非均勻紋理復(fù)雜表面缺陷多光譜圖像顯著性融合

陳海永， 楊佳博， 陳 鵬， 劉 坤

(河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院， 天津 300130)

人工物理檢測法的檢測效率低而且容易造成二次損傷. Chen等[3]基于噪聲方式進(jìn)行檢測，該方法利用晶硅太陽能電池片的低頻噪聲與可靠性相關(guān)的性質(zhì)，通過對比缺陷太陽能電池片的噪聲和其非缺陷噪聲的差異來判斷是否有缺陷；Duenas等[4]和Istratov等[5]利用電路相關(guān)理論，通過分析硅片中的多數(shù)載流子和少數(shù)載流子的數(shù)量造成外部電壓的不同來判斷太陽能電池片缺陷的存在性. 與上述檢測方法相比，基于機(jī)器視覺的太陽能電池片表面缺陷檢測，具有穩(wěn)定、實時、精確且無二次損傷的優(yōu)點，已經(jīng)成為發(fā)展的主要方向. Anwar等[6]提出了基于缺陷梯度特征的檢測方法，但容易受到復(fù)雜背景的干擾，精度不高. Agroui等[7]利用聚類的方法，將缺陷部分和非缺陷部分區(qū)分，通過設(shè)定閾值得到缺陷部分的二值圖，但運算速度慢，實時性較差. Li等[8]提出了基于頻域分析的缺陷檢測，但其檢測精度略低，容易造成誤檢.

為了消除太陽能電池片復(fù)雜背景對缺陷識別與檢測的干擾，本文運用Yin等[9]在2006年提出的結(jié)構(gòu)紋理分解方法作為預(yù)處理手段，通過對太陽能電池片結(jié)構(gòu)與紋理的分離，去除復(fù)雜背景對融合效果的影響. 在單一條件下，無法兼顧把所有表面缺陷都很好地呈現(xiàn)出來，導(dǎo)致后續(xù)檢測漏檢率比較高，適用性比較局限. 應(yīng)用圖像融合技術(shù)來彌補(bǔ)去除背景帶來的細(xì)節(jié)問題以及互補(bǔ)不同采集條件下采集到的不同圖像的信息，可以提高圖像整體的質(zhì)量，更準(zhǔn)確地表達(dá)電池片本身所包含的信息. 因此，本文采取多光譜的方式進(jìn)行數(shù)據(jù)采集，最大程度上降低檢測難度，減少了復(fù)雜表面對特征信息提取的干擾. Gilles[10]在2013年提出經(jīng)驗小波變換(empirical wavelet transform，EWT)，其生成的經(jīng)驗濾波器含有經(jīng)驗信息，并且符合圖像內(nèi)在模式. 本文利用該小波變換對多光譜圖像濾波后產(chǎn)生的細(xì)節(jié)層進(jìn)行顯著性計算，得到顯著性圖，并根據(jù)顯著性圖得到缺陷區(qū)域的權(quán)重，然后對權(quán)重較大區(qū)域進(jìn)行基于對數(shù)變換的對比度增強(qiáng)，最后通過逆經(jīng)驗小波變換得到最后融合的圖像. 實驗結(jié)果表明，該算法可以有效提取電池片缺陷信息，同時抑制復(fù)雜背景帶來的噪聲.

1 多光譜圖像采集

1.1 多光譜成像

多光譜成像常用于遙感影像，是由不同波長可見光拍攝所形成的圖像，其像素值可以描述物體的光譜反射率，具有照明無關(guān)性. 利用這個特性，可以在一定程度上減少電池片復(fù)雜背景對缺陷檢測的影響. 圖1所示為本文算法流程圖. 圖2所示為白光條件下采集到的缺陷電池片圖像，背景干擾較大. 圖3所示為采集到的5種不同波長的多光譜灰度圖像，雖然減少了背景噪聲，但是同時丟失了大量信息；因此，需要通過圖像融合方法進(jìn)行重構(gòu).

1.2 多光譜圖像預(yù)處理

太陽能電池片的復(fù)雜背景會影響表面缺陷的可靠檢測，因此，為了消除影響，本文采用Yin等[9]提出的一種結(jié)構(gòu)紋理分解方法，將圖像結(jié)構(gòu)紋理看作分段光滑且具有銳利邊緣輪廓的結(jié)構(gòu)圖像u，以及僅包含精細(xì)尺度細(xì)節(jié)且具有一些振蕩性質(zhì)的紋理圖像v的總和，即f=u+v，公式為

(1)

采用真空預(yù)壓法加固軟土地基，施工過程如下：(1)在基礎(chǔ)上設(shè)置砂井或塑料排水板，在地面上鋪設(shè)一層砂墊層：(2)在砂墊上放置密封膜，使其與空氣隔離；(3)利用砂墊中的吸力管將密封膜中存在的空氣抽出，形成真空砂墊，同時在密封膜的內(nèi)外逐漸形成壓差。將其作用地基荷載，可增加地基的有效應(yīng)力，進(jìn)而起到加固作用。進(jìn)行空氣抽提作業(yè)前，土壤有效應(yīng)力為其質(zhì)量應(yīng)力，而空氣連續(xù)還原后，土壤有效應(yīng)力呈上升趨勢，形成地基固結(jié)。在泵送作業(yè)結(jié)束時，完成基礎(chǔ)的固結(jié)反應(yīng)。對軟基進(jìn)行處理后，采用真空預(yù)壓法能夠大幅度提高地基承載力，可取得良好的經(jīng)濟(jì)效益和社會效益。

(2)

式中：Ω是f的作用域；λ越大，逼近項越小，也就是說u的平滑程度越小，越接近f. Aujol等[12]提到u和v的相關(guān)性最小值可以用來估計λ，通常λ為0.2～2.0，本文中λ取為0.4. 處理結(jié)果如圖4、5所示.

2 多光譜圖像融合

2.1 經(jīng)驗小波變換

EWT[10]是一種自適應(yīng)的方法，它會根據(jù)信號本身的特征生成一組濾波器，用生成的濾波器對多光譜圖像進(jìn)行濾波，得到細(xì)節(jié)層和近似層子圖像，濾波過程如下.

1) 構(gòu)造行濾波器

(3)

式中Nrow為圖像的行數(shù).

② 使用邊緣探測法[13]，根據(jù)指定的N值來確定濾波器數(shù)量，再取輸入信號傅里葉頻譜的前N個相鄰2個最大值的中值來確定分割頻譜的N-1個邊緣ωn(1≤n≤N-1)，同時假定ω0=0，ωN=π.

③ 根據(jù)

(4)

(5)

3) 對圖像按行使用行濾波器組中的濾波器進(jìn)行濾波，得到NR+1個中間結(jié)果，再對每個中間結(jié)果使用列濾波器進(jìn)行濾波，得到最終的(NR+1)×(NC+1)個子帶圖.

(6)

式中β可以是任意Ck([0,1])函數(shù)[14]，這里取β=x4(35-84x+70x2-20x3).

為了達(dá)到簡單的目的，可以假設(shè)τn=λωn(0<λ<1)[13]，這樣只需要一個參數(shù)λ，而不用為尺度函數(shù)和每個小波函數(shù)指定τn.

2.2 顯著性權(quán)重計算

本文利用圖像特征顯著性算法，計算出經(jīng)驗小波變換生成的細(xì)節(jié)層子圖像的顯著性圖，進(jìn)而根據(jù)顯著性圖得到權(quán)重較大的缺陷區(qū)域. 圖像特征是Hou等[15]在2012年提出的一種簡單的圖像描述符. 在稀疏信號混合的理論框架內(nèi)，這個描述符在空間上近似于圖像的前景，這種近似前景與視覺上明顯的圖像位置重疊. 由圖像特征所引起的像距離更接近于人類的感知距離[15]. 可以將灰度圖像看作

x=f+b，x,f,b∈RN

(7)

式中：f代表前景或者圖像信號，并且假設(shè)在標(biāo)準(zhǔn)空間基礎(chǔ)上得到稀疏支持；b代表背景，并且假設(shè)在離散余弦變換基礎(chǔ)上得到稀疏支持. 通常圖像特征的定義為

ImageSignature(x)=sign(DCT(x))

(8)

式中sign(·)表示特征算子.

假設(shè)圖像的前景相對于它的背景來說是顯而易見的，那么可以根據(jù)

(9)

定義一個顯著性圖. 式中：g代表高斯核；°為阿達(dá)瑪積運算符.

如圖6所示，圖中亮度較高部分即是權(quán)重較大的缺陷區(qū)域，根據(jù)顯著性圖信息，即可進(jìn)行基于對數(shù)變換的對比度增強(qiáng). 通過熱度圖可以表示子圖像缺陷強(qiáng)弱程度，顏色越深，表示缺陷特征越明顯；顏色越淺，表示缺陷特征越不明顯，需要進(jìn)行對比度增強(qiáng)，如圖7所示.

2.3 融合規(guī)則

本文使用經(jīng)驗小波變換將源圖像分解成近似層子圖像與細(xì)節(jié)層子圖像. 近似層包含能量較高，代表了原圖像的整體信息，細(xì)節(jié)層包含能量較低，代表了原圖像的細(xì)節(jié)信息. 通過顯著性圖得到細(xì)節(jié)層子圖像權(quán)重較大的部分，并使用對數(shù)變換方法提高該部分的對比度，再將處理后各細(xì)節(jié)層子圖像通過均值規(guī)則進(jìn)行融合，得到融合后的細(xì)節(jié)層子圖像. 對于近似層子圖像，只采取均值規(guī)則進(jìn)行融合，得到融合后的近似層子圖像. 最后，通過逆經(jīng)驗小波變換，將融合后的近似層和細(xì)節(jié)層整合，得到最終的融合圖像. 對顯著性區(qū)域進(jìn)行基于對數(shù)變換的對比度增強(qiáng)效果如圖8所示，劃痕和指紋缺陷區(qū)域均有明顯的增強(qiáng). 融合后的近似層和細(xì)節(jié)層如圖9所示.

3 實驗結(jié)果與分析

本文算法實現(xiàn)的環(huán)境為MATLAB 2016a. 所采用的PC配置為Intel Core i5-3230M 2.6 GHz CPU，操作系統(tǒng)為Windows 7 旗艦版. 選擇拉普拉斯金字塔(Laplacian pyramid，LP)變換[16]、交叉雙邊濾波(cross bilateral filter，CBF)[17]、非下采樣輪廓波變換(nonsubsampled contourlet transform，NSCT)[16]以及結(jié)構(gòu)塊分解(structural patch decomposition，SPD)方法[18]作為對比算法，對本文算法進(jìn)行對比論證.

為了定量地比較4種算法的綜合性能，采用平均梯度(average gradient，AVG)、邊緣強(qiáng)度(edge intensity，EDG)、圖像清晰度(figure definition，F(xiàn)IG)、標(biāo)準(zhǔn)差(standard deviation，STD)作為量化指標(biāo). 表1列出了不同融合方法對比的實驗結(jié)果，可以看出本文算法在平均梯度、邊緣強(qiáng)度、圖像清晰度以及標(biāo)準(zhǔn)差4個指標(biāo)上均優(yōu)于其他3種算法. 表2列出了本文算法融合結(jié)果圖與融合前原圖對比的實驗結(jié)果，4個評估指標(biāo)均是最高，達(dá)到了融合的目的. 上述實驗數(shù)據(jù)綜合表明，本文算法融合效果較好，融合后的圖像信息更加完整，細(xì)節(jié)方面有了增強(qiáng). 使用各算法得到的融合結(jié)果如圖10所示.

表1 不同算法融合圖像指標(biāo)

表2 融合結(jié)果與原圖對比結(jié)果

4 結(jié)論

1) 本文將多光譜成像特點應(yīng)用于太陽能電池片非均勻復(fù)雜表面缺陷檢測上，利用缺陷特征與波段的關(guān)系，增強(qiáng)了缺陷信息，并且在一定程度上抑制了復(fù)雜背景的影響.

2) 利用結(jié)構(gòu)紋理分解的方法作為融合前的預(yù)處理，可以有效地去除復(fù)雜背景的干擾，降低了缺陷檢測的難度.

3) 通過二維張量經(jīng)驗小波的內(nèi)在經(jīng)驗信息，將太陽能電池片分解為細(xì)節(jié)層和近似層. 近似層表征了整體特性，而細(xì)節(jié)層包含了缺陷信息，通過多尺度分解的方法，可很好地將缺陷信息提取出來.

4) 利用顯著性的方法確定需要增強(qiáng)的區(qū)域，得到顯著性權(quán)重圖. 根據(jù)權(quán)重的不同，對缺陷部分進(jìn)行對比度提升，增強(qiáng)了缺陷特征.