基于局部二值模式的射线图像增强算法

张利明，李建忠，刘国奇，王 强，李新蕾

（1.杭州华安无损检测技术有限公司，杭州 310023；2.新疆科瑞检测科技有限公司，克拉玛 834018）

焊接作为连接构件的一种基本工艺方法，广泛应用于石油化工、建筑、航天、航空、造船、冶金、锅炉、铁路、电子、机械及国防等多种领域。为了保证焊接构件的产品质量，在焊接构件投入使用前，需要对其进行无损检测。射线检测以其检测结果直观、检测灵敏度高、便于定性定量判定等优点在无损检测领域应用广泛。

当前的射线检测技术，主要依靠人工对获取的底片或图像进行评定，操作者需要长时间盯着观片灯，评片效率低、劳动强度大；且由于评片人员的素质不一，易造成误判和漏评。通过引入机器视觉系统，由摄像头自动采集射线图像，然后通过后台计算机进行缺陷的自动识别，这种方式有效地解决了人工评片的效率及评判不一等问题。

JB／T 4730.2—2005《承压设备无损检测 第2部分：射线检测》中对缺陷按性质划分为裂纹、未熔合、未焊透、条形缺陷和圆形缺陷五类。这些缺陷在X射线图像中，有各自明显的特征（如图1）。

图1 X射线图像的缺陷示例

通过分析图像，焊缝的X射线图像最大的特征主要包括：

（1）噪声大，对比度低

在扫描焊缝射线图像过程中，由于时间和空间等因素的影响，图像存在时间噪声和空间噪声。时间噪声主要是由于射线源输出特性的不稳定性引起的；空间噪声主要来自两方面：一方面是射线照相系统本身造成的；另一方面是工件焊缝表面的焊纹、飞溅等外部原因造成的。由于射线照相系统自身条件的限制，获取的图像对比度低，灰度范围小，在灰度直方图上表现为窄的凸峰。

（2）缺陷边缘不清晰

所有射线源的焦点都是有一定尺寸的，根据射线的直线投影原理，缺陷所得图像的边缘无疑会有一定的宽度，从而产生几何不清晰度；另外成像系统本身也存在固有不清晰度。

为克服上述缺点，笔者提出一种基于局部模式的图像增强算法，在经过降噪处理后的图像基础上，提取图像每个像素的局部二值模式特征，并且按照其主方向的不同，分配不同的二值权重，达到加强裂纹、未熔合、未焊透、气孔、条形缺陷和圆形缺陷等缺陷的目的。与现有的X射线图像增强算法不同的是［1－3］，基于局部二值模式增强后的图像，虽然在视觉上不能和原来图像一致，但是可以增强缺陷特征和背景之间的对比度，为基于模式识别缺陷创造了相对干净的输入，进而取得更好的缺陷识别效果。

1 局部二值模式

局部二值模式（Local Binary Pattern，LBP）是一种用来描述图像局部纹理特征的算子，是Ojala等人在2000年提出的一种具有对称形式、体现空间局部信息的，用于纹理分析的局部二值模式［4］。

该模式是对图像的每个像素，在其3×3邻域内，以当前像素值为阈值，考察当前点邻域内其他所有8个邻接点，如果其像素值大于或等于该阈值，那么用“1”表示该点的值，若小于，则用“0”表示。这样就得到了当前像素纹理单元的二值表示，构成该像素的一种局部纹理。然后对这些邻域的点，分别乘以不同的权重，再将相乘后的值累加，即得到该点的局部二值模式的值。值得注意的是，这里所累加的权重，取值都是以2为底数的幂指数，最小权重为20，最大权重为27。这样，在原始图像的每个像素的灰度级数取值为0～255，提取局部二值模式累加权重后的取值区间仍在0～255。图2给出了一个像素的LBP特征计算示例：对于图像（a）中的一个像素，获取其3×3邻域（b）及其像素值（c），（d）显示了其邻域二值化后的结果，然后将二值化后的结果分别乘以（e）中相应位置的权重并累加，即得到该像素的一个纹理单元的局部二值模式的值（为30）。

图2 局部二值模式计算示例

由LBP的定义，LBP具有以下优点：

（1）LBP只计算一个邻域内的灰度值差异，提取的是局部信息，而不像其他纹理特征描述的是全局的信息。

（2）由于LBP的比较过程只有两种情况，一是大于等于当前像素值，另一种是小于当前像素值。所以当要处理图像的值全相等时，那么处理边缘像素，其他像素的LBP值也都相等；同样，当图像灰度是单调变化时，区域内也是除了边缘外其他所有像素的LBP值相等。只有当图像的灰度变化为非单调时，其LBP的值相对比较敏感。

（3）LBP计算时，进行周围8个像素的值的大小比较，并转化为10进制数，因此LBP计算的复杂度非常小。

上述LBP的特性，使得LBP特征非常适用于纹理分析，也非常容易与其他方法相结合，可应用于工业检测上。但LBP也有缺点，其本质上是灰度之间的一种比较，可以看做是一种求梯度的过程，因此它对灰度非单调变化或微小变化比较敏感。在实际使用中，需要考虑结合其他方法来避免这种缺陷。

2 基于局部二值模式的焊缝图像增强

将局部二值模式应用在焊缝射线检测图像增强中，需要克服其对非单调变化和微小变化敏感的两个缺点。在焊缝图像中，由于图像本身存在噪声，使得图像中可能存在许多会影响LBP表达的微小变化；同时对于待检测的缺陷，包括裂缝、未熔合、未焊透等，其轨迹一般表现出非单调变化，而且在局部内变化的曲线带有不同的方向性，也会干扰LBP特征的表达。

对于噪声，可以通过引入图像去噪的方法消除噪声的影响。图像去噪是图像处理中的常用技术，其过程是根据一些已知的“降质模型”，从降质图像恢复原图像，即求在某种最优意义下的原图像估计。数字图像噪声处理方法一般可分为空域处理和频域处理［5］。空域噪声处理方法主要包括：领域平均法、中值滤波、维纳滤波等；频域处理方法是指图像经过傅里叶变换（FFT）后，利用已设计好的低通滤波器滤除高频噪声。

为了克服LBP在描述缺陷特征的方向性变化的缺点，笔者通过观察分析，引入了梯度方向直方图和不同的权重排列，来增强描述LBP的方向信息。

2.1 权重排列对LBP特征值的影响

为了考察不同的权重排列对于LBP特征值的影响，首先固定权重的排列顺序为顺时针，分别考察两种情况：① 从大到小，或从小到大的顺序。② 序列首元素在不同位置上。下面结合图像说明此两个因素对LBP值的影响。

图3 权重排列对LBP的影响

如图3所示，3（a）中为权重按照顺时针从小到大的顺序排列，其右边3张图，第一张为原始图像，第2张为序列首位置在左上角对应的LBP特征值，第3张为序列首位置在右上角对应的LBP特征值；可以发现原图像中的3条竖条纹在增强图像后显得特别明显。图3（b）中和3（a）不同的是，改变权重的排序为顺时针从大到小。图3（b）中并没有发现增强后的图像有明显的条纹状出现。

通过比较可以发现，不同的排列顺序对LBP特征值的影响较大，而相同排列不同位置则对LBP特征值的影响较小。

更进一步，笔者考察不同排列顺序是如何影响LBP特征值的。图4给出了缺陷特征的4种典型模拟，其中白色区域代表缺陷的边缘，灰度值用255表示；黑色信息代表背景，灰度值用0表示。图4（a）～（d）分别为缺陷边缘的4种方向的模拟。分别看图中的A，B两个点，显然希望增强后的图像中的A，B两个点的值差别越大越好，这样才能达到增强缺陷边缘的目的。

同时，构造了3种权重的排列方式。如图5所示。

当选用图5（a）的顺序排列时，图4（a）～（d）的A，B的LBP特征值的差值的绝对值分别为＞128，＞128，＜128，＜128。而当选用5（b）的顺序排列时，图4（a）～（d）的A，B的LBP特征值的差值的绝对值分别为＜128，＜128，＞128，＞128。可以看出，对于图4（a），（b）采用图5（a）的权重序列的增强效果明显，而图4（c），（d）采用图5（b）的权重序列的增强效果明显。然而，还有一种可能的方向，比如缺陷中的气孔，其不符合图4中的任何一种情况。这种情况下，应选择图5（c）的距离中心近的权重大的排列方式。

图4 局部区块缺陷边缘的4种方向模拟

图5 权重排列的3种方式

2.2 基于LBP的图像增强

基于上节的讨论，可以针对不同方向的缺陷特征图像，选择不同的权重序列来计算LBP，从而实现增强缺陷特征的目的。对于如何估计缺陷特征图像的方向，可以采用梯度方向的直方图来判断。由于图像梯度的方向，正好和图4给出的缺陷特征方向成垂直关系，那么可以通过构造图像的梯度方向直方图来判断主方向，从而进一步确认该缺陷图像的主要方向。梯度方向直方图产生的具体算法：

（1）首先对于输入图像I进行必要的去噪处理后，计算其梯度图像，对于每个像素点I（x，y）由式（1）（2）分别得到其梯度模长 m（x，y）和方向θ（x，y）：

（2）对于每个单元中的像素，将其方向按照最近距离量化，分别量化到4个固定方向上，即如图6（a）所示的0°，45°，90°，135°的4个方向，累加其对应的梯度模长，就形成一个4维的梯度方向直方图，如图6（b）所示。

图6 梯度方向直方图生成

综上，基于局部二值模式的焊缝图像增强的主要步骤为：

（1）对输入图像，选择图像去噪的方法消除噪声。

（2）构造梯度方向直方图，估算其缺陷特征图像的主方向。

（3）根据主方向选择相应的权重序列，计算LBP图像，达到增强缺陷特征的效果。

3 试验结果及分析

将基于局部二值模式的增强算法应用在实际的X射线焊缝缺陷图像中，部分增强效果如图7所示。

图7 基于局部二值模式图像增强效果

试验结果表明，这种图像增强的方法适合于带有缺陷特征的图像，虽然不能在视觉效果上完全不失真的增强，但是增强结果可以极大地方便后续的特征分割和识别。

4 结语

提出一种基于局部二值模式的图像增强算法，它方法简单、易于实现，应用在焊缝射线检测底片图像智能识别上，有明显的突出缺陷特征的效果。同时，局部二值模式特征不仅可以用在图像增强算法上，而且可以作为一种特征描述，进一步应用在焊缝图像缺陷识别上。

［1］ 丰国栋.数字化X线摄影图像增强方法研究［D］.合肥：中国科学技术大学，2009：40－54.

［2］ 韩得水，王明泉，王玉，等.基于同态滤波与直方图均衡化的射线图像增强［J］.电视技术，2013，37（7）：20－22.

［3］ 杨振亚，陈裕泉，潘敏，等.基于Curvelet变换的X射线图像增强［J］.计算机科学，2010，37（3）：275－277.

［4］ OJALA T，MATTI P，TOPI M.Gray scale and rotation invariant texture classification with local binary patterns［C］／／Computer Vision－ECCV 2000.Berlin：Springer Berlin Heidelberg，2000：404－420.

［5］ 宁媛，李皖.图像去噪的几种方法分析比较［J］.贵州工业大学学报，2005，34（4）：63－66.