自適應差異多尺度形態學的風力機葉片紅外圖像增強研究

康 爽 陳長征,2 趙思雨 羅園慶 孔祥希

1.沈陽工業大學機械工程學院，沈陽，1108702．遼寧省振動噪聲控制技術工程研究中心，沈陽，110870

0 引言

葉片是風力機的主要關鍵大部件，其主梁部分采用玻璃鋼環氧樹脂復合材料[1]，夾層部分采用PVC或巴塞木芯材，在鋪層及抽真空的過程中容易產生褶皺、氣泡和缺膠等典型缺陷，在裝機服役過程中容易產生裂紋和分層，一旦發生折損，不僅會對整機造成損壞，而且存在巨大安全隱患，所以針對風力發電機葉片的定期外部及內部檢查至關重要。目前，針對風力發電機葉片的檢測手段有限，包括光學常規檢測、聲發射檢測[2]、超聲檢測[3]及紅外熱波檢測[4]?，F階段風場仍以現場巡檢員利用光學望遠鏡巡檢為主；聲發射需要采用耦合劑進行耦合，實驗條件要求較高，難以在空中對葉片進行安全預防檢測；超聲檢測具有極強的穿透能力，對金屬進行檢測效果良好，葉片作為復合材料，表面粗糙度較高，檢測面積小，對風場大面積葉片安全性預防檢測不適用；紅外熱波的非接觸式檢測可以實現對葉片的預防性檢測。

紅外檢測葉片的關鍵在于對獲得的紅外圖像進行處理。圖像處理主要包括目標提取和圖像增強[5-6]。本文主要針對紅外圖像的增強開展研究。圖像增強主要包括直方圖均衡化、頻域濾波和形態學濾波等。ZUIDERVELD[7]提出對比度受限直方圖均衡化，SIMI等[8]對模糊理論直方圖均衡化作了進一步研究，BHANDARI等[9]提出基于加權直方圖的Salp Swarm算法進行圖像增強。文獻[10-13]對肺部胸片進行形態學頂帽變換得到增強圖像，MUKHOPADHYAY等[14]對多尺度形態學作了圖像局部增強研究。吳朔媚等[15]利用遞歸的多尺度多方向結構元素進行了形態學濾波研究，安靜等[16]通過多尺度頂帽變換對彩色圖像進行增強,李昌興等[17]將多尺度頂帽運算與核磁共振成像(MRI)相融合，實現圖像增強。上述方法存在各自優點：①直方圖均衡化可以有效地提高圖像的對比度，使人眼可以更好地識別不敏感信息；②頻域濾波可以去除圖像的噪聲，對圖像起到平滑的作用；③形態學濾波有多種濾波算子可以去除噪聲和增強圖像的細節。在實際的風力機葉片紅外熱波檢測過程中，發現上述方法存在局部過亮或過暗、細節增強不顯著及出現部分白斑的現象。

本文提出一種基于改進的差異多尺度結構元素的形態學頂帽運算方法，該方法通過改變結構元素在運算中的腐蝕和膨脹的差異尺度，將局部增強對比度改善系數比(contrast improvement ratio，CIR)的最大值作為目標函數，選出最優尺度及最優差異尺度，實現白頂帽和黑頂帽最大值的選取，通過白頂帽與黑頂帽的差值運算得到圖像的增強細節信息，與原圖像進行融合得到處理后的圖像，最后對融合圖像進行灰度值修整，得到人眼最佳視覺圖像。實驗表明該方法不僅提高了圖像的魯棒性，而且實現了細節局部增強。

1 基本理論

1.1 數學形態學

數學形態學以集合理論為基礎，包括膨脹和腐蝕兩個基本算子。膨脹選擇結構元素附近的最大值(最亮)，腐蝕是膨脹的對偶運算，即選擇最小值(最暗)。開閉運算、頂帽運算皆由兩個基本算子派生而來[18]。設灰度圖像為f，結構元素為S，則定義如下基本形態學算子：

膨脹算子

(1)

腐蝕算子

(2)

開運算

(f°S)=(fΘS)⊕S

(3)

閉運算

(f?S)=(f⊕S)ΘS

(4)

式中，“Θ”、“⊕”、“° ”、“?”分別為膨脹、腐蝕、開和閉運算符。

由上述四種基本算子構造出其他的形態學算子：

形態梯度算子

MG(x,y)=(f⊕S)-(fΘS)

(5)

白頂帽算子

fth=f-(f°S)

(6)

黑頂帽算子

fbh=(f?S)-f

(7)

對于灰度圖像，膨脹算子是取原圖像和結構元素之和所包含的那一部分小鄰域內的灰度最大值，故膨脹之后的圖像更亮，原圖像中較暗的細節會變小或消失(取決于結構元素的大小)；相反，腐蝕算子使圖像更暗，亮的細節會被抑制或消失。開運算可以消除小對象物體，平滑較大物體的邊界同時不減小其物體面積，閉運算可以平滑物體輪廓并填補較窄的間斷。目前，開運算和閉運算均選取相同結構元素進行膨脹和腐蝕操作。頂帽運算利用原圖像與開閉運算的差值，實現圖像的細節信息增強。為更好地提取圖像的細節信息，一般選擇多方向多尺度的結構元素進行操作運算，增加了較多的計算量，影響計算效率。當開、閉運算選取的結構元素較大時，頂帽運算得到的圖像會出現局部光斑現象，從而影響圖像的增強效果。

1.2 自適應差異多尺度頂帽增強算子

基于上述存在的問題，為克服結構元素對圖像的單向特征提取的適用性，筆者選擇圓形結構元素作為操作對象，以減小計算量(無需考慮方向性)，同時避免因形態學處理而產生的偽影現象。本文選取對比度改善系數比(CIR)的最大值作為選擇最優尺度的目標，對結構元素進行差異尺度運算，差異尺度k即CIR最大值所對應的最優差異尺度，最適宜尺度的結構元素可達到圖像細節增強的最好效果。在每一尺度下，選出該尺度下最優k值，進行j尺度循環。多尺度結構元素Si、Si+k表示如下：

(8)

根據式(3)、式(4)、式(6)、式(7)進行擴展分別得到：

fthi(i+k)=f-(fΘSi)⊕Si+k

(9)

fbh(i+k)i=(f⊕Si+k)ΘSi-f

(10)

CIR用于衡量對比度增強對圖像質量的影響程度，CIR定義為缺陷區域R內增強圖像與未增強圖像對比度的比值，即

(11)

局部對比度值為

C(x,y)=|p-a|/(p+a)

(12)

式中，p、a分別為中心區域(RC)和鄰區(RN)內的平均對比度。

循環迭代得到maxRCIR值，即所對應的最優尺度i和差異尺度k。設κ為增強后的圖像，計算公式如下：

(13)

式中，n為圖像中像素的總和。

為提升整體的視覺感知效果，對增強后的圖像κ進行灰度修正。在灰度圖像中，大多數灰度分布在比較集中的小區域內。直方圖線性拉伸是通過增大對比度來實現前景和背景的區分，直方圖非線性拉伸即直方圖均衡化是將灰度比較集中的區域均勻分布到整個灰度范圍內，對直方圖進行歸一化處理，灰度范圍由0～255變為0～1，得到的直方圖即為概率密度函數，而提高對比度需要滿足變換函數單調遞增的要求，故選擇累積分布函數，得到最終增強圖像κ′。

設共有L個灰度級，nk為當前灰度級的像素個數，則第h個灰度級出現的概率可表示為

(14)

均衡化后各像素的灰度值可直接由原來圖像的直方圖計算得出。均衡化前后的結果對比如圖1、圖2所示。從兩圖對比結果可知，均衡化處理使灰度分布更為均勻，可顯著增強視覺效果。

圖1 原始圖像Fig.1 Original image

圖2 均衡化圖像Fig.2 Equalization image

1.3 ADMM的算法流程圖

原始圖像表示為f，對原圖像分別進行白頂帽變換和黑頂帽變換。ADMM算法的步驟如下：

(1)選擇尺度為i的結構元素對原圖像進行腐蝕，再選擇尺度為i+k的結構元素進行膨脹得到圖像foik，原圖像與foik作差值運算得到f-foik，進行I×K次循環，選出f-foik中的最大值即CIR最大值。

(2)對原圖像進行黑頂帽變換得到圖像fcik，選出fcik-f最大值。

(3)原圖像與白頂帽變換最大值之和減去黑頂帽變換最大值即為增強圖像κ。

(4)對圖像κ進行灰度值修正得到κ′。

具體流程如圖3所示。圖中，Erode(i)函數表示對特定結構元素進行腐蝕運算，Dilate(i+k)函數表示對特定結構元素進行膨脹運算。

2 仿真分析

為了驗證所提出方法的魯棒性及圖像增強效果，選用兩幅公共圖庫像素深度為8位的灰度圖片Lena和Cameraman，像素分別為512 pixel×512 pixel，256 pixel×256 pixel作為研究對象。選擇直方圖均衡化、對比度受限直方圖均衡化、自適應多尺度同態濾波[19]和本文提出的差異尺度增強方法作對比仿真分析。四種處理方法的結果如圖4、圖5所示。

圖4b灰度值拉伸過度導致整體視覺效果失真嚴重；圖4c克服了圖4b產生的失真問題，提升了視覺效果，但在細節部分未能達到很好的增強效果，如圖4中圓形區域所示；圖4d細節增強較好，但是在面部出現了部分白斑現象。本文方法(圖4e)增強了圖像的局部細節紋理信息，并具有良好的穩定性。

圖3 ADMM方法流程圖Fig.3 Flow chart of ADMM method

(a)原圖 (b)直方圖均衡化 (c)對比度受限直方圖 (d)自適應多尺度 (e)本文方法 均衡化 同態濾波圖4 Lena圖片仿真實驗對比結果 Fig.4 Comparison results of Lena image simulation experiment

(a)原圖 (b)直方圖均衡化 (c)對比度受限直方圖 (d)自適應多尺度 (e)本文方法 均衡化 同態濾波圖5 Cameraman圖片仿真實驗對比結果 Fig.5 Comparison results of Cameraman image simulation experiment

圖5b圖像失真嚴重，背景光照不均現象明顯；圖5c也存在背景光照不均現象，面部出現過黑現象；圖5d濾除了背景光照不均，但面部和條形區域出現了過亮現象；圖5e具有良好的穩定性并有效地抑制了背景光照不均現象。

3 實驗

3.1 實驗裝置

紅外檢測實驗采用兩套檢測裝置，室內裝置用于檢測模擬預制葉片樣件,室外裝置用于檢測內蒙古寶利格風電場實際葉片。實驗裝置包括NECR300W2非制冷型紅外熱像儀、鹵素燈、數據采集裝置、 PC筆記本(CPU i5 9700，8 G運行內存)、電控升降試驗臺，圖像處理軟件采用Gideon infrared軟件2.0。實驗裝置如圖7、圖8所示，其中，室外檢測裝置與吊籃搭載。

圖7 室內實驗裝置Fig.7 Laboratory experimental equipment

圖8 室外實驗裝置Fig.8 Outdoor experimental equipment

3.2 結果討論

選擇多組數據中的兩組實測紅外圖像驗證本文方法的有效性(仍然采用前述3種方法作對比分析)，圖像分辨率為320 pixel×240 pixel。室內測試預制樣件的缺陷為氣泡，仿照風力發電機葉片主梁進行預制樣件。鋪層方式為0°和90°交替鋪層，氣泡缺陷預埋在第四層，每層深度為0.9 mm，涂層厚度為1.5 mm，缺陷位置總深度為4.7 mm，燈光加熱至21 s時采集到的圖像質量最優，如圖9所示。室外實驗選擇風電場堆場HT37型號葉片，總長30 m，最大弦長3 m,對主梁部分進行紅外全檢測，選擇其中含有缺陷的紅外圖像作為研究對象，如圖10所示。

圖9中的室內氣泡實驗圖像，局部對比度改善系數比最大值(0.1024)對應選擇的結構元素半徑為41。 圖9b局部出現虛化現象，失真嚴重；圖9c背景光照不均，在缺陷附近顯得尤為突出，干擾判斷；圖9d消除了背景光照不均現象并增強了缺陷位置的細節信息，但穩定性較差，邊界位置易出現白斑，造成誤判；圖9e抑制了背景光照不均現象，增強了缺陷位置的細節成分，圖像的整體穩定性良好。

(a)室內缺陷原圖 (b)直方圖均衡化 (c)對比度受限直方圖 (d)自適應多尺度 (e)本文方法 均衡化 同態濾波圖9 氣泡實驗對比結果Fig.9 Comparison results of bubble experiment

(a)室內缺陷原圖 (b)直方圖均衡化 (c)對比度受限直方圖 (d)自適應多尺度 (e)本文方法 均衡化 同態濾波圖10 裂紋實驗對比結果Fig.10 Comparison results of crack experiment

圖10中的室外裂紋實驗圖像，局部對比度改善系數比最大值(0.162)對應選擇的結構元素半徑為93。圖10b局部虛化，整體失真嚴重，難以識別缺陷位置與正常位置；圖10c在中間水平位置出現模糊帶現象，局部失真；圖10d圖像細節信息有所增強，但穩定性不好，出現幾處白斑現象；圖10e細節增強的同時較好地抑制了背景光照不均現象，保持了圖像良好的穩定性。

上述結果為圖像的定性分析，為進一步證明該方法的優越性，選擇氣泡和裂紋的實驗圖像為研究對象。采取均方誤差(MSE)估計的方法，用MSE描述圖像處理前后的保真度(相似度)[20]。但MSE嚴重依賴于圖像強度的縮放，為了避免這一問題，選擇信噪比(PSNR)作為定量評價指標[21]。MSE、PSNR定義如下：

(15)

(16)

式中，I為原圖像；Ie為處理后圖像；m×n為圖像大小。

由上述公式可計算出四種方法的信噪比，四種方法的信噪比如表1所示。

表1 幾種方法的信噪比Tab.1 PSNR of several methods

信噪比作為通用評價指標，其值越大，說明有用信息越多，產生的噪聲越小，證明該算法的增強效果越明顯。由表1可知，本文方法的信噪比最大，遠高于直方圖均衡化方法自適應多尺度和對比度受限直方圖均衡化方法的信噪比，其氣泡和裂紋缺陷的檢測結果信噪比同比分別高出自適應多尺度同態濾波的信噪比7.2%和9.4%。

4 結論

針對風力發電機葉片紅外檢測中存在的光照不均、細節模糊等問題進行研究，提出了一種自適應差異多尺度形態學圖像增強方法，該方法對膨脹和腐蝕操作中的結構元素采取差異多尺度的方式，通過對比度改善系數比選出多尺度黑頂帽和白頂帽雙循環下的最優尺度。該方法有效地解決了圖像背景光照不均下的圖像細節增強問題，經驗證該方法具有極強的魯棒性。

該方法現已集成到Gideon infrared軟件2.0中，通過室內及室外風場紅外檢測實驗均取得了良好效果。與另外三種方法的對比研究結果表明，本文方法效果最優，其信噪比比次優方法(自適應多尺度同態濾波方法)同比高出7.2%(氣泡缺陷)、9.4%(裂紋缺陷)，從而驗證了本文方法的有效性。