基于混合活动轮廓模型的超声相控阵NDT图像分割

刘永洛 王文强 马立武

摘 要：超声相控阵无损检测图像中往往含有大量的噪声且灰度不均匀，严重降低了超声相控阵图像质量。在采用常规方法分割超声相控阵NDT图像时，往往陷入局部最优解，无法获得准确的边界信息。基于LCV模型和改进的GAC模型，提出一种新的分割方法，结合图像全局信息、局部信息和梯度信息构造了新的能量函数约束轮廓曲线的演化，并结合梯度信息与局部信息提出了一种新的边缘停止函数，引入新的边缘停止函数使模型的抗噪性更强。实验结果表明，该模型能够处理灰度不均匀图像，且对初始轮廓和噪声不敏感。与以往算法相比，可有效避免陷入局部最优解。

关键词：活动轮廓模型;缺陷分割;超声相控阵;图像分割;无损检测

DOI：10. 11907/rjdk. 181831

中图分类号：TP317.4文献标识码：A文章编号：1672-7800（2019）001-0192-05

Abstract： The ultrasonic phased array NDT image contains a lot of noise and intensity inhomogeneity， which seriously reduces the quality of ultrasound phased array images. It is inclined to fall into the local optimal solution and unable get the accurate boundary information when using general methods to segment ultrasonic phased array NDT images. Combining the advantages of LCV model and improved GAC model， a hybrid active contour model is proposed. The new energy function utilizes global information， local information and gradient information of image to constrain the evolution of the contour. The new parameters of the regularization term and the penalty term are given respectively in the model. A new edge indicator function is proposed based on gradient information and local information. The new edge stopping function makes the model more robust. The experimental results show that the proposed model can deal with the image with intensity inhomogeneity， and it is insensitive to the initial contour and noise. Compared with the previous algorithm， the proposed method can avoid falling into the local optimal solution effectively.

0 引言

超聲相控阵是无损检测领域的一项新兴技术，凭借其无污染、穿透性强、安全性高等优点成为当前使用最广的无损检测方法之一。随着超声相控阵无损检测技术在工业中的应用，对超声相控阵无损检测图像的处理也提出了更高要求，完整而准确的边缘信息是超声相控阵无损检测图像三维重建和缺陷识别的重要前提。由于超声成像机理和检测环境的限制，超声图像中不可避免地存在漫反射噪声，严重降低了超声图像质量[1-2]，给超声图像分割带来很大困难。超声相控阵NDT图像往往存在不止一处缺陷，基于水平集算法的活动轮廓模型适用于多目标分割，可得到完整的闭合轮廓信息，但是由于超声相控阵NDT图像中含有大量噪声且灰度不均匀，因此使用以往的分割方法无法准确分割目标。

近年来基于水平集算法的活动轮廓模型是一个研究热点。针对不同种类的图像以及不同的分割要求，学者们提出了大量的改进算法：基于水平集算法的分割模型主要分为基于边缘、基于区域和混合模型，基于边缘的活动轮廓模型通常利用图像梯度信息建立能量函数，如Caselle等[3]提出的GAC模型，在边界不明确的情况下，GAC模型很难使轮廓曲线收敛到真实边界。基于区域的活动轮廓模型建立在图像灰度均匀统计假设基础之上，例如CV模型假设图像中前景和背景灰度是均匀的，因此CV模型在分割含噪声图像时效果较差，但其计算复杂度低，对初始轮廓曲线位置不敏感[4]。

单独利用图像的梯度信息或区域信息往往不能达到实际需求，因此学者们提出了大量混合模型，混合模型将图像的梯度信息、区域信息联合使用以达到较好的分割效果。文献[5]利用分水岭变换和灰度统计信息得到权重矩阵，提出了一种基于分水岭算法的加权核映射水平集模型，减少了水平集函数迭代次数且分割精度较高。文献[6]在纹理图像的分割中，在能量函数中融入了局部高斯分布拟合项并考虑局部自相似性，提出了一种自相似性水平集模型，可有效分割具有合成或自然问题的图像。文献[7]结合图像的局部和全局特征，构造了一种新的非线性自适应速度和加权概率停止力，可有效分割弱边缘图像。文献[8]提出了一种自适应局部区域型水平集分割算法，在局部区域中使用自适应梯度权重信息，在灰度不均匀图像的分割中取得了较好效果。文献[9]利用图像局部信息和全局信息提出了一种混合模型，对初始轮廓具有较高的鲁棒性，提高了模型分割灰度不均匀图像的效率和准确性。文献[10]提出了一种基于显著性区域检测和水平集的图像快速分割算法，利用元胞自动机模型得到图像的初始化边界曲线，采用改进的距离正规化水平集方法实现了高效的图像分割。文献[11]在粗糙集数据离散化基础上引入了针对图像数据的离散化方法，在人工合成图像和真实图像的分割中取得较好效果。文献[12]将局部熵的概念引入到图像分割中，提出了一种基于局部熵的主动轮廓模型，与LBF模型和LGDF模型相比具有更高的分割精度。文献[13]利用边缘特征和区域信息构建能量泛函，提出了一种基于多纹理模型的参数化分割方法。文献[14]将局部拟合能量和全局拟合能量融合，在灰度不均匀图像分割中取得一定成功。文献[15]利用线性检测器的线性组合，提出一种可有效分割彩色视网膜血管图像的方法。文献[16]提出了一种混合能量模型，包含一个基于图像灰度的局部项和一个有效的基于间断的全局项， 用于优化动脉图像分割。文献[17]利用活动轮廓模型成功进行了海陆分割。

超声相控阵无损检测图像中含有散斑噪声，上述方法在超声相控阵NDT图像的分割中并不适用，目前针对超声相控阵NDT图像的分割方法很少，因此亟需提出一种新的方法来满足分割要求。

1 相关模型

1.1 LCV模型

式（1）中，[c1和c2]分别是闭合曲线内部与外部的灰度均值， [d1和d2]分别是闭合曲线内部与外部的局部灰度均值。[gk]是局部信息检测的平均卷积算子，具有[k×k]大小的窗口。[α]和[β]是控制全局能量项与局部能量项比重的两个正参数，[α]和[β]一般根据图像中的灰度信息确定。[Hε（z）]和[δε（z）]分别为Heaviside函数及Dirac函数。

LCV模型利用了图像的局部信息和全局信息，可有效分割灰度不均匀图像，但在超声相控阵NDT图像的分割中，很容易将图像中的噪声作为目标区域分割出来，大大降低了LCV模型的分割质量，因此迫切需要一种新的模型应用于超声相控阵NDT图像的分割。

1.2 水平集模型

李纯明等[19]提出了一种新的GAC模型变分公式，将水平集函数近似为符号距离函数，因此该模型不再需要复杂的重新初始化过程。能量泛函如下：

2 本文模型

2.1 能量函数

超声相控阵无损检测图像中含有特殊的散斑噪声，在使用LCV模型、CV模型、LBF模型等进行分割时极易将噪声分割出来，极大降低了分割精度。本文在改进的GAC模型和LCV模型基础上提出了一種混合模型，该模型可同时利用图像的局部信息、全局信息和梯度信息，模型如下：

在该模型中，在灰度较均匀的区域以改进的GAC模型为主要驱动力，而在靠近目标边缘的区域，由于灰度变化剧烈，则以LCV模型为主要驱动力。提出的模型充分利用了图像信息，提高了分割精度，同时对图像中的噪声和初始轮廓位置不敏感，实验结果后续给出。

2.2 算法基本步骤

本文分割方法步骤如下：①输入超声相控阵NDT原始图像;②对原始图像进行预处理，使用高斯滤波去除噪声，滤波算子尺寸为3×3，标准差为1.5;③初始化水平集轮廓曲线;④设定模型中的各参数，具体数值如表1所示;⑤开始水平集函数迭代，根据式（8）和式（9）更新[？]和[ω]，根据式（10）更新[μ2（1-ω）]和[ωμ2+1-ω];⑥检查是否满足迭代停止条件，如达到停止条件则停止演化，否则返回步骤5;⑦输出分割结果。

本文模型算法流程如图1所示。

3 实验结果及分析

实验中使用的图像由超声相控阵仪器Phasor XS生成，实验环境为MATLAB R2016a，CPU 为Intel（R） Core（TM） i5-4590 处理器，主频为3.30GHz，4G RAM，Windows 7操作系统。

3.1 本文模型分割效果演示

将本文模型和其它模型在超声相控阵NDT图像上进行实验，图2和图3分别为原始图像和人工分割结果。

文献[14]基于CV模型和LBF模型提出了LCV模型。本文进行5组实验，为充分验证本文模型对超声相控阵NDT图像的分割能力，实验中所有模型均采用适当参数，以提高所有模型的分割效果。5种模型的分割过程与结果见图4-图8。

在原始图像中可以看到一条明显具有干扰性质的竖线，这对分割精度产生极大的影响。在图4-图6中，CV模型、LBF模型和LCV模型无法克服此干扰，图7虽然可以看到该模型克服了竖线影响，但轮廓曲线并未收敛到真实边界。在超声相控阵无损检测图像分割中， 通过大量实验得到各模型的合理参数值，表1给出了各模型参数的设置。

3.2 本文模型分割效果评价

为了评价分割效果，利用Hausdorff距离、Jaccard相似系数、Precision（精度）[20]和Recall（查全率）评价图像分割质量。Hausdorff距离是度量空间中真实子集之间的距离，可用来度量图像分割中边缘匹配的精度。根据该定义，可以知道Hausdorff距离越小的图像分割效果越好。Jaccard相似系数是有限样本集间相似性或差异性的度量，可作为衡量图像分割质量的参数，用来度量自动分割和人工分割之间的相似性。根据Jaccard 相似系数原理可将其定义为：首先给定两个集合A和B， Jaccard 相似系数可表示为A与B交集和A与B并集的比值：

4 结语

本文提出了一种基于LCV和改进GAC模型的超声相控阵无损检测图像融合分割方法。该融合算法利用超声相控阵NDT图像的局部信息、全局信息和梯度信息，在运行时间和迭代次数上均有较好性能。该算法以最少35次的迭代收敛到目标边缘，比LCV算法运行时间稍长，但比其它模型效率高很多。客观评价表明，该方法的精度优于其它模型，提高了分割精度，可以获得更精确的目标边缘，对超声相控阵NDT图像三维重建与缺陷定量分析具有重要意义。

参考文献：

[1] 杨晓霞. 超声相控阵汽车发动机内腔腐蚀检测关键技术研究[D]. 天津：天津大学， 2014.

[2] 樊程广. 超声相控阵超分辨率成像方法研究[D]. 长沙：国防科学技术大学， 2014.

[3] CASELLES V，KIMMEL R，SAPIRO G. Geodesic active contours[J]. International Journal Computer Vision， 1997，22（1）：61-79.

[4] CHAN T，VESE  L. Active contours without edges[J]. IEEE Transaction on Image Process， 2001， 10 （2）：266-277.

[5] ZHANG Y C，GUO H，CHEN F， et al. Weighted kernel mapping model with spring simulation based watershed transformation for level set image segmentation[J]. Neurocomputing， 2017（3）： 249-250.

[6] LIU L X，FAN S M，NING X D， et al. An efficient level set model with self-similarity for texture segmentation[J]. Neurocomputing， 2017（5）：266-267.

[7] 周凤丽，于海平，龚江河. 非线性自适应水平集的图像分割方法[J]. 软件导刊，2017，16（7）： 191-194.

[8] 刘帅，夏莉，周燕飞，等. 自适应局部区域型水平集分割算法 [J].计算机系统应用，2017， 26（11）： 145-151.

[9] 蔡青，刘慧英，周三平，等. 基于局部和全局信息的自适应水平集图像分割[J]. 强激光与粒子束，2017，29（2）：28-35.

[10] 叶锋，李婉茹，陈家祯，等. 基于显著性区域检测和水平集的图像快速分割算法[J]. 電子与信息学报，2017， 39（11）： 2661-2668.

[11] 张迎春，郭禾. 基于粗糙集和新能量公式的水平集图像分割[J]. 自动化学报，2015， 41（11）： 1913-1925.

[12] 潘改，高立群，赵爽. 基于局部熵的主动轮廓模型[J]. 中国图象图形学报，2013， 18（1）： 78-85.

[13] LUO S，TONG L，CHEN Y. A Multi-region segmentation method for SAR images based on the multi-texture model with level sets[J]. IEEE Transactions on Image Processing， 2018，27（5）：2560-2574.

[14] BOUTICHE Y. Fast algorithm to minimize model combining dynamically local and global fitting energy for image segmentation[C]. The 3rd International Conference on Control， Engineering & Information Technology （CEIT）， Tlemcen， 2015：1-6.

[15] BISWAL B， POOJA N T，BALA SUBRAHMANYAM. Robust retinal blood vessel segmentation using line detectors with multiple masks[J]. IET Image Processing ，2018，12（3）：389-399.

[16] JAWAID M M， RAJANI R， LIATSIS P， et al. A hybrid energy model for region based curve evolution-application to CTA coronary segmentation[J]. Computer Methods and Programs in Biomedicine，2017（144）： 189-202.

[17] 于芳，梁英杰，昂朝群. 基于几何活动轮廓的海陆分割方法研究[J]. 软件导刊，2016， 15（11）： 190-192.

[18] WANG X， HUANG D， XU H. An efficient local Chan-Vese model for image segmentation[J]. Pattern Recognition，2010， 43（3）：603-618.

[19] LI C M， XU C Y. Level set evolution without re-initialization： a new variational formulation[C]. San Diego： Computer Society Conference on Computer Vision and Pattern Recognition， 2005：430-436.

[20] 张石， 董建威， 佘黎煌. 医学图像分割算法的评价方法[J]. 中国图象图形学报， 2009， 14（9）： 1872-1880.

[21] PENG B， ZHANG L， MOU XQ. Evaluation of segmentation quality via adaptive composition of reference segmentations[J]. Ieee Transactions On Pattern Analysis And Machine Intelligence，2017， 39（10）： 1929-1941.

（责任编辑：杜能钢）