CN110222740A - 一种基于加性模糊的红外技术缺陷重构与特征提取方法 - Google Patents

Abstract

本发明公开了一种基于加性模糊的红外技术缺陷重构与特征提取方法，通过待检测试件的红外热图像序列建立多区域缺陷重构模型，并利用变分贝叶斯推断重构不同空间区域内的缺陷；由于采集的数据中，表征内部缺陷的信号微弱，且在缺陷重构过程中可能由参数假设引入噪声，因此，我们需要突出内部缺陷信息，并且去除噪声干扰，这样我们通过颜色提取滤波器和边缘轮廓提取滤波器提取图像的颜色特征和轮廓特征，然后对缺陷颜色图进行优化处理，最终再通过反变换融合优化后的颜色图和轮廓特征，从而能够清楚的描述不同时空区域的缺陷。

Description

一种基于加性模糊的红外技术缺陷重构与特征提取方法

技术领域

本发明属于缺陷检测技术领域，更为具体地讲，涉及一种基于加性模糊的红外技术缺陷重构与特征提取方法。

背景技术

红外热成像技术已广泛的应用于汽车工业、造船业、石油化工工业以及航空航天领域。由于其存在无需直接接触待检测试件，检测快速高效，便携等特点，因此它能够有效的实现对于损伤的无损检测。

红外技术大体可以分为两类，即主动加热和被动加热。对于主动加热来说，要求人为的将能量或者热量给予待检测试件。针对加热方式的差异，主动加热可以分为：光激励、电磁激励以及机械激励。光激励又可以分为脉冲激励和幅值调制激励两种，前者称为光脉冲热像法，后者称为光锁相热像法；电磁激励称为涡流热像法；而机械激励可以分为超声脉冲和幅值调制超声，前者称为超声红外热像法，后者称为超声红外锁相热成像法。对于被动加热，热量变化产生于待检测试件自身。

近年来，应用红外热成像的表面检测检测新技术得到飞速发展。其不损伤本体、快速高效等特性，能有效地解决传统无损检测方法存在劳动强度大、周期长、效率低、安全性差等问题，实现大面积快速检测、节省大量人力物力。如果待检测试件表面存在缺陷，则会影响其热量分布。对待检测试件加热，从而产生高温区和低温区，由于温度的差异性，高温区热量通过热传导向低温区传递，导致被测件不同区域温度发生变化，通过红外热像仪采集试件温度的变化过程，然后将采集的热图像视频交给计算机进行分析处理，来获取被测件相关信息，实现缺陷的定性与定量检测。其检测结果为图像，直观易懂，单次检测面积大，效率高，检测时无需接触被测件表面。

传统的检测方法主要应用于判断待检测材料前侧的缺陷。然而，在一些特殊条件下，在材料前侧存在缺陷的情况下，其背侧也存在有严重的缺陷。在这种情况下，从材料前侧直接观测，由于仅仅能够观测到前侧缺陷，因此会对材料的缺陷程度进行错误的判断。为了更加准确的判断材料的缺陷情况，需要提出一种有效的检测方法，不仅能够判断待检测材料前侧损伤，更重要的是能够判断后侧不可直接观测的损伤情况。

其次，传统的缺陷方法主要针对于同一空间不同区域的缺陷特征，所以不同空间的损伤信息会被忽视，从而会对材料的缺陷类型进行了错误的判断，为了更加准确的判断材料的缺陷情况，本发明提出了一种有效的检测方法，不仅能够判断待检测材料表面空间损伤，去除噪声干扰，更重要的是能够更精确的获得内层空间的损伤情况。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于加性模糊的红外技术缺陷重构与特征提取方法，通过变分贝叶斯提取图像的颜色特征和轮廓特征，再进行优化、融合，从而能够清楚的描述不同时空区域的缺陷。

为实现上述发明目的，本发明一种基于加性模糊的红外技术缺陷重构与特征提取方法，其特征在于，包括以下步骤：

(1)、待检测视频流预处理

(1.1)、将待检测视频流用矩阵块表示为：其中，N_I×N_J表示空间信息，N_T表示时间信息；

(1.2)、通过向量算子Vec()将矩阵块转换为二维矩阵S；

S＝[Vec(S'(1)),Vec(S'(2)),…,Vec(S'(N_T))]

其中，N_IJ＝N_I×N_J；

(1.3)、将待检测视频流改写为：

其中，D_n表示不同的缺陷信息矩阵，B为低秩矩阵，N为噪声矩阵；I_n(t_n)表示待检测视频流的第t_n帧中第n个缺陷的缺陷特征列向量，n＝1,2,…,N_D，N_D表示待检测试件中的缺陷数量，I_B(t_B)表示待检测视频流中的第t_B帧非缺陷区域特征列向量，λ_n(t_n)为I_n(t_n)对应的特征系数矩阵行向量，λ_B(t_B)为I_B(t_B)对应的特征系数矩阵行向量，

(2)、利用变分贝叶斯推断进行缺陷重构

(2.1)、设置迭代次数h，最大迭代次数H，初始化h＝1；

(2.2)、当h＝1时，初始化矩阵X¹和Y¹中每一列元素和分别服从均值为零、方差为σ_j ^-1的高斯分布；服从Gamma分布，u和v为超参数，j表示矩阵的第j列；矩阵X¹和Y¹满足：

初始化中每个元素分别独立同分布于均值为零、方差分别为的高斯分布，分别服从Jeffrey’s先验：i表示矩阵的第i行，j表示矩阵的第j列；

初始化N¹为高斯白噪声，其服从均值为零、方差为η¹的高斯分布，其中，η¹服从Jeffrey’s先验：

(2.3)、计算第h次迭代时的每个参数值；

其中，s_i·和s_·j分别表示二维矩阵S的第i行和第j列，E[·]表示期望，分别表示矩阵X^h、Y^h的第i行，和分别表示矩阵的第i行和第j列，n＝1,...,N_D，分别为矩阵X^h、Y^h的协方差矩阵；

其中，表示不同缺陷信息矩阵的协方差；||·||_F表示求矩阵的Frobenious范数；

(2.4)、判断当前迭代次数h是否达到最大迭代次数H，如果h＜H，则将当前迭代次数h增加1，再返回步骤(2.3)，直到第H次迭代结束，得到最终代表不同区域损伤的矩阵

(2.5)、计算不同缺陷矩阵的误差并与阈值Th_E比较，||·||_m1表示矩阵的m1范数；将Erro＜Th_E的缺陷类别认为是同一种缺陷，最终得到类缺陷，各自选取对比度最强烈的一列作为重构后的图像，记为

(3)、采用小波变换的方式对重构图像进行缺陷边缘特征和颜色特征的分离，得到分离后的缺陷颜色图；

(3.1)、设置迭代次数t，最大迭代次数T，初始化t＝1；初始化边缘轮廓提取滤波器f_h，颜色提取滤波器f_l；初始化重构图像为颜色图像，即l表示颜色特征；

(3.2)、提取中缺陷的颜色信息以及边缘信息；

(3.2.1)、在水平方向对颜色和轮廓进行分离： 其中，

从而将S_B表示为：然后再对图像的列间隔着进行下采样，得到

(3.2.2)、在步骤(3.2.1)的基础上，在竖直方向对图像的颜色和轮廓进行分离：其中，

进而得到变换后的图像：然后再对图像的行间隔着进行下采样，得到缺陷颜色图：并将赋值给

(3.3)、判断当前迭代次数t是否达到最大迭代次数T，如果t＜T，则将当前迭代次数t增加1，再返回步骤(3.2)，直到第T次迭代结束；

(4)、对缺陷颜色图的对比度进行优化处理

(4.1)、设置迭代终止条件ε，迭代次数c，最大迭代次数c_m，聚类的数目L，操作系数δ，权重系数b,赞成度μ_j(r_i)^c，犹豫度ξ_j(r_i)^c，模糊系数λ，犹豫度均值聚类中心v_j ^c，目标函数J^c，将缺陷颜色图中每个像素点表示为r_i，i＝1,2,…,g；

(4.2)、计算第c次迭代时每一类中单个像素点的赞成度μ_j(r_i)^c；

其中，r_i表示第i个像素点的像素值，j≠s；||·||表示求范数；

(4.3)、计算第c次迭代时每一类的聚类中心v_j ^c；

(4.4)、计算第c次迭代时每一类中单个像素点的犹豫度ξ_j(r_i)^c；

(4.5)、计算第c次迭代时每一类中单个像素点的犹豫度均值

(4.6)、计算第c次迭代时的目标函数J^c值；

(4.7)、第c次迭代结束后，判断是否满足关系式：||J^c-J^c-1||≤ε，如果满足，则进入步骤(4.8)，否则迭代停止，跳转进入步骤(4.9)；

(4.8)、判断当前迭代次数c是否达到设置的最大迭代次数c_m，如果c＜c_m，则将当前迭代次数c增加1，再返回步骤(4.2)；否则，迭代停止，跳转进入步骤(4.9)；

(4.9)、根据赞成度最大化准则：M_j＝arg max(μ_j(h_i)^c)，找出最大赞成度M_j，M_j表示第j类的像素点的集合；然后根据M_j对特征色差H进行分类，分类完成后将v_j ^c的数值赋值给对应的M_j，得到优化后的缺陷颜色图_lR^T；

(5)、特征提取

(5.1)、设置迭代次数t'，最大迭代次数T'，初始化t'＝T'；

(5.2)、构造矩阵其中，h表示缺陷边缘特征；

(5.3)、对矩阵R^t'的行进行上采样，得到图像然后对其列进行变换最终得到图像其中，和表示逆变换；

对的列进行上采样，得到图像然后对其行进行变换 最终得到由组成的图像_lR^t'；

(5.4)、判断当前迭代次数t'是否小于1，如果t'＜1，则将第t'迭代后获取的图像_lR^t'作为特征提取图像，否则，返回步骤(5.2)。

本发明的发明目的是这样实现的：

本发明一种基于加性模糊的红外技术缺陷重构与特征提取方法，通过待检测试件的红外热图像序列建立多区域缺陷重构模型，并利用变分贝叶斯推断重构不同空间区域内的缺陷；由于采集的数据中，表征内部缺陷的信号微弱，且在缺陷重构过程中可能由参数假设引入噪声，因此，我们需要突出内部缺陷信息，并且去除噪声干扰，这样我们通过颜色提取滤波器和边缘轮廓提取滤波器提取图像的颜色特征和轮廓特征，然后对缺陷颜色图进行优化处理，最终再通过反变换融合优化后的颜色图和轮廓特征，从而能够清楚的描述不同时空区域的缺陷。

同时，本发明基于加性模糊的红外技术缺陷重构与特征提取方法还具有以下有益效果：

(1)、通过建立新的多区域缺陷重构模型，充分挖掘不同空间区域的缺陷特征，然后基于特征重构缺陷，改进了传统方法只能检测表层缺陷的劣势；

(2)、利用变分贝叶斯推断对缺陷区域进行重构，与传统的方法相比，其通过假设缺陷矩阵中每一个元素的分布来描述不同区域的缺陷。从每一个像素点精确的描述不同的缺陷特征。因此，重构的损伤图像更加的精确，且对微小缺陷更加敏感。

(3)、构建新的目标函数来优化颜色图像。通过隶属度和犹豫度更加清楚的描述的颜色信息的特征，利用模糊熵描述颜色的不确定性。使得噪声信息能够有效的被消除；同时，对缺陷区域的划分更加准确。

附图说明

图1是本发明基于加性模糊的红外技术缺陷重构与特征提取方法流程图；

图2是缺陷颜色图的对比度优化流程图；

图3是被测试件的缺陷特征示意图；

图4是边缘特征和颜色特征示意图；

图5是优化后的缺陷颜色特征图；

图6是提取重构图像的缺陷特征图。

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是本发明基于加性模糊的红外技术缺陷重构与特征提取方法流程图。

在本实施例中，如图1所示，本发明基于加性模糊的红外技术缺陷重构与特征提取方法，包括以下步骤：

S1、待检测视频流预处理

S1.1、将待检测视频流用矩阵块表示为：其中，N_I×N_J表示空间信息，N_T表示时间信息；

S1.2、通过向量算子Vec()将矩阵块转换为二维矩阵S；

S＝[Vec(S'(1)),Vec(S'(2)),…,Vec(S'(N_T))]

其中，N_IJ＝N_I×N_J；

S1.3、为了重构不同的缺陷信息，我们从N_T帧图像中挑选出表征被测试件整体缺陷的N_C帧图像，再利用这N_C帧图像将待检测视频流改写为：

其中，D_n表示不同的缺陷信息矩阵，B为低秩矩阵，N为噪声矩阵；I_n(t_n)表示待检测视频流中的第t_n帧缺陷特征列向量，n＝1,2,…,N_D，N_D表示待检测试件中的缺陷数量，I_B(t_B)表示待检测视频流中的第t_B帧非缺陷区域特征列向量，λ_n(t_n)为I_n(t_n)对应的特征系数矩阵行向量，λ_B(t_B)为I_B(t_B)对应的特征系数矩阵行向量，

S2、利用变分贝叶斯推断进行缺陷重构

S2.1、设置迭代次数h，最大迭代次数H，初始化h＝1；

S2.2、当h＝1时，初始化矩阵X¹和Y¹中每一列元素和分别服从均值为零、方差为σ_j ^-1的高斯分布；服从Gamma分布，u和v为超参数，j表示矩阵的第j列；矩阵X¹和Y¹满足：

初始化中每个元素分别独立同分布于均值为零、方差分别为的高斯分布，分别服从Jeffrey’s先验：i表示矩阵的第i行，j表示矩阵的第j列；

初始化N¹为高斯白噪声，其服从均值为零、方差为η¹的高斯分布，其中，η¹服从Jeffrey’s先验：

S2.3、计算第h次迭代时的每个参数值；

其中，s_i·和s_·j分别表示二维矩阵S的第i行和第j列，E[·]表示期望，分别表示矩阵X^h、Y^h的第i行，和分别表示矩阵的第i行和第j列，n＝1,...,N_D，分别为矩阵Xh、Y^h的协方差矩阵；

其中，表示不同缺陷信息矩阵的协方差；||·||_F表示求矩阵的Frobenious范数；

S2.4、判断当前迭代次数h是否达到最大迭代次数H，如果h＜H，则将当前迭代次数h增加1，再返回步骤S2.3，直到第H次迭代结束，得到最终代表不同区域损伤的矩阵

S2.5、计算不同缺陷矩阵的误差并与阈值Th_E比较，||·||_m1表示矩阵的m1范数。将Erro＜Th_E的缺陷类别认为是同一种缺陷，最终得到类缺陷，各自选取对比度最强烈的一列作为重构后的图像，记为

S3、为了获取内部缺陷特征，我们采用小波变换的方式对重构图像进行缺陷边缘特征和颜色特征的分离，得到分离后的缺陷颜色图；

S3.1、设置迭代次数t，最大迭代次数T，初始化t＝1；初始化边缘轮廓提取滤波器f_h，颜色提取滤波器f_l；初始化重构图像为颜色图像，即l表示颜色特征；

S3.2、提取中缺陷的颜色信息以及边缘信息；

S3.2.1、在水平方向对颜色和轮廓进行分离： 其中，

从而将S_B表示为：然后再对图像的列间隔着进行下采样，得到

S3.2.2、在步骤S3.2.1的基础上，在竖直方向对图像的颜色和轮廓进行分离：其中，

进而得到变换后的图像：然后再对图像的行间隔着进行下采样，得到缺陷颜色图：并将赋值给

S3.3、判断当前迭代次数t是否达到最大迭代次数T，如果t＜T，则将当前迭代次数t增加1，再返回步骤S3.2，直到第T次迭代结束；

S4、如图2所示，，对缺陷颜色图的对比度进行优化处理，具体处理过程如下；

S4.1、设置迭代终止条件ε，迭代次数c，最大迭代次数c_m，聚类的数目L，操作系数δ，权重系数b,赞成度μ_j(r_i)^c，犹豫度ξ_j(r_i)^c，模糊系数λ，犹豫度均值聚类中心v_j ^c，目标函数J^c，将缺陷颜色图中每个像素点表示为r_i，i＝1,2,…,g；

S4.2、计算第c次迭代时每一类中单个像素点的赞成度μ_j(r_i)^c；

其中，r_i表示第i个像素点的像素值，j≠s；||·||表示求范数；

S4.3、计算第c次迭代时每一类的聚类中心v_j ^c；

S4.4、计算第c次迭代时每一类中单个像素点的犹豫度ξ_j(r_i)^c；

S4.5、计算第c次迭代时每一类中单个像素点的犹豫度均值

S4.6、计算第c次迭代时的目标函数J^c值；

S4.7、第c次迭代结束后，判断是否满足关系式：||J^c-J^c-1||≤ε，如果满足，则进入步骤S4.8，否则迭代停止，跳转进入步骤S4.9；

S4.8、判断当前迭代次数c是否达到设置的最大迭代次数c_m，如果c＜c_m，则将当前迭代次数c增加1，再返回步骤S4.2；否则，迭代停止，跳转进入步骤S4.9；

S4.9、根据赞成度最大化准则：M_j＝argmax(μ_j(r_i)^c)，找出最大赞成度M_j，M_j表示第j类的像素点的集合；然后根据M_j对特征色差H进行分类，分类完成后将v_j ^c的数值赋值给对应的M_j，得到优化后的缺陷颜色图_lR^T；

S5、特征提取

S5.1、设置迭代次数t'，最大迭代次数T'，初始化t'＝T'；

S5.2、构造矩阵其中，h表示缺陷边缘特征；

S5.3、对矩阵R^t'的行进行上采样，得到图像然后对其列进行变换最终得到图像其中，和表示逆变换；

对的列进行上采样，得到图像然后对其行进行变换 最终得到由组成的图像_lR^t'；

其中，矩阵R^t'的行进行上采样的过程为：采用邻近插值法在每相邻两行之间插入一行。在本实施例中，在每相邻两行之间插入相邻两行的前一行，即1、2之间插入第1行，2、3之间插入第2行，并以此类推。

S5.4、判断当前迭代次数t'是否小于1，如果t'＜1，则将第t'迭代后获取的图像_lR^t'作为特征提取图像，否则，返回步骤S5.2。

实验仿真

为了能够更好说明缺陷重构模型以及特征提取的有效性，本实施例采用包含复杂缺陷的铝板作为待检测对象。

首先利用热像仪采集待检测试件的视频流，采集时间为8S，得到视频流S'∈R^{512 ×640×544}，通过分析假设该试件可能的最大缺陷数量N_D＝5，设置变分贝叶斯最大迭代次数为100次，超参数都为10^-6，阈值Th_D＝0.05，得到图3所示的缺陷特征。其中一类是表面缺陷，另一部分为内部缺陷。

针对表面缺陷部分，由于一系列散布碎片的撞击，在试件表面存在密密麻麻的凹坑缺陷。因此在重构后的表面缺陷图像中，表现出离散的散布点。另外，由于在撞击过程中，中间部分的能量更大，导致材料中间区域内部存在不可直接观测的层裂损伤。因此在重构的图像中，表现出中间存在高亮部分。

为了突出内部缺陷的主要特征，采用小波变换提取图像的边缘特征和颜色特征。设置低通和高通滤波器分别为f_l＝[1,1]，f_h＝[1,-1]，变换层数T＝2，得到图4所示的颜色特征和边缘特征：

优化隶属度及聚类中心算法中，迭代终止条件ε＝10^-5，最大迭代次数c_m＝100，聚类的数目L＝25,操作系数δ＝0.5，权重系数b＝2，得到图5所示的优化后的缺陷颜色图：

通过对缺陷颜色优化后可以看出，主要提取了内部缺陷的主要特征，然后对内部缺陷进行特征提取，得到图6所示的缺陷特征图，从图6可以看到，在表面缺陷中的内部层裂信息。

由于内部层裂缺陷的特殊性，往往容易被人们所忽视，而通过对内部缺陷的分析，以及将表面缺陷与内部层裂相结合的研究，可以完整的对材料的性能，以及相关缺陷机理进行讨论，并合理有效的防御无预估性撞击带来的损害，并保障设备正常的工作性能。

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 (3)

1.一种基于加性模糊的红外技术缺陷重构与特征提取方法，其特征在于，包括以下步骤：

(1)、待检测视频流预处理

(1.1)、将待检测视频流用矩阵块表示为：其中，N_I×N_J表示空间信息，N_T表示时间信息；

(1.2)、通过向量算子Vec()将矩阵块转换为二维矩阵S；

S＝[Vec(S'(1)),Vec(S'(2)),…,Vec(S'(N_T))]

其中，N_IJ＝N_I×N_J；

(1.3)、将待检测视频流改写为：

其中，D_n表示不同的缺陷信息矩阵，B为低秩矩阵，N为噪声矩阵；I_n(t_n)表示待检测视频流中的第t_n帧缺陷特征列向量，n＝1,2,…,N_D，N_D表示待检测试件中的缺陷数量，I_B(t_B)表示待检测视频流中的第t_B帧非缺陷区域特征列向量，λ_n(t_n)为I_n(t_n)对应的特征系数矩阵行向量，λ_B(t_B)为I_B(t_B)对应的特征系数矩阵行向量，

(2)、利用变分贝叶斯推断进行缺陷重构

(2.1)、设置迭代次数h，最大迭代次数H，初始化h＝1；

(2.2)、当h＝1时，初始化矩阵X¹和Y¹中每一列元素和分别服从均值为零、方差为σ_j ^-1的高斯分布；服从Gamma分布，u和v为超参数，j表示矩阵的第j列；矩阵X¹和Y¹满足：

初始化中每个元素分别独立同分布于均值为零、方差分别为的高斯分布，分别服从Jeffrey’s先验：i表示矩阵的第i行，i表示矩阵的第j列；

初始化N¹为高斯白噪声，其服从均值为零、方差为η¹的高斯分布，其中，η¹服从Jeffrey’s先验：

(2.3)、计算第h次迭代时的每个参数值；

其中，s_i·和s_·j分别表示二维矩阵S的第i行和第j列，E[·]表示期望，分别表示矩阵X^h、Y^h的第i行，和分别表示矩阵的第i行和第j列，n＝1,...,N_D，分别为矩阵X^h、Y^h的协方差矩阵；

其中，表示不同缺陷信息矩阵的协方差；||·||_F表示求矩阵的Frobenious范数；

(2.4)、判断当前迭代次数h是否达到到最大迭代次数H，如果h＜H，则将当前迭代次数h增加1，再返回步骤(2.3)，直到第H次迭代结束，得到最终代表不同区域损伤的矩阵

(2.5)、计算不同缺陷矩阵的误差1≤n₁＜n₂≤N_D，并与阈值Th_E比较，||·||_m1表示矩阵的m1范数；将Erro＜Th_E的缺陷类别认为是同一种缺陷，最终得到类缺陷，各自选取对比度最强烈的一列作为重构后的图像，记为

(3)、采用小波变换的方式对重构图像进行缺陷边缘特征和颜色特征的分离，得到分离后的缺陷颜色图；

(3.1)、设置迭代次数t，最大迭代次数T，初始化t＝1；初始化边缘轮廓提取滤波器f_h，颜色提取滤波器f_l；初始化重构图像为颜色图像，即l表示颜色特征；

(3.2)、提取中缺陷的颜色信息以及边缘信息；

(3.2.1)、在水平方向对颜色和轮廓进行分离： 其中，

从而将S_B表示为：然后再对图像的列间隔着进行下采样，得到

(3.2.2)、在步骤(3.2.1)的基础上，在竖直方向对图像的颜色和轮廓进行分离：其中，

进而得到变换后的图像：然后再对图像的行间隔着进行下采样，得到缺陷颜色图：并将赋值给

(3.3)、判断当前迭代次数t是否达到最大迭代次数T，如果t＜T，则将当前迭代次数t增加1，再返回步骤(3.2)，直到第T次迭代结束；

(4)、对缺陷颜色图的对比度进行优化处理

(4.1)、设置迭代终止条件ε，迭代次数c，最大迭代次数c_m，聚类的数目L，操作系数δ，权重系数b,赞成度μ_j(r_i)^c，犹豫度ξ_j(r_i)^c，模糊系数λ，犹豫度均值聚类中心v_j ^c，目标函数J^c，将缺陷颜色图中每个像素点表示为r_i，i＝1,2,…,g；

(4.2)、计算第c次迭代时每一类中单个像素点的赞成度μ_j(r_i)^c；

其中，r_i表示第i个像素点的像素值，j≠s；||·||表示求范数；

(4.3)、计算第c次迭代时每一类的聚类中心v_j ^c；

(4.4)、计算第c次迭代时每一类中单个像素点的犹豫度ξ_j(r_i)^c；

(4.5)、计算第c次迭代时每一类中单个像素点的犹豫度均值

(4.6)、计算第c次迭代时的目标函数J^c值；

(4.7)、第c次迭代结束后，判断是否满足关系式：||J^c-J^c-1||≤ε，如果满足，则进入步骤(4.8)，否则迭代停止，跳转进入步骤(4.9)；

(4.8)、判断当前迭代次数c是否达到设置的最大迭代次数c_m，如果c＜c_m，则将当前迭代次数c增加1，再返回步骤(4.2)；否则，迭代停止，跳转进入步骤(4.9)；

(4.9)、根据赞成度最大化准则：M_j＝argmax(μ_j(h_i)^c)，找出最大赞成度M_j，M_j表示第j类的像素点的集合；然后根据M_j对特征色差H进行分类，分类完成后将v_j ^c的数值赋值给对应的M_j，得到优化后的缺陷颜色图_lR^T；

(5)、特征提取

(5.1)、设置迭代次数t'，最大迭代次数T'，初始化t'＝T'；

(5.2)、构造矩阵其中，h表示缺陷边缘特征；

(5.3)、对矩阵R^t'的行进行上采样，得到图像然后对其列进行变换最终得到图像其中，和表示逆变换；

对的列进行上采样，得到图像然后对其行进行变换 最终得到由组成的图像_lR^t'；

(5.4)、判断当前迭代次数t'是否小于1，如果t'＜1，则将第t'迭代后获取的图像_lR^t'作为特征提取图像，否则，返回步骤(5.2)。

2.根据权利要求1所述的基于加性模糊的红外技术缺陷重构与特征提取方法，其特征在于，所述矩阵X^h、Y^h的协方差矩阵的计算公式为：

其中，σ^h为方差矩阵，具体由每一列方差σ_j ^h构成。

3.根据权利要求1所述的基于加性模糊的红外技术缺陷重构与特征提取方法，其特征在于，所述矩阵R^t'的行进行上采样的过程为：采用邻近插值法在每相邻两行之间插入一行。