脉冲红外热波检测的图像序列处理与缺陷边缘识别

唐庆菊，刘元林，梅 晨

(黑龙江科技大学 机械工程学院，哈尔滨 150022)

脉冲红外热波检测的图像序列处理与缺陷边缘识别

唐庆菊，刘元林，梅 晨

(黑龙江科技大学 机械工程学院，哈尔滨 150022)

针对脉冲红外热波检测热障涂层结构脱粘缺陷构件时，所采集红外图像噪声较大和边缘模糊的问题，采用SVD奇异值分解算法对红外图像序列进行重构，实现了构件表面温度信号特征信息的提取。与原始热图相比，处理后的图像提高了对比度和信噪比。采用Canny、LOG等经典检测算子对缺陷进行边缘识别，并在分析其检测效果的基础上，提出了基于Retinex-分水岭-Canny算子的边缘检测混合算法，实现了热障涂层结构脱粘缺陷边缘的有效识别。

红外图像；奇异值分解；边缘检测；混合算法

在采用脉冲激励红外热波检测热障涂层结构脱粘缺陷构件时，因受脉冲热流不均、材料表面发射率不一致、周围环境噪声等影响，所采集到的红外图像往往噪声较大、边缘模糊[1]。为了提高红外图像信噪比，增强缺陷处的显示效果，目前主要采用非均匀性校正、增强、降噪、分割等方法，且处理对象大多为单幅图像。而脉冲红外热波检测获取的图像，是在热激励作用下构件表面不同时刻温度分布情况的动态图像序列，相比单幅图像蕴含更为丰富的缺陷信息。文中研究了奇异值分解算法(singular value decomposition,SVD)，并对脉冲红外热波检测图像序列进行重构。在分析Canny、LOG等经典算子检测效果的基础上，提出了基于Retinex-分水岭-Canny算子的边缘检测混合算法，对热障涂层结构脱粘缺陷边缘几何特征进行识别。

1 SVD算法的图像序列处理

1.1 步骤与方法

对重构的缺陷相空间矩阵进行奇异值分解(singular value decomposition,SVD)后，其空间与时间基向量包含了缺陷静态空间与动态热量变换的特征信息[2-4]。在脉冲红外热波检测实验中，由红外热像仪采集获得的每帧图像，均可由各像素点对应的温度值所构成的二维矩阵进行表示，如式(1)所示。红外图像序列即为各帧图像对应二维矩阵按时间顺序排列组成的三维数组矩阵。

(1)

采用SVD算法对图像序列进行重构，首先将三维数组矩阵转换成二维矩阵，但同时保证不丢失包含温度信号的矩阵元素，具体实现步骤为：

(1)从图像序列中第1帧对应二维矩阵的第1行元素开始，将第2行元素按顺序全部并入第1行元素的末尾，以此类推，将所有行的元素都并到第1行，从而将二维矩阵转换成一维行向量矩阵。

(2)将步骤(1)得到的矩阵转置，转化为一维列向量矩阵，如式(2)所示：

Xf=[x11,x12,…，x1n,…,xm1,xm2,…,xmn]T。

(2)

(3)假设待处理的红外图像序列共有t帧，则经转换后得到t个一维列向量矩阵，对其按照行方向依次排列，构成新二维矩阵B，如式(3)所示：

B=[X1,X2,…,Xt]，

(3)

式中：Xi(i=1,2,…,t)——转换得到的一维列向量矩阵。

(4)为进一步降低图像序列采集过程中动态噪声的影响，在采用SVD算法处理矩阵B前，首先对其进行归一化处理，如式(4)所示：

(4)

式(4)中：

(5)

(6)

经处理后的图像序列，温度信息方差变为1，且去除了直流分量，更有利于对(m×n)×t的二维矩阵B进行SVD操作。

(5)二维矩阵B经过奇异值分解处理可得式(7)：

(7)

式中：s——每帧图像的像素数，s=m×n。

经上述处理后，即可获得包含空间变量的经验正交基的矩阵U，对式(2)～(3)将二维矩阵转换为一维矩阵的操作进行逆操作，得SVD算法处理后的图像。

定义图像信噪比如式(8)：

S=|Td-Tnd|/Snd,

(8)

式中：Td——缺陷区域的像素值平均值；

Tnd——无缺陷区域的像素值平均值；

Snd——无缺陷区域的像素值标准差。

1.2 结果与分析

设置光源输出功率2 000 W、脉宽15 s、采样频率60 Hz、采样时间20 s，采用红外热像仪A325SC，对内部含有脱粘缺陷的热障涂层构件进行检测实验，获得大小为240×320×1 200的红外图像序列。

图1a和b分别为减背景处理后的最佳对比度图像和经SVD算法处理后的图像，根据式(8)计算，其信噪比大小分别为3.536和5.382。由图1和信噪比计算结果可知，经SVD算法处理后，有效提高了图像信噪比，缺陷区域与无缺陷区域的分界更加清晰，有利于更加准确地对缺陷位置和边缘进行判定与识别。

在脉冲红外热波检测实验中，高能脉冲闪光灯作为热激励源，容易产生构件表面加热不均现象。由图1a可见，右下角无缺陷区域相较于其他无缺陷区域温度有明显差异；由图1b可知，经SVD算法处理后，有效降低了加热不均的影响。为了更直观地表现上述效果，用式(4)～(6)分别对图1a和b进行标准化运算处理，使其处于同一数量级，并分别取图像中同一截线绘图，图2给出了图像处理前后热波信号的比较。

a 减背景处理后最佳对比度图像

b SVD算法处理后图像

图2中中间波峰和波谷表示缺陷区域，波峰和波谷两侧表示无缺陷区域。由图2可见，经SVD算法处理后的图像像素值在区域内波动明显减小，左右两侧数据的差距变小，说明处理后图像有效降低了加热不均对检测结果的影响。

图2 图像处理前后热波信号的比较Fig.2 Comparison of thermal wave signal before and after image processing

2 经典检测算子的红外图像边缘识别

图像边缘是指图像灰度在空间中发生突变的像素集合，通过检测图像灰度在空间突变的位置，可提取图像包含的边缘特征信息[5-6]。图3给出了基于经典边缘检测算子的缺陷边缘识别结果。

a 待检测图像

b Sobel

c Roberts

d Prewitt

e LOG

f Canny

由图3可知，Roberts算子几乎没有检测到缺陷边缘。Sobel和Prewitt算子对图像边缘提取不够精细，边界比较模糊，存在对缺陷边缘识别不全甚至有漏检缺陷的问题。Canny和LOG算子识别出了图像中大部分缺陷边缘，但同时也包含了大量冗余边界信息，对缺陷识别造成一定干扰。

3 混合算法的缺陷边缘检测

3.1 Retinex算法的红外图像增强

Retinex算法[7]的基本原理是在一幅图像中，忽略透射光影响，同时获得物体反射基本特性，以得到物体原本图像形态。该算法可用于实现红外图像的增强。

对经SVD处理后的图1b进行灰度变换并采用Retinex算法进行处理，结果如图4所示。比较图1b和图4b可知，经过Retinex处理后，有效提高了图像对比度，缺陷边缘轮廓更加明显，为后续图像分割奠定了基础。

a 灰度变换

b Retinex处理

3.2 分水岭算法的红外图像分割

分水岭算法是一种基于形态学理论衍生出的图像分割算法[8-9]，采用该算法可实现对红外图像的分割，从而进一步对构件中缺陷与无缺陷区域进行区分。实现步骤如下：

(1)选择结构元素

形态学图像分割处理中，通过标记图像中能与结构元素相匹配的坐标，可获取有关图像结构的信息。在分水岭变换前使用的Top-Hat变换中，结构要素圆盘大小根据图像中的对象平均半径进行估计；在灰度值开运算中，圆盘大小根据图像局部极小值进行确定。

(2)增强图像对比度

采用Top-Hat和Bottom-Hat变换，对红外图像进行对比度增强操作，定义为：

Hat(A)=A-(A∘ B)，

(9)

(10)

式中：A——处理图像；

B——圆盘结构元素。

灰度值开运算定义为

A∘B=(AΘB)⊕B。

(11)

利用对偶性，将灰度值闭运算定义为：

A·B=-[(-A)∘ (-B)]。

(12)

将式(11)代入式(9)得：

Hat(A)=A-(AΘB)⊕B。

将式(12)代入式(10)得：

在灰度值图像处理中，Top-Hat变换又称波峰检测器，可实现在暗背景下检测相对较亮的区域；Bottom-Hat变换又称波谷检测器，可实现在亮背景下检测较暗的区域。因此，将以上两种变换结合，可有效检测出红外图像中的波峰和波谷。

(3)谷点检测

主要包括增大对象间间隙、转换待测区域的对象和谷点检测等。通过照亮图像中的谷点，使其能更好地被检测到，便于后续的分水岭变换。

(4)分水岭变换和灰度值开运算

经上述处理后，对谷点检测后的图像进行分水岭变换。对于在分水岭区域中的像素，其像素值设置为1，否则设置为0。然后采用灰度值开运算，进一步增强图像中缺陷边缘显示效果。

采用以上步骤和方法，对图4b所示图像进行处理，图5给出了基于分水岭算法的红外图像分割。图5a～5f依次为经过Top-Hat变换、Bottom-Hat变换、对象间的间隙增大、谷点检测、分水岭变换、灰度值开运算处理后的图像。由图5可知，经分水岭算法处理后的图5f与图4b相比，有效抑制了缺陷区域附近的无用信息，增强了图像对比度，实现了构件缺陷与无缺陷处区域的图像分割和特征提取。

a Top-Hat变换

b Bottom-Hat变换

c 对象间的间隙增大

d 谷点检测

e 分水岭变换

f 灰度值开运算

3.3 Canny算子的缺陷边缘检测

对经Retinex-分水岭算法处理前、后的图像采用Canny算子进行缺陷边缘检测，结果如图6所示。

a 未处理

b 处理后

由图6可知，在经Retinex-分水岭-Canny算子的混合算法处理后的图像中，缺陷边缘轮廓更加清晰，连续性好，且有效减少了图像中大量冗余边界信息，大大降低了图像噪声对缺陷边缘识别和判定的影响，提高了对缺陷几何特征提取的效果。

4 结束语

针对脉冲红外热波检测热障涂层结构脱粘缺陷构件所采集图像序列的特点，研究了序列重构和缺陷边缘识别算法。采用SVD奇异值分解算法对红外图像序列进行了重构，实现了构件表面温度信号特征信息的提取，与原始热图相比，处理后的图像提高了对比度和信噪比，缺陷区域与无缺陷区域的分界更加清晰，说明SVD奇异值分解算法有效降低了脉冲红外热波检测过程中脉冲热流对构件加热不均、材料表面发射率不一致、周围环境噪声等因素的影响。在分析Canny、LOG等经典算子检测效果的基础上，提出了基于Retinex-分水岭-Canny算子的边缘检测混合算法，不仅减少了图像中大量冗余边界信息，而且缺陷边缘轮廓更加清晰，连续性好，说明所提出的混合算法可实现热障涂层结构脱粘缺陷边缘几何特征的有效识别。该研究可进一步增强脉冲红外热波检测技术探测缺陷的能力，为缺陷的定量化检测奠定一定的基础。

[1] Tang Q,Bu C,Liu Y,et al.A new signal processing algorithm of pulsed infrared thermography[J].Infrared Physics & Technology,2015,68: 173-178.

[2] Liu W.Additive white gaussian noise level estimation in SVD domain for images[J].IEEE Transactions on Image Processing,2013,22(3): 872-83.

[3] Fioranelli F,Ritchie M,Griffiths H.Personnel recognition based on multistatic micro-doppler and singular value decomposition features[J].Electronics Letters,2015,51(25): 2143-2145.

[4] Torkamani A F,Imani H,Fathollahian H.Video quality measurement based on 3-D singular value decomposition[J].Journal of Visual Communication & Image Representation,2015,27: 1-6.

[5] Sneha A，Sanyam A.A new approach for image steganography using edge detection method[J].International Journal of Innovative Research in Computer and Communica-tion Engineering,2013,1(3): 626-629.

[6] Saif J A M,Hammad M H,Alqubati I A A.Gradient based image edge detection[J].IACSIT International Journal of Engineering and Technology,2016,8(3): 153-156.

[7] Wen H,Bi D,Ma S,et al.Variational retinex algorithm for infrared image enhancement with staircase effect suppression and detail enhancement[J].Acta Optica Sinica,2016,36(9): 0911005.

[8] 孙 伟，王宏飞，邵锡军.基于改进分水岭算法的红外图像分割[J].红外与激光工程，2006,35: 31-37.

[9] Ramya L,Sasirekha N.A robust segmentation algorithm using morphological operators for detection of tumor in MRI[C]//International Conference on Innovations in Information,Embedded and Communication Systems，IEEE,2015: 1-4.

(编校 王 冬)

Image sequence processing and defect edge identification in pulsed infrared thermal wave detection

TangQingju,LiuYuanlin,MeiChen

(School of Mechanical Engineering,Heilongjiang University of Science & Technology,Harbin 150022，China)

This paper is aimed at overcoming a greater noise and fuzzier edge in the infrared images,as occurs in the detection of thermal barrier coating debonding defects.The research involves reconstructing the infrared image sequence using singular value decomposition algorithm; extracting the feature information of component surface temperature signal; improving the contrast and signal-to-noise ratio of the processed image relative to the original image; detecting the edge of defects using Canny,LOG and other classical detection operators; and based on the analysis of the detection results,proposing a hybrid edge detection algorithm based on Retinex-watershed-Canny operator and thereby achieving an effective identification of the edge of thermal barrier coating debonding defects.

infrared image; singular value decomposition; edge detection; hybrid algorithm

2017-02-23

国家自然科学基金项目(51403139)；黑龙江省省院科技合作项目(YS15A10)

唐庆菊(1981-)，女，山东省德州人，副教授，博士，研究方向：光声光热效应无损检测新技术，E-mail：tangqingju@126.com。

10.3969/j.issn.2095-7262.2017.02.022

TP391.41

2095-7262(2017)02-0200-05

A