基于紅外圖像處理技術的鋼構件損傷識別

鄒蘭林，許瀚文，周興林

〈無損檢測〉

基于紅外圖像處理技術的鋼構件損傷識別

鄒蘭林，許瀚文，周興林

（武漢科技大學 汽車與交通工程學院，湖北 武漢 430065）

針對現(xiàn)有紅外圖像處理算法在處理橋梁鋼制構件損傷圖像時信噪比差，對比度低，分辨率低，圖像細節(jié)丟失，邊緣模糊，損傷識別精準度差等問題，本文提出空域濾波與時域濾波結合的紅外圖像增強算法，以彌補現(xiàn)有算法不足，從多方位抑制圖像背景噪聲，增強圖像細節(jié)信息，強化損傷邊緣輪廓，實現(xiàn)鋼構件損傷部位精準識別與提取，并結合清晰度，對比度，峰值信噪比，均方誤差四大指標對處理結果進行定量評價，評價結果表明基于高頻強調濾波與非線性灰度轉換結合的紅外圖像增強算法切實可行，且針對紅外圖像檢測下的鋼構件損傷識別效果顯著。

圖像處理；高頻強調濾波；非線性灰度變換；損傷識別

0 引言

鋼制構件損傷程度是諸多構筑物性能評價的重要參數(shù)。近年來，紅外無損檢測技術憑借其高精度，無損，便捷等特點在鋼制構件的探傷中應用越來越廣泛。根據(jù)鋼構件在荷載作用下的應力集中原理，利用鎖相紅外熱像儀觀測荷載作用下的鋼構件表面溫度變化序列熱圖，再運用MATLAB圖像處理技術對鋼構件溫度變化信息進行處理與提取，就能夠達到對鋼構試件損傷部位的定量表征的目的[1]。但是因為實驗環(huán)境，儀器性能等諸多因素的影響，造成紅外序列熱圖固有噪聲明顯，對比度與清晰度較低，偽影與振鈴現(xiàn)象明顯，嚴重影響鋼構試件損傷部位的細節(jié)像素點識別定位[2-4]。

因此，對紅外圖像的噪聲濾除，增強細節(jié)信息，強化損傷邊緣輪廓的相關研究成為了眾多學者關注的重點。傳統(tǒng)處理方法雖然解決了圖像的椒鹽噪聲以及高斯白噪聲，但處理結果中振鈴現(xiàn)象明顯，分辨率較低，無法精確識別損傷部位[3]。劉麗等[4]學者提出的多尺度高帽低帽變換鋼構裂紋紅外圖像優(yōu)化算法，雖然能夠抑制圖像噪聲提高圖像對比度，但處理結果邊緣存在弱化情況，不利于損傷部位判別提?。灰繒砙4]等人提出小波變換的紅外圖像增強算法，強化邊緣信息但后期圖像局部存在偽影和噪聲，損傷部位較為模糊不便提??；賈文晶等學者提出改進直方圖均衡法，對比度和清晰度較高但圖像噪聲處理情況效果不顯著，局部高斯白噪聲對后期損傷識別干擾較大[3]。因此本文提出以高頻強調濾波與非線性灰度轉換結合的紅外圖像增強算法。對圖像噪聲和偽影情況進行了有效處理，同時完整保留了圖像的細節(jié)，強化了邊緣輪廓，并且提高了圖像的清晰度和對比度，更加精準地提取了鋼構件損傷部位信息。

1 研究方法

1.1 實驗原理

根據(jù)變形體熱彈性效應理論，可以對非接觸性橋梁鋼構進行無損檢測，并根據(jù)應力集中情況對損傷情況進行判別。試件在熱彈性效應下表面溫度在一特定平均溫度附近發(fā)生周期變化，而根據(jù)應力集中原理，損傷部位處的溫度會出現(xiàn)極端化表現(xiàn)，通過紅外圖像處理技術就能將該變化以幾何形式展現(xiàn)[5-6]。

對于均質且各項同性的鋼制構件，其應變和熱彈性溫度變化的關系式為：

式中：為鋼材絕對溫度；為鋼材密度；為恒應變下的比熱容；為應力變化張量；為熱量輸入，且當加載頻率大于3Hz時該公式成立。

本實驗加載頻率l＝5Hz，方程成立，通過公式(2)結合鋼構試件表面溫變規(guī)律進行結構受力狀態(tài)分析：

在熱彈性應力理論基礎之上借助于紅外熱圖像處理技術能夠直接呈現(xiàn)橋梁鋼制承載構件的應力變化規(guī)律。并且能夠直觀地從圖像上確定鋼構件損傷部位的幾何信息，為構筑物整體結構評估奠定了堅實基礎。

1.2 實驗研究

本文采用帶圓孔鋼板為實驗對象，如圖1所示，鋼構件長度為0.3m，寬度為0.05m，厚度為0.002m，中部圓孔半徑為0.006m，構件底端固定，上端以5Hz頻率為施加幅值為－1×108～1×108N/m2的周期荷載，實驗室溫27℃，空氣濕度51%RH。

實驗結果如圖2所示，圖(a)為試驗3s時的實驗圖像，圖(b)為試驗5s時的實驗圖像，圖(c)為試驗15s時的實驗圖像，與可見光圖像相比，荷載作用下的紅外圖像信噪比低，分辨率低，對比度低的問題更為突出。很難直接從紅外圖像得到損傷部位的信息，因此本文根據(jù)鋼構件損傷部位應力集中原理，利用其在荷載作用下?lián)p傷部位會有較大程度升溫的特點，借助于紅外圖像處理技術以實現(xiàn)損傷部位的精準識別。

圖1 實驗裝置

圖2 實驗圖像

Fig.2 Experimental image

2 算法描述

2.1 高通濾波改進算法

本文假設荷載作用下鋼構試件紅外圖像(,)，圖像大小為×像素，其傅里葉變換為：

式中：，是像素點。

指數(shù)高通濾波器通過傅里葉逆變換再把圖像變回空間域，其中指數(shù)高通濾波器的轉移函數(shù)為：

式中：0是截止頻率；，是像素點。

在進行紅外熱圖序列處理時，圖像經過高通濾波即公式(3)算法，讓帶有圖像邊緣輪廓及細節(jié)部分的信息分量通過。同時削弱低頻段的噪聲信息，保護圖像灰度層，后針對空間域圖像進行離散傅里葉變換。再對變換到頻率域的圖像濾波信息進行逆傅里葉變換，銳化圖像，突出邊緣輪廓[2]。但銳化同時會使得低頻信息丟失嚴重，平滑區(qū)信息基本消失，無法達到實際需要。因此，本研究在此基礎之上進行高通濾波算法改進，采用高頻強調濾波算法進行熱波圖像處理。

首先給高通濾波器施加一特定偏移值，為了增加高頻分量將傳遞函數(shù)以倍數(shù)擴大，最后將兩者相疊加。但為了達到強調高頻分量的目的，施加的偏移量和倍數(shù)值都需相對較小，從而使低頻增強的效果相比高頻增強較弱。其高頻強調傳遞函數(shù)可以表示為：

式中：是偏移值；是倍數(shù)常數(shù)；hp(,)是高通濾波器的傳遞函數(shù)。

采用改進后的高通濾波器及高頻強調濾波進行圖像增強的步驟如下：

Step 1: Matlab處理軟件對圖像進行讀取，利用圖像填充函數(shù)對讀取圖像進行填充處理，進而為后續(xù)濾波處理做準備。

Step 2: 本研究選取指數(shù)型高通濾波器，其濾波器截止頻率為0，將Step1中所讀取的圖像進行指數(shù)型高通濾波處理。

Step 3: 本研究取偏移量，倍數(shù)常數(shù)為，通過所確定的傳遞函數(shù)對填充后的圖像進行高通濾波算法處理，并通過高通強調濾波輸出處理圖像。

高頻強調濾波會突出圖像的邊緣和細節(jié)信息，所以其受圖像噪聲的影響比較大，因此本文在后續(xù)處理選擇空域濾波中的中值濾波去除噪聲特性，保護圖像邊緣信息。

2.2 紅外圖像增強

2.2.1 非線性灰度變換

在經過熱波圖像的空域增強后，圖像的灰度以及光強度較弱，像素分布不均，無法突出損傷部位信息等情況。本文選用非線性灰度變換算法，增強圖像對比度信息，使圖像中各個像素值均勻分布[7]，從而提高圖像質量。其含調制參數(shù)公式為：

式中：，，都是可選擇參數(shù)；(,)＋1是為了確保ln[(,)＋1]≥0。

當(,)＝0時，ln[(,)＋1]＝0，則＝，為軸上的截距，確定了初始位置的變換關系，，兩個參數(shù)則確定了相應的曲線變化速率。

在非線性灰度變換的基礎之上，選取Gamma校正算法：設為圖像灰度，為入射光的強度，則兩者之間的關系可表示為：

＝(7)

式中：為常數(shù)。由于圖像灰度與光強度成正比關系，做如下變換：

式中：為常數(shù)，通常取1；1/通常取0.4～0.8。

通過非線性灰度變換后，圖像對比度明顯增強，但局部噪聲較為明顯。

2.2.2 中值濾波

中值濾波是通過鄰域算法將其鄰域內的所有像素值按灰度級大小取中間值并輸出。該算法類似于卷積算法，但其優(yōu)點在于并不是取加權平均值，而是利用中間值代替移動窗口中心的值。這樣灰度值差別較大的點會被近似處理，從而達到像素灰度值均衡，來達到消除噪聲的目的[8]。

設x(,)∈2表示圖像中各像素的灰度值，濾波窗口為的二維中值濾波可定義為：

式中：x為窗口的像素灰度值，通常窗口內像素為奇數(shù)，以便于中間有像素。若窗口內像素為偶數(shù)時，則中值取中間兩像素灰度值的平均值。

中值濾波在處理紅外圖像的椒鹽噪聲效果顯著。其優(yōu)點主要是算法簡單，在濾除圖像噪聲的同時能夠很好的保護圖像的細節(jié)信息，并且中值濾波器自適應化程度較高，這一點有利于其濾波特性的提高。窗口形狀和大小的選擇是中值濾波器的關鍵所在，本文選取5×5模板中值濾波進行算法處理，利用鄰域像素點中間值作為輸出值消除了高頻強調濾波器的噪聲問題并突出了細節(jié)信息。

2.3 類間方差閾值分割

根據(jù)荷載作用下鋼構件表面溫度與其應力的關系，結合損傷部位應力集中的特性，對構件荷載作用下的紅外圖像進行處理分析，捕捉溫度極端變化部位，進行鋼構件的損傷識別[9-15]。傳統(tǒng)閾值分割方法簡便，但其閾值的迭代獲取較為繁瑣，且圖像處理的效果與其閾值的相關性較強，因為閾值只考慮圖像本身的灰度值，而不考慮圖像的空間分布，這樣的分割法對噪聲比較敏感，對分割人員的先驗知識依賴較強，因此本文選取類間方差閾值分割。

設原始灰度圖像灰度級為，灰度級的像素點數(shù)為n，則圖像的全部像素為：

＝0＋1＋2＋…＋n－1(10)

歸一化直方圖，則：

按灰度級用閾值劃分為兩類：0＝(0, 1, 2, …,)，1＝(＋1,＋2, …,－1)，0,1類的出現(xiàn)概率及均值由公式：

00＋11＝,0＋1＝1 (13)

0和1類的方差可由下式求得：

定義類內方差為：

2＝002＋112(15)

類間方差為：

總體方差為：

引入下列關于的等價的判決準則：

這3個準則是批次等效的，把0,1兩類得到最佳分離的值作為最佳閾值，并將(),(),()定義為最大判決準則，由于2是基于二階統(tǒng)計特性，而B2是基于一階統(tǒng)計特性，2和B2是閾值的函數(shù)，而T2與值無關，因此3個準則中()最為簡單，所以選用其作為準則可得最佳閾值*，即：

改進后的閾值分割方法程序簡便，分割效率較高，邊緣輪廓分割明顯，收斂速度快，本文經算法操作確定收斂值為*＝0.07，在收斂值*＝0.07時損傷部位分割效果最為明顯。

3 定量評價方法

圖像質量評價可以有效地對圖像進行定量化分析，圖像質量的好壞既與圖像本身客觀質量有關，也與人的視覺系統(tǒng)的感受特性有關。為了更好地對處理結果進行定量評價，本文取客觀評價指標：均方誤差（Mean Square Error，MSE）及峰值信噪比（Peak signal-to-noise Ratio，PSNR）；主觀評價指標：清晰度及對比度，進行綜合對比評價。本文假定圖像為(,)，圖像大小為×像素。

均方誤差可定義為下式：

均方誤差很好地代表了圖像的保真度，其誤差越小則意味著圖像細節(jié)信息丟失越少，質量越好。

峰值信噪比可定義為：

峰值信噪比以分貝為計量單位代表了圖像含噪情況。

清晰度定義為：

清晰度可以反映出圖像整體與局部的微小細節(jié)反差，清晰度值越大說明圖像越清晰。

對比度可定義為：

式中：(,)＝4(,)－[(－1,)＋(,－1)＋(,＋1)＋(＋1,)]；其中＝×為圖像的像素點總數(shù)；代表整幅圖像，即d值越大則說明目標圖像邊緣對比度的增強效果越好。

4 結果分析與討論

實驗采用鎖相紅外熱像儀對試件連續(xù)記錄其在荷載作用下構件的溫度變化圖像，選取后期處理階段圖像，如圖3所示。

圖3 鎖相紅外原始圖像

圖4 灰度圖像

圖3中鎖相紅外熱成像設備很好地將周期荷載作用下鋼構試件空洞邊緣與其余部分的溫差很好地呈現(xiàn)了出來，為便于后期算法操作，本文將紅外圖像轉換為灰度圖像，如圖4所示。本文以圖4作為研究對象，利用本文所提算法流程（如圖5），對圖4進行圖像預處理及圖像增強處理。

圖6為高頻強調濾波處理的效果圖。該圖像雖然很好地過濾了低頻波段無用信息，保留了圖像細節(jié)信息，強化了損傷邊緣輪廓，但圖像對比度有減弱。為此圖7為在圖6基礎上經過了非線性灰度變換，由函數(shù)曲線圖可以發(fā)現(xiàn)圖7的對比度較之圖6明顯增強，各像素值均勻分布。

圖8是對圖7進行了5×5模板中值濾波對背景中的噪聲進行抑制并保留目標圖像。

根據(jù)多次迭代算法，本文圖像閾值收斂于*＝0.07，其分割處理后的圖像如圖9所示，周期荷載作用下的鋼構件損傷部位邊緣提取效果圖如10所示，清楚直觀地得到了損傷部位的幾何信息，可作為后期橋梁鋼制構件損傷程度定量分析的重要參考依據(jù)。

圖5 MATLAB紅外圖像算法流程圖

圖6 高頻強調濾波效果圖

圖7 非線性灰度變換

本文針對圖像處理結果給出了定量評價，就傳統(tǒng)處理方法，高低帽變換算法，直方圖均衡算法，小波變換算法以及本文所提空域與時域的結合算法進行了對比評價，其對比結果如表1所示。

由表1可見，本文所提空域與時域結合算法能夠很好地消除圖像不均勻性，過濾圖像固有噪聲，增強圖像細節(jié)信息，強化損傷邊緣輪廓，同時能夠提高圖像的分辨率，對比度以及信噪比。這也證明本文所提方法切實可行且針對紅外圖像檢測下的鋼構件損傷識別效果顯著。

圖8 5×5模板中值濾波效果圖

圖9 閾值分割（t*＝0.07）

圖10 損傷部位識別

表1 評定指標對比表

5 結論

本文利用紅外圖像處理技術，對橋梁鋼制構件損傷部位識別進行了研究。針對紅外圖像對比度差、分辨率低、信噪比差的問題提出空域與時域結合的紅外圖像增強算法。通過高通濾波消除圖像不均勻性，降低了圖像固有噪聲，保留圖像細節(jié)，增強圖像邊緣輪廓，再利用非線性灰度變換提高圖像對比度，后通過中值濾波優(yōu)化圖像，最后利用閾值分割對鋼制構件損傷部位進行了識別提取。經定量評價，該方法有效地消除了紅外圖像自身不均勻的特性，過濾了大面積存在的固有噪聲，同時對圖像細節(jié)信息進行增強，突出了損傷部位的邊緣輪廓的幾何特性，并且綜合提升了圖像的清晰度、對比度。經圖像定量評價指標表明，基于高頻強調濾波與非線性灰度轉換結合的紅外圖像增強算法切實可行，且針對紅外圖像檢測下的鋼構件損傷識別效果顯著。

[1] 葉華文, 段熹, 楊軍川. 基于紅外熱成像的鋼橋疲勞裂紋檢測研究[C]//第二十一屆全國橋梁學術會議, 2014: 12.

YE Huawen, DUAN Yi, YANG Junchuan. Research on Fatigue Crack Detection of Steel Bridges Based on Infrared Thermal Imaging[C]//21st, 2014: 12.

[2] Rajic N , Rowlands D . Thermoelastic stress analysis with a compact low-cost microbolometer system[J]., 2013, 10(2): 135-158.

[3] 賈文晶, 顧桂梅, 劉麗. 基于高通濾波和直方圖均衡的鋼軌裂紋紅外圖像增強技術[J]. 鐵道標準設計, 2016, 60(11): 41-44.

JIA Wenjing, GU Guimei, LIU Li. Infrared image enhancement technology of rail cracks based on high-pass filtering and histogram equalization[J]., 2016, 60(11): 41-44.

[4] 樊俊鈴, 郭強, 趙延廣, 等. 基于有限元法和鎖相熱像法對含缺陷構件的應力分析與疲勞性能評估[J]. 材料工程, 2015, 43(8): 62-71.

FAN Junling, GUO Qiang, ZHAO Yanguang, et al. Stress analysis and fatigue performance evaluation of flawed components based on finite element method and phase-locked thermal imaging method[J]., 2015, 43(8): 62-71 .

[5] Stoynova A, Bonev B, Mastorakis N, et al. Improvement the temperature signal filtering in lock-in thermography[J]., 2018: 210.

[6] Pitarresi G, Normanno A, D"Acquisto L. Thermoelastic stress analysis of a 2D stress field using a single detector infrared scanner and lock-in filtering[J]., 2009, 181: 012075.

[7] 彭衛(wèi)繪, 談樂斌. 基于MATLAB的粘連小球球徑提取方法[J]. 計算機系統(tǒng)應用, 2012, 21(6):191-194.

PENG Weihui, TAN Lebin. Method for Extracting Ball Diameter of Adhesive Pellets Based on MATLAB[J]., 2012, 21(6): 191-194.

[8] 薛莉, 朱永凱, 王海濤. 基于小波變換與中值濾波的缺陷紅外圖像的去噪實現(xiàn)[C]// 遠東無損檢測新技術論壇, 2008:127-128.

XUE Li, ZHU Yongkai, WANG Haitao. Denoising of defect infrared image based on wavelet transform and median filtering[C]/, 2008: 127-128.

[9] 李皓. 基于能量法CFRP切削機理與加工表面質量表征方法研究[D]. 天津: 天津大學, 2016.

LI Hao. Research on CFRP cutting mechanism and surface quality characterization method based on energy method[D]. Tianjin: Tianjin University, 2016: 15-17

[10] WANG Y, Charbal A, Dufour J E, et al. Hybrid Multiview Correlation for Measuring and Monitoring Thermomechanical Fatigue Test[J]., 2019(3): 129-131.

[11] Kylili A, Fokaides P A, Christou P, et al. Infrared thermography (IRT) applications for building diagnostics: A review[J]., 2014, 134: 531-549.

[12] 顧桂梅, 黃濤. 基于自適應多尺度積閾值的鋼軌裂紋紅外圖像增強[J]. 鐵道學報, 2015(2): 58-63.

GU Guimei, HUANG Tao. Infrared image enhancement of rail cracks based on adaptive multiscale product threshold[J]., 2015(2): 58-63.

[13] Agerskov H. Fatigue in steel structures under random loading[J]., 2000, 53(3): 283-305.

[14] Rajic N , Galea S C , Rowlands D . Thermoelastic Stress Analysis - Emerging Opportunities in Structural Health Monitoring[J]., 2013, 558: 501-509.

[15] Albatici R, Tonelli A M, Chiogna M. A comprehensive experimental approach for the validation of quantitative infrared thermography in the evaluation of building thermal transmittance[J]., 2015, 141: 218-228.

Damage Identification of Steel Members Based on Infrared Image Processing Technology

ZOU Lanlin，XU Hanwen，ZHOU Xinglin

(School of Automotive and Transportation Engineering, Wuhan University of Science and Technology, Wuhan 430065, China)

In view of the existing infrared image processing algorithms in dealing with damage images of bridge steel members, the signal-to-noise ratio is low, the contrast is low, the resolution is low, the image details are lost, the edges are blurred, and the accuracy of damage recognition is poor. We propose a spatial and time domain filtering combined infrared image enhancement algorithm to improve existing algorithms, suppressing image background noise from multiple directions, enhancing image detail information, strengthening damage edge contours, accurately identifying and extracting damaged parts of steel components. The processing results are quantitatively evaluated by clarity, contrast, peak signal-to-noise ratio (PSNR) and mean square error. The evaluation results show that the infrared image enhancement algorithm based on high-frequency emphasis filtering and nonlinear gray-scale conversion is feasible. The damage recognition effect is remarkable for the steel components under infrared image detection.

image processing, high frequency emphasis filtering, nonlinear gray scale transformation, damage recognition

TP274.52

A

1001-8891(2020)05-0286-08

2019-11-04；

2020-03-05.

鄒蘭林（1974-），男，湖北武漢人，副教授，博士，研究方向為橋梁檢測。E-mail：147461632@qq.com。

國家重大科研儀器研制項目（51827812）；國家自然科學基金項目（51578430，51778509）。