軌道缺陷圖像檢測算法的優化

閔 銳,黃楚云,張曉峻,孫晶華

(1.湖北工業大學 理學院，湖北 武漢 430068；2.哈爾濱工程大學 物理與光電工程學院，黑龍江 哈爾濱 150001)

中國鐵路建設規模的擴大，對鐵軌的工作要求變得更加嚴格. 考慮到鐵路安全問題和隱患處理的重要性，需要定期對軌道進行探傷和狀態檢測，以掌握高質量的軌道狀態數據，保證軌道的正常使用[1]. 采集軌道狀態信息并及時處理是軌道維護的關鍵環節[2]，常規軌道檢測方法雖然靈敏性和損傷檢出率較高，但其工作成本和對人工的要求很高.

利用數字圖像處理技術進行軌道狀態檢測的方法為軌道無損檢測的發展和軌道探傷提供了新思路. 例如，將背景差分法應用于缺陷圖像分割，通過自適應閾值分割和濾波方式去除噪聲點對缺陷識別的干擾，提高鋼軌缺陷的檢測率[3]；基于機器視覺技術設計鋼軌表面缺陷檢測算法，對鋼軌表面區域提取算法進行優化，提高了檢出率，但算法的誤檢率未能得到良好地控制[4]；利用圖像灰度梯度特征進行平滑濾波，通過差分分割實現鋼軌表面缺陷檢測的目的，有效弱化了光源和鋼軌表面因素的影響[5]；基于機器視覺和卷積神經網絡提出軌道表面缺陷檢測方法，利用形態學濾波與概率霍夫變換算法去除原始圖像中的噪聲，通過Canny算法實現軌道表面缺陷的自動提取[6].

上述的軌道圖像檢測方法中，圖像降噪預處理和缺陷邊緣檢測是最關鍵的步驟. 針對圖像降噪問題，BM3D算法是目前去噪效果最好的算法之一[7]；針對受白噪聲影響的階躍型邊緣檢測問題，Canny算法的檢測效果較好[8]. 但這2種算法運行時間比較長，不能滿足實時性要求. 本文基于OpenCV軟件平臺采用C++語言編寫算法，開展軌道缺陷檢測算法的優化研究.

1 BM3D算法

針對軌道圖像噪聲嚴重、缺陷邊緣模糊等問題，通過圖像降噪預處理算法進行改善，為后續的缺陷檢測提供良好的基礎. BM3D算法可以很好地實現圖像的濾波處理，該算法包括基礎估計和最終估計2個步驟，這2個步驟中又各自包含相似塊分組、協同濾波和聚合3部分[9]，算法流程圖如圖1所示.

(1)

圖1 BM3D算法流程

對得到的矩陣進行三維變換，將矩陣中小于設定參量的值設為0.對非零成分數量進行統計，再對其進行三維逆變換處理，得到基礎估計的三維矩陣為

(2)

把逆變換后的圖塊對應到原來的位置，通過統計非零成分數量進行權重分配，利用疊放的圖塊及每處權重的比值即可去除圖像中的大部分噪聲點，得到基礎估計圖像為

(3)

第二步，最終估計.利用基礎估計中相同的分組方法，將基礎估計圖塊再次進行塊匹配，堆疊成新的相似圖塊集合，表示為

(4)

對含噪圖像塊和基礎估計圖塊堆疊形成的2個三維矩陣分別進行三維變換，利用基礎估計圖塊的變換系數，采用經驗維納濾波對原始含噪圖像進行處理，得到估計權重，并進行三維逆變換.

(5)

經過加權平均變換后，得到最終的估計圖像，會包含更多的圖像細節.

2 BM3D算法優化

由于BM3D算法復雜度較高，為了拓展其實用性，本文對該算法流程進行改進，以達到高效處理的目的.

2.1 BM2D+1D算法

BM3D算法是將尋找到的相似圖塊進行二維變換后用歐氏距離測量其相似程度，然后疊成三維數組. 此時得到的圖塊已經進行了二維變換處理，只需再加上1次一維變換即可代替直接進行的三維變換. 同時三維變換采用可分離的正交變換，分解為各個相似塊自身的二維變換以及相似塊之間的一維變換，便于后續計算直接復用二維變換結果. 將BM3D算法轉變為BM2D+1D算法，既可以保證算法運行結果的高質量，又能提高算法的運行速度，算法流程圖如圖2所示.

圖2 BM2D+1D算法流程

為更好地捕捉圖塊中的周期性信息，圖像塊的二維變換采用離散余弦變換，由此得到所有相似塊的二維變換系數. 再利用小波變換對二維變換的結果進行一維變換，實現圖像塊的三維變換，進一步降低算法的復雜度，一維離散小波變換[12]表示為

(6)

(7)

(8)

其中，wφ(j0,k)和wψ(j,k)為近似系數和小波函數，φj0,k(x)和ψj,k(x)為不同尺度和不同位置的小波函數，k為位置偏移量，j為尺度階數.

優化后的算法保留了原算法的去噪框架，利用可分離的二維離散余弦變換和一維離散小波變換對圖像塊進行濾波處理，其他處理方法不變，在保證處理效果的同時提升了處理速度.并且在塊匹配分組過程中將3×3圖塊窗口放大到6×6窗口，減少參考塊的數量，加快相似塊的處理速度.

2.2 仿真實驗

為了減少運算量，提高檢測效率，在對軌道圖像檢測前，先進行感興趣區域提取，截取含有缺陷的區域，得到帶有缺陷的軌道圖像，大小為159×159 pixel. 為了降低算法的復雜程度，并便于圖像二值化處理，將輸入圖像轉變為灰度圖像，如圖3所示. 向圖像中分別加入單一高斯噪聲(噪聲方差δ=40)和高斯噪聲與椒鹽噪聲的混合噪聲(高斯噪聲方差δ=40、椒鹽噪聲像素點d=800)，得到模擬含噪圖像,如圖4(a)和圖5(a)所示.

利用中值濾波、高斯濾波、維納濾波、BM3D算法和本文提出的BM2D+1D算法分別對高斯噪聲圖像和混合噪聲圖像進行處理(實驗所用計算機CPU為i7-9750H，內存為16G)，處理結果如圖4和圖5所示.

圖3 原圖

(a)高斯噪聲圖像 (b)中值濾波

(c)高斯濾波 (d)維納濾波

(e)BM3D (f)BM2D+1D圖4 高斯噪聲去噪

(a)混合噪聲圖像 (b)中值濾波

(c)高斯濾波 (d)維納濾波

(e)BM3D (f)BM2D+1D 圖5 混合噪聲去噪

在單一高斯噪聲圖像處理中，從視覺效果上看，5種去噪算法都對高斯噪聲圖像帶來了一定程度的平滑模糊. 但中值濾波、高斯濾波和維納濾波方法不能完全去除高斯噪聲，而BM3D算法和BM2D+1D算法能有效去除高斯噪聲.

對于混合噪聲圖像的處理，由于在模塊匹配步驟中受到了其他類型噪聲的干擾，導致BM3D算法塊匹配不準確，使得最終去噪結果失真. 可以看出，BM3D算法僅對含單一高斯噪聲圖像的去噪效果較好，且須在不受到其他噪聲干擾的情況下進行. 而BM2D+1D算法因為加入了一維離散小波變換，因此不易受到其他噪聲干擾，可以更加精準地識別圖像噪聲點.

在圖像質量評價中，峰值信噪比(RPSNR)值越大說明去噪算法效果越好. 對圖4和圖5所示的5種去噪算法運行結果進行對比，RPSNR值結果如表1所示. 由RPSNR結果可知，與中值濾波、高斯濾波和維納濾波算法相比，BM3D算法處理效果的穩定性較差. 而BM2D+1D算法彌補了BM3D算法穩定性差的不足，在處理噪聲圖像時能保持運行的穩定性，從而得到優于中值濾波、高斯濾波和維納濾波算法的去噪效果.

記錄仿真過程中算法的運行時間，對于含高斯噪聲的圖像，BM3D算法的運算時間為23.810 4 s，BM2D+1D算法的運算時間為14.384 9 s，運行時間降低了39.6 %. 優化的BM2D+1D算法不僅RPSNR值有所提高(比BM3D提高了0.388 dB)，而且在運算時間上也有一定程度的減小.

表1 5種去噪算法的RPSNR值

3 Canny邊緣檢測算法

圖像的邊緣是指灰度、紋理或顏色等特征突變的位置，在圖像分割過程中對區域識別將起到重要作用. 但是在實際情況下，受噪聲干擾得到的圖像邊緣常常模糊，導致邊緣提取變得更加困難. Canny算法對受高斯白噪聲干擾的圖像邊緣檢測效果較好[13]，該算法主要有以下4個步驟：

1)利用高斯濾波器平滑圖像. 通過對濾波像素點及其相鄰像素點進行加權均值計算，去掉圖像中的噪聲點.

針對該塊應力特點，采用直井長縫結合定向射孔工藝，有效降低裂縫起裂的復雜程度，并配合暫堵劑＋組合陶粒降低濾失，提高壓裂液的使用效率。

2)計算梯度幅值和方向.計算圖像在x和y方向上的梯度值Gx和Gy，由此得到梯度幅值和方向角[14]為

(9)

(10)

3)對梯度幅值進行非極大值抑制.根據梯度方向對圖像上每個點的梯度幅值進行非極大值抑制[15]，實現邊緣估計.

4)利用雙閾值檢測并連接邊緣.通過雙閾值設置來檢測邊緣，用高閾值M1將背景與提取的輪廓進行分割，用低閾值M2對邊緣進行平滑.將像素值在M1～M2間的點作為弱邊界，將像素值大于M1的點作為強邊界.當M1設置過大時，會導致邊緣輪廓斷續，此時可以通過弱邊界八連通鄰域內是否存在強邊界進行判斷，存在弱邊界與強邊界相連接的情況下，該弱邊界才能被視為邊緣點進行連接[16].

4 Canny算法優化及仿真實驗

由于去噪處理后的軌道圖像中仍然會存在干擾信息，使得Canny算法在檢測過程中出現偏差. 因此，利用圖像增強算子對Canny算法進行改進，使得缺陷檢測結果更加完整和準確.

4.1 Canny算法的優化

根據Canny邊緣檢測算法原理可知，Canny算法是通過高斯去噪來降低噪聲干擾. 高斯去噪會使圖像的邊緣信息被削減，需要選擇合適的高斯半徑才能保留較為完整的邊緣信息[17]. 而軌道圖像預處理環節已經對圖像進行了去噪處理，并且得到了較好的去噪結果. 故可以將高斯濾波從Canny算法中去除，以降低算法的運行時間.

另外，由于圖像預處理環節在一定程度上模糊了邊緣信息，生成無意義像素信息，導致后續閾值選取范圍受限，不利于邊緣信息的提取. 因此，在Canny算法中加入LOG算子和Gamma算子對預處理結果進行邊緣強化，濾掉一部分虛假邊緣信息，進一步減少算法的運算時間，降低算法運算復雜度.

l=cLOG(1+vr)，

(11)

其中，c為常數(通常設為1)，系數v=1,r∈[0,1]為輸入的歸一化灰度值.

2)利用Gamma變換算子對圖像進行校正，將圖像的高、低灰度進行修正改進，增強圖像的對比度[18]，輸出圖像表示為

s=Auγ，

(12)

其中，A為常數(通常設為1)，系數γ=3，u∈[0,1]為輸入的歸一化灰度值.

優化的Canny算法不再考慮噪聲干擾，并利用LOG算子和Gamma算子對去噪結果圖像進行對比度調整及邊緣強化，增強軌道缺陷處信息，均衡各部分像素灰度，從而過濾虛假邊緣和無意義邊緣的像素點. 與增強前的圖像相比，優化后的邊緣信息更加清晰，算法閾值調節更加靈活. 可根據實際采集的圖像自適應調節閾值大小，得到保留完整軌道缺陷邊緣信息的結果圖像.

4.2 仿真實驗

在與上述實驗相同配置的計算機上進行測試，以BM2D+1D算法對高斯噪聲圖像去噪結果[圖4(f)]為例，將優化后的Canny算法應用到去噪圖像的邊緣檢測中，得到不同閾值M下的結果，如圖6所示.

(a)M=50 (b)M=75

(c)M=100 (d)M=125

(e)M=150 (f)M=175

(g)M=200 (h)M=225圖6 優化的Canny算法二值圖像結果

從圖6中可以看出，當M=100時，優化的Canny算法可以完整保留重要邊緣信息，從橫縱方向可以看出軌道的擦傷和裂痕. 當M>150時，軌道裂痕邊緣開始出現斷續，從而無法捕獲完整的邊緣信息. 因此，為得到準確的邊緣信息，在算法閾值調節上需要進行嚴格控制，使得算法盡可能完整地保留軌道裂痕邊緣信息，并盡可能多地去除無意義像素點.

經典Canny算法中包含高斯去噪過程，并且由于邊緣信息被模糊而產生虛假邊緣信息，增加了算法工作量. 優化后的Canny算法減少了高斯去噪步驟，并加入LOG算子和Gamma算子解決了虛假邊緣信息過多的問題，優化了算法運算流程和運算量. 優化前的平均運行時間為0.017 2 s，優化后的平均運行時間為0.003 2 s，運行時間降低了81.4%.

5 結 論

對軌道缺陷圖像檢測算法進行了優化. 通過改進BM3D算法的三維變換方式，將其轉化為BM2D+1D算法，作為軌道圖像預處理方法. 在圖像質量評價指標和運行效率上，BM2D+1D算法具有一定的優勢. 對于含高斯噪聲的圖像，BM2D+1D算法的RPSNR值提高了0.388 dB，運行時間降低了39.6%. 同時，優化的Canny算法可以濾除圖像中大部分多余的邊緣信息和無意義的像素信息，實現對軌道缺陷的邊緣增強和邊緣檢測，得到了完整的軌道缺陷邊緣信息，優化后的算法運行時間降低了81.4%.