（通信与信息系统专业论文）工业和医疗x射线图像的处理与检测.pdf

人连理f ：人学硕十学位论文 摘要 x 射线因其穿透能力强，已经广泛的应用在工业无损检测和医疗透视检查中。目自订， 工业和医疗领域中的x 射线无损检测系统主要采用人工方式进行检测和分析，而人工检 测易受设备、环境及人的生理条件等因素影响，限制了射线检测工作效率的提高。因此， 随着计算机图像处理与检测技术的发展，迫切需要研究一些有效的计算机辅助检测与处 理方法，使x 射线图像的检测与处理工作更加规范化和智能化。基于上述原因，本文针 对工业无损探伤图像的检测和医疗c t 图像的处理等问题作了以下几个方面的研究： 1 以工业x 射线探伤图像为研究对象，提出了一种基于支持向量机的缺陷自动检测 算法。首先，通过图像的预处理，提高检测前图像的质量：其次，采集大量的缺 陷图像，提取其对比度特征并训练支持向量机；最后利用已经训练好的支持向量 机作为分类器对待检测图像中的缺陷进行检测。 2 针对1 2 位c t 图像在8 位显示器上显示时大量狄度细节丢失的问题，提出了一 种基于区域细节的c t 图像显示方法。首先，该方法利用模糊c 均值聚类算法( f c m ) 将图像分割为c 个区域；然后利用窗位窗宽原理，提取各个区域的灰度细节，得 到各区域的细节图像；最后利用方差加权法对各个区域的细节图像进行融合。 3 实现了一个焊接缺陷数字化管理系统，并将本文中的缺陷检测算法应用到实际的 系统中。 为了验证本文提出算法的有效性，首先，利用工厂采集的焊接缺陷图像对基于支持 向量机的缺陷检测算法进行了测试；其次，利用1 2 位人脑c t 图像对基于区域细节的 c t 图像显示方法进行了测试，均取得了令人满意的试验结果。 关键词：缺陷检测；支持向量机；c t 图像；模糊c 均值 、i 扯和跃疗x 射线劁像的处理j 检测 p r o c e s s i n ga n dd e t e c t i o no fi n d u s t r i a la n dm e d i c a lx r a yi m a g e a b s tr a c t n o w ，x r a yi sw i d e l yu s e di ni n d u s t r i a ln o n d e s t r u c t i v et e s t i n ga n dm e d i c a lp e r s p e c t i v e i n s p e c t i o nb e c a u s eo fi t ss t r o n gp e n e t r a b i l i t y u n f o r t u n a t e l y ，t h ex r a yn o n - d e s t r u c t i v et e s t i n g s y s t e m si nb o t hi n d u s t r i a la n dm e d i c a lf i e l d sa r es t i l ld o n eb yh u m a ni n t e r p r e t e ra n dt h e s e m e t h o d sa r ee a s i l ya f f e c t e db yd e v i c e s ，e n v i r o n m e n ta n dp e o p l e sp h y s i o l o g i c a lc o n d i t i o n s t h e r e f o r e ，w i t h t h e d e v e l o p m e n to fi m a g ep r o c e s s i n g a n dd e t e c t i o n t e c h n i q u e ，a c o m p u t e r a i d e dm e t h o dn e e d s t ob ef o u n dt om a k ed e t e c t i o nn o r m a t i v ea n di n t e l l i g e n t a st h e r e a s o n sa b o v e ，s o m en e wm e t h o d st h a tc a np r o c e s sa n dd e t e c tx - r a yi m a g e sa u t o m a t i c a l l ya r e s t u d i e di nt h i sp a p e r ： 1 t a k i n gt h ex r a yd e t e c t i o ni m a g ea st h er e s e a r c ho b j e c t ，t h i sp a p e ri n t r o d u c e sa n a l g o r i t h mb a s e do ns v m ( s u p p o r tv e c t o rm a c h i n e ) t h a tc a nd e t e c tt h ed e f e c t si n t h e i n d u s t r i a lp r o d u c t s a u t o m a t i c a l l y f i r s t l y ，t h ei m a g e s a r ep r e p r o c e s s e dt oe n h a n c et h e i r q u a l i t i e s s e c o n d l y ，an u m b e ro fs a m p l ei m a g e sa r ec o l l e c t e da n dt h ec o n t r a s t so ft h e s e s a m p l ei m a g e sa r ee x t r a c t e da sf e a t h e r s ，w h i c ha r ei n p u tt ot r a i nt h es v m f i n a l l y ，t h e f e a t u r e so ft h ed e t e c t e di m a g e sa r ee x t r a c t e da n dp u ti n t ot h et r a i n e ds v mt od e t e c tt h e d e f e c t si nt h ei m a g e s 2 w h e na12 - b i tc ti m a g ei sd i s p l a y e do nac o m m o n8 一b i tc o m p u t e rm o n i t o r ，al o to f g r a yd e t a i l sw i l lb el o s t a i m i n ga tt h ep r o b l e ma b o v e ，an e wa u t o m a t i cd i s p l a ym e t h o df o r c ti m a g e sb a s e do nr e g i o nd e t a i le x t r a c t i o na n di m a g ef u s i o ni sp r e s e n t e d f i r s t l ya no r i g i n a l 1 2 一b i tc ti m a g ei ss e g m e n t e di n t os e v e r a lr e g i o n sb yf c m ( f u z z yc - m e a n s ) a l g o r i t h ma n d e a c hr e g i o nr e p r e s e n t sak i n do fc o r r e l a t e dh u m a nt i s s u e t h e ni no r d e rt oe x t r a c tt h ed e t a i l si n t h e s er e g i o n s ，e v e r ys i n g l er e g i o ni st r e a t e db yac o r r e s p o n d i n gd i s p l a yw i n d o w a sar e s u l t ， s e v e r a l8 一b i ti m a g e sa r ee x t r a c t e df r o mt h eo r i g i n a l1 2 - b i ti m a g e f i n a l l y ，a l lt h e s ed e t a i l i m a m sa r ef u s e db yu s i n gt h el o c a lv a r i a n c ew e i g h t e dm e t h o d ，a n da n8 - b i tr e s u l ti m a g e w h i c hc o n t a i n sm o r ed e t a i l so fh u m a nt i s s u e si so b t a i n e d 3 ad i g i t a lf i l mm a n a g e m e n ts y s t e mi sr e a l i z e d ，w h e r et h ed e t e c t i o na l g o r i t h mb a s e do n s v mi se m b e d d e d i no r d e rt oc o n f i r mt h ev a l i d i t yo ft h em e t h o d si n t h i sp a p e r ，s e v e r a ld e f e c ti m a g e s o b t a i n e df r o mt h ef a c t o r ya n ds e v e r a l12 一b i th u m a nb r a i nc ti m a g e sa r eu t i l i z e dt ot e s tt h e a l g o r i t h m si n t h i sp a p e r t h er e s u l t ss h o wt h a tt h em e t h o d si n t h i sp a p e ra r ev a l i da n d s a t i s f i e d k e yw o r d s ：d e f e c td e t e c t i o n ；s v m ；c ti m a g e ；f c m 大连理工大学学位论文独创性声明 作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究 工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外， 本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请 学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献 均已在论文中做了明确的说明并表示了谢意。 若有不实之处，本人愿意承担相关法律责任。 学位论文题目：至业丕里垦疸丕垒璧图亟生鱼丝咝型 作者签名：益盟垒日期：丝室年陛月上工日 人迮理i ：人学颂十研究生学位论文 大连理工大学学位论文版权使用授权书 本人完全了解学校有关学位论文知识产权的规定，在校攻读学位期间 论文工作的知识产权属于大连理工大学，允许论文被查阅和借阅。学校有 权保留论文并向国家有关部门或机构送交论文的复印件和电子版，可以将 本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、 缩印、或扫描等复制手段保存和汇编本学位论文。 学位论文题目： 量些垒垦痘坳线鸯堡垒签至皇皇查垒：型 一 作者签名：) 垦堂日期：型坌年垒爿生日 导师签名： 雄 日期： 逻童年z 兰月隍日 人迮理i ：人学硕十学何论文 1绪论 1 1 缺陷自动检测的研究意义和发展趋势 无损检测( n o n d e s t r u c t i v et e s t i n g ，简称“n d t ) 是指对材料或工件实施一种不损害 或不影响其未来使用性能或用途的检测手段【。其特点是在不破坏构件材质和性能的条 件下检测构件的特征质量。通过使用n d t ，能发现材料或工件内部和表面所存在的缺 陷，能测量工件的几何特征和尺寸，能测定材料或工件的内部组成、结构、物理性能和 状态等。n d t 能够应用于产品设计、材料选择、加工制造、成品检验、在役检查( ，维修 保养) 等多方面，在质量控制与降低成本之间能起最优化作用。n d t 还有助于保证产品 的安全运行和有效使用。 常用的缺陷检测方法包括射线检测法、超声检测法、磁力检测法、涡流检测法、渗 透检测法等【2 1 。其中，x 射线检测法由于具有直观、便于定量判定、较高的灵敏度、较 高分辨率和可靠性等特点成为目前广泛应用的检测方法，其最主要的应用是检测工件内 部的缺陷。x 射线穿透物体的过程中具有一定的衰减规律，可以根据通过工件各部位衰 减后的射线强度检测工件内部的缺陷。不同工件其衰减程度不同，衰减的程度由工件的 厚度、材料和品种而定。当工件中含有未焊透缺陷时，未焊透的部分不易吸收射线，射 线就不容易透过。相反当混进容易吸收射线的异物时，这些地方的射线就容易透过。 通常的缺陷检测方法主要靠人工从图像监视器中观看图像进行检测，但人工检测本 身存在不可避免的缺点，如主观标准不一致、劳动强度大、检测效率低等。因此，急需 要研究一种有效的缺陷自动检测方法来代替人工检测，从而使缺陷检测工作客观化、规 范化和智能化p j 。 缺陷自动检测属于图像处理与模式识别的研究领域，问题的核心在于如何检测出缺 陷，而又使误报和漏报最少。检测的难点主要有以下两个方面：第一，由于工业现场情 况复杂，导致在现场采集的图像信噪比较低，目标和背景的空间对比度相对较低，目标 很可能被噪声所湮没，从而给检测带来困难；第二，由于检测工件的运动导致采集到的 图像模糊，削弱了目标与背景的差别，给检测增加了难度。 针对以上问题，国内外学者做了大量研究，寻找检测焊缝缺陷的方法。不管采用何 种方法，检测过程可大致归纳为：图像预处理、缺陷分割、缺陷特征提取和缺陷的分类。 1 1 1图像的预处理 由于x 射线散射和成像系统本身的影响，采集到焊缝图像通常含有很多噪声，这些 噪声包括椒盐噪声、高斯噪声和斑点噪声等，而且图像对比度有可能较低。因此在缺陷 、l 扯和医疗x 射线图像的处理o j 检测 检测自仃需要对图像进行适当的预处理，以提高检测日，j 图像的质量，从而提高缺陷检测的 精度。图像的预处理包括图像去噪和图像增强两个部分。传统的方法有以下几种1 2 l ：图 像平滑、图像锐化、形态学滤波、中值滤波、狄度拉伸和直方图变换等。 近年来，针对x 射线图像随机噪声强的特点，很多学者用多帧平均的方法来去除随 机噪声。 2 0 0 3 年，但唐仁，田景全等对x 射线影像系统的噪声进行深入分析【4 1 ，提出了一种 “多帧平均滤波+ 小波变换滤波”的复合方法，结合了传统的多帧叠加和小波变换去噪， 通过对峰值信噪比的计算表明，该方法明显优于任何单一算法。 1 1 2 缺陷分割 缺陷分割的目的是将目标缺陷从复杂的背景中分割出来。由于目标缺陷种类繁多、 形态各异，因此能否有效地对缺陷进行分割将直接影响后续的缺陷特征提取、分类和识 别。目前常见的缺陷分割方法主要有两大类：基于边缘检测的方法和基于区域的方法。 基于边缘的方法是采用边缘算子对图像进行操作来得到边缘图像。边缘算子多种多样， 不同的边缘算子得到不同的边缘图像，得到的边缘往往是不连续的。这使得基于区域的 分割方法在近年来得到广泛的应用。 ( 1 ) 阈值法 在图像检测和分割中，阈值法是一种使用最为广泛的方法，它通过阈值分割将图像 分成若干有意义的区域。其中，阈值的选取是图像检测和分割的关键。 阈值法已经有几十年历史，1 9 8 8 年，s a h o opk 纠5 j 归纳了利用阈值进行图像分割 的一类方法，一直被学者普遍认可，近年来，人们将阈值法和小波等其他技术结合，提 出各种改进方法。 基于点的阈值分割方法通过阈值函数将每个点分配到不同的类中。阈值函数可表示 为： m 叫三巍篙 1 ， 其中，t ( r ，c ) 是图像中第，行第c 列的值，z 是阈值。 根据阈值的作用范围不同，阈值法可分为全局阈值法和局部阈值法。全局阈值法利 用一个阈值对整幅图像进行分割，而局部阈值法中每个点或每个子图像的阈值都是自适 应变化的。 ( 2 ) 基于区域的分割方法 人迮理i ：人学硕叶：学何论文 分水岭分割方法是一种典型的基于区域的分割方法，它是一种基于拓扑理论的数学 形态学的分割方法，其基本思想足把图像看作是测地学上的拓扑地貌，图像中每一像素 点的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水瓮，而集水 贫的边界则形成分水岭1 6 】。由于焊缝缺陷区域表现为亮点或亮线，其特征和集水瓮非常 相似，因此可以利用分水岭算法对缺陷进行分割。2 0 0 6 年，王明泉等人【7 】利用动态合并 准则对分水岭算法进行了改进，并对焊缝缺陷进行了分割，该方法能有效地抑制了分水 岭算法中的过分割现象，达到了较好的效果。 ( 3 ) 基于形态学的方法 基于数学形态学的方法主要是利用腐蚀和膨胀操作对缺陷区域进行处理从而分割 出缺陷。膨胀运算可以使感兴趣的区域更加饱满，而腐蚀运算可以减弱噪声区域的干扰。 腐蚀和膨胀运算还可以搭配起来组成丌启和闭合运算。 2 0 0 3 年，王东华等人【8 】采用自适应形态学滤波的方法提取焊缝缺陷，其中结构元素 可以根据缺陷尺寸的变化自适应改变，并根据小波变换的理论，利用局部紧支撑小波对 缺陷边缘进行了提取。 2 0 0 6 年，a l a k n a n d 等人【9 j 利用形态学的方法有效地提取出了焊缝缺陷的边缘。该方 法首先利用c a n n y 算子提取缺陷边缘，其次利用膨胀运算连接缺陷边缘的间断点，利用 腐蚀操作取出不相关的边缘区域，最终得到质量较好的缺陷边缘。 ( 4 ) 基于神经网络的方法 传统图像分割技术在处理噪声大，对比度低的射线图像时，很难获得理想的分割效 果，特别在提取焊缝图像的缺陷区域，无法模仿人对缺陷形态的主观区分，而基于神经 元网络等人工智能的分割方法在这一方面表现出极大的灵活性和自适应性，它具有和人 脑的信息映射相类似的特点，比传统的分割方法更接近于人脑的认知过程，因此非常适 合对图像进行自适应分割【1 0 】。2 0 0 7 年，g a ow e i x i n 等人【1 1 】利用神经网络对钢管中的气 孔缺陷进行了分割。钢管图像可以分为背景、钢管、焊缝、气孔等区域，该方法利用能 量方程，设计了一个多层的神经网络，图像每经过一层神经网络，就可以将一种区域分 割出来。 ( 5 ) 基于模糊理论的方法 人脑具有处理模糊信息的能力，善于判断和处理模糊现象。为了使计算机也具有对 模糊现象的识别能力，模糊数学应运而生。由于焊缝图缺陷的判定本身就存在着许多模 糊性，因此不少国内外学者致力于把模糊技术引入到图像分割的研究中，如模糊熵，模 糊连通性，模糊聚类，模糊舰则，模糊逻辑等，均已取得了显著成果。 业和医疗x 射线劁像的处理! j 检测 2 0 0 0 年，v l a s h k i a 提出一种基于模糊理论的方法【1 2 l ，通过对目标区域和噪声区 域对比度特性和方差特性的分析，得到所检测目标区域的隶属度特性，从而有效地把目 标和噪声区分丌束，达到与人眼辨别力相近的结果。 2 0 0 2 2 0 0 5 年，孙怡等人【1 3 1 - 【1 6 】为了检测x 射线探伤图像中螺旋钢管焊缝缺陷，提出 一种新的实时自动检测算法。它是一种基于图像空间特性的模糊识别算法，与人眼视觉 识别特性相近，与其它传统缺陷检测算法相比，有较低的漏判率和误判率，并能满足生 产线上实时检测的要求。 2 0 0 5 年，xw a n g 等人旧采用模糊c 均值算法对焊缝缺陷进行了分割。该方法利用 高帽- f 氐帽滤波对图像进行增强，小波阈值减少图像的噪声，最后利用模糊c 均值算法对 图像进行分割。其中，模糊c 均值算法结合了模糊理论和聚类的c 划分，是一种广泛应 用的模糊聚类算法。与神经网络不同，模糊c 均值算法不需要先验信息，是一种无监督 的聚类算法，它可以利用输入样本的分布特性将样本进行划分。 1 1 3 缺陷特征提取 特征提取的目的是为了获得最能反映目标本质特征的部分。特征提取一方面去除了 冗余目标信息从而简化了计算并便于识别的实现；另一方面由于所提取的特征具有充分 性和完备性从而保证了识别的成功率。因此，所提取特征是否能充分反映目标的基本形 状和属性是自动目标识别成败关键。目前，在焊缝缺陷识别中应用两大类缺陷特征：几 何特征和统计特征。几何特征包括：角度、区域周长和面积、方向、缺陷长度和宽度、 位置、形状、伸长量、致密性等。统计特征包括：几何不变矩、欧几罩德距离、波形因 数、欧拉距离、均值、标准偏差、宽高比等。 1 1 4 缺陷分类 识别和分类的目的是利用已经提取好的缺陷特征对缺陷进行分类。常用的缺陷分类 手段有以下几种： ( 1 ) 基于支持向量机的焊缝缺陷识别与分类 支持向量机( s v m ) 是根据结构风险最小化原则来提高学习机泛化能力的方法，即 由有限训练样本取得的决策规则，对独立的测试集仍能够取得小误差的一种方法。支持 向量机隶属于统计学习理论的范畴，它克服了神经网络如何确定网络结构、过学习与欠 学习、局部极小点等问题，在解决小样本、非线性及高维模式识别问题中表现出许多特 有的优势。 2 0 0 4 年至2 0 0 6 年，张晓光、高顶【1 8 l l2 0 】将支持向量机的学习方法应用于射线检测焊缝 图像中缺陷类别的识别中，提出了一种利用支持向量机( s v m l 进行射线检测焊接缺陷 人连理i ：人学硕十学何论文 识别的方法。该方法首先对图像进行预处理，并根据缺陷特点选取缺陷的8 个参数作为特 征参数( 边缘平直度、尖部尖锐度、周长与面积比、与焊缝方向倾角、质心坐标相对焊 缝中心的位置、对称性、填充度指数( 面积( 长轴x 短轴) ) 和相对灰度) ，将焊缝内常 见缺陷分为6 类( 裂纹、未焊透、未熔合、条状央渣、球状夹渣、气孔) ，根据有限的 学习样本和焊接缺陷特点，建立了基于支持向量机的多种缺陷类别分类器，对测试的样本 进行识别。 ( 2 ) 基于神经网络的焊缝缺陷识别与分类 人工神经网络是对人脑的思维过程进行模拟，使其具有生物神经网络的学习、识别、 控制等功能，因而可以通过训练网络模型，对各种目标进行学习、识别。同时结合模糊 逻辑等方法进一步完善网络的学习。 2 0 0 3 年，r o m e urd as i l v a l 2 1 】等人通过提取缺陷4 个方面的特征，训练并建立神经网 络，利用非线性分类器对6 种缺陷进行了识别和分类，得到了比线性分类器更好的分类 结果。该方法首先对焊缝缺陷图像进行采集并预处理，提取缺陷4 个方面的特征，并建 立神经网络；其次，利用非线性相关准则，计算出每种缺陷特征和缺陷类型的相关程度 从而估算出每种缺陷特征的区分能力；最后利用主成分分析( p c a ) 有效地减少了神经 网络输入向量的维数。 2 0 0 4 年，his h a f e e k 等人【2 2 】【2 3 l 利用v i s u a lc + + 语言开发了一套基于神经网络的焊缝 缺陷专家识别系统。系统通过c c d 相机对焊缝胶片图像进行获取，人工标定焊缝的区域 并利用8 邻域边界链提取缺陷边缘，最后建立神经网络对缺陷进行检测和识别，根据国 际标准a p i1 1 0 4 等判别缺陷是否超标。 2 0 0 4 年，张晓光【2 4 】在对焊缝缺陷图像进行一系列预处理和分割后，通过对焊缝缺陷 的特征进行分析，选取缺陷的8 个特征参数，建立模糊神经网络模型，对焊缝的6 种缺陷进 行识别。但该方法在样本个数较少的情况下，无法达到较高的识别率。 2 0 0 4 年，r o m e ur d as i l v a 等人【2 5 l 利用统计推理的方法对不同类型焊缝缺陷的分类 精度进行了估计。该方法通过提取缺陷3 个方面的特征，利用神经网络对6 种缺陷进行了 识别和分类。最后，通过统计推理的方法估计非线性分类器对不同种缺陷的分类精度。 实验结果表明，咬边、未融合、气孔等缺陷具有较高的分类精度，而央渣，未焊透、裂 纹等缺陷具有较低的分类精度，其中央渣最容易和其他缺陷混淆，尤其容易和气孔缺陷 混淆。 2 0 0 7 年，tyl i m 等人【26 l 通过大量缺陷图像建立一个仿真缺陷库，并利用多层感知 神经网络( m l p ) 对缺陷进行识别。首先利用s o b e l 算子提取缺陷图像的边缘，人工对 i 日j 断的缺陷边缘进行修正以得到一个质量良好的仿真缺陷库。其次从待检测缺陷图像的 业和医疗x 射线图像的处理与检测 2 5 个特征描述符中选出9 个区分能力最强的特征建立神经网络，对缺陷进行识别和分类。 该方法通过人工修正缺陷库的方法克服了以往缺陷库不够完美的缺点，有效地提高了分 类的精度。 ( 3 ) 基于模糊理论的焊缝缺陷识别与分类 2 0 0 2 年，g a n gw a n g 和t w a r r e nl i a o 27 】利用模糊k - 最邻近分类法( k - n n ) 对焊缝 缺陷进行识别和分类。该方法首先估算焊缝图像的背景，将原始图像与之相减并利用直 方图阈值分割提取出缺陷。其次对缺陷的8 种特征进行提取，利用模糊k - 最邻近分类法 和m i j p 神经网络对缺陷进行了分类，实验结果证明两种方法的检测精度是接近的。其中 k - 最邻近分类法是将所有训练样本都作为代表点，在分类时计算待识别样本x n 所有训 练样本的距离，从中选出与x 距离最近的k 个，将x 分配到这k 个近邻中的占有多数的那 一类。 缺陷自动视觉检测的最终目的是实现缺陷的有效识别和分类，而缺陷的识别和分类 又依赖于缺陷有效的分割。对于国内外学者探索和研究的诸多缺陷分割方法，虽然在一 定程度上已经可以从焊缝图像中分割出焊接缺陷，但是由于焊接缺陷的种类多样、形态 复杂、尺寸各异，这些方法仍存在不同程度的误判和漏判，缺乏可靠性和通用性，难以 得到推广，制约了焊缝缺陷自动识别系统的发展，因此迫切需要一种通用可靠的缺陷分 割算法，为后续的特征提取和缺陷识别提供良好的缺陷数据。 目前，支持向量机( s v m ) 由于其出色的学习能力，越来越成为机器学习领域的研 究热点，并在很多领域内得到成功的应用，如缺陷检测【2 剐、人脸识别、手写体数字识别 等。本文所研究的问题就是如何利用支持向量机对焊缝中的缺陷进行分割。 1 2c t 图像显示的研究意义和发展现状 随着医疗技术的发展，c t 等医疗图像在临床诊断和治疗中起着越来越重要的作用。 这些成像技术能全面而精确的获得病人的各种定量定性数据，为诊断、治疗计划、手术 和术后评估提供正确的数字式信息，它使人类视觉从表面向内部延伸。通常，典型的1 2 位c t 图像有4 0 9 6 个灰度级，而通用的8 位显示器仅有2 5 6 个灰度级，如果将1 2 位的 c t 图像在8 位显示器上进行显示时，需要利用窗位窗宽将1 2 位原始图像的灰度范围映 射n o ，2 5 5 。但在传统的方法中，窗位窗宽是靠人工来调节的，而且单一的窗位窗宽只 能把有限的一部分灰度细节显示出来。例如，颅骨和脑组织的灰度范围有着很大的差别， 当调节窗位窗宽使脑组织的亮度和对比度达到最优时，颅骨内几乎所有的狄度细节都将 丢失。因此为了提高临床诊断水平，迫切的需要一种自动的显示算法，同时对人体各不 同部位的组织细节进行更有效地显示。 人迮理l ：人学硕十学何论文 近年来，有些学者提出了一些自动选取窗位窗宽的方法，但这些改进的方法都只选 取了一个窗位窗宽，不能很好的解决如何从一幅1 2 位的c t 图像中收集更多的狄度信息 显示在8 位显示器上的问题。 1 9 9 1 年，a k i n a m io h h a s h i 等人1 2 9 l 通过提取c t 图像直方图的六个特征，训练一个 后繁殖神经网络，并利用爬山算法确定最终的窗位窗宽。 1 9 9 8 年，s h a n g h o n gl a i 等人1 3 0 1 利用分层神经网络自动地调整最佳的窗位窗宽。首 先，该方法利用特征生成器提取原始图像灰度和空间两方面的特征，并利用小波变换对 特征进行压缩。其次，利用竞争层神经网络将提取的特征并划分到不同的子类，利用径 向基函数神经网络对每一个子类进行估值。最后将这些估值融合在一起，就可以得到最 后的显示参数。 2 0 0 3 年，j e f f r e yp j o h n s o 等人【3 l 】利用视觉辨别法评价了不同窗位窗宽对乳腺检查 产生的影响。 与此同时，医学图像融合技术已经越来越成为医学图像处理领域的一个热点问题， 它可以为外科手术和放射治疗提供更全面更有效的病理信息【3 2 1 。近年来，国内外学者提 出了许多关于医学图像融合的算法1 3 3 。3 5 1 ，但这些方法大都是对同一场景的多源图像进行 融合。例如，c t 和m r 等不同成像方式的医学图像可以从不同角度反映人体信息。现 有的医学图像融合就是将多种成像方式的图像结合起来，利用各自的优点，在一幅图像 上同时表达来自人体多方面的信息，以辅助创伤的定位及诊断，提高了诊断和治疗的可 靠程度。但截止到目前，还很少有学者把目光转移到如何利用图像融合技术解决单幅医 学图像的显示问题上来。为此，本文提出了一种基于区域细节的c t 图像显示技术。首 先，算法利用模糊c 均值聚类算法( f c m ) 将图像分割为c 个区域；然后利用窗位窗宽原理， 提取各个区域的灰度细节，得到各区域的细节图像；最后利用方差加权法对各个区域的 细节图像进行融合。实验结果表明，该方法可以将人脑中各个组织的细节有效地显示出 来。 1 3 本文主要工作及章节安排 本文首先对工业x 光图像中的缺陷自动检测算法进行探索和研究，寻找合适的图像 预处理以及缺陷分割方法，为整个缺陷检测系统的建立奠定基础。其次，本文还对如何 更有效地显示c t 等医学图像进行了讨论，并提出了一种基于区域细节的c t 图像显示 技术。本文的具体研究内容如下： ( 1 ) 针对x 射线图像中产生“锯齿化”效应的特点，利用运动补偿的方法去除图像 因“锯齿化”效应而产生的模糊； , l k 币i l 医疗x 射线图像的处理j 检测 ( 2 ) 针对x 光图像中缺陷的特点，提取缺陷的对比度特征，训练支持向量机，并进 行缺陷检测； ( 3 ) 利用基于区域细节的方法更有效地显示c t 等医学图像； ( 4 ) 实现了一个焊接质量数字化管理系统，并对系统的功能和结构进行了介绍。 论文全文共分五部分，第一部分为绪论，介绍了缺陷自动检测和医疗图像显示的应 用背景和发展趋势。第二部分对缺陷图像的预处理和基于支持向量机的缺陷检测算法进 行了阐述。第三部分提出了一种基于区域细节的c t 图像显示方法，并对检测结果进行 了分析。第四部分介绍了焊接质量数字化管理系统的功能和结构。第五部分为总结与展 望。 2 基于支持向量机的缺陷检测 随着统计学习理论的发展，支持向量机( s u p p o r t v e c t o r m a c h i n e ，简称s v m ) 山于 其出色的学习能力，已经越柬越成为机器学爿领域的研究热点，并在很多领域得到成功 的应用。本章将以焊缝缺陷图像的自动检测为例，详细讨论了一种基于支持向量机的缺 陷检测方法。首先，本章通过介绍机器学习的概念，进而引申出什么是支持向量机；其 次，针对缺陷图像的特点，对图像的预处理算法进行研究，提高检测前缺陷图像的质量： 最后，提取缺陷图像的对比度特征，利用支持向量机对焊缝缺陷进行自动检测。 图21 是一幅典型的钢管焊缝x 射线圈像，图中四周最暗的区域是挡板区域，中央 横条状的是焊缝区域，焊缝区域上下两部分较亮的背景是管壁区域焊缝区域中的亮点 是缺陷。 目2 l 典型的焊缝图像 f 幢2 1t y p i c a l w e l ds e a i m a g e 本章就是以图2i 中的图像为样本进行检测算法研究的。 21 支持向量机理论 传统统计模式5 别的方法都是在样本数日足够多的| j i 提下进行研究的，所提出的各 种方法只有在样本数趋向无穷大时其性能才能有理论卜的保证。而在多数实际应用 业和跃疗x 射线幽像的处理与检测 中，样本数目通常是有限的，为此，支持向量机应运而生【3 7 】1 3 8 1 。该方法是在统计学习理 论的基础上发展起来的，它在解决小样本、非线性及高维模式识别问题中表现出许多特 有的优势，并能够推广应用到函数拟合等其它机器学习问题中。 2 1 1 机器学习 机器学习的基本模型，可用图2 2 表示1 3 9 1 。其中，系统s 是我们研究的对象，它在 给定一定输入x 下得到一定的输出y ，l m 是我们所求的学习机，输出为；。机器学习 的目的是根据给定的训练样本求出对系统输入输出之间依赖关系的估计，使它能够对未 知样本的输出做出尽可能准确的预测。 预测输出y 图2 2 机器学习的基本模型 f i g 2 2 b a s i cm o d e lo fm a c h i n el e a r n i n g 机器学习问题可以简化表示为：对胆个独立并服从同一分布的观测样本( x l ，y ，) ， ( x 2 ，y ：) ，( 吒，y 。) ，假定系统在给定输入为x 的情况下输出为y ，且变量y 与x 之间存在未知依赖关系，即遵循未知的联合概率f ( x ，y ) ，在一组函数 ，o ，w ) 】中求 一个最优函数f ( x ，w o ) ，使得预测的期望风险 尺( 们= 弘( ) ，0 ，w ) ) d fx ，y ) ( 2 1 ) 最小。其中， ，o ，w ) ) 称作预测函数集，w 为函数的广义参数，l ( y ，厂o ，w ) ) 称为损失 函数，表示由于用厂o ，w ) 对y 进行预测而造成的损失。期望风险是机器学习在整个样本 空间中出错率的数学期望。 由于期望风险的求解是比较困难的，因此在神经网络等传统的模式识别方法中，一 般利用求经验风险 墨唧( w ) - 1 薹l ( y i ，( 誓，w ) ) 2 2 人连理i ：人学硕十学位论文 的最小值来代替求期望风险的最小值，即为经验风险最小化原则。但用经验风险最小化 准则代替期望风险最小化并没有充分的理论依据，并不能在小样本情况下得到最优的分 类结果，导致了神经网络等传统模式识别方法的过分割问题。而统计学习理论是一种专 门研究小样本统计估计和预测的理论。它利用结构风险最小化准则【删【4 1 1 ，从理论上较系 统地研究了有限样本下经验风险与期望风险的关系及如何利用这些理论找到新的学习 原则和方法等问题。支持向量机就是利用统计学习理论推导出来的。 2 1 2 支持向量机 本小节将介绍统计学习理论的实现方法一支持向量机。该方法的机理可以简单描 述为：对于一个给定的具有有限数量训练样本的学习任务，寻找一个满足分类要求的最 优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最 大；从理论上来说，支持向量机能够实现对线性可分数据的最优分类。为了进一步解决 非线性问题，可以利用核函数将非线性问题转化为高维空间的线性可分问题来处理。 ( 1 ) 最优分类面 s v m 是从线性可分情况下的最优分类面发展而来的，基本思想可用图2 3 的两维情 况说明。图中，空心点和实心点代表两类训练样本，h 为把两类样本没有错误地分开的 分类线，日。、日，分别为过各类样本中距离分类线最近的样本且平行于分类线的直线， 它们之间的距离叫做分类间隔。所谓最优分类线就是要求分类线不但能够将两类正确地 分开，而且要使两类的分类空隙最大。推广到高维空间，最优分类线就成为最优分类面。 h 1 1 2 图2 3 最优分类面示意图 f i g 2 3 s c h e m a t i cd i a g r a mo fo p t i m a lh y p e r p l a n e 业平i | 陕疗x 射线i 划像的处理! 检测 设线性可分样本输入为葺，i = 1 ，甩，对应的期望输出为y 。 + 1 ，一1 】l 是两类的类别 标识，d 维空间中线性判别函数的一般形式为g ( x ) = ( w 工) + 6 ，其中6 为分类阈值。分 类面方程为( w x ) + 6 = 0 。将判别函数进行归一化，使两类所有样本满足ig ( x ) l a1 ，即 使分类面离最近样本的1 9 0 ) | _ 1 ，这样分类间隔就为2 l | 0 ，因此使间隔最大等价于使 m 1 2 最小，而要求分类线对所有样本正确分类，它要求满足： ：耋：尝三二：扣：m二+1争y。cwxi+bfoy ，苫1 c23，i-1w 鼍+ 6s 一1 厂一 i “、7 因此，满足上述条件且使m 1 2 最小的分类面就是最优分类面。在两类样本中离分类面最 近的点，即平行于最优分类面的超平面日，、h ：上的训练样本就是式( 2 3 ) 中使等号成 立的那些样本，它t f j n q 做支持向量。因为它们支撑了最优分类面，如图2 3 中圆圈标出 的点所示。 下面看如何求解最优分类面。最优分类面问题可以表示成如下约束优化问题，即在 式( 2 3 ) 的约束下，求函数( 叫三i h l 2 一三( w 叫的最小值。为此，定义如下l a 掣a n g e 函数： l ( 啪，口) t 帅1 2 一再n 口私( 哟+ 6 ) 一1 ( 2 4 ) 其中q 为非负的l a g r a n g e 系数。利用l a g r a n g e 乘数法求解此问题，可得，如果口；为最 优解，则 w = 罗a ；y ； ( 2 5 ) _ ， 即最优超平面的权系数向量是训练样本向量的线性组合。 根据约束最优化问题的k a r u s h k u h n t u c h e r 条件，这个优化问题的解须满足 a f 【y f ( w 薯+ 6 ) - 1 】= 0 ，i ；1 ，l ( 2 6 ) 对多数样本a ；将为零。取值不为零的a ；对应于使式( 2 3 ) 中等号成立的样本，即支 持向量，它们通常只是全体样本中的很少一部分。 求解匕述问题后得到的最优分类函数就是： 人迮理l ：人学硕十学何论文 厂 ) = 聊 ( 旷吖) + 6 ) - ：渺 罗只西 哨) + 6 ) ( 2 7 ) 7 = r 其中t 为支持向量，口，是对应的l a g r a n g e 系数，b 是分类的闽值，s g n 为符号函数。 通过计算式( 2 7 ) 的值为+ 1 或1 ，就可以决定x 属于哪一类。 ( 2 ) 线性不可分的情况 以上讨论的是线性分类问题，如果一个问题在其定义的空间中不是线性可分的，可 以通过构造新的特征向量，把原问题转换到高维的空间中线性可分问题。通常，这样的 转换是通过核函数来实现的。如果用核k ，x ) 代替最优分类面中的内积( x i x ) ，就可以 把原特征空间变换到了一个高维特征空间，此时判别函数变为： f ( x ) = s g n x ，口i k 瓴，x ) + 6 (28),y 弭 这就是支持向量机，常用的核函数有多项式核函数、指数型核函数和s 型核函数等。支 持向量机的基本思想可概括为：首先通过非线性变换将输入空间变换到一个高维空间， 然后在这个新的空间中求取最优分类面，而这种非线性变换是通过定义适当的内积函数 实现的。支持向量机的示意图如图2 4 所示。 x 1，一 x 2 一 杨 一 q y l 、a r y a 、f 卜至变卜y a s y | 图2 4 支持向量机示意图 f i g 2 4 s c h e m a t i cd i a g r a mo fs v m 其中，判别过程为：输入待测样本的特征向量x = “，) ；计算s 个支持向量 _ ，t 的非线性变换核函数；输出决策函数y2 s g n ( 善q y t k “，z ) + 6 ) ，权值 嵋。口f y f o l ：、j 扛平“l 矢；疗x 射线幽像的处理与检测 2 2 缺陷图像的预处理 图像预处理是计算机视觉检测与识别过程中的一个重要环节，其基本目的就是对采 集到图像进行适当的处理，改善图像质量，伎其更加便于缺陷分割和识别。在数字化后 的探伤图像中，背景区域、随机噪声与所关心的焊缝区域混合在一起，这样不仅给检测 缺陷带来一定的困难，而且还增加了算法的运算量和运算时间，缺乏实时性。因此，本 文中图像的预处理可以分为两个方面：一方面是图像去模糊，以减弱钢管运动过快而产 生的锯齿化效应；另一方面是焊缝区域的提取，以减少算法的运算量，缩短运算时间， 提高缺陷检测的效率。 2 2 1去除焊缝图像的锯齿化效应 目前，x 射线实时成像系统通常是由x 射线增强器、c c d 相机和图像采集卡组成。 c c d ( c h a r g ec o u p l e dd e v i c e ) 的中文意思为电荷藕合器件图像传感器，它使用种高 感光度的半导体材料制成，能把光线转变成电荷，通过模数转换器芯片转换成数字信号， 数字信号经过图像采集卡处理以后由计算机内部的硬盘保存，因而可以轻而易举地把数 据传输给计算机，并借助于计算机的处理手段，根据需要来修改图像。c c d 由许多感 光单位组成，通常以百万像素为单位。当c c d 表面受到光线照射时，每个感光单位会 因光照而产生电荷，这些感光单位产生的电信号加在一起，就构成了一幅完整的画面。 如果要将一幅由c c d 相机采集的数字图像传输到监视器进行显示，需要将图像中 的各个像素按照一定的规则扫描并传送。具体做法是将被传送的图像上各像素的亮度按 一定顺序转成电信号，依次串行的传送出去。在监视器的屏幕上，再按同样的顺序将各 个电信号在相对应的位置上转变为光信号显示出来。只要这种顺序传送进行得非常快， 那么由于人眼的视觉惰性和发光材料的余辉效应，就会使我们感到整幅图像同时发光而 没有顺序感。这种按顺序传送图像像素的方法构成的系统称为顺序传送系统。如图2 5 所示，这种系统