基于小波域雙譜分析的磨粒圖像多尺度形狀特征提取

郭恒光　瞿　軍

1(海軍航空工程學院研究生管理大隊　山東 煙臺 264000)2(海軍航空工程學院飛行器工程系　山東 煙臺 264000)

?

基于小波域雙譜分析的磨粒圖像多尺度形狀特征提取

郭恒光1瞿軍2

1(海軍航空工程學院研究生管理大隊山東 煙臺 264000)2(海軍航空工程學院飛行器工程系山東 煙臺 264000)

磨粒圖像的形狀特征是識別典型磨粒的主要參數，而這些典型的磨粒反映機械設備零部件的運行狀態。根據雙譜分析不能抑制非高斯噪聲干擾的缺點，提出基于小波域雙譜分析的磨粒圖像多尺度形狀特征提取方法。首先對磨粒圖像進行小波包多尺度分解，再對低頻部分進行重構，達到去噪和磨粒圖像多尺度表征的目的。然后采用Radon變換將重構后的圖像映射到一組一維投影，對一維信號進行雙譜分析，得到雙譜不變量特征，作為磨粒圖像的多尺度形狀特征參數。實驗結果表明，該方法能夠很好地結合小波包變換和雙譜分析的優點，獲得的多尺度形狀特征參數能夠有效地用于磨粒類型識別。

磨粒圖像多尺度形狀特征小波包變換雙譜分析

0　引　言

基于圖像處理的磨粒分析技術作為一種有效的機械設備狀態監測方法，通過采集機械設備油液中的磨粒，用圖像處理的方法得到磨粒的形狀特征、紋理特征和顏色特征。根據這些特征確定磨粒的類型，判斷設備的主要摩擦方式，在機械設備的維護和保養中得到了一定程度的推廣。在磨粒形狀特征提取中，目前常用的特征主要是簡單的幾何數值參數，例如面積、歐拉數、長軸、短軸、偏心率和方向角等[1,2]。這些形狀特征參數都不具備平移、尺度和旋轉不變性，因此基于這些形狀特征參數的磨粒分類不能得到理想的結果。

高階統計量是描述隨機過程高階統計特性的一種數學工具，包括高階矩、高階累計量以及它們的傅里葉變換——高階矩譜和高階累計量譜，高階累計譜簡稱高階譜。最常用的高階譜是三階譜和四階譜，通常稱為雙譜和三譜。Chandran等[3]在1993年根據高階譜定義了一系列具有平移和尺度不變性質的特征參數，用于一維信號模式識別。自1997年，Chandran等[4]首次將高階譜分析推廣到二維圖像和物體識別領域，近年來在這領域得到了成功應用[5-7]。

在高階譜中，雙譜的階數最低，處理方法最簡單，同時它包含了高階譜的所有特性。雙譜能夠很好地抑制高斯噪聲，但是不能抑制非高斯噪聲的干擾，譜圖對非高斯噪聲干擾特別敏感。多尺度小波包分析能夠同時分解高頻分量和低頻分量，而一般信號分布在低頻域，高斯信號和非高斯信號主要分布在高頻域。本文的基于小波域的雙譜分析的磨粒圖像多尺度形狀特征提取正是基于以上特點展開的：首先對磨粒圖像進行小波包多尺度分解，再對低頻域去噪圖像重構，然后采用Radon變換將重構后的圖像映射到一組一維投影，對一維信號進行雙譜分析，進而得到雙譜不變量特征，作為磨粒圖像的多尺度形狀特征。

1　磨粒圖像的小波包變換

小波包變換[8]是在小波變換的基礎上發展起來的一種信號分析理論，它為圖像提供了一種更加精細的分析方法，除了對圖像低頻子帶分解外，還對高頻子帶進行分解。目前，小波包變換已被廣泛應用于邊緣檢測[9，10]、圖像去噪[11，12]、圖像融合[13]及數字水印[14]等領域。圖1給出了小波包3層分解的過程。

圖1　小波包3層分解示意圖

由圖1中可以看出，分解級數越大，即選擇的小波包尺度越大，小波包對應的空間分辨率就越低，因此可以在不同的空間分辨率上對圖像進行分析。本文中對磨粒圖像的小波包變換，分解級數為3層，然后對分解出的低頻部分進行重構，從而達到去噪的目的，同時用于得到磨粒圖像的多尺度形狀特征。

2　磨粒圖像形狀特征提取

為了提取磨粒圖像的雙譜不變量特征作為其形狀特征，需要采用Radon變換的方法，將圖像映射到一組一維投影。然后對獲得的一維信號進行雙譜分析，進而得到雙譜不變量特征。

2.1磨粒圖像的Radon變換

一個二維函數f(x,y)的Radon變換是指該函數沿包含該函數的平面內的一組直線的線性積分[15]，其定義為:

(1)

其中ρ∈(-∞,+∞)，θ∈[0,π)，δ(·)為沖擊函數。

對于任意一幅二值形狀圖像fD(x,y)，其定義為:

(2)

其中D為形狀輪廓及其所包含的區域。

圖2　Radon變換示意圖

圖像的Radon變換為圖像在不同方向上的一系列直線上投影的集合，圖像中的每個像素值非零的像素點均被投影到Radon矩陣中。對于二值形狀圖像fD(x,y)，其Radon變換為fD(x,y)在直線ρ=xcosθ+ysinθ上的線積分，其示意如圖2所示。

2.2雙譜的定義

高于二階的矩或累積量，通常稱為高階統計量，它們的多維傅里葉變換稱為多譜。假設累積量ckx(τ1,τ2,…,τk-1)是絕對可求和的[16]，即:

(3)

則k階譜定義為k階累積量的(k-1)維離散時間傅里葉變換，即:

(4)

式中：ω=[ω1,ω2,…,ωk-1]T，τ=[τ1,τ2,…,τk-1]T.

雙譜即三階譜，定義為:

(5)

對于一個離散時間能量有限的隨機信號x(t)，將雙譜定義為:

Bx(ω1,ω2)=X(ω1)X(ω2)X*(ω1,ω2)

(6)

式中：X(ω)為信號x(t)的傅里葉變換。

本文對三種典型的磨粒：嚴重滑動磨損磨粒、黏著磨損磨粒和疲勞磨損磨粒進行了分析。圖3(a)、圖4(a)和圖5(a)所示分別為三種典型磨粒的二值圖像；圖3(b)、圖4(b)和圖5(b)分別為三種磨粒圖像雙譜的幅值圖；圖3(c)、圖4(c)和圖5(c)分別為三種磨粒圖像雙譜的對數幅值圖，對磨粒圖像進行Radon變換時，投影角度為30°。對比圖3(b)、圖4(b)和圖5(b)可以發現，由于三種磨粒圖像的峰在雙譜空間中出現的位置大體相同，并且峰出現的區域，雙譜的幅值特別大，使得三種磨粒圖像雙譜幅值的其他區域相對沒有太大變化。而從圖3(c)、圖4(c)和圖5(c)中可以發現，幅值的變換和輪廓都比較明顯，并且對比三幅對數幅值圖可以發現，峰出現的數量和位置也是不同的，這也說明了根據磨粒圖像的雙譜，提取磨粒的形狀特征，對磨粒進行識別是可行的。

圖3　嚴重滑動磨損磨粒及其雙譜幅值圖和雙譜對數幅值圖

圖4　黏著磨損磨粒及其雙譜幅值圖和雙譜對數幅值圖

圖5　疲勞磨損磨粒及其雙譜幅值圖和雙譜對數幅值圖

2.3雙譜不變量

基于Radon變換和雙譜的性質，構建二維圖像的雙譜不變量特征，作為圖像的形狀特征。對于二值圖像fD(x,y)，根據式(1)對fD(x,y)進行Radon變換得到投影序列gθ(t)，其中t表示坐標。對于每一個給定的角度θ處的投影gθ(t)，其雙譜為Bθ(f1,f2)，則有:

(7)

式中：Xθ(f)為投影序列gθ(t)的傅里葉變換。

令I(a)為雙譜空間中，沿斜率為a的直線的雙譜的積分，則:

(8)

式中：0

圖6　雙譜不變量計算區域

令：

(9)

文獻[3]將φ(a)作為雙譜不變量特征，并且證明了它具有平移、比例不變性。

2.4磨粒圖像形狀特征提取

根據以上分析，基于小波域雙譜分析的磨粒形狀特征提取方法，按如下步驟進行：

(1) 首先采用最近鄰插值法對二值磨粒圖像中的磨粒大小進行歸一化。磨粒大小歸一化到2500，也就是說磨粒圖像強度的和為2500，圖像大小為151×151。

(2) 利用小波包變換對歸一化后的磨粒圖像進行3級分解，然后對分解后各級的低頻部分進行重構，達到去噪和獲得磨粒多尺度圖像的目的，重構后的磨粒圖像用于下一步分析。

(3) 使用Radon變換，將重構后的圖像映射到一組一維投影。映射角度選擇0°、45°、90°和135°，對每一個投影進行傅里葉變換之前，用零填充投影使其長度達到512。

(4) 根據2.3節內容，計算每一個投影在直線斜率分別為1/4、1/2、3/4和1時的雙譜不變量特征，作為得到磨粒圖像的形狀特征。

3　特征降維

經過以上分析，每一幅磨粒圖像得到48個形狀特征，這些特征之間大體上是相關的。為了提高磨粒形狀識別的效率，降低特征空間的維數，消除特征之間存在的冗余信息，這就需要一種簡化數據的方法使高維數據降維。

數據降維方法主要分為兩大類：線性降維和非線性降維。主成分分析法(PCA)由于其概念簡單、計算方便、線性重構誤差最優等優良特性，成為數據處理中應用最廣泛的線性降維方法。核主成分分析法(KPCA)[17-19]作為PCA方法在處理非線性問題時的擴展，近年來得到了快速發展。它是把輸入空間的數據非線性映射到特征空間，在特征空間中執行PCA，通過使用核函數來完成輸入空間到特征空間的非線性映射。KPCA的計算步驟歸納如下：

(1) 輸入數據S={X1,X2,…,XN}，其中Xi=(xi1,xi2,…,xin)，xij表示第i個磨粒圖像的第j個特征值；

(7) 最后輸出的磨粒圖像特征向量為Y={y1,y2,…,yN}。

4　磨粒圖像識別

以某型航空發動機為監測對象，并且已經對該型發動機展開了油液監測工作。從日常采集的發動機潤滑油中分離出磨粒，使用顯微鏡獲得磨粒的圖像，然后根據磨粒的特點對其分類。本文只對其中的嚴重滑動磨損磨粒、黏著磨損磨粒和疲勞磨損磨粒進行分類識別研究。

每種類型的磨粒分別獲得30個樣本，將這90個樣本隨機分成兩部分，60個用于訓練，30個用于測試。首先根據本文研究的內容提取磨粒圖像的多尺度形狀特征，得到每個磨粒樣本的形狀特征向量；然后采用核主成分分析法對形狀特征向量進行降維，以提高磨粒識別準確率；最后采用BP神經網絡算法，根據降維后的磨粒形狀特征向量，對磨粒進行識別，并與其他形狀特征提取算法進行了比較。磨粒形狀識別實驗結果如表1和表2所示，其中表1為磨粒形狀識別訓練實驗結果，表2為磨粒形狀識別測試實驗結果。

表1　磨粒形狀識別訓練實驗結果

表2　磨粒形狀識別測試實驗結果

由表1和表2可以看出，本文提出的基于小波域雙譜分析的磨粒圖像多尺度形狀特征，在磨粒形狀識別訓練和磨粒形狀識別測試實驗中都要優于其他的幾種形狀特征。其中根據簡單的幾何參數對磨粒進行識別，得到的結果最差，這也說明了有必要對磨粒圖像的形狀特征提取方法進行深入的研究。同時從表1和表2中也應該看到，只根據磨粒的形狀特征對磨粒進行分類和識別，得到的識別率都不能令人滿意，因此在對磨粒類型識別工作中還需要結合磨粒的形狀特征和紋理特征等，提高磨粒類型識別的準確率。

5　結　語

本文以雙譜分析為基礎，根據雙譜分析不能抑制非高斯噪聲干擾的缺點，提出了基于小波域雙譜分析的磨粒圖像形狀特征提取方法。該方法首先對磨粒圖像進行小波包變換，再對分解后的低頻部分進行重構，從而達到圖像去噪的目的。同時還能對磨粒圖像進行多尺度表征，便于提取磨粒圖像的多尺度特征。然后采用Radon變換將重構后的磨粒圖像映射到一組一維投影，對一維信號進行雙譜分析，得到磨粒圖像的雙譜不變量，作為其形狀特征參數。最后采用核主成分分析法對得到的磨粒圖像多尺度形狀特征參數進行降維，以提高磨粒圖像識別率。磨粒分類訓練實驗和磨粒分類測試實驗結果表明，與其他幾種形狀特征提取方法相比，本文提出的磨粒多尺度形狀特征參數能夠有效地用于磨粒類型識別。

[1] Stachowiak G P,Podsiadlo P,Stachowiak G W.Shape and texture features in the automated classification of adhesive and abrasive wear particles[J].Tribology Letters,2006,24 (1) :15-26.

[2] Stachowiak G P,Stachowiak G W,Podsiadlo P.Automated classification of wear particles based on their surface texture and shape features[J].Tribology International,2008,41(1) :34-43.

[3] Vinod Chandran,Stephen L Elgar.Pattern recognition using invariants defined from higher order spectra-one dimensional inputs[J].IEEE Transactions on Signal Processing,1993,41(1):205-212.

[4] Vinod Chandran,Brett Carswell,Boualem Boashash.Pattern recognition using invariants defined from higher order spectra:2-D image inputs[J].IEEE Transactions on Image Processing,1997,6(5):703-712.

[5] Vinod Chandran,Stephen L Elgar,Anthony Nguyen.Detection of mines in acoustic images using higher order spectral features[J].IEEE Journal of Oceanic Engineering,2002,27(3):610-618.

[6] Hannah Ong,Vinod Chandran.Identification of gastroenteric viruses by electron microscopy using higher order spectral features[J].Journal of Clinical Virology,2005,34(3) :195-206.

[7] Mahnaz Etehadtavakol,Vinod Chandran,E Y K Ng,et al.Breast cancer detection from thermal images using bispectral invariant features[J].International Journal of Thermal Sciences,2013(69) :21-36.

[8] 張德豐.MATLAB小波分析[M].北京:機械工業出版社，2009.

[9] 孫利杰,趙景秀,鄭美珠，等.一種新的基于小波包與人類視覺系統的邊緣檢測算法[J].南京師大學報:自然科學版,2010,33(4):134-138.

[10] 張立國,楊瑾,李晶，等.基于小波包和數學形態學結合的圖像特征提取方法[J].儀器儀表學報,2010,31 (10) :2285-2290.

[11] 趙志剛,萬嬌娜,管聰慧.基于小波包變換與自適應閾值的圖像去噪[J].中國圖象圖形學報,2007,12 (6):977-980.

[12] 金顯華,趙元慶.改進的閾值圖像去噪算法仿真研究[J].計算機仿真,2012,29 (1) :191-194.

[13] 王婷,李杰,趙鳴.基于小波包變換的圖像融合技術的應用[J].同濟大學學報:自然科學版,2006,34 (9) :1137-1141.

[14] 許慧,譚陽紅,孫磊，等.基于最優小波包變換和離散余弦變換的灰度圖像水印算法[J].電路與系統學報,2009,14 (1) :97-101.

[15] Tabbone S,Wendling L,Salmon J P.A new shape descriptor defined on the Radon Transform[J].Computer Vision and Image Understanding,2006,102(1) :42-51.

[16] 陳峙,王鐵,谷豐收，等.基于電動機電流信號雙譜分析的齒輪傳動故障診斷[J].機械工程學報,2012,48 (21) :84-90.

[17] Rosipal R,Girolami M,Trejo L J,et a1.Kernel PCA for Feature Extraction and De-noising in Non-linear Regression[J].Neural Computing and Applications,2001,10(3):231-243.

[18] Wu J N,Wang J,Liu L.Feature extraction via KPCA for classification of gait patterns[J].Human Movement Science,2007,26 (3) :393-411.

[19] Liang Shengjie,Zhang Zhihua,Cui Lilin.Comparision between PCA and KPCA method in dimensional reduction of mechanical noise data[J].China Mechanical Engineering,2011,22(1):80-83.

EXTRACTING MULTISCALE SHAPE FEATURE OF WEAR PARTICLE IMAGE BASED ON WAVELET DOMAIN BISPECTRAL ANALYSIS

Guo Hengguang1Qu Jun2

1(Graduate Students’ Brigade,Naval Aeronautical Engineering Institute,Yantai 264000,Shandong,China)2(DepartmentofAirborneVehicleEngineering,NavalAeronauticalEngineeringInstitute,Yantai264000,Shandong,China)

Shape feature of wear particle image is the principal parameter for typical wear particle recognition,and these typical wear particles can reveal the operation condition of machine spare parts.For the shortcoming of bispectral analysis that it cannot suppress non-Gaussian noise interference,we propose the wavelet domain bispectral analysis-based multiscale shape feature extraction method for wear particles image.First,the method makes wavelet packet multiscale decomposition on wear particle image,and then reconstructs its low frequency component to reach the goals of denoising and multiscale characterisation of wear particle image.The next,the method uses Radon transform to map the reconstructed images onto a set of one-dimensional projections,and carries out bispectral analysis on one-dimension signal to get the feature of bispectral invariants,which are used as the multiscale shape feature parameter of wear particle image.Experimental result demonstrates that the method proposed in this paper can well combine the advantages of wavelet packet transform and bispectral analysis,and the derived multiscale shape feature parameter can be effectively used for wear particle type recognition.

Wear particle imageMultiscale shape featureWavelet packet transformBispectral analysis

2015-05-25。郭恒光，博士生，主研領域：機械系統故障診斷理論與技術。瞿軍，教授。

TP391

A

10.3969/j.issn.1000-386x.2016.09.053