基于三維塊匹配的紅外圖像降噪與缺陷量化方法

劉佳琪,張志杰,董寧琛,尹武良,趙晨陽

(中北大學(xué)儀器與電子學(xué)院,山西 太原 030051)

1 引 言

金屬材料由于強(qiáng)度高、彈性模量低、韌性好等優(yōu)點(diǎn)被廣泛用于汽車、鐵路、航空航天等領(lǐng)域。然而,金屬材料的使用壽命是有限的,無論是制造過程中操作不當(dāng)還是在使用過程中的金屬疲勞現(xiàn)象都會(huì)導(dǎo)致表面損傷,紅外無損檢測(cè)技術(shù)在表面探傷方面有著較為突出的優(yōu)勢(shì)。因此對(duì)金屬表面進(jìn)行紅外無損檢測(cè)變得尤為重要[1-2]。

近些年來,紅外熱圖像處理已經(jīng)成為了紅外無損檢測(cè)的關(guān)鍵技術(shù)[3]。朱佩佩等提出一種新的脈沖渦流紅外熱圖像特征提取算法并用于強(qiáng)化缺陷信息[4]。汪子君等提出一種基于魯棒Otsu的缺陷分割算法對(duì)缺陷部分進(jìn)行分割[5]。袁坤坤等提出了一種基于小波變換的圖像增強(qiáng)方法對(duì)缺陷圖像進(jìn)行增強(qiáng)[6]。Vavilov VP等研究了光學(xué)超聲激勵(lì)紅外熱成像、超聲激光測(cè)振和激光超聲三種無損檢測(cè)技術(shù)對(duì)一種具有環(huán)氧石墨樣品的檢測(cè),并對(duì)其進(jìn)行了分析[7]。但上述方法沒有對(duì)紅外圖像的噪聲濾除進(jìn)行深入的研究,不能清晰地得到缺陷的邊界,也沒有對(duì)缺陷的面積大小進(jìn)行量化。

本文采用主動(dòng)熱成像方法對(duì)金屬材料進(jìn)行透射式的無損檢測(cè)[8],提出了基于三維塊匹配的去噪方法對(duì)紅外圖像進(jìn)行去噪,該方法在對(duì)紅外圖像乘性噪聲的濾除方面有著顯著的優(yōu)勢(shì)。使用邊緣分割方法對(duì)該圖像進(jìn)行邊緣提取并且對(duì)邊緣進(jìn)行量化。實(shí)驗(yàn)表明,該方法可以有效地對(duì)紅外圖像進(jìn)行去噪,檢測(cè)出鈦合金表面缺陷的位置并對(duì)缺陷的特征進(jìn)行量化。

2 紅外無損檢測(cè)原理

熱量傳遞一般有熱傳導(dǎo)、熱對(duì)流、熱輻射三種方式,紅外成像技術(shù)是以熱輻射為理論基礎(chǔ)的一門新型技術(shù)。熱量通過電磁波的形式擴(kuò)散,而紅外探測(cè)器接收熱輻射能量并將其轉(zhuǎn)化為圖像信號(hào)。在熱輻射普朗克定律的基礎(chǔ)上,斯蒂芬-波爾茲曼定律隨即被提出,即：

W=εσT4

(1)

式中,W表示物體的輻射強(qiáng)度;ε表示發(fā)射率;σ表示Stefan-Boltzmann常量,其值為5.669×10-8W/(m2·K4);T表示物體的絕對(duì)溫度[9]。眾所周知,熱量總是會(huì)從高的地方流向低的地方[10],所以在熱擴(kuò)散過程中,材料不同位置的溫度也會(huì)有所差異,材料不同位置的輻射強(qiáng)度不同,紅外熱像儀根據(jù)接收到的輻射強(qiáng)度來檢測(cè)物體的溫度場(chǎng)分布。

而材料內(nèi)部的熱擴(kuò)散率可用熱量的傳遞速度來表示,即:

(2)

式中,λ表示材料的導(dǎo)熱系數(shù);ρ表示材料的密度;cV表示材料的比熱容;α=-λ/ρcV表示材料的熱擴(kuò)散率,從式中可以看出材料的熱擴(kuò)散率與材料的導(dǎo)熱系數(shù)成正比,由于空氣的導(dǎo)熱系數(shù)遠(yuǎn)小于金屬的導(dǎo)熱系數(shù),故金屬的熱擴(kuò)散率將遠(yuǎn)大于空氣的熱擴(kuò)散率。當(dāng)在同一溫度下,熱量在空氣中的擴(kuò)散速度也會(huì)遠(yuǎn)小于金屬內(nèi)的熱擴(kuò)散速度參數(shù),故當(dāng)熱量擴(kuò)散到缺陷處時(shí),缺陷處的空氣將阻隔熱量的傳遞,進(jìn)而產(chǎn)生溫度差異,以此來檢測(cè)缺陷。

3 材料制備及實(shí)驗(yàn)進(jìn)程

3.1 材料制備

被測(cè)材料采用在航空航天領(lǐng)域較為常用的鈦合金材料,尺寸為15 cm×10 cm×0.6 cm,原材料如圖1(a)所示。在鈦合金材料背面制造出深度約為2 mm的不同形狀的缺陷。缺陷形狀如圖1(b)所示。不同形狀的缺陷尺寸如表1所示。

圖1 原材料與缺陷圖

表1 缺陷尺寸表

3.2 實(shí)驗(yàn)進(jìn)程

本實(shí)驗(yàn)使用自主搭建的紅外熱成像無損檢測(cè)系統(tǒng)對(duì)材料進(jìn)行檢測(cè),該系統(tǒng)包括紅外成像儀、激光器、控制臺(tái)、信號(hào)發(fā)生器以及上位機(jī),其原理圖如圖2所示。

圖2 系統(tǒng)原理圖

在實(shí)驗(yàn)過程中,保證無外在光線照射。打開上位機(jī),將輸出功率調(diào)整到100 W,調(diào)試信號(hào)發(fā)生器,將加熱時(shí)間設(shè)置為2 s,占空比調(diào)整到50 %,對(duì)被測(cè)材料的無缺陷面進(jìn)行加熱,并記錄溫度場(chǎng)的變化,圖像如圖3所示。左圖為加熱過程中的圖像,右圖為余溫?cái)U(kuò)散時(shí)采集的圖像。

4 紅外圖像分析

對(duì)以上采集圖像的分析可知,余溫?cái)U(kuò)散時(shí)所采集的圖像與加熱過程中所采集的圖像相比,余溫?cái)U(kuò)散時(shí)所采集的圖像缺陷更加明顯,故選用余溫?cái)U(kuò)散圖像做分析。

4.1 圖像去噪

紅外圖像由于分辨率低,均勻性較差,噪聲偏多,使得紅外圖像的降噪變成了一個(gè)棘手的問題。劉智嘉等人提出了基于中值濾波器的紅外圖像噪聲處理的改進(jìn)方法[11],李方舟等人提出了基于改進(jìn)非局部均值的紅外圖像混合噪聲去除方法[12],顧雅青等人提出了基于模糊濾波的混合噪聲處理方法[13],然而這些方法只是對(duì)紅外圖像中的高斯噪聲進(jìn)行了處理,并沒有對(duì)紅外圖像中主要的乘性噪聲進(jìn)行處理。

紅外圖像噪聲由于紅外光波相干性等原因主要由散斑噪聲組成,散斑噪聲包括乘性噪聲和加性噪聲,在大多數(shù)情況中,乘性噪聲對(duì)圖像的影響都遠(yuǎn)大于加性噪聲,但是在現(xiàn)有的紅外去噪算法中大部分是對(duì)加性噪聲進(jìn)行濾除,本文針對(duì)紅外圖像的乘性噪聲,提出了一種基于三維塊匹配的算法對(duì)乘性噪聲進(jìn)行估計(jì)并對(duì)乘性噪聲進(jìn)行濾除。

紅外成像儀在采集圖像的過程中會(huì)受到乘性噪聲的影響,即:

y=x×n1

(3)

其中,x代表原圖像；n1代表乘性噪聲；y代表乘性噪聲。

為了實(shí)現(xiàn)自適應(yīng)的去噪處理,需要了解圖像中噪聲的分布特征,故使用同態(tài)濾波將乘性噪聲轉(zhuǎn)為加性噪聲:

log2(y)=log2(x×n1)

=log2(x)+log2(n1)

(4)

為了使同態(tài)濾波有意義,令:

y=y+1

(5)

使用Mallat算法對(duì)同態(tài)濾波后的圖像進(jìn)行分解,對(duì)水平、垂直、對(duì)角方向進(jìn)行子帶的數(shù)值提取,并使用對(duì)角分量的絕對(duì)中值對(duì)噪聲估計(jì)進(jìn)行建模,對(duì)圖像添加方差為5/255到25/255的乘性噪聲,通過最小二乘法對(duì)噪聲估計(jì)方程進(jìn)行擬合,得到擬合公式如下:

(6)

其中,e為使用本文方法所得出的方差估計(jì)值；M1和M2表示小波分層分解中第一層和第二層對(duì)角分量的中值。使用該方法進(jìn)行噪聲估計(jì)并與實(shí)際噪聲方差進(jìn)行比對(duì),如圖4所示。

圖4 本文方法噪聲估計(jì)對(duì)比結(jié)果

可以看出該方法可以有效的對(duì)圖像中的噪聲進(jìn)行特征估計(jì)。使用三維塊匹配法對(duì)圖像進(jìn)行去噪。該算法是由Dabov提出[14],主要分兩步完成,第一步就是通過塊匹配參數(shù)找到所有與圖像相似的相似塊,塊與塊之間的相似塊大小為:

(7)

(8)

將相似塊集合堆積成一個(gè)三維數(shù)組并將每個(gè)三維數(shù)組中的二維塊采用離散余弦變換,并對(duì)剩下的一維矩陣進(jìn)行一維Haar小波變換,并對(duì)其進(jìn)行閾值處理,利用硬閾值參數(shù)收縮來對(duì)圖像進(jìn)行初步估計(jì),即:

(9)

第二步通過對(duì)第一步得到的初步估計(jì)圖像重新進(jìn)行塊匹配并且對(duì)三維匹配后的集合進(jìn)行離散余弦變換以及一維Haar變換并對(duì)變換后的系數(shù)進(jìn)行維納收縮系數(shù)的加權(quán),最終估計(jì)為:

(10)

對(duì)最終估計(jì)進(jìn)行指數(shù)運(yùn)算,即:

(11)

式中,y1為最終的去噪圖像。

4.2 有效性分析

為了驗(yàn)證該算法對(duì)乘性噪聲的降噪和邊緣保留效果,對(duì)Man、Woman二張紅外圖像添加方差為5、10、15、20、25的乘性噪聲,并將該算法的去噪效果與均值濾波、自適應(yīng)閾值濾波、小波分層閾值算法進(jìn)行對(duì)比,使用峰峰值信噪比(PSNR)來對(duì)圖像的去噪算法進(jìn)行評(píng)價(jià)。不同噪聲水平下Woman圖像去噪后的峰峰值信噪比如表2所示,Woman圖像添加方差為20的乘性噪聲時(shí)的去噪效果如圖5所示,不同噪聲水平下Man圖像去噪后的峰峰值信噪比如表3所示,Man圖像添加方差為20的乘性噪聲時(shí)的去噪效果如圖6所示。

表2 不同降噪算法對(duì)各種噪聲水平的 Woman圖像PSNR值比較

表3 不同降噪算法對(duì)各種噪聲水平的 Man圖像的PSNR值比較

圖5 不同算法對(duì)方差為20的Woman噪聲圖像降噪效果比較

圖6 不同算法對(duì)方差為20的Man 噪聲圖像降噪效果比較

對(duì)比表2、表3的數(shù)據(jù)分析,本文算法對(duì)紅外圖像中的乘性噪聲有較好的預(yù)測(cè)效果并且在降噪方面有著明顯的優(yōu)勢(shì),對(duì)圖5、圖6的觀察,圖像的邊緣紋理也得到了保留。

使用本文方法對(duì)采集到的紅外圖像進(jìn)行去噪,去噪后圖像如圖7所示。

4.3 邊緣檢測(cè)

對(duì)金屬表面缺陷的檢測(cè)能力進(jìn)行評(píng)估,最主要的是對(duì)表面缺陷進(jìn)行定量分析。為了準(zhǔn)確評(píng)估該方法對(duì)金屬表面缺陷的檢測(cè)能力,因此需要對(duì)去噪后的圖像的特征信息進(jìn)行提取,使得缺陷更加清晰。

使用拉普拉斯算子對(duì)圖像處理,如圖8所示,進(jìn)行填充操作最后使用膨脹收縮,將缺陷的邊界提取出來如圖9所示。

圖7 去噪后的圖像

圖8 缺陷的邊緣檢測(cè)

4.4 缺陷量化

從圖8可以看出,缺陷邊界被清晰地提取了出來。缺陷面積的大小與缺陷邊界內(nèi)像素點(diǎn)的個(gè)數(shù)、紅外成像儀的分辨率以及在一定物距內(nèi)所成圖像的面積有關(guān),即:

(12)

式中,S為缺陷面積；S1為在一定物距紅外成像儀所成圖像的面積；P為缺陷邊界內(nèi)像素點(diǎn)的個(gè)數(shù)；P1為紅外成像儀的分辨率。

圖9 缺陷邊界

對(duì)圖9所提取的圖像進(jìn)行像素點(diǎn)計(jì)算,使用Bwarea函數(shù)計(jì)算出其邊界內(nèi)的像素點(diǎn)個(gè)數(shù),如表4所示。

表4 缺陷內(nèi)像素點(diǎn)的個(gè)數(shù)

該紅外成像儀的分辨率為640×480,故該紅外成像儀所采集的圖像有307200個(gè)像素點(diǎn),而在不同相距的情況下所采集到的圖像面積也不同。通過對(duì)該紅外成像儀進(jìn)行測(cè)試可得知在物距為62 cm時(shí),可以采集到的圖像面積為198.4 mm×148.8 mm。

通過所列數(shù)據(jù),可以求出紅外成像儀所成圖像缺陷的被測(cè)面積,而通過缺陷的被測(cè)尺寸也可以求出缺陷的實(shí)際面積,所測(cè)數(shù)據(jù)如表5所示。

表5 缺陷面積對(duì)比

由表5內(nèi)數(shù)據(jù)可以看出:面積較小的缺陷,其實(shí)際缺陷面積與算法所測(cè)缺陷的面積之間的誤差會(huì)相對(duì)較小,而即使缺陷形狀相同,但是激光加熱位置不同也會(huì)影響到其測(cè)量到的缺陷精度。而實(shí)際缺陷面積相比算法所測(cè)缺陷的面積較小可能是缺陷提取過程中所引起的誤差。

5 結(jié) 語

紅外圖像去除乘性噪聲對(duì)后續(xù)缺陷量化有著較為重要的意義,然而傳統(tǒng)的去噪算法對(duì)乘性噪聲的去除并沒有理想的效果。本文提出了一種新的去噪算法,首先對(duì)圖像進(jìn)行同態(tài)濾波并進(jìn)行噪聲估計(jì),得到了紅外圖像中的噪聲特征,并通過基于三維塊匹配的方法對(duì)上述圖像進(jìn)行處理,對(duì)處理后的圖像進(jìn)行指數(shù)運(yùn)算,并進(jìn)行邊緣檢測(cè)及缺陷量化。實(shí)驗(yàn)表明:

(1)本文提出的基于三維塊匹配的去噪算法與傳統(tǒng)去噪算法相比,去噪效果更為優(yōu)良,邊緣紋理也可以得到有效地保留,實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法的優(yōu)越性和有效性。

(2)本文所使用的缺陷量化方法可以有效地對(duì)金屬表面缺陷大小進(jìn)行表征,并將缺陷量化誤差控制在15 %以內(nèi)。

使用該紅外圖像降噪與缺陷量化方法可以有效地對(duì)缺陷紅外圖像進(jìn)行降噪并對(duì)缺陷邊界的面積大小進(jìn)行較為準(zhǔn)確地量化,在金屬缺陷檢測(cè)方面具有較好的應(yīng)用前景。