基于圖像分割和邊緣提取相融合的射線缺陷圖像增強算法研究

摘 要：在實際工業生產中，噪聲、環境以及人為等非理想因素會導致圖像出現退化問題，另外還會致使缺陷形態各異并且特征變化十分復雜。由于圖像質量的下降會影響人的主觀感受以及后續計算機機器視覺應用的性能，所以圖像預處理過程對于低質量圖像來說是十分必要的處理步驟。然而，圖像增強算法能否針對射線缺陷圖像對比度提高等問題鮮有系統性研究。針對上述問題，本文以焊縫射線缺陷圖像為例，研究圖像增強算法對缺陷目標檢測性能以及圖像對比度的影響。首先對5種邊緣提取技術進行分析對比，結合霍夫變換擬合焊縫邊界，然后利用大津法灰度閾值處理，最后提出了基于射線缺陷圖像增強與邊緣檢測的融合算法，另外針對未融合缺陷利用基于改進的形態學分水嶺算法進行研究，并對比分析其結果。實驗發現，分割和邊緣提取相融合的圖像增強算法對于低質量射線未融合缺陷圖像作用較為明顯，對線性缺陷或圓形缺陷圖像作用表現出一定的負面影響。為了實現工業射線缺陷圖像數據分析研究的目的，如何根據相應的需求進行后續圖像識別操作需要進一步研究。

關鍵詞：圖像閾值分割；圖像邊緣檢測；圖像增強；Canny算子；雙閾值算法；大津法灰度閾值算法

中圖分類號：TP391 文獻標識碼：A 文章編號：2095-1302（2024）02-00-04

0 引 言

圖像分割技術是圖像預處理領域近年來研究較多的方法，主要分為閾值分割和圖像邊緣提取兩大部分。針對閾值分割這一部分，常見的基本方法有大津度閾值分割法[1]、最大熵閾值分割法[2]以及自適應閾值分割法[3]。除此之外，還有Kirsch算子法、迭代法、雙峰法等一系列新型閾值分割方法[4]。對于圖像邊緣提取部分，目前研究方向和內容比較豐富，許多算法應運而生并且逐漸滲透到不同的行業。常見的圖像邊緣提取算子有Sobel算子、Robert算子、Prewitt算子、Laplace算子、Canny算子等，研究發現，Sobel算子可以使邊緣平滑，但識別缺陷精度不高[5]；Robert算子相應較為簡單，應用范圍也比較廣，但是處理效果較為一般[6]；Prewitt算子和Sobel算子的處理結果較為相似，好壞取決于模板的選取；Laplace算子在計算量方面有明顯的優勢，但是難免在銳化邊緣時加強噪聲感[7]；Canny算子的抗噪性能好、邊緣提取較為平滑可靠，是目前使用較多的邊緣提取方法。除此之外，還有諸多基于神經網絡的閾值分割方法。

Miguel[8]主要利用形態學數學算子和Canny算子分水嶺變換[9-10]等數字圖像處理技術對圖像進行分割變換，直接使用數字圖像處理技術在一定程度上有利于分割。Daum等人[11]提出背景去除的缺陷分割算法，該算法在無小缺陷和不考慮缺陷分類的特定情況下具有一定效果。Mahmoudi等人[12]針對X射線圖像缺陷提出快速提取與分割方法。該方法在使用全局閾值提取焊縫邊界后，利用局部閾值直接提取缺陷區域，在提取單一缺陷的特定條件下效果較為明顯。

張永帥等[13]主要利用卷積神經網絡分割目標焊縫區域和背景區域，在邊緣細節處理部分使用了信息融合，旨在提高圖像分割的精度。鄒焱飚等[14]提出了一種可以定位焊縫的檢驗單元。此單元基于深度分層特征，即便在噪聲污染嚴重的低質量圖像中也能有效定位。邵家鑫[15]等人提出一種檢測是否為線性缺陷的方法。此方法一開始利用圖像預處理中的濾波降噪技術進行處理，然后利用自適應閾值分割技術實現線性缺陷的特征提取，最后再提出焊縫缺陷自動檢測的適應問題。郭亮[4]提出了一種基于小波變換的邊緣提取算法，該算法在常用的邊緣檢測方法的基礎上，結合小波變換在信號處理細節方面的優勢，針對一些特定的圖像進行圖像邊緣檢測。鄒媛媛等人[16]提出了一種基于向量機的焊縫識別方法，該方法的核心是利用向量機層層分類的思想完成圖像分割，精度較高。

由于射線底片缺陷圖像的背景環境復雜，因此研究結果充滿不確定性與不完整性，這表現在不同的工業環境中使用圖像處理技術可能會有完全不同的結果[17]。本文使用Python進行仿真，輸入原圖像A，首先提取感興趣區域得到圖像B，然后進行圖像的閾值分割得到圖像C，對圖像B進行邊緣提取得到圖像D，將兩種算法處理所得的圖像進行融合后得到圖像E，再基于改進的分水嶺算法進行增強得到最終的圖像F。實驗表明，采用全局閾值分割后再進行Canny算子提取邊緣，能夠在降低圖像噪聲的同時，保證底片缺陷特征的表征與區分，相應提高圖像的對比度。

1 基于圖像分割的射線缺陷底片圖像算法

以提取出感興趣區域為目的的圖像分割算法，是圖像預處理技術中不可或缺的步驟。該算法具體又可分為基于閾值分割和基于邊緣分割，兩類分割方法廣泛應用在圖像學中，本文使用基于閾值分割的方式來處理射線缺陷圖像，結果如圖1所示。

閾值分割處理后，原始圖像經過分割變成了計算機容易識別的黑白二值圖像，同時關注的區域大致被明顯劃分出來。但是基本的閾值分割僅僅給定一個數值，無法適應其他對比度不同的圖像，分割出的結果也不一定可靠。針對這一問題，大津法灰度閾值算法應運而生，它能根據不同圖像的不同灰度特征隨時調整出一個合理的數值，即采用遍歷的方法得到使類間方差最大的閾值。算法大致步驟如圖2所示。

射線圖像經過去噪增強后仍然會存在因為射線檢測過程中的各種因素導致每個圖像的對比度不盡相同的問題。經過大津法分割之后，可以最大限度保證每個區域內是同類型，采用大津法灰度閾值算法結果如圖3所示。對圓形缺陷原圖像圖3（a）進行大津法灰度閾值處理，得到最佳閾值為122，按照最佳閾值進行分割后如圖3（b）所示；對線形缺陷原圖像圖3（c）進行大津法灰度閾值處理，得到最佳閾值為87，按照最佳閾值進行分割后如圖3（d）所示。

2 基于圖像邊緣檢測的射線缺陷底片圖像算法

圖像邊緣檢測能夠通過數學微分將圖像中的特征區域邊緣檢測出來并分割，有利于圖像的精確識別。對圖4（a）未融合缺陷進行邊緣提取，圖4（b）所示為利用Sobel邊緣算子處理后的提取結果，直觀結果顯示，感興趣區域基本被完全提取出來但不夠明顯；圖4（c）所示為利用Robert邊緣算子處理后的提取結果，結果分析來看，Robert算子對于射線底片缺陷的識別效果不太理想；圖4（d）所示為利用Prewitt邊緣算子處理后的提取結果，結果表明，此算子可以完全提取出感興趣區域，但由于處理結果干擾過多導致劃分區域過于細??；圖4（e）所示為利用Laplacian邊緣算子處理后的提取結果，分析結果看出，此算子對于感興趣區域的提取不夠完整，并且對于缺陷的特征提取也不太明顯；圖4（f）所示為利用Canny邊緣算子處理后的提取結果，該算子一定程度上提取出了感興趣區域，并且用圓潤和平滑的曲線勾勒出了清晰的邊緣。

綜合上述分析，Canny邊緣算子相較于其他邊緣算子具有一定優勢。Sobel邊緣算子和Prewitt邊緣算子太關注背景噪聲以至于效果不太理想，Robert邊緣算子和Laplacian邊緣算子則是更多忽視了缺陷的特征以至于表現不夠細致，而基于Canny算子的邊緣提取算法在射線底片提取感興趣區域時表現更為優良?；诖耍疚膶D像分割和圖像邊緣提取這兩大算法進行融合，用融合后的算法實現圖像增強。通過OSTU和Canny邊緣檢測，缺陷集中的區域已經基本鎖定，圖像表現多為曲線狀邊緣。

后續使用雙閾值算法調整確定最終的邊緣信息，Canny算子提取缺陷邊緣的效果圖如圖5所示，經過多次實驗與調整后得出，圖像內的強邊緣已經在當前獲取的邊緣圖像內。但是為了將虛邊緣剔除，最終將低閾值定為102，高閾值定為205。如果一個虛邊緣與強邊緣連接，則將其處理為邊緣，如果一個虛邊緣未與強邊緣連接，則該邊緣需要抑制。

3 基于圖像分割和邊緣提取相融合的算法

根據上述分析，Canny邊緣算子能夠很好地還原出感興趣邊緣并且能夠很好地表征出缺陷特征，在此基礎上若融合圖像分割算法，那么預期結果會相對理想。因此首先利用Canny邊緣算子對圖像進行邊緣檢測后得到圖像A，再對處理后的圖像A進行閾值分割得到圖像B，使圖像分割和邊緣提取能夠順利融合，兩圖像的分辨率達到相同數值?；趫D像分割和邊緣提取相融合算法的結果如圖6所示。不利用圖像B直接進行后續操作，一方面是因為經過閾值分割后，圖像感興趣區域邊緣擬合效果不佳，如圖3（b）、圖3（d）所示，感興趣區域與背景相連出現大片白色模糊片區；另一方面是因為對缺陷特征的提取不夠準確，并不能達到圖像增強的理想狀態。

對射線底片原圖像進行Canny算子的邊緣提取，然后使用大津法灰度閾值處理，得到圖6（a）所示的結果?？梢园l現，雖然對感興趣區域的邊緣提取效果較好，有一定的圖像增強效果，但對于缺陷和噪聲的區分不夠完全，明顯看出缺陷特征未被完全凸顯出來。最后將經過兩種算法處理后的圖像進行融合，得到圖6（b）?？梢钥闯觯毕莸恼w特征被完全表現出來，結果圖像中沒有明顯噪聲的存在，感興趣區域的提取效果也比較理想，未有白色模糊問題出現。對比實驗結果表明，基于圖像分割和邊緣提取相融合的算法處理效果優于單一圖像分割，圖像增強的效果相對較為明顯。

4 基于改進的形態學分水嶺算法

射線圖像分割是遵循同一區域內為同一性質的原則將圖像分割成不同的、互不相交的區域。本文使用霍夫變換擬合焊縫邊界后，將所有缺陷包含在感興趣的區域內，因此焊縫的邊界大致就是擬合出來的直線，為后續分割進一步奠定基礎，結果如圖7所示。

在進行圖像分割后，發現對于線性缺陷和圓形缺陷的分割效果優于未焊透、未融合等缺陷。針對這種現象，本文基于未融合未焊透的缺陷提出一種解決思路：使用基于改進的形態學分水嶺算法對此進行圖像分割，在此過程中遍歷圖像記錄全部像素，根據累積直方圖排列像素順序，從高到低逐一進行漲水，水池邊緣的當前灰度進行二次更新，使用兩次Canny算子進行邊緣確認。算法大致步驟如圖8所示，未融合缺陷圖像處理結果如圖9所示。

5 結 語

本文提出了一種基于圖像分割和邊緣提取相融合的圖像增強算法，并且將其應用在射線底片缺陷圖像增強步驟中。首先對全局閾值分割算法進行優化，發現大津法灰度閾值分割的效果更好，能夠根據對比度的不同自適應劃分出相應的閾值，使得分割出的缺陷特征更加突出。然后比較了多種不同邊緣提取算法。結果表明，Canny邊緣算子在感興趣區域提取和缺陷特征提取兩方面表現更為優異。最后將閾值分割得到的圖像與邊緣提取得到的圖像進行融合操作，提出了基于圖像分割和邊緣提取相融合的圖像增強算法，在此基礎上，針對特定的未融合缺陷圖像提出改進后的形態學分水嶺算法。實驗結果表明，缺陷特征圖像主體更加清晰，算法效果較好。

注：本文通訊作者為張義鳳。

參考文獻

[1] QI J，LI J，LU Z，et al. Application of improved Otsu algorithm to welding image segmentation [J]. Transactions of the China welding institution ， 2016.

[2] WILLIAM I A A. Abstracts of papers accepted for publication [J]. Computer vision graphics amp; image processing，1986，34（2）：254-255.

[3] DUAN F，YIN S，SONG P，et al. Automatic welding defect detection of X-ray images by using cascade AdaBoost with penalty term [J]. IEEE Access，2019（99）：1.

[4]郭亮. 移動機器人不連續焊縫跟蹤技術研究[D].南昌：南昌大學，2018.

[5] ZHANG Z. A flexible new technique for camera calibration [J]. IEEE transactions on pattern analysis and machine intelligence，2000，22（11）：1330-1334.

[6]黃椰，黃靖，肖長詩，等.基于雙目立體視覺的船舶軌跡跟蹤算法研究[J].計算機科學，2017，44（1）：308-313.

[7] D·馬爾. 視覺計算理論[M].北京：科學出版社，1988.

[8] CARRASCO M，MERY D. Segmentation of welding discontinuities using a robust algorithm [J]. Materials evaluation，2004，62（11）：1142-1147.

[9] TRIDI M，NACEREDDINE N，OUCIEF N. Contour estimation in synthetic and real weld defect images based on maximum likelihood [J]. Proceedings of world academy of ence engineering amp; technology，2005，9：195-198.

[10] WANG M，CHAI L. Application of an improved watershed in welding image segmentation [J]. Transactions-China weld in institution，2007，28（7）：13.

[11] DAUM W，ROSE P，HEIDT H，et al. Automatic recognition of weld defects in X-ray [J]. British journal of non-destructive testing，1987，29（2）：79-82.

[12] MAHMOUDI A，REGRAGUI F. Fast segmentation method for defects detection in radiographic images of welds [C]// IEEE/ACS International conference on computer systems amp; applications. IEEE，2009：857-860.

[13]張永帥，楊國威，王琦，等.基于全卷積神經網絡的焊縫特征提取[J].中國激光，2019，46（3）：36-43.

[14]鄒焱飚，周衛林，陳向志.基于深度分層特征的激光視覺焊縫檢測與跟蹤系統研究[J].中國激光，2017，44（4）：95-106.

[15]邵家鑫，都東，朱新杰，等.基于Ｘ射線數字化圖像處理的雙面焊焊縫缺陷檢測[J].焊接學報，2010，31（11）：21-24.

[16]鄒媛媛，左克鑄，房靈申，等.基于最小二乘支持向量機的激光拼焊焊縫識別[J].焊接學報，2019，40（2）：77-81.

[17]劉進芬，倪曉波，李永博.基于圖像分割的醫學細胞圖像增強算法研究[J].物聯網技術，2023，13（2）：40-41.