基于频域信息与梯度特征融合的接触轨面缺陷检测

赵奕开 郑树彬 李立明

摘 要：为了提高针对接触轨表面缺陷的检测效率，提出一种基于频域信息与梯度特征的轨面缺陷检测算法。四元数傅里叶变换算法可以通过图像颜色、亮度、与运动特征来计算图像显著性，分析获得图像的频谱和相位;并在空域中计算构建相应的缺陷目标显著图，得到缺陷区域;并通过以图像梯度算法与四元数傅里叶变换结合的方式进行显著图像效果增强，最终完成检测，且进行了实验验证。实验结果表明，融合算法对于接触轨中常见的若干种缺陷类型都能够做到实时、稳定、快速的识别分析，且误检、漏检率较低。

关键词： 接触轨缺陷检测;显著性检测;四元傅里叶变换;图像梯度

【Abstract】 In order to improve the efficiency of rail surface defect detection， a rail surface defect detection algorithm based on frequency domain information and gradient features is proposed. Quaternion Fourier transform algorithm can calculate image saliency by image color， brightness， and motion characteristics， and get the spectrum and phase of the image; then calculate and construct the corresponding defect target saliency map in spatial domain to get defect area; and enhance the image effect by combining image gradient algorithm with quaternion Fourier transform， finally complete the detection. The results are tested and verified by experiments. The experimental results show that the algorithm can identify and analyze several common types of defects in contact rails in real time， stably and quickly， and the rate of false detection and missed detection are low.

【Key words】  track defect detection; saliency detection; quaternion Fourier transform; image gradient

0 引 言

在地铁运行系统中，稳定的电源供应是保证机车运行的必要条件之一，大部分地铁线路主要采用具有结构简单、稳定性好、简洁美观等优点的接触轨受流方式。但由于常年高强度的使用，表面常会出现许多缺陷，如擦伤、疤痕、裂痕等，对列车的行驶安全造成隐患。本文将针对常见缺陷提出一种更高效简便的检测算法。

2007年，Hou等人 [1]提出了谱残差显著性检测算法（spectralresidual，SR），根据图像的频谱信息计算图像显著性;该方法具有原理清晰、代码简洁、无需调整参数的特点。除此之外，还有基于傅里叶频率调谐的显著性检测算法（frequency-tuned，FT）[2]、基于图像签名的显著性检测（image signature，IS）[3]以及基于脉冲离散余弦变换的显著性检测算法（pulse discrete cosine transform，PCT）[4]等。在基于傅里叶变换的图像显著性检测中，Guo等人[5]提出了一種针对图像亮度特征进行傅里叶变换的图像显著性检测模型（phase spectrum of quaternion Fourier transform，PFT），通过得到相位谱的傅里叶反变换定义图像显著性。得到了优于其他基于相同原理算法的显著图;并在此基础上提出了使用图像的2个独立颜色特征、一个亮度特征和一个视频序列的运动特征来计算视频显著性的基于四元数的傅里叶相位谱显著性检测模型（phase spectrum of quaternion Fourier transform，PQFT）[5]。该显著性检测模型结合了图像中包含的静态特征与运动特征进行检测;并且四元数傅里叶变换算法相对于传统傅里叶变换算法来讲弥补了其只能处理单一特征的缺点。不仅如此，由于PQFT算法融合了运动特征，因此在视频序列的显著性检测上也具有很好的表现。

为了提高针对接触轨表面常见缺陷的检测效率，本文提出一种基于图像频域信息与梯度特征的轨面缺陷检测算法。首先，本文采用同态滤波预处理的方法，设计了针对高、低频分量影响不同的滤波函数，减弱图像低频部分，扩大高频部分，做到既减弱图像噪声影响，同时又增强了缺陷目标和背景的对比度。其次，以图像梯度算法与PQFT算法结合的显著图像增强算法，分析获得图像的频谱和相位谱，通过计算在空域中构建相应的缺陷目标显著图，得到缺陷区域，最终完成检测。本文对此拟展开研究论述如下。

1 缺陷显著性检测

本文检测算法流程如图1所示。其中，接触轨成像系统由负责拍摄的高速面阵相机、负责恒定亮度的LED光源以及负责调整角度的高精度相机调节设备等部分共同组成。

研究中，为消除采集到的图像效果因外界因素干扰而产生对后续检测造成的不必要影响，本文将通过同态滤波处理的方式对图片进行预处理，加深缺陷区域与普通无伤轨面的对比差异;同时对图像进行频域空间幅值信息的分析与获取相位谱信息;再通过图像梯度算法来对图像做进一步处理，突出边界信息，最终实现显著性区域的识别，完成检测。

2 缺陷检测算法

2.1 图像滤波预处理

同态滤波属于频域滤波的类别。同态滤波的优点在于可以解决普通频率滤波难以解决的乘性噪声或卷积性噪声（非线性噪声）。

通过对此类噪声进行一系列数学运算可将其转换成加性噪声，再用线性滤波方法进行分离处理，处理结束后再通过反变换运算输出处理后的图像。其运算流程如图2所示。

2.3 基于图像梯度与四元数傅里叶变换算法结合的显著图像增强

为了进一步提高上文所得到缺陷显著性图的清晰度，本文将图像梯度与PQFT算法相结合，来有效实现显著信息增强。

在一幅图像中，图像梯度能够表现为边缘与结构的关系;视觉显著性则可以表示一幅图像中针对人类视觉最具吸引力的区域。

因此研究中可将上述2种表现方式结合，即当图片中的待检测区域既有边缘结构、又同时为视觉显著性区域时，则可更清晰地得到缺陷显著图[9]。实验结果如图5所示。由图5可以观察到，利用此种算法可以更加精准地获得接触轨面缺陷显著性图。

作为数字图像处理的重要内容，梯度算法可以加强体现图像中重要目标和均质背景之间的突出变化。边缘检测是图像梯度性质最常应用的领域，其最重要性质是梯度方向体现在图像灰度最大变化率上[10]。而在现场采集图像中存在常见缺陷的接触轨表面上，发生缺陷的区域通常有着灰度值变化率较大的特点，故而可据此特点有效区分出背景区域与目标区域。同时，图片通过梯度算法处理后可以大幅减少数据量，消除大部分冗余背景信息，且保留了图像中显著度较高的边缘信息。研究推得该计算方法及公式表达可做重点阐释如下。

3 实验验证与结果分析

本文算法有效性的检验与实现是在Inter Core 2.6 Ghz CPU 4 GB内存4 GB Win10系统的PC机上通过Matlab软件进行识别检测。缺陷检测类型为常见的4类缺陷，即：疤痕、划痕、波纹擦伤、麻点。样本图像检测效果图如图6所示。

由于现场采集图像样本有限，本文通过对现有图片进行旋转、对称、裁剪、加噪等方法扩充实验样本数量，并对实验结果进行记录。分别记录其有效检测数量、漏检数量、误检数量，并随即计算出检测率、漏检率、误检率、此后再与其它算法检测结果进行横向对比。其中，记录x表示缺陷检出个数，y表示漏检个数，z 表示误检个数，n为缺陷样本总个数，各检测指标的数字定义为：检测率D=x/n，漏检率L=y/n，误检率E=z/n。算法检测结果对比见表1。

4 结束语

针对接触轨表面常见缺陷检测的实时性要求，以及对传统检测算法干扰噪声较多、检测效果以及效率不理想的问题，本文提出了一种基于图像频域信息与梯度特征的轨面缺陷检测算法。通过融合同态滤波方法去除光照不均匀的影响，构建了四元傅里叶变换显著性检测模型，同时通过融合图像梯度信息，最终实现了精准分割提取缺陷区域。

在实验验证中，通过本文算法对单幅图像进行平均检测的时间仅为34 ms，本文算法的优点在于：不仅检测速度快、准确度高;且算法复杂度低，对于接触轨中常见的若干缺陷种类，其平均检测率达到了95%，有效降低了缺陷的漏检率和误检率，且完全能够满足现阶段接触轨的检测需求。

参考文献

[1]HOU Xiaodi，ZHANG Liqing. Saliency detection： A spectral residual approach[C]/ / 2007 IEEE Computer Society Conference on Computer Vision and Pattern Recognition（CVPR 2007）. Minneapolis， Minnesota， USA： IEEE Computer Society，2007： 1-8.

[2]ACHANTA R，HEMAMI S，ESTRADA F，et al. Frequency-tuned salient region detection[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami， FL， USA： IEEE Computer Society，2009： 1597-1604.

[3]YU Ying， WANG Bin， ZHANG Liming. Pulse discrete cosine transform for saliency-based visual attention[C]//Proc of the 8th IEEE International Conference on Development and Learning.Shanghai， China：IEEE Press，2009： 41-46.

[4]HOU Xiaodi， HAREL J， KOCH C. Image signature： Highlighting sparse salient regions[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（1）：194-201.

[5]GUO Chenlei，MA Qi，ZHANG Liming.Spatio-temporal saliency detection using phase spectrum of quaternion Fourier transform[C]//2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR 2008）. Anchorage， Alaska， USA： IEEE Computer Society，2008： 2908-2915.

[6]ITTI L，KOCH C，NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（11）： 1254-1259.

[7]ENGEL S，ZHANG Xuemei，WANDELL B.Colour tuning in human visual cortex measured with functional magnetic resonance imaging[J]. Nature，1997，388（6637）：68-71.

[8]SANGWINE S J，ELL T A.The discrete Fourier transform of a colour image[C]//Image Processing II Mathematical Methods，Algorithms and Applications.Chichester UK：IEEE， 2000： 430-441.

[9]GUPTA R，CHAUDHURY S.A scheme for attentional video compression[J].Pattern Recognition and Machine Intelligence，2011，6744：458-465.

[10]鄧亚蒙. 图像梯度与谱残差结合的显著性检测方法[J].哈尔滨商业大学学报（自然科学版），2016，32（1）：80-83，94.