基于滤波和相位拉伸变换的红外图像分割处理

姬龙鑫，冯辅周，2，万 安，朱俊臻

（1.陆军装甲兵学院车辆工程系，北京 100072；2.南昌航空大学无损检测技术教育部重点实验室，江西南昌 330063）

0 引言

装备长期运行过程中，关键结构承受较大载荷，导致表面或内部产生疲劳裂纹和冲击损伤等缺陷，需要及时进行检测和维修，以确保装备性能的正常发挥，同时避免装备损伤或恶性事故的发生。红外热像检测是一种新型无损检测技术，具有快速高效、结果直观的特点[1]。然而，由于设备性能影响和检测环境干扰，从采集到的红外图像中往往难以直接分辨出缺陷位置及尺寸信息。红外图像去噪和分割是红外热像检测的关键环节之一，对于实现装备结构高效检测、掌握装备结构状况具有重要意义。图像去噪是消除红外图像中的噪声影响，图像分割是将红外图像中的缺陷区域进行分离提取。目前，国内外对图像处理的研究十分广泛，其中图像去噪方法主要分为空域法和变换域法，图像分割方法主要有阈值分割、区域分割、边缘分割等[2]。其中，阈值分割是基于图像的灰度特征来设置全局或局部阈值，实现灰度图像的二值化；区域分割是通过一些种子点和相似性准则来扩充区域直到该类别的边界；边缘分割主要利用边缘处灰度级会发生突变来检测图像边缘来实现分割[2]。

红外热像检测是一种新型无损检测技术，能够有效检测装备结构缺陷，图像处理是红外热像检测的关键环节之一。针对现场检测到的红外图像对比度低、信噪比不高、视觉效果差等问题，提出一种基于滤波和相位拉伸变换的红外图像特征增强与缺陷分割处理方法，它包含算术运算、降噪、分割的红外图像处理步骤，可在增强图像特征的基础上，自动分割缺陷区域。

目前红外热图像分割技术主要存在如下两个难点：一是红外热像仪性能和环境干扰等原因导致红外图像受噪声影响较大，容易导致误分割；二是热扩散效应导致缺陷区域与非缺陷区域之间的灰度值变化平缓，难以准确检测缺陷边缘。针对现有算法的不足，本文以含微裂纹的金属平板为对象，采用中值滤波和高斯滤波相结合的方法去除红外图像噪声，采用相位拉伸变换实现缺陷区域的分割定位。

1 红外图像的采集和预处理

1.1 红外热像检测原理

红外热像检测是采用主动式受控激励源来激发被测对象的温度场分布，缺陷区域因界面摩擦、塑性变形等产生热量，热能传导至结构表面，距离缺陷区域最近的表面便表现出异常的温度分布[3]。因此，以结构表面温度为检测量，利用红外热像仪获取温度场信息，通过红外热图像可观测缺陷位置、尺寸等信息。

1.2 图像预处理

红外热图像包含的是每个像素点的温度信息，为便于观测与处理，先将其转换为灰度图像，再通过算术运算进行预处理，包括减背景和去除边缘效应两个步骤。

在施加主动激励前，被测结构具有初始温度，此时的图像称为背景图像；施加主动激励后，被测结构温度场随时间变化，用激励后的每一帧图像减去背景图像，得到反映被测对象温度变化的新图像。减背景操作可用公式表示为：I（x，y）=T（x，y）-N（x，y），其中（x，y）为图像的像素坐标，T（x，y）为激励后图像灰度值，N（x，y）为背景图像灰度值，I（x，y）为减背景后图像灰度值[4]。此外，边缘生热会影响检测结果，因此需采用一个相同尺寸且无裂纹的试件作为参照，以消除边缘生热的影响。

2 图像滤波去噪

红外检测图像易受噪声影响，噪声来源于图像获取和传输过程，主要包括系统本身引起的高斯噪声和环境干扰导致的椒盐噪声[5]。噪声信息影响结构表面温度分布情况，甚至会淹没缺陷信息本身，从而影响缺陷信息的判断。

滤波是在尽量保留图像细节特征的条件下对噪声进行抑制，处理效果的好坏直接影响后续图像处理分析过程。其中，高斯滤波对高斯噪声有较好的去除效果，中值滤波对椒盐噪声有较好的去除效果，两种滤波方式先后作用于红外热图像，即可有效去除大部分噪声[6]。

2.1 中值滤波

中值滤波是一种非线性滤波器，能有效去除红外热图像中的椒盐噪声，基本方法是把邻域中的像素值按照灰度级进行排序，然后选择该组数据的中间值作为输出像素值。中值滤波可以定义为公式（1）：

式中，g（x，y）和f（x+i，y+i）分别为输出和输入像素值，W 为模板窗口，可以取线状、方形、十字形、圆形等形状[7]。该窗口沿着图像逐像素滑动，在每次滑动期间内，窗口内的所有像素值按照大小排序，取排序后数据的中值替代原来窗口中心位置对应的像素值。

2.2 高斯滤波

高斯滤波是一种线性滤波器，能有效去除红外热图像中的高斯噪声，基本方法是采用滤波器窗口扫描图像的每个像素点，用窗口覆盖区域的加权平均值代替窗口中心位置对应的像素值。高斯滤波充分考虑窗口区域各像素值权重的大小，越靠近中心的权重越大，从而保证中心点与它近邻点的像素信息更接近，保留更多的图像总体特征[8]。红外热图像是一个二维矩阵，采用二维高斯函数作为平滑滤波器，其函数表达式为公式（2）：

式（2）中：滤波器窗口中心位置作为原点，x 和y 表示像素点在滤波窗口所对应的坐标值；σ 是标准差，σ 越大则高斯滤波器频带越宽，对图像平滑程度越好。

用于图像去噪的高斯滤波窗口需要对二维连续正态分布函数离散化，得到的高斯函数值作为模板的系数。对于大小为（2k+1）×（2k+1）的窗口，窗口中各元素的计算公式为：

图1 所示为一个高斯滤波曲面示意图和相应的滤波模板。滤波曲面是由大小为5×5，标准差σ=0.5 的窗口作为滤波器，窗口中心位置作为坐标原点得到的；滤波模板是通过式（3）计算得到各个图像像素坐标处的系数，再将各个系数同乘以左上角系数的倒数，即进行归一化处理，最后将归一化后的系数取整便得到的。由滤波曲面和模板更直观看出，高斯滤波更关注与像素点距离较近的像素值，即只对局部区域进行感知。

图1 高斯滤波模板窗口

2.3 去噪效果评价

红外热图像的去噪效果可通过视觉粗略评价，定量评价要通过信噪比（SNR）、峰值信噪比（PSNR）等图像质量评价指标的比较来实现[9]。信噪比定义如式（4），峰值信噪比定义如式（5）。

式（4）和（5）中，I（i，j）和K（i，j）分别表示降噪后图像和原始图像中像素点（i，j）处的灰度值，m、n 分别表示图像的行数和列数，表示去噪后图像中像素值的均值。

3 红外图像分割

相位拉伸变换（Phase Stretch Transform，PST）是一种新型图像分割方法，用于红外热图像的边缘检测，具有速度快、精度高的优点。PST 模拟电磁波在具有扭曲色散性质的衍射介质中的传播方式，将图像中具有不同特性的像素点区分开[10]。

在频域中变换的相位有助于检测图像中的边缘以及像素灰度值变化较快的位置。由于图像边缘和灰度值变化较快的位置包含较高的频率特征，因此PST 通过强调更高的频率特征可以突出图像的边缘信息，从而实现红外检测图像的分割[11]。对于灰度图像，即一个二维数组B[n，m]，定义PST 为：

其中，m、n 为二维时域变量，表示图像的长和宽；B[n，m]为输入图像；A[n，m]是输出相位图像；〈∠·〉是角度算子；FFT2 和IFF2 分别表示二维傅里叶变换和二维傅里叶逆变换；p、q 为二维频域变量；是非线性频率的相关描述，其定义如下：

其中，相位导数φ[p，q]定义为：

其中，a1，a2，b1，b2的取值为实数。

S 和W 是相位拉伸变换中需要定义的两个重要参数，决定PST 核的相位导数，确定应用于每个频率的相位量，控制边缘信息提取过程[13]。图2 给出了六个具有代表性的相位导数曲线，三个坐标分别表示p，q，PD[p，q]。由图2（a1，a2，a3）可以看出：S 的大小影响相位导数的取值范围，S 越大则相位导数的取值范围越大；由图2（b1，b2，b3）可以看出W 的大小影响相位导数的曲率，W 越大则相位导数的曲率越大。

4 实验结果与分析

4.1 实验系统和试件描述

搭建图3 所示涡流脉冲热像检测实验台，检测系统主要包括激励电源、红外热像仪、计算机、电磁线圈和水冷装置。激励电源产生高频交流电，并通过电磁线圈传导涡流激励，加热被测试件；红外热像仪型号为FLIR T640，用于连续获取被测试件表面温度信息；计算机主要控制热像仪，实现温度序列信号的采集与保存；电磁线圈为直径4 mm 的空心铜管。

图2 S 和W 的取不同值时的相位导数曲线

图3 涡流红外热像检测系统示意

被测试件为含疲劳裂纹的45 钢平板，如图4 所示。其中，平板长边一侧人工预制疲劳裂纹。此外，测试前在被测平板表面喷涂黑色哑光漆以提高表面发射率。

4.2 实验结果分析

对涡流脉冲激励下的红外热图像进行处理，包含图像预处理、图像去噪、图像分割三个步骤。

首先对红外图像进行预处理，包含红外图像灰度化、减背景、消除边缘效应。图5 为涡流脉冲激励发生后第5 帧的红外图像原图和转化得到的灰度图像。相比于原始红外图像，灰度图像更易于观察，且更能直观反映温度分布信息，每个像素点的灰度值代表对应坐标点的温度值，越亮的位置表示温度越高。

图4 被测试件

图5 涡流红外检测图像

图6 减背景处理结果

图6 为一个无裂纹试件和一个含裂纹试件红外热图像的减背景处理，a1 和b1 为背景图像，a2 和b2 图为减背景前图像，a3和b3 图为减背景后图像首先剪切被测试件区域。可以看出：含裂纹试件施加激励后裂纹区域温度异常，但图像对比度低，噪声严重，减背景后图像对比度得到明显增强，能够大致判断出裂纹位置。

图7 去除边缘生热影响

由图6 中减背景后图像看出，边缘区域灰度值高，说明边缘生热明显。为了减少边缘生热的不良影响，对减背景后图像作去除边缘生热处理，如图7 所示。其中，图7a 为去除边缘生热前图像，图7b 为去除边缘效应后图像，经对比看出：去除边缘效应消除了检测系统中线圈温度和边缘生热的影响，仅留下裂纹区域生热信息。

实验选取两幅预处理后灰度图像进行降噪处理，中值滤波选取5×5 方形模板窗口，高斯滤波采用大小为5×5，标准差σ=0.5 的窗口，滤波结果如图8 所示。预处理后的图像如图8a 所示，图8b 是采用中值滤波方法的结果，可以看出该算法去除了椒盐噪声，对缺陷位置细节保护的较好，但滤波效果并不理想；图8c 是结合中值滤波和高斯滤波的处理结果，该算法消除了高斯噪声，可直观地看出图像的去噪效果。

表1 算法对图像处理后的SNR 和PSNR 值

对处理后的图像分别计算相应的SNR 值和PSNR 值，定量说明图像去噪效果，得到的性能指标如表1。可以看出，去噪过程中图像的信噪比和峰值信噪比均得到提高，尤其是中值-高斯滤波方法，对图像去噪效果明显。

实验中采用不同的S 和W 值对两幅图像进行PST 分割，探究参数对分割结果的影响规律，结果如图9 所示。

从图9 可以看到，一些肉眼看不清楚的细节得到明显增强，PST 算法有效增强了缺陷的边缘，较精确的分割出缺陷区域。对比不同参数的分割结果，S=10，W=80 和S=100，W=10的分割效果较好并且边缘清晰，将缺陷位置完整地分割了出来。结果表明：大的S 使边缘提取具有抗噪能力，但是降低提取边缘信息的分辨率，大的W 使提取的边缘锐化，但是增加了边缘中的噪声。在分割过程中，需要结合图像类别，选取合适的参数值，以获得最佳分割效果。

图8 图像降噪结果

5 结术语

图9 基于PST 的图像分割结果

针对红外检测图像对比度低、信噪比不高导致无法准确分割出缺陷区域的问题，提出了一种基于算术运算、噪声去除、缺陷分割的红外图像处理算法。首先利用算术运算消除静态图像和边缘生热影响，其次采用中值滤波和高斯滤波相结合的方式去除噪声，最后通过相位拉伸变换对去噪后的图像进行边缘增强以分割缺陷区域，并分析了相位强度和扭曲度对分割结果的影响。研究结果表明，该算法在去除背景、抑制噪声的同时，精确分割了缺陷区域，对于红外热像技术在装备结构检测上的应用具有重要意义。但是，使用该方法分割后的图像依然需要通过人工判断缺陷，未达到自动化智能化识别缺陷的目标，还需要进一步的研究。