基于形態(tài)學(xué)和OTSU算法的紅外圖像降噪及分割

徐 超，馮輔周，閔慶旭，孫吉偉，朱俊臻

?

基于形態(tài)學(xué)和OTSU算法的紅外圖像降噪及分割

徐 超，馮輔周，閔慶旭，孫吉偉，朱俊臻

（裝甲兵工程學(xué)院 機械工程系，北京 100072）

在渦流熱像技術(shù)中，圖像處理是進行缺陷特征提取和識別的關(guān)鍵基礎(chǔ)，而增強的圖像有助于提高渦流熱像技術(shù)的檢測效果。利用多種常用的紅外圖像處理方法進行增強處理，旨在解決紅外圖像信噪比不高、缺陷對比度低等問題。首先分析了噪聲來源，通過算術(shù)運算對渦流紅外圖像進行預(yù)處理，然后采用基于形態(tài)學(xué)權(quán)重的自適應(yīng)算法進行形態(tài)學(xué)降噪，最后利用二維最大類間方差法（OTSU）對圖像進行分割。定性和定量分析結(jié)果均驗證了該方法的有效性和適用性，研究成果為紅外圖像的特征提取和缺陷識別奠定了方法基礎(chǔ)。

渦流熱像；紅外圖像；形態(tài)學(xué)降噪；圖像分割

0 引言

渦流紅外熱像技術(shù)是一種新型的無損檢測方法，主要用于導(dǎo)電材料的無損評估，其有效結(jié)合渦流檢測和紅外熱成像技術(shù)，具有快速、準(zhǔn)確和高分別率的優(yōu)點[1-2]。受紅外熱像儀靈敏度的限制、噪聲的干擾以及目標(biāo)與背景的溫差相對較小的特點[3]，使得紅外圖像的灰度級較少，對比度較低，其信噪比也較可見光圖像的低[4]。利用紅外圖像進行缺陷特征提取和識別時，圖像處理是關(guān)鍵基礎(chǔ)，研究成果有助于提高渦流熱像技術(shù)的檢測效果，因此對渦流紅外圖像的處理和研究具有重要的現(xiàn)實意義。

國內(nèi)外針對圖像處理方面的研究已經(jīng)廣泛開展，特別是隨著紅外無損檢測技術(shù)的發(fā)展，越來越多的新方法被運用到紅外圖像的增強中。圖像增強的方法包含兩大類：空間域方法和變換域方法[5]?？臻g域方法直接是圖像的灰度值進行處理，如直方圖均衡化是通過某種變換對圖像灰度范圍進行拉伸，王炳健[4]提出了平臺直方圖均衡（Plateau Histogram Equalization, PHE）及其變換形式，Kim[6]提出了平均維持雙向直方圖均衡（Brightness Preserving Bi-Histogram Equalization, BBHE），Chen[7]提出了遞歸均值直方圖均衡（Recursive Mean-Separate Histogram Equalization, RMSHE），這些方法在增強的同時也放大了噪聲淹沒有用信息，而且圖像整體亮度不高，對比度低。變換域方法是將圖像變化到某種域（如頻域、小波域、模糊域）里進行處理，然后再反變換回來，得到增強的圖像。近年來，多尺度小波變換以良好的時頻分析特性得到廣泛的應(yīng)用[8-9]，但是二維小波變換只能表示水平、垂直和對角3個方向，造成圖像邊緣和細節(jié)的模糊。

針對現(xiàn)有算法中的不足，提出基于形態(tài)學(xué)權(quán)重的自適應(yīng)算法進行形態(tài)學(xué)降噪，克服了傳統(tǒng)形態(tài)學(xué)中一定程度上侵蝕、淹沒或放大目標(biāo)區(qū)域，以及對高噪聲、小目標(biāo)的紅外圖像處理效果不穩(wěn)定等缺點，有效增強了紅外圖像的輪廓特征并對噪聲有了一定的抑制作用。然后利用二維OTSU對圖像中的目標(biāo)區(qū)域進行分割，以獲取目標(biāo)和背景高對比度的圖像。

1 圖像預(yù)處理

1.1 噪聲來源

紅外圖像是由目標(biāo)的紅外輻射信號轉(zhuǎn)換得到的，非常容易受噪聲干擾，且紅外噪聲與可見光無必然關(guān)系。通常，紅外圖像中的噪聲主要來源于圖像的獲取過程和傳輸過程[10]。研究表明：絕大部分的噪聲都可以用高斯白噪聲、椒鹽噪聲或者兩者的混合噪聲來表示，其中椒鹽噪聲是在紅外圖像處理中廣泛存在的一種對圖像質(zhì)量破壞嚴(yán)重的噪聲。在實驗過程中，紅外圖像易受到的干擾源主要是外界輻射源和空氣對流。

1.2 算術(shù)運算

算術(shù)運算作為圖像預(yù)處理的首要步驟，用于消除較為固定的系統(tǒng)噪聲，主要包括加法和減法運算。其中，圖像減法運算通過將待處理圖像的像素對應(yīng)值與背景圖像相減以增強圖像對比度，又稱減背景，可用公式表示為：(,)＝(,)－(,)，其中(,)和(,)分別表示待處理圖像和背景圖像上坐標(biāo)為(,)的像素點的灰度值。在渦流紅外熱像技術(shù)中，激勵開始前的圖像即為背景圖像，以后所獲得的每幀圖像都可以作為待處理圖像，通過減背景操作去除背景信息，有效增強圖像對比度，即可得到含噪聲的被測對象的溫度變化信息。此方法可以顯著消除環(huán)境的靜態(tài)噪聲。

由于渦流激勵的特性，在試件邊緣生熱即邊緣效應(yīng)，會淹沒裂紋生熱，因此，采用一個相同尺寸且無裂紋的試件作為參照，去除邊緣效應(yīng)的影響。

2 基于形態(tài)學(xué)權(quán)重的自適應(yīng)降噪

2.1 形態(tài)學(xué)開-閉級聯(lián)

形態(tài)學(xué)的基本思想是具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀以達到對圖像分析和識別的目的[11]。形態(tài)學(xué)的開運算可以過濾紅外圖像的噪聲，而形態(tài)學(xué)閉運算可以增強圖像中的低灰度區(qū)域[12]。因此，采用形態(tài)學(xué)開-閉級聯(lián)形式，實現(xiàn)對紅外圖像的增強，形態(tài)學(xué)開-閉級聯(lián)定義為：

2.2 權(quán)重多結(jié)構(gòu)形態(tài)學(xué)

采用不同形狀的結(jié)構(gòu)元素對渦流紅外圖像進行多結(jié)構(gòu)形態(tài)學(xué)開-閉運算，每種不同結(jié)構(gòu)元素的開-閉運算可表示為A（＝1,2,3,…,），原始紅外圖像連續(xù)做兩次形態(tài)學(xué)開-閉運算，進而構(gòu)成一個串聯(lián)結(jié)構(gòu)，如圖1所示。

圖1 開-閉運算串聯(lián)結(jié)構(gòu)

串聯(lián)增強后將不同的串聯(lián)結(jié)構(gòu)進行并聯(lián)，形成串-并聯(lián)復(fù)合結(jié)構(gòu)，如圖2所示。由于每個開-閉運算級聯(lián)采用的結(jié)構(gòu)元素不同，并聯(lián)結(jié)構(gòu)可以繼承各個開閉運算級聯(lián)的優(yōu)點，增強效果是串聯(lián)結(jié)構(gòu)的疊加，彌補串聯(lián)結(jié)構(gòu)的單一性。

圖2 串-并聯(lián)復(fù)合結(jié)構(gòu)

針對渦流紅外圖像目標(biāo)弱小，輪廓形狀簡單的特點，本文的形態(tài)結(jié)構(gòu)元素采用不同角度的線性結(jié)構(gòu)。在具體實現(xiàn)過程中，采用不同結(jié)構(gòu)元素的開-閉運算A的串聯(lián)增強結(jié)果與原始圖像的差異值作為權(quán)值向量P，則形態(tài)學(xué)自適應(yīng)權(quán)值計算公式為：

Q＝P/(1＋2＋…＋P) (2)

式中：Q為不同形狀元素的開-閉運算A的權(quán)值。

若輸入圖像為(,)，經(jīng)過圖1所示的串聯(lián)增強結(jié)果為L(,)，則圖2所示的形態(tài)學(xué)自適應(yīng)權(quán)值算法得到的輸出圖像(,)為：

3 基于二維OTSU算法的圖像分割

OTSU是經(jīng)典的閾值分割算法，是由大津展之提出的[13]。該方法是一種無監(jiān)督無參數(shù)的自動閾值分割方法，計算簡單，分割效果良好。由于一維OTSU直方圖信息量的局限性，研究人員提出了二維OTSU，分割效果得到了很大的改善[14-16]。

二維OTSU運用灰度和鄰域平均灰度構(gòu)造二維直方圖，在二維空間上計算閾值。對于一幅×的圖像，用(,)表示圖像上坐標(biāo)為(,)的像素點的灰度值，(,)表示圖像上坐標(biāo)為(,)的像素點的3×3鄰域平均灰度值。(,)和(,)都為級（灰度級），構(gòu)成一個二維空間，二元組(,)出現(xiàn)的頻數(shù)為c，則定義相應(yīng)的聯(lián)合概率密度p為：

p＝c/(,＝1,2,…,) (4)

圖3 二維直方圖區(qū)域劃分

假設(shè)在二維直方圖被分割閾值(,)分為4部分，其中，1和4對應(yīng)于背景和目標(biāo)，2和3對應(yīng)于邊緣和噪聲，背景和目標(biāo)出現(xiàn)的概率密度分別如式(5)和(6)所示：

在二維OTSU中2、3的概率之和為0，即：

0＋1≈1。

背景和目標(biāo)兩類對應(yīng)的均值矢量如式(7)和(8)：

直方圖上總的均值矢量如下式：

以此類推，可以得到，二維OTSU的多閾值公式為：

＝(0×0－1s)2＋(0×1－1t)2＋

(1×0－1s)2＋(1×1－1t)2＋

(w×0－1s)2＋(w×0－1t)2(10)

4 處理結(jié)果及分析

4.1 實驗系統(tǒng)及圖像采集

如圖4所示，電渦流脈沖熱成像無損檢測系統(tǒng)主要包括感應(yīng)加熱源、紅外熱像儀、脈沖發(fā)生器、計算機、感應(yīng)線圈及其他輔助檢測設(shè)備。感應(yīng)加熱源產(chǎn)生高頻交流電，并通過感應(yīng)線圈提供渦流激勵，加熱被測試件；紅外熱像儀通過測量被測對象的紅外熱輻射對其表面熱分布進行成像。熱像儀的溫度分辨率為0.035℃。為滿足大部分材料的檢測需求，激勵源采用最大功率為2.4kW、最大電流為400A及激勵頻率范圍為150～400kHz的感應(yīng)加熱模塊。本實驗中，線圈采用空心銅管制作，銅管直徑為8mm，形狀呈平面矩形螺旋狀。被測試樣為含預(yù)制疲勞裂紋的45鋼平板，如圖5所示。

圖4 電渦流脈沖熱成像無損檢測系統(tǒng)

檢測時，線圈和熱像儀都置于試件之上，以在被測試件表面產(chǎn)生平行于線圈邊緣的渦流場。同時，被測試件表面噴涂一層黑色啞光漆以增強表面發(fā)射率。激勵時間設(shè)置為0.2s，功率為100%，獲取的紅外熱圖像如圖6所示。

圖5 被測試件示意圖

圖6 熱像儀采集的原始紅外圖像

4.2 實驗結(jié)果分析

本文算法在MATLAB軟件平臺上實現(xiàn)，實驗圖像為渦流激勵下含貫穿疲勞裂紋金屬平板的紅外熱圖像。為了驗證本文算法的降噪增強效果，利用直方圖均衡化算法、小波降噪、形態(tài)學(xué)開閉運算等算法來對比分析。

圖7給出了渦流紅外熱像的原圖、減背景以及去邊緣效應(yīng)的圖像，可以看出：原始圖像對比度低，噪聲嚴(yán)重，減背景后的圖像對比度得到增強，但存在噪聲和邊緣效應(yīng)，通過去除邊緣效應(yīng)僅留下裂紋區(qū)域的生熱信息，椒鹽噪聲依然存在。

圖7 算術(shù)運算處理結(jié)果

Fig.7 Arithmetic results

圖8給出了不同算法的降噪增強效果對比圖，可以看到：直方圖均衡化雖然能增強目標(biāo)區(qū)域，但是放大了噪聲，圖像整體效果較差；小波降噪效果較好，一定程度上去除了噪聲和增強了對比度；先開后閉運算淹沒了目標(biāo)區(qū)域，先閉后開運算使圖像模糊，對比度降低；而基于形態(tài)學(xué)權(quán)重自適應(yīng)增強算法明顯去除椒鹽噪聲，提高對比度，目標(biāo)區(qū)域輪廓清晰，其范圍也沒有發(fā)生縮放，克服了傳統(tǒng)形態(tài)學(xué)算法的不足，降噪效果最佳。

圖8 不同降噪算法對比圖

進一步，本文采用峰值信噪比（PSNR）來定量評價降噪效果，其峰值信噪比定義如下：

式中：Y和X分別表示降噪后的圖像和原始圖像；、分別表示的圖像的行列。

PSNR值越大，說明降噪能力越強，上述的降噪方法的PSNR曲線如圖9所示?？梢钥吹剑夯谛螒B(tài)學(xué)權(quán)重的自適應(yīng)降噪方法的PSNR值最大，優(yōu)于其他傳統(tǒng)方法，降噪效果最佳。

圖9 PSNR對比直方圖

對形態(tài)學(xué)權(quán)重的自適應(yīng)增強后的圖像（圖8(f)），進行OTSU分割，如圖10所示，分割效果較好并且邊緣清晰，將目標(biāo)區(qū)域完整地分割了出來。

5 結(jié)論

針對渦流熱像技術(shù)中的紅外圖像缺陷、對比度差等問題，提出了一種自適應(yīng)圖像增強算法?；谛螒B(tài)學(xué)的權(quán)重自適應(yīng)算法對圖像降噪，不僅目標(biāo)區(qū)域被真實無損還原，而且改進了傳統(tǒng)形態(tài)學(xué)降噪效果不佳的缺點，對比幾種常用的降噪方法，并用PSNR來度量圖像的降噪效果。定性和定量分析證明了本文提出的算法具有良好的降噪效果。通過OTSU分割，目標(biāo)區(qū)域被完整分割，分割效果較好并且邊緣清晰。研究成果為后續(xù)圖像序列的特征提取和缺陷識別奠定了良好的圖像基礎(chǔ)。

圖10 OTSU分割后的圖像

[1] HE Yunze, PAN Mengchun, CHENDixiang, et al. Eddy current step heating thermography for quantitatively evaluation[J]., 2013, 103(19):023112-2698.

[2] Weekes B, Almond D P, Cawley P, et al. Eddy-current induced thermography—probability of detection study of small fatigue cracks in steel, titanium and nickel-based superalloy[J]., 2012, 49:47-56.

[3] 張秀君, 孫曉麗. 分段線性變換增強的自適應(yīng)方法[J]. 電子科技, 2005(3):13-16.

ZHANG Xiujun, SUN Xiaoli.Adaptive method for enhancement of piecewise linear transformation[J]., 2005(3): 13-16.

[4] 王炳健, 劉上乾, 周慧鑫, 等. 基于平臺直方圖的紅外圖像自適應(yīng)增強算法[J]. 光子學(xué)報, 2005, 48(2):77-82.

WANG Bingjian, LIU Shangqian, ZHOU Huixin, et al. Adaptive enhancement algorithm for infrared image based on platform histogram [J]., 2005, 48(2):77-82.

[5] 張曉杰. 紅外圖像處理及弱小目標(biāo)檢測方法研究[D]. 南京: 南京航空航天大學(xué), 2012.

ZHANG Xiaojie. Infrared image processing and weak target detection method[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2012.

[6] Kim Y T. Contrast enhancement using brightness preserving bi-histogram equalization[C]//, 1997, 43(1):1-8.

[7] CHEN S D, Ramli A R. Contrast enhancement using recursive mean-separate histogram equalization for scalable brightness preservation[J]., 2003, 49(4): 1301-1309.

[8] 康志亮. 基于小波的紅外圖像增強算法研究[D]. 成都: 電子科技大學(xué), 2008.

KANG Zhiliang. Research on Infrared Image Enhancement Algorithm Based on Wavelet[D]. Chengdu: University of Electronic Science and Technology of China, 2008.

[9] 祁燕, 宋凱. 基于小波多尺度的圖像增強新算法[J]. 微計算機信息, 2010, 26(10):133-134.

QI Yan, SONG Kai. Image enhancement algorithm based on wavelet mltiscale[J]., 2010, 26(10):133-134.

[10] 王圳萍, 張家樹, 陳高. 加權(quán)低秩矩陣恢復(fù)的混合噪聲圖像去噪[J]. 計算機科學(xué), 2016, 43(1):298-301.

WANG Zhuping, ZHANG Jiashu, CHEN Gao. Weighted low-rank matrix recovery for hybrid noise image denoising[J]., 2016, 43(1): 298-301.

[11] 王樹文, 閆成新, 張?zhí)煨? 等. 數(shù)學(xué)形態(tài)學(xué)在圖像處理中的應(yīng)用[J]. 計算機工程與應(yīng)用, 2004, 40(32):89-92.

WANG Shuwen, YAN Chengxin, ZHANG Tianxu, et al. Application of mathematical morphology in image processing[J]., 40(32):89-92..

[12] 王啟銀, 薛建東, 任新輝. 一種自適應(yīng)的變電站設(shè)備紅外圖像分割方法[J]. 紅外技術(shù), 2016, 38(9):770-773.

WANG Qiyin, XUE Jiandong, REN Xinhui. An adaptive infrared image segmentation method for substation equipment[J]., 2016, 38(9): 770-773.

[13] Ohtsu N. A Threshold selection method from gray-level histograms[J]., 1979, 9(1):62-66.

[14] 劉健莊, 栗文青. 灰度圖像的二維Otsu自動閾值分割法[J]. 自動化學(xué)報, 1993, 19(1):101-105.

LIU Jianzhuang, LAI Wenqing. Two-dimensional Otsu automatic threshold segmentation method for gray image[J]., 1993, 19(1):101-105.

[15] 范九倫, 趙鳳. 灰度圖像的二維Otsu曲線閾值分割法[J]. 電子學(xué)報, 2007, 35(4):751-755.

FAN Jiulun, ZHAO Feng. Two-dimensional Otsu curve threshold segmentation of gray image[J]., 2007, 35(4): 751-755.

[16] 吳一全, 潘喆, 吳文怡. 二維直方圖區(qū)域斜分閾值分割及快速遞推算法[J]. 通信學(xué)報, 2008, 29(4):77-83.

WU Yiquan, PAN Zhe, WU Wenyi. Calculation of fast diagonal threshold and fast recursion algorithm for two-dimensional histogram[J]., 2008, 29(4):77-83.

Infrared Image Denoising and Segmentation Based on Morphology and Otsu Method

XU Chao，F(xiàn)ENG Fuzhou，MIN Qingxu，SUN Jiwei，ZHU Junzhen

(,,100072,)

In eddy current thermography, image processing is the key basis of defect feature extraction and recognition, and the enhanced image is helpful to improve the detection effect. Therefore, a method combining three infrared image processing algorithms is introduced to enhance the infrared image in order to solve the problems of low SNR and contrast of infrared images. Based on analyzing the noise sources, eddy current infrared images are preprocessed by arithmetic calculation and the adaptive algorithm based on morphological weight is used to reduce the noise. Further, the images are segmented by 2D OTSU algorithm. The validity and applicability of the proposed method are both qualitatively and quantitatively verified. This study aims to provide a basis for defect feature extraction and recognition.

eddy current thermography，infrared image，morphological noise reduction，image segmentation

TP301.6

A

1001-8891(2017)06-0512-05

2017-01-11；

2017-04-07.

徐超（1992-），男，碩士研究生，主要從事渦流熱像技術(shù)中圖像處理方法研究。E-mail：xchao2011@163.com。

馮輔周（1971-）男，教授，博士，主要從事無損檢測等研究。

無損檢測技術(shù)教育部重點實驗室（南昌航空大學(xué)）開放基金（ZD201529007）。