基于頻域信息與梯度特征融合的接觸軌面缺陷檢測(cè)

趙奕開(kāi) 鄭樹(shù)彬 李立明

摘 要：為了提高針對(duì)接觸軌表面缺陷的檢測(cè)效率，提出一種基于頻域信息與梯度特征的軌面缺陷檢測(cè)算法。四元數(shù)傅里葉變換算法可以通過(guò)圖像顏色、亮度、與運(yùn)動(dòng)特征來(lái)計(jì)算圖像顯著性，分析獲得圖像的頻譜和相位;并在空域中計(jì)算構(gòu)建相應(yīng)的缺陷目標(biāo)顯著圖，得到缺陷區(qū)域;并通過(guò)以圖像梯度算法與四元數(shù)傅里葉變換結(jié)合的方式進(jìn)行顯著圖像效果增強(qiáng)，最終完成檢測(cè)，且進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，融合算法對(duì)于接觸軌中常見(jiàn)的若干種缺陷類型都能夠做到實(shí)時(shí)、穩(wěn)定、快速的識(shí)別分析，且誤檢、漏檢率較低。

關(guān)鍵詞： 接觸軌缺陷檢測(cè);顯著性檢測(cè);四元傅里葉變換;圖像梯度

【Abstract】 In order to improve the efficiency of rail surface defect detection， a rail surface defect detection algorithm based on frequency domain information and gradient features is proposed. Quaternion Fourier transform algorithm can calculate image saliency by image color， brightness， and motion characteristics， and get the spectrum and phase of the image; then calculate and construct the corresponding defect target saliency map in spatial domain to get defect area; and enhance the image effect by combining image gradient algorithm with quaternion Fourier transform， finally complete the detection. The results are tested and verified by experiments. The experimental results show that the algorithm can identify and analyze several common types of defects in contact rails in real time， stably and quickly， and the rate of false detection and missed detection are low.

【Key words】 ?track defect detection; saliency detection; quaternion Fourier transform; image gradient

0 引 言

在地鐵運(yùn)行系統(tǒng)中，穩(wěn)定的電源供應(yīng)是保證機(jī)車運(yùn)行的必要條件之一，大部分地鐵線路主要采用具有結(jié)構(gòu)簡(jiǎn)單、穩(wěn)定性好、簡(jiǎn)潔美觀等優(yōu)點(diǎn)的接觸軌受流方式。但由于常年高強(qiáng)度的使用，表面常會(huì)出現(xiàn)許多缺陷，如擦傷、疤痕、裂痕等，對(duì)列車的行駛安全造成隱患。本文將針對(duì)常見(jiàn)缺陷提出一種更高效簡(jiǎn)便的檢測(cè)算法。

2007年，Hou等人 [1]提出了譜殘差顯著性檢測(cè)算法（spectralresidual，SR），根據(jù)圖像的頻譜信息計(jì)算圖像顯著性;該方法具有原理清晰、代碼簡(jiǎn)潔、無(wú)需調(diào)整參數(shù)的特點(diǎn)。除此之外，還有基于傅里葉頻率調(diào)諧的顯著性檢測(cè)算法（frequency-tuned，F(xiàn)T）[2]、基于圖像簽名的顯著性檢測(cè)（image signature，IS）[3]以及基于脈沖離散余弦變換的顯著性檢測(cè)算法（pulse discrete cosine transform，PCT）[4]等。在基于傅里葉變換的圖像顯著性檢測(cè)中，Guo等人[5]提出了一種針對(duì)圖像亮度特征進(jìn)行傅里葉變換的圖像顯著性檢測(cè)模型（phase spectrum of quaternion Fourier transform，PFT），通過(guò)得到相位譜的傅里葉反變換定義圖像顯著性。得到了優(yōu)于其他基于相同原理算法的顯著圖;并在此基礎(chǔ)上提出了使用圖像的2個(gè)獨(dú)立顏色特征、一個(gè)亮度特征和一個(gè)視頻序列的運(yùn)動(dòng)特征來(lái)計(jì)算視頻顯著性的基于四元數(shù)的傅里葉相位譜顯著性檢測(cè)模型（phase spectrum of quaternion Fourier transform，PQFT）[5]。該顯著性檢測(cè)模型結(jié)合了圖像中包含的靜態(tài)特征與運(yùn)動(dòng)特征進(jìn)行檢測(cè);并且四元數(shù)傅里葉變換算法相對(duì)于傳統(tǒng)傅里葉變換算法來(lái)講彌補(bǔ)了其只能處理單一特征的缺點(diǎn)。不僅如此，由于PQFT算法融合了運(yùn)動(dòng)特征，因此在視頻序列的顯著性檢測(cè)上也具有很好的表現(xiàn)。

為了提高針對(duì)接觸軌表面常見(jiàn)缺陷的檢測(cè)效率，本文提出一種基于圖像頻域信息與梯度特征的軌面缺陷檢測(cè)算法。首先，本文采用同態(tài)濾波預(yù)處理的方法，設(shè)計(jì)了針對(duì)高、低頻分量影響不同的濾波函數(shù)，減弱圖像低頻部分，擴(kuò)大高頻部分，做到既減弱圖像噪聲影響，同時(shí)又增強(qiáng)了缺陷目標(biāo)和背景的對(duì)比度。其次，以圖像梯度算法與PQFT算法結(jié)合的顯著圖像增強(qiáng)算法，分析獲得圖像的頻譜和相位譜，通過(guò)計(jì)算在空域中構(gòu)建相應(yīng)的缺陷目標(biāo)顯著圖，得到缺陷區(qū)域，最終完成檢測(cè)。本文對(duì)此擬展開(kāi)研究論述如下。

1 缺陷顯著性檢測(cè)

本文檢測(cè)算法流程如圖1所示。其中，接觸軌成像系統(tǒng)由負(fù)責(zé)拍攝的高速面陣相機(jī)、負(fù)責(zé)恒定亮度的LED光源以及負(fù)責(zé)調(diào)整角度的高精度相機(jī)調(diào)節(jié)設(shè)備等部分共同組成。

研究中，為消除采集到的圖像效果因外界因素干擾而產(chǎn)生對(duì)后續(xù)檢測(cè)造成的不必要影響，本文將通過(guò)同態(tài)濾波處理的方式對(duì)圖片進(jìn)行預(yù)處理，加深缺陷區(qū)域與普通無(wú)傷軌面的對(duì)比差異;同時(shí)對(duì)圖像進(jìn)行頻域空間幅值信息的分析與獲取相位譜信息;再通過(guò)圖像梯度算法來(lái)對(duì)圖像做進(jìn)一步處理，突出邊界信息，最終實(shí)現(xiàn)顯著性區(qū)域的識(shí)別，完成檢測(cè)。

2 缺陷檢測(cè)算法

2.1 圖像濾波預(yù)處理

同態(tài)濾波屬于頻域?yàn)V波的類別。同態(tài)濾波的優(yōu)點(diǎn)在于可以解決普通頻率濾波難以解決的乘性噪聲或卷積性噪聲（非線性噪聲）。

通過(guò)對(duì)此類噪聲進(jìn)行一系列數(shù)學(xué)運(yùn)算可將其轉(zhuǎn)換成加性噪聲，再用線性濾波方法進(jìn)行分離處理，處理結(jié)束后再通過(guò)反變換運(yùn)算輸出處理后的圖像。其運(yùn)算流程如圖2所示。

2.3 基于圖像梯度與四元數(shù)傅里葉變換算法結(jié)合的顯著圖像增強(qiáng)

為了進(jìn)一步提高上文所得到缺陷顯著性圖的清晰度，本文將圖像梯度與PQFT算法相結(jié)合，來(lái)有效實(shí)現(xiàn)顯著信息增強(qiáng)。

在一幅圖像中，圖像梯度能夠表現(xiàn)為邊緣與結(jié)構(gòu)的關(guān)系;視覺(jué)顯著性則可以表示一幅圖像中針對(duì)人類視覺(jué)最具吸引力的區(qū)域。

因此研究中可將上述2種表現(xiàn)方式結(jié)合，即當(dāng)圖片中的待檢測(cè)區(qū)域既有邊緣結(jié)構(gòu)、又同時(shí)為視覺(jué)顯著性區(qū)域時(shí)，則可更清晰地得到缺陷顯著圖[9]。實(shí)驗(yàn)結(jié)果如圖5所示。由圖5可以觀察到，利用此種算法可以更加精準(zhǔn)地獲得接觸軌面缺陷顯著性圖。

作為數(shù)字圖像處理的重要內(nèi)容，梯度算法可以加強(qiáng)體現(xiàn)圖像中重要目標(biāo)和均質(zhì)背景之間的突出變化。邊緣檢測(cè)是圖像梯度性質(zhì)最常應(yīng)用的領(lǐng)域，其最重要性質(zhì)是梯度方向體現(xiàn)在圖像灰度最大變化率上[10]。而在現(xiàn)場(chǎng)采集圖像中存在常見(jiàn)缺陷的接觸軌表面上，發(fā)生缺陷的區(qū)域通常有著灰度值變化率較大的特點(diǎn)，故而可據(jù)此特點(diǎn)有效區(qū)分出背景區(qū)域與目標(biāo)區(qū)域。同時(shí)，圖片通過(guò)梯度算法處理后可以大幅減少數(shù)據(jù)量，消除大部分冗余背景信息，且保留了圖像中顯著度較高的邊緣信息。研究推得該計(jì)算方法及公式表達(dá)可做重點(diǎn)闡釋如下。

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

本文算法有效性的檢驗(yàn)與實(shí)現(xiàn)是在Inter Core 2.6 Ghz CPU 4 GB內(nèi)存4 GB Win10系統(tǒng)的PC機(jī)上通過(guò)Matlab軟件進(jìn)行識(shí)別檢測(cè)。缺陷檢測(cè)類型為常見(jiàn)的4類缺陷，即：疤痕、劃痕、波紋擦傷、麻點(diǎn)。樣本圖像檢測(cè)效果圖如圖6所示。

由于現(xiàn)場(chǎng)采集圖像樣本有限，本文通過(guò)對(duì)現(xiàn)有圖片進(jìn)行旋轉(zhuǎn)、對(duì)稱、裁剪、加噪等方法擴(kuò)充實(shí)驗(yàn)樣本數(shù)量，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行記錄。分別記錄其有效檢測(cè)數(shù)量、漏檢數(shù)量、誤檢數(shù)量，并隨即計(jì)算出檢測(cè)率、漏檢率、誤檢率、此后再與其它算法檢測(cè)結(jié)果進(jìn)行橫向?qū)Ρ?。其中，記錄x表示缺陷檢出個(gè)數(shù)，y表示漏檢個(gè)數(shù)，z 表示誤檢個(gè)數(shù)，n為缺陷樣本總個(gè)數(shù)，各檢測(cè)指標(biāo)的數(shù)字定義為：檢測(cè)率D=x/n，漏檢率L=y/n，誤檢率E=z/n。算法檢測(cè)結(jié)果對(duì)比見(jiàn)表1。

4 結(jié)束語(yǔ)

針對(duì)接觸軌表面常見(jiàn)缺陷檢測(cè)的實(shí)時(shí)性要求，以及對(duì)傳統(tǒng)檢測(cè)算法干擾噪聲較多、檢測(cè)效果以及效率不理想的問(wèn)題，本文提出了一種基于圖像頻域信息與梯度特征的軌面缺陷檢測(cè)算法。通過(guò)融合同態(tài)濾波方法去除光照不均勻的影響，構(gòu)建了四元傅里葉變換顯著性檢測(cè)模型，同時(shí)通過(guò)融合圖像梯度信息，最終實(shí)現(xiàn)了精準(zhǔn)分割提取缺陷區(qū)域。

在實(shí)驗(yàn)驗(yàn)證中，通過(guò)本文算法對(duì)單幅圖像進(jìn)行平均檢測(cè)的時(shí)間僅為34 ms，本文算法的優(yōu)點(diǎn)在于：不僅檢測(cè)速度快、準(zhǔn)確度高;且算法復(fù)雜度低，對(duì)于接觸軌中常見(jiàn)的若干缺陷種類，其平均檢測(cè)率達(dá)到了95%，有效降低了缺陷的漏檢率和誤檢率，且完全能夠滿足現(xiàn)階段接觸軌的檢測(cè)需求。

參考文獻(xiàn)

[1]HOU Xiaodi，ZHANG Liqing. Saliency detection： A spectral residual approach[C]/ / 2007 IEEE Computer Society Conference on Computer Vision and Pattern Recognition（CVPR 2007）. Minneapolis， Minnesota， USA： IEEE Computer Society，2007： 1-8.

[2]ACHANTA R，HEMAMI S，ESTRADA F，et al. Frequency-tuned salient region detection[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami， FL， USA： IEEE Computer Society，2009： 1597-1604.

[3]YU Ying， WANG Bin， ZHANG Liming. Pulse discrete cosine transform for saliency-based visual attention[C]//Proc of the 8th IEEE International Conference on Development and Learning.Shanghai， China：IEEE Press，2009： 41-46.

[4]HOU Xiaodi， HAREL J， KOCH C. Image signature： Highlighting sparse salient regions[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（1）：194-201.

[5]GUO Chenlei，MA Qi，ZHANG Liming.Spatio-temporal saliency detection using phase spectrum of quaternion Fourier transform[C]//2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR 2008）. Anchorage， Alaska， USA： IEEE Computer Society，2008： 2908-2915.

[6]ITTI L，KOCH C，NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（11）： 1254-1259.

[7]ENGEL S，ZHANG Xuemei，WANDELL B.Colour tuning in human visual cortex measured with functional magnetic resonance imaging[J]. Nature，1997，388（6637）：68-71.

[8]SANGWINE S J，ELL T A.The discrete Fourier transform of a colour image[C]//Image Processing II Mathematical Methods，Algorithms and Applications.Chichester UK：IEEE， 2000： 430-441.

[9]GUPTA R，CHAUDHURY S.A scheme for attentional video compression[J].Pattern Recognition and Machine Intelligence，2011，6744：458-465.

[10]鄧亞蒙. 圖像梯度與譜殘差結(jié)合的顯著性檢測(cè)方法[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，32（1）：80-83，94.