CN105205821A - 一种焊接图像分割方法 - Google Patents

Abstract

本发明公开了一种焊接图像在线分割方法。所述焊接图像分割方法的步骤为：获取焊接图像；对图像进行预处理；确定最佳分割阈值；根据最佳分割阈值二值化焊接图像；输出焊接图像分割结果。该发明主要解决由于受弧光、飞溅等干扰的焊接图像分割的问题，在考虑类间方差和类内方差对图像分割效果影响的基础上，用方差信息代替均值信息，使分割得到的目标区域更加完整、细节更加清晰，同时有效地降低运算时间，提高了运行效率，可很好地应用于焊接图像的分割，为在线提取焊接缺陷特征和焊接质量分析提供依据。

Description

一种焊接图像分割方法

技术领域

本发明属于图像处理技术领域，特别涉及图像分割，具体的说，是涉及一种焊接图像分割方法。该方法是以从整幅焊接图像中分割出焊缝图像，可用在焊接质量在线检测技术领域中。

背景技术

焊接在现代工业生产中有着广泛的应用，尤其是在建筑业、造船业等领域是一项非常重要的工艺。有关数据统计，在金属制造业中，焊接已经成为继装配、加工后的第三大工艺。以前人们对于焊接产品质量的评判全是依靠人眼识别，这需要浪费大量的人力和财力，降低了生产效率，也难以保证焊接产品的质量。随着时代的发展，人们对焊接工艺提出了更高的要求，既要求焊接效率高，又要求焊接质量好，传统依靠人工识别焊接质量的方法已经无法满足现代生产的要求了。这就促使焊接生产向着具有视觉的智能焊接机器人及焊接自动化方向发展。图像处理在这些基于视觉传感的系统中起着十分关键的作用。焊接图像处理的最终目标就是提取出焊接部位的有用信息，如焊缝、熔池以及焊接缺陷的几何尺寸和位置信息，以便用于焊缝跟踪、熔池信息的实时控制、焊接缺陷的检测和焊接质量分析。图像处理一般都包含图像预处理、图像分割和特征提取与分析几大部分，而图像分割是图像处理的重要一环。图像分割方法的好坏，直接影响到焊接质量的分析和实时控制。

图像分割就是根据不同区域在某些特征方面的差异，把人们感兴趣的区域从背景中分离出来。图像分割的应用现在变得非常广泛，但是它的发展却是很慢，被认为是计算机视觉发展的一个瓶颈。迄今为止，难以找到一种分割方法适用于所有的图像，也难以找到一类图像所有的分割方法都适用于它。近年来，随着科研人员的努力，原有的图像分割方法得到了不断地改进，提出了许多新的分割方法，主要有阈值法、边缘检测法、区域法、聚类法等等。

在众多的图像分割方法中，日本学者N.Otsu于1979年提出的一种最大类间方差法(简称Otsu)被认为是图像分割的最优方法之一。但是焊接图像由于受到电弧光、飞溅等的影响，图像部分细节变得模糊，图像对比度降低，采用传统的图像分割方法分割存在计算量大、运行时间长、图像细节缺失等缺点，传统的方法已经不再适用于焊接图像的分割。

发明内容

本发明的目的在于解决目前焊接图像分割方面存在的难题，提出一种焊接图像分割方法，该方法既能提高图像阈值分割的速度，又能提高图像的精确度，可很好地应用于焊接图像的分割。

为实现上述目的，本发明的技术方案如下：

一种焊接图像分割方法，包括如下步骤：

1.获取图像：整个系统以工业计算机作为主控制器，通过嵌入的图像采集卡实现焊接图像的采集。将安装在支架上的工业相机，通过人工调节，使工业相机正对着被测焊接部位，采用工控机触发图像采集卡，从而获取焊缝的图像。

2.对图像进行预处理：包括滤波和增强两个部分。为抑制噪声影响，将工业相机采集到的原始图像进行平滑滤波和图像对比度增强处理，消除噪声干扰点，使图像对比度明显、图像细节变得清晰。

其中所述的滤波，其方法是，对图像从上到下，从左到右以3×3的方形窗口进行扫描，对每个窗口内像素，其灰度值用该窗口内所有像素的灰度值的中值替换。

所述的图像对比度增强的处理方法，其步骤如下：

1)整幅图像有m×n个像素点，将该幅具有L个灰度级的焊缝缺陷图像X，变换成一个模糊矩阵为：

$I=\underset{i=1}{\overset{m}{\∪}}\underset{i=1}{\overset{m}{\∪}}u{ij}_{}$

式中：u_ij表示坐标为(i,j)的像素点的隶属度。

隶属度函数u_mn满足：

u_ij＝x_ij/(L-1)

式中：x_ij表示坐标为(i,j)的像素点的灰度值。

2)利用下列公式对图像进行1次模糊增强处理；

$u_{ij}^1=T_1\left(u_{ij}\right)=\left\{\begin{array}{cc}2{\left(u_{ij}\right)}^2& 0\&le;u_{ij}\&le;0.5\\ 1-2{(1-u_{ij})}^2& 0.5<u_{ij}\&le;1\end{array}\right.$

3)根据需要可以进行多次模糊增强处理；

$u_{ij}^r=T_1\left(T_{r-1}\left(u_{ij}\right)\right),r=1,2,\mathrm{...}$

式中：r表示r次模糊增强处理，

经过r次模糊增强处理后，形成新的图像灰度值隶属度矩阵，

$I^r=\underset{i=1}{\overset{m}{\&cup;}}\underset{i=1}{\overset{m}{\&cup;}}{u}_{ij}^r$

4)对图像灰度值隶属度矩阵I^r进行逆变换，从而得到经过模糊增强后的焊缝缺陷图像X′，X′中像素灰度级矩阵为：

$X^{\&prime;}=\underset{i=1}{\overset{m}{\&cup;}}\underset{i=1}{\overset{m}{\&cup;}}\left(\left(L-1\right)\&times;u_{ij}^r\right)$

3确定最佳分割阈值，其步骤如下：

1)整幅图像为有m×n个像素点，灰度值为g的像素点的个数为n_g，计算每个灰度值g在图像中出现的概率p(g)、整幅图像的平均灰度值u；

$\begin{array}{cc}p\left(g\right)=\frac{n_g}{m\&times;n}& g\&Element;\&lsqb;0,255\&rsqb;\end{array}$

$u=\underset{0}{\overset{255}{\&Sigma;}}(g\&times;p(g\left)\right)$

2)初始化图像的分割阈值t＝0，最佳分割阈值t_opt＝0,类间方差与类内方差的比值最大值R_max＝0；

3)根据分割阈值t把图像分割成区域C₀和区域C₁，分别计算区域C₀和区域C₁的像素点占总像素点的比例w₀和w₁，像素点的平均灰度u₀和u₁；

$w_0=\underset{g=0}{\overset{t}{\&Sigma;}}p\left(g\right)$

$w_1=\underset{g=t+1}{\overset{255}{\&Sigma;}}p\left(g\right)$

$u_0=\underset{g=0}{\overset{t}{\&Sigma;}}gp\left(g\right)/w_0$

$u_1=\underset{g=t+1}{\overset{255}{\&Sigma;}}gp\left(g\right)/w_1$

4)计算图像的类内方差类间方差类间方差与类内方差的比值R；

${\mathrm{\&sigma;}}_W^2=\frac{1}{w_0}\underset{g=0}{\overset{t}{\&Sigma;}}{(g-u_0)}^{2}p\left(g\right)+\frac{1}{w_1}\underset{g=t+1}{\overset{255}{\&Sigma;}}{(g-u_1)}^{2}p\left(g\right)$

${\mathrm{\&sigma;}}_B^2=w_0{w}_1{(u_0-u_1)}^2$

$R=\frac{w_0\&CenterDot;w_1{({\mathrm{\&sigma;}}_{B_0}^2-{\mathrm{\&sigma;}}_{B_1}^2)}^2}{\frac{1}{w_0}\underset{g=0}{\overset{t}{\&Sigma;}}{(g-u_0)}^{2}p\left(g\right)+\frac{1}{w_1}\underset{g=t+1}{\overset{255}{\&Sigma;}}{(g-u_1)}^{2}p\left(g\right)}$

5)判断类间方差与类内方差的比值R是否大于R_max，若判断类间方差与类内方差的比值R大于R_max，则更新R_max和t_opt值，否则，不更新R_max和t_opt值；

6)判断分割阈值t是否小于255，如果分割阈值t小于255，则更新分割阈值t＝t+1，返回步骤3)，按更新后的分割阈值t，重新分割图像，再次计算判断类间方差与类内方差的比值R是否大于R_max，否则确定最佳分割阈值t_opt的值为最终最佳分割阈值。

4.根据最佳分割阈值二值化焊接图像；

5.输出焊接图像分割结果。

本发明与现有技术相比具有以下优点和有益效果是：

1.在计算时间上，本发明用方差信息代替了均值信息，减少了计算时间，提高了算法的运算速度。

2.在图像的分割效果上，本发明既考虑了类内方差和类间方差对图像分割效果的影响，又用方差信息代替均值信息，有效地克服了传统的方法易受图像的灰度线性变化和平移变化影响，使得分离出来的目标轮廓更加清晰，分割效果更加理想。

附图说明

图1为本发明的实现流程图；

图2为不同方法分割后的图像，其中图(a)为焊接图像的原始图像，图(b)为经过平滑滤波处理的焊接图像，图(c)为经过图像对比度增强处理的焊接图像，图(d)为采用本发明对焊接图像进行分割的结果，图(e)为采用目前方法对焊接图像进行分割的结果。

具体实施方式

下面结合附图1对本发明的具体实施方式做进一步说明。

步骤1.获取图像；

图像采集系统包括：一台Basler公司的acA2500-14gm工业相机、一台凌华公司的PCIE-Gie64图像采集卡、一台工业计算机和现场焊接装置。整个系统以工业计算机作为主控制器，通过嵌入的PCIE-Gie64图像采集卡实现圆锯片图像的采集，被测焊缝经透射光源照射后成像于工业相机的CCD上，通过图像采集卡将采集到的数字图像传输到计算机，从而获取焊接图像如图2(a)所示。

步骤2.对图像进行预处理；

为抑制噪声影响，将工业相机采集到的原始图像进行降噪处理。采用平滑滤波和图像对比度增强进行降噪处理，消除噪声干扰点，使图像对比度明显、图像细节变得清晰。

平滑滤波采用中值滤波方法，本实施例中采用3×3像素大小的窗口进行中值滤波，即对图像从上到下，从左到右以3×3的方形窗口进行扫描，对每个窗口内像素，其灰度值用该窗口内所有像素的灰度值的中值替换。焊接图像图2(a)经过平滑滤波后，其效果如图2(b)所示，从图中可以看出，经过平滑滤波后，图像的噪声大幅度减少。

图像对比度增强采用模糊增强法，通过把图像灰度值变换为一个模糊矩阵，然后对模糊矩阵因子做增强处理，最后再通过反变换转换成增强后的灰度值。具体步骤如下：

1)整幅图像为有m×n个像素点，将该幅具有L个灰度级的焊缝缺陷图像X，变换成一个模糊矩阵，记为：

$I=\underset{i=1}{\overset{m}{\&cup;}}\underset{i=1}{\overset{m}{\&cup;}}u{ij}_{}$

式中：u_ij表示坐标为(i,j)的像素点的隶属度。

隶属度函数u_mn满足：

u_ij＝x_ij/(L-1)

式中：x_ij表示坐标为(i,j)的像素点的灰度值。

2)利用下列公式对图像进行1次模糊增强处理。

$u_{ij}^1=T_1\left(u_{ij}\right)=\left\{\begin{array}{cc}2{\left(u_{ij}\right)}^2& 0\&le;u_{ij}\&le;0.5\\ 1-2{(1-u_{ij})}^2& 0.5<u_{ij}\&le;1\end{array}\right.$

3)根据需要可以进行多次模糊增强处理

$u_{ij}^r=T_1\left(T_{r-1}\left(u_{ij}\right)\right),r=1,2,\mathrm{...}$

式中：r表示r次模糊增强处理

经过r次模糊增强处理后，形成新的图像灰度值隶属度矩阵

$I^r=\underset{i=1}{\overset{m}{\&cup;}}\underset{i=1}{\overset{m}{\&cup;}}{u}_{ij}^r$

4)对图像灰度值隶属度矩阵I^r进行逆变换，从而得到经过模糊增强后的焊缝缺陷图像X′，X′中像素灰度级矩阵为：

$X^{\&prime;}=\underset{i=1}{\overset{m}{\&cup;}}\underset{i=1}{\overset{m}{\&cup;}}\left(\left(L-1\right)\&times;u_{ij}^r\right)$

对图2(b)进行模糊增强，得到图2(c)，可以看出，焊接图像的焊缝区域更加明显。

步骤3.确定最佳分割阈值

1)本实施例中，整幅图像有234×252个像素点，灰度值为g的像素点的个数为n_g，计算每个灰度值g在图像中出现的概率p(g)、整幅图像的平均灰度值u；

$\begin{array}{cc}p\left(g\right)=\frac{n_g}{m\&times;n}& g\&Element;\&lsqb;0,255\&rsqb;\end{array}$

$u=\underset{0}{\overset{255}{\&Sigma;}}(g\&times;p(g\left)\right)$

2)初始化图像的分割阈值t＝0，最佳分割阈值t_opt＝0，类间方差与类内方差的比值最大值R_max＝0；

3)根据分割阈值t把图像分割成区域C₀和区域C₁，分别计算区域C₀和区域C₁的像素点占总像素点的比例w₀和w₁，像素点的平均灰度u₀和u₁；

$w_0=\underset{g=0}{\overset{t}{\&Sigma;}}p\left(g\right)$

$w_1=\underset{g=t+1}{\overset{255}{\&Sigma;}}p\left(g\right)$

$u_0=\underset{g=0}{\overset{t}{\&Sigma;}}gp\left(g\right)/w_0$

$u_1=\underset{g=t+1}{\overset{255}{\&Sigma;}}gp\left(g\right)/w_1$

4)计算图像的类内方差类间方差类间方差与类内方差的比值R；

${\mathrm{\&sigma;}}_W^2=\frac{1}{w_0}\underset{g=0}{\overset{t}{\&Sigma;}}{(g-u_0)}^{2}p\left(g\right)+\frac{1}{w_1}\underset{g=t+1}{\overset{255}{\&Sigma;}}{(g-u_1)}^{2}p\left(g\right)$

${\mathrm{\&sigma;}}_B^2=w_0{w}_1{(u_0-u_1)}^2$

$R=\frac{w_0\&CenterDot;w_1{({\mathrm{\&sigma;}}_{B_0}^2-{\mathrm{\&sigma;}}_{B_1}^2)}^2}{\frac{1}{w_0}\underset{g=0}{\overset{t}{\&Sigma;}}{(g-u_0)}^{2}p\left(g\right)+\frac{1}{w_1}\underset{g=t+1}{\overset{255}{\&Sigma;}}{(g-u_1)}^{2}p\left(g\right)}$

5)判断类间方差与类内方差的比值R是否大于R_max，若判断类间方差与类内方差的比值R大于R_max，则更新R_max和t_opt值，否则，不更新R_max和t_opt值；

6)判断分割阈值t是否小于255，如果分割阈值t小于255，则更新分割阈值t＝t+1，返回步骤3)，按更新后的分割阈值t，重新分割图像，再次计算判断类间方差与类内方差的比值R是否大于R_max，否则确定最佳分割阈值t_opt的值为最终最佳分割阈值。

通过遍历整幅图像图2(c)，得到该幅图像的最佳分割阈值为95。

步骤4.根据最佳分割阈值二值化焊接图像；

扫描整幅图像，对所有灰度值小于或等于最佳分割阈值的像素点，将其灰度值变为0，对所有灰度值大于最佳分割阈值的像素点，将其灰度值变为255。

步骤5.输出焊接图像分割结果。

如图2(d)，二值化焊接图像后，其中的黑色区域就是焊缝部分，白色部分属于背景部分。

本发明的效果可以通过以下实验进一步说明：

1.实验内容：本发明所采集的焊接图像如图2所示的(a)，分别用本发明提出的分割法与传统的法对图像进行分割，对其分割结果进行比较。

2.实验条件：Intel(R)酷睿i3-4150CPU,3.50GHz,内存4GWindows7系统，VB.NET运行平台。

3.实验结果：图2(a)焊接原像，图2(d)为采用本发明对焊接图像进行分割的结果，图2(e)为采用目前方法对焊接图像进行分割的结果，经实验，采用本发明对焊接图像进行分割所用的时间为0.37s，采用目前方法对焊接图像进行分割所用的时间为0.52s。

由实验结果可以看出，本发明更好地提取出了焊接图像的目标轮廓，减少了背景部分对图像的影响，降低了运行时间，提高了运行效率，更有利于图像的识别和分析。

Claims (6)

1.一种焊接图像分割方法，其特征在于，包括如下步骤：

1)获取图像I；

2)对图像进行预处理；

3)确定最佳分割阈值；

4)根据最佳分割阈值二值化焊接图像；

5)输出焊接图像分割结果。

2.根据权利要求书1所述的一种焊接图像分割方法，其特征在于，步骤1)所述获取图像I的方法是，将整个系统以工业计算机作为主控制器，通过嵌入的图像采集卡实现焊接图像的采集，被测焊缝经透射光源照射后成像于工业相机的CCD上，通过图像采集卡将采集到的数字图像传输到工业计算机，从而获取焊缝的焊接图像。

3.根据权利要求书1所述的一种焊接图像分割方法，其特征在于，步骤2)所述图像预处理包括滤波和图像增强两个部分；为抑制噪声影响，将工业相机采集到的原始图像进行平滑滤波和图像对比度增强处理，消除噪声干扰点，使图像对比度明显、图像细节变得清晰。

4.根据权利要求书3所述的一种焊接图像分割方法，其特征在于，所述的滤波的方法是，对图像从上到下，从左到右以3×3的方形窗口进行扫描，对每个窗口内像素，其灰度值用该窗口内所有像素的灰度值的中值替换。

5.根据权利要求书3所述的一种焊接图像分割方法，其特征在于，所述的图像对比度增强的方法，具体步骤如下：

(1)整幅图像有m×n个像素点，将该幅具有L个灰度级的焊缝缺陷图像X，变换成一个模糊矩阵为：

$I=\underset{i=1}{\overset{m}{\&cup;}}\underset{j=1}{\overset{n}{\&cup;}}{u}_{ij}$

式中：u_ij表示坐标为(i,j)的像素点的隶属度；

隶属度函数u_mn满足：

u_ij＝x_ij/(L-1)

式中：x_ij表示坐标为(i,j)的像素点的灰度值；

(2)利用下列公式对图像进行1次模糊增强处理；

$u_{ij}^1=T_1\left(u_{ij}\right)=\left\{\begin{array}{cc}2{\left(u_{ij}\right)}^2& 0\&le;u_{ij}\&le;0.5\\ 1-2{(1-u_{ij})}^2& 0.5<u_{ij}\&le;1\end{array}\right.$

(3)根据需要可以进行多次模糊增强处理；

$u_{ij}^r=T_1\left(T_{r-1}\right(u_{ij}\left)\right),r=1,2,...$

式中：r表示r次模糊增强处理，

经过r次模糊增强处理后，形成新的图像灰度值隶属度矩阵为：

$I^r=\underset{i=1}{\overset{m}{\&cup;}}\underset{j=1}{\overset{n}{\&cup;}}{u}_{ij}^r$

(4)对图像灰度值隶属度矩阵I^r进行逆变换，得到经过模糊增强后的焊缝缺陷图像X′，X′中像素灰度值矩阵为：

$X^{\&prime;}=\underset{i=1}{\overset{m}{\&cup;}}\underset{j=1}{\overset{n}{\&cup;}}\left(\right(L-1)\&times;u_{ij}^r).$

6.根据权利要求书1所述的一种焊接图像分割方法，其特征在于，步骤3)所述确定最佳分割阈值的步骤如下：

①整幅图像为有m×n个像素点，灰度值为g的像素点的个数为n_g，计算每个灰度值g在图像中出现的概率p(g)、整幅图像的平均灰度值u；

$\begin{array}{cc}p\left(g\right)=\frac{n_g}{m\&times;n}& g\&Element;\&lsqb;0,255\&rsqb;\end{array}$

$u=\underset{0}{\overset{255}{\&Sigma;}}(g\&times;p(g\left)\right)$

②初始化图像的分割阈值t＝0，最佳分割阈值t_opt＝0，类间方差与类内方差的比值最大值R_max＝0；

③根据分割阈值t把图像分割成区域C₀和区域C₁，分别计算区域C₀和区域C₁的像素点占总像素点的比例w₀和w₁，像素点的平均灰度u₀和u₁；

$w_0=\underset{g=0}{\overset{t}{\&Sigma;}}p\left(g\right)$

$w_1=\underset{g=t+1}{\overset{255}{\&Sigma;}}p\left(g\right)$

$u_0=\underset{g=0}{\overset{t}{\&Sigma;}}gp\left(g\right)/w_0$

$u_1=\underset{g=t+1}{\overset{255}{\&Sigma;}}gp\left(g\right)/w_1$

④计算图像的类内方差类间方差类间方差与类内方差的比值R；

${\mathrm{\&sigma;}}_W^2=\frac{1}{w_0}\underset{g=0}{\overset{t}{\&Sigma;}}{(g-u_0)}^{2}p\left(g\right)+\frac{1}{w}\underset{g=t+1}{\overset{255}{\&Sigma;}}{(g-u_1)}^{2}p\left(g\right)$

${\mathrm{\&sigma;}}_B^2=w_0{w}_1{(u_0-u_1)}^2$

$R=\frac{w_0\&CenterDot;w_1{({\mathrm{\&sigma;}}_{B_0}^2-{\mathrm{\&sigma;}}_{B_1}^2)}^2}{\frac{1}{w_0}\underset{g=0}{\overset{t}{\&Sigma;}}{(g-u_0)}^{2}p\left(g\right)+\frac{1}{w_1}\underset{g=t+1}{\overset{255}{\&Sigma;}}{(g-u_1)}^{2}p\left(g\right)}$

⑤判断类间方差与类内方差的比值R是否大于R_max，若判断类间方差与类内方差的比值R大于R_max，则更新R_max和t_opt值，否则，不更新R_max和t_opt值；

⑥判断分割阈值t是否小于255，如果分割阈值t小于255，则更新分割阈值t＝t+1，返回步骤③，按更新后的分割阈值t，重新分割图像，再次计算判断类间方差与类内方差的比值R是否大于R_max，否则确定最佳分割阈值t_opt的值为最终最佳分割阈值。