matlab的数字图像技术.doc

水下结构物表面缺陷的自动检测与识别陆 玲，陈国明，戴 扬(石油大学(华东)机电工程学院，山东 东营 257061)摘要：在计算机图像处理理论与模式识别理论的基础上，提出水下结构物表面缺陷的识别方法，给出噪声去除以及阈值分割的方法；从处理后的缺陷图像中提取能表征缺陷性质的几何特征和纹理特征，并运用树形分类器进行分类，以实现计算机对缺陷图像的理解和自动识别。识别结果为水下结构物的安全可靠性评估提供基础数据。关键词：缺陷识别；图像处理；特征提取；模式识别 0 引言近几十年来，随着海洋石油开发工程、水库大坝工程、港口码头以及桥梁工程的不断深入和发展，形成了一系列水下开发结构物新模式。然而，在长期服役过程中，由于外部环境（如风浪、腐蚀、水力冲刷以及温度应力等）的变化以及人为失误（如设计或者选材不当）的影响，水下结构物在服役过程中会出现各种不同程度的损伤，使整体结构的安全性、完整性及可使役性降低。因此，定期对其进行检测，评估其安全可靠性是非常必要的1。传统的水下结构物缺陷的检测方法（如目测、磁粉检测等）具有检测能力有限、检测可靠性低、检测时间长、费用高等缺点。随着数字图像处理与模式识别技术的不断发展，迫切需要有一种自动检测装置，正确有效地对水下结构物的缺陷进行分类识别。针对这一情况，本文利用数字图像处理手段，根据水下结构物表面缺陷区域的几何特征和纹理特征，定量地表征缺陷的性质，并且根据模式识别理论设计了分类器。识别结果将给出缺陷的种类，或“无缺陷”的评价。1 水下结构物缺陷识别实验系统图1为已开发的水下结构物表面缺陷检测系统的框图。硬件设备主要包括：碘钨灯照明光源、彩色数码变焦摄像机、SuperSonic S-200视频采集卡、主机（包括显示器、鼠标和键盘）等。CCD借助光学系统将照射于其上的光信号转换为电信号，形成视频信号。视频采集卡完成对图像模拟视频信号的模/数转换功能，经采样与量化的数字图像在计算机中进行后期的数字图像处理2。采用视频卡自带的采集程序，将图像保存为bmp格式的图像文件，由开发的图像处理软件读取源文件，并进行图像预处理，特征提取之后，进行模式识别，最后给出模式识别的结果。图1 实验系统组成框图2 图像预处理众所周知，水的密度比空气大800倍，光波在水中传输时产生的吸收和散射效应，使图像信号衰减很快，而且采集到的图像会受到硬件设备以及传输电缆的影响会产生噪声，所以水下图像的质量受环境的影响非常大，图像预处理也就十分重要。下面主要介绍缺陷图像去噪以及图像二值化方法。2.1 图像的去噪处理在系统中图像预处理模块主要采用了可以有效滤除脉冲噪声的中值滤波以及能够较好滤除高斯噪声的小波变换技术。对实际的水下结构物缺陷图像，采用55正方形窗口中值滤波不仅更好地滤除了噪声，而且较好的保持了边缘。但是中值滤波由于涉及排序算法，在窗口大小相同时计算机进行处理的时间要大于邻域平均法。对于640480大小的图像，在实验用Pentium 计算机上不同窗口滤波所需的时间如表1所示。中值滤波窗口还可以是十字形、水平以及垂直窗口等。根据滤波效果以及滤波时间的比较可以得出，而采用51水平窗口进行中值滤波的效果比较理想。为了节省计算时间以增强实时性，在水下结构物缺陷检测时采用51水平窗口进行中值滤波。表1 不同窗口滤波所需的时间（秒）（640480）窗口形状尺寸均值滤波中值滤波正方形窗口十字形窗口水平窗口垂直窗口33553355335531511315处理时间1.042.321.282.640.961.080.480.680.520.74中值滤波器可以较好地滤除脉冲噪声，但滤除高斯噪声效果不理想。因此，系统采用Daubechies小波继续对缺陷图像进行去噪处理。基于Daubechies小波变换的图像去噪方法可表示为：在对缺陷图像 y 进行小波分解，得到小波系数 g；在小波域上，对小波系数进行阈值操作，如式1所示； 对阈值操作后的小波系数进行小波反变换，就是去噪后的图像。(1)经过试验表明，使用 Daubechies小波变换与中值滤波相结合的方法，可以有效滤除水下结构物缺陷图像的噪声。2.2 图像的二值化处理为了检测出缺陷的边缘，进行图像分割（缺陷子图像的提取），应先把缺陷与背景分离开。灰度阈值的选择相当重要。在水下结构物缺陷图像的直方图上不一定会得到理想的物体峰，多数情况下会呈现不规则形状。因此，本系统采用双窗口法进行阈值计算。其算法处理顺序如下：在缺陷图像内设定包含缺陷部分的窗口 A。计算这个范围内的象素点灰度分布，可得原始图像的直方图，用加窗高斯函数对该直方图进行滤波。加窗高斯函数将加窗高斯函数的离散值同直方图函数的离散值进行卷积，就完成了滤波操作；设定一个包含有窗口 A的窗口 B。同样求出像素点灰度分布，则灰度分布A与B的差，相当于背景部分的灰度成分；在前项将窗口的灰度分布由A扩大至B，无变化的灰度成分属于缺陷部分，即可求出分割阈值。3 水下结构物缺陷的特征构造与提取由于水下结构物存在着不同种类的缺陷，而且它们都是随机分布的，因此对每一种缺陷进行分类识别难度非常大。这时需要对缺陷进行归类，选取典型的缺陷图像来进行处理和分析，得出分类规则，从而根据模式识别理论设计分类器。3.1 水下结构物缺陷的分类根据采集到水下结构物缺陷图像的分析结果可知，裂缝及腐蚀缺陷是水下结构物的主要缺陷。因此，本文将缺陷主要分为裂缝缺陷和腐蚀缺陷两种，而腐蚀缺陷从形态上分，主要有全面腐蚀和局部腐蚀两大类4，局部腐蚀又包括坑蚀，缝隙腐蚀，焊缝腐蚀，冲蚀等。裂缝缺陷主要出现在水下混凝土结构中，裂缝缺陷和背景结构物的对比度明显，且多呈中间宽两头尖细的长条形，尺寸较大，宏观裂缝有时可长达数米。全面腐蚀是一种常见的腐蚀形态，它在水下结构物的整个暴露表面或一个大面积上普遍地发生腐蚀。全面腐蚀的特征为腐蚀的面积较大，且腐蚀区域的灰度与背景的灰度对比较明显。蚀坑是最常见的一种局部腐蚀类型，普遍发生在各个部位，其图像特征为数量多，面积小，形状多为圆形。缝隙腐蚀常发生在金属铆接、螺栓、水封、法兰盘连接等部位，其图象背景灰度比较均匀，形状多为尖细的条形。焊缝腐蚀多为裂纹状，而且背景灰度比较复杂。冲蚀是金属表面在高速水流或含泥沙颗粒、气泡的高速流体直接不断冲击下形成的，其图像特征为形状一般接近长方形，且与背景对比度不明显。3.2 水下结构物缺陷特征参数的确定针对图像样本中的含有上述已知缺陷的图像，对其进行预处理以及二值化处理后，缺陷区域和背景区域已经分开，然后计算其几何特征、形状特征以及纹理特征。为了研究缺陷区域灰度变化规律，将二值图像的缺陷区域用原有灰度级来表示，以提取其纹理特征。经过对各种特征的计算结果进行分析后，再从中提取一些能反映缺陷性质而且相对比较稳定的特征，作为分类、识别和理解缺陷的依据。鉴于水下结构物图像处理的现状，目前不可能建立各种缺陷的专家知识库，缺陷特征的选择主要依赖于缺陷的特征分析和实验分析结果。在缺陷图像特征中，几何形状特征常常是判断缺陷的最重要的依据。另外，对于立体型缺陷，光线反射缺陷区域的波动性存在较大的差别，这种差别表现为不同的灰度变化规律。因此，纹理特征也是缺陷识别的有利依据。这里选择了四个几何特征以及一个纹理特征，各特征的数学模型如下5：（1）缺陷子图像的周长L：周长定义为包围物体而不含于物体的边界长度。物体的周长在识别具有简单形状或复杂形状物体时特别有用，形状简单物体用相对较短的周长来包围它所占有的面积。由于周长定义为边界，测量这个周长时包含了许多90度的转弯，从而夸大了周长值。一个修正的计算公式如式(2)所示。(2)其中，Lc，Lo分别表示边界链码中约定走偶步与奇步的数目。（2）缺陷子图像的面积S：面积最简单的计算方法是将像元看成是1的单位面积，计算物体内部的像元的数目。由于边界象素的一半在物体内部一半在物体的外部，因此，准确的面积可以用内部总像元数加上周长的一半来近似地修正，如式(3)所示。(3)其中，S 表示面积，T 物体内部的像元总数，L表示物体的周长。（3）细长比A：如式(4)所示。(4)其中，A表示物体的细长比，W是物体的宽度，L是物体的长度。这一参数可以把细长的目标与圆形或方形目标区分开来。（4）圆形度C：由式(5)来表示。(5)其中，C表示圆形度，L是目标的周长，S是目标的面积。这个特征对圆形目标取最小值1，越复杂的形状取值越大。圆形度与边界复杂性有着粗略的关系。（5）熵Le：图像的纹理反映了图像或物体本身的属性。设(i, j)，(k, l) 两任意象素点的灰度值分别为 f(i, j)，f(k, l)，则联合分布密度如式(6)所示。(6)其中，l1，l2均为0到L之间的灰度级。熵的求解方法如式(7) 所示。(7)4 水下结构物缺陷的识别及实例鉴于水下结构物缺陷图像各特征之间有一定的相关性，为降低求解的复杂性，特征识别时应用阶层识别的方法。对于识别多类、多特征的图像，可采用树形分类器，它是根据树形分层理论，将未知数据归属于某一类的分类方法6。树形分类器的关键是特征的选出及判决规则的确定。利用树形分类器，本文对水下结构物缺陷进行分类如图2所示。逐层选用上节中的特征，将各类缺陷一一检出。选择特征的准则是同种特征值相差最明显的。特征阈值分类阈值通过利用已知样本缺陷图像对分类器进行训练来获得。图2 水下结构物的缺陷分类（14为样本模式：1 缺陷的面积；2 缺陷的细长比；3 缺陷的圆形度；4 缺陷的能量特征熵）图3 水下结构物缺陷识别流程图分类过程中，由于裂缝和全面腐蚀的面积比较大，首先利用面积这一特征将裂缝和全面腐蚀缺陷同其它缺陷分离出来；然后根据细长比设定阈值分离裂缝缺陷和全面腐蚀；其它的缝隙腐蚀和焊缝腐蚀形状都呈细长形，而坑蚀则多为圆形，冲蚀多为椭圆形。因此圆形度特征值可以用来区分坑蚀、冲蚀以及缝隙和焊缝腐蚀，而缝隙腐蚀和焊缝腐蚀则根据能量特征来进行区分。在此过程中，阈值要通过学习和训练，不断修改权值来最终确定。水下结构物缺陷的计算机模式识别的流程图如图3所示，图中的参数T1、T2、T3、T4以及T5分别为分类阈值，阈值的大小通过不断的学习和训练来确定。根据需要我们选用单类标准缺陷图像40张作为样本图像，进行识别训练。另外，挑选10张拍照条件较好的缺陷图像作为测试集，对于训练好的系统进行测试，测试结果如表2所示。10张测试样本用分类器识别的结果是有两个错识别，一个是将冲蚀错识别为坑蚀，一个是将焊缝腐蚀错识别为缝隙腐蚀，正确识别率达80。从错识别的样本情况看，错识别的原因有缺陷类型识别主要是形状参数决定的，此外还有试验训练样本较少，形状特征参数的选用等原因。表2 水下结构物缺陷样本图像识别结果样本图像训练样本识别样本识别结果裂缝缺陷82正确全面腐蚀82正确坑蚀82正确冲蚀61错识别成坑蚀缝隙腐蚀62正确焊缝腐蚀41错识别成缝隙腐蚀总计4010试验表明，利用树形分类器进行水下结构物的缺陷识别是可行的，系统对典型缺陷的识别效果较好，但对一些具有缺陷交叉的焊缝腐蚀缺陷的识别效果不尽人意。另外，试验中由于分类器训练的缺陷图像样本数较少，也是影响造成错识别的原因。5 结束语基于图像处理和模式识别理论开发的水下结构物缺陷自动检测系统，有效地完成了水下结构物表面缺陷的识别。这个系统是由摄像头捕捉水下结构物表面缺陷图像，自动检测出缺陷区域的轮廓，计算出缺陷的特征参数。其中，使用中值滤波和小波变换结合的方法进行去噪处理；采用二窗法确定图像二值化的阈值。系统通过提取缺陷子图像的特征参数，采用树形分类器对水下结构物表面缺陷进行正确的分类。试验表明，采用该方法进行缺陷识别效果较好，而且识别结果对水下结构物的安全可靠性评估具有一定的指导意义。参考文献1 方华灿, 赵学年, 陈国明. 海底管线腐蚀缺陷的安全可靠性评估J.石油矿场机械, 2001,30(6):1-4.2 白庆本, 韩兆福. 基于CCD成像和计算机图像处理技术的火炮内膛自动检测J. 计算机测量与控制, 2002, 10(2): 124-126.3 王然冉, 李界家. 图像的自动采集分析和实现J.