基于形态学和OTSU算法的红外图像降噪及分割

徐 超，冯辅周，闵庆旭，孙吉伟，朱俊臻



基于形态学和OTSU算法的红外图像降噪及分割

徐 超，冯辅周，闵庆旭，孙吉伟，朱俊臻

（装甲兵工程学院 机械工程系，北京 100072）

在涡流热像技术中，图像处理是进行缺陷特征提取和识别的关键基础，而增强的图像有助于提高涡流热像技术的检测效果。利用多种常用的红外图像处理方法进行增强处理，旨在解决红外图像信噪比不高、缺陷对比度低等问题。首先分析了噪声来源，通过算术运算对涡流红外图像进行预处理，然后采用基于形态学权重的自适应算法进行形态学降噪，最后利用二维最大类间方差法（OTSU）对图像进行分割。定性和定量分析结果均验证了该方法的有效性和适用性，研究成果为红外图像的特征提取和缺陷识别奠定了方法基础。

涡流热像；红外图像；形态学降噪；图像分割

0 引言

涡流红外热像技术是一种新型的无损检测方法，主要用于导电材料的无损评估，其有效结合涡流检测和红外热成像技术，具有快速、准确和高分别率的优点[1-2]。受红外热像仪灵敏度的限制、噪声的干扰以及目标与背景的温差相对较小的特点[3]，使得红外图像的灰度级较少，对比度较低，其信噪比也较可见光图像的低[4]。利用红外图像进行缺陷特征提取和识别时，图像处理是关键基础，研究成果有助于提高涡流热像技术的检测效果，因此对涡流红外图像的处理和研究具有重要的现实意义。

国内外针对图像处理方面的研究已经广泛开展，特别是随着红外无损检测技术的发展，越来越多的新方法被运用到红外图像的增强中。图像增强的方法包含两大类：空间域方法和变换域方法[5]。空间域方法直接是图像的灰度值进行处理，如直方图均衡化是通过某种变换对图像灰度范围进行拉伸，王炳健[4]提出了平台直方图均衡（Plateau Histogram Equalization, PHE）及其变换形式，Kim[6]提出了平均维持双向直方图均衡（Brightness Preserving Bi-Histogram Equalization, BBHE），Chen[7]提出了递归均值直方图均衡（Recursive Mean-Separate Histogram Equalization, RMSHE），这些方法在增强的同时也放大了噪声淹没有用信息，而且图像整体亮度不高，对比度低。变换域方法是将图像变化到某种域（如频域、小波域、模糊域）里进行处理，然后再反变换回来，得到增强的图像。近年来，多尺度小波变换以良好的时频分析特性得到广泛的应用[8-9]，但是二维小波变换只能表示水平、垂直和对角3个方向，造成图像边缘和细节的模糊。

针对现有算法中的不足，提出基于形态学权重的自适应算法进行形态学降噪，克服了传统形态学中一定程度上侵蚀、淹没或放大目标区域，以及对高噪声、小目标的红外图像处理效果不稳定等缺点，有效增强了红外图像的轮廓特征并对噪声有了一定的抑制作用。然后利用二维OTSU对图像中的目标区域进行分割，以获取目标和背景高对比度的图像。

1 图像预处理

1.1 噪声来源

红外图像是由目标的红外辐射信号转换得到的，非常容易受噪声干扰，且红外噪声与可见光无必然关系。通常，红外图像中的噪声主要来源于图像的获取过程和传输过程[10]。研究表明：绝大部分的噪声都可以用高斯白噪声、椒盐噪声或者两者的混合噪声来表示，其中椒盐噪声是在红外图像处理中广泛存在的一种对图像质量破坏严重的噪声。在实验过程中，红外图像易受到的干扰源主要是外界辐射源和空气对流。

1.2 算术运算

算术运算作为图像预处理的首要步骤，用于消除较为固定的系统噪声，主要包括加法和减法运算。其中，图像减法运算通过将待处理图像的像素对应值与背景图像相减以增强图像对比度，又称减背景，可用公式表示为：(,)＝(,)－(,)，其中(,)和(,)分别表示待处理图像和背景图像上坐标为(,)的像素点的灰度值。在涡流红外热像技术中，激励开始前的图像即为背景图像，以后所获得的每帧图像都可以作为待处理图像，通过减背景操作去除背景信息，有效增强图像对比度，即可得到含噪声的被测对象的温度变化信息。此方法可以显著消除环境的静态噪声。

由于涡流激励的特性，在试件边缘生热即边缘效应，会淹没裂纹生热，因此，采用一个相同尺寸且无裂纹的试件作为参照，去除边缘效应的影响。

2 基于形态学权重的自适应降噪

2.1 形态学开-闭级联

形态学的基本思想是具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的[11]。形态学的开运算可以过滤红外图像的噪声，而形态学闭运算可以增强图像中的低灰度区域[12]。因此，采用形态学开-闭级联形式，实现对红外图像的增强，形态学开-闭级联定义为：

2.2 权重多结构形态学

采用不同形状的结构元素对涡流红外图像进行多结构形态学开-闭运算，每种不同结构元素的开-闭运算可表示为A（＝1,2,3,…,），原始红外图像连续做两次形态学开-闭运算，进而构成一个串联结构，如图1所示。

图1 开-闭运算串联结构

串联增强后将不同的串联结构进行并联，形成串-并联复合结构，如图2所示。由于每个开-闭运算级联采用的结构元素不同，并联结构可以继承各个开闭运算级联的优点，增强效果是串联结构的叠加，弥补串联结构的单一性。

图2 串-并联复合结构

针对涡流红外图像目标弱小，轮廓形状简单的特点，本文的形态结构元素采用不同角度的线性结构。在具体实现过程中，采用不同结构元素的开-闭运算A的串联增强结果与原始图像的差异值作为权值向量P，则形态学自适应权值计算公式为：

Q＝P/(1＋2＋…＋P) (2)

式中：Q为不同形状元素的开-闭运算A的权值。

若输入图像为(,)，经过图1所示的串联增强结果为L(,)，则图2所示的形态学自适应权值算法得到的输出图像(,)为：

3 基于二维OTSU算法的图像分割

OTSU是经典的阈值分割算法，是由大津展之提出的[13]。该方法是一种无监督无参数的自动阈值分割方法，计算简单，分割效果良好。由于一维OTSU直方图信息量的局限性，研究人员提出了二维OTSU，分割效果得到了很大的改善[14-16]。

二维OTSU运用灰度和邻域平均灰度构造二维直方图，在二维空间上计算阈值。对于一幅×的图像，用(,)表示图像上坐标为(,)的像素点的灰度值，(,)表示图像上坐标为(,)的像素点的3×3邻域平均灰度值。(,)和(,)都为级（灰度级），构成一个二维空间，二元组(,)出现的频数为c，则定义相应的联合概率密度p为：

p＝c/(,＝1,2,…,) (4)

图3 二维直方图区域划分

假设在二维直方图被分割阈值(,)分为4部分，其中，1和4对应于背景和目标，2和3对应于边缘和噪声，背景和目标出现的概率密度分别如式(5)和(6)所示：

在二维OTSU中2、3的概率之和为0，即：

0＋1≈1。

背景和目标两类对应的均值矢量如式(7)和(8)：

直方图上总的均值矢量如下式：

以此类推，可以得到，二维OTSU的多阈值公式为：

＝(0×0－1s)2＋(0×1－1t)2＋

(1×0－1s)2＋(1×1－1t)2＋

(w×0－1s)2＋(w×0－1t)2(10)

4 处理结果及分析

4.1 实验系统及图像采集

如图4所示，电涡流脉冲热成像无损检测系统主要包括感应加热源、红外热像仪、脉冲发生器、计算机、感应线圈及其他辅助检测设备。感应加热源产生高频交流电，并通过感应线圈提供涡流激励，加热被测试件；红外热像仪通过测量被测对象的红外热辐射对其表面热分布进行成像。热像仪的温度分辨率为0.035℃。为满足大部分材料的检测需求，激励源采用最大功率为2.4kW、最大电流为400A及激励频率范围为150～400kHz的感应加热模块。本实验中，线圈采用空心铜管制作，铜管直径为8mm，形状呈平面矩形螺旋状。被测试样为含预制疲劳裂纹的45钢平板，如图5所示。

图4 电涡流脉冲热成像无损检测系统

检测时，线圈和热像仪都置于试件之上，以在被测试件表面产生平行于线圈边缘的涡流场。同时，被测试件表面喷涂一层黑色哑光漆以增强表面发射率。激励时间设置为0.2s，功率为100%，获取的红外热图像如图6所示。

图5 被测试件示意图

图6 热像仪采集的原始红外图像

4.2 实验结果分析

本文算法在MATLAB软件平台上实现，实验图像为涡流激励下含贯穿疲劳裂纹金属平板的红外热图像。为了验证本文算法的降噪增强效果，利用直方图均衡化算法、小波降噪、形态学开闭运算等算法来对比分析。

图7给出了涡流红外热像的原图、减背景以及去边缘效应的图像，可以看出：原始图像对比度低，噪声严重，减背景后的图像对比度得到增强，但存在噪声和边缘效应，通过去除边缘效应仅留下裂纹区域的生热信息，椒盐噪声依然存在。

图7 算术运算处理结果

Fig.7 Arithmetic results

图8给出了不同算法的降噪增强效果对比图，可以看到：直方图均衡化虽然能增强目标区域，但是放大了噪声，图像整体效果较差；小波降噪效果较好，一定程度上去除了噪声和增强了对比度；先开后闭运算淹没了目标区域，先闭后开运算使图像模糊，对比度降低；而基于形态学权重自适应增强算法明显去除椒盐噪声，提高对比度，目标区域轮廓清晰，其范围也没有发生缩放，克服了传统形态学算法的不足，降噪效果最佳。

图8 不同降噪算法对比图

进一步，本文采用峰值信噪比（PSNR）来定量评价降噪效果，其峰值信噪比定义如下：

式中：Y和X分别表示降噪后的图像和原始图像；、分别表示的图像的行列。

PSNR值越大，说明降噪能力越强，上述的降噪方法的PSNR曲线如图9所示。可以看到：基于形态学权重的自适应降噪方法的PSNR值最大，优于其他传统方法，降噪效果最佳。

图9 PSNR对比直方图

对形态学权重的自适应增强后的图像（图8(f)），进行OTSU分割，如图10所示，分割效果较好并且边缘清晰，将目标区域完整地分割了出来。

5 结论

针对涡流热像技术中的红外图像缺陷、对比度差等问题，提出了一种自适应图像增强算法。基于形态学的权重自适应算法对图像降噪，不仅目标区域被真实无损还原，而且改进了传统形态学降噪效果不佳的缺点，对比几种常用的降噪方法，并用PSNR来度量图像的降噪效果。定性和定量分析证明了本文提出的算法具有良好的降噪效果。通过OTSU分割，目标区域被完整分割，分割效果较好并且边缘清晰。研究成果为后续图像序列的特征提取和缺陷识别奠定了良好的图像基础。

图10 OTSU分割后的图像

[1] HE Yunze, PAN Mengchun, CHENDixiang, et al. Eddy current step heating thermography for quantitatively evaluation[J]., 2013, 103(19):023112-2698.

[2] Weekes B, Almond D P, Cawley P, et al. Eddy-current induced thermography—probability of detection study of small fatigue cracks in steel, titanium and nickel-based superalloy[J]., 2012, 49:47-56.

[3] 张秀君, 孙晓丽. 分段线性变换增强的自适应方法[J]. 电子科技, 2005(3):13-16.

ZHANG Xiujun, SUN Xiaoli.Adaptive method for enhancement of piecewise linear transformation[J]., 2005(3): 13-16.

[4] 王炳健, 刘上乾, 周慧鑫, 等. 基于平台直方图的红外图像自适应增强算法[J]. 光子学报, 2005, 48(2):77-82.

WANG Bingjian, LIU Shangqian, ZHOU Huixin, et al. Adaptive enhancement algorithm for infrared image based on platform histogram [J]., 2005, 48(2):77-82.

[5] 张晓杰. 红外图像处理及弱小目标检测方法研究[D]. 南京: 南京航空航天大学, 2012.

ZHANG Xiaojie. Infrared image processing and weak target detection method[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2012.

[6] Kim Y T. Contrast enhancement using brightness preserving bi-histogram equalization[C]//, 1997, 43(1):1-8.

[7] CHEN S D, Ramli A R. Contrast enhancement using recursive mean-separate histogram equalization for scalable brightness preservation[J]., 2003, 49(4): 1301-1309.

[8] 康志亮. 基于小波的红外图像增强算法研究[D]. 成都: 电子科技大学, 2008.

KANG Zhiliang. Research on Infrared Image Enhancement Algorithm Based on Wavelet[D]. Chengdu: University of Electronic Science and Technology of China, 2008.

[9] 祁燕, 宋凯. 基于小波多尺度的图像增强新算法[J]. 微计算机信息, 2010, 26(10):133-134.

QI Yan, SONG Kai. Image enhancement algorithm based on wavelet mltiscale[J]., 2010, 26(10):133-134.

[10] 王圳萍, 张家树, 陈高. 加权低秩矩阵恢复的混合噪声图像去噪[J]. 计算机科学, 2016, 43(1):298-301.

WANG Zhuping, ZHANG Jiashu, CHEN Gao. Weighted low-rank matrix recovery for hybrid noise image denoising[J]., 2016, 43(1): 298-301.

[11] 王树文, 闫成新, 张天序, 等. 数学形态学在图像处理中的应用[J]. 计算机工程与应用, 2004, 40(32):89-92.

WANG Shuwen, YAN Chengxin, ZHANG Tianxu, et al. Application of mathematical morphology in image processing[J]., 40(32):89-92..

[12] 王启银, 薛建东, 任新辉. 一种自适应的变电站设备红外图像分割方法[J]. 红外技术, 2016, 38(9):770-773.

WANG Qiyin, XUE Jiandong, REN Xinhui. An adaptive infrared image segmentation method for substation equipment[J]., 2016, 38(9): 770-773.

[13] Ohtsu N. A Threshold selection method from gray-level histograms[J]., 1979, 9(1):62-66.

[14] 刘健庄, 栗文青. 灰度图像的二维Otsu自动阈值分割法[J]. 自动化学报, 1993, 19(1):101-105.

LIU Jianzhuang, LAI Wenqing. Two-dimensional Otsu automatic threshold segmentation method for gray image[J]., 1993, 19(1):101-105.

[15] 范九伦, 赵凤. 灰度图像的二维Otsu曲线阈值分割法[J]. 电子学报, 2007, 35(4):751-755.

FAN Jiulun, ZHAO Feng. Two-dimensional Otsu curve threshold segmentation of gray image[J]., 2007, 35(4): 751-755.

[16] 吴一全, 潘喆, 吴文怡. 二维直方图区域斜分阈值分割及快速递推算法[J]. 通信学报, 2008, 29(4):77-83.

WU Yiquan, PAN Zhe, WU Wenyi. Calculation of fast diagonal threshold and fast recursion algorithm for two-dimensional histogram[J]., 2008, 29(4):77-83.

Infrared Image Denoising and Segmentation Based on Morphology and Otsu Method

XU Chao，FENG Fuzhou，MIN Qingxu，SUN Jiwei，ZHU Junzhen

(,,100072,)

In eddy current thermography, image processing is the key basis of defect feature extraction and recognition, and the enhanced image is helpful to improve the detection effect. Therefore, a method combining three infrared image processing algorithms is introduced to enhance the infrared image in order to solve the problems of low SNR and contrast of infrared images. Based on analyzing the noise sources, eddy current infrared images are preprocessed by arithmetic calculation and the adaptive algorithm based on morphological weight is used to reduce the noise. Further, the images are segmented by 2D OTSU algorithm. The validity and applicability of the proposed method are both qualitatively and quantitatively verified. This study aims to provide a basis for defect feature extraction and recognition.

eddy current thermography，infrared image，morphological noise reduction，image segmentation

TP301.6

A

1001-8891(2017)06-0512-05

2017-01-11；

2017-04-07.

徐超（1992-），男，硕士研究生，主要从事涡流热像技术中图像处理方法研究。E-mail：xchao2011@163.com。

冯辅周（1971-）男，教授，博士，主要从事无损检测等研究。

无损检测技术教育部重点实验室（南昌航空大学）开放基金（ZD201529007）。