基于三維塊匹配與改進Top-hat的紅外圖像目標檢測方法

馬 烜，鄒金慧

(1.昆明理工大學(xué)信息工程與自動化學(xué)院，云南 昆明 650500；2.云南省礦物管道輸送工程技術(shù)研究中心，云南 昆明 650500)

0 引言

紅外熱成像無損檢測技術(shù)是一種新的無損檢測技術(shù)。它具有快速、檢測效率高、大范圍、直觀、全天候及可遠距離非接觸檢測等優(yōu)點。其檢測原理為：對被測物進行加熱，同時使用熱像儀記錄被測物體的溫度場，由于被測物體中有缺陷部分與無缺陷部分的導(dǎo)熱性不同，將產(chǎn)生熱流的不均勻，從而造成被測物體中有缺陷和無缺陷部分各自對應(yīng)的溫度不同，從而可以判定是否存在缺陷[1]。

紅外熱成像無損檢測系統(tǒng)易受干擾，獲取的紅外圖像普遍存在噪聲大、對比度低、非均勻背景干擾的問題。因此，增強紅外圖像對比度，突出圖像中的目標信息就成為了紅外無損檢測技術(shù)中的重要研究內(nèi)容[2-4]。學(xué)者們提出了許多圖像增強方法，主要有濾波器、數(shù)學(xué)形態(tài)學(xué)[5]、小波變換[6]處理等方法。這些方法雖然取得了一定的效果，但是對于復(fù)雜背景干擾下處理效果不理想。針對在復(fù)雜背景干擾下難以精確檢測出紅外目標的問題，本文提出了基于三維塊匹配與改進Top-hat的紅外圖像目標檢測方法。

1 BM3D和改進Top-hat變換

1.1 三維塊匹配

設(shè)原始含噪圖像為：

z:X→R,z(x)=y(x)+η(x)

(1)

式(1)中，x∈X是坐標點，y表示去噪圖像，η表示高斯噪聲。BM3D算法可分為基礎(chǔ)估計部分和最終估計部分[7-9]。

BM3D算法第一步為基礎(chǔ)估計部分。首先選定參考塊，并以此參考塊為中心在一定區(qū)域內(nèi)搜索此參考塊的相似塊，塊之間相似度的大小為：

(2)

(3)

將所有處理完的圖像塊進行像素點的加權(quán)平均，從而重構(gòu)出基礎(chǔ)估計圖像。

(4)

基礎(chǔ)估計已經(jīng)完成，接著對初步去噪圖像進行最終去噪，重復(fù)進行上述步驟，與基礎(chǔ)估計不同的是將硬閾值濾波替換為維納濾波，維納濾波的收縮系數(shù)為：

(5)

經(jīng)過最終估計之后得到最終的去噪圖像。

圖1 BM3D去噪原理圖Fig.1 BM3D denoising schematic

1.2 改進Top-hat變換

傳統(tǒng)Top-hat變換只使用單一的結(jié)構(gòu)元素，雖然能夠抑制大部分背景，但在復(fù)雜背景下仍會殘留少量噪聲和雜波干擾，也會腐蝕目標區(qū)域的邊緣信息，這對于后續(xù)的目標檢測非常不利[10-14]。因此，提出改進Top-hat變換利用多尺度結(jié)構(gòu)元素來估計背景圖像。

其中，圓形結(jié)構(gòu)元素是常用結(jié)構(gòu)元素之一，如圖3所示，ΔS為一個平面圓環(huán)形的結(jié)構(gòu)元素，ΔS=So-Si，So為外層的平面圓形結(jié)構(gòu)元素，Si為與So同心的內(nèi)層結(jié)構(gòu)元素。Sb和So為大小相等的平面圓形結(jié)構(gòu)元素。

圖2 結(jié)構(gòu)元素Fig.2 Structural element

設(shè)n個尺度的結(jié)構(gòu)元素被使用，結(jié)構(gòu)元素在每個尺度i(1≤i≤n)上的大小尺寸逐漸改變，如式(6)和式(7)所示。

Soi=So+i×nB

(6)

Sbi=Sb+i×nB

(7)

式中，nB為結(jié)構(gòu)元素尺寸大小增長的步長。

改進的Top-hat變換利用兩個具有相同形狀的圓形結(jié)構(gòu)元素Sb和So，ΔS=So-Si。基于Sb和ΔS，提出了新的開閉算子，其定義如下：

f·Soi=(f⊕ΔS)ΘSb

(8)

f·Soi=(fΘΔS)⊕Sb

(9)

白帽和黑帽運算可定義為：

NWTH(x,y)=f(x,y)-f·Soi

(10)

NBTH(x,y)=f·Soi-f(x,y)

(11)

對于開閉運算f·Soi和f·Soi來講，如果所處理的區(qū)域不是目標區(qū)域，這樣就可能導(dǎo)致在運算操作中會產(chǎn)生負的灰度值。因此，NWTH和NBTH可修改定義為如下的形式：

NWTH(x,y)=max((f(x,y)-f(x,y)·Soi),0)=
f(x,y)-min(f(x,y)·Soi,f(x,y))

(12)

NBTH(x,y)=max((f(x,y)·Soi)-f(x,y),0)=
max(f(x,y)·Soi,f(x,y))-f(x,y)

(13)

從定義中可以看出，改進的Top-hat變換相比于經(jīng)典Top-hat變換在膨脹和腐蝕運算上順序相反，并且采用結(jié)構(gòu)元素ΔS和Sb，充分地利用了結(jié)構(gòu)元素的邊界信息，更好地凸顯了目標區(qū)域信息。

2 基于三維塊匹配與改進Top-hat的紅外圖像目標檢測方法流程

主動式紅外無損檢測中的紅外圖像存在非均勻背景干擾、噪聲大、邊緣模糊、局部對比度差的共性問題，且存在的噪聲主要為高斯噪聲，集中在頻域中高頻部分。現(xiàn)有圖像增強方法在去噪同時對于圖像邊緣信息損失較大、頻域中高頻部分噪聲難以去除，且經(jīng)典Top-hat算法主要存在結(jié)構(gòu)元素選取單一、對于復(fù)雜背景圖像目標檢測精度低等缺陷。鑒于此，本文提出了基于三維塊匹配與改進Top-hat的紅外圖像目標檢測方法，該方法首先采用三維塊匹配算法對紅外圖像進行濾波，在濾波的同時能更好地保留圖像的邊緣信息；其次構(gòu)建改進Top-hat算子，利用不同大小、不同形狀的結(jié)構(gòu)元素對濾波后圖像進行背景估計，得到校正后圖像。最后對校正后圖像進行閾值分割，得到目標圖像。流程如下：

1) 將采集過來的紅外圖像，利用BM3D算法進行去噪，提高圖像的對比度。

2) 對去噪后圖像利用改進Top-hat算法消除圖像的非均勻背景干擾，得到校正后圖像。

3) 將校正后圖像進行閾值分割，得到目標圖像。

圖3 紅外圖像目標檢測方法流程圖Fig.3 Flow chart of infrared image target detection method

3 實驗及結(jié)果分析

3.1 實驗概述

本實驗采用實驗室自主研發(fā)的電渦流加熱無損檢測裝置對試件進行檢測研究。檢測系統(tǒng)中主要包括熱像儀、電渦流加熱裝置、上位機和其他裝置。紅外熱像儀型號為HT18，其光譜響應(yīng)范圍為8～14，熱靈敏度為0.07 ℃，測試測量精度±2%或±2 ℃。脈沖激勵裝置為實驗室自主研發(fā)的電渦流加熱裝置。檢測時，電渦流加熱裝置與熱像儀置于被測物體上方，如圖4所示。

圖4 紅外圖像目標檢測方法示意圖Fig.4 Schematic diagram of infrared image target detectionmethod

試件為一塊鐵制部件，鐵制部件內(nèi)部含有不同方向的缺陷，使用檢測系統(tǒng)進行檢測，從4種不同缺陷的紅外圖像序列中各選取一幀進行分析。本實驗選取尺度數(shù)為n=9，So=Sb=10，ΔS=2。

3.2 結(jié)果處理分析

對實驗中獲取的紅外圖像采用本文提出的方法進行目標識別，并將處理結(jié)果與經(jīng)典Top-hat算法處理結(jié)果進行對比，如圖5所示。

圖5(a)為實驗采集的原始圖像；圖5(b)為原始圖像的三維灰度分布圖； 圖5(c)為經(jīng)典Top-hat算法對原始圖像進行目標識別的對應(yīng)實驗結(jié)果圖；圖5(d)為經(jīng)典Top-hat算法三維灰度分布結(jié)果圖；圖5(e)為本文算法對原始圖像進行目標識別的對應(yīng)實驗結(jié)果圖；圖5(f)為本文算法三維灰度分布結(jié)果圖。通過本文方法與經(jīng)典Top-hat算法的實驗結(jié)果

圖對比可以看出，經(jīng)典Top-hat算法在分割紅外圖像目標時雖然分割出了目標信息，但圖中分離出的目標均含有不同程度的虛警信息，且部分出現(xiàn)目標斷裂，使得目標信息失真，難以準確識別圖像中的目標區(qū)域，對于后續(xù)的特征提取、目標跟蹤、識別等處理會造成很大的影響。而本文提出的算法能夠更精確地檢測出紅外圖像目標信息。從圖5(e)中可以看出，本文提出的方法準確地分割出了紅外圖像的目標信息，沒有虛警信息。其主要原因為本文方法在圖像去噪的同時較好地保存了圖像邊緣和細節(jié)上的信息，且改進Top-hat算法利用不同大小、不同形狀的結(jié)構(gòu)元素更好地抑制了背景干擾，使得后期紅外圖像分割更加準確。

圖5 方法對比結(jié)果圖Fig.5 Method comparison result diagram

為了更好地驗證本文提出算法的有效性，本文采用背景抑制因子BSF、均方誤差MSE和峰值信噪比PSNR來評價本文算法的有效性，實驗結(jié)果如表1。

峰值信噪比定義如下：

(14)

式(14)中，Yij和Xij分別表示去噪后圖像和原始圖像，m、n分別表示圖像的行列。

PSNR值越大，表明對于圖像的去噪能力越強。

均方誤差定義如下：

(15)

式(15)中，Yij和Xij分別表示去噪后圖像和原始圖像，m、n分別表示圖像的行列。

表1 不同算法性能比較Tab.1 Comparison of performance of different algorithms

MSE值越大，表明圖像失真越嚴重。

背景抑制因子定義如下：

(16)

式(16)中，σout和σin分別為去噪后圖像均方差和原始圖像均方差。

BSF值越大，表明圖像背景抑制效果越好。

由表1結(jié)果可知，本文提出算法得到的圖像在均方誤差MSE值上有顯著下降，并且在峰值信噪比PSNR和背景抑制因子BSF值上有所提高，說明該算法在增強對比度和非均勻加熱背景抑制方面均好于經(jīng)典Top-Hat算法。

4 結(jié)論

本文提出了基于三維塊匹配與改進Top-hat的紅外圖像目標檢測方法，三維塊匹配算法在濾波同時可以更好地保護圖像邊緣信息；改進Top-hat變換利用不同大小、不同形狀的結(jié)構(gòu)元素更好地解決了主動式紅外圖像中存在的非均勻加熱背景干擾的共性問題，從而使得后期圖像的分割更加準確。仿真實驗結(jié)果表明，本文提出的方法能夠有效地增強紅外圖像對比度、抑制噪聲干擾、減弱非均勻加熱背景的影響，從而突出紅外圖像目標信息，使得復(fù)雜背景干擾下紅外圖像目標檢測更加準確。為后續(xù)的特征提取、目標跟蹤、識別等處理奠定了基礎(chǔ)，具有較廣泛的應(yīng)用價值。