基于頻域信息與梯度特征融合的接觸軌面缺陷檢測

趙奕開 鄭樹彬 李立明

摘 要：為了提高針對接觸軌表面缺陷的檢測效率，提出一種基于頻域信息與梯度特征的軌面缺陷檢測算法。四元數傅里葉變換算法可以通過圖像顏色、亮度、與運動特征來計算圖像顯著性，分析獲得圖像的頻譜和相位;并在空域中計算構建相應的缺陷目標顯著圖，得到缺陷區域;并通過以圖像梯度算法與四元數傅里葉變換結合的方式進行顯著圖像效果增強，最終完成檢測，且進行了實驗驗證。實驗結果表明，融合算法對于接觸軌中常見的若干種缺陷類型都能夠做到實時、穩定、快速的識別分析，且誤檢、漏檢率較低。

關鍵詞： 接觸軌缺陷檢測;顯著性檢測;四元傅里葉變換;圖像梯度

【Abstract】 In order to improve the efficiency of rail surface defect detection， a rail surface defect detection algorithm based on frequency domain information and gradient features is proposed. Quaternion Fourier transform algorithm can calculate image saliency by image color， brightness， and motion characteristics， and get the spectrum and phase of the image; then calculate and construct the corresponding defect target saliency map in spatial domain to get defect area; and enhance the image effect by combining image gradient algorithm with quaternion Fourier transform， finally complete the detection. The results are tested and verified by experiments. The experimental results show that the algorithm can identify and analyze several common types of defects in contact rails in real time， stably and quickly， and the rate of false detection and missed detection are low.

【Key words】 ?track defect detection; saliency detection; quaternion Fourier transform; image gradient

0 引 言

在地鐵運行系統中，穩定的電源供應是保證機車運行的必要條件之一，大部分地鐵線路主要采用具有結構簡單、穩定性好、簡潔美觀等優點的接觸軌受流方式。但由于常年高強度的使用，表面常會出現許多缺陷，如擦傷、疤痕、裂痕等，對列車的行駛安全造成隱患。本文將針對常見缺陷提出一種更高效簡便的檢測算法。

2007年，Hou等人 [1]提出了譜殘差顯著性檢測算法（spectralresidual，SR），根據圖像的頻譜信息計算圖像顯著性;該方法具有原理清晰、代碼簡潔、無需調整參數的特點。除此之外，還有基于傅里葉頻率調諧的顯著性檢測算法（frequency-tuned，FT）[2]、基于圖像簽名的顯著性檢測（image signature，IS）[3]以及基于脈沖離散余弦變換的顯著性檢測算法（pulse discrete cosine transform，PCT）[4]等。在基于傅里葉變換的圖像顯著性檢測中，Guo等人[5]提出了一種針對圖像亮度特征進行傅里葉變換的圖像顯著性檢測模型（phase spectrum of quaternion Fourier transform，PFT），通過得到相位譜的傅里葉反變換定義圖像顯著性。得到了優于其他基于相同原理算法的顯著圖;并在此基礎上提出了使用圖像的2個獨立顏色特征、一個亮度特征和一個視頻序列的運動特征來計算視頻顯著性的基于四元數的傅里葉相位譜顯著性檢測模型（phase spectrum of quaternion Fourier transform，PQFT）[5]。該顯著性檢測模型結合了圖像中包含的靜態特征與運動特征進行檢測;并且四元數傅里葉變換算法相對于傳統傅里葉變換算法來講彌補了其只能處理單一特征的缺點。不僅如此，由于PQFT算法融合了運動特征，因此在視頻序列的顯著性檢測上也具有很好的表現。

為了提高針對接觸軌表面常見缺陷的檢測效率，本文提出一種基于圖像頻域信息與梯度特征的軌面缺陷檢測算法。首先，本文采用同態濾波預處理的方法，設計了針對高、低頻分量影響不同的濾波函數，減弱圖像低頻部分，擴大高頻部分，做到既減弱圖像噪聲影響，同時又增強了缺陷目標和背景的對比度。其次，以圖像梯度算法與PQFT算法結合的顯著圖像增強算法，分析獲得圖像的頻譜和相位譜，通過計算在空域中構建相應的缺陷目標顯著圖，得到缺陷區域，最終完成檢測。本文對此擬展開研究論述如下。

1 缺陷顯著性檢測

本文檢測算法流程如圖1所示。其中，接觸軌成像系統由負責拍攝的高速面陣相機、負責恒定亮度的LED光源以及負責調整角度的高精度相機調節設備等部分共同組成。

研究中，為消除采集到的圖像效果因外界因素干擾而產生對后續檢測造成的不必要影響，本文將通過同態濾波處理的方式對圖片進行預處理，加深缺陷區域與普通無傷軌面的對比差異;同時對圖像進行頻域空間幅值信息的分析與獲取相位譜信息;再通過圖像梯度算法來對圖像做進一步處理，突出邊界信息，最終實現顯著性區域的識別，完成檢測。

2 缺陷檢測算法

2.1 圖像濾波預處理

同態濾波屬于頻域濾波的類別。同態濾波的優點在于可以解決普通頻率濾波難以解決的乘性噪聲或卷積性噪聲（非線性噪聲）。

通過對此類噪聲進行一系列數學運算可將其轉換成加性噪聲，再用線性濾波方法進行分離處理，處理結束后再通過反變換運算輸出處理后的圖像。其運算流程如圖2所示。

2.3 基于圖像梯度與四元數傅里葉變換算法結合的顯著圖像增強

為了進一步提高上文所得到缺陷顯著性圖的清晰度，本文將圖像梯度與PQFT算法相結合，來有效實現顯著信息增強。

在一幅圖像中，圖像梯度能夠表現為邊緣與結構的關系;視覺顯著性則可以表示一幅圖像中針對人類視覺最具吸引力的區域。

因此研究中可將上述2種表現方式結合，即當圖片中的待檢測區域既有邊緣結構、又同時為視覺顯著性區域時，則可更清晰地得到缺陷顯著圖[9]。實驗結果如圖5所示。由圖5可以觀察到，利用此種算法可以更加精準地獲得接觸軌面缺陷顯著性圖。

作為數字圖像處理的重要內容，梯度算法可以加強體現圖像中重要目標和均質背景之間的突出變化。邊緣檢測是圖像梯度性質最常應用的領域，其最重要性質是梯度方向體現在圖像灰度最大變化率上[10]。而在現場采集圖像中存在常見缺陷的接觸軌表面上，發生缺陷的區域通常有著灰度值變化率較大的特點，故而可據此特點有效區分出背景區域與目標區域。同時，圖片通過梯度算法處理后可以大幅減少數據量，消除大部分冗余背景信息，且保留了圖像中顯著度較高的邊緣信息。研究推得該計算方法及公式表達可做重點闡釋如下。

3 實驗驗證與結果分析

本文算法有效性的檢驗與實現是在Inter Core 2.6 Ghz CPU 4 GB內存4 GB Win10系統的PC機上通過Matlab軟件進行識別檢測。缺陷檢測類型為常見的4類缺陷，即：疤痕、劃痕、波紋擦傷、麻點。樣本圖像檢測效果圖如圖6所示。

由于現場采集圖像樣本有限，本文通過對現有圖片進行旋轉、對稱、裁剪、加噪等方法擴充實驗樣本數量，并對實驗結果進行記錄。分別記錄其有效檢測數量、漏檢數量、誤檢數量，并隨即計算出檢測率、漏檢率、誤檢率、此后再與其它算法檢測結果進行橫向對比。其中，記錄x表示缺陷檢出個數，y表示漏檢個數，z 表示誤檢個數，n為缺陷樣本總個數，各檢測指標的數字定義為：檢測率D=x/n，漏檢率L=y/n，誤檢率E=z/n。算法檢測結果對比見表1。

4 結束語

針對接觸軌表面常見缺陷檢測的實時性要求，以及對傳統檢測算法干擾噪聲較多、檢測效果以及效率不理想的問題，本文提出了一種基于圖像頻域信息與梯度特征的軌面缺陷檢測算法。通過融合同態濾波方法去除光照不均勻的影響，構建了四元傅里葉變換顯著性檢測模型，同時通過融合圖像梯度信息，最終實現了精準分割提取缺陷區域。

在實驗驗證中，通過本文算法對單幅圖像進行平均檢測的時間僅為34 ms，本文算法的優點在于：不僅檢測速度快、準確度高;且算法復雜度低，對于接觸軌中常見的若干缺陷種類，其平均檢測率達到了95%，有效降低了缺陷的漏檢率和誤檢率，且完全能夠滿足現階段接觸軌的檢測需求。

參考文獻

[1]HOU Xiaodi，ZHANG Liqing. Saliency detection： A spectral residual approach[C]/ / 2007 IEEE Computer Society Conference on Computer Vision and Pattern Recognition（CVPR 2007）. Minneapolis， Minnesota， USA： IEEE Computer Society，2007： 1-8.

[2]ACHANTA R，HEMAMI S，ESTRADA F，et al. Frequency-tuned salient region detection[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami， FL， USA： IEEE Computer Society，2009： 1597-1604.

[3]YU Ying， WANG Bin， ZHANG Liming. Pulse discrete cosine transform for saliency-based visual attention[C]//Proc of the 8th IEEE International Conference on Development and Learning.Shanghai， China：IEEE Press，2009： 41-46.

[4]HOU Xiaodi， HAREL J， KOCH C. Image signature： Highlighting sparse salient regions[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（1）：194-201.

[5]GUO Chenlei，MA Qi，ZHANG Liming.Spatio-temporal saliency detection using phase spectrum of quaternion Fourier transform[C]//2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR 2008）. Anchorage， Alaska， USA： IEEE Computer Society，2008： 2908-2915.

[6]ITTI L，KOCH C，NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（11）： 1254-1259.

[7]ENGEL S，ZHANG Xuemei，WANDELL B.Colour tuning in human visual cortex measured with functional magnetic resonance imaging[J]. Nature，1997，388（6637）：68-71.

[8]SANGWINE S J，ELL T A.The discrete Fourier transform of a colour image[C]//Image Processing II Mathematical Methods，Algorithms and Applications.Chichester UK：IEEE， 2000： 430-441.

[9]GUPTA R，CHAUDHURY S.A scheme for attentional video compression[J].Pattern Recognition and Machine Intelligence，2011，6744：458-465.

[10]鄧亞蒙. 圖像梯度與譜殘差結合的顯著性檢測方法[J].哈爾濱商業大學學報（自然科學版），2016，32（1）：80-83，94.