CN108596930B - 基于天牛须算法和数学形态学的射线图像焊缝提取方法 - Google Patents
基于天牛须算法和数学形态学的射线图像焊缝提取方法 Download PDFInfo
- Publication number
- CN108596930B CN108596930B CN201810367303.5A CN201810367303A CN108596930B CN 108596930 B CN108596930 B CN 108596930B CN 201810367303 A CN201810367303 A CN 201810367303A CN 108596930 B CN108596930 B CN 108596930B
- Authority
- CN
- China
- Prior art keywords
- image
- longicorn
- value
- gray
- radiographic
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30152—Solder
Abstract
本发明公开了一种基于天牛须算法和数学形态学的射线图像焊缝提取方法,首先对射线图像预处理,将其灰度化得到灰度图像,同时进行二维自适应维纳滤波处理;然后对灰度图像进行阈值分割,利用天牛须优化算法与聚类思想寻找射线图像二值化处理的最佳阈值,并根据搜寻的最佳阈值对待分割的射线灰度图像进行阈值分割得到二值化图像;最后提取出射线图像的焊缝边缘,对二值化图像进行去噪、对象删除和边界提取,从而获得射线图像的焊缝边缘。本发明将天牛须优化算法与聚类思想相结合,能够快速、有效的获得射线焊缝二值化图像,同时将多种二值形态学的基本运算有机的结合起来,适用于焊缝图像的边缘提取,能够提取出光滑、连续、不受缺陷区域干扰的焊缝边缘。
Description
技术领域
本发明属于射线检测图像缺陷类型识别技术领域,具体涉及一种基于天牛须算法和数学形态学的射线图像焊缝提取方法。
背景技术
射线检测是检测焊缝内部缺陷的重要无损检测手段,通常利用射线照射被检测的工件,获得与工件内部缺陷和结构对应的射线底片进行缺陷检测。传统的射线底片评价主要依靠人工,但人工评片方式主观性大,一致性差,劳动强度大,因此,利用射线检测焊接缺陷的自动识别技术辅助评片人员完成缺陷识别成为当前研究的重点。由于焊缝缺陷只存在于射线图像的焊缝区域,有效地提取焊缝区域,有利于去除射线图像大量的背景区域,降低计算复杂度。同时,实现缺陷分类的重要特征,如缺陷位置、焊缝区域的纹理特征等都存在于焊缝区域中,因此需要对连续的焊缝边界进行提取,从而得到准确的焊缝区域。
然而,大部分焊缝边界提取方法没有考虑焊缝存在缺陷的情况,而由于缺陷也存在边缘且其灰度值较低,当进行焊缝边缘提取时,缺陷边缘也会被不同程度地提取出来,影响了焊缝边缘提取的结果。同时,焊缝提取只是射线检测焊接缺陷类型识别技术体系中的一部分,其提取过程应该迅速、高效,否则将降低缺陷类型识别的效率。因此,迫切需要一种方法在考虑焊缝存在缺陷的同时,快速、有效的提取出具有连续边界的焊缝边缘。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于天牛须算法和数学形态学的射线图像焊缝提取方法,以实现在射线图像焊缝区域缺陷类型识别技术中的应用。
本发明采用以下技术方案:
基于天牛须算法和数学形态学的射线图像焊缝提取方法,首先对射线图像进行预处理,读入射线图像将其灰度化,得到灰度图像,同时进行二维自适应维纳滤波处理;然后对灰度图像进行阈值分割,利用天牛须优化算法与聚类思想寻找射线图像二值化处理的最佳阈值,并根据搜寻的最佳阈值对待分割的射线灰度图像进行阈值分割,得到分割后的二值化图像;最后提取出射线图像的焊缝边缘,采用数学形态学对二值化图像进行去噪、对象删除和边界提取,从而获得射线图像的焊缝边缘。
具体的,射线图像的预处理具体为对灰度图像进行二维自适应维纳滤波处理,得到去除噪声后的射线灰度图像f(x,y)。
进一步的,利用图像灰度值与聚类中心的误差平方和,构建天牛须优化算法中的目标函数,从而分析并确定射线图像二值化处理的最佳阈值,并根据搜寻的最佳阈值对待分割的射线灰度图像进行阈值分割,得到分割后的二值化图像,具体步骤如下:
S201、选取图像灰度值与聚类中心误差平方和作为目标函数;
S202、取天牛须优化算法的最大迭代次数为n,天牛的两条须之间的距离为d0,每次迭代完成后步长的缩小倍数为eta;
S203、初始化参数;
S204、随机选取天牛右须指向左须的归一化方向向量dir;
S205、更新天牛的质心坐标x;
S206、确定质心坐标的适应度函数值;
S207、更新天牛飞行步长step=eta*step;
S208、更新适应度函数最小值Ebest和对应的天牛质心坐标值Xbest,若E(x)<Ebest,则Xbest=x,Ebest=E(x),反之不变,然后回到步骤S204进行反复迭代,直至达到最大迭代次数;
S209、求取灰度图像的最佳分割阈值T,并进行图像分割得到二值化图像。
其中,f(x,y)为原灰度图像,T为阈值,Lmin为图像的最小灰度值。
进一步的,步骤S201中,天牛的适应度函数值E(k1,k2)如下:
其中,k1、k2代表随机的将灰度图像分成两部分的灰度均值,也是天牛的质心坐标值,k1<k2;i、j表示灰度值;Lmin、Lmax为图像的最小和最大灰度值;表示每次迭代的分割阈值;Ni、Nj为第i、j个灰度值在图像中出现的次数;N表示图像像素总数。
进一步的,步骤S203中,随机的将灰度图像分成两部分,其灰度均值k1、k2作为天牛的初始质心坐标初始适应度函数最小值Ebest=E(min{k1,k2},max{k1,k2}),Ebest对应的天牛的质心坐标值Xbest=x0,天牛的初始飞行步长step。
进一步的,步骤S205具体为:
首先,计算天牛的左须坐标值xl和右须坐标值xr如下:
xl=x+d0*dir/2
xr=x-d0*dir/2
然后,依据天牛的适应度函数值求取左右两须的适应度值如下:
Eleft=E(xl)
Eright=E(xr)
若Eleft<Eright,为了寻找误差最小值,则天牛向着左须方向行进距离step,即x=x+step*dir,反之向着右须方向行进距离step,即x=x-step*dir。
进一步的,利用数学形态学提取射线图像焊缝边缘的具体步骤如下:
S301、采用形态学噪声滤除器消除二值化图像的噪声得到图像s(x,y);
S302、对步骤S301获得图像s(x,y)进行二值化取反,然后依据每个像素8领域确定区域的连通性,获得n个像素灰度值均为1的8连通区域s1、s2、s3、···sn;
S303、计算连通区域s1、s2、s3、···sn的像素个数,对像素个数最多的两个连通区域进行保留,而将其余的连通区域全部进行二值化取反,即实现焊缝区域内部缺陷点的删除,从而获得焊缝区域内部不包含缺陷点的二值化图像;
S304、对步骤S303所获得的图像再进行二值化取反,得到图像s′(x,y);
S305、利用数学形态学中的边界提取对步骤S304所得图像s′(x,y)进行处理,提取出光滑、连续、不受缺陷边缘影响、能正确反映焊缝区域的边界。
进一步的,步骤S301中,去噪后的二值化图像s(x,y)如下:
其中,g表示阈值分割后的二值化图像g(x,y),B表示膨胀和腐蚀结构元素。
进一步的,最终的焊缝边界Grad如下:
其中,s′表示步骤S304取反所得图像s′(x,y),C表示结构元素。
与现有技术相比,本发明至少具有以下有益效果:
本发明提取方法将天牛须优化算法与聚类思想相结合,提出了一种新的图像阈值分割方法并应用于射线焊缝图像中,该方法时间复杂度低,分割效果好,符合人眼视觉,利用数学形态学中的二值形态学基本运算,提出了一套包括去噪、对象删除和边界提取操作的焊缝边缘提取技术,有效的剔除了焊缝区域内部存在的缺陷点以及背景区域的噪声点,从而获得不受缺陷区域干扰且能正确反映焊缝区域的光滑、连续边界。
进一步的,首先二维自适应维纳滤波器可有效去除射线灰度图像中存在的噪声点,其次本发明的目的是为了提取射线图像的焊缝边缘,而二维自适应维纳滤波器在去噪的同时保留图像的边缘和其他高频部分。
进一步的,对射线灰度图像进行阈值分割可获得二值化图像,图像中背景区域和焊缝区域分界线符合人眼视觉,后续可利用二值形态学对二值化图像进行焊缝提取。
进一步的,是通过天牛须优化算法对初始随机的聚类中心k1、k2不断优化得到的,由将射线灰度图像分成符合人眼视觉的背景区域和焊缝区域两类。通过最佳分割阈值将射线灰度图像分割成灰度值为0的背景区域以及灰度值为1的焊缝区域,方便后续二值形态学对该二值化图像进行焊缝提取。
进一步的,适应度函数值E(k1,k2)是用来评价按照当前聚类中心k1、k2对灰度图像进行聚类的误差,误差越小则说明聚类效果越好,当迭代到一定次数时,适应度函数值E(k1,k2)不再发生剧烈变化,则说明聚类误差达到最小,此时对应的聚类中心为最佳聚类中心。
进一步的,当天牛觅食时,天牛并不知道食物在哪里,而是根据食物气味的强弱来觅食。天牛有两只长触角,如果左边触角收到的气味强度比右边大,那下一步天牛就往左飞,否则就往右飞,依据这一简单原理天牛就可以有效找到食物。天牛的位置相当于天牛的质心坐标也是图像的聚类中心,当天牛处于某一质心坐标x时,就会比较左右两须xl、xr的适应度函数值,若左须的适应度函数小,则天牛往左飞行,否则天牛向右飞行。天牛的位置发生变化,随之其质心坐标也发生变化。程序迭代的过程,则是天牛飞行的过程,所以通过对天牛质心坐标的不断更新,便可找到最佳的聚类中心。
进一步的,采用形态学噪声滤除器是为了消除二值化图像中背景区域的噪声;对上步图像进行二值化取反,然后依据每个像素8领域确定区域的连通性是为了获得像素灰度值均为1的n-2个缺陷连通区域以及2个背景连通区域;计算上步n个连通区域的像素个数,对像素个数最多的两个连通区域进行保留,而将其余的连通区域全部进行二值化取反,以实现焊缝区域内部缺陷点的删除,从而获得焊缝区域内部不包含缺陷点的二值化图像;对上步二值化图像再进行二值化取反,得到包含灰度值为0的背景区域和灰度值为1的焊缝区域图像s′(x,y);最后对图像s′(x,y)进行处理,提取出光滑、连续、不受缺陷边缘影响、能正确反映焊缝区域的边界。
综上所述,本发明将天牛须优化算法与聚类思想相结合,能够快速、有效的获得射线焊缝二值化图像,同时将多种二值形态学的基本运算有机的结合起来,适用于焊缝图像的边缘提取,能够提取出光滑、连续、不受缺陷区域干扰的焊缝边缘。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图;
图2为射线原始图像;
图3为预处理后的射线图像;
图4为天牛寻找最佳(k1,k2)值的飞行路径;
图5为阈值分割后的二值化图像;
图6为形态学噪声滤除器去噪后的图像;
图7为第一次二值化取反后的图像;
图8为二值形态学对象删除后的图像;
图9为第二次二值化取反后的图像;
图10为射线图像焊缝边缘;
图11为射线图像焊缝区域提取结果;
图12为本发明方法对不同类型缺陷图像焊缝提取结果图,其中,(a)为未熔合,(b)为夹渣,(c)为未焊透。
具体实施方式
本发明提供了一种基于天牛须算法和数学形态学的射线图像焊缝提取方法,首先对射线图像进行预处理,读入射线图像将其灰度化,得到灰度图像,同时进行二维自适应维纳滤波处理;然后对灰度图像进行阈值分割,利用天牛须优化算法与聚类思想寻找射线图像二值化处理的最佳阈值,并根据搜寻的最佳阈值对待分割的射线灰度图像进行阈值分割,得到分割后的二值化图像;最后提取出射线图像的焊缝边缘,采用数学形态学对二值化图像进行去噪、对象删除和边界提取,从而获得射线图像的焊缝边缘。
请参阅图1,本发明一种基于天牛须算法和数学形态学的射线图像焊缝提取方法,包括以下步骤:
S1、射线图像预处理
读入射线图像将其灰度化,得到灰度图像,进行二维自适应维纳滤波处理,得到去除噪声后的射线灰度图像f(x,y);
S2、灰度图像阈值分割
将天牛须优化算法与聚类思想相结合,利用图像灰度值与聚类中心的误差平方和,构建天牛须优化算法中的目标函数,从而分析并确定射线图像二值化处理的最佳阈值,并根据搜寻的最佳阈值对待分割的射线灰度图像进行阈值分割,得到分割后的二值化图像;
S201、设定目标函数
选取图像灰度值与聚类中心误差平方和作为目标函数,由下式确定:
其中,E(k1,k2)为天牛的适应度函数值;k1、k2代表随机的将灰度图像分成两部分的灰度均值,也是天牛的质心坐标值,k1<k2;i、j表示灰度值;Lmin、Lmax为图像的最小和最大灰度值;表示每次迭代的分割阈值;Ni、Nj为第i、j个灰度值在图像中出现的次数;N表示图像像素总数;
S202、设置固定参数
取天牛须优化算法的最大迭代次数为n,天牛的两条须之间的距离为d0,每次迭代完成后步长的缩小倍数为eta;
S203、初始化参数
S204、随机选取天牛右须指向左须的归一化方向向量dir;
S205、更新天牛的质心坐标x
首先,根据下式计算出天牛的左(右)须坐标值:
xl=x+d0*dir/2 (2)
xr=x-d0*dir/2 (3)
然后,依据公式(1)求取左右两须的适应度值:Eleft=E(xl),Eright=E(xr),判断两个值的大小,若Eleft<Eright,为了寻找误差最小值,则天牛向着左须方向行进距离step,即x=x+step*dir,反之向着右须方向行进距离step,即x=x-step*dir;
S206、确定质心坐标的适应度函数值
根据公式(1)和天牛的质心坐标x,确定适应度函数值E(x);
S207、更新天牛飞行步长step=eta*step;
S208、更新适应度函数最小值Ebest和对应的天牛质心坐标值Xbest,若E(x)<Ebest,则Xbest=x,Ebest=E(x),反之不变,然后回到步骤S204进行反复迭代,直到达到最大迭代次数;
S209、求取灰度图像的最佳分割阈值T,并进行图像分割;
其中,f(x,y)为原灰度图像,g(x,y)为分割后的二值化图像,T为阈值,Lmin为图像的最小灰度值。
S3、射线图像焊缝边缘提取
为克服传统方法提取焊缝边缘受内部缺陷边缘影响以及提取时间过长的问题,利用数学形态学方法中的基本运算,建立一套包括去噪、对象删除和边界提取操作的焊缝边缘提取技术对步骤S2得到的二值化图像进行处理,从而获得射线图像的焊缝边缘。
利用数学形态学提取射线图像焊缝边缘的具体步骤包括:
S301、采用形态学噪声滤除器消除二值化图像的噪声得到图像s(x,y),其表达式为
其中,g表示步骤S2所得到的二值化图像,s(x,y)表示去噪后的二值化图像,B表示膨胀和腐蚀结构元素;
S302、对步骤S301所获得图像s(x,y)进行二值化取反,然后依据每个像素8领域确定区域的连通性,获得n个像素灰度值均为1的8连通区域s1、s2、s3、···sn;
S303、计算连通区域s1、s2、s3、···sn的像素个数,其中像素个数最多的两个连通区域进行保留,而将其余的连通区域全部进行二值化取反,即实现焊缝区域内部缺陷点的删除,从而获得焊缝区域内部不包含缺陷点的二值化图像;
S304、对步骤S303所获得的图像再进行二值化取反,得到图像s′(x,y);
S305、利用数学形态学中的边界提取对步骤S304所得图像s′(x,y)进行处理,提取出光滑、连续、不受缺陷边缘影响、能正确反映焊缝区域的边界,其表达式为
其中,Grad表示最终的焊缝边界,s′表示步骤S304所得图像,C表示结构元素。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
对某大型燃气轮机实际探测过程中产生的射线图像进行焊缝提取,以包含气孔缺陷的射线图像为例。
(1)射线图像预处理
读入射线图像如图2所示,将其灰度化得到灰度图像,同时采用5×5滤波窗口的二维自适应维纳滤波对图像进行处理,预处理结果如图3所示
(2)灰度图像阈值分割
利用天牛须优化算法寻找射线图像二值化处理的最佳阈值,并根据搜寻的最佳阈值对待分割的射线灰度图像进行阈值分割,得到分割后的二值化图像。
2.1)设定目标函数
选取图像灰度值与聚类中心的误差平方和作为目标函数,由下式确定:
其中,E(k1,k2)为天牛的适应度函数值;k1、k2代表随机的将灰度图像分成两部分的灰度均值,k1<k2;i、j表示灰度值;Lmin、Lmax为图像的最小和最大灰度值;表示初始分割阈值;Ni、Nj为第i、j个灰度值在图像中出现的次数;N表示图像像素总数;
2.2)设置固定参数
取天牛须优化算法的最大迭代次数为n=80次,天牛的两条须之间的距离为d0=3,每次迭代完成后步长的缩小倍数为eta=0.95。
2.3)初始化参数
本实例中,随机选取的天牛初始质心坐标适应度函数最小值Ebest=E(74.6087,12.2508)=34.9794,而Ebest对应的天牛的质心坐标值Xbest=x0,天牛的初始飞行步长step=50。
2.4)随机选取天牛右须指向左须的归一化方向向量dir
2.5)更新天牛的质心坐标x
首先,根据下式计算出天牛的左(右)须坐标值:
xl=x+d0*dir/2 (2)
xr=x-d0*dir/2 (3)
然后,依据公式(1)求取左右两须的适应度值:Eleft=E(xl),Eright=E(xr),判断两个值的大小,若Eleft<Eright,为了寻找误差最小值,则天牛向着左须方向行进距离step,即x=x+step*dir,反之向着右须方向行进距离step,即x=x-step*dir。
2.6)确定质心坐标的适应度函数值
根据公式(1)和天牛的质心坐标x,确定适应度函数值E(x)。
2.7)更新天牛飞行步长step=eta*step。
2.8)更新适应度函数最小值Ebest和对应的天牛质心坐标值Xbest,若E(x)<Ebest,则Xbest=x,Ebest=E(x),反之不变。然后回到2.4)进行迭代,直到达到最大迭代次数。
2.9)求取灰度图像的最佳分割阈值T,并进行图像分割
其中,f(x,y)为原灰度图像,T为阈值,Lmin为图像的最小灰度值。
天牛寻找最佳(k1,k2)值的飞行路径,如图4所示,最后得到的阈值分割后的二值化图像如图5所示。
(3)射线图像的焊缝边缘提取
采用数学形态学对二值化图像进行去噪、对象删除和边界提取,从而获得射线图像的焊缝边缘。
3.1)采用形态学噪声滤除器消除二值化图像的噪声,如图6所示,其表达式为
其中,g表示步骤(2)所得到的二值化图像,s(x,y)表示去噪后的二值化图像,B表示膨胀和腐蚀结构元素;
3.2)对步骤3.1)所获得图像s(x,y)进行二值化取反,如图7所示,然后依据每个像素8领域确定区域的连通性,获得n个像素灰度值均为1的连通区域s1、s2、s3、···sn;
3.3)计算连通区域s1、s2、s3、···sn的像素个数,其中对像素个数最多的两个连通区域进行保留,而将其余的连通区域全部进行二值化取反,即实现焊缝区域内部缺陷点的删除,从而获得焊缝区域内部不包含缺陷点的二值化图像,如图8所示。
3.4)对步骤3.3)所获得的图像再进行二值化取反,得到图像s′(x,y),如图9所示。
3.5)利用数学形态学中的边界提取对步骤3.4)所得图像s′(x,y)进行处理,提取出光滑、连续、不受缺陷边缘影响、能正确反映焊缝区域的边界,如图10所示。射线图像焊缝区域提取结果如图11所示,其表达式为
其中,Grad表示最终的焊缝边界,s′表示步骤3.4)所得图像,C表示结构元素。
采用本发明可以快速、有效的提取出射线图像的焊缝边缘,如图12所示为采用本发明方法对不同类型缺陷图像焊缝提取的结果,其中,(a)为未熔合,(b)为夹渣,(c)为未焊透,从结果可以看出本发明方法提取到的焊缝边缘光滑、连续、能正确反映焊缝区域的边界,并且不受缺陷区域的干扰,可以用于射线焊缝图像的缺陷识别和分类过程中。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (7)
1.基于天牛须算法和数学形态学的射线图像焊缝提取方法,其特征在于,首先对射线图像进行预处理,对灰度图像进行二维自适应维纳滤波处理,得到去除噪声后的射线灰度图像f(x,y),读入射线图像将其灰度化,得到灰度图像,同时进行二维自适应维纳滤波处理;然后对灰度图像进行阈值分割,利用天牛须优化算法与聚类思想寻找射线图像二值化处理的最佳阈值,并根据搜寻的最佳阈值对待分割的射线灰度图像进行阈值分割,得到分割后的二值化图像,具体步骤如下:
S201、选取图像灰度值与聚类中心误差平方和作为目标函数;
S202、取天牛须优化算法的最大迭代次数为n,天牛的两条须之间的距离为d0,每次迭代完成后步长的缩小倍数为eta;
S203、初始化参数;
S204、随机选取天牛右须指向左须的归一化方向向量dir;
S205、更新天牛的质心坐标x;
S206、确定质心坐标的适应度函数值;
S207、更新天牛飞行步长step=eta*step;
S208、更新适应度函数最小值Ebest和对应的天牛质心坐标值Xbest,若E(x)<Ebest,E(x)为当前迭代的适应度函数值,则Xbest=x,Ebest=E(x),反之不变,然后回到步骤S204进行反复迭代,直至达到最大迭代次数;
S209、求取灰度图像的最佳分割阈值T,并进行图像分割得到二值化图像;
最后提取出射线图像的焊缝边缘,采用数学形态学对二值化图像进行去噪、对象删除和边界提取,从而获得射线图像的焊缝边缘,具体步骤如下:
S301、采用形态学噪声滤除器消除二值化图像的噪声得到图像s(x,y);
S302、对步骤S301获得图像s(x,y)进行二值化取反,然后依据每个像素8领域确定区域的连通性,获得n个像素灰度值均为1的8连通区域s1、s2、s3、…sn;
S303、计算连通区域s1、s2、s3、…sn的像素个数,对像素个数最多的两个连通区域进行保留,而将其余的连通区域全部进行二值化取反,即实现焊缝区域内部缺陷点的删除,从而获得焊缝区域内部不包含缺陷点的二值化图像;
S304、对步骤S303所获得的图像再进行二值化取反,得到图像s′(x,y);
S305、利用数学形态学中的边界提取对步骤S304所得图像s′(x,y)进行处理,提取出光滑、连续、不受缺陷边缘影响、能正确反映焊缝区域的边界。
5.根据权利要求1所述的方法,其特征在于,步骤S205具体为:
首先,计算天牛的左须坐标值xl和右须坐标值xr如下:
xl=x+d0*dir/2
xr=x-d0*dir/2
然后,依据天牛的适应度函数值求取左右两须的适应度值如下:
Eleft=E(xl)
Eright=E(xr)
若Eleft<Eright,为了寻找误差最小值,则天牛向着左须方向行进距离step,即x=x+step*dir,反之向着右须方向行进距离step,即x=x-step*dir。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810367303.5A CN108596930B (zh) | 2018-04-23 | 2018-04-23 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810367303.5A CN108596930B (zh) | 2018-04-23 | 2018-04-23 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596930A CN108596930A (zh) | 2018-09-28 |
CN108596930B true CN108596930B (zh) | 2020-10-27 |
Family
ID=63614724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810367303.5A Active CN108596930B (zh) | 2018-04-23 | 2018-04-23 | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596930B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109244810A (zh) * | 2018-10-23 | 2019-01-18 | 山东理工大学 | 一种基于天牛群优化算法的激光谐振腔设计方法 |
CN110021017B (zh) * | 2019-04-02 | 2022-06-17 | 南通大学 | 一种提取焊缝中心线的方法 |
CN110097566B (zh) * | 2019-04-30 | 2022-10-25 | 合肥工业大学 | 一种图像阈值分割方法及装置 |
CN111275634B (zh) * | 2020-01-13 | 2023-04-28 | 南京师范大学 | 一种熔池形貌检测及弧焊机器人控制方法 |
CN116485724A (zh) * | 2020-02-04 | 2023-07-25 | 深圳市瑞沃德生命科技有限公司 | 一种管径测量方法及其装置 |
CN111489363B (zh) * | 2020-04-09 | 2022-06-03 | 江苏方天电力技术有限公司 | 一种小径管焊缝根部二维图像焊瘤尺寸测量方法 |
CN111539928A (zh) * | 2020-04-20 | 2020-08-14 | 武汉轻工大学 | 图像骨缝测量优化装置 |
CN112132024B (zh) * | 2020-09-22 | 2024-02-27 | 中国农业大学 | 水下目标识别网络优化方法及装置 |
CN113496483B (zh) * | 2021-06-22 | 2023-06-16 | 华南理工大学 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201329B (zh) * | 2007-10-16 | 2011-06-22 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
CN102303190B (zh) * | 2011-08-03 | 2013-11-20 | 江南大学 | 线激光视觉跟踪平面对接焊缝方法 |
CN106780493A (zh) * | 2017-01-24 | 2017-05-31 | 广东省特种设备检测研究院珠海检测院 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
CN106918602B (zh) * | 2017-04-13 | 2020-01-31 | 北京海风智能科技有限责任公司 | 一种鲁棒的基于机器视觉的表面缺陷检测方法 |
-
2018
- 2018-04-23 CN CN201810367303.5A patent/CN108596930B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108596930A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596930B (zh) | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
US8520892B2 (en) | Method and apparatus for detecting objects | |
CN108830225B (zh) | 太赫兹图像中目标物体的检测方法、装置、设备及介质 | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
CN110827235B (zh) | 钢板表面缺陷检测方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN109003275B (zh) | 焊缝缺陷图像的分割方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
Lestriandoko et al. | Circle detection based on hough transform and Mexican Hat filter | |
CN108596151B (zh) | 一种大场景sar图像中舰船目标切片快速提取方法 | |
CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
CN113012179A (zh) | 煤矿井下防爆检测用煤粉尘图像识别方法 | |
CN110458773B (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
Soltaninejad et al. | Robust lung segmentation combining adaptive concave hulls with active contours | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 | |
CN109934817B (zh) | 一种果体外部轮廓畸形检测方法 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
Moghaddam | Image processing techniques for classification of linear welding defects | |
Kang et al. | Image corner detection using Hough transform | |
CN111105408B (zh) | 一种基于图像处理的建筑物表面裂缝检测方法及系统 | |
Zhang et al. | Classification-Detection of Metal Surfaces under Lower Edge Sharpness Using a Deep Learning-Based Approach Combined with an Enhanced LoG Operator. |
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 |