軌道缺陷圖像檢測(cè)算法的優(yōu)化

閔 銳,黃楚云,張曉峻,孫晶華

(1.湖北工業(yè)大學(xué) 理學(xué)院，湖北 武漢 430068；2.哈爾濱工程大學(xué) 物理與光電工程學(xué)院，黑龍江 哈爾濱 150001)

中國(guó)鐵路建設(shè)規(guī)模的擴(kuò)大，對(duì)鐵軌的工作要求變得更加嚴(yán)格. 考慮到鐵路安全問(wèn)題和隱患處理的重要性，需要定期對(duì)軌道進(jìn)行探傷和狀態(tài)檢測(cè)，以掌握高質(zhì)量的軌道狀態(tài)數(shù)據(jù)，保證軌道的正常使用[1]. 采集軌道狀態(tài)信息并及時(shí)處理是軌道維護(hù)的關(guān)鍵環(huán)節(jié)[2]，常規(guī)軌道檢測(cè)方法雖然靈敏性和損傷檢出率較高，但其工作成本和對(duì)人工的要求很高.

利用數(shù)字圖像處理技術(shù)進(jìn)行軌道狀態(tài)檢測(cè)的方法為軌道無(wú)損檢測(cè)的發(fā)展和軌道探傷提供了新思路. 例如，將背景差分法應(yīng)用于缺陷圖像分割，通過(guò)自適應(yīng)閾值分割和濾波方式去除噪聲點(diǎn)對(duì)缺陷識(shí)別的干擾，提高鋼軌缺陷的檢測(cè)率[3]；基于機(jī)器視覺(jué)技術(shù)設(shè)計(jì)鋼軌表面缺陷檢測(cè)算法，對(duì)鋼軌表面區(qū)域提取算法進(jìn)行優(yōu)化，提高了檢出率，但算法的誤檢率未能得到良好地控制[4]；利用圖像灰度梯度特征進(jìn)行平滑濾波，通過(guò)差分分割實(shí)現(xiàn)鋼軌表面缺陷檢測(cè)的目的，有效弱化了光源和鋼軌表面因素的影響[5]；基于機(jī)器視覺(jué)和卷積神經(jīng)網(wǎng)絡(luò)提出軌道表面缺陷檢測(cè)方法，利用形態(tài)學(xué)濾波與概率霍夫變換算法去除原始圖像中的噪聲，通過(guò)Canny算法實(shí)現(xiàn)軌道表面缺陷的自動(dòng)提取[6].

上述的軌道圖像檢測(cè)方法中，圖像降噪預(yù)處理和缺陷邊緣檢測(cè)是最關(guān)鍵的步驟. 針對(duì)圖像降噪問(wèn)題，BM3D算法是目前去噪效果最好的算法之一[7]；針對(duì)受白噪聲影響的階躍型邊緣檢測(cè)問(wèn)題，Canny算法的檢測(cè)效果較好[8]. 但這2種算法運(yùn)行時(shí)間比較長(zhǎng)，不能滿足實(shí)時(shí)性要求. 本文基于OpenCV軟件平臺(tái)采用C++語(yǔ)言編寫(xiě)算法，開(kāi)展軌道缺陷檢測(cè)算法的優(yōu)化研究.

1 BM3D算法

針對(duì)軌道圖像噪聲嚴(yán)重、缺陷邊緣模糊等問(wèn)題，通過(guò)圖像降噪預(yù)處理算法進(jìn)行改善，為后續(xù)的缺陷檢測(cè)提供良好的基礎(chǔ). BM3D算法可以很好地實(shí)現(xiàn)圖像的濾波處理，該算法包括基礎(chǔ)估計(jì)和最終估計(jì)2個(gè)步驟，這2個(gè)步驟中又各自包含相似塊分組、協(xié)同濾波和聚合3部分[9]，算法流程圖如圖1所示.

(1)

圖1 BM3D算法流程

對(duì)得到的矩陣進(jìn)行三維變換，將矩陣中小于設(shè)定參量的值設(shè)為0.對(duì)非零成分?jǐn)?shù)量進(jìn)行統(tǒng)計(jì)，再對(duì)其進(jìn)行三維逆變換處理，得到基礎(chǔ)估計(jì)的三維矩陣為

(2)

把逆變換后的圖塊對(duì)應(yīng)到原來(lái)的位置，通過(guò)統(tǒng)計(jì)非零成分?jǐn)?shù)量進(jìn)行權(quán)重分配，利用疊放的圖塊及每處權(quán)重的比值即可去除圖像中的大部分噪聲點(diǎn)，得到基礎(chǔ)估計(jì)圖像為

(3)

第二步，最終估計(jì).利用基礎(chǔ)估計(jì)中相同的分組方法，將基礎(chǔ)估計(jì)圖塊再次進(jìn)行塊匹配，堆疊成新的相似圖塊集合，表示為

(4)

對(duì)含噪圖像塊和基礎(chǔ)估計(jì)圖塊堆疊形成的2個(gè)三維矩陣分別進(jìn)行三維變換，利用基礎(chǔ)估計(jì)圖塊的變換系數(shù)，采用經(jīng)驗(yàn)維納濾波對(duì)原始含噪圖像進(jìn)行處理，得到估計(jì)權(quán)重，并進(jìn)行三維逆變換.

(5)

經(jīng)過(guò)加權(quán)平均變換后，得到最終的估計(jì)圖像，會(huì)包含更多的圖像細(xì)節(jié).

2 BM3D算法優(yōu)化

由于BM3D算法復(fù)雜度較高，為了拓展其實(shí)用性，本文對(duì)該算法流程進(jìn)行改進(jìn)，以達(dá)到高效處理的目的.

2.1 BM2D+1D算法

BM3D算法是將尋找到的相似圖塊進(jìn)行二維變換后用歐氏距離測(cè)量其相似程度，然后疊成三維數(shù)組. 此時(shí)得到的圖塊已經(jīng)進(jìn)行了二維變換處理，只需再加上1次一維變換即可代替直接進(jìn)行的三維變換. 同時(shí)三維變換采用可分離的正交變換，分解為各個(gè)相似塊自身的二維變換以及相似塊之間的一維變換，便于后續(xù)計(jì)算直接復(fù)用二維變換結(jié)果. 將BM3D算法轉(zhuǎn)變?yōu)锽M2D+1D算法，既可以保證算法運(yùn)行結(jié)果的高質(zhì)量，又能提高算法的運(yùn)行速度，算法流程圖如圖2所示.

圖2 BM2D+1D算法流程

為更好地捕捉圖塊中的周期性信息，圖像塊的二維變換采用離散余弦變換，由此得到所有相似塊的二維變換系數(shù). 再利用小波變換對(duì)二維變換的結(jié)果進(jìn)行一維變換，實(shí)現(xiàn)圖像塊的三維變換，進(jìn)一步降低算法的復(fù)雜度，一維離散小波變換[12]表示為

(6)

(7)

(8)

其中，wφ(j0,k)和wψ(j,k)為近似系數(shù)和小波函數(shù)，φj0,k(x)和ψj,k(x)為不同尺度和不同位置的小波函數(shù)，k為位置偏移量，j為尺度階數(shù).

優(yōu)化后的算法保留了原算法的去噪框架，利用可分離的二維離散余弦變換和一維離散小波變換對(duì)圖像塊進(jìn)行濾波處理，其他處理方法不變，在保證處理效果的同時(shí)提升了處理速度.并且在塊匹配分組過(guò)程中將3×3圖塊窗口放大到6×6窗口，減少參考?jí)K的數(shù)量，加快相似塊的處理速度.

2.2 仿真實(shí)驗(yàn)

為了減少運(yùn)算量，提高檢測(cè)效率，在對(duì)軌道圖像檢測(cè)前，先進(jìn)行感興趣區(qū)域提取，截取含有缺陷的區(qū)域，得到帶有缺陷的軌道圖像，大小為159×159 pixel. 為了降低算法的復(fù)雜程度，并便于圖像二值化處理，將輸入圖像轉(zhuǎn)變?yōu)榛叶葓D像，如圖3所示. 向圖像中分別加入單一高斯噪聲(噪聲方差δ=40)和高斯噪聲與椒鹽噪聲的混合噪聲(高斯噪聲方差δ=40、椒鹽噪聲像素點(diǎn)d=800)，得到模擬含噪圖像,如圖4(a)和圖5(a)所示.

利用中值濾波、高斯濾波、維納濾波、BM3D算法和本文提出的BM2D+1D算法分別對(duì)高斯噪聲圖像和混合噪聲圖像進(jìn)行處理(實(shí)驗(yàn)所用計(jì)算機(jī)CPU為i7-9750H，內(nèi)存為16G)，處理結(jié)果如圖4和圖5所示.

圖3 原圖

(a)高斯噪聲圖像 (b)中值濾波

(c)高斯濾波 (d)維納濾波

(e)BM3D (f)BM2D+1D圖4 高斯噪聲去噪

(a)混合噪聲圖像 (b)中值濾波

(c)高斯濾波 (d)維納濾波

(e)BM3D (f)BM2D+1D 圖5 混合噪聲去噪

在單一高斯噪聲圖像處理中，從視覺(jué)效果上看，5種去噪算法都對(duì)高斯噪聲圖像帶來(lái)了一定程度的平滑模糊. 但中值濾波、高斯濾波和維納濾波方法不能完全去除高斯噪聲，而B(niǎo)M3D算法和BM2D+1D算法能有效去除高斯噪聲.

對(duì)于混合噪聲圖像的處理，由于在模塊匹配步驟中受到了其他類型噪聲的干擾，導(dǎo)致BM3D算法塊匹配不準(zhǔn)確，使得最終去噪結(jié)果失真. 可以看出，BM3D算法僅對(duì)含單一高斯噪聲圖像的去噪效果較好，且須在不受到其他噪聲干擾的情況下進(jìn)行. 而B(niǎo)M2D+1D算法因?yàn)榧尤肓艘痪S離散小波變換，因此不易受到其他噪聲干擾，可以更加精準(zhǔn)地識(shí)別圖像噪聲點(diǎn).

在圖像質(zhì)量評(píng)價(jià)中，峰值信噪比(RPSNR)值越大說(shuō)明去噪算法效果越好. 對(duì)圖4和圖5所示的5種去噪算法運(yùn)行結(jié)果進(jìn)行對(duì)比，RPSNR值結(jié)果如表1所示. 由RPSNR結(jié)果可知，與中值濾波、高斯濾波和維納濾波算法相比，BM3D算法處理效果的穩(wěn)定性較差. 而B(niǎo)M2D+1D算法彌補(bǔ)了BM3D算法穩(wěn)定性差的不足，在處理噪聲圖像時(shí)能保持運(yùn)行的穩(wěn)定性，從而得到優(yōu)于中值濾波、高斯濾波和維納濾波算法的去噪效果.

記錄仿真過(guò)程中算法的運(yùn)行時(shí)間，對(duì)于含高斯噪聲的圖像，BM3D算法的運(yùn)算時(shí)間為23.810 4 s，BM2D+1D算法的運(yùn)算時(shí)間為14.384 9 s，運(yùn)行時(shí)間降低了39.6 %. 優(yōu)化的BM2D+1D算法不僅RPSNR值有所提高(比BM3D提高了0.388 dB)，而且在運(yùn)算時(shí)間上也有一定程度的減小.

表1 5種去噪算法的RPSNR值

3 Canny邊緣檢測(cè)算法

圖像的邊緣是指灰度、紋理或顏色等特征突變的位置，在圖像分割過(guò)程中對(duì)區(qū)域識(shí)別將起到重要作用. 但是在實(shí)際情況下，受噪聲干擾得到的圖像邊緣常常模糊，導(dǎo)致邊緣提取變得更加困難. Canny算法對(duì)受高斯白噪聲干擾的圖像邊緣檢測(cè)效果較好[13]，該算法主要有以下4個(gè)步驟：

1)利用高斯濾波器平滑圖像. 通過(guò)對(duì)濾波像素點(diǎn)及其相鄰像素點(diǎn)進(jìn)行加權(quán)均值計(jì)算，去掉圖像中的噪聲點(diǎn).

針對(duì)該塊應(yīng)力特點(diǎn)，采用直井長(zhǎng)縫結(jié)合定向射孔工藝，有效降低裂縫起裂的復(fù)雜程度，并配合暫堵劑＋組合陶粒降低濾失，提高壓裂液的使用效率。

2)計(jì)算梯度幅值和方向.計(jì)算圖像在x和y方向上的梯度值Gx和Gy，由此得到梯度幅值和方向角[14]為

(9)

(10)

3)對(duì)梯度幅值進(jìn)行非極大值抑制.根據(jù)梯度方向?qū)D像上每個(gè)點(diǎn)的梯度幅值進(jìn)行非極大值抑制[15]，實(shí)現(xiàn)邊緣估計(jì).

4)利用雙閾值檢測(cè)并連接邊緣.通過(guò)雙閾值設(shè)置來(lái)檢測(cè)邊緣，用高閾值M1將背景與提取的輪廓進(jìn)行分割，用低閾值M2對(duì)邊緣進(jìn)行平滑.將像素值在M1～M2間的點(diǎn)作為弱邊界，將像素值大于M1的點(diǎn)作為強(qiáng)邊界.當(dāng)M1設(shè)置過(guò)大時(shí)，會(huì)導(dǎo)致邊緣輪廓斷續(xù)，此時(shí)可以通過(guò)弱邊界八連通鄰域內(nèi)是否存在強(qiáng)邊界進(jìn)行判斷，存在弱邊界與強(qiáng)邊界相連接的情況下，該弱邊界才能被視為邊緣點(diǎn)進(jìn)行連接[16].

4 Canny算法優(yōu)化及仿真實(shí)驗(yàn)

由于去噪處理后的軌道圖像中仍然會(huì)存在干擾信息，使得Canny算法在檢測(cè)過(guò)程中出現(xiàn)偏差. 因此，利用圖像增強(qiáng)算子對(duì)Canny算法進(jìn)行改進(jìn)，使得缺陷檢測(cè)結(jié)果更加完整和準(zhǔn)確.

4.1 Canny算法的優(yōu)化

根據(jù)Canny邊緣檢測(cè)算法原理可知，Canny算法是通過(guò)高斯去噪來(lái)降低噪聲干擾. 高斯去噪會(huì)使圖像的邊緣信息被削減，需要選擇合適的高斯半徑才能保留較為完整的邊緣信息[17]. 而軌道圖像預(yù)處理環(huán)節(jié)已經(jīng)對(duì)圖像進(jìn)行了去噪處理，并且得到了較好的去噪結(jié)果. 故可以將高斯濾波從Canny算法中去除，以降低算法的運(yùn)行時(shí)間.

另外，由于圖像預(yù)處理環(huán)節(jié)在一定程度上模糊了邊緣信息，生成無(wú)意義像素信息，導(dǎo)致后續(xù)閾值選取范圍受限，不利于邊緣信息的提取. 因此，在Canny算法中加入LOG算子和Gamma算子對(duì)預(yù)處理結(jié)果進(jìn)行邊緣強(qiáng)化，濾掉一部分虛假邊緣信息，進(jìn)一步減少算法的運(yùn)算時(shí)間，降低算法運(yùn)算復(fù)雜度.

l=cLOG(1+vr)，

(11)

其中，c為常數(shù)(通常設(shè)為1)，系數(shù)v=1,r∈[0,1]為輸入的歸一化灰度值.

2)利用Gamma變換算子對(duì)圖像進(jìn)行校正，將圖像的高、低灰度進(jìn)行修正改進(jìn)，增強(qiáng)圖像的對(duì)比度[18]，輸出圖像表示為

s=Auγ，

(12)

其中，A為常數(shù)(通常設(shè)為1)，系數(shù)γ=3，u∈[0,1]為輸入的歸一化灰度值.

優(yōu)化的Canny算法不再考慮噪聲干擾，并利用LOG算子和Gamma算子對(duì)去噪結(jié)果圖像進(jìn)行對(duì)比度調(diào)整及邊緣強(qiáng)化，增強(qiáng)軌道缺陷處信息，均衡各部分像素灰度，從而過(guò)濾虛假邊緣和無(wú)意義邊緣的像素點(diǎn). 與增強(qiáng)前的圖像相比，優(yōu)化后的邊緣信息更加清晰，算法閾值調(diào)節(jié)更加靈活. 可根據(jù)實(shí)際采集的圖像自適應(yīng)調(diào)節(jié)閾值大小，得到保留完整軌道缺陷邊緣信息的結(jié)果圖像.

4.2 仿真實(shí)驗(yàn)

在與上述實(shí)驗(yàn)相同配置的計(jì)算機(jī)上進(jìn)行測(cè)試，以BM2D+1D算法對(duì)高斯噪聲圖像去噪結(jié)果[圖4(f)]為例，將優(yōu)化后的Canny算法應(yīng)用到去噪圖像的邊緣檢測(cè)中，得到不同閾值M下的結(jié)果，如圖6所示.

(a)M=50 (b)M=75

(c)M=100 (d)M=125

(e)M=150 (f)M=175

(g)M=200 (h)M=225圖6 優(yōu)化的Canny算法二值圖像結(jié)果

從圖6中可以看出，當(dāng)M=100時(shí)，優(yōu)化的Canny算法可以完整保留重要邊緣信息，從橫縱方向可以看出軌道的擦傷和裂痕. 當(dāng)M>150時(shí)，軌道裂痕邊緣開(kāi)始出現(xiàn)斷續(xù)，從而無(wú)法捕獲完整的邊緣信息. 因此，為得到準(zhǔn)確的邊緣信息，在算法閾值調(diào)節(jié)上需要進(jìn)行嚴(yán)格控制，使得算法盡可能完整地保留軌道裂痕邊緣信息，并盡可能多地去除無(wú)意義像素點(diǎn).

經(jīng)典Canny算法中包含高斯去噪過(guò)程，并且由于邊緣信息被模糊而產(chǎn)生虛假邊緣信息，增加了算法工作量. 優(yōu)化后的Canny算法減少了高斯去噪步驟，并加入LOG算子和Gamma算子解決了虛假邊緣信息過(guò)多的問(wèn)題，優(yōu)化了算法運(yùn)算流程和運(yùn)算量. 優(yōu)化前的平均運(yùn)行時(shí)間為0.017 2 s，優(yōu)化后的平均運(yùn)行時(shí)間為0.003 2 s，運(yùn)行時(shí)間降低了81.4%.

5 結(jié) 論

對(duì)軌道缺陷圖像檢測(cè)算法進(jìn)行了優(yōu)化. 通過(guò)改進(jìn)BM3D算法的三維變換方式，將其轉(zhuǎn)化為BM2D+1D算法，作為軌道圖像預(yù)處理方法. 在圖像質(zhì)量評(píng)價(jià)指標(biāo)和運(yùn)行效率上，BM2D+1D算法具有一定的優(yōu)勢(shì). 對(duì)于含高斯噪聲的圖像，BM2D+1D算法的RPSNR值提高了0.388 dB，運(yùn)行時(shí)間降低了39.6%. 同時(shí)，優(yōu)化的Canny算法可以濾除圖像中大部分多余的邊緣信息和無(wú)意義的像素信息，實(shí)現(xiàn)對(duì)軌道缺陷的邊緣增強(qiáng)和邊緣檢測(cè)，得到了完整的軌道缺陷邊緣信息，優(yōu)化后的算法運(yùn)行時(shí)間降低了81.4%.