CN106683076A - 基于纹理特征聚类的机车轮对踏面损伤检测的方法 - Google Patents

Abstract

本发明公开了一种基于纹理特征聚类的机车轮对踏面损伤检测方法，首先通过踏面图像分块纹理聚类的方法来确定损伤可疑区域，然后利用梯度信息在可疑区域内进行损伤轮廓点检测，根据检测到的损伤轮廓点进一步确定种子点，在此基础上采用基于最大似然估计与原则的区域生长技术对损伤区域进行分割，最后采用基于方向性结构元素的形态学区域合并技术得到最终的损伤检测结果，能够在机车轮对在线检测系统中实现对机车踏面损伤准确、高效地判定，具有较强的实用性和广阔的应用前景。

Description

基于纹理特征聚类的机车轮对踏面损伤检测的方法

技术领域

本发明涉及无损检测技术领域，具体而言涉及一种基于纹理特征聚类的机车轮对踏面损伤检测方法。

背景技术

机车轮对作为机车行走的主要部件之一，其能否正常工作会直接影响到机车的行驶安全。机车轮对踏面的损伤与否是影响机车运行的重要因素。因此，是否能够正确的检测出机车踏面存在的损伤，对机车的正常运行有至关重要的作用。

机车车轮踏面的损伤是机车在运行过程中形成的不规则的表面缺陷。常见的踏面损伤有：擦伤、剥离等。目前，由于机车紧急制动、车轮间瓦材料不结实、空重车调整装置漏调导致空车时在重车位制动力过大、机车司机操作不合理及车辆缓解不利等原因，造成机车轮对踏面剥离、擦伤等故障颇为常见。

目前，机车踏面损伤检测的传统方法是由机车检修工作人员通过肉眼观察或者声音识别的方法来进行踏面损伤的检测。这种方法存在劳动强度大、占用机车的运行时间、检测效率低下和自动化程度低等不足之处。随着机器视觉检测技术的发展，通过机器视觉进行物体的尺寸、外形、表面缺陷等检测技术得到长足的发展与广泛的应用。机器视觉检测技术具有：非接触式、检测准确、检测效率高等优点。因此，研究一种高精度、高可靠性的非接触式车轮损伤在线检测方法对提高我国铁路机车轮对的检测技术水平有重要意义。

发明内容

本发明所要解决的技术问题是针对现有技术在机车踏面损伤检测方面的不足，利用图像处理技术，提出了一种基于纹理特征聚类的机车轮对踏面损伤检测的方法，高效、准确地对机车轮对踏面的损伤进行检测。

本发明为解决上述技术问题采用以下技术方案：

基于纹理特征聚类的机车轮对踏面损伤检测方法，包括以下步骤：

步骤1)，按照横向分块的方式对整个踏面区域进行分块处理，子区域高度大于最小需要检测出的损伤区域的高度；

令整体的踏面图像为W，子区域数为N，N为大于1的自然数，子区域为w_i，i＝1,2…N；

步骤2)，对于每个子区域w_i，基于灰度共生矩阵计算其纹理特征，得到其纹理特征向量v_i，i＝1,2…N；

步骤3)，对每个子区域w_i的纹理特征向量v_i进行归一化处理后，采用K-means++聚类方法对纹理特征向量空间内的所有的纹理特征向量进行聚类，将其划分为两类，并选取对比度较大的一类作为可疑子区域集合[ws₁,ws₂,…,ws_j]，j＝1,2…k,k＜N；

步骤4)，对相邻的可疑子区域进行合并，得到若干个不相邻的合并区域集合[M₁,M₂,…,M_u,…,M_m]后，在每个合并区域M_u内分别沿着水平扫描线与垂直扫描线寻找横向与纵向的灰度跳跃点，将其作为轮廓点的候选点，得到候选点集合，其中，u＝1,2…m,m＜k；

步骤5)，在候选点集合中沿着扫描线选取两个相邻的候选点，基于全局阈值的方法计算这两个候选点的扫描线上所有像素的灰度值的阈值T；

步骤6)，根据以下公式计算灰度值阈值P₁与P₂:

P₁＝α×T

P₂＝β×T

其中，α与β均为预设的比例系数，0≤α＜β≤1；

步骤7)，如果两个候选点之间的像素数目Num乘以预设的比例系数ε大于等于两个候选点之间灰度值介于P₁与P₂之间的像素数目Num₁，或者两个候选点的梯度方向的乘积大于等于0，则将该两个候选点从候选点集合中剔除；其中，0＜ε＜1；

步骤8)，重复步骤5)到步骤7)，直到候选点集合中候选点的数目不再变化，此时将候选点集合作为轮廓点集合；

步骤9)，在轮廓点集合中，沿水平扫描线与垂直扫描线对任意两个相邻的轮廓点进行连线，将所有呈直角相交的连线的交点作为种子点，获得种子点集合S；

步骤10)，令所有合并区域中损伤区域的灰度值X～N(μ,σ²)，种子点集合S为从分布X中取得的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ²；

步骤11)，根据种子点集合S总体分布X的均值μ与方差σ²采用区域生长技术实现机车踏面损伤区域的检测，得到损伤区域集合；

步骤12)，计算损伤区域的集合中每个损伤区域的特征向量，所述特征向量包含损伤区域轮廓的重心坐标、灰度均值和灰度方差；

步骤13)，计算损伤区域集合中任意两个损伤区域之间的欧氏距离，并在两个损伤区域之间的欧式距离小于预先设定的距离阈值时、基于方向性结构元素的形态学方法将该两个损伤区域进行合并。

作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案，所述步骤2)中的纹理特征向量包含方差σ²(z)、对比度Co和一致性Ho，其中：

其中，z是表示子区域图像的灰度值，p(z_g)为相应的直方图，g＝0,1,2...,L-1，其中L是不同灰度级的数量，m为z的均值；z_g表示图像灰度为g的灰度值；

其中，K是子区域图像的灰度共生矩阵的行数，r、l均为大于等于1小于等于K的自然数；p_rl为满足位置算子Q的值为(z_r,z_l)的点对的概率估计，概率估计的值域为[0,1]，且所有概率估计的和为1：

所述位置算子Q的生成方向θ＝0^°、生成间距d＝1；

H是轮廓点集合中所有在垂直扫描线上的轮廓点的集合。

作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案，步骤3)对每个子区域w_i的纹理特征向量v_i进行归一化处理的详细步骤如下：

步骤3.1)，将所有的纹理特征向量v_i组成矩阵Y∈R^N×3,即：

步骤3.2)，根据以下公式对矩阵Y进行归一化：

其中，Y_m,n表示矩阵Y内第m行n列的元素，Y(n)表示矩阵Y的第n列，max(Y(n))与min(Y(n))分别表示矩阵Y第n列组成的向量的最大值与最小值。

作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案，步骤5)中所述基于全局阈值的方法计算两个相邻候选点的扫描线上所有像素的灰度值的阈值T的详细步骤如下：

步骤5.1)，根据以下公式计算沿着扫描线方向两个候选点之间所有像素点的灰度值的均值T′：

其中，L₁、L₂、…、L_b、…、L_B分别为两个候选点之间的像素点的灰度值，b＝1,2,…B，B为两个候选点之间的像素点的个数；

步骤5.2)，采用均值T′对沿着扫描线方向对相邻两个候选点之间的像素点集合进行二值化，将灰度值大于均值T′的像素放入集合S_bigger中，小于等于均值T′的像素放入集合S_less中；

步骤5.3)，分别计算S_bigger与S_less内各个像素灰度值的均值T_bigger、T_less；

步骤5.4)，将T_bigger、T_less的平均值和均值T′作差得到ΔT′；

步骤5.5)，将T_bigger、T_less的平均值赋给均值T′，清空集合S_bigger与S_less；

步骤5.6)，重复步骤5.2)至步骤5.5)，直到ΔT′的绝对值小于预设的差值阈值；

步骤5.7)，将均值T′作为两个相邻候选点的扫描线上所有像素的灰度值的阈值T输出。

作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案，所述步骤10)中根据以下公式计算种子点集合S总体分布X的均值μ与方差σ²：

其中，n表示种子点集合内像素的数目，ind为种子点像素的索引，ind＝1,2…n；x_ind表示种子点集合内索引为ind的像素的灰度值，为种子点集合内像素灰度值的均值。

6、根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，所述步骤4)中寻找横向与纵向的灰度跳跃点的详细步骤如下：

沿着某一横向或纵向的扫描线，计算当前点的灰度值与相邻的两点的灰度值的差值，判断这两个差值的之间的差值的绝对值是否大于预设的灰度值阈值，若大于预设的灰度值阈值，则认为该点是灰度跳跃点。

作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案，所述步骤11)的详细步骤为：

步骤11.1)，针对种子点集合S中每一个的种子点，判断其8邻域内的各个像素点的灰度值是否在[μ-3×σ,μ+3×σ]内，如果存在灰度值在[μ-3×σ,μ+3×σ]内的像素点，则将该像素点加入到种子点集合S中；

步骤11.2)，采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ²；

步骤11.3)，重复步骤11.1)至步骤11.2)，直到种子点集合S中种子点的数目不再变化；

步骤11.4)，根据种子点集合S得到损伤区域集合。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明提出的基于纹理特征聚类的机车轮对踏面损伤检测方法，首先通过踏面图像分块纹理聚类的方法来确定损伤可疑区域，然后利用梯度信息在可疑区域内进行损伤轮廓点检测，根据检测到的损伤轮廓点进一步确定种子点，在此基础上采用基于最大似然估计与3σ原则的区域生长技术对损伤区域进行分割，最后采用基于方向性结构元素的形态学区域合并技术得到最终的损伤检测结果，能够在机车轮对在线检测系统中实现对机车踏面损伤准确、高效地判定，具有较强的实用性和广阔的应用前景。

附图说明

图1是图像采集系统布局示意图；

图2是本发明某些实施例的基于纹理特征聚类的机车轮对踏面损伤检测方法的流程示意图；

图3(a)、图3(b)分别是第一原始采集图像示意图和第二原始采集图像示意图；

图4(a)、图4(b)分别是针对第一原始采集图像示意图的第一轮对踏面提取图像示意图和针对第二原始采集图像示意图的第二轮对踏面提取图像示意图；

图5(a)、5(b)、5(c)、5(d)、5(e)、5(f)、5(g)分别是第一轮对踏面提取图像示意图的K-means++聚类结果示意图、可疑子区域合并结果示意图、损伤区域轮廓点检测结果示意图、种子点确定示意图、区域生长结果示意图、区域合并结果示意图、和损伤检测结果示意图；

图6(a)、6(b)、6(c)、6(d)、6(e)、6(f)、6(g)分别是第二轮对踏面提取图像示意图的K-means++聚类结果示意图、可疑子区域合并结果示意图、损伤区域轮廓点检测结果示意图、种子点确定示意图、区域生长结果示意图、区域合并结果示意图、和损伤检测结果示意图；

图7是方向性结构元素的示例性示意图；

图8是损伤区域相对角度计算示例图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

图1所示为本实施例中所采用的图像采集系统布局示意图，是机车轮对踏面损伤检测系统的示例性布设方式的举例，其中，图像采集系统用于采集机车轮对踏面的实时图像，包括铺设在轨道两侧的图像采集箱头，控制箱，工控机以及磁钢触发器。

图2所示为基于纹理特征聚类的机车轮对踏面损伤检测方法的流程示意图，总体上来说，整个检测方法包括下述过程：

第一步：踏面分区

按照横向分块的方式对整个踏面区域进行分块处理，子区域高度大于最小需要检测出的损伤区域的高度；

令整体的踏面图像为W，子区域数为N，N为大于1的自然数，子区域为w_i，i＝1,2…N；

第二步：纹理特征计算

对于每个子区域w_i，基于灰度共生矩阵计算其纹理特征，得到其纹理特征向量v_i，i＝1,2…N；本发明选取的纹理特征量为：方差、对比度和一致性；

第三步：聚类分析

对每个子区域w_i的纹理特征向量v_i进行归一化处理后，采用K-means++聚类方法对纹理特征向量空间内的所有的纹理特征向量进行聚类，将其划分为两类，并选取对比度较大的一类作为可疑子区域集合[ws₁,ws₂,…,ws_j]，j＝1,2…k,k＜N；

第四步：损伤轮廓候选点提取

对相邻的可疑子区域进行合并，得到若干个不相邻的合并区域集合[M₁,M₂,…,M_u,…,M_m]后，在每个合并区域M_u内分别沿着水平扫描线与垂直扫描线寻找横向与纵向的灰度跳跃点，将其作为轮廓点的候选点，得到候选点集合，其中，u＝1,2…m,m＜k；

第五步：损伤轮廓点确定

在候选点集合中沿着扫描线选取两个相邻的候选点，基于全局阈值的方法计算这两个候选点的扫描线上所有像素的灰度值的阈值T；根据以下公式计算灰度值阈值P₁与P₂:

P₁＝α×T

P₂＝β×T

其中，α与β均为预设的比例系数，0≤α＜β≤1；

如果两个候选点之间的像素数目Num乘以预设的比例系数ε大于等于两个候选点之间灰度值介于P₁与P₂之间的像素数目Num₁，或者两个候选点的梯度方向的乘积大于等于0，则将该两个候选点从候选点集合中剔除；其中，0＜ε＜1；

第六步：重复第五步，直到候选点集合中候选点的数目不再变化，此时将候选点集合作为轮廓点集合；

第七步：损伤种子点选择

轮廓点集合中，沿水平扫描线与垂直扫描线对任意两个相邻的轮廓点进行连线，将所有呈直角相交的连线的交点作为种子点，获得种子点集合S；

第八步：损伤区域确定

令所有合并区域中损伤区域的灰度值X～N(μ,σ²)，种子点集合S为从分布X中取得的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ²；根据种子点集合S总体分布X的均值μ与方差σ²采用区域生长技术实现机车踏面损伤区域的检测，得到损伤区域集合；

第九步：同类损伤区域合并

计算损伤区域的集合中每个损伤区域的特征向量，所述特征向量包含损伤区域轮廓的重心坐标、灰度均值和灰度方差；计算损伤区域集合中任意两个损伤区域之间的欧氏距离，并在两个损伤区域之间的欧式距离小于预先设定的距离阈值时、基于方向性结构元素的形态学方法将该两个损伤区域进行合并。

下面结合图示与具体实例对本发明作进一步说明。

图3(a)、3(b)所示的为进线方向右侧某一相机连续拍摄的两张车轮图像，左侧为第一张拍摄图，右侧为第二张拍摄图。图4(a)、4(b)为截取出的机车轮对踏面图像，即为待检测的图像。

图5(a)-图5(g)展示了图3(a)踏面图像的损伤检测过程。图5(a)为步骤(1)到步骤(3)使用K-means++聚类得到的可疑子区域的结果。其中，白色矩形框覆盖的区域为聚类得到的可疑子区域。图5(b)为将图5(a)得到的可疑子区域进行合并结果，白色矩形框内为最终合并的可疑区域。图5(c)为进行损伤轮廓点检测的结果。图5(d)为得到种子点的结果。图5(e)为进行区域生长的结果。图5(f)为得到的基于方向性结构元素的区域合并的结果。图5(g)为本文提出的算法对轮对踏面损伤的最终检测结果。其中图中粉色轮廓内的区域即认为是损伤区域。

同理，图6(a)-图6(g)展示了图3(a)踏面图像的损伤检测过程。各图所示具体结果与图5(a)-图5(g)一致。

下面对本发明一些步骤进行更详细的解释与描述。

第二步中，本发明采用的是基于灰度共生矩阵的纹理特征量计算的方法，选取的特征量为：方差、对比度和一致性。

灰度共生矩阵是描述在θ方向上，相隔d像元距离的一对像元分别具有灰度层gr和gl的出现概率p(gr,gl,d,θ)，见公式(1)所示。

p(gr,gl,d,θ)＝{[(x,y),(x+Dx,y+Dy)|f(x,y)＝gr；f(x+Dx,y+Dy)＝gl]} (1)

上式中：x,y＝0,1,2,...,N-1是图像的像元坐标；f(x,y)是像素(x,y)的灰度；gr,gl＝0,1,2,...,L-1是灰度级；Dx,Dy是位置偏移量；d是GLCM统计距离，即生成步长；θ是GLCM生成方向，θ取值为0o、45o、90o、135o四个值。根据不同的d和θ值，计算出的GLCM不同，一些纹理特性的描述和分割使用GLCM对各种各样的纹理进行分类。

实际使用过程中需要对p(gr,gl,d,θ)归一化，即：

通过公式(1)可得，GLCM体现了图像灰度值。

关于变化幅度、方向角度、相邻间隔的综合信息，它是分析目标图像的局部模式结构及其排列规则的基础。GLCM作为纹理特征计算的特征量，不是直接应用GLCM，而是在GLCM基础上再次提取纹理的特征量，定义为二次统计量。

常用的统计量包括：方差、熵、和平均、角二阶矩、对比度、相关性、逆差矩和最大相关系数等。经过实验发现，灰度共生矩阵求取特征量计算量很大，受系统时间限制，以及经过大量实验分析和损伤特征分析，本发明决定采用方差、对比度、一致性三个特征来提取图像纹理特征信息。它们各自定义如下：

方差的定义如下：

其中，z是表示灰度值的一个随机变量，并令p(z_g)为相应的直方图，g＝0,1,2...,L-1，其中L是不同灰度级的数量，m为z的均值；z_g表示图像灰度为g的灰度值；

对比度的定义如下：

一致性的定义如下：

其中，K是灰度共生矩阵的行数，r、l均为大于等于1小于等于K的自然数，p_rl为满足位置算子Q的一个值为(z_r,z_l)的点对的概率估计，这些概率的值域为[0,1]，且它们的和为1：

所述位置算子Q的生成方向θ＝0°、生成间距d＝1；

第三步中，需要对每个子区域的纹理特征向量进行归一化处理。本发明用公式(7)来对向量进行归一化处理。

首先，将所有的纹理特征向量v_i组成矩阵Y∈R^N×3,即：之后，对矩阵Y进行归一化：

其中Y_m,n表示矩阵Y内第m行n列的元素。Y(n)表示矩阵Y的第n列。max(Y(n))与min(Y(n))分别表示矩阵Y第n列组成的向量的最大值与最小值。

对每一维度的纹理特征向量进行归一化处理，目的是为了使用聚类算法时，可以让每个纹理特征分量可以得到相同的“重视度”。

本发明采用K-means++聚类方式。K-means++聚类算法是K-means算法的一种改进，K-means是在基本原理是在最小化误差函数的基础上，将输入的数据分成预定的Kn类，原理简单，便于大批量数据处理。K-means聚类算法的运行过程是：首先指定聚类的簇数Kn，Kn个初始聚类中心初值、收敛条件和迭代次数；然后根据给定的相似性度量准则将每一个输入数据分配到相似或者最近的聚类中，形成类，再用每一类中的平均矢量作为这一类的聚类中心，重新开始，通过不断迭代直到类收敛或者达到最大迭代次数时结束，得到聚类结果。

设样本空间为X＝{x₁,x₂,...,x_d,...,x_n}，最初的聚类中心为：C₁,C₂,...,C_t,...,C_Kn，预定聚类的簇数为Kn，令d_dt(x_d,C_t)表示样本x_d与最初聚类中心点C_t之间的距离，用J表示样本空间内所有数据点到所属聚类中心距离之和，即：

通过计算J的值可以直接反映出聚类效果好坏，如果J越小，则聚类效果越好，聚类越紧凑，因此只要求出J的最小值即可达到最优聚类。实际应用中，常用欧氏距离作为样本数据与聚类中心的距离J，即：

上式中表示属于t组的数据样本；

然后求取公式(9)最小值，得到聚类中心C_t，即：

其中n_t表示t组的样本个数，最后结果为：

K-means++在K-means的基础上对初始聚类中心的选择做了改进，在K-means中，使用的是随机初始聚类中心的方法，而在K-means++中，引入了先验信息，认为不同的类别的应该是“距离”较大的那些样本。一般“距离”的衡量使用欧氏距离。因此，在中，K-means++选取初始聚类中心的时候，会倾向于选择较为分散的样本作为聚类中心。

本发明采用的是K-means++算法，同时选取Kn＝2。

第五步中，采用基于全局阈值的方法计算相邻两个跳跃点之间的阈值T。该阈值计算步骤如下：

步骤5.1)，根据以下公式计算沿着扫描线方向两个候选点之间所有像素点的灰度值的均值T′：

其中，L₁、L₂、…、L_b、…、L_B分别为两个候选点之间的像素点的灰度值，b＝1,2,…B，B为两个候选点之间的像素点的个数；

步骤5.2)，采用均值T′对沿着扫描线方向对相邻两个候选点之间的像素点集合进行二值化，将灰度值大于均值T′的像素放入集合S_bigger中，小于等于均值T′的像素放入集合S_less中；

步骤5.3)，分别计算S_bigger与S_less内各个像素灰度值的均值T_bigger、T_less；

步骤5.4)，将T_bigger、T_less的平均值和均值T′作差得到ΔT′；

步骤5.5)，将T_bigger、T_less的平均值赋给均值T′，清空集合S_bigger与S_less；

步骤5.6)，重复步骤5.2)至步骤5.5)，直到ΔT′的绝对值小于预设的差值阈值；

步骤5.7)，将均值T′作为两个相邻候选点的扫描线上所有像素的灰度值的阈值T输出。

本发明中，选取预设的差值阈值为0.5。

第八步中，令所有合并区域中损伤区域的灰度值X～N(μ,σ²)，种子点集合S为从分布X中取得的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ²；其过程如下：

式(12)为分布X的概率密度，种子点集合S的似然函数表达为下式：

对式(13)取自然对数，得到下式：

令：

解得：

本发明中，针对种子点集合S中每一个的种子点，判断其8邻域内的各个像素点的灰度值是否在[μ-3×σ,μ+3×σ]内，如果存在灰度值在[μ-3×σ,μ+3×σ]内的像素点，则将该像素点加入到种子点集合S中；一轮生长过后，继续采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ²；继续按照上述的3×σ准则进行生长，直到种子点集合S中种子点的数目不再变化；根据种子点集合S得到损伤区域集合。

第九步中，采用基于方向性结构元素的形态学方法实现对损伤区域快速、准确的合并。其步骤如下：

计算损伤区域的集合中每个损伤区域的特征向量，所述特征向量包含损伤区域轮廓的重心坐标、灰度均值和灰度方差；计算损伤区域集合中任意两个损伤区域之间的欧氏距离，并在两个损伤区域之间的欧式距离小于预先设定的距离阈值时、基于方向性结构元素的形态学方法将该两个损伤区域进行合并。

其中，图7所示为本发明第九步中所使用的方向性结构元素的一个示例。图7中的每个结构元素涵盖了22.5度范围，8个结构元素可以无缝的涵盖两块损伤区域的相对位置。根据两个损伤区域之间的欧氏距离判断该对区域是否需要合并。若满足合并的条件，则上述的步骤进行区域合并。图8为两个损伤区域相对角度计算示例图。其中，Area1与Area2分别表示两个损伤区域，α为两个损伤区域的相对角度。

下表为方向性结构元素查找表，根据α的值选取恰当的方向性结构元素。

α	Area 1	Area 2
			0°～22.5°	4	0
22.5°～67.5°	3	7
			67.5°～112.5°	2	6
112.5°～157.5°	1	5
			157.5°～180°	0	4

本发明中选取的形态学运算为膨胀运算。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，包括以下步骤：

步骤1)，按照横向分块的方式对整个踏面区域进行分块处理，子区域高度大于最小需要检测出的损伤区域的高度；

令整体的踏面图像为W，子区域数为N，N为大于1的自然数，子区域为w_i，i＝1,2…N；

步骤2)，对于每个子区域w_i，基于灰度共生矩阵计算其纹理特征，得到其纹理特征向量v_i，i＝1,2…N；

步骤3)，对每个子区域w_i的纹理特征向量v_i进行归一化处理后，采用K-means++聚类方法对纹理特征向量空间内的所有的纹理特征向量进行聚类，将其划分为两类，并选取对比度较大的一类作为可疑子区域集合[ws₁,ws₂,…,ws_j]，j＝1,2…k,k＜N；

步骤4)，对相邻的可疑子区域进行合并，得到若干个不相邻的合并区域集合[M₁,M₂,…,M_u,…,M_m]后，在每个合并区域M_u内分别沿着水平扫描线与垂直扫描线寻找横向与纵向的灰度跳跃点，将其作为轮廓点的候选点，得到候选点集合，其中，u＝1,2…m,m＜k；

步骤5)，在候选点集合中沿着扫描线选取两个相邻的候选点，基于全局阈值的方法计算这两个候选点的扫描线上所有像素的灰度值的阈值T；

步骤6)，根据以下公式计算灰度值阈值P₁与P₂:

P₁＝α×T

P₂＝β×T

其中，α与β均为预设的比例系数，0≤α＜β≤1；

步骤7)，如果两个候选点之间的像素数目Num乘以预设的比例系数ε大于等于两个候选点之间灰度值介于P₁与P₂之间的像素数目Num₁，或者两个候选点的梯度方向的乘积大于等于0，则将该两个候选点从候选点集合中剔除；其中，0＜ε＜1；

步骤8)，重复步骤5)到步骤7)，直到候选点集合中候选点的数目不再变化，此时将候选点集合作为轮廓点集合；

步骤9)，在轮廓点集合中，沿水平扫描线与垂直扫描线对任意两个相邻的轮廓点进行连线，将所有呈直角相交的连线的交点作为种子点，获得种子点集合S；

步骤10)，令所有合并区域中损伤区域的灰度值X～N(μ,σ²)，种子点集合S为从分布X中取得的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ²；

步骤11)，根据种子点集合S总体分布X的均值μ与方差σ²采用区域生长技术实现机车踏面损伤区域的检测，得到损伤区域集合；

步骤12)，计算损伤区域的集合中每个损伤区域的特征向量，所述特征向量包含损伤区域轮廓的重心坐标、灰度均值和灰度方差；

步骤13)，计算损伤区域集合中任意两个损伤区域之间的欧氏距离，并在两个损伤区域之间的欧式距离小于预先设定的距离阈值时，基于方向性结构元素的形态学方法将该两个损伤区域进行合并。

2.根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，所述步骤2)中的纹理特征向量包含方差σ²(z)、对比度Co和一致性Ho，其中：

${\mathrm{\σ}}^2\left(z\right)=\underset{g=0}{\overset{L-1}{\Σ}}{(z_g-m)}^{2}p\left(z_g\right)$

$Co=\underset{r=1}{\overset{K}{\Σ}}\underset{l=1}{\overset{K}{\Σ}}{(r-l)}^2{p}_{rl}$

$Ho=\underset{r=1}{\overset{K}{\Σ}}\underset{l=1}{\overset{K}{\Σ}}\frac{p_{rl}}{1+|r-l|}$

其中，z是表示子区域图像的灰度值，p(z_g)为相应的直方图，g＝0,1,2...,L-1，其中L是不同灰度级的数量，m为z的均值；z_g表示图像灰度为g的灰度值；

其中，K是子区域图像的灰度共生矩阵的行数，r、l均为大于等于1小于等于K的自然数；p_rl为满足位置算子Q的值为(z_r,z_l)的点对的概率估计，概率估计的值域为[0,1]，且所有概率估计的和为1：

$\underset{r=1}{\overset{K}{\Σ}}\underset{l=1}{\overset{K}{\Σ}}{p}_{rl}=1$

所述位置算子Q的生成方向θ＝0°、生成间距d＝1；

H是轮廓点集合中所有在垂直扫描线上的轮廓点的集合。

3.根据权利要求2所述的基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，步骤3)对每个子区域w_i的纹理特征向量v_i进行归一化处理的详细步骤如下：

步骤3.1)，将所有的纹理特征向量v_i组成矩阵Y∈R^N×3,即：

步骤3.2)，根据以下公式对矩阵Y进行归一化：

$Y_{m,n}=\frac{Y_{m,n}-min\left(Y\right(n))}{max\left(Y\right(n))-min\left(Y\right(n))}$

其中，Y_m,n表示矩阵Y内第m行n列的元素，Y(n)表示矩阵Y的第n列，max(Y(n))与min(Y(n))分别表示矩阵Y第n列组成的向量的最大值与最小值。

4.根据权利要求3所述的基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，步骤5)中所述基于全局阈值的方法计算两个相邻候选点的扫描线上所有像素的灰度值的阈值T的详细步骤如下：

步骤5.1)，根据以下公式计算沿着扫描线方向两个候选点之间所有像素点的灰度值的均值T′：

$T^{\′}=\frac{\underset{b=1}{\overset{B}{\Σ}}{L}_b}{B}$

其中，L₁、L₂、…、L_b、…、L_B分别为两个候选点之间的像素点的灰度值，b＝1,2,…B，B为两个候选点之间的像素点的个数；

步骤5.2)，采用均值T′对沿着扫描线方向对相邻两个候选点之间的像素点集合进行二值化，将灰度值大于均值T′的像素放入集合S_bigger中，小于等于均值T′的像素放入集合S_less中；

步骤5.3)，分别计算S_bigger与S_less内各个像素灰度值的均值T_bigger、T_less；

步骤5.4)，将T_bigger、T_less的平均值和均值T′作差得到ΔT′；

步骤5.5)，将T_bigger、T_less的平均值赋给均值T′,清空集合S_bigger与S_less；

步骤5.6)，重复步骤5.2)至步骤5.5)，直到ΔT′的绝对值小于预设的差值阈值；

步骤5.7)，将均值T′作为两个相邻候选点的扫描线上所有像素的灰度值的阈值T输出。

5.根据权利要求4所述的基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，所述步骤10)中根据以下公式计算种子点集合S总体分布X的均值μ与方差σ²：

$\left\{\begin{array}{c}\mathrm{\μ}=\frac{1}{n}\left(\underset{ind=1}{\overset{n}{\Σ}}{x}_{ind}\right)\\ {\mathrm{\σ}}^2=\frac{1}{n}\underset{ind=1}{\overset{n}{\Σ}}{(x_{ind}-\stackrel{\‾}{x})}^2\end{array}\right.$

其中，n表示种子点集合内像素的数目，ind为种子点像素的索引，ind＝1,2…n；x_ind表示种子点集合内索引为ind的像素的灰度值，为种子点集合内像素灰度值的均值。

6.根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，所述步骤4)中寻找横向与纵向的灰度跳跃点的详细步骤如下：

沿着某一横向或纵向的扫描线，计算当前点的灰度值与相邻的两点的灰度值的差值，判断这两个差值的之间的差值的绝对值是否大于预设的灰度值阈值，若大于预设的灰度值阈值，则认为该点是灰度跳跃点。

7.根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，所述步骤11)的详细步骤为：

步骤11.1)，针对种子点集合S中每一个的种子点，判断其8邻域内的各个像素点的灰度值是否在[μ-3×σ,μ+3×σ]内，如果存在灰度值在[μ-3×σ,μ+3×σ]内的像素点，则将该像素点加入到种子点集合S中；

步骤11.2)，采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ²；

步骤11.3)，重复步骤11.1)至步骤11.2)，直到种子点集合S中种子点的数目不再变化；

步骤11.4)，根据种子点集合S得到损伤区域集合。