基于形態(tài)學(xué)方法的工件表面缺陷紅外熱像檢測技術(shù)

謝靜，楊曉燕，徐長航，陳國明，葛蘇鞍

（1.中國石油大學(xué)機(jī)電工程學(xué)院，山東青島 266580;2.青島中油華東院安全環(huán)保有限公司，山東青島 266071; 3.中國石油天然氣集團(tuán)公司西北油田節(jié)能檢測中心，新疆克拉瑪依 834000）

基于形態(tài)學(xué)方法的工件表面缺陷紅外熱像檢測技術(shù)

謝靜1，楊曉燕2，徐長航1，陳國明1，葛蘇鞍3

（1.中國石油大學(xué)機(jī)電工程學(xué)院，山東青島 266580;2.青島中油華東院安全環(huán)保有限公司，山東青島 266071; 3.中國石油天然氣集團(tuán)公司西北油田節(jié)能檢測中心，新疆克拉瑪依 834000）

提出一種基于形態(tài)學(xué)理論的紅外熱像分割方法，用于工件表面缺陷的自動檢測。首先在含缺陷鋼制試件紅外熱成像檢測試驗的基礎(chǔ)上，對工件的紅外熱像進(jìn)行灰度化、高斯高通濾波、對數(shù)變換和二值化等方法相結(jié)合的增強處理;然后采用形態(tài)學(xué)方法，基于缺陷的空間連續(xù)性和缺陷與噪聲的尺寸差別，設(shè)定連通分量所含像素數(shù)的閾值，最終實現(xiàn)紅外熱像的有效分割。結(jié)果表明，新的紅外熱像處理方法可以實現(xiàn)缺陷位置和形狀的精確檢測，可作為含缺陷部件的紅外檢測和自動識別手段。

形態(tài)學(xué);紅外圖像;缺陷檢測;連通分量;圖像分割

紅外熱像檢測技術(shù)利用不同物體或同一物體的不同表面狀態(tài)引起溫度場不同分布的原理，實現(xiàn)表面與近表面缺陷的非接觸、高效檢測，在高溫、有毒等危險檢測環(huán)境下有著良好的適用性。對于工件表面缺陷檢測問題而言，缺陷引起檢測表面溫度場的異常分布［1］，從而使得正常表面和缺陷表面的紅外熱圖存在一定圖像特征差異，應(yīng)用恰當(dāng)?shù)膱D像處理技術(shù)可以實現(xiàn)對缺陷的自動檢測［2］。目前，包括圖像增強、圖像分割等在內(nèi)的圖像處理技術(shù)方法繁多［3-6］，但是尚無方法能夠在所有特定應(yīng)用領(lǐng)域中都得到滿意的效果。因此，需要以含缺陷工件表面紅外熱像特征為出發(fā)點，探索適用的圖像處理技術(shù)，最終實現(xiàn)具有滿意結(jié)果的缺陷自動檢測。由于紅外熱像儀設(shè)備本身成像特點及環(huán)境干擾等原因，紅外熱像在生成和傳輸過程中不可避免地受到隨機(jī)噪聲、起伏背景的干擾并伴有熱擴(kuò)散效應(yīng)，從而引起圖像模糊和邊緣擴(kuò)散，使得圖像的可視程度降低［7-8］。對于含有表面缺陷的工件紅外熱像來說，當(dāng)缺陷深度較淺時，缺陷部分與正常表面對比度很低，以上兩個原因加劇了應(yīng)用紅外熱像進(jìn)行工件缺陷檢測的難度。筆者綜合運用灰度化、高斯高通濾波、對數(shù)變換和二值化處理技術(shù)對原紅外熱像進(jìn)行增強，將形態(tài)學(xué)方法用于紅外熱像，對增強圖像進(jìn)行8-連通分量檢測，設(shè)定連通分量像素數(shù)閾值進(jìn)行缺陷表面的分割。

1 試驗及圖像增強

1.1 試驗

試驗對象材料為45號鋼制成的板型試件（尺寸為90 mm×40 mm×8 mm），在試件上預(yù)制了3種缺陷:深度分別為0.5 mm和1 mm的直線裂紋、Φ4 mm的通孔。試驗過程中采用SAT HY6850型紅外熱像儀檢測并記錄試件的溫度場。該儀器的主要特性如下:系統(tǒng)獲取數(shù)據(jù)的最大幀速為50幀/s，溫度分辨率為0.08℃，空間分辨率可達(dá)1.3 m rad。試驗時環(huán)境溫度為21℃，熱激勵方式為電加熱爐激勵。圖1（a）為試驗得到的含缺陷工件的紅外熱像（已進(jìn)行圖像區(qū)域選擇處理）。

1.2 圖像增強

由于紅外熱像的低清晰度以及缺陷與正常表面低對比度的存在，為了得到理想的缺陷檢測效果，在進(jìn)行圖像分割之前，需要對原始紅外熱像進(jìn)行增強。綜合考慮帶缺陷工件紅外熱像的特征，進(jìn)行灰度化、高斯高通濾波、對數(shù)變換和二值化處理相結(jié)合的圖像增強處理，使缺陷在圖像中更加明顯，以利于后續(xù)的圖像分割處理。

1.2.1 紅外熱像灰度化

待處理的原始紅外熱像一般為RGB空間模式，而其中的亮度信息代表溫度的高低。因此，灰度圖像可以完整保留原圖像的溫度信息，并使后續(xù)處理更加快速和便捷。借助NTSC彩色模式將原始紅外熱像轉(zhuǎn)換成灰度圖，用以描述每一像素位置的亮度［9］。在NTSC彩色制式中，圖像數(shù)據(jù)由3部分組成:亮度Y、色調(diào)I和飽和度Q。Y、I、Q三個分量可以從一幅RGB圖像中得到:

其中，亮度描述灰度信息，色調(diào)和飽和度描述彩色信息。因此，將I和Q的值賦為0，Y值保持不變，就可以達(dá)到僅保留圖像灰度信息的目的。然后，使用公式

返回RGB空間，得到原紅外熱像變換后的灰度圖像。

應(yīng)用上述灰度變換方法對原始紅外熱像灰度化處理后得到的結(jié)果見圖1（b）。

圖1 原始紅外熱像及灰度化圖像Fig.1 Original infrared thermal image and gray-level image

1.2.2 高斯高通濾波

通過分析灰度化后的圖像，可以看出通孔所模擬缺陷的灰度值與正常表面灰度值有很大差異，而兩道深度較淺的裂紋性缺陷所對應(yīng)的灰度值與正常表面幾乎沒有差異。因此，用灰度值閾值方法進(jìn)行缺陷分割對于此類圖像很難取得理想的處理效果。借鑒人工識別3個缺陷的經(jīng)驗可知，缺陷邊緣與其周圍像素灰度存在著較大差異是人工識別缺陷的主要依據(jù)，因此可以使用邊緣增強來進(jìn)行缺陷的增強，以提高缺陷識別的精度。

銳化技術(shù)是用于加強圖像中的目標(biāo)邊界和圖像細(xì)節(jié)的一種處理方法［10］。圖像中的邊緣對應(yīng)圖像的高頻成分，因此選擇高通濾波器來銳化圖像，從而實現(xiàn)缺陷成分的增強。常用的高通濾波器有理想高通濾波器、高斯高通濾波器和巴特沃思高通濾波器等類型。由于高斯高通濾波器比其他兩種高通濾波器的濾波效果都要更加平滑［9］，因此本文使用高斯型高通濾波器來銳化圖像。

截至頻率距原點為D0的高斯型高通濾波器的傳遞函數(shù)為

式中，D（u，v）為點（u，v）距離頻率矩形中心的距離。假設(shè)所要處理的圖像尺寸為M×N，則它的傅里葉變換也具有相同的尺寸。在變換被中心化后，頻率矩形的中心位于（u，v）=（M/2，N/2）處，因此，點（u，v）距離頻率矩形中心的距離為

濾波后的圖像為

式中，F(xiàn)（u，v）為灰度圖像的傅立葉變換。

對圖1（b）進(jìn)行高斯高通濾波后的圖像如圖2所示。

圖2 高斯高通濾波后的圖像Fig.2 Gaussian high pass filter image

1.2.3 對數(shù)變換

由圖2可以看出，由于高通濾波器偏離了直流項，從而把圖像的平均值降低到了零，而背景基本接近于黑色。對此類圖像的傳統(tǒng)補償方法有高頻提升濾波和高頻強調(diào)濾波，這兩種方法都可以在一定程度上增強圖像的平均強度。分別使用這兩種方法，結(jié)合后續(xù)提出的缺陷提取方法，對紅外熱像實例進(jìn)行處理。處理結(jié)果表明，這兩種補償方法對最終的缺陷提取的效果均不夠理想。因此，本文中使用對比度拉伸對高頻濾波后的圖像進(jìn)一步增強。

使用對數(shù)變換的對比度拉伸方法，對數(shù)變換可以使亮度較低的部分得到拉伸，而亮度較高的部分得到壓縮。可以描述為

式中，rk為輸入圖像第k個像素的灰度值;sk為該像素對數(shù)變換后的灰度值;n為輸入圖像的像素數(shù);a、b、c為對數(shù)變換的參數(shù)，其值根據(jù)應(yīng)用對象確定。

通過實例測試發(fā)現(xiàn)，對于本類應(yīng)用對象，將參數(shù)選為a=1，b=0，c=0.8可以得到良好的效果。圖2經(jīng)過對數(shù)變換后的結(jié)果如圖3（a）所示。實例結(jié)果表明，該方法可以取得良好的處理效果。

1.2.4 二值化處理

使用閾值方法對對數(shù)變換后的灰度圖像進(jìn)行二值化處理，轉(zhuǎn)換成黑白圖像。設(shè)定一個閾值，對每一像素的灰度值作判斷，大于此閾值將其設(shè)為黑色，小于或等于此閾值則將其設(shè)為白色。即

式中，l為設(shè)定的閾值;skl為二值化處理后該像素點的灰度值。

閾值的選取對于分割結(jié)果的影響很大，本文中基于直方圖選取此閾值。由于工件表面絕大多數(shù)為正常表面，缺陷和噪聲占有的像素數(shù)通常遠(yuǎn)小于正常表面的，因此直方圖中最高點的灰度值所代表的通常是正常表面的灰度值?；诖酥祵⒍祷幚淼拈撝颠x為

式中，r為直方圖中最高點對應(yīng)的灰度值;d為調(diào)整參數(shù)，選為d=2。

處理后的效果如圖3（b）所示。由圖3（b）可以看出，二值化處理后的圖像中，缺陷成分得到相當(dāng)程度地增強。

圖3 對數(shù)變換及二值化處理后的圖像Fig.3 Logarithm ic transformation image and binary image

綜上所述，綜合應(yīng)用灰度化、高斯高通濾波、對數(shù)變換和二值化的方法對原始紅外熱像進(jìn)行處理后，圖像中無缺陷區(qū)域表現(xiàn)為黑色像素，而缺陷和噪聲成分則表現(xiàn)為白色像素，這樣的處理結(jié)果可為圖像分割奠定重要的基礎(chǔ)。

2 圖像分割

經(jīng)過圖像增強后，缺陷成分在圖像中已經(jīng)得到比較明顯的體現(xiàn)。為了將缺陷部分從整個圖像中自動提取出來，需要使用圖像分割技術(shù)做進(jìn)一步的處理。

對于存在表面缺陷的工件，其紅外熱像具有兩個特征:其一是每個缺陷在空間上是連續(xù)的，在圖像中表現(xiàn)為每個缺陷對應(yīng)的像素具有連通性，以裂紋缺陷為例，從裂紋的起點到終點，其在空間上是基本連續(xù)的，在圖像上則表現(xiàn)為一組連通的像素;其二是圖像中的噪聲成分通常呈散點分布，且所覆蓋區(qū)域的面積相對于缺陷而言非常小。

提出一種用于缺陷檢測的形態(tài)學(xué)紅外熱像分割方法。首先，基于特征一，將增強圖像中灰度值為255的8－連通分量檢測出來，這些連通分量對應(yīng)缺陷和噪聲兩部分;基于特征二，計算檢測出的每個8－連通分量包含的像素個數(shù)，即連通分量在空間中的尺寸。以連通分量所含像素個數(shù)為對象進(jìn)行閾值處理。根據(jù)連通分量包含像素數(shù)的分布情況，設(shè)定一個合適的閾值，所含像素數(shù)大于此閾值的連通分量對應(yīng)的是缺陷，否則為干擾噪聲。

2.1 8-連通分量檢測

坐標(biāo)為（x，y）的像素具有8個鄰接像素，其坐標(biāo)分別為:（x+1，y），（x－1，y），（x，y+1），（x，y－1），（x+1，y+1），（x+1，y－1），（x－1，y+1），（x－1，y－1）。在二值圖像中，兩個像素如果是8鄰接像素，僅當(dāng)它們具有同一灰度值時，才具有連通性。對于增強后的圖像，缺陷和噪聲的灰度值為255，正常表面的灰度值為0，所以僅對灰度值為255的像素進(jìn)行8-連通分量的檢測。

8-連通分量檢測可以使用形態(tài)學(xué)的方法實現(xiàn)。數(shù)學(xué)形態(tài)學(xué)的概念由Matheron［11］提出，Serra［12］將其用于圖像處理中。令Y表示一個包含于集合A中的連通分量，并假設(shè)Y中的一個點p為已知，使用下式即可得到Y(jié)的所有元素:

其中，X0=p，B為3×3的結(jié)構(gòu)元素。如果Xk=Xk－1，則算法收斂，并且令Y=Xk。

應(yīng)用式（9）對圖3（b）進(jìn)行8-連通分量檢測，結(jié)果顯示圖3（b）中共有309個8-連通分量。8-連通分量所包含像素的個數(shù)分布如圖4所示。由圖4可以看出，有5個連通分量所含的像素數(shù)遠(yuǎn)遠(yuǎn)大于其他的連通分量，其編號分別為1、2、6、113、117。

圖4 連通分量所包含的像素數(shù)Fig.4 Number of pixels in connected com ponen ts

2.2 連通分量像素數(shù)的閾值處理

由于缺陷的空間連續(xù)性，工件表面缺陷對應(yīng)的圖像連通像素個數(shù)與噪聲相比通常很大。在本文實例中，有5個連通分量所包含的像素個數(shù)遠(yuǎn)遠(yuǎn)大于其他連通分量，因此使用閾值方法可以將這5個連通分量提取出來。由于缺陷和噪聲所含像素數(shù)的顯著差異，閾值可以在較大范圍內(nèi)選取。根據(jù)連通分量包含像素數(shù)目的曲線圖，可以很容易地選擇一個合適的閾值。當(dāng)閾值選為100時，編號為1、2、6、99、106的連通分量被判斷為缺陷，所含像素的灰度值保持為255。其他連通分量由于所含像素值小于閾值，判斷為噪聲干擾，所含像素的灰度像素值都置為0。圖5中給出了閾值選為100時的分割結(jié)果，其中白色對應(yīng)缺陷成分，黑色對應(yīng)試件無缺陷區(qū)域。由于閾值選取對圖像處理效果具有重要的影響，因此閾值的自動確定是下一步研究工作的目標(biāo)。

圖5 分割結(jié)果Fig.5 Result of segmentation

圖5的5個連通分量分別為與裂紋缺陷對應(yīng)的兩條直線、與通孔對應(yīng)的兩個半圓，以及試件上方由于高斯高通濾波引入的影響區(qū)域。其中試件上方的連通分量是由于離散傅里葉變換計算中暗含的周期性造成的，這一影響還有待在下一步研究工作中通過選用合適的方法將其去除。從圖5可以明顯看出，經(jīng)過對原始紅外熱像的一系列處理，缺陷區(qū)域已經(jīng)被精確地與無缺陷區(qū)域分割開來。

3 結(jié)束語

提出灰度化、高斯高通濾波、對數(shù)變換和二值化處理相結(jié)合的圖像處理方法，用于鋼制試件紅外熱像的增強。依據(jù)缺陷的連續(xù)性、噪聲與缺陷相比面積通常很小的特征，應(yīng)用形態(tài)學(xué)圖像處理方法提出基于連通分量所含像素數(shù)閾值的缺陷分割方法。以具有多類型缺陷試件的紅外熱像為實例，對提出的增強和分割方法進(jìn)行試驗驗證。新提出的紅外熱像處理方法使圖像中所含缺陷成分得到很大程度的突出，并且能夠?qū)崿F(xiàn)工件表面不同類型缺陷的精確、有效識別。

［1］陳伯良.紅外焦平面成像器件的重大應(yīng)用［J］.紅外與激光工程，2005，34（2）:168-172.

CHEN Bo-liang.Importantapplications of IRFPA imaging devices［J］.Infrared and Laser Engineering，2005，34 （2）:168-172.

［2］NODA N.Thermal stresses intensity factor for functionally gradient platewith an edge crack［J］.Journal of Thermal Stresses，1997，20（3）:373-387.

［3］PAL N R，PAL S K.A review on image segmentation techniques［J］.Pattern Recognition，1993，26（9）: 1277-1294.

［4］JIAN Bo-shi，JITENDRAMalik.Normalized cuts and image segmentation［J］.IEEE Transactions on Pattern A-nalysis and Machine Intelligence，2000，22（8）:888-905.

［5］ROBERT M，HARALICK，LINDA G Shapiro.Image segmentation techniques［J］.Computer Vision，Graphics，and Image Processing，1985，29（1）:100-132.

［6］SONG Chun-zhu，ALAN Yuille.Region competition:unifying snakes，region growing，and Bayes/MDL for multiband image segmentation［J］.IEEE Transactionson Pattern Analysis and Machine Intelligence，1996，18（9）: 884-900.

［7］DATTOMA V，MARCUCCIOR，PAPPALETTEREC，et al.Thermography investigation of sandwich structure made of compositematerial［J］.NDT＆E International，2001，34（8）:515-520.

［8］邢素霞，張俊舉，常本康，等.非制冷紅外熱成像技術(shù)的發(fā)展與現(xiàn)狀［J］.紅外與激光工程，2004，33（5）: 441-444.

XING Su-xia，ZHANG Jun-ju，CHANG Ben-kang，etal.Recent development and status of uncooled IR thermal imaging technology［J］.Infrared and Laser Engineering，2004，33（5）:441-444.

［9］RAFAEL C，GONZALEZ，RICHARD E woods.Digital image processing［M］.Prentice Hall，2007.

［10］CAROSENA Meola.A new approach for estimation of defects detection with infrared thermography［J］.Materials Letters，2007，61（3）:747-750.

［11］MATHERON G.Random sets and integral in geometry［M］.New York:Wiley，1975.

［12］SERRA J.Image analysis and mathematicalmorphology［M］.London:Academic，1982.

Infrared therm al im ages detecting surface defect of steel specimen based on morphological algorithm

XIE Jing1，YANG Xiao-yan2，XU Chang-hang1，CHEN Guo-ming1，GE Su-an3
（1.College of Electromechanical Engineering in China University of Petroleum，Qingdao 266580，China; 2.Qingdao China Petroleum EDISafety＆Environment Protection Company Limited，Qingdao 266071，China; 3.Northwest Oilfield Energy Saving Monitor Center of CNPC，Karamay 834000，China）

An infrared thermal image processing framework to detect surface defect of a steel specimen was proposed.It includes two steps:First，gray processing，Gaussian high pass filter，logarithmic transformation and thresholding were used on the original infrared thermal image in sequence for contrast enhancement;Second，based on the spatial continuity of defect and the size difference between noise and defect，a segmentation method based on morphological algorithm was applied.The threshold number of pixels contained in connected componentwas set and the effective segmentation of the infrared thermal imagewas realized.Experimental results show that the proposed framework has very promising segmentation performance and can obtain precise defect information of a steel specimen.It can be used as infrared detection and automatic identification means for components with surface defects.

morphological algorithm;infrared image;defect detection;connected component;image segmentation

TN 219

A

10.3969/j.issn.1673-5005.2012.03.025

1673-5005（2012）03-0146-05

2011－10－22

國家自然科學(xué)基金項目（50679083）

謝靜（1977－），女（漢族），山東茌平人，講師，碩士，研究方向為圖像處理與紅外熱成像無損檢測技術(shù)。

（編輯 沈玉英）