基于濾波和相位拉伸變換的紅外圖像分割處理

姬龍鑫，馮輔周，2，萬 安，朱俊臻

（1.陸軍裝甲兵學院車輛工程系，北京 100072；2.南昌航空大學無損檢測技術教育部重點實驗室，江西南昌 330063）

0 引言

裝備長期運行過程中，關鍵結構承受較大載荷，導致表面或內部產生疲勞裂紋和沖擊損傷等缺陷，需要及時進行檢測和維修，以確保裝備性能的正常發揮，同時避免裝備損傷或惡性事故的發生。紅外熱像檢測是一種新型無損檢測技術，具有快速高效、結果直觀的特點[1]。然而，由于設備性能影響和檢測環境干擾，從采集到的紅外圖像中往往難以直接分辨出缺陷位置及尺寸信息。紅外圖像去噪和分割是紅外熱像檢測的關鍵環節之一，對于實現裝備結構高效檢測、掌握裝備結構狀況具有重要意義。圖像去噪是消除紅外圖像中的噪聲影響，圖像分割是將紅外圖像中的缺陷區域進行分離提取。目前，國內外對圖像處理的研究十分廣泛，其中圖像去噪方法主要分為空域法和變換域法，圖像分割方法主要有閾值分割、區域分割、邊緣分割等[2]。其中，閾值分割是基于圖像的灰度特征來設置全局或局部閾值，實現灰度圖像的二值化；區域分割是通過一些種子點和相似性準則來擴充區域直到該類別的邊界；邊緣分割主要利用邊緣處灰度級會發生突變來檢測圖像邊緣來實現分割[2]。

紅外熱像檢測是一種新型無損檢測技術，能夠有效檢測裝備結構缺陷，圖像處理是紅外熱像檢測的關鍵環節之一。針對現場檢測到的紅外圖像對比度低、信噪比不高、視覺效果差等問題，提出一種基于濾波和相位拉伸變換的紅外圖像特征增強與缺陷分割處理方法，它包含算術運算、降噪、分割的紅外圖像處理步驟，可在增強圖像特征的基礎上，自動分割缺陷區域。

目前紅外熱圖像分割技術主要存在如下兩個難點：一是紅外熱像儀性能和環境干擾等原因導致紅外圖像受噪聲影響較大，容易導致誤分割；二是熱擴散效應導致缺陷區域與非缺陷區域之間的灰度值變化平緩，難以準確檢測缺陷邊緣。針對現有算法的不足，本文以含微裂紋的金屬平板為對象，采用中值濾波和高斯濾波相結合的方法去除紅外圖像噪聲，采用相位拉伸變換實現缺陷區域的分割定位。

1 紅外圖像的采集和預處理

1.1 紅外熱像檢測原理

紅外熱像檢測是采用主動式受控激勵源來激發被測對象的溫度場分布，缺陷區域因界面摩擦、塑性變形等產生熱量，熱能傳導至結構表面，距離缺陷區域最近的表面便表現出異常的溫度分布[3]。因此，以結構表面溫度為檢測量，利用紅外熱像儀獲取溫度場信息，通過紅外熱圖像可觀測缺陷位置、尺寸等信息。

1.2 圖像預處理

紅外熱圖像包含的是每個像素點的溫度信息，為便于觀測與處理，先將其轉換為灰度圖像，再通過算術運算進行預處理，包括減背景和去除邊緣效應兩個步驟。

在施加主動激勵前，被測結構具有初始溫度，此時的圖像稱為背景圖像；施加主動激勵后，被測結構溫度場隨時間變化，用激勵后的每一幀圖像減去背景圖像，得到反映被測對象溫度變化的新圖像。減背景操作可用公式表示為：I（x，y）=T（x，y）-N（x，y），其中（x，y）為圖像的像素坐標，T（x，y）為激勵后圖像灰度值，N（x，y）為背景圖像灰度值，I（x，y）為減背景后圖像灰度值[4]。此外，邊緣生熱會影響檢測結果，因此需采用一個相同尺寸且無裂紋的試件作為參照，以消除邊緣生熱的影響。

2 圖像濾波去噪

紅外檢測圖像易受噪聲影響，噪聲來源于圖像獲取和傳輸過程，主要包括系統本身引起的高斯噪聲和環境干擾導致的椒鹽噪聲[5]。噪聲信息影響結構表面溫度分布情況，甚至會淹沒缺陷信息本身，從而影響缺陷信息的判斷。

濾波是在盡量保留圖像細節特征的條件下對噪聲進行抑制，處理效果的好壞直接影響后續圖像處理分析過程。其中，高斯濾波對高斯噪聲有較好的去除效果，中值濾波對椒鹽噪聲有較好的去除效果，兩種濾波方式先后作用于紅外熱圖像，即可有效去除大部分噪聲[6]。

2.1 中值濾波

中值濾波是一種非線性濾波器，能有效去除紅外熱圖像中的椒鹽噪聲，基本方法是把鄰域中的像素值按照灰度級進行排序，然后選擇該組數據的中間值作為輸出像素值。中值濾波可以定義為公式（1）：

式中，g（x，y）和f（x+i，y+i）分別為輸出和輸入像素值，W 為模板窗口，可以取線狀、方形、十字形、圓形等形狀[7]。該窗口沿著圖像逐像素滑動，在每次滑動期間內，窗口內的所有像素值按照大小排序，取排序后數據的中值替代原來窗口中心位置對應的像素值。

2.2 高斯濾波

高斯濾波是一種線性濾波器，能有效去除紅外熱圖像中的高斯噪聲，基本方法是采用濾波器窗口掃描圖像的每個像素點，用窗口覆蓋區域的加權平均值代替窗口中心位置對應的像素值。高斯濾波充分考慮窗口區域各像素值權重的大小，越靠近中心的權重越大，從而保證中心點與它近鄰點的像素信息更接近，保留更多的圖像總體特征[8]。紅外熱圖像是一個二維矩陣，采用二維高斯函數作為平滑濾波器，其函數表達式為公式（2）：

式（2）中：濾波器窗口中心位置作為原點，x 和y 表示像素點在濾波窗口所對應的坐標值；σ 是標準差，σ 越大則高斯濾波器頻帶越寬，對圖像平滑程度越好。

用于圖像去噪的高斯濾波窗口需要對二維連續正態分布函數離散化，得到的高斯函數值作為模板的系數。對于大小為（2k+1）×（2k+1）的窗口，窗口中各元素的計算公式為：

圖1 所示為一個高斯濾波曲面示意圖和相應的濾波模板。濾波曲面是由大小為5×5，標準差σ=0.5 的窗口作為濾波器，窗口中心位置作為坐標原點得到的；濾波模板是通過式（3）計算得到各個圖像像素坐標處的系數，再將各個系數同乘以左上角系數的倒數，即進行歸一化處理，最后將歸一化后的系數取整便得到的。由濾波曲面和模板更直觀看出，高斯濾波更關注與像素點距離較近的像素值，即只對局部區域進行感知。

圖1 高斯濾波模板窗口

2.3 去噪效果評價

紅外熱圖像的去噪效果可通過視覺粗略評價，定量評價要通過信噪比（SNR）、峰值信噪比（PSNR）等圖像質量評價指標的比較來實現[9]。信噪比定義如式（4），峰值信噪比定義如式（5）。

式（4）和（5）中，I（i，j）和K（i，j）分別表示降噪后圖像和原始圖像中像素點（i，j）處的灰度值，m、n 分別表示圖像的行數和列數，表示去噪后圖像中像素值的均值。

3 紅外圖像分割

相位拉伸變換（Phase Stretch Transform，PST）是一種新型圖像分割方法，用于紅外熱圖像的邊緣檢測，具有速度快、精度高的優點。PST 模擬電磁波在具有扭曲色散性質的衍射介質中的傳播方式，將圖像中具有不同特性的像素點區分開[10]。

在頻域中變換的相位有助于檢測圖像中的邊緣以及像素灰度值變化較快的位置。由于圖像邊緣和灰度值變化較快的位置包含較高的頻率特征，因此PST 通過強調更高的頻率特征可以突出圖像的邊緣信息，從而實現紅外檢測圖像的分割[11]。對于灰度圖像，即一個二維數組B[n，m]，定義PST 為：

其中，m、n 為二維時域變量，表示圖像的長和寬；B[n，m]為輸入圖像；A[n，m]是輸出相位圖像；〈∠·〉是角度算子；FFT2 和IFF2 分別表示二維傅里葉變換和二維傅里葉逆變換；p、q 為二維頻域變量；是非線性頻率的相關描述，其定義如下：

其中，相位導數φ[p，q]定義為：

其中，a1，a2，b1，b2的取值為實數。

S 和W 是相位拉伸變換中需要定義的兩個重要參數，決定PST 核的相位導數，確定應用于每個頻率的相位量，控制邊緣信息提取過程[13]。圖2 給出了六個具有代表性的相位導數曲線，三個坐標分別表示p，q，PD[p，q]。由圖2（a1，a2，a3）可以看出：S 的大小影響相位導數的取值范圍，S 越大則相位導數的取值范圍越大；由圖2（b1，b2，b3）可以看出W 的大小影響相位導數的曲率，W 越大則相位導數的曲率越大。

4 實驗結果與分析

4.1 實驗系統和試件描述

搭建圖3 所示渦流脈沖熱像檢測實驗臺，檢測系統主要包括激勵電源、紅外熱像儀、計算機、電磁線圈和水冷裝置。激勵電源產生高頻交流電，并通過電磁線圈傳導渦流激勵，加熱被測試件；紅外熱像儀型號為FLIR T640，用于連續獲取被測試件表面溫度信息；計算機主要控制熱像儀，實現溫度序列信號的采集與保存；電磁線圈為直徑4 mm 的空心銅管。

圖2 S 和W 的取不同值時的相位導數曲線

圖3 渦流紅外熱像檢測系統示意

被測試件為含疲勞裂紋的45 鋼平板，如圖4 所示。其中，平板長邊一側人工預制疲勞裂紋。此外，測試前在被測平板表面噴涂黑色啞光漆以提高表面發射率。

4.2 實驗結果分析

對渦流脈沖激勵下的紅外熱圖像進行處理，包含圖像預處理、圖像去噪、圖像分割三個步驟。

首先對紅外圖像進行預處理，包含紅外圖像灰度化、減背景、消除邊緣效應。圖5 為渦流脈沖激勵發生后第5 幀的紅外圖像原圖和轉化得到的灰度圖像。相比于原始紅外圖像，灰度圖像更易于觀察，且更能直觀反映溫度分布信息，每個像素點的灰度值代表對應坐標點的溫度值，越亮的位置表示溫度越高。

圖4 被測試件

圖5 渦流紅外檢測圖像

圖6 減背景處理結果

圖6 為一個無裂紋試件和一個含裂紋試件紅外熱圖像的減背景處理，a1 和b1 為背景圖像，a2 和b2 圖為減背景前圖像，a3和b3 圖為減背景后圖像首先剪切被測試件區域?？梢钥闯觯汉鸭y試件施加激勵后裂紋區域溫度異常，但圖像對比度低，噪聲嚴重，減背景后圖像對比度得到明顯增強，能夠大致判斷出裂紋位置。

圖7 去除邊緣生熱影響

由圖6 中減背景后圖像看出，邊緣區域灰度值高，說明邊緣生熱明顯。為了減少邊緣生熱的不良影響，對減背景后圖像作去除邊緣生熱處理，如圖7 所示。其中，圖7a 為去除邊緣生熱前圖像，圖7b 為去除邊緣效應后圖像，經對比看出：去除邊緣效應消除了檢測系統中線圈溫度和邊緣生熱的影響，僅留下裂紋區域生熱信息。

實驗選取兩幅預處理后灰度圖像進行降噪處理，中值濾波選取5×5 方形模板窗口，高斯濾波采用大小為5×5，標準差σ=0.5 的窗口，濾波結果如圖8 所示。預處理后的圖像如圖8a 所示，圖8b 是采用中值濾波方法的結果，可以看出該算法去除了椒鹽噪聲，對缺陷位置細節保護的較好，但濾波效果并不理想；圖8c 是結合中值濾波和高斯濾波的處理結果，該算法消除了高斯噪聲，可直觀地看出圖像的去噪效果。

表1 算法對圖像處理后的SNR 和PSNR 值

對處理后的圖像分別計算相應的SNR 值和PSNR 值，定量說明圖像去噪效果，得到的性能指標如表1?？梢钥闯?，去噪過程中圖像的信噪比和峰值信噪比均得到提高，尤其是中值-高斯濾波方法，對圖像去噪效果明顯。

實驗中采用不同的S 和W 值對兩幅圖像進行PST 分割，探究參數對分割結果的影響規律，結果如圖9 所示。

從圖9 可以看到，一些肉眼看不清楚的細節得到明顯增強，PST 算法有效增強了缺陷的邊緣，較精確的分割出缺陷區域。對比不同參數的分割結果，S=10，W=80 和S=100，W=10的分割效果較好并且邊緣清晰，將缺陷位置完整地分割了出來。結果表明：大的S 使邊緣提取具有抗噪能力，但是降低提取邊緣信息的分辨率，大的W 使提取的邊緣銳化，但是增加了邊緣中的噪聲。在分割過程中，需要結合圖像類別，選取合適的參數值，以獲得最佳分割效果。

圖8 圖像降噪結果

5 結術語

圖9 基于PST 的圖像分割結果

針對紅外檢測圖像對比度低、信噪比不高導致無法準確分割出缺陷區域的問題，提出了一種基于算術運算、噪聲去除、缺陷分割的紅外圖像處理算法。首先利用算術運算消除靜態圖像和邊緣生熱影響，其次采用中值濾波和高斯濾波相結合的方式去除噪聲，最后通過相位拉伸變換對去噪后的圖像進行邊緣增強以分割缺陷區域，并分析了相位強度和扭曲度對分割結果的影響。研究結果表明，該算法在去除背景、抑制噪聲的同時，精確分割了缺陷區域，對于紅外熱像技術在裝備結構檢測上的應用具有重要意義。但是，使用該方法分割后的圖像依然需要通過人工判斷缺陷，未達到自動化智能化識別缺陷的目標，還需要進一步的研究。