基于視覺顯著性與PCNN的圖像分割算法

馬雨嫣，朱 冰

（西安石油大學(xué) 電子工程學(xué)院，西安 710065）

受焊接工藝的影響，焊接過程中焊接器件受到來自外部環(huán)境和各種非人為因素的干擾，時常會導(dǎo)致焊縫中出現(xiàn)密集氣孔、橫向或縱向裂紋、夾渣等各種難以預(yù)測的焊接缺陷[1]。這些缺陷可能會導(dǎo)致結(jié)構(gòu)失效，甚至造成危險的事故。針對上述問題，必須定期對焊接器件的焊縫進(jìn)行無損檢測，避免安全隱患的發(fā)生。X 射線檢測因為其檢測速度快、檢測范圍廣泛、成像較為直觀的特點(diǎn)，被廣泛應(yīng)用于工業(yè)生產(chǎn)中。在實際無損檢測過程中，X 射線檢測圖像存在對比度不高、圖像缺陷邊緣模糊、圖像噪聲多、背景起伏較大等缺點(diǎn)，會導(dǎo)致傳統(tǒng)的缺陷檢測方法很難從檢測圖像中提取出對比度較低的目標(biāo)缺陷[2-3]。

傳統(tǒng)缺陷分割方法常利用圖像自身表現(xiàn)出來的灰度和空間信息進(jìn)行分割。文獻(xiàn)[4]提出了一種結(jié)合全局和局部閾值技術(shù)的射線檢測圖像分割方法。文獻(xiàn)[5]提出了一種基于圖像中每個像素的鄰域像素灰度統(tǒng)計特性的對比度增強(qiáng)方法。上述2 種方法都可以檢測出較明顯的缺陷，但對細(xì)小裂紋這類缺陷的檢測上存在局限性。文獻(xiàn)[6]研究了基于X 射線圖像的石油鋼管焊縫缺陷檢測識別方法，此方法改進(jìn)了閾值分割方法的局限性，采用基于排序點(diǎn)的聚類算法（ordering points to identify the clustering structure，OPTICS）對小面積缺陷進(jìn)行分割，該算法不但滿足實時性要求，且對輸入?yún)?shù)不敏感，能夠?qū)崿F(xiàn)對任意形狀大小缺陷和噪聲的準(zhǔn)確分割。上述的缺陷分割算法僅對特定類型的缺陷達(dá)到較理想的提取效果，在對邊緣模糊、噪聲較大的焊縫照片進(jìn)行處理時難以保證正確識別率。

脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）不同于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，不需要訓(xùn)練過程即可實現(xiàn)模式識別、圖像分割、目標(biāo)分類。因此，PCNN 網(wǎng)絡(luò)非常適合實時圖像處理環(huán)境。由于射線檢測圖像自身存在對比度低、噪聲多的特點(diǎn)，采用PCNN 網(wǎng)絡(luò)進(jìn)行圖像分割的過程中很易受到干擾，導(dǎo)致分割效果不佳。圖像視覺顯著性模型可以結(jié)合圖像的局部特性，快速定位圖像的感興趣區(qū)域。將經(jīng)過顯著性檢測得到的缺陷顯著圖作為PCNN 網(wǎng)絡(luò)的輸入圖像，會增強(qiáng)PCNN 網(wǎng)絡(luò)的魯棒性，提高缺陷分割準(zhǔn)確度?？紤]到射線圖像無顏色特征并且亮度特征不明顯的特點(diǎn)，從統(tǒng)計學(xué)角度出發(fā)，采用基于全局對比度的顯著性檢測算法（LC）計算像素的全局對比度并構(gòu)造顯著圖，該算法簡單，能夠較好地確定焊縫圖像中感興趣區(qū)域的邊界。

針對射線檢測圖像特點(diǎn)，本文提出一種新的缺陷分割算法。首先，利用視覺顯著性模型快速定位圖像中的顯著區(qū)域，再結(jié)合PCNN 算法實現(xiàn)對焊縫檢測圖像分割。此算法取得了較好的分割效果，具有較好的普適性和魯棒性。

1 算法原理

1.1 PCNN 模型

Eckhorn 在1990年根據(jù)貓的大腦皮層同步脈沖發(fā)放現(xiàn)象[7]的研究，得到了哺乳動物神經(jīng)元模型，對該模型進(jìn)行一些改進(jìn)，就得到脈沖耦合神經(jīng)網(wǎng)絡(luò)模型，簡稱為PCNN 模型。PCNN 模型是由眾多神經(jīng)元相互鏈接形成的一種動態(tài)多參數(shù)非線性神經(jīng)，一個PCNN 神經(jīng)元主要由接受部分、調(diào)整部分和脈沖產(chǎn)生部分組成。經(jīng)典PCNN 模型參數(shù)較多、網(wǎng)絡(luò)系數(shù)確定較為困難。為了實現(xiàn)更好地適應(yīng)圖像處理的要求，在具有相同功能的前提下，本文使用一種簡化后的改進(jìn)PCNN 模型[8]進(jìn)行進(jìn)一步的研究。

式中：Iij［n］表示外部刺激；Fij［n］表示第（i，j）個神經(jīng)元第n 次輸入；Lij［n］為連接輸入；Uij［n］為內(nèi)部活動項；Tij［n］為動態(tài)閾值；Yij［n］為當(dāng)前神經(jīng)元的脈沖輸出；β 為連接系數(shù)；w 為連接矩陣的元素；νL為連接幅度常數(shù)；αT為閾值衰減系數(shù)；νT為閾值幅度常數(shù)。

1.2 LC 算法

LC 算法由Zhai 等于2006年提出，該方法基于計算像素P 在整個圖像上的全局對比度。

式中：I 是圖像像素集；S 是與原圖等尺寸的顯著性圖。它能夠均勻地突出圖像整體的顯著性區(qū)域，較好地定義顯著目標(biāo)的邊界，并能有效忽略噪聲和塊效應(yīng)的高頻成分。

1.3 結(jié)合LC 與PCNN 的圖像分割算法

本算法結(jié)合LC 和PCNN，算法流程如圖1 所示。本算法將式（6）得到的灰度顯著圖作為簡化的PCNN模型的輸入，由于PCNN 模型迭代次數(shù)的不確定性，利用最小交叉熵準(zhǔn)則確定最優(yōu)迭代次數(shù)和最佳分割圖像，提取出焊縫缺陷。

圖1 算法流程Fig.1 Algorithm flow chart

輸入：LC 得到的最終灰度顯著圖

輸出：焊縫缺陷區(qū)域

（1）第一次迭代時，按照式（1）外部刺激Iij［n］等于神經(jīng)元的內(nèi)部活動項U；

（2）此時，若外部刺激Iij［n］大于閾值Tij［n］，則根據(jù)式（5）神經(jīng)元脈沖輸出Yij［n］為1，否則為0；

（3）與此同時，動態(tài)閾值Tij［n］急劇增大，并按照式（4）隨每次迭代過程呈指數(shù)形式遞減；

（4）在之后的迭代過程中，被激活的神經(jīng)元通過與鄰域內(nèi)相似神經(jīng)元的連接作用激勵鄰域神經(jīng)元，按照式（2）形成連接輸入L；

（5）若鄰域某一神經(jīng)元的內(nèi)部活動項U 大于當(dāng)前閾值Tij［n］，則被PCNN 捕獲激活；

（6）每次迭代，PCNN 產(chǎn)生一個脈沖序列Y；

（7）根據(jù)最小交叉熵過程，求取一個PCNN 的迭代次數(shù)n 和最佳閾值，而與其對應(yīng)輸出的脈沖序列構(gòu)成的二值圖像，即最佳分割結(jié)果。

2 實驗結(jié)果與分析

2.1 實驗參數(shù)與評價指標(biāo)

實驗所采用焊縫檢測圖像數(shù)據(jù)集來源于實際工業(yè)生產(chǎn)中，圖像分辨率不同，尺寸不一。

為驗證本文算法的有效性，在MATLAB 平臺上對焊縫檢測圖像數(shù)據(jù)庫中252 張焊縫檢測圖像進(jìn)行了實驗計算，并計算結(jié)果的混淆矩陣（confusion matrix），將其作為客觀評價標(biāo)準(zhǔn)。

參數(shù)初始設(shè)置：神經(jīng)元反饋矩陣F、耦合連接矩陣L、神經(jīng)元內(nèi)部狀態(tài)矩陣U、神經(jīng)元迭代輸出矩陣Y 初始化時設(shè)為0 矩陣。迭代條件：圖像所有像素被激活。

2.2 射線焊縫檢測圖像（含各種焊接缺陷）

焊縫缺陷主要分為氣孔、橫向或縱向裂紋、夾渣、未焊透、未融合、咬邊。按影像特征可以分為線形缺陷（裂紋、未焊透、條狀夾渣、未熔合等）和圓形缺陷（氣孔，球狀夾渣等）兩大類[9]。在射線檢測圖像中，不同類型的缺陷對表現(xiàn)的影像特征各異，如圖2所示。

圖2 射線焊透檢測圖像（含各種焊接缺陷）Fig.2 Diagrams for X-ray weld defect（various welding defects）

2.3 實驗結(jié)果及分析

為驗證算法的有效性，本文針對多組焊縫缺陷檢測圖像進(jìn)行仿真實驗，均獲得了較好的實驗結(jié)果。限于篇幅，本文只給出5 幅具有代表性圖像的仿真結(jié)果，它們分別為橫向裂紋缺陷圖像、縱向裂紋缺陷圖像、氣孔缺陷圖像、夾渣缺陷圖像以及咬邊缺陷圖像。圖3 為實驗的仿真結(jié)果。

從圖3 可以看到，本文算法獲取到的分割結(jié)果，充分提取了焊縫檢測圖像中的缺陷細(xì)節(jié)信息，具有較好的視覺效果。對于圓形缺陷分割效果最佳，對邊緣模糊、對比度低、背景變化較大的線形缺陷分割效果較好。受檢測圖像質(zhì)量的影響，對于質(zhì)量較低、噪聲較多的線形缺陷圖像分割效果有待提升。

圖3 焊縫缺陷及其分割結(jié)果Fig.3 Weld defects and their segmentation results

利用圖1 所提算法，對焊縫檢測圖像數(shù)據(jù)集內(nèi)252 張焊縫圖像進(jìn)行了實驗計算，計算結(jié)果的混淆矩陣（confusion matrix）如表1 所示。

表1 基于本文分割算法分割效果表Tab.1 Confusion matrix of combined defect segmentation algorithm

從客觀評價指標(biāo)上看，本文算法準(zhǔn)確率達(dá)到82.9%，可以分割出大多數(shù)情況下的缺陷，這是在算法和參數(shù)完全無人工調(diào)整的情況下獲得。

2.4 本文算法與其他算法對比

為了驗證本文方法的優(yōu)越性，從焊縫檢測圖像數(shù)據(jù)集中選取了40 張各種缺陷圖像，分別采用本文方法與大津法（Otsu）和傳統(tǒng)PCNN 圖像分割算法進(jìn)行對比。圖4 給出了部分實驗結(jié)果。

圖4 不同算法的對比效果Fig.4 Comparison of partial detection results by different methods

由圖4 可以看出，傳統(tǒng)分割算法易受噪聲的干擾，對于圖片質(zhì)量低的圓形缺陷可以粗略定位出感興趣區(qū)域，缺陷內(nèi)部細(xì)節(jié)缺失，邊緣不清晰，無法完整地分割出缺陷，對于線形缺陷的定位不準(zhǔn)確，分割效果差。本文方法得到的感興趣區(qū)域定位準(zhǔn)確，邊緣清晰，噪聲小，對于線形缺陷也具有很好的魯棒性和適用性。

實驗還與2 組參考文獻(xiàn)中的算法進(jìn)行對比，將參考文獻(xiàn)[10]、[11]作為對比組，其中文獻(xiàn)[10]首先應(yīng)用Sobel 算子對焊縫圖像進(jìn)行處理，然后再利用Otsu對算法圖像的ROI 區(qū)域進(jìn)行分割。文獻(xiàn)[11]應(yīng)用Otsu 算法，確定目標(biāo)與背景間最大方差，以此作為PCNN 網(wǎng)絡(luò)初始閾值，再通過改進(jìn)的PCNN 網(wǎng)絡(luò)進(jìn)行圖像分割。對比結(jié)果如圖5 所示。

圖5 算法對比結(jié)果Fig.5 Algorithm comparison results

圖5 中，對比了文獻(xiàn)[10]、文獻(xiàn)[11]中的相應(yīng)圖像處理結(jié)果，可以看出在圖（b）、圖（c）中，在圖像質(zhì)量欠佳的密集型圓形缺陷時無法獲得理想的分割效果，對比圖（d）分割效果較好，本文的方法要優(yōu)于文獻(xiàn)[10]和文獻(xiàn)[11]的方法，具有更強(qiáng)的普適性，分割結(jié)果更理想。

圖5 控制程序流程Fig.5 Flow chart of control program

3 結(jié)語

考慮到無損檢測圖像具有對比度低、缺陷邊緣模糊、噪聲大等特點(diǎn)，且包含缺陷的區(qū)域通常僅在射線圖像中占較小的面積。本文提出了一種新型缺陷分割算法，該算法結(jié)合了視覺顯著性模型與PCNN網(wǎng)絡(luò)，改善了傳統(tǒng)分割算法的不足，充分利用了PCNN網(wǎng)絡(luò)在圖像分割的優(yōu)勢。從實驗結(jié)果可以看出，該方法具有較強(qiáng)的普適性，對于各類缺陷的分割結(jié)果較好，但是對于具有較強(qiáng)噪聲的線形缺陷的分割，本文方法得到的結(jié)果不是很理想，還需要進(jìn)一步的研究。