基于聚类分析和骨架提取的含裂纹超声红外热像增强方法研究

2023-11-17李志农朱俊臻冯辅周

激光与红外 2023年10期

吴恬,李志农,朱俊臻,2,冯辅周,2

(1.南昌航空大学无损检测技术教育部重点实验室,江西南昌 330063;2.陆军装甲兵学院车辆工程系,北京 100072)

1 引言

大型设备服役期间,由于交变应力的作用,关键部件中极易出现疲劳裂纹[1],当超声红外检测技术对含有疲劳裂纹的零部件进行检测时[2-4],由于热像仪灵敏度限制、环境干扰、不均匀生热、复杂形状、微裂纹生热少等因素的影响,使得热图像存在信噪比低、对比度差的特点,因为通过该技术获取的零部件裂纹红外图像,所以为了更好地区分零部件裂纹红外图像的缺陷区域与非缺陷区域,从而进行定量化分析[5-6],有必要对超声红外缺陷图像进行增强处理[7]。图像增强技术是图像处理领域的重要分支之一,该技术是部件缺陷超声红外图像处理的一种关键方法。

传统的红外图像增强算法主要分为两大类:空间域和频率域。空间域增强算法以直方图均衡化[8-9](histogram equalization,HE)算法和Retinex[10-11]算法为主。这类方法可以快速地提升图像的对比度,但容易出现增强过度或不足细节模糊、噪声放大等问题。频率域算法主要对原始图像进行频域滤波,以达到增强图像的效果主要包括基于傅里叶变换[12-13]、小波变换[14-15]的增强算法等,这类算法能够有效地增强图像的结构特征,但容易出现细节模糊的问题。而图像增强算法在不同研究领域不具有普适性,在使用相同算法处理不同种类图像,得到的增强效果区别很大。因此应针对特定领域及研究对象,需要选择合适的算法进行增强。

针对传统图像增强方法用于超声红外缺陷热像使整体增强时易出现缺陷处细节模糊的问题,本文提出了一种基于k-means的DBSCAN聚类[16]和基于缺陷骨架的超声红外增强方法。本文分别对缺陷发热区域和非缺陷区域进行细节增强,以得到良好的增强效果。首先用基于k-means的DBSCAN聚类算法来识别裂纹发热区域;其次将图像划分为缺陷区域与非缺陷区域,对缺陷区域进行骨架描述,沿裂纹骨架走向对缺陷进行局部直方均衡化,再次使用Gamma变换对非缺陷区域的热扩散进行校正。最后将增强后的缺陷区域和非缺陷区域进行小波融合,得到增强的超声红外热像。

2 超声红外热图像增强方法的基本原理及流程

针对常规图像增强方法对超声红外图像缺陷细节增强效果不佳的问题,本文提出了一种缺陷生热区域顺裂纹走向的图像增强方法。本文先对超声红外图像进行基于k-means的DBSCAN聚类算法对超声红外图像进行缺陷识别分割,其次对高频缺陷区域进行裂纹骨架的提取,实现裂纹的粗定位和裂纹轮廓的粗定型。沿裂纹轮廓进行改进的POSHE算法,再用Gamma变换对低频非缺陷区域的进行热扩散校正。最后进行图像的小波融合,得到增强的超声红外热像。流程图如图1所示。

2.1 基于k-means的DBSCAN的聚类分割

超声红外热像的聚类分割难度主要存在于热扩散导致缺陷振动生热的区域边界不明显及噪声干扰导致热像边界模糊。DBSCAN算法对含噪图像聚类具有一定的可行性,且可以进行多层聚类,更易聚类得到裂纹生热区域。但DBSCAN算法中,需要依照经验设定参数邻域半径Eps和邻域中密度阈值MinPts,面对不同尺寸裂纹的超声红外热图像时,不能自适应地选择不同尺寸及不同发热的裂纹超声热像。针对DBSCAN算法参数存在较大难题。本文使用基于k-means的DBSCAN聚类算法,利用k-means算法聚类来分析像素点距离及深浅关系,通过不同聚类簇的样本距离,找到合适的Eps和MinPts参数。

基于k-means的DBSCAN聚类分割算法对超声红外图像实现聚类,将图像分为非缺陷区、缺陷区和热扩散区。先采用k-means算法对超声红外图像进行初步聚类,得到像素值相近,且距离较近的多个簇。再统计不同簇中各样本的像素及间距,根据正态分布,对图像中不同簇分配适合其自身的参数Eps和MinPts,使得区域相同的簇更易被聚集。再使用DBSCAN算法对图像中的点进行聚类,判断像素点所处的聚类簇进行对应簇的参数选择,将其分为核心点,边界点及噪声点,通过密度可达实现DBSCAN聚类,最后依据聚类特性进行图像分割,得到热像缺陷发热区域与非缺陷区域。

2.2 基于骨架提取的局部直方均衡化

部分子块重叠直方图均衡算法(Partially Overlapped Sub-block Histogram Equalization,POSHE)算法是一种经典的局部直方均衡化算法,但容易出现块效应和过度增强,易混淆图像中的有效信息与无效信息,基于骨架提取的POSHE算法,针对超声红外缺陷的生热效果为线状效果,提出了选择对缺陷生热处进行骨架提取,得到裂纹生热骨架,根据裂纹走向,将生热区域进行一列子块的划分,在每一子块中都保留了裂纹信息与裂纹周边生热信息,分离裂纹信息与非缺陷信息,再进行直方均衡化。减少重叠加权层数,减轻块效应和过增强问题的同时,优化增强效果。

基于骨架提取的局部直方均衡化骨架提取,其本质是提取像素的中心轮廓,骨架提取的现存算法有一千多种,本文使用的是K3M顺序迭代的方法,其思想是提取目标图像外轮廓,利用轮廓迭代腐蚀边界,直至不能腐蚀得到伪骨架,再从伪骨架中提取真实骨架。

再沿骨架走向,对缺陷区域进行改进的POSHE算法。为了更好的体现骨架提取的POSHE算法,图2(a)为本文算法示例。假设缺陷生热区域长宽比为M×N的矩形区域,沿着骨架指定大小,长宽分别为m,n的子块,步长选择为子块大小的一半(m/2),a,b,c区域的子块沿箭头方向移动,这些区域由两部分重叠的子块组成。子块1由a、b区域组成,子块2由b、c区域组成,这三个区域由两个重叠子块组成。

图2 基于骨架提取的POSHE算法与经典POSHE算法

假设m=N,则第i个子块的概率密度函数pi(rj)的表达式为:

(1)

(2)

(3)

将输入图像分块映射到整个动态范围(r0,rL-1),得到输出图像。

本文针对超声红外热像提出了基于骨架提取的局部直方均衡化方法,利用骨架提取找到裂纹走向,沿裂纹走向进行单方向的POSHE算法。经典POSHE算法虽然可以实现局部图像增强,但由于子块结构的设定不参考图像本身细节,均衡后图像容易出现块效应,POSHE算法示例如图2(b)所示,像素的重复均衡化程度高,导致了图像出现过增强的效果。本文提出的基于骨架提取的POSHE算法,沿骨架进行子块划分,较为完整地保留了生热区域的局部相关性,不仅避免了由于子块划分不恰当导致的块效应,且能均衡裂纹处的不连续生热。本文均衡算法中,单像素最高均衡次数从四次降为两次,且由于子块只有沿裂纹一列,只存在子块前后的步长重叠,而避免了传统POSHE算法在左右步长的重叠,有效的避免了过度增强,使该方法有效增强了裂纹处信息。

2.3 热扩散校正及图像融合

非缺陷处的热扩散也是超声红外图像增强需要重点关注的区域。Gamma变换是对输入图像灰度值进行的非线性操作,使输出图像灰度值与输入图像灰度值呈指数关系,Gamma变换用来超声红外图像增强,可以减小热扩散区域,同时不改变图像暗部细节。

Gamma校正公式:

f(I)=Iγ

(4)

其中,I为灰度值;γ为校正系数。

最后通过小波图像融合对缺陷区域与非缺陷区域的图像进行融合。利用小波变换的多分辨率分析,将原始图像分解为高频缺陷图与低频非缺陷图,得到一系列不同频段的子图像,然后用不同的融合规则对子图像进行处理,为保证在融合过程中减少热像信息的丢失,本文采用基于邻域系数局部方差加权求和对低频。为了更好地突出红外热像的高频缺陷信息,采用区域能量加权求和的方式进行高频系数的融合。同时为抑制背景噪声对融合效果的影响,利用引导滤波对融合后的高频分量进行平滑。最后利用小波逆变换得到融合红外图像。

3 实验验证

3.1 超声红外热成像设备及采集

超声红外热像检测技术将超声通过接触面耦合于固体介质内部进行迅速无衰减传播,若固体内部有裂纹、分层等接触界面类的缺陷,机械能在缺陷区域因塑性变形、摩擦生热转化为热能,产生的热量提升缺陷位置和邻近范围的温度,通过红外热像仪成像记录,取得缺陷红外序列图,从而判断被测结构件所存缺陷。

为获取足够多的超声红外热像样本,课题组自主设计搭建了一套超声红外热像无损检测实验台,并且编写一套超声红外无损检测系统软件,并实现激励与图像信号采集的同步控制。实验台主要由超声激励装置、图像采集装置及导轨等辅助装置组成,如图3所示。

图3 超声红外热像检测系统[17-18]

激励发生装置包含超声发生器和超声换能器两部分,通过后端压力传感器控制其与待测件之间的预紧力,超声换能器将电能转换为机械振动,来实现结构件的缺陷振动生热。图像采集装置为FLIR公司的T640型号红外热像仪,主要用于实现采集对象表面的温度场信息。其采用非制冷微热量红外焦平面阵列,以30 Hz的帧频记录温度场信息,红外图像分辨率为640 pixel×480 pixel,热灵敏度≤0.035 mK。

本文实验利用超声红外检测技术检测常见金属平板贯穿裂纹,如图4所示,激励位置偏离工件中心50 mm,超声发生器将220 V/50 HZ的交流电调制成高频直流脉冲,超声红外检测技术超声激励开始时刻热像仪即开始记录,超声激励时间为3 s,热像仪记录时长为4 s,共采集到120帧红外图像。

图4 被测平板示意图

采用上述提出的基于k-means的DBSCAN聚类和缺陷骨架的增强方法对大量超声红外热像进行处理,进一步采用小波融合的方式进行图像融合。为更好对比实验效果,选择五组裂纹长度不同,生热差异较大的超声红外缺陷局部图像作为实验对象,其图像分辨率为128 pixel×128 pixel。为了进行评估与比较,同时使用直方均衡化(HE),限制对比度自适应直方图均衡化(CLAHE)、自适应同态滤波(AHF)这3种增强方法与本文提出的算法进行对比。

图5(a)为不同工件在不同生热时长下的五张超声红外裂纹热像图,其裂纹光学测量长度分别为5263.5 μm,6983.00 μm,7071.50 μm,7930.00 μm,8537.50 μm。如图所示,部分缺陷热像在裂纹处生热显著,但热扩散明显;部分缺陷热像在裂纹温度变化不明显,边界模糊,对比度差;部分缺陷热像在裂纹处生热不均匀,无法凭经验判断出裂纹走向。图5(b)为经过基于k-means的DBSCAN算法聚类,有效分类出缺陷生热区域、非缺陷区域,热扩散明显的裂纹图像能分割出热扩散区域,且分割效果较为准确,能获取到缺陷生热处图像,仅有几个小面积的误判,结果如图5(c)所示。

图5 不同缺陷的原始热像、聚类结果及分割结果

直方均衡化(HE),限制对比度自适应直方图均衡化(CLAHE)、自适应同态滤波(AHF)和本文算法对超声红外图像的增强对比结果如图6所示。HE算法模糊了缺陷生热区域与热扩散区域,增强了热扩散区域与周围的对比,CLAHE算法均衡了图像的灰度分布,但对缺陷增强效果不明显,AHF算法有效减少热扩散,但对细节没有达到增强效果,本文算法增强了缺陷处生热细节,明显从视觉效果上观察到裂纹全貌的同时,减少了热扩散的干扰。

图6 裂纹1四种增强方法对比结果

3.2 实验结果及分析

为进一步证明本文方法的优越性,采取对比度及峰值信噪比作为增强评价指标。

对比度是图像明暗区域最亮部和最暗部之间不同亮度层级的测量,反应了图像亮暗的拉伸对比度,对比度越大,图像越清晰。对比度定义如下:

(5)

其中,δ(i,j)=|i-j|,为相邻像素灰度差;Pδ(i,j)为相邻像素灰度差为δ的分布概率函数。

峰值信噪比(PSNR)表示原图像的最大可能功率与增强后图像中影响图像精度的干扰功率之间的比值,描述了图像处理前后的保真程度,信噪比越大,图像保证程度越高。

两图像的均方误差定义为:

(6)

峰值信噪比定义为:

(7)

式中,I为原图像;Ie为增强后图像;M×N为图像大小。

信息熵(IE)用来描述图像所包含的平均信息量的多少,可以客观地反映出图像细节信息量,图像的信息熵值越大,表明该图像所含的信息量越多。信息熵定义如下:

(8)

式中,L为整幅图像的最大灰度值;Pk为灰度值k的像素数量。在本文中,分别从两方面信息熵考虑图像的增强效果,分别是局部缺陷的信息熵与整体图像的信息熵。缺陷处信息熵越大表示缺陷包含的信息越丰富,增强效果越好,而图像的信息熵越小,证明噪声、热扩散等干扰因素越少,图像质量很高。

由上述公式可计算出四种方法对五个不同裂纹的平均对比度、平均峰值信噪比与平均信息熵(局部/整体),结果如表1所示。

表1 几种方法的平均对比度与平均峰值信噪比

传统HE算法得到的缺陷对比度低,增强不明显,且峰值信噪比小,由于对处理的图像内容不加选择,误判了热扩散区域为生热区域,导致图像失真程度高。CLAHE算法最大限度保真了图像,但该方法为防止噪声放大,限制了对比度,导致图像的增强效果不明显,且裂纹处信息熵相较其他三种方法最小,该方法对裂纹的增强效果最差。AHF对原缺陷生热明显的裂纹图形学在一定程度上增强了图像对比度,但对生热不明显的裂纹图像被误判为非缺陷,反而降低了图像对比度,但有一定的图像保真度。本文算法的对比度远超过其他几种算法,缺陷处图像经过聚类识别,避免了增强时的位置误判,且裂纹处的信息熵值远大于其他三种方法,说明改进过的POSHE算法可以有效增强裂纹细节,还原缺陷生热图中生热不均匀处细节,而整体信息熵值远小于其他三种方法,说明该方法对热扩散及噪声的抑制最为明显。综上所述,本文提出的算法增强效果最为明显,且具有较强的图像保真度,具有最好的视觉增强效果。