数字图像处理在机械领域的应用毕业论文.doc

本科毕业设计数字图像处理技术在无损检测等中的应用Digital image processing using in NDT.etc 摘 要本课题主要研究的是将数字图像处理技术引入到无损检测和油样铁谱分析当中，在分析和检测图像的基础上，运用数字图像处理中的图像增强、图像分割的方法并结合matlab软件编程技术处理X射线无损检测和铁谱无损检测结果所得到的图像，能够有效的检测出目标的实际位置、形状、大小等相关参数。数字图像处理技术是通过对图像的数学变换和相关处理方法将图像中的特征区域所包含的特征信息表现出来，在实现信息的可视化、智能化等方面提供了一个有效的解决方案。从而以此来进一步对机械设备的工作运行情况进行判断，实现了机械故障诊断检测的智能化。本文在研究过程中，主要由以下几个方面的工作：（1）介绍了数字图像处理技术和无损检测技术的研究概况和发展趋势，论述了数字图像处理技术应用于无损检测图像中的现实意义。（2）概述了数字图像处理的基本原理和方法，奠定了实现图像预处理、图像特征提取的理论基础。（3）结合matlab软件编程同时运用图像处理技术的相关原理对X射线无损检测图像图像增强处理以及比较了不同种类的滤波方法处理检测图像的实际效果，确定了选择中值滤波处理图像的结果做进一步图像分析。在图像分割过程中选取了不同阈值进行图像二值化处理，确定了采用最大方差阈值法分割图像，实现图像的二值化处理。并进一步采用canny边缘检测技术提取出特征区域的检测边缘，实现了对目标轮廓的有效检测。（4）采用K-均值聚类方法首先对铁谱图像中的特征区域进行提取，并对提取出的特征区域进行灰度调整、中值滤波完成图像的预处理过程，进而采用最大方差阈值法分割图像，将图像合理的转化成二值图像，并对各特征区域进行颜色标记和边缘检测，提取出了特征区域的相关参数。最后采用链码技术对其中一部分区域进行链码提取以此来描述特征区域的轮廓，实现了对特征区域的形状描述。（5）对图像处理技术在X射线无损检测和铁谱分析两种应用中进行Matlab GUI界面设计。关键词： 无损检测，铁谱分析，图像处理，边缘检测，图像分割AbstractThis thesis mainly probes the way that using the digital image processing technology into non-destructive testing and iron spectrum analysis. The essential is that I applying the image processing theory of image enhancement and image segmentation connected with the computer programming in matlab process the image of x-ray non-destructive testing and iron spectrum analysis based on analyzing test image. Afterwards, we can obtain the relative parameters of the tested image such as the position, shape and size. The image processing technology can take the image characteristics information out via image math transforms and relative processing methods, supplied an efficient solution to visualization and intellectualization of information. Therefore, we can utilize those information further estimated the working condition of mechanical equipments so as to realize the intellectualization in testing the failure of equipments.There were some aspects works below in researching of this task:(1) Introduced the current developments of digital image processing technology and non-destructive testing in home and abroad, I discussed the practical meaning of using digital image processing into NDT area.(2) Summarized the method and fundamental theory of digital image processing, I had gain a totally comprehension in image preprocessing and image feature extraction. (3) I had processed the image of x-ray non-destructive testing based on the programming in matlab and the relative theory of image processing technology. Besides, confirmed to apply the results of median filtering to make further image analysis by comparing the results of the different filter methods processing the tested image. Whats more, confirmed to apply the maximum variance threshold method to do image segmentation by comparing results of the different threshold values processing deal with image segmentation. At the end, when I apply canny edge testing programming to do with the image I got in the former stage realizing an efficient testing towards extracting the edge of target area. (4) At the first of the beginning, extracting the target area in the iron spectrum image based on the theory of k-mean clustering method. With that, in order to finish the process of image preprocessing I choose to process the image with the methods of image gray adjustment and median filter processing. Then, I obtained the binary image by using maximum variance threshold method. Besides, I made a color indication and edge testing for the image so as to obtain some relative information of the target area. At last, in order to make a shape description about the target area I have chosen to make a research about the freemam code technology and used this technology successfully described a piece of the target area. (5) Making windows-designing of GUI matlab for the application of digital image processing into x-ray non-destructive testing and iron spectrum analysis.Key words: non-destructive testing, iron spectrum analysis，image processing, edge testing, image segmentation目 录第1章 绪论11.1 无损检测技术简介11.2 油样铁谱分析简介11.3 数字图像处理技术简介21.4课题的研究内容及意义3第2章 图像处理的基本原理及方法52.1 图像预处理52.1.1图像增强52.1.2 图像的平滑化72.2 图像分析122.2.1 灰度阈值法分割132.2.2 边缘检测142.2.3 基于彩色图像的K-均值聚类分割162.3 图像的特征描述162.3.1 形状描述17第3章 数字图像处理技术应用于X射线检测203.1 X射线无损检测技术简介203.2 X射线检测原理203.3 图像预处理213.3.1焊缝图像灰度调整213.3.2 焊缝图像滤波243.4 图像分析303.4.1图像灰度阈值法分割313.4.2图像边缘检测333.5 本章小结34第4章 数字图像处理技术应用于油样铁谱分析364.1 铁谱分析技术的基本原理364.1.1常用铁谱仪的工作原理364.2 数字图像技术应用于磨粒检测和分析374.2.1铁谱图像处理384.3 本章小结46第5章 Matlab GUI图像处理界面设计475.1 Matlab GUI简介475.2 GUI界面设计应用475.2.1 X射线无损检测GUI界面475.2.2 铁谱图像处理GUI界面485.3 本章小结49结 论50致 谢51参考文献52附 录54第1章 绪论1.1 无损检测技术简介随着科学和工业技术的飞速发展，许多现代化工业都是工作在工作条件相当恶劣如高温、高压、高荷载的条件下，但为了使材料在其使用寿命期限内不出现失效损坏，以确保其在工作年限内正常工作。从而产生了一种在不破坏材料形状、不改变材料使用性能的检测方法用之来保证零件或材料的可靠性和安全性，这项检测技术即是无损检测技术。无损检测技术是在不损伤被检测对象的条件下，利用材料内部结构的异常或者材料的缺陷在热、声、光、电、磁等条件下的反应变化，来检测材料及其零部件的内部和表面缺陷，并能够对缺陷的数量、形状、尺寸、分布等做出判断和评价。 无损检测具有悠久的历史，人们长期以来通过对无损检测技术在实践中的探索以及理论的逐步更新使无损检测技术经历了三个发展阶段，早期称为无损探伤，它的作用是在不损坏产品的前提下，发现零部件中的缺陷通过人眼观察、耳听诊断等，以满足制造业与使用的要求。第二阶段称为无损检测，它不但检验最终产品，而且要检测加工过程的工艺参数。第三阶段为无损评价，不但进行产品的最终检验以及过程工艺参数的测量，而且当材料中不存在致命缺陷时还要从整体上评价材料中缺陷的分散程度，以及对材料性质、动态响应和服役性能指标的实测值进行分析和评价，因此无损评价的内容包含无损检测的内容，但比无损检测更具综合性。 20世纪70年代以来是无损检测技术飞速发展的时期，主要原因是计算机技术不断应用到无损检测领域，同时无损检测本身的新方法和新技术也不断出现，从而也使无损检测仪器得到很大的提高。目前，无损检测技术正向快速化、标准化、数字化、程序化和规范化的方向发展。 无损检测技术的方法很多，常用的无损检测技术有五种：超声检测、射线检测、涡流检测、磁粉检测和渗透检测。它们已成为生产中的常规无损检测技术。另外，还有各种新型的检测方法，如激光全息照相、声振检测、红外检测等。1.2 油样铁谱分析简介 油样铁谱分析是油样分析技术中一项重要的油样分析检测技术。油液在机器设备中的油液通道中循环流动时，油液中所蕴含的各项信息能够反映机械设备的运行情况，因而通过对工作油液进过合理的采样后进行分析处理后，即可取得机械设备中各摩擦副的磨损状况、磨损发生部位以及磨损程度等方面的信息。而作为油样分析的铁谱分析技术最早是由美国麻省理工学院W.W.Seifert和美国FoXboro公司V.C.Westcott于1970年提出，铁谱分析即是一种借助磁力将油液中的金属颗粒分离出来，并对这些颗粒进行分析的技术。该项技术的提出者于1971年研制出用于分离磨损颗粒并进行观察分析的仪器即铁谱仪和铁谱显微镜。目前铁谱分析仪主要有两种类型：一种是直读式铁谱仪，一种是分析式铁谱仪。通过这项技术的不断创新，铁谱分析技术已经成为机器状态监测和故障诊断的一项重要工具。其在国民经济建设及国防建设的各个部门如航空、舰船、铁路、以及汽车、液压、机床、矿山、石油等机械设备的状态监测与故障诊断方面，都得到了广泛的应用。1.3 数字图像处理技术简介 图像处理技术最早出现于20 世纪50 年代图像处理是利用计算机对图像进行图像数字化、图像增强、图像复原、提取特征等处理的一类理论技术。一幅真实的图像并不能直接被计算机识别，需要以计算机图像文件的形式存贮于计算机中图像按照信息的连续性可以分为两类，即模拟图像和数字图像。模拟图像中，图像的信息颜色、亮度和空间位置是连续的，而数字图像中信息是离散的。对于一张普通的照片，照片中的信息在空间上是连续的，计算机并不能读取这种连续的信息。为了让计算机读取照片中的信息，需要对照片进行图像处理。在图像处理过程中，对照片中的信息进行数字化离散，转化为计算机可以识别的数字图像。 数字图像在计算机中以两种方式存储，即矢量图和位图。矢量图是利用一系列数学表达式来表述图像，优点为随着图像的放大或者缩小，不会降低图像的清晰度。但对于复杂的图像，很难找到合适的数学表达式。位图图像由一个个的像素组成，每一个像素代表一个特定的图像信息。位图图像在将图像转化为数字图像时，将图像分割为一个个像素，每个像素由一定的数值来表述其颜色和亮度。当一张图片转化为数字图片后，我们可以在每个像素上面都可得到该像素量化后的亮度值和颜色值。常见的图片和照片在空间上是平面，一般由两个坐标变量来确定空间位置。因此，数字图像一般的表述形式为二维函数的矩阵，如式1-1： （1-1） 1.4课题的研究内容及意义 投入无损检测技术领域的研究是一项非常有意义的研究课题，目前无损检测技术作为一种绿色检测技术，逐渐替代了传统的对环境产生较大的检测方法，对材料也不会造成破坏或者对材料造成二次污染。因此，对无损检测技术的继续深入研究是符合我国旨在建设一个环境友好性，资源节约型国家的核心要求的。 随着现代工业的飞速发展，在满足产品使用性能的基础上，人们更加侧重与对产品的使用寿命以及缺陷特性进行分析，以确保产品在设计寿命年限内能够具有较好的可靠性，可行性。而无损检测技术作为世界上一项飞速发展的检测技术，在不损伤产品使用情况的同时，结合产品材料的相关物理特性，光学特性等性质，能够较好的对产品中存在的相关缺陷进行识别，在各个国家的工业等相关领域对这项优势的检测技术相当重视，而通过使用这种检测技术而带来的经济效益也相当可观。同时随着电子技术及计算机技术的飞速发展，计算机图像处理技术相关理论也不断完善，利用计算机图像处理可对图像进行去除噪声、增强、复原、分割、提取特征等，该项处理技术已广泛应用与通信、控制、故障检测等相关领域。而Matlab软件作为国际上公认的最优秀的科学计算与数学应用软件之一，也是最近几年来在国内外广泛流行的一种可视化科学计算软件，它集数值分析、矩阵运算、信号处理和图像显示为一体，构成了一个方便的、界面友好的用户环境。而结合Matlab数据工具箱中的图像处理方法目前也已广泛应用与无损检测领域。 而作为现目前发展迅速的油样分析检测技术也是针对实时检测机械运行故障的一项重要检测技术。国外有数据统计机械设备有70%以上的故障与设备的磨损状况有关，而通过对机械设备中的润滑油进行采样分析来评估机械运行的工作情况，对设备劣化趋势即是得到矫正，可以有效的避免恶性事故的发生和发展，同时通过对油样的监测及时发现油质劣变的原因和污染状况，对此及时采取相关措施，使设备处于良好的润滑状态，从而减少故障发生的概率，延长设备的使用效率，在实现设备的主动性维护方面意义颇佳。铁谱分析作为油样分析技术的一种重要检测和分析方法，也正是依托上述故障检测意义通过铁谱显微镜对油样中的油质进行分析和检测。 本文旨在通过学习基本的matlab图像处理原理来对无损检测领域中的X射线检测像以及油样分析中的铁谱分析检测图像进行相关编程操作，达到熟悉和基本掌握matlab图像处理编程的方法，对检测图像做图像处理、图像分析及图像特征提取。从而，为进一步图像处理技术的深入学习打下坚实的基础。第2章 图像处理的基本原理及方法2.1 图像预处理 图像预处理就是在图像分析中对输入图像进行特征取、分割、识别前所进行的处理过程。图像预处理的主要目的是消除图像中无用的信息，而恢复图像有用的信息，显现图像的真实情况，以增强有关信息的可检测性和简化处理数据，从而提高后续处理过程中包括特征提取、图像分割、识别过程的操作可靠性。 对采集来的图像进行分析，首先应当做的即是对其进行图像预处理操作，图像预处理包括图像的灰度变换、图像的平滑处理、图像的锐化处理等等。其最终目的即是为了提高图像的综合质量，如去除噪声，提高图像显示的清晰度等等。图像处理过程流程图2-1所示: 图像输入灰度变换处理图像滤波 图像输出 图2-1 图像预处理过程2.1.1图像增强 图像增强是在对原有图像的基础上进行操作的，其目的是得到视觉效果更好或者更有用的新图像以方便计算机进行进一步的识别处理。图像增强分为两大部分即狭义上的图像增强和广义上的图像增强。狭义上的图像增强指加强灰度图像的明暗对比度，而广义上的图像增强还包括图像模糊处理以及彩色图像增强等。2.1.1.1 图像灰度变换 图像的灰度变换处理是图像增强处理技术中一种非常基础和直接的空间域处理方法。灰度变换是指更具某种目标条件按一定的变换关系逐点改变原图像中的每一个像素灰度值的方法，其主要目的是为了改善图像质量，使图像的显示效果更加清晰，灰度变换也叫对比度增强或对比度拉伸。 灰度变换的处理方法也叫做点运算方法，点运算是一种既简单又重要的技术，它的主要特点是输入像素点的灰度值决定输出像素点的灰度值，同时不改变图像的空间关系。设图像变换表达式：，其中为输入增强前图像，为输出增强后的图像，是对图像进行处理的操作符。另设和分别代表和在处的灰度值，则图像变化表达式可另表示为：。 若要保持图像的低端和高端的灰度值不变，把中间的灰度值从到拉伸到到，则可采用式2-1进行计算： （2-1） 通过变换后可将需要的图像细节灰度拉伸，将不需要的图像细节灰度级进行压缩，从而使图像细节信息更加丰富，也会便于计算机辨认进行下一步识别处理。2.1.1.2 直方图修正 直方图修正是灰度变换的一种方法，它指通过增加图像像素值分布来对图像进行增强处理，经过直方图修正后，图像像素值在各个级别上都有分布，从而也更容易表现图像细节，使图像的视觉效果得到改善。直方图修正通常有直方图均衡化和直方图规定化两大类，直方图均衡化技术是把已知灰度概率分布的图像，经过数学变换，使之演变成一幅具有均匀分布的新图像，直方图规范化是指图像经过处理后，直方图的分布呈现出指定的形态，下面就直方图均衡化灰度变换原理用数学符号进行直观地阐述。 数字图像中灰度级为的像素出现的频率：，其中N为一幅图像的总像素数，是出现第k级灰度的次数，表示第k个灰度级。 对数字图像进行直方图的均衡化处理时，采用式2-2变换形式进行灰度变换处理。 （，k=0,1,2-,L-1） （2-2）其中为输出图像中的亮度值，L为灰度级的总数。通过变换后的s值只能选择最靠近的一个灰度级的值，以此对s值进行修正，从而将得到不同的灰度级别，确定出输入与输出像素值的映射关系，将原灰度值映射到变换后图像所对应的灰度级别的灰度值上。2.1.2 图像的平滑化 数字图像中往往存在各种各样的噪声如在图像数据传输过程中会引入噪声，以及通过扫描得到的照片由于灰尘时噪声源，最终也会引入噪声从而影响图像的质量使获得的图像像素值不能真实反映真实场景亮度而造成的误差。为了消除噪声常用的空间域滤波方法有线性滤波、中值滤波、自适应滤波等方法；频域增强滤波方法有频域低通滤波、频域高通滤波以及同态滤波。通过滤波处理后的图像看起来图像效果比较的平滑。2.1.2.1 空间域滤波 空间域滤波是在图像空间借助模板进行卷积操作完成的。其基本特点是让图像在傅立叶空间的某个范围的分量受到抵制，而让其他分量不受影响，达到图像增强的目的。在空域实现滤波增强功能的方式都是利用模板卷积，其主要步骤是：将模板中心与图像中某个像素位置重合；将模板系数与模板下对应的像素相乘；将所有乘积相加；将和赋值给图像中对应模板中心位置的像素；如图2-2（a）所示给出图像的一部分，其中为一些像素的灰度值，设有1个的模板如图2-2（b）所示，模板为模板系数。如过将所在位置与图（a）中灰度值为的像素重合，则模板卷积的输出响应R为： （2-3）通过把响应值赋给增强图，覆盖原来灰度值为的像素。则可知对原图每个像素都进行这样的操作后可得到增强图所有位置的新灰度值。同时对模板系数设定不同的值将得到不同的增强效果。 (a) (b)图 2-2 原图像素点与滤波模板1、线性平滑滤波 线性低通滤波器是最常用的线性平滑滤波器，实现这种滤波的方法称为领域平均法。领域平均法的基本思想是用几个像素灰度的平均值来代替每个像素的灰度。如对于一幅NN个像素的图像，平滑处理后得到图像为且有： （2-4）式2-4中S是（x,y）点领域的集合但不包括其本身；M是集合内坐标点的总数。从上式表达式可得出平滑后图像中的每个像素的灰度值均由包含在（x,y）的预定领域中的的几个像素的灰度值的平均值来决定。图2-3即是一种图像阵列选取领域的方法。图 2-3 领域平均法选取领域 通过这种方法对图像进行滤波处理对抑制噪声是有效的，但是随着领域半径r的增大，图像的模糊程度就愈加严重。可以通过阈值法减少由于领域平均产生的模糊效应。可通过式2-5进行具体说明： （2-5） 式2-5表明当一点及其领域内点的灰度的平均值的差不超过规定的阈值T时，就保留其原来的灰度值，如果大于阈值T就用其平均值来代替该点的灰度值。2、中值滤波 中值滤波是一种典型的非线性滤波技术。传统的中值滤波一般采用含有奇数个点的滑动窗口，用窗口中各点灰度值的中值来代替指定点的灰度值。对于奇数个元素，中值是指按大小排序后中间的数值；对于偶数个元素，中值是指排序后中间两个元素灰度值的平均值。中值滤波也是一种典型的低通滤波器，主要用来抑制脉冲噪声，同时又具有能较好地保护目标图像边缘的特点。 当退化图像用 表示时，用中值滤波器得到的恢复图像为：,其中median表示取中值操作。W表示以（x,y）为中心的模板区域。2.1.2.2 频域滤波 频域滤波增强方法是将图像从空间域变换到频域，在图像的频域空间对图像进行滤波处理，在频域空间的滤波与空间域滤波一样也可以通过卷积运算实现。 假定原始图像，经傅立叶变换后为，频率域平滑滤波就是选择合适的滤波器函数对的频谱成分进行相应的调整，然后在经过傅立叶逆变换得到滤波后的图像。其相应的频域滤波框图如图2-4所示，其滤波处理过程分为一下三个步骤：图 2-4 频域滤波处理过程 如果通过增强的高频信息，如增强图像的边缘信息，则为高通滤波，如是为了增强频谱的低频信息，如对图像进行平滑操作，则为低通滤波。 1、低通滤波 图像从空间域变换到频域后，其低频分量对应图像中灰度值变化比较缓慢的区域，而高频分量则表示了图像中物体的边缘和随机噪声信息。低通滤波器的功能即是通过滤波器函数抑制高频分量而保留低频分量，从而达到消除随机噪声，削弱边缘效应，起到平滑图像的作用。常用的低通滤波器包括理想低通滤波器、巴特沃斯低通滤波器、指数低通滤波器等。其相应的传递函数如下：理想低通滤波器传递函数为： （2-6）式2-6中是理想低通滤波器的截止频率；是从点到频域原点的距离，即巴特沃斯低通滤波器传递函数为： （2-7）式2-7中n为滤波器的阶次，阶次越高，滤波效果越理想。指数低通滤波器传递函数为： （2-8）2、高通滤波 图像中物体的边缘及其他灰度变化较快的区域与图像的高频信息有关，因而可利用高通滤波器对图像的边缘信息进行增强，起到锐化边缘的作用。相应地，高通滤波器分为理想高通滤波器、巴特沃斯高通滤波器，指数高通滤波器等。其相应的传递函数如下：理想高通滤波器传递函数为： （2-9）巴特沃斯高通滤波器传递函数为： （2-10）指数高通滤波器传递函数为： （2-11）3、同态滤波 同态滤波法是一种将频域过滤与灰度变换结合起来的图像处理方法，它是把图像的反射模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的一种处理技术。 一幅图像可以用它的照明分量及反射分量来表示，即： （2-12）对上式去自然对数为： （2-13）对上式傅立叶变换为： （2-14） 用一个滤波器函数H来处理，可得到： （2-15）逆变换到空间域得： （2-16）对上式两边取指数得： （2-17） 同态滤波法的关键在于利用自然对数的傅立叶变换将图像中的照明分量和反射分量分开。这样同态滤波函数就可以分别作用在这两个分量上。图像中的照明分量往往具有变化缓慢的特征，而反射分量则倾向剧烈变化，这使得图像对数傅立叶变换中的低频部分对应照明分量，而高频部分对应反射分量。通过设计一个对傅立叶变化的高频分量和低频分量影响不同的滤波函数，如果，则滤波函数将压缩低频段，而增强高频段，最后的结果是压缩了图像的动态范围，同时又增强了图像的对比度。从而，相对低通滤波和高通滤波而言，同态滤波更容易突出图像目标区域的边缘特征信息。2.2 图像分析 图像分析可以看作是一种描述的过程，主要是从图像中提取有用的数据和信息，生成非图的描述和表示。图像分析的主要内容分为二值化图像处理、图像的分割和图像的边缘检测等。图像分割是一种重要的图像分析技术。在对图像的研究和应用中，我们往往仅对图像中的某些部分感兴趣，这些部分称为目标或背景。其一般对应着图像中特定的、具有特殊性质的区域，这些特殊性质包括像素的灰度值、物体轮廓曲线、颜色等。为了计算机进一步识别和分析图像中的目标。需要将这些带有特殊性质的区域分离提取出来，在此基础上才能进一步对目标进行测量和对图像进行利用。简而言之，图像分割就是指将图像分成各具特征区域并提取出其中感兴趣目标的技术和过程。 数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域的基础部分，也是图像识别中提取图像特征的一个重要属性，在对图像进行图像理解和分析时，第一步操作即是边缘提取，目前边缘提取技术已成为机器视觉研究领域最活跃的课题之一，在工程上的应用也占有十分重要的地位。2.2.1 灰度阈值法分割 对于只有黑和白的图像，由于其像素值只取0和1两个数值，因而称为二值图像。二值化图像处理在计算机图像处理中占有很重要的地位。为了分析图像的相关特性，常常从图像中分离出对象物，提取出图形和背景而进行二值化处理。图像的二值化可根据式2-18的阈值处理来进行。 （2-18） 其中T是输入图像中灰度级范围内的一个值。是二值化后的输出图像。通过对图像进行二值化操作后可以从图中提取所需处理图形的边缘。 常用的阈值法处理就是图像的二值化处理，设定不同的阈值T对图像进行二值化处理效果有明显的差异。常用的阈值确定方法有最小误差阈值法、最大方差阈值法、最佳阈值法等等。下面介绍其中最大方差阈值法的原理。 最大方差阈值也叫大津阈值，是1980年由日本学者大津展之提出来的，它是在差别与最小二乘法原理的基础上推导出来的，可得到较好的阈值结果。 把直方图在某一阈值处分割成两组，当被分割的两组间方差为最大时，确定阈值。设一幅图像的灰度级为1m级，灰度值i的像素数为，则有：像素总数为： （2-19）各灰度级的概率为： （2-20） 通过阈值T将图像的灰度级划分为两组即和则各组产生的概率为：第一组产生的概率： （2-21）第二组产生的概率： （2-22）第一组的灰度平均值为： （2-23）第二组的灰度平均值为： （2-24）其中是整体图像的灰度平均值，是阈值为T时的灰度平均值。则有两组间的方差为： （2-25）从灰度级范围中改变T即可求得D（T）的最大值，此时对应的T值便是阈值。2.2.2 边缘检测 物体边缘是以图像的局部特征不连续的形式出现的，即指图像局部亮度变化最显著的部分，如灰度值的突变、颜色的突变等同时物体的边缘也是不同区域的分界处。图像边缘具有方向和幅度两个特性，通常沿边缘的走向灰度变化平滑，垂直于边缘走向的像素灰度变化剧烈。 利用边缘检测来分割图像，其基本思想就是先检测出图像中的边缘点，再按照某种策略方式将边沿点连接成轮廓，从而构成分割区域。由于边缘是所要提取目标和背景的分界线，提取出边缘才能将目标和背景分开，因而边缘检测技术对于数字图像十分重要。图像中某物体边界上的像素点，其领域将是一个灰度级变化带。衡量这种变化最有效的两个特征值就是灰度的变化率和变化方向，它们分别以梯度向量的幅值和方向来表示。总之，边缘检测就是使用数学方法提取图像像元中具有亮度值（灰度）空间方向梯度大的边、线特征的过程。对于图像中的边缘检测可借助空域微分算子通过卷积完成。1.梯度算子 梯度对应为一阶导数，梯度算子是一阶导数算子，对一个连续函数。它在位置（x,y）的梯度可表示成一个矢量。 （2-26）这个矢量的幅度和方向角分别为： （2-27） （2-28）在实际中常用小区域模板卷积来近似计算上式中的偏导数，对、各用一个模板，则需要两个模板构成一个梯度算子。根据模板的大小、其中元素值的不同，人们已提出了许多不同的算子。最简单的梯度算子是罗伯特交叉算子（Roberts cross）、普瑞维特算子（Prewitt）和索贝尔算子（Sobel）。其常用的2个模板如下：Roberts cross： H1=, H2=； Prewitt：H1= ，H2= ； Sobel：H1= ，H2= ； 将模板与原始图像的像素矩阵进行卷积，即可得到梯度： （2-29）求出梯度后，设定一个阈值T，当，标出该点为边界点，其像素值设为0，否则设为255，通过适当的调整T的大小达到最佳效果。2.CANNY算子 Canny算子是一类最优边缘算子，它在许多图像处理领域得到了广泛运用。Canny考核边缘检测算子的指标从低误判率，高定位精度即准确的把边缘点定位在灰度变化最大的像素上，以及抑制虚假边缘的考虑出发推导出了最佳边缘检测算子-Canny边缘检测算子。Canny算子与其他边缘检测方法的不同之处在于它使用了两种不同的阈值分别检测强边缘和弱边缘，并且仅当强弱边缘相连时才将弱边缘包含在输出图像中，因而这种方法容易检查出真正的弱边缘。2.2.3 基于彩色图像的K-均值聚类分割 对于给定一幅由多种颜色组成的彩色图像，我们有时候是对彩色图像中某个颜色所包含的区域感兴趣，如果是按照先把彩色图像转化为灰度图像然后提取相应的特征边缘相对来说提取过程比较复杂，而如果是对这幅彩色图像直接实行K-均值聚类分割来提取图像中某个颜色所包含的区域则能够得到很好的解决。实际上，K-均值聚类分割是通过将抽象对象的集合分成由多个相似的对象组成的多个子类的过程，从而可以根据不同的颜色块进行聚类，最终可以将具有同种颜色的图像区域从整个彩色图像中划分出来，以利于后续的计算机图像处理。 K-均值聚类分割算法的基本原理就是：首先从数据集中选取K个点作为初始聚类中心，然后计算各个样本到聚类中心的距离，把样本点归并入到离它最近的那个聚类中心所在的类内，通过计算新形成的每一个聚类的数据对象的平均值来得到新的聚类中心，如果相邻两次的聚类中心没有发生变化，则调整结束，聚类完成，否则再修改聚类中心进入下一次迭代。2.3 图像的特征描述图像描述是图像处理的核心内容。为了便于有效地研究和应用，往往需要用一些简单明确的数值、符号或图来表征所给定的图像及已分割的图像区域。这些数值、符号或图是按照一定的概念和公式产生，反映了图像或图像区域的基本信息和主要特征。通常称这些数值、符号或图为图像的特征，而用这些特征来表示图像称为图像描述。2.3.1 形状描述1. 链码链码是图像处理和模式识别中最常用的一种表示方法，最初是由Freemam于1961年提出来的，用来表示线条模式。根据链的斜率不同常用的有4方向和8方向的链码，其方向定义如图2-5所示： 图2-5 4方向码和8方向码在4方向码中，4方向码的长度都是一个像素单位；在8方向码中，水平和垂直方向的方向码的长度都是一个像素单位；在对角线方向的4个方向码为像素单位的倍。因此，它们的共同点在于直线度的长度固定，方向数有限，所以可以用一系列具有这些特点的相连的直线来表示目标的边界。这样只有边界的起点需要用绝对坐标来表示，其余点可用接续方向来表偏移量。从在物体边界上任意选取的某个起始点坐标开始，跟踪边界并赋给每两个相邻像素的连续一个方向值，最后按照逆时针方向沿着边界将这些方向码连接起来，就可以得到物体边界的链码，因此链码的其实位置和链码完整的包含了目标的形状和位置信息。2. 链码的归一化 使用链码时，起点的选择是很关键的。对同一个边界，如果采用不同的边界点作为链码的起点，所得到的链码是不同的，从而提出了一种链码归一化的思想。具体做法是：给定一个从任意点开始的产生的链码，把它看作一个由各方向数构成的自然数，首先，将这些方向数按一个方向循环，以使它们所构成的自然数的值最小；然后，将这样转换后所对应的链码起点作为这个边界的归一化链码的起点。3. 形状特征的描述（1）、长轴和短轴 当物体的边界已知时，用其外接矩形的尺寸来刻画它的基本形状。如对图2-6边界进行外接矩形描述： 图 2-6 MER法求物体的长轴和短轴求物体在坐标轴上方向上的外接矩形，只需计算物体边界点的最大坐标值和最小坐标值，即可得到物体的水平跨度和垂直跨度。对任意朝向的物体，需确定物体的主轴，然后计算反映物体形状特征的主轴方向上的长度和与其垂直方向上的宽度，而此时的外接矩形即为物体的最小外接矩形（MER）。（2）、矩形度 图像区域的面积与其最小外接矩形面积的比值即为矩形度： （2-30） 矩形度反映区域对其最小外接矩形的充满程度，当区域为矩形时，矩形度R=1，当区域为圆形时，对于边界弯曲、呈不规则分布的区域，。（3）、长宽比长宽比是将目标与近似矩形或圆形目标进行区分时，采用的形状度量。长宽比为最小外接矩形的宽与长之比，其定义式为： （2-31）（4）、致密度致密度也称复杂度，有时也称分散度，其定义为区域周长（P）的平方与面积（A）的比值。即： （2-32）致密度越大表明单位面积的周长大，即区域离散为复杂形状，反之，为简单形状。第3章 数字图像处理技术应用于X射线检测3.1 X射线无损检测技术简介 X射线是1985年由德国物理学家伦琴发现的；1912年，美国物理学家库利吉博士研制出了一种新型的X射线管，从而为X射线的工业应用奠定了基础。其在无损检测应用过程中，X射线检测常用于检测检测对象的缺陷情况，其中最主要的是用于焊缝缺陷检测，利用X射线对被检测对象表面进行拍照，在不损伤被检测对象的情况下就可以检测出对象内部有无缺陷，从而判别对象使用的安全性。3.2 X射线检测原理 X射线是在X射线管中，在电场的作用下在阴极处的电子在电场力的作用下电子高速飞向阳极靶，电子与阳极靶的撞击过程中产生。当X射线通过被检测物体时，物体中有缺陷的部位（如气孔、非金属夹杂等）与无缺陷部位对射线的吸收能力不同，一般情况下是透过有缺陷部位的射线强度高于无缺陷部位的射线强度，从而可通过检测透过被检测物体后的射线强度的差异，来判断被检测物体是否存在缺陷。图3-1 X射线的产生过程（1-阴极，2-外壳，3-阳极靶） X射线检测被测物体的见图3-2。 X射线源被检测物体X射线底片 图 3-2 X射线检测物体3.3 图像预处理3.3.1焊缝图像灰度调整由于通过X射线无损检测得到的焊缝缺陷图但X射线得到的焊缝图像普遍具有灰度区间比较窄、缺陷边缘模糊、图像噪声多、缺陷特征有时被隐藏等特点，为了更加准确的检测出内部缺陷，对焊缝图像进行预处理是必要的。图3-3是一幅经过X射线无损检测得到的焊缝缺陷图样。 图 3-3 原X射线检测图样根据2.1的相关原理结合Matlab软件编程对图3-3进行图像预处理。流程图见图