基于图像信息融合的焊缝无损探伤研究

刘 丽，郭新兴，姚海芳，周 杰

（1.西安石油大学电子工程学院，陕西西安710065；2.西安电子科技大学智能控制与图像处理研究所，陕西西安710071）

焊接是油气管道生产过程中重要一环，焊接质量的好坏直接影响到管道的敷设、运行。焊接中可能会出现裂纹、气孔、等缺陷，如果不能在出厂时就有效准确地对检测出这些缺陷，就会对油气输送管道的安全运行造成隐患。因此，对于焊缝的无损探伤研究十分必要，及时检测出焊缝中存在的缺陷，进而可以避免事故的发生。

Itti等人提出一种在局部特征对比的基础上建立基于空间域的视觉计算机模型，将输入图像的颜色、灰度、方向用不同尺度表示出来。这种基于生物学结构的计算方法，存在分辨率低，轮廓的精准度不高的缺点[1]。文献[2-3]提出了利用X射线焊缝图像缺陷提取法，但有时存在漏检问题。文献[4]中，薛景浩等人提出了一种识别效果较好的阈值化分割算法，但是速度慢，并需要人工设置阈值。孙庆文等人的文献[5]提出的基于Retinex与小波相结合的算法，并进行双边滤波降噪生成的显著图，具有受背景影响小、噪声少的优势，但是存在准确性和效率的问题。图像的信息融合技术[6-8]就是利用不同的算法得到的不同的图像进行处理融合的过程[9]，可以分为像素级，特征级[10]和决策级3种。图像的融合可以从高频，低频分析并建立模型进而融合，也可以从其他多信源道进行，目的都是能够保留尽可能多的原始图像信息。

1 算法总框图

针对上述问题，论文研究了图像信息分层融合和小波分割的思想，对管道焊缝无损探伤图像进行缺陷区域的识别预处理，取得了较好的效果。本文先对底层信息提取显著图的方法进行研究，进行实验，发现LC方法速度最快，故采用基于LC的显著性特征区域提取方法获得底层信息的粗略显著图。然后，结合小波分割算法得到中层次信息的粗略显著图。再进行归一化处理，最后利用信息融合算法完成特征区域的融合，获得最终的显著图，为后续焊缝缺陷的快速高效识别提供基础，如图1所示。

图1 总框图

2 算法说明

2.1 Itti算法

论文根据Itti等人提出的生物框架创建来建立显著性模型，结合输入图像颜色、亮度和方向3个方面的特征，利用多尺度分析计算获得显著性图，算法框图如图2所示。

由于管道焊缝缺陷区域背景单一，Itti方法从亮度和方向两方面对图像进行处理。亮度方面，利用高斯金字塔；方向方面，利用拉普拉斯金字塔和Gabor滤波器对图像进行处理。以及选择不同的亮度方向权值对图像显著图的影响。Itti算法对于管道焊缝识别效果，如图3所示。Itti算法缺点在于，根据图形所需要求，需要不停调整权值，离实用有一定差距。

图2 Itti算法框图

图3 Itti算法效果处理图

2.2 AC算法

Itti方法通过高斯金字塔实现了在不同尺度上计算显著性，需要平滑和放缩特征图，导致特征显著图清晰度和分辨率损失。随着研究的不断深入，Achanta等人对此进行了改进，提出了一种频域方法来计算显著性图。AC方法采用LAB颜色特征，采用欧式距离计算特征距离。AC方法不对特征图进行缩放，而是改变一个感知单元的邻域大小，通过计算感知单元在不同邻域上的局部对比度来实现多尺度显著性计算[11]。用多个尺度的模糊图的显著性相加来获得最终的显著性。具体实现上，用这个式（1）表示：

其中N1和N2是像素的个数，ν是对应于一个像素的特征向量，距离D是欧式距离。仿真结果分析：利用AC算法实现多种管道焊缝缺陷类型的区域识别，发现在对焊缝中裂纹的提取效果比利用Itti方法识别效果更好。可能是因为裂纹是二维空间的面状缺陷，一般自然裂纹的宽度较小，在Itti算法的Gabor滤波过程中可能会被当做噪声过滤掉。

2.3 其他方法

FT算法的核心如式（2），其中Iμ为图像的直流分量，即对应每个颜色通道的均值。为高斯滤波后的图像[12]。

LC算法的核心如式（3），其中Ii的范围是[0，255]。就是每个像素的显著性值是其和图像中其他的所有像素的某个距离的总和，这个距离一般使用欧式距离。

3 几种算法的效果图对比

利用4种不同的算法对图4和图5两类管道焊缝图像进行提取处理，发现在背景区域不明显的地方，AC方法在保存图像信息上较其他几种方法较好。但是在对背景区域明显的图像中，对焊缝中裂纹的提取效果的快速性上，利用LC算法较其他方法识别快。

图4 焊缝检测的效果对比图

针对图4的焊缝检测图，观察发现AC算法是检测效果最好的一个。图4的裂纹是二维空间的面状缺陷，一般自然裂纹的宽度较小，背景区域暗，AC较其他方法损失信息少。

图5 焊缝检测的效果对比图

图5是背景区域与检测区域对比度很明显的部分，不存在或较少存在信息的丢失，故利用的4种方法效果都比较理想。所以在底层方法处理这类图像时，只需要选取检测速度快的即可。

4 中层次显著图的获取

近年来，小波领域研究非常活跃，特别是在信号和图像处理领域取到了快速发展。本文利用小波分割获取中层次显著图。二维图像的分解与重建过程已经有了较为深入的研究。首先在分解的时侯，从x方向与y方向两个方向单独对行和列的值按照隔二抽一的方法进行。其次，为了保证重建时较好的结果，采用与一维信号类似的原则，即在重建时，可以在每两列、每两行之间插入一列零和一行零[16]。离散的小波变换的可以由下面的形式表示：

图6 二次小波变换示意图

二次小波变换的示意图6所示，一次小波解析可以将输入的图像分为4部分，其中H为高频，L为低频。

显著图的产生G(x,y)可由式（4）得到，其中原图的低频部分为Lmap和高频部分为Hmap。

5 图像信息融合

像素级图像融合提取的图像信息最多，因此应用范围也比较广泛[13-14]。图像融合有很多算法:主成分分析法[15]（PCA），模拟退火法，加权平均法，HIS变换[17]和小波方法[18]等。由于不同的算法具有不同的优缺点，互补算法也是根据具体情况来确定的。本文中采取的信息融合是利用加权平均的方法，将源图像对应像素的灰度值进行加权平均，生成新的图像，它是最简单最直接的融合方法。其中平均方法是加权平均的特例，使用平均方法进行图像融合，提高了融合图像的信噪比。两幅图的如何结果可以用相关系数来表示，系数越大说明结果越好。

论文得到中层次信息粗略显著图和低层次信息粗略显著图，两幅显著图之间相互补充，加权融合后可以得到最终的显著图。

上式（5）中，∂是连接中层次信息粗略显著图和低层次信息粗略显著图的平衡参数。在融合过程中，为了获取中层次信息粗略显著图和低层次信息粗略显著图的最佳融合，在不同的融合参数下，对2幅焊缝缺陷图片得到中、低层次信息粗略显著图进行加权融合。

仿真处理分析：从表1可以得出结论，经过多幅图形的比较，收到了良好的效果，利用LC和小波分割算法进行粗提取，归一化处理融合后的图像较之前的速度上有了显著提高。

仿真结果分析：利用AC算法实现多种管道焊缝缺陷类型的区域识别，发现在对焊缝中裂纹的提取效果比利用Itti方法识别效果更好。可能是因为裂纹是二维空间的面状缺陷，一般自然裂纹的宽度较小，在Itti算法的Gabor滤波过程中可能会被当做噪声过滤掉。但是，LC算法效果一般，速度上较AC算法缺提升了10倍以上。利用图像显著性的LC改进方法，再结合小波分割的方法共同提取焊缝缺陷，可以有效提高管道焊缝缺陷射线检测图像中可能含缺陷区域提取的快速性。

表1 测试方法与时间对比

6 结束语

论文采用基于LC的显著性特征区域提取方法获得底层信息的粗略显著图，结合小波分割算法得到中层次信息的粗略显著图。再进行归一化处理，最后利用信息融合算法完成特征区域的融合，获得最终的显著图，为后续焊缝缺陷的快速高效识别提供基础。本文只对管道焊缝缺陷区域的提取做了较为深入的研究，而且提出的方法也存在一些局限，只是从底层显著图的快速性上提高进而获得全局检测速度的提高。由于问题的复杂性和不确定性，图像分割方面还需下一步深入研究。