基于红外图像处理技术的钢构件损伤识别

邹兰林，许瀚文，周兴林

〈无损检测〉

基于红外图像处理技术的钢构件损伤识别

邹兰林，许瀚文，周兴林

（武汉科技大学 汽车与交通工程学院，湖北 武汉 430065）

针对现有红外图像处理算法在处理桥梁钢制构件损伤图像时信噪比差，对比度低，分辨率低，图像细节丢失，边缘模糊，损伤识别精准度差等问题，本文提出空域滤波与时域滤波结合的红外图像增强算法，以弥补现有算法不足，从多方位抑制图像背景噪声，增强图像细节信息，强化损伤边缘轮廓，实现钢构件损伤部位精准识别与提取，并结合清晰度，对比度，峰值信噪比，均方误差四大指标对处理结果进行定量评价，评价结果表明基于高频强调滤波与非线性灰度转换结合的红外图像增强算法切实可行，且针对红外图像检测下的钢构件损伤识别效果显著。

图像处理；高频强调滤波；非线性灰度变换；损伤识别

0 引言

钢制构件损伤程度是诸多构筑物性能评价的重要参数。近年来，红外无损检测技术凭借其高精度，无损，便捷等特点在钢制构件的探伤中应用越来越广泛。根据钢构件在荷载作用下的应力集中原理，利用锁相红外热像仪观测荷载作用下的钢构件表面温度变化序列热图，再运用MATLAB图像处理技术对钢构件温度变化信息进行处理与提取，就能够达到对钢构试件损伤部位的定量表征的目的[1]。但是因为实验环境，仪器性能等诸多因素的影响，造成红外序列热图固有噪声明显，对比度与清晰度较低，伪影与振铃现象明显，严重影响钢构试件损伤部位的细节像素点识别定位[2-4]。

因此，对红外图像的噪声滤除，增强细节信息，强化损伤边缘轮廓的相关研究成为了众多学者关注的重点。传统处理方法虽然解决了图像的椒盐噪声以及高斯白噪声，但处理结果中振铃现象明显，分辨率较低，无法精确识别损伤部位[3]。刘丽等[4]学者提出的多尺度高帽低帽变换钢构裂纹红外图像优化算法，虽然能够抑制图像噪声提高图像对比度，但处理结果边缘存在弱化情况，不利于损伤部位判别提取；尹士畅[4]等人提出小波变换的红外图像增强算法，强化边缘信息但后期图像局部存在伪影和噪声，损伤部位较为模糊不便提取；贾文晶等学者提出改进直方图均衡法，对比度和清晰度较高但图像噪声处理情况效果不显著，局部高斯白噪声对后期损伤识别干扰较大[3]。因此本文提出以高频强调滤波与非线性灰度转换结合的红外图像增强算法。对图像噪声和伪影情况进行了有效处理，同时完整保留了图像的细节，强化了边缘轮廓，并且提高了图像的清晰度和对比度，更加精准地提取了钢构件损伤部位信息。

1 研究方法

1.1 实验原理

根据变形体热弹性效应理论，可以对非接触性桥梁钢构进行无损检测，并根据应力集中情况对损伤情况进行判别。试件在热弹性效应下表面温度在一特定平均温度附近发生周期变化，而根据应力集中原理，损伤部位处的温度会出现极端化表现，通过红外图像处理技术就能将该变化以几何形式展现[5-6]。

对于均质且各项同性的钢制构件，其应变和热弹性温度变化的关系式为：

式中：为钢材绝对温度；为钢材密度；为恒应变下的比热容；为应力变化张量；为热量输入，且当加载频率大于3Hz时该公式成立。

本实验加载频率l＝5Hz，方程成立，通过公式(2)结合钢构试件表面温变规律进行结构受力状态分析：

在热弹性应力理论基础之上借助于红外热图像处理技术能够直接呈现桥梁钢制承载构件的应力变化规律。并且能够直观地从图像上确定钢构件损伤部位的几何信息，为构筑物整体结构评估奠定了坚实基础。

1.2 实验研究

本文采用带圆孔钢板为实验对象，如图1所示，钢构件长度为0.3m，宽度为0.05m，厚度为0.002m，中部圆孔半径为0.006m，构件底端固定，上端以5Hz频率为施加幅值为－1×108～1×108N/m2的周期荷载，实验室温27℃，空气湿度51%RH。

实验结果如图2所示，图(a)为试验3s时的实验图像，图(b)为试验5s时的实验图像，图(c)为试验15s时的实验图像，与可见光图像相比，荷载作用下的红外图像信噪比低，分辨率低，对比度低的问题更为突出。很难直接从红外图像得到损伤部位的信息，因此本文根据钢构件损伤部位应力集中原理，利用其在荷载作用下损伤部位会有较大程度升温的特点，借助于红外图像处理技术以实现损伤部位的精准识别。

图1 实验装置

图2 实验图像

Fig.2 Experimental image

2 算法描述

2.1 高通滤波改进算法

本文假设荷载作用下钢构试件红外图像(,)，图像大小为×像素，其傅里叶变换为：

式中：，是像素点。

指数高通滤波器通过傅里叶逆变换再把图像变回空间域，其中指数高通滤波器的转移函数为：

式中：0是截止频率；，是像素点。

在进行红外热图序列处理时，图像经过高通滤波即公式(3)算法，让带有图像边缘轮廓及细节部分的信息分量通过。同时削弱低频段的噪声信息，保护图像灰度层，后针对空间域图像进行离散傅里叶变换。再对变换到频率域的图像滤波信息进行逆傅里叶变换，锐化图像，突出边缘轮廓[2]。但锐化同时会使得低频信息丢失严重，平滑区信息基本消失，无法达到实际需要。因此，本研究在此基础之上进行高通滤波算法改进，采用高频强调滤波算法进行热波图像处理。

首先给高通滤波器施加一特定偏移值，为了增加高频分量将传递函数以倍数扩大，最后将两者相叠加。但为了达到强调高频分量的目的，施加的偏移量和倍数值都需相对较小，从而使低频增强的效果相比高频增强较弱。其高频强调传递函数可以表示为：

式中：是偏移值；是倍数常数；hp(,)是高通滤波器的传递函数。

采用改进后的高通滤波器及高频强调滤波进行图像增强的步骤如下：

Step 1: Matlab处理软件对图像进行读取，利用图像填充函数对读取图像进行填充处理，进而为后续滤波处理做准备。

Step 2: 本研究选取指数型高通滤波器，其滤波器截止频率为0，将Step1中所读取的图像进行指数型高通滤波处理。

Step 3: 本研究取偏移量，倍数常数为，通过所确定的传递函数对填充后的图像进行高通滤波算法处理，并通过高通强调滤波输出处理图像。

高频强调滤波会突出图像的边缘和细节信息，所以其受图像噪声的影响比较大，因此本文在后续处理选择空域滤波中的中值滤波去除噪声特性，保护图像边缘信息。

2.2 红外图像增强

2.2.1 非线性灰度变换

在经过热波图像的空域增强后，图像的灰度以及光强度较弱，像素分布不均，无法突出损伤部位信息等情况。本文选用非线性灰度变换算法，增强图像对比度信息，使图像中各个像素值均匀分布[7]，从而提高图像质量。其含调制参数公式为：

式中：，，都是可选择参数；(,)＋1是为了确保ln[(,)＋1]≥0。

当(,)＝0时，ln[(,)＋1]＝0，则＝，为轴上的截距，确定了初始位置的变换关系，，两个参数则确定了相应的曲线变化速率。

在非线性灰度变换的基础之上，选取Gamma校正算法：设为图像灰度，为入射光的强度，则两者之间的关系可表示为：

＝(7)

式中：为常数。由于图像灰度与光强度成正比关系，做如下变换：

式中：为常数，通常取1；1/通常取0.4～0.8。

通过非线性灰度变换后，图像对比度明显增强，但局部噪声较为明显。

2.2.2 中值滤波

中值滤波是通过邻域算法将其邻域内的所有像素值按灰度级大小取中间值并输出。该算法类似于卷积算法，但其优点在于并不是取加权平均值，而是利用中间值代替移动窗口中心的值。这样灰度值差别较大的点会被近似处理，从而达到像素灰度值均衡，来达到消除噪声的目的[8]。

设x(,)∈2表示图像中各像素的灰度值，滤波窗口为的二维中值滤波可定义为：

式中：x为窗口的像素灰度值，通常窗口内像素为奇数，以便于中间有像素。若窗口内像素为偶数时，则中值取中间两像素灰度值的平均值。

中值滤波在处理红外图像的椒盐噪声效果显著。其优点主要是算法简单，在滤除图像噪声的同时能够很好的保护图像的细节信息，并且中值滤波器自适应化程度较高，这一点有利于其滤波特性的提高。窗口形状和大小的选择是中值滤波器的关键所在，本文选取5×5模板中值滤波进行算法处理，利用邻域像素点中间值作为输出值消除了高频强调滤波器的噪声问题并突出了细节信息。

2.3 类间方差阈值分割

根据荷载作用下钢构件表面温度与其应力的关系，结合损伤部位应力集中的特性，对构件荷载作用下的红外图像进行处理分析，捕捉温度极端变化部位，进行钢构件的损伤识别[9-15]。传统阈值分割方法简便，但其阈值的迭代获取较为繁琐，且图像处理的效果与其阈值的相关性较强，因为阈值只考虑图像本身的灰度值，而不考虑图像的空间分布，这样的分割法对噪声比较敏感，对分割人员的先验知识依赖较强，因此本文选取类间方差阈值分割。

设原始灰度图像灰度级为，灰度级的像素点数为n，则图像的全部像素为：

＝0＋1＋2＋…＋n－1(10)

归一化直方图，则：

按灰度级用阈值划分为两类：0＝(0, 1, 2, …,)，1＝(＋1,＋2, …,－1)，0,1类的出现概率及均值由公式：

00＋11＝,0＋1＝1 (13)

0和1类的方差可由下式求得：

定义类内方差为：

2＝002＋112(15)

类间方差为：

总体方差为：

引入下列关于的等价的判决准则：

这3个准则是批次等效的，把0,1两类得到最佳分离的值作为最佳阈值，并将(),(),()定义为最大判决准则，由于2是基于二阶统计特性，而B2是基于一阶统计特性，2和B2是阈值的函数，而T2与值无关，因此3个准则中()最为简单，所以选用其作为准则可得最佳阈值*，即：

改进后的阈值分割方法程序简便，分割效率较高，边缘轮廓分割明显，收敛速度快，本文经算法操作确定收敛值为*＝0.07，在收敛值*＝0.07时损伤部位分割效果最为明显。

3 定量评价方法

图像质量评价可以有效地对图像进行定量化分析，图像质量的好坏既与图像本身客观质量有关，也与人的视觉系统的感受特性有关。为了更好地对处理结果进行定量评价，本文取客观评价指标：均方误差（Mean Square Error，MSE）及峰值信噪比（Peak signal-to-noise Ratio，PSNR）；主观评价指标：清晰度及对比度，进行综合对比评价。本文假定图像为(,)，图像大小为×像素。

均方误差可定义为下式：

均方误差很好地代表了图像的保真度，其误差越小则意味着图像细节信息丢失越少，质量越好。

峰值信噪比可定义为：

峰值信噪比以分贝为计量单位代表了图像含噪情况。

清晰度定义为：

清晰度可以反映出图像整体与局部的微小细节反差，清晰度值越大说明图像越清晰。

对比度可定义为：

式中：(,)＝4(,)－[(－1,)＋(,－1)＋(,＋1)＋(＋1,)]；其中＝×为图像的像素点总数；代表整幅图像，即d值越大则说明目标图像边缘对比度的增强效果越好。

4 结果分析与讨论

实验采用锁相红外热像仪对试件连续记录其在荷载作用下构件的温度变化图像，选取后期处理阶段图像，如图3所示。

图3 锁相红外原始图像

图4 灰度图像

图3中锁相红外热成像设备很好地将周期荷载作用下钢构试件空洞边缘与其余部分的温差很好地呈现了出来，为便于后期算法操作，本文将红外图像转换为灰度图像，如图4所示。本文以图4作为研究对象，利用本文所提算法流程（如图5），对图4进行图像预处理及图像增强处理。

图6为高频强调滤波处理的效果图。该图像虽然很好地过滤了低频波段无用信息，保留了图像细节信息，强化了损伤边缘轮廓，但图像对比度有减弱。为此图7为在图6基础上经过了非线性灰度变换，由函数曲线图可以发现图7的对比度较之图6明显增强，各像素值均匀分布。

图8是对图7进行了5×5模板中值滤波对背景中的噪声进行抑制并保留目标图像。

根据多次迭代算法，本文图像阈值收敛于*＝0.07，其分割处理后的图像如图9所示，周期荷载作用下的钢构件损伤部位边缘提取效果图如10所示，清楚直观地得到了损伤部位的几何信息，可作为后期桥梁钢制构件损伤程度定量分析的重要参考依据。

图5 MATLAB红外图像算法流程图

图6 高频强调滤波效果图

图7 非线性灰度变换

本文针对图像处理结果给出了定量评价，就传统处理方法，高低帽变换算法，直方图均衡算法，小波变换算法以及本文所提空域与时域的结合算法进行了对比评价，其对比结果如表1所示。

由表1可见，本文所提空域与时域结合算法能够很好地消除图像不均匀性，过滤图像固有噪声，增强图像细节信息，强化损伤边缘轮廓，同时能够提高图像的分辨率，对比度以及信噪比。这也证明本文所提方法切实可行且针对红外图像检测下的钢构件损伤识别效果显著。

图8 5×5模板中值滤波效果图

图9 阈值分割（t*＝0.07）

图10 损伤部位识别

表1 评定指标对比表

5 结论

本文利用红外图像处理技术，对桥梁钢制构件损伤部位识别进行了研究。针对红外图像对比度差、分辨率低、信噪比差的问题提出空域与时域结合的红外图像增强算法。通过高通滤波消除图像不均匀性，降低了图像固有噪声，保留图像细节，增强图像边缘轮廓，再利用非线性灰度变换提高图像对比度，后通过中值滤波优化图像，最后利用阈值分割对钢制构件损伤部位进行了识别提取。经定量评价，该方法有效地消除了红外图像自身不均匀的特性，过滤了大面积存在的固有噪声，同时对图像细节信息进行增强，突出了损伤部位的边缘轮廓的几何特性，并且综合提升了图像的清晰度、对比度。经图像定量评价指标表明，基于高频强调滤波与非线性灰度转换结合的红外图像增强算法切实可行，且针对红外图像检测下的钢构件损伤识别效果显著。

[1] 叶华文, 段熹, 杨军川. 基于红外热成像的钢桥疲劳裂纹检测研究[C]//第二十一届全国桥梁学术会议, 2014: 12.

YE Huawen, DUAN Yi, YANG Junchuan. Research on Fatigue Crack Detection of Steel Bridges Based on Infrared Thermal Imaging[C]//21st, 2014: 12.

[2] Rajic N , Rowlands D . Thermoelastic stress analysis with a compact low-cost microbolometer system[J]., 2013, 10(2): 135-158.

[3] 贾文晶, 顾桂梅, 刘丽. 基于高通滤波和直方图均衡的钢轨裂纹红外图像增强技术[J]. 铁道标准设计, 2016, 60(11): 41-44.

JIA Wenjing, GU Guimei, LIU Li. Infrared image enhancement technology of rail cracks based on high-pass filtering and histogram equalization[J]., 2016, 60(11): 41-44.

[4] 樊俊铃, 郭强, 赵延广, 等. 基于有限元法和锁相热像法对含缺陷构件的应力分析与疲劳性能评估[J]. 材料工程, 2015, 43(8): 62-71.

FAN Junling, GUO Qiang, ZHAO Yanguang, et al. Stress analysis and fatigue performance evaluation of flawed components based on finite element method and phase-locked thermal imaging method[J]., 2015, 43(8): 62-71 .

[5] Stoynova A, Bonev B, Mastorakis N, et al. Improvement the temperature signal filtering in lock-in thermography[J]., 2018: 210.

[6] Pitarresi G, Normanno A, D"Acquisto L. Thermoelastic stress analysis of a 2D stress field using a single detector infrared scanner and lock-in filtering[J]., 2009, 181: 012075.

[7] 彭卫绘, 谈乐斌. 基于MATLAB的粘连小球球径提取方法[J]. 计算机系统应用, 2012, 21(6):191-194.

PENG Weihui, TAN Lebin. Method for Extracting Ball Diameter of Adhesive Pellets Based on MATLAB[J]., 2012, 21(6): 191-194.

[8] 薛莉, 朱永凯, 王海涛. 基于小波变换与中值滤波的缺陷红外图像的去噪实现[C]// 远东无损检测新技术论坛, 2008:127-128.

XUE Li, ZHU Yongkai, WANG Haitao. Denoising of defect infrared image based on wavelet transform and median filtering[C]/, 2008: 127-128.

[9] 李皓. 基于能量法CFRP切削机理与加工表面质量表征方法研究[D]. 天津: 天津大学, 2016.

LI Hao. Research on CFRP cutting mechanism and surface quality characterization method based on energy method[D]. Tianjin: Tianjin University, 2016: 15-17

[10] WANG Y, Charbal A, Dufour J E, et al. Hybrid Multiview Correlation for Measuring and Monitoring Thermomechanical Fatigue Test[J]., 2019(3): 129-131.

[11] Kylili A, Fokaides P A, Christou P, et al. Infrared thermography (IRT) applications for building diagnostics: A review[J]., 2014, 134: 531-549.

[12] 顾桂梅, 黄涛. 基于自适应多尺度积阈值的钢轨裂纹红外图像增强[J]. 铁道学报, 2015(2): 58-63.

GU Guimei, HUANG Tao. Infrared image enhancement of rail cracks based on adaptive multiscale product threshold[J]., 2015(2): 58-63.

[13] Agerskov H. Fatigue in steel structures under random loading[J]., 2000, 53(3): 283-305.

[14] Rajic N , Galea S C , Rowlands D . Thermoelastic Stress Analysis - Emerging Opportunities in Structural Health Monitoring[J]., 2013, 558: 501-509.

[15] Albatici R, Tonelli A M, Chiogna M. A comprehensive experimental approach for the validation of quantitative infrared thermography in the evaluation of building thermal transmittance[J]., 2015, 141: 218-228.

Damage Identification of Steel Members Based on Infrared Image Processing Technology

ZOU Lanlin，XU Hanwen，ZHOU Xinglin

(School of Automotive and Transportation Engineering, Wuhan University of Science and Technology, Wuhan 430065, China)

In view of the existing infrared image processing algorithms in dealing with damage images of bridge steel members, the signal-to-noise ratio is low, the contrast is low, the resolution is low, the image details are lost, the edges are blurred, and the accuracy of damage recognition is poor. We propose a spatial and time domain filtering combined infrared image enhancement algorithm to improve existing algorithms, suppressing image background noise from multiple directions, enhancing image detail information, strengthening damage edge contours, accurately identifying and extracting damaged parts of steel components. The processing results are quantitatively evaluated by clarity, contrast, peak signal-to-noise ratio (PSNR) and mean square error. The evaluation results show that the infrared image enhancement algorithm based on high-frequency emphasis filtering and nonlinear gray-scale conversion is feasible. The damage recognition effect is remarkable for the steel components under infrared image detection.

image processing, high frequency emphasis filtering, nonlinear gray scale transformation, damage recognition

TP274.52

A

1001-8891(2020)05-0286-08

2019-11-04；

2020-03-05.

邹兰林（1974-），男，湖北武汉人，副教授，博士，研究方向为桥梁检测。E-mail：147461632@qq.com。

国家重大科研仪器研制项目（51827812）；国家自然科学基金项目（51578430，51778509）。