改进高通滤波的圆柱滚子缺陷图像非线性反锐化掩模

钟美鹏，袁巨龙，姚蔚峰，吴喆

(1.嘉兴学院 机电工程学院，浙江 嘉兴 314001；2.浙江工业大学 超精密加工中心，杭州 310014；3.合肥工业大学宣城校区 机械工程系，安徽 宣城 242000)

滚子的表面缺陷会影响圆柱滚子轴承的可靠性及服役寿命[1-2]，基于机器视觉的圆柱轴承滚子缺陷自动识别可提高滚子分拣的效率与可靠性，滚子缺陷图像的增强预处理是缺陷识别过程的重要环节[3-4]。识别缺陷区域的大小是判断滚子工件是否合格的重要判据，为提高缺陷识别的可靠性，需要在缺陷区域提取前对滚子缺陷图片进行有效增强。

反锐化掩模是图像边缘增强的常用方法，其通过加强图像的高频成分突出图像的细节和边缘，并将低频分量从原始图像中去除从而实现图像增强。传统的反锐化掩模采用了线性高通滤波器，由于图像的细节和噪声同时被增强，即使很小的噪声，在图像平坦区域内也会非常明显。调整叠加系数的反锐化算法[5]、立方反锐化掩模技术[6]、自适应反锐化掩模技术[7]等方法的处理效果相对于线性反锐化掩模技术有所提高，但仍然会在平滑区引入人为噪声。文献[8-9]在自适应反锐化掩模技术的基础上提出了基于细节区域原理的分割算法，较好地抑制了平坦区的噪声，但由于采用传统高通滤波器，在采用低增强系数时对细节边缘的增强效果不足，而采用高增强系数时会产生明显的过冲现象。

针对现有反锐化掩模方法在滚子缺陷区域增强中存在的问题，提出一种采用改进高通滤波器的非线性反锐化掩模方法，在实现滚子缺陷边缘增强的同时抑制背景区域的噪声。

1 反锐化掩模

1.1 非线性反锐化掩模

非线性反锐化掩模(Non-Linearity Unsharp Masking，NLUM)算法能根据图像的灰度特性调节具有增强作用的加权系数，可非线性地增强滚子图像缺陷的边缘细节，提高缺陷区域分割质量。经过大量试验得出，决定增强程度的加权因数Kn(x，y)为[10]

(1)

式中：D0(x，y)为原始图像的灰度；M为图像的最大灰阶。

非线性反锐化掩模可根据原始图像缺陷特征的强弱实现不同强度的边缘增强处理,从而避免图像平坦区域的噪声被过分增强。

1.2 基于改进高通滤波的非线性反锐化掩模

当原始图像中缺陷区域边缘较为模糊时，传统反锐化掩模锐化项中所使用的高通滤波模板对细节边缘的增强效果不足，因此，引入一种基于卷积运算的低通滤波模板，其表达式为

B(x,y)=D0(x,y)H(m,n)，

(2)

式中：H(m，n)为低通卷积模板。若模板过小，图像反锐化掩模效果不明显；若模板过大，则低通滤波效果过于明显，会使反锐化掩模后的图像产生过冲现象。因此，选择5×5低通卷积模板，即

(3)

将改进的高通滤波器以及Kn(x，y)代入线性反锐化掩模[11]的表达式可得

Dp(x,y)=D0(x,y)+Kn(x,y)[D0(x,y)-

B(x,y)]，

(4)

式中：Dp(x，y)为处理之后的图像的灰度。

2 锐化及缺陷区域提取效果对比

2.1 量化评价指标

为验证反锐化掩模算法的有效性，对原始缺陷图像、线性及非线性反锐化掩模增强图像进行锐化及缺陷区域提取对比试验。选择分布分离指标(Distribution Separation Measure，DSM)作为滚子图像锐化效果的量化评价指标[12]。DSM是一种基于灰度概率分布的评价方法，其基本思想为：将待评价图像分为目标区域与背景区域，目标区域与背景区域的灰度概率分布会出现重叠，若图像增强效果较好，则目标区域与背景区域的灰度概率分布会偏向与分离，其定义为

(5)

式中：μ，σ分别为滚子图像中不同区域的均值与校准差；下标B，T分别表示背景区域与目标区域(缺陷区域)；上标O，E分别表示锐化前与锐化后。理想情况下，所获得的DSM值应大于0，且DSM值越大，表明锐化增强效果越好。若DSM值小于0，则表明增强效果较差。

锐化后先对图像进行二值化处理(阈值系数0.25)，再对二值化图像取反并使用边长为3的方形结构元素对图像进行开运算以达到滚子图像缺陷提取的目的。

2.2 试验条件

圆柱滚子加工表面质量监测装置如图1所示，圆柱滚子缺陷图像通过光源和CCD摄像头拾取，缺陷信号经视频采集卡传递到计算机，通过软件将缺陷信号处理成可视化信号。计算机对图像识别处理后，通过串口线将特征值发送给声光模块从而显示缺陷点数。

圆柱滚子外径面的展开图片中，边缘缺失及夹渣缺陷的边缘非常清晰，使用普通阈值分割即可。而麻点缺陷由于边缘不规则且缺陷区域灰度分布复杂，是缺陷提取中的难点。因此，选择2例圆柱滚子图像麻点缺陷来进行增强与提取，以验证非线性反锐化掩模方法的有效性。带缺陷的圆柱滚子如图2所示，其中1#滚子为群点缺陷，每个缺陷区域大小约1.2 mm×1.5 mm；2#滚子为单点缺陷，缺陷区域大小约1.5 mm×1.0 mm。

图2 带缺陷的圆柱滚子

2.3 对比分析

采用不同算法分别对群点缺陷及单点缺陷的滚子进行处理，缺陷图像及提取效果如图3和图4所示。

图3 不同算法对1#滚子的提取效果

图4 不同算法对2#滚子的提取效果

从图中可以看出：1)对于缺陷图像，采用传统线性反锐化掩模的增强效果较为均匀，即在缺陷区域得到增强的同时，背景区域的噪声及波纹也得到了增强；非线性反锐化掩模对缺陷区域的增强效果与线性反锐化掩模接近，但背景区域相对较为平滑；基于改进高通滤波模板的非线性反锐化掩模方法对缺陷区域的增强效果最为明显，背景区域也较为平滑，但是在局部区域出现了过冲现象。2)对于缺陷提取效果，原始图像的边缘较为模糊，缺陷区域提取后出现明显缺失，会影响缺陷大小的判断，进而影响滚子合格与否的判定；经过线性与非线性反锐化掩模增强的图像，由于缺陷边缘得到增强，缺陷提取区域更加接近真实缺陷，但由于增强效果有限，缺陷局部仍然出现了区域缺失，也会影响缺陷大小的判断；而基于改进高通滤波模板的反锐化掩模方法对缺陷区域的增强效果进行了改进，缺陷提取区域的大小最接近真实缺陷，尤其在一些难以增强的局部区域(图5中的实线框区域)，该方法也得到了较好的增强效果，成功获取了所需的目标区域。

图5 缺陷图像的目标区域

为进一步验证本文方法的有效性，计算3种不同的反锐化掩模方法对滚子缺陷图像提取后图像的DSM值，结果如图6所示。从图中可以看出,基于改进高通滤波模板的非线性反锐化掩模方法的DSM值最高，即具有最好的缺陷区域增强效果。

图6 不同增强缺陷图像的DSM值

3 结束语

通过引入改进的高通滤波器，提出一种改进的非线性反锐化掩模方法，并以圆柱滚子缺陷图像为处理对象进行了图像增强及缺陷区域提取试验，得出如下结论：

1)与线性反锐化掩模相比，非线性反锐化掩模可以在增强缺陷边缘的同时抑制背景区域的过分增强，但增强效果有限。在缺陷局部出现了区域缺失，影响缺陷大小的判断。

2)基于改进高通滤波模板的非线性反锐化掩模方法可以改善缺陷区域的增强效果，尤其在难以增强的细节区域。与线性及非线性反锐化掩模方法相比，本文方法增强后缺陷图像的DSM值最高，缺陷提取区域大小最接近真实缺陷。在后续研究中，将对该方法在滚子图像缺陷图像增强与提取过程中的自适应性进行进一步研究。