基于單尺度Retinex與改進的K-均值聚類的渦流熱成像缺陷檢測

張慶宇，范玉剛，高 陽

〈無損檢測〉

基于單尺度Retinex與改進的-均值聚類的渦流熱成像缺陷檢測

張慶宇1,2，范玉剛1,2，高 陽1,2

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

在利用渦流紅外熱成像技術檢測金屬材料損傷缺陷時，因熱波屬于衰減波，且熱波三維熱擴散等問題，導致采集的紅外圖像中缺陷部位模糊。針對該問題，提出一種基于單尺度Retinex與改進的-均值聚類的缺陷檢測方法，用于處理紅外圖像特征增強、圖像分割和邊緣特征提取等問題。該方法首先利用單尺度Retinex（single-scale Retinex, SSR）對紅外熱圖像進行圖像增強，強化缺陷特征，然后利用改進的-均值聚類算法對圖像進行分割，最后采用數學形態學算法處理圖像，去除缺陷圖像中無用信息，并利用Canny算子檢測出缺陷邊緣。實驗結果證明，該方法有效地檢測出金屬材料試件缺陷，并提取出完整清晰的缺陷邊緣。

渦流紅外熱成像；單尺度Retinex；圖像增強；-均值聚類；數學形態學；Canny算子

0 引言

金屬材料部件內部會產生裂紋和分層等損傷缺陷，這些缺陷影響設備的正常運行，形成生產安全隱患，并威脅工作人員的人身安全。因此，對設備關鍵金屬部件進行無損檢測，并判定設備運行狀態有著重要意義。作為一種無損檢測技術，脈沖渦流熱成像檢測技術利用電磁感應原理對金屬材料試件加熱，并對試件紅外熱圖像進行分析處理，其具有非接觸性[1]、實時性和準確性等優點，被廣泛應用于金屬材料的損傷檢測。例如文獻[2]通過渦流加熱得到鋼板的紅外熱圖像，利用超像素結合模糊C均值分割得到缺陷圖像，但其限制試件與紅外熱成像儀的距離。為了增強圖像的清晰度，馬忠麗[3]等學者利用SSR（single-scale Retinex, SSR）算法融合邊緣信息，解決海霧對圖像帶來的模糊影響；李衛東[4]等學者在SSR算法中，利用快速引導濾波代替高斯濾波，在保持圖像整體的同時也保留了細節部分。針對圖像的分割問題，Md Nasim Reza[5]通過-均值聚類對水稻米粒區域的Lab圖像進行分割；文獻[6]采用超像素聚類來引導-均值聚類，有效地分割葉子圖像中病害部分。為了提取連續的邊緣，Kumar[7]等人采用Canny算子準確地識別出預定義的像素組，有效地檢測目標圖像的邊緣；文獻[8]利用灰度變換結合Canny的邊緣檢測方法，改善了不連續成像問題；但Canny敏感性較高，檢測出缺陷邊緣的同時也包含了無用信息；楊信廷[9]等學者采用數學形態學進行圖像校正，避免無用信息對邊緣檢測的影響，提高邊緣的質量。上述研究涉及的圖像特征增強、圖像分割和邊緣特征提取等圖像處理技術，是基于紅外熱成像金屬材料損傷檢測問題的重要研究內容。

由于圖像種類過多，不同圖像有不同的分割與邊緣檢測方法，沒有通用的方法對所有圖像進行處理[10]。金屬材料試件受鍛造工藝影響，存在厚度不均勻和表面不平滑情況，導致局部溫度異常，紅外圖像局部與缺陷顏色相似，造成了缺陷定位、分割、特征提取的困難。針對上述問題，本文利用SSR算法突出紅外熱圖像中缺陷部分，通過改進后的-均值聚類分割圖像，并采用數學形態學結合Canny算子方法，去除缺陷部分圖像中的無用信息，并提取邊緣特征，檢測出金屬材料試件缺陷。

1 渦流熱成像缺陷檢測

1.1 渦流熱成像圖像增強

1.1.1 Retinex理論

Retinex理論由Edwin. H. Land[11]在1963年提出，是一種以色感一致性為基礎的圖像增強方法。其基本內容是物體的顏色由物體對長波、中波和短波光線的反射能力決定，即反射分量由輸入圖像(,)決定，降低或去除入射分量對輸入圖像(,)的影響。具體原理如下：

(,)·(,)＝(,) (1)

式中：(,)為輸入圖像的每個點；(,)為入射圖像；(,)為反射圖像；(,)為輸入圖像。

1.1.2 SSR算法紅外熱圖像增強

通過SSR算法增強紅外熱圖像較為明亮部分，減弱較暗部分，為準確地檢測出金屬材料試件的缺陷提供支撐，降低誤分割的機率。

SSR算法是Retinex理論中的基礎算法，算法流程如下：

①對反射圖像(,)、入射圖像(,)和渦流熱圖像(,)取對數，將反射光分量和入射光分量分離，即：

lg(,)＋lg(,)＝lg(,) (2)

②利用高斯卷積函數(,)對渦流熱圖像(,)進行卷積，得到卷積后的圖像(,)，即：

(,)·(,)＝(,) (3)

③對流熱圖像(,)減去卷積后的圖像(,)取倒數，并相減得到高頻增強的圖像(,)，即：

lg(,)－lg(,)＝(,) (4)

④取高頻增強的圖像(,)的反對數，得到增強后的圖像(,)，即：

exp(,)＝(,) (5)

1.2 基于改進的K-均值聚類的圖像分割

本文在SSR增強紅外熱圖像的基礎上，采用-均值聚類算法對紅外熱圖像進行分割。-均值聚類算法由Macqueen[12]首次提出，它是一種通過迭代尋找局部最優劃分的無監督算法。因聚類中心的數量對分割的結果起到決定性作用，為此加入標準差衡量不同聚類中心數量時每一聚類的所有像素值離散程度與關聯度，標準差越小，則該聚類中的所有像素值越相近。其具體過程如下：

①隨機選取個像素點O，＝1,2,…,作為初始的聚類中心，每個聚類中心代表一個聚類；

②計算所有聚類中每個像素點X與聚類中心的歐式距離：

式中：為第個聚類中像素點的數量。

③將所有像素點劃分給離其距離最近的聚類中心，當所有像素點被分配完畢，則會在每個聚類中重新計算次該聚類的聚類中心P，＝1,2,…,，直到每個聚類的誤差平方和達到局部最小。

④計算個聚類中心時每個聚類的標準差，＝1,2,…,。

⑤若第＋1個聚類中心所有聚類的標準差的最小值大于或等于第個聚類中心所有聚類的標準差的最小值則停止運算，選取為最優聚類中心數量。

利用標準差確定每一聚類中的像素關聯度，從而選取最優聚類中心數量，以避免圖像的誤分割，提高分割精度。但分割后的圖像存在無用干擾信息，影響缺陷的邊緣特征的提取，因此分割后的圖像仍需要去干擾處理才能得到更好的邊緣檢測結果。

1.3 缺陷邊緣檢測

由于分割后的紅外熱圖像存在無用信息，而Canny算子[13]在檢測出缺陷邊緣的同時也包含了這些信息。因此，采用數學形態學對被分割出的缺陷部分圖像進行處理，保證邊緣檢測的準確性。

腐蝕與膨脹是數學形態學中的最基本運算[14]，該運算使圖像的邊界收縮，以達到消除部分干擾的目的。腐蝕的具體過程為，用某個結構元素對分割后的紅外熱圖像進行探測，以便找出在圖像內部可放下結構元素的區域，表示為Θ。該方法定義為：

膨脹是腐蝕運算的對偶運算，該運算使圖像的邊界擴充，以達到填補目標區域的空洞目的。膨脹的具體過程為，用結構元素的所有點平移分割后的紅外熱圖像，然后計算其并集得到最終結果，表示為⊕。該方法定義為：

式中：⊕為空集。

利用開運算平滑圖像邊緣，去除無用信息，為Canny算子的邊緣檢測提供支撐。開運算的過程為先對分割后的紅外熱圖像進行腐蝕，然后對腐蝕后的圖像進行膨脹，表示為〇。該方法定義為：

缺陷圖像經數學形態學處理后，消除了無用信息，利用Canny算子提取圖像的邊緣特征，實現缺陷的檢測。

通過以上分析，可得渦流熱成像缺陷檢測流程，如圖1所示，首先通過SSR算法增強紅外熱圖像，突出圖像中的缺陷部分；然后利用-均值聚類分割圖像，得到缺陷部分的圖像；最后利用數學形態學結合Canny算子，去除缺陷部分圖像無用信息并提取邊緣特征。

圖1 渦流熱成像缺陷檢測方法流程

2 實驗結果與分析

渦流熱成像實驗平臺由渦流加熱裝置（如圖2所示）和紅外熱像儀組成，被測金屬材料試件如圖3所示。被測金屬試件為鐵板，試件尺寸為100mm×80mm×5mm，缺陷尺寸為10mm×1.5mm×5mm；紅外熱像儀采用鑫思特HT-18，其分辨率為220pixel×160pixel，測溫靈敏度為0.07℃。在調試好渦流加熱裝置之后，對被測金屬材料試件進行渦流加熱，加熱8s后進行圖像實時采集。

圖4(a)為紅外熱成像采集的試件紅外熱圖像，對缺陷面的試件進行渦流激勵時，因缺陷部位被空氣填充，渦流在此斷開，無法對缺陷部分加熱，導致缺陷部分溫度低，圖像的缺陷部分出現異常。對比圖4(a)與圖4(b)，被測金屬材料試件的熱成像圖像經SSR算法增強后，其較亮部分被增強，較弱部分被減弱，增強了圖像的對比度，使缺陷部分更加清晰。

將SSR算法增強后的圖像轉換為灰度圖，然后通過比較不同聚類中心數量時的每個聚類標準差中的最小值確定聚類中心數量，如表1所示，當聚類中心數量為5時，所有聚類標準差中最小值為0.0318，等于聚類中心數量為6時的所有聚類標準差中最小值，故最優聚類中心數量為5，分割結果如圖5所示。對比圖6(a)與(b)，經SSR增強后，圖像中的缺陷部分得到增強。

圖2 渦流加熱裝置

圖3 被測金屬材料試件

圖4 SSR增強前后對比圖像

表1 聚類標準差

由于分割后的圖像存在無用信息，因此采用數學形態學進行處理，如圖7(a)所示；最后對處理后的缺陷圖像進行Canny算子的邊緣檢測，如圖8(a)所示。對比圖7(a)和(b)，圖8(a)和(b)可以發現，沒有經過SSR增強后的圖像，缺陷部分的邊緣出現不完整的現象；Canny算子雖然識別出了所有的缺陷邊緣，但也同時包含大量無用信息，如圖8(c)所示，會在一定程度上干擾對缺陷的識別。

圖5 分割增強后的圖像

圖6 增強前后缺陷部分對比圖像

圖7 數學形態學處理增強前后的缺陷對比圖像

圖8 實驗結果對比圖像

3 結論

本文利用SSR算法對屬材料試件紅外熱圖像進行增強，然后通過標準差衡量聚類中所有像素的關聯度，從而選取最優-均值聚類的聚類中心數量，以避免缺陷圖像的誤分割，提高分割精度；最后通過數學形態學去除缺陷部分圖像中的無用信息，實現了對金屬試件缺陷的檢測，且提取到清晰的缺陷邊緣。本文方法解決了紅外熱圖像分割后，缺陷部位模糊、且存在無用信息等問題，實現了缺陷邊緣精準提取。

[1] 顧桂梅, 劉麗, 賈文晶. 一種鋼軌裂紋紅外圖像處理算法研究[J]. 鐵道學報, 2018, 40(11): 129-133.

GU Guimei, LIU Li, JIA Wenjing. Research of processing algorithms for rail crack infrared image[J]., 2018, 40(11): 129-133.

[2] XU Changhang, Xie Jing, Chen Guoming, et al. An infrared thermal image processing framework based on superpixel algorithm to detect cracks on metal surface[J], 2014, 67: 266-272.

[3] 馬忠麗, 文杰. 融合邊緣信息的單尺度Retinex海霧去除算法[J]. 計算機輔助設計與圖形學學報, 2015, 27(2): 217-225.

MA Zhongli, WEN Jie. Single-scale Retinex sea fog removal algorithm fused the edge information[J]., 2015, 27(2): 217-225.

[4] 李衛東, 彭琪. 基于混合映射的高動態范圍場景再現[J]. 光學精密工程, 2018, 26(12): 3051-3059.

LI Weidong, PENG Qi, High-dynamic range scenes reproduction based on hybrid mapping[J]., 2018, 26(12): 3051-3059.

[5] Md Nasim Reza, In Seop Na, Sun Wook Baek, et al. Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images[J]., 2019, 177: 109-121.

[6] ZHANGShanwen, WANG Haoxiang, HUANG Wenzhun. Plant diseased leaf segmentation and recognition by fusion of superpixel[J]. K, 2018, 157: 866-872.

[7] Kumar Gaurav, Umesh Ghanekar. Image steganography based on Canny edge detection, dilation operator and hybrid coding[J]., 2018, 41: 41-51.

[8] DI Haibin, GAO Dengliang. Gray-level transformation and Canny edge detection for3D seismic discontinuity enhancement[J]., 2014, 72: 192-200.

[9] 楊信廷, 孫文娟, 李明. 基于K均值聚類和開閉交替濾波的黃瓜葉片水滴熒光圖像分割[J]. 農業工程學報, 2016, 32(17): 136-143.

YANG Xinting, SUN Wenjuan, LI Ming. Water droplets fluorescence image segmentation of cucumber leaves based on K-means clustering with opening and closing alternately filtering[J]., 2016, 32(17): 136-143.

[10] 余成波, 曾亮, 張林. 基于OTSU和區域生長的電氣設備多點故障分割[J]. 紅外技術, 2018, 40(10): 1008-1012.

YU Chengbo, ZENG Liang, ZHANG Lin. Multi point fault segmentation of electrical equipment based on OTSU and region growth[J]., 2018, 40(10): 1008-1012.

[11] Land E, Mc Cann J. Lightness and Retinex theory[J]., 1971, 61(1): 1-11.

[12] Macqueen J. Some methods for classification and analysis of multi variate observations[C]//, 1965(1): 281-297.

[13] Canny J. A computational approach to edge detection[J]., 1986, 8(6): 679-698.

[14] 王寧, 陳方, 于博. 基于形態學開運算的面向對象滑坡提取方法研究[J]. 遙感技術與應用, 2018, 33(3): 520-529.

WANG Ning, CHENG Fang, YU Bo. A object-oriented landslide extraction method based on morphological opening operation[J]., 2018, 33(3): 520- 529.

Defect Detection of Eddy-Current Thermography Based on Single-Scale Retinex and Improved-means Clustering

ZHANG Qingyu1,2，FAN Yugang1,2，GAO Yang1,2

(1.,,650500,;2.,650500,)

When eddy-current infrared thermal-imaging technology is used to detect metal-material damage defects, the infrared image is susceptible to noise and may also contain useless information, which can result in blurring of damage defects. To address this problem, a defect-detection method based on single-scale Retinex and improved-means clustering is proposed to perform infrared image-feature enhancement, image segmentation, and edge feature extraction. First, the image is enhanced using single-scale Retinex. Additionally, the defect features are enhanced. Then, an improved-means clustering algorithm is used to segment the image. Finally, a mathematical morphology algorithm is used to process the image, which removes the useless information in the defective image and uses a Canny operator to detect the defect edge. The experimental results show that the method effectively detects defects of metal-material specimens and extracts complete and clear defect edges of the metal-material specimens.

eddy current infrared thermal imaging, single-scale Retinex, image enhancement,-means clustering, mathematical morphology, Canny operator

TN215

A

1001-8891(2020)10-1001-06

2019-07-15；

2019-08-23.

張慶宇（1995-），男，碩士研究生，河北省邯鄲市人，主要從事故障診斷、圖像處理。E-mail：280208691@qq.com。

范玉剛（1963-），男，副教授，山東省威海市人，主要從事故障診斷、數據挖掘。E-mail：ygfan@qq.com。

國家自然科學基金（61741310）。