飞机铝蜂窝结构损伤特征信息的提取及优化

杨庆峰，杨东亮，黄富明，张海兵

(1.海军航空大学青岛校区 航空机械工程与指挥系，青岛 266000；2.山东菏建建筑集团有限公司，菏泽 274000)

在一幅损伤图像中，既包含需要的目标信息，也包含干扰目标的背景和噪声，可通过设置阈值的方法将目标信息从诸多干扰信息中提取出来[1]。即以阈值为基准，将图像数据分为两部分(称为图像的二值化)，此时可将有效的目标信息过滤出来，并将无效的干扰信息排除在外。

受散斑条纹图像中大量较强的颗粒噪声的影响，条纹的可见性和分辨率会受到一定程度的限制，条纹对比度降低，图像变得较为模糊，给散斑图像损伤特征识别带来了一定的难度。因此，为提高条纹的对比度而消除颗粒噪声的影响是图像处理过程的关键环节，也是正确识别散斑条纹信息的必要条件[2-4]，即需要对散斑干涉损伤特征图像进行有效处理，提高图像清晰度。

图像特征的研究包括定性研究和定量研究两部分，为了进一步开展定量研究工作，确定损伤尺寸等，需要对图像进行深入处理。损伤特征及边界是度量尺寸最重要的因素，在垂直于边缘处的像素灰度值变化比较平缓使得损伤边界与周边交界处比较模糊，很难进行边界的确定；而垂直于损伤边界处的像素点及其邻域像素点的灰度值的变化率较大，即一阶导数和二阶导数较大，此时通过研究像素灰度值的变化规律，并将变化规律中的数值变化转化为具体的灰度值显示在图像上，即可突出边界，实现边缘检测的目的[5]。该方法作为经典边缘检测局部算子法，其基本思路就是通过检测像素点灰度值和邻域像素点灰度值，从而确定损伤边界。

1 原始散斑图像采集

笔者设计了含内部脱黏损伤铝蜂窝结构复合材料试件，模拟某型飞机垂直尾翼中的铝蜂窝结构复合材料及其内部脱黏缺陷。在蜂窝结构试件上制作缺陷时，将与缺陷尺寸大小相同的聚四氟乙烯薄膜夹在胶层与基体之间，以模拟真实的内部脱黏损伤，然后通过胶黏剂黏接基体和增强体，缺陷直径为20 mm，铝蜂窝结构复合材料试件实物如图1所示，试件尺寸为150 mm×250 mm(长×宽)，试件具体尺寸参数如表1所示。

该试件上蜂窝壁板的外、内层蒙皮厚度均为0.3 mm，蜂窝夹芯格子边长为4 mm，蜂窝夹芯箔厚为0.04 mm，下蜂窝壁板的内、外层蒙皮厚度均为0.3 mm。

采用LTI-6200型便携式热加载激光错位散斑检测系统检测飞机铝蜂窝结构复合材料试件，检测现场如图2所示。将铝蜂窝试块放置于激光散斑检测设备激光探头下方，通过热加载的方式进行加载，提取铝蜂窝脱黏损伤图像，获得的脱黏损伤图像如图3所示，该图展示的是直径20 mm的铝蜂窝脱黏损伤，该损伤呈现的铝蜂窝蝴蝶状散斑图较为明显。

图2 铝蜂窝结构复合材料试件损伤检测现场

图3 铝蜂窝结构脱黏损伤图像

2 铝蜂窝结构损伤图像特征信息提取

在损伤图像特征信息提取过程中，借助微分算子进行损伤特征边缘提取，以便更好地提取损伤图像特征信息。一阶导数和二阶导数即一阶微分算子和二阶微分算子，为边缘检测算法的两种类型。在一阶微分算法中，图像的损失边界存在突变处，对应的是一阶极值点。当各边界极值点大致相等时，边界很难确定，此时可借助二阶微分算子。一阶微分算子和二阶微分算子相互结合可共同对图像加以深度处理。针对铝蜂窝结构脱黏损伤图像特征，笔者利用该方法开展了信息提取工作。

2.1 基于一阶微分的边缘检测算子提取损伤图像特征

损伤图像特征的边缘提取可采用基于一阶微分的Robert边缘检测算子，利用任意一对相互垂直方向上的灰度差值来计算梯度，即

Δxf=f(i,j)-f(i+1,j+1)

(1)

Δyf=f(i+1,j)-f(i,j+1)

(2)

R(i,j)=|Δxf|+|Δyf|

(3)

式中：Δxf为x方向上的灰度差；f(i，j)为图像上任一点的灰度；R(i，j)为梯度；Δyf为y方向上的灰度差。

将得到的数值R(i,j)与预先设定的阈值T进行比较，若R(i,j)>T，则判定为缺陷边缘。铝蜂窝结构损伤原始散斑图像如图4所示，Robert算子边缘提取结果如图5所示。

图4 铝蜂窝结构损伤原始散斑图像

图5 Robert算子边缘提取结果

在一阶微分的Robert边缘检测算法中，Robert算子的模板包含4个元素，容易受噪声的影响。通过结合Robert算子中的方向差分运算和加权运算演变为Sobel微分算子，该算法显著改善了受噪声影响大的Robert算子遇到的问题，基本思路是以像素点f(x,y)为中心，分别求取3×3邻域中x方向的偏导数和y方向上的偏导数，并适当增加x方向的权重和y方向的权重，即

Sx=[f(x+1,y-1)+2f(x+1,y)+

f(x+1,y+1)]-[f(x-1,y-1)+

2f(x-1,y)+f(x-1,y+1)]

(4)

Sy=[f(x-1,y+1)+2f(x,y+1)+

f(x+1,y+1)]-[f(x-1,y-1)+

2f(x,y-1)+f(x+1,y-1)]

(5)

计算其梯度，即

(6)

式中：Sx为x方向的偏导数；Sy为y方向的偏导数。

Sobel算子边缘提取图像如图6所示。

图6 Sobel算子边缘提取图像

Kirsch边缘检测算子采用的是8个不同方向的3×3模板，通过对图像的卷积处理，选取最大值作为图像边界的输出值，该算法在抗噪和细节保持方面效果较好。Kirsch算子边缘提取图像如图7所示。

图7 Kirsch算子边缘提取图像

Prewitt算子通过计算中心像素点的邻域像素点的灰度值的差，并提取最大差值，获取边缘凸显的相关信息。该算子具有多种模板，如水平方向、垂直方向、45°方向、135°方向和225°方向等，采用这些模板进行图像特征提取，获取最大值，并将该值与设定的阈值比较、判定，确定边界。该方法也具有图像平滑的作用，缺点是某种程度上降低了边界定位的精度。Prewitt算子边缘提取图像如图8所示。

图8 Prewitt算子边缘提取图像

2.2 基于二阶微分的边缘检测算子提取损伤图像特征

基于一阶微分的边缘检测算子通过求解一阶导数的极值点实现，当极值点大致相等时，给边界确定增加了难度。而通过进一步求导，获得二阶导数的过零点，则可以进一步确定损伤图像的边界。Laplace算子作为二阶微分算子的一种，在图像深度处理中经常用到，该算法针对图像中的某一点f(x,y)，有

(7)

离散化后

(8)

离散化后的拉普拉斯算子近似表示为

f(x,y-1)+f(x-1,y)+f(x,y+1)+

f(x+1,y)-4f(x,y)

(9)

Laplace算子边缘提取图像如图9所示，和一阶微分算子相比，Laplace算子在灰度突变信息处理的灵敏度上更高，在边缘凸显的同时，也提高了抗噪声能力，但仍存在诸多不足，此时，将Laplace算子和高斯高低通滤波融合，演化出了高斯-拉普拉斯(LOG)算子。该算法的基本思路为：① 对图像进行高斯滤波，施加Laplace算子运算；② 在一阶峰值处过零点；③ 对归零点的精确位置进行插值估计。

LOG算子为

(10)

LOG算子边缘提取图像如图10所示，基于二阶微分的LOG边缘检测算子在检测图像边缘上具有很高的灵敏度，在提取细小边缘上的能力过强，使得有效信息和无效信息很难区分出来。

图9 Laplace算子边缘提取图像

图10 LOG算子边缘提取图像

2.3 结果分析

综上可知，通过Robert边缘检测算子获得的损伤特征图像整体上较为模糊；通过Sobel、Kirsch和Prewitt边缘检测算子获得的损伤特征图像边缘清晰，噪声较少；通过Laplace边缘检测算子获得的损伤特征图像边缘较粗，且噪声较多；通过LOG边缘检测算子获得的损伤特征图像虽然较为清晰，但损伤边缘轮廓相对整体图像不突出，有弱化的趋势。因此，在损伤特征图像边缘提取上，通过Sobel、Kirsch和Prewitt边缘提取算子获取的损伤图像边缘特征效果最佳。

3 铝蜂窝结构脱黏损伤特征的优化

笔者针对Sobel、Kirsch和Prewitt边缘提取算子引入先中值滤波后Wiener滤波的方法，以及先Wiener滤波后中值滤波的方法，然后再进行Sobel算子、Kirsch算子和Prewitt算子边缘特征信息提取，获得如图11所示的损伤图像边缘特征信息，以期获得降噪滤波后的目标信息。

如图11所示，不同目标图像的处理效果差别不大，都可以滤除噪点，保存边缘中心，突出有效信息，且先中值滤波后Wiener滤波的滤波降噪方法，或者先Wiener滤波后中值滤波降噪方法，降噪效果基本相同。但在优化提取中也存在不足，如采用Kirsch算子边缘检测方法，图像还是存在明显的噪点；采用Prewitt算子边缘检测方法，虽然边缘提取后滤除了噪点，图像呈现比较清晰，但是保留的边缘部分过宽，不利于后期开展检测。

图11 不同算法的边缘提取结果对比

针对Sobel算子边缘提取，为进一步滤波降噪以滤除噪点，开展深度优化，在先中值滤波再Wiener滤波后[其结果见图12(a)]，Sobel算子边缘特征提取前分别引入算术均值滤波降噪、高斯滤波降噪和小波降噪，处理效果如图12所示。由图12可见，引入算术均值滤波降噪的优化处理图像效果最好，高斯均值滤波降噪效果较差，小波降噪后的图片效果最差，已经发生了糊化。因此，若先引入算术均值滤波降噪方法再进行Sobel算子边缘特征提取，可以细化并突出显示骨架线，整体效果更好。

图12 Sobel算子边缘提取图像

针对Kirsch算子边缘提取，为进一步滤波降噪以滤除噪点，开展深度优化，在先中值滤波再Wiener滤波后，Kirsch算子边缘特征提取前分别引入算术均值滤波降噪、高斯滤波降噪和小波降噪，处理效果如图13所示。由图13可见，引入算术均值滤波后的优化处理效果最好，小波降噪方法效果次之，高斯均值滤波方法效果最差；算术均值滤波降噪在将大部分噪声滤除的同时细化了边缘，突出了骨架线。

图13 Kirsch算子边缘提取图像

针对Prewitt算子边缘提取，为进一步滤波降噪以滤除噪点，开展深度优化，在先中值滤波再Wiener滤波后，Prewitt算子边缘特征提取前分别引入算术均值滤波降噪、高斯滤波降噪和小波降噪，处理效果如图14所示。由图14可见，引入小波降噪后的整体效果最好，高斯均值滤波方法效果次之，算术均值滤波方法效果最差；小波降噪通过多分辨率处理后，可将多重分解下的不同频率信号分类、重组，在细化边缘的同时将中心骨架线凸显出来。

图14 Prewitt算子边缘提取图像

通过对比发现，相同滤波降噪方案下Prewitt算子的边缘检测效果还有改进的空间。针对Prewitt算子边缘检测方法，笔者在中值滤波、Wiener滤波、小波降噪后，Prewitt算子边缘提取前，再引入算术均值滤波降噪方法，其效果如图15所示。

图15 小波变换后经算术均值滤波的Prewitt算子边缘提取图像

结合图14(d)，加入算术均值滤波降噪后，Prewitt算子边缘检测图像的整体优化效果有了明显改变，在滤除了大部分噪声的同时，细化了边缘。

通过以上分析与总结，获得的铝蜂窝结构脱黏损伤图像特征提取优化方案如图16所示。

图16 铝蜂窝结构脱黏损伤图像提取优化方案

4 结语

为获得清晰的损伤图像边缘特征，通过中值滤波、Wiener滤波、小波变换等滤波降噪方法，结合Robert算子、Sobel算子、Kirsch算子、Prewitt算子、Laplace算子、LOG算子边缘提取技术，开展了飞机铝蜂窝结构脱黏损伤图像特征深度优化研究，获取了飞机铝蜂窝结构脱黏损伤、冲击损伤图像特征提取优化方案。