李雅 喬偉哲

1.山西工商學院計算機信息工程學院，山西太原 030006；2.山西國營大眾機械廠軍品第一研究所，山西太原 030024

一、引言

工業(yè)焊接金屬過程中，焊縫內(nèi)部經(jīng)常會殘留氣體形成不規(guī)則的氣孔缺陷。利用X射線拍攝的鋼管焊縫內(nèi)部缺陷圖像，由于缺陷的深淺位置不同會導(dǎo)致X射線的成像圖光線不均勻。一般X射線圖像中存在三個明顯不同的灰度級區(qū)域，分別為背景區(qū)、焊縫區(qū)、缺陷區(qū)域[1]。由于缺陷區(qū)域和焊縫區(qū)域的對比度多變，僅采用一個固定的單閾值分割技術(shù)很難將缺陷區(qū)域從焊縫區(qū)域中有效的提取出來。

針對焊縫缺陷X線圖像噪聲大、對比度低的特點，通過圖像分析實現(xiàn)缺陷檢測就需要對圖像進行降噪和增強對比度處理。對于復(fù)雜的圖像，由于采用圖像增強和邊緣檢測方法無法直接提取出試件的缺陷，因此，本文首先進行自適應(yīng)濾波將背景區(qū)域分離去除，然后利用模糊增強算法對焊縫區(qū)域進行對比度增強處理，突出氣孔缺陷邊緣信息，最后根據(jù)閾值分割技術(shù)將缺陷區(qū)域從焊縫區(qū)域中提取出來。本文的缺陷提取方法為無損缺陷檢測提供了更加精細、高效的缺陷提取算法，為實際工業(yè)生產(chǎn)奠定了理論基礎(chǔ)[2-4]。

二、圖像的自適應(yīng)中值濾波處理

X射線圖如圖1（a）所示，根據(jù)灰度級的不同，圖像分為背景區(qū)、焊縫區(qū)、1缺陷區(qū)域。由于拍攝圖片背景有部分像素干擾點，本文先對圖像進行自適應(yīng)濾波處理，削弱背景區(qū)域的像素干擾點。由圖1（b）可以看出經(jīng)過降噪處理的圖像，背景區(qū)域的像素干擾區(qū)域基本消除。如圖2所示為降噪處理后圖像的直方圖，由于焊縫區(qū)域左右的邊緣模糊，缺陷灰度與背景灰度有交叉。根據(jù)不同灰度的分布特性分析可知三個峰值分別表示背景和缺陷混疊區(qū)域、淺色焊縫區(qū)域以及深色焊縫三個區(qū)域。為了將缺陷區(qū)域有效的分離提取需要對降噪圖像進行去除背景區(qū)域的處理。

三、背景區(qū)域的去除

本文采用的去除缺陷背景的具體過程[5]包括：首先根據(jù)圖像直方圖灰度起伏變化方向的不同，把圖像劃分為若干區(qū)域，沿著每個區(qū)域內(nèi)垂直于灰度起伏的方向逐行(或逐列)掃描得到的像素點做一維中值濾波，弱化缺陷邊界區(qū)域的對比度，模擬出圖像的背景區(qū)域；其次將原始與模擬出的背景灰度圖像做相減處理，得到缺陷區(qū)域突出的灰度圖如圖3所示。

濾波圖像直接去除背景的結(jié)果可以看出，圖像只保留了部分缺陷的邊緣信息。為了提高缺陷邊緣的識別度，本文在濾波圖像的基礎(chǔ)上利用模糊算子對圖像的邊緣進行對比度增強處理。

四、基于模糊算子圖像邊緣對比度增強處理

由于圖像像素信息的復(fù)雜性和相關(guān)性，使得在圖像處理的過程中出現(xiàn)不確定性和不精確性。因為模糊理論對于圖像的不確定性有很好的描述能力，并且對于噪聲具有很好的魯棒性，特別是在圖像增強、邊緣檢測以及圖像分割中的應(yīng)用，效果要好于傳統(tǒng)的處理方法。將圖像進行模糊化處理主要有以下三個步驟：圖像模糊特征提取、隸屬函數(shù)值的修正和模糊域反變換。

1、隸屬度函數(shù)的定義

本文在S.K.Pal算法和陳武凡等人引入廣義模糊集的基礎(chǔ)上，優(yōu)化的隸屬度函數(shù)為[6]：

其中，μmn—定義組成的平面即是模糊特征平面；

gmax—圖像中最大的象素值。

公式（1）實質(zhì)就是圖像像素對其最大灰度值進行歸一化。這種更為簡單的隸屬度函數(shù)定義，主要克服了傳統(tǒng)隸屬度計算量大的缺點，提高了運算速率。

2、模糊增強算子的設(shè)計

為了進行圖像增強，增強算子的設(shè)計非常重要。廣義模糊集方法從圖像空間域到廣義模糊域的轉(zhuǎn)換實際上相當于對其取值范圍進行拉伸的計算復(fù)雜度相對較高，從而增加了運算時間[7]。

因此，基于以上所述特點，本文提出如下增強算子：

其中，變量r=0.5時，圖像的灰度直方圖的灰度分布被拉伸，從而“擴大”前景和背景灰度的差別，達到了圖像對比度增強的目的。

下面針對這種廣義模糊增強（GFO）算子對圖像進行灰度的對比度增強，式（2）中的參數(shù)取r=0.5，增強處理后的結(jié)果如圖4所示。

去除背景后的結(jié)果如圖5所示，圖像的邊緣信息被很好的保留下來，但是焊縫區(qū)域的邊界也被保留。

為了進一步分離焊縫與缺陷區(qū)域，需要選取合適的閾值參數(shù)，實現(xiàn)有效的缺陷邊緣提取。

3、閾值參數(shù)的選取與設(shè)定

閾值參數(shù)T可以通過圖像的灰度直方圖來確定。根據(jù)圖像邊界和周圍背景環(huán)境的明顯不同而造成的圖像像素灰度值的分立，在此設(shè)置閾值對圖像進行分割，即對圖像進行二值化處理。高于閾值的灰度值設(shè)置成白，將低于閾值的灰度值設(shè)置成黑，實現(xiàn)目標區(qū)域和背景區(qū)域的分離[8,9]。

如圖6所示，設(shè)圖像為f(i,j)，其灰度級范圍為[Z1,Z2]，設(shè)T∈(Z1,Z2)的閾值，其數(shù)學表達式為：

以上是一種比較理想的情況，實際中圖像通常目標和背景區(qū)域的灰度重疊，難以直接選取。本文利用迭代的方法產(chǎn)生合適的閾值，其計算的具體方法是這樣的：

（1）選擇圖像的平均灰度值來作為初始閾值T；

（2）根據(jù)初始閾值T，把圖像的平均灰度值分成兩組；

（3）計算這兩組平均灰度值u1和u2；

（4）重新選擇閾值T=(u1+u2)/2；

循環(huán)做第二步到第四步，直到兩組的平均灰度值u1和u2不再發(fā)生變化，獲得所需的分割閾值。

增強后的無背景圖像通過閾值分割處理的結(jié)果如圖7所示，可以看出焊縫邊緣別很好的去除，缺陷邊緣保存完好，相較圖3實現(xiàn)了缺陷區(qū)域邊緣的有效分離。

五、總結(jié)

本文研究的基于模糊增強算法的不規(guī)則缺陷邊緣提取方法，分別從圖像增強和缺陷提取兩個方向進行，通過圖像增強提高了缺陷邊緣提取的精度和有效性。

（1）分區(qū)域自適應(yīng)中值濾波法能有效地模擬出缺陷的背景，從原始圖像與模擬出的背景圖像相減后得到的差值圖像實現(xiàn)缺陷區(qū)域的初步提取。

（2）本文利用模糊增強后的圖像進行自適應(yīng)閾值分割來實現(xiàn)焊縫圖像中缺陷邊緣提取，能較好地保持缺陷的細節(jié)，避免缺陷信息的丟失，具有較高的形狀和尺寸保真度，能夠為后續(xù)的缺陷識別提供準確而完整的數(shù)據(jù)。