基于紅外圖像融合算法的高壓容器檢測技術研究

邱 根，王 鋰，陳 凱

（電子科技大學自動化工程學院，四川 成都 611731）

0 引 言

隨著科技發展與進步，高壓容器得到廣泛應用，并且推動了各個行業的發展。基于應用環境的多變性，高壓容器采用不同的規格與材質以適應環境的變化[1-2]。然而，復雜的應用環境以及材料的特殊性等原因，會使得高壓容器產生疲勞裂紋、腐蝕損傷甚至孔洞等一系列的損傷類型[3-5]。因此對高壓容器潛在損傷的檢測是一類重要的研究方向。基于無損檢測的紅外熱成像技術因其高效性、損耗低、安全性高等優勢而應用廣泛[6-9]。

由于高壓容器體積過于巨大或者缺陷信息的幾何形狀特點，單幅圖像往往無法完全展示針對缺陷的信息，這時就需要應用到圖像拼接技術，對紅外熱像儀拍攝到的多個視頻流進行ICA處理得到完整缺陷信息重構圖像[10-11]，對獲得的重構圖像進行拼接融合從而獲得完整清晰的圖像結果。同時，因拍攝角度和環境亮度等其他因素的影響，容易對圖像配準過程產生干擾，降低配準結果的準確度，導致最終無法獲得有效的融合圖像以供進一步針對缺陷部位的研究，因此需要研究魯棒性強、時效性高并且能對拼接結果進行調整處理的拼接算法。

基于局部不變特征的匹配算法因其具有計算量小、魯棒性強，對圖像偏移、旋轉、灰度亮度變化等都有較好的適應力的特點，成為了圖像匹配算法研究的主流方向。本文采用SURF算法對多個視頻流進行ICA處理后得到的完整缺陷信息重構圖像進行特征提取[12-13]，同時采用雙向匹配法和MSAC算法對提取到的特征點對進行匹配[14-16]，再通過提出的圖像融合算法對兩幅圖像進行無縫拼接以及消除亮度和色彩對比度差異，最終融合結果圖像基本達到了預期效果[17-18]。

1 研究方法

1.1 紅外圖像融合算法流程

首先，對試件表面進行多次紅外無損檢測，得到多個紅外視頻流，針對每個紅外視頻流使用ICA處理算法后得到局部區域的重構圖像[10-11]。需要指出的是，對于含有缺陷的局部區域，ICA算法可以保證重構圖像包含該局部區域的完整缺陷信息。接下來對重構圖像應用一套完整的圖像拼接和圖像融合流程，最終獲得試件經紅外無損檢測后的完整融合圖像。圖1為本文所采用的圖像拼接融合算法的流程圖。

圖1 圖像拼接算法流程圖

1.2 ICA重構算法

在紅外熱成像檢測系統中，由缺陷引起的熱輻射變化導致試件不同檢測區域有著不同的溫度變化率，樣本的所有這些空間溫度響應被紅外相機作為圖像序列記錄下來。紅外傳感器無法直接定義這些熱響應，但是可以認為記錄下了一個由幾個特征區域組成的獨立成分構成的盲源信號。不同的獨立特征區域有著不同的典型熱響應特征，可以幫助提取不同的獨立信號圖像，從原始圖像序列到最終獲得突出各缺陷信息的特征圖像，這些典型的特征圖像為重構圖像。ICA的目標是從原始采集的圖像序列中分離出幾個獨立成分（ICs），如果人工地選擇缺陷部分和樣本背景為兩個獨立成分，即可實現含缺陷部分的重構圖像。

基本的ICA數學模型可以表示為：

新的重構序列可以被表示為生成的獨立信號的線性組合：

對于每一個估計的獨立信號，對應其第i個區域產生的獨立信號圖像序列的重建過程可表示為：

根據缺陷信號對應的圖像序列即可提取到包含完整缺陷信息的重構圖像。

1.3 特征提取算法

本文采用SURF算法提取特征點的步驟分為特征點檢測和特征點描述。SURF算法在生成特征矢量時，利用積分圖像，使用快速Hessian檢測子來判斷經尺度空間變換后提取的圖像關鍵點是否為極值點，完成特征點的檢測。特征點描述首先需要確定每個關鍵點的主方向，然后沿主方向構造一個窗口領域，在窗口內提取用來描述關鍵點的特征向量[12-13]。

SURF算法檢測特征點是基于尺度空間的，空間中的任意一像素點（x,y），對應的尺度是σ，則Hessian矩陣的定義為：

其中Lxx,Lxy,Lyy是圖像上的點分別與高斯濾波二階偏導卷積后得到的。通過這種近似方法會帶來誤差，濾波器響應的相對權重ω用于平衡Hessian行列式的表達式，通過此權重因子糾正后的近似Hessian表達式為：

可以通過式（10）中所示的近似Hessian矩陣行列式的計算方法，快速地對圖像中每一點求響應并記錄下來就得到在相應尺度 σ上的響應圖，并通過非極大值抑制法精確定位極值點，每一個像素點通過與它所有的相鄰點進行比較，判斷其是否比它的圖像域和尺度域的相鄰點大或者小。和同尺度的8個相鄰點和與其上下相鄰尺度對應的9×2個點總共26個點比較，確保在尺度空間和二維圖像空間都檢測到極值點。至此已經得到特征點的位置信息和其所在的尺度信息。

1.4 特征點匹配

特征點提取步驟之后，需要對包含了64維向量信息的特征點進行匹配，在檢測到的特征點中找出具有相似性的特征點對，依據特征點建立兩幅圖像之間的一種對應關系，為之后的拼接工作與最終的圖像融合提供了基礎[14-16]。

Hessian矩陣不僅可以用來檢測到特征點的位置，另外，該矩陣跡的正負性還與特征點的亮度密切相關。

Hessian矩陣跡的表達式為：

其中 dx、dy分別是積分圖像濾波器中x、y方向的響應值。根據Hessian矩陣跡的符號能夠加快相似性度量時的匹配速度，根據亮度的不同把特征點分為特征點與其鄰域的亮度比背景區域要亮和暗的兩種，對于比背景區域亮的特征點值為正的，比背景區域暗的特征點Hessian矩陣的跡是負的。

傳統SURF算法在特征點匹配過程中，基于歐氏距離作為相似性度量，參考圖像中的某個特征點，通過搜索策略獲得待配準圖像中與點p距離最小和次小的兩個點，分別記為q1和q2，并且記這兩個點與點p的特征描述矢量之間的距離分別即為d1和d2。設定一個閾值T，將d1與d2的比值與閾值T進行比較，如果前者大于后者，那么點q1即為所選擇的匹配點，點p和點q1成為一對匹配點，該方法稱作最近/次近比率法，用數學表達式可表示為：

由于特征匹配階段算法速度快，可以通過犧牲少量時間來提高匹配過程的正確率，獲得了唯一對應的匹配點對，同樣為后續去除誤匹配階段算法提供更精確的匹配點對，加快后續算法的速度。去除誤匹配算法采用MSAC算法，其表達式為：

1.5 圖像融合

圖像拼接的最后一步是利用上節求得的參考圖像和待拼接圖像間的基礎變換矩陣將兩幅圖像整合成一幅完整的圖像。本文提出一種改進的先對亮度調整之后再采用基于距離的加權平均融合算法來實現基本無亮度差異以及明顯拼接縫的融合結果[17-18]。

基于距離的加權融合算法基本思路是根據重疊區域里的特征點到左右邊界的距離，分別記為d1和d2，則合并后的像素值表示為：

式中：I1和I2——重疊區域中兩圖像特征點對應的像素值；

I——最后經過加權得到的新的像素點像素值。

該方法有效地消除了由初始圖像間采集以及后續預處理算法引起的色彩和亮度差異，后續實驗部分表明，應用本文改進的融合算法，獲得了良好的圖像拼接質量，拼接縫隙幾乎消失，并消除了極為明顯的亮度和色彩差異，圖像拼接效果平滑自然。

2）學生的英語水平能到了提升。音樂治療專業學生的英語基礎普遍較薄弱。教師在開課前經與學生訪談得知，大部分學生的英語高考分數較低，多數學生對大學英語課程有壓力感，甚至對能否順利通過期末考試存在擔憂。在實施任務型教學模式后，學生接觸和使用英語的時間增加了，信心也增強了，其英語基本技能得到了明顯的提升。

2 實驗過程及結果分析

2.1 特征點提取實驗

本實驗采用的是壓容器復合金屬板樣本，對圖2中的九孔試件進行特征點提取。紅外采集樣本為362幀512×640的圖像數據，對同一九孔試件進行兩次紅外采集數據后經過降維和ICA處理，為檢驗算法性能和可行性，在Matlab環境下實現了本文的算法，通過對兩幅重構圖像提取到的缺陷獨立成分得到的結果圖像進行匹配實驗，以此來檢驗算法的性能。

圖2 試件

采用SURF算法在參考圖像中提取到了415個特征點，待配準圖像中提取到了376個特征點，這里為了便于觀察，只顯示了其中50個特征點效果圖。圖3中（a）和（b）分別為參考圖像和待配準圖像的檢測結果。從特征點效果圖可以看出，采用SURF算法所得到的參考圖像和待拼接圖像結果中的特征點能被明顯辨識，該方法能夠較為準確地檢測并提取到紅外缺陷圖像中的特征點信息。

圖3 SURF算法特征提取結果

2.2 特征點匹配實驗

完成對圖像提取SURF特征點之后，需要進行特征匹配的步驟。在得到數量可觀的特征點后，匹配方法的選擇也是圖像配準中的重要一環。

本文特征點匹配實驗采用Hessian矩陣來檢測前面提取到的415個參考圖像特征點和376個待配準圖像特征點，為了加快相似度匹配速度，首先通過特征點亮度預先判定矩陣跡的正負性，再通過最近/次近比率法搜索策略檢測特征點的位置。同時，采用雙向匹配法確保匹配點對的唯一性原則和MSAC算法剔除誤匹配點對來提高匹配正確率。

圖4是本文算法結果圖，匹配對數為27，匹配正確率70%。圖5是傳統SURF法采用的特征點匹配效果圖，匹配對數為34，匹配正確率56%。

圖4 采用雙向匹配算法效果圖

圖5 傳統SURF采用最近鄰與次近鄰比法匹配效果圖

采用本文算法獲得的匹配點對數減少了20%，對于出現的一些誤匹配的點對，依據本文選用的MSAC算法將其剔除，使匹配精度得到進一步提高。圖6為剔除后的匹配結果，最終在雙向匹配獲得的27對匹配點基礎上，去除誤配點對，得到用于估計變換模型的內點對19對，數量可觀的內點數量可以保證估計的變換矩陣參數的精確度。

圖6 MSAC法剔除誤匹配點對后結果圖

通過對比可以直觀發現，在對圖像進行雙向匹配并對誤匹配點對剔除之后，圖像中的匹配點對數顯著減少，成功率大大提高，這對后續拼接以及圖像融合算法中速度的提升起著重要的作用。

圖7 幾何變換的結果圖

2.3 圖像融合實驗

本文圖像融合目的在于平衡兩幅圖像的亮度差異，以及消除拼接縫隙，使圖像更加自然地顯示，對于后期的觀察與研究有很大幫助。實驗根據本文提出的改進算法先對亮度進行調整，再采用基于距離的加權平均融合算法，以實現拼接融合圖像無亮度差異和明顯拼接縫的效果。

圖8所示為未經融合處理的直接拼接結果，極易觀察到拼接部位出現了較為明晰的拼接縫以及縫隙兩端的亮度和色彩差異。

圖8 直接拼接結果

根據本文提出的算法對圖像進行基于亮度和距離加權融合處理，得到處理后的圖像中沒有顯示出明顯的拼接縫，圖像之間過渡平緩，達到了預期的效果。對亮度加權處理后的結果如圖9所示，相比圖8的直接拼接結果，可觀察出色彩對比度和亮度的差異得到了明顯的改善，基于亮度加權處理后的圖像成功消除了明顯的亮度差異，使得圖像顯示正確且平滑。

圖9 亮度調整后拼接結果

采用本文拼接算法最終融合后的結果如圖10所示，融合之后的圖像成功消除了拼接縫和明顯的色彩對比度差異，圖像之間過渡平緩，顯示正確且平滑，達到了預期效果，為后期的研究工作奠定了良好基礎。

圖10 最終拼接融合結果

3 結束語

本文采用SURF算法對經過ICA處理的紅外熱圖像進行特征提取，通過雙向匹配法和MSAC算法進行特征點對的粗匹配和去除誤匹配過程，最后提出改進的基于亮度和距離加權融合算法對參考圖像和待配準圖像進行融合。通過實驗仿真，在SURF算法提取到數量可觀的特征點以及經匹配算法后得到的一定數量的精準匹配點對后，通過提出的算法可以實現最終圖像的無縫拼接以及消除亮度和色彩對比度差異，實驗結果體現了算法的有效性。