CN108109128A - 一种基于空间相关性的红外热图像处理方法 - Google Patents

一种基于空间相关性的红外热图像处理方法 Download PDF

Info

Publication number
CN108109128A
CN108109128A CN201711240565.7A CN201711240565A CN108109128A CN 108109128 A CN108109128 A CN 108109128A CN 201711240565 A CN201711240565 A CN 201711240565A CN 108109128 A CN108109128 A CN 108109128A
Authority
CN
China
Prior art keywords
mrow
munderover
msup
frame
image
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
CN201711240565.7A
Other languages
English (en)
Other versions
CN108109128B (zh
Inventor
程玉华
陈雪
田露露
白呼和
于海超
段宝妹
白利兵
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201711240565.7A priority Critical patent/CN108109128B/zh
Publication of CN108109128A publication Critical patent/CN108109128A/zh
Application granted granted Critical
Publication of CN108109128B publication Critical patent/CN108109128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种基于空间相关性的红外热图像处理方法，首先实时在线采集加热阶段的视频流数据，然后提取边缘信息，分析相邻两帧的相关性，计算相关性系数，绘制出随时间变化的相关性系数曲线，它反映了被测试件在加热过程中多缺陷耦合后的热响应状态的差异性，最后根据预设值选取出几幅合适的热图像经融合后进行后续的缺陷检测。

Description

一种基于空间相关性的红外热图像处理方法
技术领域
本发明属于红外热图像处理技术领域，更为具体地讲，涉及一种基于空间相关性的红外热图像处理方法。
背景技术
目前，红外热成像无损检测技术已成为无损检测技术的一个重要分支。在红外热成像无损检测技术中，缺陷提取、图像增强方面的研究已经获得了许多的成果。红外热成像检测技术可以有很多检测方式。脉冲热成像无损检测其激励源为主动式，常用的激励源有热水、热气流、闪光灯、超声波、微波、激光和电流等。不同加热方式，产生热量形式不同。对于电流激励的加热方式，其加热范围广，热量可达被测件内部，而且加热效率高。在加热过程中，电流的流向会受到被测件内部缺陷的影响发生改变，使得缺陷处的加热效果与其周围区域不同，最终导致缺陷处的温度分布与其他区域不同，从而通过温度的差异判定缺陷。电流激励方式可分为两种：接触式和非接触式。接触式对应的是电磁传导热成像，非接触式对应的是涡流热成像。涡流热成像即非接触式激励，其应用范围更广，相关研究也相对较多，所以这种检测方法是一种极具发展潜力的无损检测技术。
脉冲涡流热成像检测过程可以划分为感应加热阶段和冷却阶段。在感应加热阶段电磁感应与热传导两种物理过程并存，被测件通过高频交流电激励进行加热，涡流分布被缺陷影响发生改变，在被测件表面产生不同的涡流密度区域，由焦耳热定律可知，这会导致产生的热量不同，从而使试件表面产生高低温的差异；在冷却阶段，被测件中只有热传导一种物理过程起作用，高温区的热量向低温区传递，直至热量平衡。被测件中的缺陷同样会改变热传导的速度，形成温差。通过红外热像仪采集整个过程的温度变化情况，并对热图像序列进行处理分析来检测评估缺陷。
作为新兴的无损检测技术，脉冲涡流热成像检测受到了广泛关注，目前国内外一些机构也对该技术进行了研究分析。部分机构对该技术从检测机理方面进行了仿真分析。国防科学技术大学研究了脉冲涡流热成像技术的检测机理，并利用该技术实现了钢结构与碳纤维复合试件缺陷的检测评估。军械工程学院对脉冲涡流热成像图像去噪方法进行了研究，对该技术的检测缺陷的机理进行了仿真，讨论了裂纹方向对脉冲涡流激励的影响，并通过该技术实现了钢板表面裂纹及腐蚀的定量检测。部分机构通过对该技术检测原理的研究，搭建了自己的试验平台。巴斯大学、英国纽卡斯尔大学等机构在英国相关机构的资助下，对脉冲涡流热成像技术的检测原理进行了研究，设计了自己的检测系统。这些机构也对采集的热图像数据处理和缺陷特征提取相关算法进行了研究，实现了金属、复合材料中缺陷以及RCF产生的疲劳多裂纹的检测。还有一些机构学者应用该技术对不同材料缺陷检测进行了研究。Vrana等人于2009年在《AIP Conference》“Induction and conductionthermography:optimizing the electromagnetic excitation towards application”一文中说明利用脉冲涡流热成像技术检测细小裂纹，其能检测到的深度可以小到100μm。澳大利亚莱奥本大学通过该技术检测了不同材料的试件不同尺寸的缺陷，并对结果进行了分析研究。除此之外，Bai、Tian等人于2012年-2013年期间在“Physical interpretation andseparation of eddy current pulsed thermography”等文章中对该技术中涉及到的焦耳加热、热对流、热传导等物理过程进行了深入的研究分析，并将其与热图像特征提取相结合，从物理层面分析了缺陷特性，并在缺陷自动识别、应力检测等方面进行了应用。
随着脉冲涡流热成像技术的发展，与其相关的热图像处理方法也受到了广泛关注。该技术采集的热视频流，通过合适处理方法可以提取大量的材料特性、缺陷特征等信息，因此很多学者对热图像处理方法进行了研究。
Marinetti等人于1996年在《J.Appl.Phys》第79期第5卷“Pulsed Phase InfraredThermography”一文提到采用傅立叶变换的方法对采集到的整个热图像序列进行变换，分离出幅度信息和相位信息。其中，相位图增大了图像中的对比度，消除了发射率的影响，突出了缺陷的信息，提高了缺陷的识别率。脉冲涡流热成像检测技术采集到的整个热图像序列中还包含了缺陷特征以及其他大量信息，于是有些学者还引入了统计学的方法来挖掘隐藏信息。Rajic、Marinetti等人分别于2002年在《Composite Structures》第58期“Principal component thermography for flaw contrast enhancement and flawdepth characterisation in composite structures”和2005年在《Infrared Phys.&Technol》第46期“Statistical analysis of IR thermographic sequences by PCA”中都提出了利用主成分分析法将整个热图像序列主要信息压缩到少量的主成分数据中，使关键的信息更集中，达到强化缺陷特征的目的。Cheng等人于2014在《IEEE Sensor Journal》第14期第5卷“Impact Damage Detection and Identification Using Eddy CurrentPulsed Thermography Through Integration of PCA and ICA”一文中提出通过主成分分析和独立成分分析处理热图像视频流，实现了碳纤维增强复合材料不同层缺陷的检测。Khan等人于2008年在《IEEE Sensor Journal》第8期第7卷“A source separationtechnique for processing of thermometric data from fiber-optic DTSmeasurement for water leakage identification in dikes”中提出同时利用主成分分析及独立成分分析对采集的温度数据处理，来检测堤坝水泄漏的问题，并取得了较好的效果。随后部分学者发现独立成分对于缺陷特征提取比主成分分析效果更好，并在这方面进行了深入研究。Bai等人于2013年在《IEEE Sensor Journal》第13期“Spatial and TimePatterns Extraction of Eddy Current Pulsed Thermography using Blind SourceSeparation”一文中提出采用独立成分分析算法对热视频流进行处理，得到了热图像空域及时域特征，实现了不锈钢板表面缺陷的检测。Gao等人于2014年在《IEEE TRANSACTIONSON INSTRUMENTATION AND MEASUREMENT》第63期第4卷“A Comparative Study ofPrincipal Component Analysis and Independent Component Analysis in EddyCurrent Pulsed Thermography Data Processing”一文中提出利用独立成分分析的方法提取了缺陷特征，提出一种基于峰态系数的缺陷自动识别方法，并对独立成分中对比函数的选取提出了指导方针。Liang等人于2014年在《IEEE Sensors Journal》第14期第5卷“Impact Damage Detection and Identification Using Eddy Current PulsedThermography Through Integration of PCA and ICA”一文中提出了采用将主成分分析与独立成分分析相结合的方法，在没有任何培训知识的条件下，根据瞬时响应特征提取出时间和空间模型，检测和识别碳纤维复合材料中不同类型的缺陷。
虽然独立成分分析的算法可以很好的分离信号、提取相关特征信息，但仍然存在一些不足之处，很多学者对该算法的结果优化进行了研究。随着大数据时代的到来，数据融合作为新兴的数据处理技术也关注，也得到了广泛应用。王仲妮等人在第三届图像图形技术与应用学术会议“基于有序的快速独立成分分析的遥感影像融合”一文中提出了一种基于有序的快速独立成分分析的全色影像和多光谱影像的融合算法，提高了融合后图像的信噪比。Chen等人于2012年在《Procedia Engineering》第29期“Fusion of remote sensingimages using improved ICA mergers based on wavelet decomposition”一文中提出了一种基于小波变换的独立成分分析融合方法来处理遥感图像，该方法提高了融合图像的空间分辨率。Nedeljko等人在2006年的IEEE International Conference上的“Adaptiveimage fusion using ICA bases”一文中提出了一种基于独立成分分析的多通道图像融合算法，实现了图像特征的增强。除此之外常用的融合方法还用很多种，如贝叶斯推理、Contourlet变换、模糊理论等。
从上述科研成果来看，虽然对缺陷信息的提取具有良好的效果，但是目前大量的研究方法还是将所有的热图像序列都采集后再进行处理，或者是单独采集加热阶段或冷却阶段的数据进行处理，这样不仅运算量太大，而且存在信息冗余，使得检测效率并不高。同时，以上研究的缺陷检测仍然是基于单个缺陷或者是多个缺陷耦合作用可以被忽略的情况，并没有考虑多个缺陷同时存在并相互影响的情况，对多缺陷检测缺少相应的研究。傅里叶变换、主成分分析、独立成分分析等方法虽对单个缺陷检测有效，但是当多个缺陷存在且热场相互耦合时，其有效性有待考证。同时，以上数值方法并没有考虑涡流脉冲热成像数据的物理含义，对数据本身的物理信息的挖掘极其有限。而热成像数据的物理含义来源于电磁场，热场之间的能量转换，缺陷之间的耦合作用通过热场耦合的形式表现出来，和缺陷的状态有着密切的联系，因此，需要开展新的分析角度和方法有很大的研究意义。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于空间相关性的红外热图像处理方法，通过融合提取的几幅热图像来完全代替后面的热图像数据，且包含了缺陷的全部信息，从而克服信息冗余的缺点。
为实现上述发明目的，本发明一种基于空间相关性的红外热图像处理方法，其特征在于，包括以下步骤：
(1)、对处于室温或低于室温的被测试件进行一段时间的加热，然后实时在线采集加热阶段的视频流数据，设视频流数据中共计K帧图像；
(2)、先将视频流数据中的每一帧图像转换成灰度图，然后利用Sobel算子模板对每一帧图像进行边缘信息提取，得到每一帧图像的边缘图像；
(3)、对相邻帧的边缘图像进行相关性计算，得到相关性系数r(m,n)；
其中，i＝1,2,…,M，j＝1.,2,…,N，M、N分别表示一帧图像横向和纵向的像素点总数；和分别表示第m帧和第n帧边缘图像中像素点(i,j)的像素值，和分别表示第m帧和第n帧图像的像素均值，m-n＝δ，δ为帧间隔；
按照上述公式计算完所有相邻帧的边缘图像相关性系数，得到K-1个相关性系数；
(4)、将K-1个相关性系数以时间(帧数)为横坐标，以对应的相关性系数为纵坐标，绘制相关性系数曲线f(t)；
(5)、计算已知缺陷区域对应的相关性系数，然后绘制该区域的相关性系数曲线f1(t)；
(6)、结合f1(t)的曲线走势，找到曲线变化平缓时对应的纵坐标值f0，再令阈值α为：α＝f0；
(7)、根据步骤(6)得到的α值，在曲线f(t)中对应找到其横坐标值t，即f(t)＝α，从而根据阈值α在红外热视频流中找到一帧最佳热图像；
(8)、将该帧最佳热图像及其之后的L帧图像进行融合处理，L＜＜K，再将融合后的图像用于缺陷检测，从而尽可能多的保留了缺陷的特征信息。
本发明的发明目的是这样实现的：
本发明一种基于空间相关性的红外热图像处理方法，首先实时在线采集加热阶段的视频流数据，然后提取边缘信息，分析相邻两帧的相关性，计算相关性系数，绘制出随时间变化的相关性系数曲线，它反映了被测试件在加热过程中多缺陷耦合后的热响应状态的差异性，最后根据预设值选取出几幅合适的热图像经融合后进行后续的缺陷检测。这样的处理是因为在加热过程中，热量不断积累，但如果存在缺陷的话，缺陷区域与其他区域的热响应状态不同，在加热初期，缺陷区域的温度快速上升，随着加热的不断进行，吸收和扩散达到一定的稳态，此时的热量分布变化基本保持稳定，因此可以在加热阶段的数据中提取出几幅热图像，经融合后它们可以完全代替后面的热图像数据，并包含着缺陷的全部信息。
附图说明
图1是本发明基于空间相关性的红外热图像处理方法流程图；
图2是实施例中所采用的试件照片；
图3是某一幅热图像提取到的边缘信息效果图；
图4是本实施例中得到的相关性系数曲线示意图；
图5是区域划分示意图；
图6是缺陷区域对应的相关性系数曲线图；
图7是非缺陷区域对应的相关性系数曲线图；
图8是根据预设值提取的经过融合处理的热图像的示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于空间相关性的红外热图像处理方法流程图。
在本实施例中，如图1所示，本发明一种基于空间相关性的红外热图像处理方法，包括以下步骤：
S1、对处于室温或低于室温的不锈钢试件进行一段时间的加热，然后实时在线采集加热阶段的视频流数据，不需要冷却数据。在本实施例中，还可以对于采集到的视频流可以进行一些预处理，例如去噪处理，以消除由于仪器造成的时间差以及外界噪声的干扰作用。
如图2所示，被测试件选用不锈钢材料，存在孔洞及凹槽缺陷。用脉冲涡流对试件中的3号和4号缺陷进行加热，采集其加热过程中的部分红外热图像视频流，共计201帧热图像序列。其中，红外热像仪采用的帧频为25Hz，红外热成像视频流每帧为480*640像素。
S2、先将视频流数据中的每一帧图像转换成灰度图，这样可以提高边缘信息的准确性；然后利用Sobel算子模板对每一帧图像进行边缘信息提取，得到每一帧图像的边缘图像，在本实施例中，Sobel算子模板选用3*3大小的模板；从图3中看出，除了缺陷的边缘之外，还有试件的边缘，但可以通过图像剪裁来消除掉。
S3、对相邻帧的边缘图像进行相关性计算，得到相关性系数r(m,n)；
其中，i＝1,2,…,M，j＝1.,2,…,N，M、N分别表示一帧图像横向和纵向的像素点总数；和分别表示第m帧和第n帧边缘图像中像素点(i,j)的像素值，和分别表示第m帧和第n帧图像的像素均值，m-n＝δ，δ为帧间隔，为了更准确地显示相关性系数曲线在加热过程中的变化趋势，帧间隔δ不宜太大，其取值范围一般为1≤δ≤3，其具体的值可以根据各类缺陷的实验得到，在本实施例中δ＝1。在使用较高采样率的热像仪时，可以根据上升时间采用变步长的形式来处理图像帧，但是需要遵循一个原则，即在上升沿处采用小补偿，在后其他地方采用大步长。因为该方法的优势就是减少热成像中的处理速度，且在热加载过程中的信息量是最大的。
按照上述公式计算完所有相邻帧的边缘图像相关性系数，得到K-1个相关性系数；
在本实施例中，我们还可以通过如下方法计算相关性系数：
1)、分别将相邻两帧边缘图像按照行方向，将图像中的像素点像素值转换成一个一维向量X(1)和Y(1)；
2)、分别对两个一维向量按数据从小到大的顺序进行排列，得到排列后的向量为和将向量和对应位置处的元素组二维点，由此得到一个由二维点构成的集合并将集合中的一对二维点称为秩次；
3)、计算集合中所有秩次的差值，即i＝1,2,…,k，k为秩次的总个数；
4)、计算相邻两帧边缘图像的相关性系数ρs：
S4、将K-1个相关性系数以时间(帧数)为横坐标，以对应的相关性系数为纵坐标，绘制相关性系数曲线f(t)；由图4可知，图中有两个明显的突变点，分别位于第24帧和第33帧，还存在两个相对较小的拐点，分别位于第107帧和第134帧。由于涡流会受到缺陷的引导而在缺陷处产生大量的热，所以第一个突变点是由于开始加热时引入了热源，导致图像整体产生了一定的变化，因而在此时相关性系数发生突变。
S5、计算已知缺陷区域对应的相关性系数，然后绘制该区域的相关性系数曲线f1(t)；
不锈钢表面缺陷检测中，如果缺陷的深度小于或等于涡流的趋肤深度，涡流会绕过缺陷从缺陷的下表面及其两端通过，使得缺陷上边沿的涡流密度要远小于缺陷两端和底部的涡流密度。这种涡流密度分布的不均匀，使得被测件表面热量的不均匀。随着加热的不断进行，试件整体都在被加热的过程中，但是对于缺陷区域来说，在加热过程中，当缺陷长和宽一定时，随着缺陷深度的增加，从缺陷底部流过的涡流逐渐减少，更多的涡流会沿缺陷的两端及其边沿流动，使得缺陷两端及边沿的涡流密度增大，涡流密度越大加热效率越高，所以温度上升的也越快；而对于其他区域来说，感生涡流是均匀分布的，因此试件处于逐渐被加热的状态，没有较大的温度变化，这就是第二个突变点产生的原因。当试件的热量吸收到一定程度时，加热线圈的温度和缺陷区域的温度基本一样，此时吸热与放热达到一种稳态，使得温度的变化趋于平缓，此时可以看出图中的相关性系数曲线逐渐趋于平缓，相关度也越来越高。这种基于空间相关性来分析加热阶段中热响应状态的不同产生的差异性，不仅在算法上容易实现，而且充分考虑了热传导过程中的物理意义，使得方法本身具有理论支撑。因此，基于空间相关性的红外热图像处理方法可以快速实现缺陷的在线识别。
表面缺陷大小及深度的不同干扰了涡流流向，从而造成了被测件表面温度分布的不同，因此缺陷周围温度分布情况反映了缺陷的深度信息。于是我们可以从红外热图像视频流中选出几幅合适的热图像，经过融合处理后用于后续缺陷尺寸的检测。
S6、结合f1(t)的曲线走势，找到曲线变化平缓时对应的纵坐标值f0，再令阈值α为：α＝f0；
S7、根据步骤S6得到的α值，在曲线f(t)中对应找到其横坐标值t，即f(t)＝α，从而根据阈值α在红外热视频流中找到一帧最佳热图像；
S8、将该帧最佳热图像及其之后的L帧图像进行融合处理，L＜＜K，再将融合后的图像用于缺陷检测，从而尽可能多的保留了缺陷的特征信息。
在本实施例中，如图5所示，将缺陷区域和非缺陷区域单独划分出来，研究缺陷独立存在时的相关性系数曲线和不存在缺陷时的相关性系数曲线的差异性。图6是缺陷区域对应的相关性系数曲线图，图7是非缺陷区域对应的相关性系数曲线图。从两幅图的对比可以看出，缺陷区域对应的相关性系数的波动范围在0.45-1之间，而非缺陷区域对应的相关性系数的波动范围在0.85-1之间，结合图4来看，整体的相关性系数的波动范围则是在0.83-1之间。综合以上3幅图像，可以发现，相关性系数基本上在0.95以后的变化趋势趋于平缓并逼近1或者可以达到1，因此，我们将预设值a设置为0.95。在图4中我们可以找到，当a＝0.95时，对应的帧数为第65帧，大约是加热开始后的1.6s。然后选取第65帧之后的L帧图像进行融合，为了尽可能充分地保留详细的缺陷信息又不增加运算的复杂性，L取为10。图8是根据预设值提取的经过融合处理的热图像的示意图。从图8中看出，本发明的方法不仅可以实现快速提取缺陷信息的特征，而且还可以保留了缺陷的完整信息，有利于后续的分析和检测。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种基于空间相关性的红外热图像处理方法，其特征在于，包括以下步骤：
(1)、对处于室温或低于室温的被测试件进行一段时间的加热，然后实时在线采集加热阶段的视频流数据，设视频流数据中共计K帧图像；
(2)、先将视频流数据中的每一帧图像转换成灰度图，然后利用Sobel算子模板对每一帧图像进行边缘信息提取，得到每一帧图像的边缘图像；
(3)、对相邻帧的边缘图像进行相关性计算，得到相关性系数r(m,n)；
<mrow> <mi>r</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>m</mi> </msubsup> <mo>-</mo> <msup> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mi>m</mi> </msup> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msubsup> <mi>y</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>n</mi> </msubsup> <mo>-</mo> <msup> <mover> <mi>Y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>n</mi> </msup> <mo>)</mo> </mrow> </mrow> <mrow> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>m</mi> </msubsup> <mo>-</mo> <msup> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mi>m</mi> </msup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>y</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>n</mi> </msubsup> <mo>-</mo> <msup> <mover> <mi>Y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>n</mi> </msup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow> </mfrac> </mrow>
其中，i＝1,2,…,M，j＝1.,2,…,N，M、N分别表示一帧图像横向和纵向的像素点总数；和分别表示第m帧和第n帧边缘图像中像素点(i,j)的像素值，和分别表示第m帧和第n帧图像的像素均值，m-n＝δ，δ为帧间隔；
按照上述公式计算完所有相邻帧的边缘图像相关性系数，得到K-1个相关性系数；
(4)、将K-1个相关性系数以时间(帧数)为横坐标横坐标，以对应的相关性系数为纵坐标，绘制相关性系数曲线f(t)；
(5)、计算已知缺陷区域对应的相关性系数，然后绘制该区域的相关性系数曲线f1(t)；
(6)、结合f1(t)的曲线走势，找到曲线变化平缓时对应的纵坐标值f0，再令阈值α为：α＝f0；
(7)、根据步骤(6)得到的α值，在曲线f(t)中对应找到其横坐标值t，即f(t)＝α，从而根据阈值α在红外热视频流中找到一帧最佳热图像；
(8)、将该帧最佳热图像及其之后的L帧图像进行融合处理，L＜＜K，再将融合后的图像用于缺陷检测，从而尽可能多的保留了缺陷的特征信息。
2.根据权利要求1所述的一种基于空间相关性的红外热图像处理方法，其特征在于，所述的Sobel算子模板选用3*3大小的模板。
3.根据权利要求1所述的一种基于空间相关性的红外热图像处理方法，其特征在于，所述的帧间隔δ满足的范围为：1≤δ≤3。
4.根据权利要求1所述的一种基于空间相关性的红外热图像处理方法，其特征在于，所述步骤(2)中，对相邻帧的边缘图像进行相关性计算的方法还可以为：
(2.1)、分别将相邻两帧边缘图像按照行方向，将图像中的像素点像素值转换成一个一维向量X(1)和Y(1)；
(2.2)、分别对两个一维向量按数据从小到大的顺序进行排列，得到排列后的向量为和将向量和对应位置处的元素组二维点，由此得到一个由二维点构成的集合并将集合中的一对二维点称为秩次；
(2.3)、计算集合中所有秩次的差值，即k为秩次的总个数；
(2.4)、计算相邻两帧边缘图像的相关性系数ρs：
<mrow> <msub> <mi>&amp;rho;</mi> <mi>s</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <mn>6</mn> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msubsup> <mi>d</mi> <mi>i</mi> <mn>2</mn> </msubsup> </mrow> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <msup> <mi>k</mi> <mn>2</mn> </msup> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>.</mo> </mrow>
CN201711240565.7A 2017-11-30 2017-11-30 一种基于空间相关性的红外热图像处理方法 Active CN108109128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711240565.7A CN108109128B (zh) 2017-11-30 2017-11-30 一种基于空间相关性的红外热图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711240565.7A CN108109128B (zh) 2017-11-30 2017-11-30 一种基于空间相关性的红外热图像处理方法

Publications (2)

Publication Number Publication Date
CN108109128A true CN108109128A (zh) 2018-06-01
CN108109128B CN108109128B (zh) 2019-09-24

Family

ID=62208741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711240565.7A Active CN108109128B (zh) 2017-11-30 2017-11-30 一种基于空间相关性的红外热图像处理方法

Country Status (1)

Country Link
CN (1) CN108109128B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285118A (zh) * 2018-09-26 2019-01-29 电子科技大学 一种添加附件层的红外热图像拼接方法
CN109360145A (zh) * 2018-10-30 2019-02-19 电子科技大学 一种基于涡流脉冲红外热图像拼接方法
CN109636755A (zh) * 2018-12-12 2019-04-16 电子科技大学 一种通过加权估计实现红外热图像增强的方法
CN109932077A (zh) * 2019-01-14 2019-06-25 西南大学 基于多温度传感器数据融合的微波加热测量系统及方法
CN110335204A (zh) * 2019-05-07 2019-10-15 中国人民解放军陆军工程大学 一种热成像图像增强方法
CN110849815A (zh) * 2019-12-02 2020-02-28 中国工程物理研究院激光聚变研究中心 一种预测光学元件表面激光损伤性能的方法和系统
CN112802069A (zh) * 2020-12-30 2021-05-14 北京师范大学 一种浅水湖泊阻水围堤围埝的判定方法
CN114219765A (zh) * 2021-11-18 2022-03-22 电子科技大学 一种基于相位特征自适应提取红外热图像缺陷的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106018479A (zh) * 2016-05-12 2016-10-12 电子科技大学 基于异常区域定位的红外热图像处理方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106018479A (zh) * 2016-05-12 2016-10-12 电子科技大学 基于异常区域定位的红外热图像处理方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIBING BAI ET AL: "Spatial and Time Patterns Extraction of Eddy Current Pulsed Thermography Using Blind Source Separation", 《IEEE SENSORS JOURNAL》 *
吴一全 等: "基于非下采样Shearlet和WNMF的红外热波图像融合", 《光子学报》 *
王涛: "基于Spearman秩相关系数的红外弱小目标检测", 《科学技术与工程》 *
郭兴旺 等: "基于小波变换的红外热波无损检测融合算法", 《光学技术》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285118B (zh) * 2018-09-26 2023-03-07 电子科技大学 一种添加附件层的红外热图像拼接方法
CN109285118A (zh) * 2018-09-26 2019-01-29 电子科技大学 一种添加附件层的红外热图像拼接方法
CN109360145A (zh) * 2018-10-30 2019-02-19 电子科技大学 一种基于涡流脉冲红外热图像拼接方法
CN109636755A (zh) * 2018-12-12 2019-04-16 电子科技大学 一种通过加权估计实现红外热图像增强的方法
CN109636755B (zh) * 2018-12-12 2023-03-28 电子科技大学 一种通过加权估计实现红外热图像增强的方法
CN109932077A (zh) * 2019-01-14 2019-06-25 西南大学 基于多温度传感器数据融合的微波加热测量系统及方法
CN110335204A (zh) * 2019-05-07 2019-10-15 中国人民解放军陆军工程大学 一种热成像图像增强方法
CN110849815B (zh) * 2019-12-02 2022-10-18 中国工程物理研究院激光聚变研究中心 一种预测光学元件表面激光损伤性能的方法和系统
CN110849815A (zh) * 2019-12-02 2020-02-28 中国工程物理研究院激光聚变研究中心 一种预测光学元件表面激光损伤性能的方法和系统
CN112802069A (zh) * 2020-12-30 2021-05-14 北京师范大学 一种浅水湖泊阻水围堤围埝的判定方法
CN112802069B (zh) * 2020-12-30 2023-07-04 北京师范大学 一种浅水湖泊阻水围堤围埝的判定方法
CN114219765A (zh) * 2021-11-18 2022-03-22 电子科技大学 一种基于相位特征自适应提取红外热图像缺陷的方法
CN114219765B (zh) * 2021-11-18 2023-03-10 电子科技大学 一种基于相位特征自适应提取红外热图像缺陷的方法

Also Published As

Publication number Publication date
CN108109128B (zh) 2019-09-24

Similar Documents

Publication Publication Date Title
CN108109128B (zh) 一种基于空间相关性的红外热图像处理方法
CN108198181A (zh) 一种基于区域分割和图像融合的红外热图像处理方法
Chrysafi et al. Damage detection on composite materials with active thermography and digital image processing
Liang et al. Low energy impact damage detection in CFRP using eddy current pulsed thermography
CN105389814B (zh) 一种用于气密性试验的气泡检测方法
Cheng et al. Impact damage detection and identification using eddy current pulsed thermography through integration of PCA and ICA
US11218112B2 (en) Silicon photovoltaic cell scanning eddy current thermography detection platform and defect classification method
He et al. Dynamic scanning electromagnetic infrared thermographic analysis based on blind source separation for industrial metallic damage evaluation
Wei et al. A laser arrays scan thermography (LAsST) for the rapid inspection of CFRP composite with subsurface defects
CN107389732A (zh) 一种激光扫描热成像裂纹检测方法
CN102621150A (zh) 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法
CN103308521A (zh) 一种增强红外热波检测图像缺陷对比度的方法
Hao et al. Icing detection and evaluation of the electro-impulse de-icing system based on infrared images processing
CN109636755B (zh) 一种通过加权估计实现红外热图像增强的方法
CN106018479A (zh) 基于异常区域定位的红外热图像处理方法
Liu et al. Image processing algorithms for crack detection in welded structures via pulsed eddy current thermal imaging
Yang et al. Electromagnetic induction heating and image fusion of silicon photovoltaic cell electrothermography and electroluminescence
Florez-Ospina et al. From local to global analysis of defect detectability in infrared non-destructive testing
CN110533025A (zh) 基于候选区域提取网络的毫米波人体图像检测方法
Xiao et al. Spatial-time-state fusion algorithm for defect detection through eddy current pulsed thermography
Chen et al. Characterization of image sequences of a defect using pulsed eddy current signals
He et al. Research on crack visualization method for dynamic detection of eddy current thermography
CN106022365B (zh) 基于数据融合和rbf神经网络的表面缺陷深度估计方法
Carreon et al. Thermoelectric detection of spherical tin inclusions in copper by magnetic sensing
CN104698036B (zh) 基于三维温度曲面相似性分析的涡流热成像缺陷识别方法

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