CN103217256A - 基于红外图像的局部灰度-熵差的泄漏检测定位方法 - Google Patents

Abstract

本发明是基于红外图像的局部灰度-熵差的新型泄漏检测算法，属于检测技术领域。算法的创新点是基于图像熵理论，对被测对象红外图像的局部熵进行了改进，得到了改进后的局部加权熵、局部方差加权熵、局部灰度-熵、局部灰度-加权熵与局部灰度-方差加权熵。针对以上六种改进了的算法，经大量实验检验得出，局部灰度-熵差算法的检测能力最强，进而确定了局部灰度-熵差算法的目标检测策略和算法流程，证实了其准确性与有效性。此算法不仅继承了原局部熵差法的优点，而且通过灰度信息的引入使其能够良好地反映图像的这一点是由熵信息体现的，熵信息反应灰度分布情况、突出高灰度区域的表现，敏感地检测出图像间的温度差，获得泄漏目标。

Description

基于红外图像的局部灰度-熵差的泄漏检测定位方法

技术领域

本发明涉及一种泄漏检测定位方法，尤其涉及一种基于红外图像的局部灰度-熵差的泄漏检测定位方法，属于检测技术领域。

背景技术

随着工业技术的不断发展，工业生产对产品气密性的要求也越来越高。由于工业应用的需要，利用气体的物理或化学特性的泄漏检测装置相继出现，如差压测漏仪、超声波检漏仪、卤素检漏仪等，但是这类仪器也存在检测精度低、检测效率低、成本高等缺点。

红外热像技术的出现给现代无损检测的发展带来了新的方向。与其他类型的检测方法相比，红外无损检测方法具备了许多突出优势：速度快、测量范围宽、检测结果形象直观；非接触测量，检测距离灵活；空间分辨率和检测精度较高等。

图像熵理论（N.R.Pal,S.K.Pal.Entropy:A New Definition and Its Applications[J].IEEE Transactions on Systems,Man and Cybernetics,1991,21(5):1260-1270.）在红外图像研究领域得到了广泛的应用。尤其利用多帧红外图像间的熵差进行容器气密性的检测更是成为长期以来气密性检测手段中的重点。

但是，图像的熵值主要反映了图像灰度分布的统计特性，并不能直接体现图像的灰度值特性。且在实际工程中，由于工作环境及红外图像噪声大等因素的干扰，尤其在容器泄漏量微小——小于11.55mL/min(0.1MPa)的情况下，单由红外泄漏检测装置获取的红外图像经过熵差处理的结果来看，很难对泄漏点进行准确定位。由于图像熵差在实际工程中、即对于主要靠识别灰度级别的突变从背景图像中提取目标的应用情况并不太适用，因此需要对图像熵算法进行改进来实现在泄漏量微小的情况下，降低虚警率，准确定位泄漏点。

发明内容

本发明的目的是为了解决在泄漏量微小的情况下，仅通过红外图像的熵信息无法准确定位泄漏点的问题，提供一种基于红外图像的局部灰度-熵差的泄漏检测定位方法。

本发明的目的是通过下述技术方案实现的。

本发明的基于红外图像的局部灰度-熵差的泄漏检测定位方法，具体步骤如下：

步骤一，基于现有的红外泄漏检测装置，采集被测对象充气前与充气后的红外图像A和B；

步骤二，设定大小为m×n的模板分别对A和B扫描计算，得出大小为m×n所有子图像对应的平均灰度值和灰度概率；

$\stackrel{\‾}{g}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(i,j)/m\×n$

$p^{*}(i,j)=f(i,j)/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(i,j)$

其中

为平均灰度值，f(i,j)为数字图像在坐标(i,j)处的灰度值，p^*(i,j)为灰度值f(i,j)在模板中的出现概率。

步骤三，计算每个子图像对应的灰度-熵值，进而得到图像A和B的局部灰度-熵矩阵；

$H_{\mathrm{ij}}=-\stackrel{\‾}{g}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{p}^{*}(i,j)\log \left[p^{*}(i,j)\right]$

$H_{m,n}=\left[\begin{array}{cccc}{H}_{11}& H_{12}& L& H_{1(M-m+1)}\\ H_{21}& H_{22}& L& H_{2(M-m+1)}\\ M& M& M& M\\ H_{(N-n+1)1}& H_{(N-n+1)2}& L& H_{(N-n+1)(M-m+1)}\end{array}\right]$

步骤四，计算图像A和B的局部灰度-熵差矩阵△H_BA，将其作为泄露检测的诊断因子；

△H_BA=H_B-H_A

步骤五，设定阈值δ=k·average（△H_BA），其中k为比例系数，当△H_BA中某一连续区域中的元素值均大于阈值，则判定该区域为泄漏区域，并计算该连通区域的质心，即可在图中得到泄漏中心；再通过对局部熵差阵△H_BA大于阈值区域对应的坐标值进行反向映射，即可得到被测对象泄漏点位置。

本发明的检测原理如下：

图像熵作为一项评价指标主要反映了图像灰度分布的统计特性。

在一幅灰度图像中，设其大小为M×N,图像的灰度级别范围为0≤g≤255，若整个图像中灰度级别为g的像素点在图中出现的的概率为p_g（灰度级别为g的像素数占图像M×N的比例为p_g），则根据香农熵的定义此灰度对应的信息熵可以表示为-p_glog(p_g)，整幅图像的熵H_F可以表示为不同灰度级别信息的熵的总和，如下所示：

$H_F=-\underset{g=0}{\overset{255}{\mathrm{\Σ}}}{p}_g\log \left(p_g\right)=-\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}p(i,j)\log \left[p(i,j)\right]$

其中，

$p(i,j)=f(i,j)/\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}f(i.j)$

其中，f(i,j)为数字图像在坐标(i,j)处的灰度值。

由于全幅熵值的熵值计算只考虑了图像的全局统计特性，但从这一数值很难获得图像的空间分布特性，特别是不能体现图像中的灰度差异。为了体现出图像的局部特性，在此引入局部熵，即用大小固定的模板单元对整幅图像扫描，分块计算所有子图像的熵值，即可得到整幅图像的所有局部熵值，即局部熵矩阵。计算过程为，设整幅图像大小为M×N，模板大小为m×n，则基于此模板的局部熵为

$H_{\mathrm{ij}}=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{p}^{*}(i,j)\log \left[p^{*}(i.,j)\right]$

其中

为灰度值f(x,y)在模板中的出现概率。

依次扫描遍历整幅图像，并将计算所得的所有局部熵按其位置关系排列，可得局部熵矩阵：

$H_{m,n}=\left[\begin{array}{cccc}{H}_{11}& H_{12}& L& H_{1(M-m+1)}\\ H_{21}& H_{22}& L& H_{2(M-m+1)}\\ M& M& M& M\\ H_{(N-n+1)1}& H_{(N-n+1)2}& L& H_{(N-n+1)(M-m+1)}\end{array}\right]$

由于图像的熵值主要反映了图像灰度分布的统计特性，并不能直接体现图像的灰度值特性，显然这对于主要靠识别灰度级别的突变从背景图像中提取目标的应用情况是不太适用的，因此需要对图像熵算法进行改进。

在基于红外热像仪的泄漏检测系统中，需要识别的目标点也表现为高亮斑点即灰度值高的点。在此应用背景下对图像熵进行修正，主要采用与灰度值、灰度方差、梯度方差等能反映灰度情况的指标与熵值进行融合，可得加权熵、方差加权熵、灰度-熵，灰度-加权熵，灰度-方差加权熵，若将计算范围限制在图像的局部区域，则可得到图像相应的各类局部熵矩阵。

$H_2=-\underset{g=0}{\overset{255}{\mathrm{\Σ}}}g\·p_g\log \left(p_g\right)$

$H_3=-\underset{g=0}{\overset{255}{\mathrm{\Σ}}}{(g-\stackrel{\‾}{g})}^2\·p_g\log \left(p_g\right)$

$H_4=-\stackrel{\‾}{g}\underset{g=0}{\overset{255}{\mathrm{\Σ}}}{p}_g\log \left(p_g\right)$

$H_5=-\stackrel{\‾}{g}\underset{g=0}{\overset{255}{\mathrm{\Σ}}}g\·p_g\log \left(p_g\right)$

$H_6=-\stackrel{\‾}{g}\underset{g=0}{\overset{255}{\mathrm{\Σ}}}{(g-\stackrel{\‾}{g})}^2\·p_g\log \left(p_g\right)$

对充气前和充气初始阶段的两张图像分别计算其对应的局部熵、局部加权熵、局部方差加权熵、局部灰度-熵，局部灰度-加权熵，局部灰度-方差加权熵，然后对两张图像的各局部熵矩阵分别作差，得出六种局部熵差矩阵，通过分析各局部熵差矩阵可知，在泄漏量微小时，相比其他局部熵差算法，灰度-熵差法不仅具有计算量小的优势，且不存在对背景的微小变化也过于敏感，三维图中波动很多，情况复杂等缺点；其敏感度适中，能够将目标区域良好的凸显出来。

有益效果

1、本发明的基于红外图像的局部灰度-熵差的泄漏检测定位方法，基于红外图像的局部灰度-熵差的泄漏检测算法继承了原局部熵差法的优点，其中的灰度分布统计信息使其具有良好的抗燥能力；而灰度信息的引入使其不仅能够反映图像的灰度离散程度，更能突出高灰度区域的表现，适用于本文中的泄漏检测，使目标检测能力得到很大提高，能够敏感地检测出图像间的温度差，在泄漏量微小的情况下，也能够准确检测定位泄漏点。

2、本发明的基于红外图像的局部灰度-熵差的泄漏检测定位方法，采用本发明所提供的方法和系统进行泄漏检测及定位，有效解决了传统气泡检测法必须浸水检验的缺点，同时克服了人工观测泄漏位置带来的检验标准不统一、误报率高等问题。

3、本发明的基于红外图像的局部灰度-熵差的泄漏检测定位方法，可以用于各种具有容器性质被测对象的泄漏检测，能够自动、快速、准确地实现泄漏非接触式测量以及泄漏点定位，有效提高检测效率。

附图说明

图1为本发明局部灰度-熵差泄漏检测算法流程图；

图2为本发明基于红外成像技术泄漏检测定位系统对一典型被测对象进行充气前，红外成像装置采集到的被测对象红外图像；

图3为本发明基于红外成像技术泄漏检测定位系统对同一典型被测对象充气达到稳定状态时，红外成像装置采集到的被测对象红外图像；

图4为图2所述红外图像的基于9×9像素窗口局部熵的熵值矩阵；

图5为图3所述红外图像的基于9×9像素窗口局部熵的熵值矩阵；

图6为图4与图5的熵差矩阵；

图7为图2所述红外图像的局部熵矩阵；

图8为图3所述红外图像的局部熵矩阵；

图9为图7与图8的熵差矩阵。

具体实施方式

下面将结合附图来详细说明本发明的实施例。

实施例1

本发明的基于红外图像的局部灰度-熵差的泄漏检测定位方法，具体步骤如下：

通过基于局部灰度-熵差算法对泄漏点进行检测定位，算法流程如图1所示。

首先，利用红外成像装置对被测对象的红外图像进行采集，将其传输至控制装置并经过一系列图像处理操作用于分析、计算泄漏量以及进行泄漏点定位，检测结果显示在显示装置上。

采集被测对象充气前与充气后的红外图像A和B；如图2、图3所示。

其次，根据下述方法，分别计算红外图像A和B的局部熵矩阵与局部灰度熵矩阵。

（1）计算红外图像A和B的局部熵矩阵：

用大小为9×9的模板分别对A和B扫描计算，得出大小为9×9所有子图像对应的灰度概率。

$p^{*}(i,j)=f(i,j)/\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}f(i,j)$

其中f(i,j)为数字图像在坐标(i,j)处的灰度值，p^*(i,j)为灰度值f(i,j)在模板中的出现概率。

然后，计算每个子图像对应的熵值，进而得到图像A和B的局部熵矩阵，如图7、图8所示。

$H_{\mathrm{ij}}=-\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}{p}^{*}(i,j)\log \left[p^{*}(i,j)\right]$

$H_{m,n}=\left[\begin{array}{cccc}{H}_{11}& H_{12}& L& H_{1(M-m+1)}\\ H_{21}& H_{22}& L& H_{2(M-m+1)}\\ M& M& M& M\\ H_{(N-n+1)1}& H_{(N-n+1)2}& L& H_{(N-n+1)(M-m+1)}\end{array}\right]$

（2）计算红外图像A和B的局部灰度熵矩阵

同样用大小为9×9的模板分别对A和B扫描计算，得出大小为9×9所有子图像对应的平均灰度值和灰度概率。

$\stackrel{\‾}{g}=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}f(i,j)/9\×9$

$p^{*}(i,j)=f(i,j)/\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}f(i,j)$

其中

为平均灰度值，f(i,j)为数字图像在坐标(i,j)处的灰度值，p^*(i,j)为灰度值f(i,j)在模板中的出现概率。

然后，计算每个子图像对应的灰度-熵值，进而得到图像A和B的局部灰度-熵矩阵，如图4、图5所示。

$H_{\mathrm{ij}}=-\stackrel{\‾}{g}\underset{i=1}{\overset{9}{\mathrm{\Σ}}}\underset{j=1}{\overset{9}{\mathrm{\Σ}}}{p}^{*}(i,j)\log \left[p^{*}(i,j)\right]$

$H_{m,n}=\left[\begin{array}{cccc}{H}_{11}& H_{12}& L& H_{1(M-m+1)}\\ H_{21}& H_{22}& L& H_{2(M-m+1)}\\ M& M& M& M\\ H_{(N-n+1)1}& H_{(N-n+1)2}& L& H_{(N-n+1)(M-m+1)}\end{array}\right]$

最后，计算图像A和B的局部熵差矩阵及局部灰度-熵差矩阵△H_BA，将其作为泄露检测的诊断因子来检测泄漏并进行泄漏点定位，如图9、图6所示。

△H_BA=H_B-H_A

通过图9与图6的对比可知，通过图像局部熵差得到的检测效果泄漏点不清晰，且虚警率较大；而通过局部灰度熵差得到的检测效果，泄露区域明显的凸起，且大大降低的虚警率。

基于局部灰度-熵差的泄漏检测定位策略如下：

1、如果被测对象发生了泄漏，则在泄漏点附近，局部熵差阵△H_BA会有一个或多个奇异区域，设定阈值δ=k·average（△H_BA），其中k为比例系数，当△H_BA中某一连续区域中的元素值均大于阈值，则判定该区域为泄漏区域，并计算该连通区域的质心，得到泄漏中心。

2、通过对局部熵差阵△H_BA大于阈值区域对应的坐标值进行反向映射，即可得到被测对象泄漏点位置。

经计算，由局部灰度熵差算法得到的△H_BA矩阵元素均值为34.8698，设定检测阈值δ为10倍均值，即348.698，以此数值比对△H_BA矩阵中的所有元素，得以坐标点(117,183)为中心的一个泄漏区域，该区域中的最值达到580.0459。

通过上述实施例可以看出，本发明结构简单、实用性强可以用于各种具有容器性质被测对象的泄漏检测中，能够自动、快速、准确地实现泄漏非接触式测量以及泄漏点定位，有效提高了检测效率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.基于红外图像的局部灰度-熵差的泄漏检测定位方法，其特征在于：具体步骤如下：

步骤一，基于现有的红外泄漏检测装置，采集被测对象充气前与充气后的红外图像A和B；

步骤二，设定大小为m×n的模板分别对A和B扫描计算，得出大小为m×n所有子图像对应的平均灰度值和灰度概率；

$\stackrel{\‾}{g}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(i,j)/m\×n$

$p^{*}(i,j)=f(i,j)/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(i,j)$

其中

为平均灰度值，f(i,j)为数字图像在坐标(i,j)处的灰度值，p^*(i,j)为灰度值f(i,j)在模板中的出现概率；

步骤三，计算每个子图像对应的灰度-熵值，进而得到图像A和B的局部灰度-熵矩阵；

$H_{\mathrm{ij}}=-\stackrel{\‾}{g}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{p}^{*}(i,j)\log \left[p^{*}(i,j)\right]$

$H_{m,n}=\left[\begin{array}{cccc}{H}_{11}& H_{12}& L& H_{1(M-m+1)}\\ H_{21}& H_{22}& L& H_{2(M-m+1)}\\ M& M& M& M\\ H_{(N-n+1)1}& H_{(N-n+1)2}& L& H_{(N-n+1)(M-m+1)}\end{array}\right]$

步骤四，计算图像A和B的局部灰度-熵差矩阵△H_BA，将其作为泄露检测的诊断因子；

△H_BA=H_B-H_A

步骤五，设定阈值δ=k·average（△H_BA），其中k为比例系数，当△H_BA中某一连续区域中的元素值均大于阈值，则判定该区域为泄漏区域，并计算该连通区域的质心，即可在图中得到泄漏中心；再通过对局部熵差阵△H_BA大于阈值区域对应的坐标值进行反向映射，即可得到被测对象泄漏点位置。

Images