(shù)中圖像處理方法研究。E-mail：xchao2011@163.com。

馮輔周（1971-）男，教授，博士，主要從事無(wú)損檢測(cè)等研究。

無(wú)損檢測(cè)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室（南昌航空大學(xué)）開(kāi)放基金（ZD201529007）。