CN107463895A - 基于邻域向量pca的弱小损伤目标检测方法 - Google Patents

基于邻域向量pca的弱小损伤目标检测方法 Download PDF

Info

Publication number
CN107463895A
CN107463895A CN201710632463.3A CN201710632463A CN107463895A CN 107463895 A CN107463895 A CN 107463895A CN 201710632463 A CN201710632463 A CN 201710632463A CN 107463895 A CN107463895 A CN 107463895A
Authority
CN
China
Prior art keywords
image
vector
damage
neighborhood
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710632463.3A
Other languages
English (en)
Other versions
CN107463895B (zh
Inventor
王拯洲
李红光
达争尚
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XiAn Institute of Optics and Precision Mechanics of CAS
Original Assignee
XiAn Institute of Optics and Precision Mechanics of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by XiAn Institute of Optics and Precision Mechanics of CAS filed Critical XiAn Institute of Optics and Precision Mechanics of CAS
Priority to CN201710632463.3A priority Critical patent/CN107463895B/zh
Publication of CN107463895A publication Critical patent/CN107463895A/zh
Application granted granted Critical
Publication of CN107463895B publication Critical patent/CN107463895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于邻域向量PCA的弱小损伤目标检测方法，能够检测大小为1个像素的损伤目标和处于局部亮区的损伤目标。该方法是将损伤图像中的每个像素和它的8邻域像素看作一个列向量来参加运算，由每个像素生成的所有列向量将构建一个9维的数据立方体，通过使用PCA变换后，9维数据立方体的主要信息将集中在第一维，则变换后的第一维数据为NVPCA图像；然后使用LCM方法对NVPCA图像再一次进行处理后，获得了较好的图像增强效果。通过对增强图像进行特征提取，将获得每个损伤目标的重要统计信息，如坐标、尺寸、面积、能量积分等；此外，在损伤目标分离过程中使用了区域增长法。

Description

基于邻域向量PCA的弱小损伤目标检测方法
技术领域
本发明涉及一种弱小损伤目标检测方法。
背景技术
神光III主机装置是一个大型的可约束聚变(Inertial Confinement Fusion，ICF)打靶实验装置，是我国最大的高通量激光参数诊断平台。它包含上千个光学元件，这些光学元件对于激光的性能和质量具有巨大的影响。其中最主要的光学系统之一是终端光学组件(Final Optics Assemblies，FOA)系统。由于自聚焦效应，超高功率的激光束能使光学元件的表面内部产生损伤。这将会降低激光光束的质量，因为光束在损伤点周围的衍射，从而会损伤下游光路的光学元件。因此，终端光学损伤检测系统在可约束聚变系统中扮演了很重要的角色。
2006年，终端光学损伤检测是为美国点火装置设计的，主要通过分析光学元件的图像来检测具体光学元件的损伤。此后，梯度方向匹配(Gradient Direction Matching，GDM)由Barry Y.Chen提出，它通过在下游光路中寻找衍射环的形式来为上游光路中光学元件的损伤提供直接的证据。因为这种方法具有很大的误警率，很难在终端光学损伤检测系统中找到上游光学元件的损伤。2010年，中国工程物理研究院的彭志涛等人提出了终端光学在线损伤检测(Final Optics Damage Online Inspection,FODOI)系统，用来检测神光III主机装置终端光学组件(Final Optics Assemblies,FOA)在惯性约束实验中的光学元件损伤，这是一个基于暗场成像技术的在线光学元件损伤检测光学系统。该光学系统的每个光学元件的侧面搭载了一个LED光源阵列，由于损伤点的散射作用，在CCD的暗场图像上将会观察到对应位置较为明亮的散射光斑，从而实现对光学元件的在线检测。
近年来，很多学者提出了很多方法用来自动识别暗场图像中的损伤点。例如，基于聚类理论的最大和最小距离算法(maximum and minimum distance algorithm,MMD)用于对损伤目标进行检测。基于信息理论的一维最大熵法和改进的二维最大熵法也用来提取暗场图像的损伤信息。另外,谢亚平提出了一个基于边沿检测的损伤目标检测算法是，利用每个像素和8邻域之间的关系来计算梯度，该方法主要受到图像灰度的制约。这三种方法主要是基于梯度和边缘信息来检测暗场图像中的损伤目标，没有考虑提高原始图像的信噪比，只能检测尺寸大于100μm的损伤目标。
目前，基于信号增强技术的损伤检测方法有多，例如，2007年Kegelmeyer L M等提出的局域信噪比(Local Area Signal-to-Noise Ratio,LASNR)算法，2012年Feng Bo提出的局域信号强度(Local Area Signal Strength,LASS)算法,2014年CHEN C L P提出的局域对比度方法(Local Contrast Method,LCM),以及2015年王刚提出的图像块最大对比度测量(Image Patch Maximum Contrast Measurement,IPMCM)算法和杂乱背景下的优化的信杂比算法等。然而，由于对光学元件的损伤检测需要很高的准确率和速度要求，这些方法都无法满足实际的要求。例如，LASNR和LASS两种算法需要标定信号和背景的标准差，无法自动检测损伤目标，也很难有效地增强损伤目标信号。LCM方法能够增强每个损伤点的能量信息，但是使用变换图像的均值和标准差来计算全局阈值，这样，很难检测处于局部亮区的损伤目标。IPMCM法能够从背景中识别出损伤目标，但是在计算过程中对损伤区域使用了数字形态学中的膨胀操作，将会降低每个损伤目标的准确率。事实上，暗场图像中的很多损伤目标的尺寸都小于2个像素，对探测准确率要求很高。
发明内容
本发明提出一种基于邻域向量PCA的弱小损伤目标检测方法，能够检测大小为1个像素的损伤目标和处于局部亮区的损伤目标。
本发明涉及的理论基础：
我们注意到，小目标和周围邻域信号之间存在一定的相关性，而背景和周围邻域之间不相关，如果目标信号和邻域之间的相关性被消除了，则目标信号将会从背景中分离出来。因此，我们设想，经过某个目标增强操作，如果对比度增强后的目标区域灰度大于给定的阈值，则目标信息就会被检测出来。
邻域运算是指输出图像中每个像素是由对应的输入像素及其一个邻域内的像素共同决定时的图像运算。邻域运算主要是通过卷积和相关运算，对图像进行平滑、中值滤波、边缘检测及细化等处理。本发明对于损伤图像的检测主要是通过邻域运算来完成图像的对比度增强，所以传统的邻域运算无法满足要求。
考虑到PCA变换是一种线性变换，且随着主成分编号的增加各分量包含的信息量在逐渐减小。基于这一点，本发明提出基于邻域向量的PCA算法，该方法的思想是将损伤图像的每个像素和8邻域像素组成的3×3图像块当作一个向量来考虑，通过构建多维数据立方体，利用PCA变换将数据信息主要集中在第1维。对每个点和周围8邻域的像素来说，表现在每个3×3图像块的信息向中心点聚集，中心点表示了3×3块的主要信息，而且中心点和8邻域之间不相关。通过以上处理，增强了图像的对比度，并抑制了图像的背景信息。
本发明的解决方案如下：
该基于邻域向量PCA的弱小损伤目标检测方法，包括以下步骤：
首先，进行邻域向量PCA变换，对原始损伤图像进行增强，得到的图像记为NVPCA图像；所述邻域向量PCA变换是将原始损伤图像中的每个像素和它周围邻域的像素看作一个列向量来参加运算，由各个像素生成的所有列向量构建一个多维的数据立方体；再使用PCA变换，变换后的多维数据立方体的主要信息将集中在第一维，则变换后的第一维数据为所述NVPCA图像；
然后，使用LCM方法对NVPCA图像进行进一步增强，使得目标和背景之间的差别变得更大，对比度得到增强，背景信息得到抑制，包含损伤目标的区域从邻域分离出来；
最后，使用区域生长法检测局部区域的信号变化和使用自适应阈值公式进行二值化，最终的损伤目标被分离出来。
对于以上方案，进一步的，所述邻域向量PCA变换的具体流程如下：
1)图像向量化：设原始损伤图像的尺寸为m×n，且N＝m×n，将图像中的每个像素和周围邻域的像素组成一个L维的列向量，生成m×n个列向量，将所有m×n个列向量构建一个m×n×L的数据立方体，即原始损伤图像表示为向量组X＝(x1,x2,…,xL)T，其中xk为一个N×1的列向量；
2)向量中心化：将向量组X中的所有向量减去向量组X的均值向量，得到向量组Y；
Y＝X-E(X) (1)
3)计算向量组Y的协方差矩阵Σ；
4)求协方差矩阵Σ的特征值矩阵Λ和特征向量矩阵A，使得向量组Y的每个列向量都满足线性变换Z＝ATY，特征向量矩阵A对应的特征值矩阵Λ是一个由特征值由大到小组成的对角阵。
5)进行主成分变换，得到L×N的矩阵Z；
Z＝ATY (3)
6)矩阵Z的第一维数据D1即最终的邻域向量P CA变换结果：
D1＝{p′i,j,1,1≤i≤m,1≤j≤n} (4)。
以上方案的步骤1)中，具体可将m×n大小的原始损伤图像按行或按列有规则地连接成为N×1的列向量。
以上方案的步骤1)中，具体可将图像中的每个像素和周围8邻域的像素组成一个9维的列向量。
本发明具有以下有益效果：
1)本发明能够增强目标数据的信息，提高了图像的信噪比和对比度。
2)通过NVPCA和LCM的结合，使得局部区域的信噪比的进一步提高。
3)利用区域增长法对图像进行二值化，最终实现了弱小损伤目标的探测。
附图说明
图1为损伤图像每个像素的邻域信息。
图2为多维度数据立方体。
图3为本发明的损伤目标检测流程。
图4为损伤区域选择。
图5为图4所示10个区域NVPCA图像与原始图像的最大值、灰度积分、SNR之比。
图6为图4中区域6经过两次变换后信噪比变化情况，其中：(a)原始图像(信噪比＝6.15)，(b)NVPCA(信噪比＝7.42)，(c)NVLCM(信噪比＝7.58)。
图7为使用区域生长法完成损伤目标的分离图像，其中：(a)最终分离结果，(b)损伤区域的位置信息，(c)损伤区域的面积信息，(d)能量积分和损伤区域面积之间关系。
图8为图像块方差信息图像。
图9为本发明的检测性能分析。
图10为不同方法目标检测结果，其中：(a)一维最大熵法，(b)Top-hat，(c)LCM，(d)NVLCM。
具体实施方式
假设损伤图像的尺寸为m×n，且N＝m×n，将图像中的每一点和周围8邻域的像素组成一个9维的列向量，整个图像可以生成m×n个列向量，将所有m×n个列向量构建一个m×n×9的数据立方体。假设每个像素的灰度函数为f(x,y),其中x,y为图像的坐标，图1(a)表示对一个像素点和8邻域像素的访问次序，其中中心像素被标记为“1”，8邻域像素的编号为2－9，每个像素对应的灰度值为a1-a9,如图1(b)所示。计算每个像素的灰度值，如图1(c)所示。
令pi,j＝{a1,a2,…,a9}T,这里i,j为Y和X方向的坐标，pi,j为一个列向量，表示原始图像中每个点和所有邻域点组成的向量。用所有m×n个pi,j列向量构建一个m×n×L数据立方体,记为D＝{pi,j,k,1≤i≤m,1≤j≤n,1≤k≤L}，pi,j,k表示原始图像任一点(i，j)第k个邻域的灰度值。在数据立方体中，第1维记为I1，表示原始图像，按照图1(a)中从2到9的次序获得图像中的任一点f(x,y)的邻域图像，分别记为I2,I3,…,IL，共8副大小为m*n的图像。第2维为I2图像，依次类推，第L维为IL图像，如图2所示。
为了对多维数据进行PCA变换，将数据D转换为L×N的矩阵，记为也可以表示为X＝(x1,x2,…,xL)T，其中xk为1×N的向量，这里L＝9。其中xk是从大小为m×n的Ik图像变成的一个N×1行向量，其中k＝1,2,…,9。NVPCA变换流程具体如下：
1)图像向量化：输入图像可以表示成X＝(x1,x2,…,xL)T，其中xk为一个N×1的列向量。将一副m×n大小的图像变成一个N×1的列向量的方法可以按行，也可以按列或按其他方法有规则地连接起来，成为一个向量。
2)向量中心化：将向量组中的所有向量减去向量组的均值向量，即
Y＝X-E(X) (1)
3)计算向量组的Y的协方差矩阵Σ。
4)求协方差矩阵Σ的特征值矩阵Λ和特征向量矩阵A。
5)进行主成分变换
Z＝ATY (3)
6)L*N的矩阵Z是从m*n*L的数据立方体变换而来，第一维数据D1是最终的邻域向量P CA(Neighborhood Vector PCA)变换结果。
D1＝{p′i,j,1,1≤i≤m,1≤j≤n} (4)
总之，NVPCA是用邻域向量来构建数据立方体，并寻找一个特征向量矩阵A，使得数据立方体的每个列向量都满足线性变换Z＝ATY，特征向量矩阵A对应的特征值按照降序排列。通过NVPCA变换后，一个原始图像3×3的数据块被NVPCA图像的中心像素所代替，每个目标的信息将会朝着目标区域中心汇聚，使得目标的对比度得到增强。因此，通过NVPCA变换，目标信号得到增强而背景信号得到抑制，为准确而高效的检测小的损伤目标提供了条件。
以下通过一个具体示例详细说明本发明。
获取损伤图像是在线损伤检测的第一步，接下来需对原始图像进行数据处理，以获取损伤点的类型、位置、大小以及数量信息。ICF光学元件成像时，由于光学元件距离CCD距离远，是望远成像，并且由于损伤点很小，因而损伤点的能量很弱，采集到的损伤图像的信噪比较低。针对以上特点，本发明对于弱小损伤目标的检测主要经过三个步骤：1)邻域向量PCA变换；2)LCM损伤目标检测；3)使用区域增长法进行目标分离。
邻域向量PCA变换主要是为了对原始图像进行图像增强处理，提高图像的对比度(或者信噪比)并抑制图像的背景信息。LCM损伤目标检测，就是先使用邻域向量PCA(Neighborhood Vector PCA)变换进行图像增强处理，再使用C.L.Philip Chen等人提出的Local Contrast Method(LCM)方法进行损伤目标检测，该方法最初是用于弱小红外目标的探测，本发明将邻域向量PCA和LCM相结合，进行二次图像增强，取得了很好的效果。最后针对损伤图像弱对比度和损伤目标小的特点，使用区域生长法检测局部区域的信号变化，从而完成损伤目标的分离。损伤检测是流程如图3所示。
1、使用NVPCA进行图像增强
对于图像的增强主要从空间域和频域两个角度进行处理。空间域图像增强是设计不同的模板实现对图像的去噪、细化和锐化等操作。频域图像增强主要是通过傅立叶变换将空间域变换到频率域，利用低通滤波器对背景噪声信号进行滤波，而对于真实信号的影响不是很大，实现了对图像信噪比的增强。传统的空域和频域滤波对于弱对比度的损伤图像增强处理效果十分有限。采用本发明提出的基于邻域向量PCA和LCM相结合的方法对于图像中损伤目标的增强效果十分明显。为了说明本发明的图像增强效果和损伤目标的检测效果，选择10个最有代表性的区域，区域1－9为40×40像素的矩形区域，区域10为40×50像素的矩形区域，所选择区域编号如图4所示。
表一 10个选择损伤区域信息统计
1 2 3 4 5 6 7 8 9 10
coordinates 18,937 88,624 119,676 182,536 284,689 331,762 415,781 435,995 482,130 579,602
Org.gray Max 15 12 11 9 11 33 48 21 38 24
Nvpca max gray 28.08 21.39 19.37 13.71 24.69 87.69 96 37.14 80.54 48.78
Org.gray sum 9274 8674 8434 2279 8775 11795 9340 7546 10752 15303
Nvpca gray sum 14367 12586 11839 3299.9 12889 21923 14569 9198 18782 25101
Org.LSNR 0.75 2.63 0.85 0.26 3.45 6.15 6.51 4.40 6.24 3.95
Nvpca LSNR 0.80 6.27 1.12 0.31 8.41 7.42 10.93 22.83 8.03 5.36
下面分别从最大值、能量积分和信噪比三个方面进行比较，说明NVPCA变换的图像增强效果。对10个选择损伤区域来说，10个损伤区域的最大值、能量积分和信噪比都比原图变大，如表一所示。NVPCA图像相比原图的最大值、能量积分和信噪比的增长比例都大于1，分别平均增长1.98、1.53、1.92倍，如图5所示。对整个图像来说，NVPCA图像相比原图的最大值、能量积分分别提高为2、1.52，信噪比从3.24提高为4.85。从以上分析可以看出，NVPCA变换提高了整个图像和损伤区域的信噪比，对于损伤区域的信号部分增强效果明显，而对于损伤区域背景部分的改变十分有限，因此NVPCA变换能够实现对损伤目标的增强和对背景信息的抑制。
2、使用NVLCM方法进行图像增强
LCM算法主要用于对弱红外目标的检测，本发明通过前面NVPCA和LCM相结合的方法对损伤目标进行检测。先使用NVPCA算法对原始损伤图像进行图像增强，再使用LCM对NVPCA图像进行图像增强处理，将这两次图像增强过程命名为NVLCM。下面对LCM和NVLCM的图像增强效果进行比较。对整个图像来说，信噪比从5.0049增加为5.3730，这是因为NVLCM变换经过了两次图像增强过程，在增强损伤信息的同时也一定程度上增强了背景信息，使得在计算SNR时背景能量也增强了。但是信号能量所占整个图像能量的比例从43.08％提高为57.47％，这说明在总体信号上得到增强，而背景得到抑制。
对10个选择损伤区域来说，NVLCM法比LCM法对于图像的对比度增强效果更好，10个损伤区域的最大值、能量积分、信噪比都明显提高。其中10损伤区域的最大值有1个区域变小，9个区域变大，平均增长1.11倍；能量积分平均增长1.88倍；信噪比10个区域全部变大，平均增长1.34倍。以区域6为例，LCM和NVLCM法对信噪比增强效果如表二所示。
表二 区域6LCM和NVLCM两个方法图像增强效果比较
对原始图像来说，如果单独使用LCM法，则SNR从3.24提高为5.01；如果使用NVLCM法，则SNR经过两次增强，先从3.24提高为4.85,再提高为5.37，变化如图6所示。因此，NVLCM法比LCM法对SNR的增强效果更好。
尽管LCM的图像增强效果很明显，但是损伤目标的分离效果很差，所以提出一个有效的目标分离算法是十分必要的。
3、使用区域生长法进行目标分离
LCM用于目标探测的阈值计算公式为：:
其中为最终对比图的均值，为最终对比图的标准差，k的取值范围为3-5。从以上公式可以看出，LCM二值化时采用的是全局阈值，因此，采用LCM进行损伤目标检测存在明显的缺点：1)无法检测局域亮区的损伤目标。2)无法检测尺寸小于2个像素的弱小损伤目标。使用LCM法直接分离结果如图7(a)所示。
为了克服LCM在弱小损伤目标检测方面的缺点，本文在两个方面做了改进：1)通过邻域向量PCA和LCM两次图像增强，提高了原始图像的信噪比。2)在目标分离时采用区域生长法进行二值化处理，通过检测局部区域的信号变化，能够检测出局域亮区的损伤目标。该方法是对NVPCA、LCM和区域生长法的结合。
使用区域生长法进行损伤目标分离的基本思想就是：通过检测局部区域的信号变化，以最大灰度像素为种子，将灰度差小于阈值T的像素合并为损伤目标，将灰度差大于阈值T的像素合并为背景，从而完成损伤目标的分离。使用区域生长法完成目标分离后，选择大小为5×5的模板对分离结果进行数字形态学闭运算，一个连通区域为一个损伤目标。本次实验所选择阈值为T＝14.8964，最终的损伤目标检测结果如图7(b)所示。
本实施例共检测出了79个损伤目标，各损伤区域的位置信息和面积统计信息分别如图7(b)和图7(c)所示。其中小于2个像素(小于100平方微米)的弱小目标共35个，而大于2个像素的损伤目标共44个。从7(b)可以看出，本发明比LCM法能检测出更多的损伤目标，特别是对于小于100平方微米的损伤目标，本发明的准确率更高。
采用本发明对每个损伤区域的损伤面积和能量积分进行统计，发现两者之间存在一定的线性关系，所有79个损伤区域的损伤面积和能量积分对应关系如图7(d)所示，通过对各个损伤点进行线性拟合，拟合直线如图7(d)蓝色直线所示。在获得以上拟合直线后，就可以通过指定区域的能量积分值来计算该损伤区域的面积大小，特别是对于无法检测出的小于100微米的损伤区域，可以通过存在的能量积分值推算损伤区域面积的大小。
一、各种算法的信噪比分析
信噪比是衡量图像质量的重要指标。在损伤图像检测中，信噪比的计算要分为两种类型：目标已知和目标未知两种情况。
对于损伤目标和损伤区域已知的图像，常用全局信噪比GSNR和局部信噪比LSNR评价损伤图像的质量。其计算公式分别为
式中μt表示目标区的灰度均值，μg表示全局图像的灰度均值，σg表示整幅图像的标准差。
μt和μb分别表示目标区域和背景区域的平均灰度值，σb表示背景的标准差
表三 本发明和LCM方法信噪比比较1
原始图像 NVPCA NVLCM LCM
全局信噪比 3.2322 5.0502 6.6552 6.2657
局域信噪比 3.2381 4.8449 5.3730 5.0049
以上两种方法计算信噪比是需要获得准确的目标信息，因此，以上两种信噪比是在完成损伤目标检测后计算各个图像的信噪比。从表三中可以看出，经过NVPCA变换和LCM变换，GSNR从3.2322提高为6.6552，增益为2.06，而LCM的增益只有1.94，而LSNR从3.2381提高为5.3730，增益为1.66，而LCM的增益只有1.54。所以，本发明不但提高了原始图像的SNR,相比LCM方法具有更高的SNR，能够更准确地提取损伤目标。
对于未知目标损伤目标的图像，通过估计的方式计算图像的信噪比。由于损伤目标为非点目标图像，信号不能用灰度的大小来判断，利用图像的方差作为代表信号强弱的信息。将原图划分为大小为10×10大小的图像块，分别计算各个块的方差，结果如图8所示，由图中可以看出方差块图像和原始图像表示的损伤信息基本一致。
将非点目标图像的信噪比定义为
式中，为信号的方差，为噪声方差。对信号方差和噪声方差的近似估计方法是统计图像块(5*5或10*10像素)的局部方差，将最大值作为信号方差，最小值作为噪声方差。这种估计噪声方差的方法称为局部最小方差法。经验表明需要适当校正才更符合实际,文献Zhou Mouyan.Deconvolution and Signal Recovery[M].Beijing:National DefenceIndustry Press，2004:186-188提到的校正方法是:
SNR'LVM＝SNRLVM*1.04-7 (9)
因为一般损伤目标为多个像素，所以这种信噪比计算方法在一定程度上体现图像的质量。
表四 本发明和LCM信噪比比较2.
原始图像 NVPCA NVLCM LCM
局部最小方差信噪比 23.3726 28.2834 37.9409 25.9369
从表五可以看出，本文方法获得局部最小方差信噪比从37.9409提高为23.3726，增益比例为1.62，而用LCM获得的局部最小方差噪声比增益比例仅仅为1.11。
二、区域生长法目标分离分析
本发明选择区域生长法对NVLCM处理图像进行区域分割，区域增长的结果受到两个参数的影响：阈值T和邻域大小m。如果T过小，则会将非目标区域选择为损伤目标，而且产生大量的孤立点；如果T过大，则会将损伤目标选择为背景，而且会将原来比较大的一个连通区域分割成比较小的几个连通区域。对于阈值的选择，参考公式(5)。
当k越小，则阈值T越小，就会产生更多的1个像素的孤立点，或者会将一个损伤区域拆分为两个或者多个。当k较大时，则搜索到的损伤区域更少，损伤区域检测的准确率变小。实验结果证明，k＝2,T＝14.12时，分割效果最佳。
同样，在使用区域生长法进行图像二值化时候，搜索邻域大小m对于二值化结果具有一定的影响。如果m过小，可能搜索不到期望的区域；如果m过大，会将目标相邻的背景结果也提取出来。当块大小为3×3时，搜索到大小为1个像素的点较多，为28个，搜索到总的损伤点较少，只有64个。这是因为当m较小时，种子点和当前搜索的点都处于大小为3×3的区域内，所以容易产生较为小的区域。当块大小为5×5时，则搜索到个大小为1个像素的点较少，为23个，而总的损伤点较多，为78个。这是因为当前点相对种子点搜索的范围越大，则会将较大区域的点合并到一个损伤区域中。实验结果证明，当m＝5时，分割效果最佳。
三、对小损伤目标检测结果的分析
区域生长法是通过比较当前像素值与邻域像素值之差来进行损伤点的检测。如果当前像素值与邻域像素值之差小于阈值T，则认为是背景；如果当前值与邻域中某个像素值之差大于阈值T时，则认为当前像素为边界。当二值化结果为一个像素的孤立点时，则需要对判断该孤立点为是否为真正的损伤点。因为在比较大小时采用的是两个像素值之差的绝对值，所以获得的孤立点可以是一局部极小点。因此，只有选择当前值比所有邻域像素值都大的孤立点为最终检测到的大小为1个像素的损伤点。以本次实验为例，如果邻域大小m为3，则需要删除26个属于局部最小值的孤立点，最终获得2个大小为1的损伤点；如果大小m为5，则检测到23个孤立点，需要删除17个属于局域最小值的孤立点，最终获得6个大小为1的损伤点，本次实验选择m＝5，如表五所示。
表五 当m分别为3和5时目标检测结果比较
为了验证该算法对于损伤目标的探测性能，本发明通过选择两个区域来说明，如图9所示。图中共分为3列，第一列为原图、选择区域和两个区域的二值化图像，区域1的范围为(79:210,448:702)，共8个损伤目标，包含一个最小目标；区域2的范围为(207:442,615:1040)共9个损伤目标，包含一个最大目标和一个最小目标。第二列NVPCA图像增强效果显示。第三列为最大最小目标区域选择图像和二值化图像。从图中可以看出，该算法对于最小目标和最大目标都有很好的探测能力，满足了实验要求。
四、不同方法目标检测结果比较
使用不同的方法对损伤目标进行检测，结果如图10和表六所示。
表六 对不同方法的目标检测结果进行比较
一维最大熵法 Top-hat LCM 本文方法
损伤目标个数 13 129 1186 61
小目标个数 5 0 338 6
小目标尺寸 4 1 1 1
从表六可以看出，一维最大熵总共检测出13个损伤点，其中弱小损伤目标5个，大小为4个像素。该方法只能检测较为明显的损伤区域，无法检测明亮区域的损伤点和尺寸小于4个像素的损伤目标。因此，一维最大熵法不具备检测弱小损伤目标的能力。
图像f的top-hat变换为图像f与图像f的开运算之间差，使用top-hat变换对本次实验数据进行处理后，图像的均值、标准差、最大值都减小，分别为0.952、0.748、44。top-hat变换后图像的信噪比从3.238提高为5.121，使用一维最大熵法进行二值化后，也检测出了17个损伤点；使用公式6阈值计算公式时，共检测到129个损伤点，产生大量大小为4个像素的损伤点,检测准确率很低，如表三所示。所以，虽然经过top-hat变换提高了图像的信噪比，但是使用top-hat方法进行损伤检测效果比较差，很不适合用于检测弱对比度的损伤目标。将top-hat变换的图像使用区域生长法进行图像二值化时，由于极大地减少了图像的均值和标准差，使用公式(6)的自适应阈值方法，当K的取值范围为3-5时，将大量的背景信息检测为损伤目标，无法完成损伤目标的检测。
由于LCM在二值化时采用的全局阈值，虽然检测出了1186个连通区域，但是无法分离出该图中亮区的损伤目标。因此，LCM法虽然具备检测弱小损伤目标的能力，但是具有明显的缺点。
上面的实验数据显示，传统的方法在检测弱小损伤目标有很大缺陷，而本发明有明显的优势：1)能够损伤目标的信息，提高了损伤图像的信噪比和对比度。2)通过NVPCA和LCM的结合，局域信噪比得到了极大的提高。3)使用局域生长法进行二值化处理，获得了最终的损伤目标。因此，本发明能够检测大小为1个像素的损伤目标和处于局部亮区的损伤目标。在本次实验中，共检测出了61个损伤目标，其中小于2个像素的有效损伤目标为6个。
本发明中的NVLCM方法是NVPCA和LCM的结合，包含两个图像增强过程：首先，使用NVPCA算法对原始图像进行增强，再次，使用LCM方法对NVPCA图像进行进一步增强。因为以上两个图像增强过程，使得目标和背景之间的差别变得更大，对比度得到增强，背景信息得到抑制，包含损伤目标的区域从邻域分离出来。最后，当使用区域生长法检测局部区域的信号变化和使用自适应阈值公式进行二值化后，最终的损伤目标被分离出来。通过对增强图像进行特征提取，将获得每个损伤目标的重要统计信息，如坐标、尺寸、面积、能量积分等。

Claims (4)

1.基于邻域向量PCA的弱小损伤目标检测方法，其特征在于，包括以下步骤：
首先，进行邻域向量PCA变换，对原始损伤图像进行增强，得到的图像记为NVPCA图像；所述邻域向量PCA变换是将原始损伤图像中的每个像素和它周围邻域的像素看作一个列向量来参加运算，由各个像素生成的所有列向量构建一个多维的数据立方体；再使用PCA变换，变换后的多维数据立方体的主要信息将集中在第一维，则变换后的第一维数据为所述NVPCA图像；
然后，使用LCM方法对NVPCA图像进行进一步增强，使得目标和背景之间的差别变得更大，对比度得到增强，背景信息得到抑制，包含损伤目标的区域从邻域分离出来；
最后，使用区域生长法检测局部区域的信号变化和使用自适应阈值公式进行二值化，最终的损伤目标被分离出来。
2.根据权利要求1所述的基于邻域向量PCA的弱小损伤目标检测方法，其特征在于：
所述邻域向量PCA变换的具体流程如下：
1)图像向量化：设原始损伤图像的尺寸为m×n，且N＝m×n，将图像中的每个像素和周围邻域的像素组成一个L维的列向量，生成m×n个列向量，将所有m×n个列向量构建一个m×n×L的数据立方体，即原始损伤图像表示为向量组X＝(x1,x2,…,xL)T，其中xk为一个N×1的列向量；
2)向量中心化：将向量组X中的所有向量减去向量组X的均值向量，得到向量组Y；
Y＝X-E(X) (1)
3)计算向量组Y的协方差矩阵Σ；
<mrow> <mi>&amp;Sigma;</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>Y</mi> <mi>i</mi> </msub> <msubsup> <mi>Y</mi> <mi>i</mi> <mi>T</mi> </msubsup> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
4)求协方差矩阵Σ的特征值矩阵Λ和特征向量矩阵A，使得向量组Y的每个列向量都满足线性变换Z＝ATY，特征向量矩阵A对应的特征值矩阵Λ是一个由特征值由大到小组成的对角阵；
5)进行主成分变换，得到L×N的矩阵Z；
Z＝ATY (3)
6)矩阵Z的第一维数据D1即最终的邻域向量P CA变换结果：
D1＝{p′i,j,1,1≤i≤m,1≤j≤n}(4)。
3.根据权利要求2所述的基于邻域向量PCA的弱小损伤目标检测方法，其特征在于：步骤1)中，是将m×n大小的原始损伤图像按行或按列有规则地连接成为N×1的列向量。
4.根据权利要求2所述的基于邻域向量PCA的弱小损伤目标检测方法，其特征在于：步骤1)中，是将图像中的每个像素和周围8邻域的像素组成一个9维的列向量。
CN201710632463.3A 2017-07-28 2017-07-28 基于邻域向量pca的弱小损伤目标检测方法 Active CN107463895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710632463.3A CN107463895B (zh) 2017-07-28 2017-07-28 基于邻域向量pca的弱小损伤目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710632463.3A CN107463895B (zh) 2017-07-28 2017-07-28 基于邻域向量pca的弱小损伤目标检测方法

Publications (2)

Publication Number Publication Date
CN107463895A true CN107463895A (zh) 2017-12-12
CN107463895B CN107463895B (zh) 2019-09-20

Family

ID=60547992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710632463.3A Active CN107463895B (zh) 2017-07-28 2017-07-28 基于邻域向量pca的弱小损伤目标检测方法

Country Status (1)

Country Link
CN (1) CN107463895B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376656A (zh) * 2018-02-08 2018-08-07 北京科技大学 基于二维x射线检测技术的超大晶粒尺寸的无损检测方法
CN109816627A (zh) * 2018-12-13 2019-05-28 中国科学院西安光学精密机械研究所 平面玻璃元件油墨区弱小缺陷目标检测方法
CN110930425A (zh) * 2019-10-21 2020-03-27 中国科学院西安光学精密机械研究所 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN111860616A (zh) * 2020-06-30 2020-10-30 中国科学院西安光学精密机械研究所 综合诊断系统弱对比度准直图像目标中心通用获取方法
CN116595849A (zh) * 2023-05-19 2023-08-15 长安大学 一种金属结构冲击损伤破坏模型的构建方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101951523A (zh) * 2010-09-21 2011-01-19 北京工业大学 一种自适应彩色图像处理方法及系统
CN103020922A (zh) * 2013-01-10 2013-04-03 西安电子科技大学 基于pca变换的sar图像相干斑抑制方法
CN103617426A (zh) * 2013-12-04 2014-03-05 东北大学 一种自然环境干扰和有遮挡时的行人目标检测方法
CN105139377A (zh) * 2015-07-24 2015-12-09 中南大学 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法
CN105404859A (zh) * 2015-11-03 2016-03-16 电子科技大学 一种基于池化车辆图片原始特征的车型识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101951523A (zh) * 2010-09-21 2011-01-19 北京工业大学 一种自适应彩色图像处理方法及系统
CN103020922A (zh) * 2013-01-10 2013-04-03 西安电子科技大学 基于pca变换的sar图像相干斑抑制方法
CN103617426A (zh) * 2013-12-04 2014-03-05 东北大学 一种自然环境干扰和有遮挡时的行人目标检测方法
CN105139377A (zh) * 2015-07-24 2015-12-09 中南大学 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法
CN105404859A (zh) * 2015-11-03 2016-03-16 电子科技大学 一种基于池化车辆图片原始特征的车型识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
MIAO LI等: "Joint detection and tracking of size-varying infrared targets based on block-wise sparse decomposition", 《INFRARED PHYSICS&TECHNOLOGY》 *
WANG GANG 等: "Detection of infrared dim small target based on image patch contrast", 《OPTICS AND PRESION ENGINEERING》 *
YIMIAN DAI 等: "Infrared small target and background separation via column-wise weighted robust principal component analysis", 《INFRARED PHYSICS&TECHNOLOGY》 *
刘瑛 等: "PCA与PCNN结合的遥感图像分割方法", 《计算机工程与应用》 *
刘苒苒 等: "一种基于非局部思想的改进图像降噪算法", 《计算机应用研究》 *
王晓阳 等: "局部对比度结合区域显著性红外弱小目标检测", 《强激光与粒子束》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376656A (zh) * 2018-02-08 2018-08-07 北京科技大学 基于二维x射线检测技术的超大晶粒尺寸的无损检测方法
CN108376656B (zh) * 2018-02-08 2020-07-31 北京科技大学 基于二维x射线检测技术的超大晶粒尺寸的无损检测方法
CN109816627A (zh) * 2018-12-13 2019-05-28 中国科学院西安光学精密机械研究所 平面玻璃元件油墨区弱小缺陷目标检测方法
CN109816627B (zh) * 2018-12-13 2021-01-15 中国科学院西安光学精密机械研究所 平面玻璃元件油墨区弱小缺陷目标检测方法
CN110930425A (zh) * 2019-10-21 2020-03-27 中国科学院西安光学精密机械研究所 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN110930425B (zh) * 2019-10-21 2022-08-05 中国科学院西安光学精密机械研究所 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN111860616A (zh) * 2020-06-30 2020-10-30 中国科学院西安光学精密机械研究所 综合诊断系统弱对比度准直图像目标中心通用获取方法
CN111860616B (zh) * 2020-06-30 2024-05-14 中国科学院西安光学精密机械研究所 综合诊断系统弱对比度准直图像目标中心通用获取方法
CN116595849A (zh) * 2023-05-19 2023-08-15 长安大学 一种金属结构冲击损伤破坏模型的构建方法及装置
CN116595849B (zh) * 2023-05-19 2024-01-19 长安大学 一种金属结构冲击损伤破坏模型的构建方法及装置

Also Published As

Publication number Publication date
CN107463895B (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN107463895A (zh) 基于邻域向量pca的弱小损伤目标检测方法
CN110210463B (zh) 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法
CN107392232B (zh) 一种浮选工况分类方法和系统
CN113689428A (zh) 基于图像处理的机械零件应力腐蚀检测方法及系统
CN107248159A (zh) 一种基于双目视觉的金属工件缺陷检测方法
CN104794502A (zh) 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法
CN102789578B (zh) 基于多源目标特征支持的红外遥感图像变化检测方法
CN104951799B (zh) 一种sar遥感影像溢油检测识别方法
CN107705288A (zh) 伪目标运动强干扰下的危险气体泄漏红外视频检测方法
CN107464252A (zh) 一种基于混合特征的可见光与红外异源图像识别方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN109657610A (zh) 一种高分辨率多源遥感影像的土地利用变化检测方法
CN107392885A (zh) 一种基于视觉对比机制的红外弱小目标检测方法
CN104899892B (zh) 一种快速的星图图像星点提取方法
CN102855622A (zh) 一种基于显著性分析的红外遥感图像海面船只检测方法
CN101976436A (zh) 一种基于差分图修正的像素级多聚焦图像融合方法
CN109377480A (zh) 基于深度学习的耕地变化检测方法
CN106373146A (zh) 一种基于模糊学习的目标跟踪方法
CN108648184A (zh) 一种遥感图像高空卷云的检测方法
CN105279772A (zh) 一种红外序列图像的可跟踪性判别方法
CN108121972A (zh) 一种局部遮挡条件下的目标识别方法
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN110930425B (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN113252103A (zh) 一种基于matlab图像识别技术计算物料堆体积及质量的方法
CN108090492B (zh) 基于尺度线索抑制的轮廓检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant