基于MCSA的感興趣區(qū)域定位方法

許浩均等

摘 要： 圖像邊緣檢測過程中產(chǎn)生的許多噪聲邊緣不僅影響后續(xù)算法的效率，還嚴(yán)重影響目標(biāo)的準(zhǔn)確識(shí)別。這里提出一種基于最大連續(xù)子序列算法的目標(biāo)預(yù)定位方法。先利用LoG提取圖像邊緣，在標(biāo)定邊緣坐標(biāo)的基礎(chǔ)上，計(jì)算所有邊緣的最大灰度差，經(jīng)閾值初步去除大部分噪聲邊緣后，再用最大連續(xù)子序列算法將與缺陷邊緣相接的噪聲邊緣濾除，最后利用區(qū)域填充得出待定缺陷區(qū)域。實(shí)驗(yàn)結(jié)果表明，該方法能有效地去除噪聲邊緣并獲得包含缺陷邊緣的掩膜區(qū)域，從而有效提高后續(xù)缺陷識(shí)別算法的效率。

關(guān)鍵詞： 預(yù)處理； 最大灰度差圖像； 最大連續(xù)子序列算法； 區(qū)域填充

中圖分類號(hào)： TN911.73?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）17?0103?04

Location method of interested region based on MCSA

XU Haojun， HUANG Qian， LIANG Zhaomin， LI Xueyong

（School of Electronics and Information Engineering， South China University of Technology， Guangzhou 510640， China）

Abstract： Numerous noise edges produced in the process of image edge detection can affect the efficiency of the following algorithm and accurate recognition of the targets. A target pre?positioning method based on maximum continuous subsequence algorithm （MCSA） is proposed. The image edge is extracted by using LoG， and the maximum grayscale differences of all the edges are calculated on the basis of calibrating edge coordinates. Most noise edges are eliminated by threshold， then noise edges connected with defect edges are eliminated by using MCSA. The undetermined defect regions are obtained by region filling. The experimental results show that this method can eliminate noise edges effectively and obtain mask regions containing defect edges， which can improve the efficiency of subsequent defect recognition algorithm greatly.

Keywords： pretreatment； maximum grayscale difference image； MCSA； region filling

0 引 言

在工業(yè)射線檢測中，由于人工判別缺陷存在穩(wěn)定性和可靠性不高等問題，人們一直在尋求高效準(zhǔn)確的缺陷自動(dòng)檢測算法。目前國內(nèi)外在缺陷自動(dòng)檢測方面使用的算法大致分為：基于閾值的檢測[1]、基于邊緣的檢測[2]、基于聚類的檢測[3]、使用支持向量機(jī)進(jìn)行識(shí)別的方法[4]以及多視角檢測缺陷的方法。D. Mery提出了一種使用多射線源得到的圖像序列進(jìn)行缺陷檢測的方法[5]，這種方法基于圖像處理技術(shù)，能有效去除單一視角檢測中誤檢的缺陷。

為了提高鑄件缺陷檢測效率和準(zhǔn)確性，通常需要將缺陷所在的小區(qū)域預(yù)先進(jìn)行分割，如何保證將工件的缺陷無遺漏地覆蓋，是缺陷識(shí)別算法工作的關(guān)鍵。本文提出一種自動(dòng)提取X射線圖像中的缺陷區(qū)域，即感興趣區(qū)域（Region of Interest，RoI）的定位算法，該算法可以準(zhǔn)確提取出一組空間范圍更小的候選缺陷掩膜區(qū)域。實(shí)驗(yàn)結(jié)果表明，該算法能夠保證在有效去除噪聲邊緣的同時(shí)保留缺陷邊緣，從而很大程度地提高后續(xù)處理的速率。

1 RoI定位算法及其實(shí)現(xiàn)

1.1 鑄件缺陷的特征

X射線無損探傷的主要原理是射線衰減原理[6]，X射線透過被檢工件照射到探測器上，探測器根據(jù)接收到的射線強(qiáng)度得到一幅灰度圖像，工件中不連續(xù)的部分在圖像中表現(xiàn)為灰度值不連續(xù)。檢測人員可通過射線圖像觀察到工件中的空隙、氣孔、裂痕等缺陷。

圖1所示為一張鑄件X射線圖像及其經(jīng)過LoG邊緣檢測的結(jié)果圖。結(jié)果圖中包含了很多封閉的邊緣。圖1（a）中箭頭[B]所指的平滑區(qū)域受噪聲的影響同樣會(huì)產(chǎn)生大量封閉的邊緣。這些封閉的噪聲邊緣嚴(yán)重地增加了后續(xù)缺陷識(shí)別算法的處理時(shí)間。

分析圖1（a）和圖1（b）中兩個(gè)箭頭所指區(qū)域可以發(fā)現(xiàn)，箭頭B所指區(qū)域的灰度值明顯比箭頭A所指區(qū)域的灰度值低。利用鑄件射線圖像中有缺陷區(qū)域與無缺陷區(qū)域灰度差不同這一先驗(yàn)特征，本文提出一種用于缺陷區(qū)域預(yù)判的算法流程。

1.2 最大灰度差圖像

最大灰度差圖像通過測試圖像及其邊緣圖像獲取，獲取方法為：對(duì)圖1（b）的每個(gè)邊緣點(diǎn)及其八鄰域（如圖2所示）進(jìn)行下列步驟的處理。

（1） 在以下四個(gè)方向上計(jì)算灰度差的絕對(duì)值：

[f（x-1，y-1）-f（x+1，y+1）， f（x，y-1）-f（x，y+1），][f（x+1，y-1）-f（x-1，y+1），][f（x-1，y）-f（x+1，y）。]其中[f（x，y）]是原始圖像中點(diǎn)[（x，y）]的灰度值。

（2） 找出（1）中的最大值作為最大灰度差圖像點(diǎn)[（x，y）]的值。整幅最大灰度差圖像的生成過程可以表示為：

[MGDIx，y=maxfx-1，y-1-fx+1，y+1， fx，y-1-fx，y+1，fx+1，y-1-fx-1，y+1， fx-1，y-f（x+1，y） （1）]

圖3所示為一幅最大灰度差圖像，圖3（c）圓圈內(nèi)的缺陷區(qū)域的灰度差較平滑區(qū)域大。

1.3 最大連續(xù)子序列算法

通常去除噪聲邊緣并提取RoI是利用最大灰度差圖像計(jì)算每一條邊緣上所有點(diǎn)的最大灰度差的平均值，選擇一個(gè)合適的閾值去除噪聲邊緣，但當(dāng)噪聲邊緣和缺陷邊緣連接在一起時(shí)，噪聲邊緣和缺陷邊緣則無法區(qū)分，如圖4所示。圖4（b）的圓圈內(nèi)既有缺陷邊緣又有噪聲邊緣，這將給進(jìn)一步的目標(biāo)準(zhǔn)確識(shí)別帶來很多冗余信息。本文提出一種基于最大連續(xù)子序列算法（Maximum Continuous Subsequence Algorithm，MCSA）的方法解決上述噪聲邊緣問題。

對(duì)于最大灰度差圖像中的每一條邊緣[Ei，]進(jìn)行如下處理：

（1） 記錄邊緣點(diǎn)的信息

沿著邊緣[Ei]進(jìn)行跟蹤，并用順序循環(huán)表[Li]記錄每一個(gè)邊緣點(diǎn)的坐標(biāo)[C，]以及在最大灰度差圖像中對(duì)應(yīng)點(diǎn)的計(jì)算值[V。]順序表[Li]中每個(gè)元素都是由邊緣點(diǎn)的坐標(biāo)[C]及其在最大灰度差圖像中對(duì)應(yīng)點(diǎn)的值[V]兩部分組成。在表[Li]中，元素均沿著邊緣[Ei]順序記錄，每個(gè)元素都在其相鄰元素的八鄰域中，如果是噪聲邊緣，由于其周圍的灰度差很小，則噪聲邊緣的[V]值相對(duì)于缺陷邊緣的[V]值將是很小的值，在平滑區(qū)域則接近于0。

（2） 判定篩選噪聲邊緣

由于大部分非缺陷邊緣的[V]值很小，如圖3（c）所示，選擇一個(gè)合適的閾值[θ，]將循環(huán)表[Li]中所有元素的[V]部分同時(shí)減去[θ。]如果邊緣點(diǎn)處[V-θ≤0，]則判斷該邊緣是噪聲邊緣；將不再保留該邊緣。如果邊緣點(diǎn)處[V-θ>0，]則判斷該邊緣包含缺陷邊緣，該部分邊緣予以保留。

對(duì)邊緣點(diǎn)處既有[V-θ≤0]又有[V-θ>0]的邊緣進(jìn)行如下處理：尋找循環(huán)表中所有[V-θ>0]的最大連續(xù)子序列并保存下來，舍棄表中其余元素。

（3） 連接相鄰的端點(diǎn)

通過檢查子序列的首尾元素的坐標(biāo)[C]是否在彼此的八鄰域中，可以檢查上一步保存下來的所有最大連續(xù)子序列是否封閉。如不封閉但其首尾元素的坐標(biāo)[C]在另一最大連續(xù)子序列的首尾元素的八鄰域中，則將其連接起來保證邊緣的封閉性。

（4） 判斷篩選工件邊緣

工件中缺陷的大小相對(duì)于整體工件結(jié)構(gòu)小很多，但上述保留邊緣的方法有可能將工件邊緣作為封閉邊緣予以保留，因此選擇一個(gè)邊緣的長度閾值[l]進(jìn)一步去除非缺陷邊緣。

（5） 區(qū)域填充

本文進(jìn)一步采用文獻(xiàn)[7]的掃描線種子填充算法對(duì)上一步得到的邊緣圖像進(jìn)行區(qū)域填充，如圖5所示。區(qū)域填充后得到的是包含缺陷的掩膜區(qū)域而不僅僅是邊緣，另外，區(qū)域填充能夠去除不封閉的邊緣，更準(zhǔn)確地定位缺陷區(qū)域，提取出包含缺陷的RoI為后續(xù)的缺陷提取算法服務(wù)。圖5（a）中圓圈內(nèi)不封閉邊緣經(jīng)過區(qū)域填充后被去除。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)結(jié)果

本節(jié)對(duì)上述算法進(jìn)行實(shí)驗(yàn)驗(yàn)證。經(jīng)過反復(fù)測試調(diào)整，得到了一套較為穩(wěn)定的參數(shù)，具體的參數(shù)設(shè)置為：LoG算子的高斯標(biāo)準(zhǔn)差[σ=2.5，]閾值[θ=4，][l=200，]實(shí)驗(yàn)過程中參數(shù)保持一致。對(duì)80幅輪轂X射線圖像進(jìn)行了測試，其中絕大部分圖像的RoI定位得到了滿意的效果，圖6給出了其中一部分的實(shí)驗(yàn)結(jié)果。圖6中由左至右的每列圖像分別為原始圖像，LoG邊緣檢測的結(jié)果圖像，使用最大連續(xù)子序列提取RoI的圖像，以及經(jīng)過填充的圖像。將所有的LoG邊緣檢測的結(jié)果圖像和經(jīng)過填充的圖像進(jìn)行對(duì)比，由圖可以看出，本文所提出的RoI定位方法不僅能去除大量的噪聲邊緣，同時(shí)還保證所有的缺陷邊緣得以保留，令噪聲邊緣與缺陷邊緣連接在一起的問題也得以解決。

下面還利用了覆蓋率和提速率評(píng)估本文提出的算法。

2.2 覆蓋率

覆蓋率是評(píng)估算法得出的RoI是否能包含全部缺陷的標(biāo)準(zhǔn)。覆蓋率的計(jì)算如公式（2）所示：

[覆蓋率=RoI缺陷的數(shù)量原始圖像缺陷的數(shù)量] （2）

覆蓋率是一個(gè)重要的評(píng)估標(biāo)準(zhǔn)，如果得不到很高的覆蓋率，本文的RoI定位方法則實(shí)用意義不大。實(shí)驗(yàn)中，80幅圖像得出的平均覆蓋率是99%?？紤]到一些小的或者模糊的缺陷在鑄件檢測中屬于合格產(chǎn)品范圍，則本文方法在覆蓋率方面已經(jīng)很高。圖6圖像的覆蓋率如表1所示。

2.3 提速率

提速率是評(píng)估本文提出方法的另一個(gè)標(biāo)準(zhǔn)，提速率的計(jì)算如公式（3）所示：

[提速率=LoG邊緣圖像邊緣的總數(shù)量RoI邊緣的總數(shù)量] （3）

圖6中圖像的提速率如表2所示，從表中數(shù)據(jù)可知，經(jīng)過本文提出的預(yù)處理方法處理后，后續(xù)的缺陷提取至少能提高5倍的速度。

2.4 與其他預(yù)處理方法對(duì)比

文獻(xiàn)[8]使用一種先用山峰定位算法定位缺陷位置，再用卷積得出RoI的預(yù)處理方法。對(duì)圖6中第4幅圖的處理結(jié)果如圖7所示。

從圖7方框內(nèi)的RoI可以看出，本文提出的預(yù)處理方法定位缺陷更精確。相對(duì)于文獻(xiàn)[8]需多次遍歷圖像的方法，本文方法不僅定位準(zhǔn)確，而且耗時(shí)更少。

3 結(jié) 論

本文提出一種利用最大連續(xù)子序列去除噪聲邊緣，然后經(jīng)過區(qū)域填充得出鑄件X射線圖像RoI的缺陷識(shí)別預(yù)處理方法。實(shí)驗(yàn)結(jié)果表明，這種方法在保留缺陷輪廓的同時(shí)能有效地去除噪聲邊緣，從而很好地提高后續(xù)缺陷提取算法的速度。

參考文獻(xiàn)

[1] 龍建武，申鉉京，陳海鵬.自適應(yīng)最小誤差閾值分割算法[J].自動(dòng)化學(xué)報(bào)，2012，38（7）：1134?1144.

[2] DOLLAR P， ZITNICK C L. Structured forests for fast edge detection [C]// 2013 IEEE International Conference on Computer Vision. Sydney： IEEE， 2013： 1841?1848.

[3] ZHOU Huiyun， LI Xuelong， SCHAEFER G， et al. Mean shift based gradient vector flow for image segmentation [J]. Journal of Computer Vision and Image Understanding， 2013， 117（9）： 1004?1016.

[4] 李東，盧虹冰.基于免疫算法優(yōu)化的乳腺腫瘤圖像識(shí)別[J].現(xiàn)代電子技術(shù)，2014，37（4）：108?111.

[5] MERY D， RIFFO V， ZUCCAR I， et al. Automated X?Ray object recognition using an efficient search algorithm in multiple views [C]// Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Washington， DC： IEEE， 2013： 368?374.

[6] MERY D. Processing digital X?ray images and its application in the automated visual inspection of aluminum casting [C]// 2003 the 3rd Panamerican Conference for Nondestructive Testing. Rio de Janeiro： PANNDT， 2003： 641?655.

[7] 郭文平，龍幫強(qiáng).掃描線種子填充算法的改進(jìn)[J].天津工業(yè)大學(xué)學(xué)報(bào)，2008，27（2）：48?51.

[8] 吳煒峰.基于水平集的灰度不均勻圖像分割研究[D].廣州：華南理工大學(xué)，2013.