CN110335204A - 一种热成像图像增强方法 - Google Patents
一种热成像图像增强方法 Download PDFInfo
- Publication number
- CN110335204A CN110335204A CN201910375540.0A CN201910375540A CN110335204A CN 110335204 A CN110335204 A CN 110335204A CN 201910375540 A CN201910375540 A CN 201910375540A CN 110335204 A CN110335204 A CN 110335204A
- Authority
- CN
- China
- Prior art keywords
- line scan
- image
- graphic images
- scan image
- principal component
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T7/0004—Industrial image inspection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请适用于无损检测技术领域,提供了一种热成像图像增强方法、终端设备及存储介质,其中,上述方法包括:获取原始热成像图像序列,并对原始热成像图像序列进行线扫描,生成线扫描图像;根据线扫描图像生成对应的热图矩阵;对热图矩阵进行主成分分析,生成对应的主成分图像;主成分图像为所述原始热成像图像序列对应的增强图像。本申请实施例提供的热成像图像增强方法、终端设备及存储介质,通过对原始热成像图像进行主成分分析,提取对应的主成分,从而去除原始热成像图像中由横向热传导引起的成分,能够削弱不均匀加热和邻近效应对缺陷识别的影响,提高缺陷的识别效率,解决了目前热成像图像中存在的缺陷辨识困难的问题。
Description
技术领域
本申请属于无损检测技术领域,尤其涉及一种热成像图像增强方法、终端设备及存储介质。
背景技术
在利用热成像图像对工件进行无损检测时,常常会由于“横向热传导”而影响热成像图像,例如线扫描脉冲涡流热成像红外图像中的缺陷辨识。横向热传导会使热成像图像中靠近加热源的部位温度较高,并使热成像图像中远离加热源的部位温度较低。在靠近加热源的部位,由于温度较高,常常会湮没这一区域的缺陷,从而影响热成像图像的缺陷辨识。
发明内容
有鉴于此,本申请实施例提供了一种热成像图像增强方法、终端设备及存储介质,以解决目前热成像图像中存在的缺陷辨识困难的问题。
根据第一方面,本申请实施例提供了一种热成像图像增强方法,包括:获取原始热成像图像序列,并对所述原始热成像图像序列进行线扫描,生成线扫描图像;根据所述线扫描图像生成对应的热图矩阵;对所述热图矩阵进行主成分分析,生成对应的主成分图像;所述主成分图像为所述原始热成像图像序列对应的增强图像。
本申请实施例提供的热成像图像增强方法,通过对原始热成像图像进行主成分分析,提取对应的主成分,从而去除原始热成像图像中由横向热传导引起的成分,能够削弱不均匀加热和邻近效应对缺陷识别的影响,提高缺陷的识别效率,解决了目前热成像图像中存在的缺陷辨识困难的问题。
结合第一方面,在本申请的一些实施例中,所述原始热成像图像序列为升温阶段的原始热成像图像序列。
本申请实施例提供的热成像图像增强方法,采用升温阶段的数据进行主成分分析,能够更好的抑制“横向热传导”。由于对加热阶段热图序列进行主成分分析得到重构图像的信噪比,高于全阶段热图序列,使得将加热阶段线扫描重构数据作为主成分分析输入数据,可以更好抑制“横向热传递”。
结合第一方面,在本申请的一些实施例中,所述根据所述线扫描图像生成对应的热图矩阵,为:根据所述线扫描图像生成对应的温度偏移率矩阵;相应的,所述对所述热图矩阵进行主成分分析,为:对所述温度偏移率矩阵进行主成分分析。
本申请实施例提供的热成像图像增强方法,将各行温度与非缺陷温度的比值称为温度偏离率,温度偏离率能抑制脉冲涡流热成像线扫描重构图像的“横向热传导”,同时,温度偏移率还对运动模糊有较好的抑制作用。
结合第一方面,在本申请的一些实施例中,所述根据所述线扫描图像生成对应的温度偏移率矩阵,包括:选取所述线扫描图像中非缺陷区域对应的任一行向量为基准行向量;根据所述线扫描图像和所述基准行向量,生成所述温度偏移率矩阵。
本申请实施例提供的热成像图像增强方法,将各行温度值按列分别除以对应非缺陷区温度,即可得到不受“横向热传递”影响的温度偏离率。温度偏离率指各点温度相对非缺陷区温度的偏离程度。由于缺陷附近的温度偏离率基本一致,使得温度偏离率能抑制脉冲涡流热成像线扫描重构图像的“横向热传导”。
结合第一方面,在本申请的一些实施例中,当采用两条或两条以上的扫描线对所述原始热成像图像序列进行线扫描时,在所述根据所述线扫描图像生成对应的热图矩阵之前,所述热成像图像增强方法还包括:对所述线扫描图像进行对准;相应的,所述根据所述线扫描图像生成对应的热图矩阵,为根据对准后的所述线扫描图像生成对应的热图矩阵。
本申请实施例提供的热成像图像增强方法,针对采用两条或两条以上的扫描线对原始热成像图像序列进行线扫描的情况,增设了线扫描图像的对准步骤,能够规避由于扫描线之间存在的时间差,造成的线扫描图像偏移,避免在不同的线扫描图像上,出现相同像素对应的工件实际位置并不相同的问题,可以获得工件同一位置的瞬态温度响应。
结合第一方面,在本申请的一些实施例中,所述对所述线扫描图像进行对准,包括:从所述两条或两条以上的扫描线对应的各个线扫描图像中,选取基准线扫描图像;分别计算所述基准线扫描图像与待对准线扫描图像之间对应的像素差;所述待对准线扫描图像为除所述基准线扫描图像以外的其它线扫描图像;根据所述待对准线扫描图像与所述基准线扫描图像的像素差对对应的待对准线扫描图像进行对准。
本申请实施例提供的热成像图像增强方法,将待对准线扫描图像逐一与基准线扫描图像进行对准,从而使各个待对准线扫描图像均与基准线扫描图像对齐,矫正了由于扫描线之间存在的时间差所造成的线扫描图像偏移。
结合第一方面,在本申请的一些实施例中,通过
计算所述像素差;其中,z为所述基准线扫描图像与其他任一线扫描图像之间对应的像素差;t1为所述基准线扫描图像与所述其他任一线扫描图像之间对应的扫描时间差;t2为所述基准线扫描图像中相邻列向量之间的时间间隔;L为所述基准线扫描图像所对应的扫描线与所述其他任一线扫描图像所对应的扫描线之间的实际距离;α为所述基准线扫描图像所对应的扫描线与所述其他任一线扫描图像所对应的扫描线之间的像素差;K=L/α,为宽度-像素比;f为用于采集所述原始热成像图像序列的热像仪的帧频;v为所述原始热成像图像序列对应的待测工件的移动速度。
本申请实施例提供的热成像图像增强方法,给出了对线扫描图像进行对准的计算公式,能够方便、快捷地实现线扫描图像对准。
根据第二方面,本申请实施例提供了一种终端设备,包括:输入单元,用于获取原始热成像图像序列,并对所述原始热成像图像序列进行线扫描,生成对应的线扫描图像;以及用于根据所述线扫描图像生成对应的热图矩阵;图像增强单元,用于对所述热图矩阵进行主成分分析,生成对应的主成分图像;所述主成分图像为所述原始热成像图像序列对应的增强图像。
根据第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面或第一方面任一实施方式所述方法的步骤。
根据第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面或第一方面任一实施方式所述方法的步骤。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例的应用场景示意图;
图2是本申请实施例提供的热成像图像增强方法的一个具体示例的流程示意图;
图3是本申请实施例提供的热成像图像增强方法的另一个具体示例的流程示意图;
图4是平行缺陷线扫描图像;
图5是垂直缺陷线扫描图像;
图6是平行缺陷主成分分析图像;其中,图6(a)、图6(b)、图6(c) 和图6(d)分别为平行缺陷进行主成分分析所得的第一主成分、第二主成分、第三主成分和第四主成分;
图7是垂直缺陷主成分分析图像;其中,图7(a)、图7(b)、图7(c) 和图7(d)分别为垂直缺陷进行主成分分析所得的第一主成分、第二主成分、第三主成分和第四主成分;
图8是数据范围优化的主成分分析对比图;其中,图8(a)对采用降温阶段数据进行主成分分析所得的主成分;图8(b)对采用升温阶段数据进行主成分分析所得的主成分;
图9是缺陷与非缺陷温度采样比较对比图;其中,图9(a)为温度数据采样线示意图;图9(b)采样线温度曲线;图9(c)缺陷区域与非缺陷区温度对比;
图10是以温度偏离率作为输入的主成分分析结果,其中,图10(a)、图 10(b)、图10(c)和图10(d)分别为温度偏离率进行主成分分析所得的第一主成分、第二主成分、第三主成分和第四主成分;
图11是本申请实施例提供的热成像图像增强方法的第三个具体示例的流程示意图;
图12是本申请实施例提供的终端设备的一个具体示例的结构示例图;
图13是本申请实施例提供的终端设备的另一个具体示例的结构示例图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1是本申请实施例的应用场景示意图。在图1中,热像仪100采集待测工件的原始热成像图像序列,服务器200获取热像仪100所采集的待测工件的原始热成像图像序列,并对原始热成像图像序列进行处理,从而得到原始热成像图像序列对应的增强图像。在实际应用中,服务器200可以实时从热像仪100 处接收热像仪100采集的待测工件的原始热成像图像序列;也可以由热像仪100 先采集待测工件的原始热成像图像序列,此后,在需要时,将热像仪100已采集的原始热成像图像序列发送至服务器200,并通过服务器200对原始热成像图像序列进行增强处理。
在一些实施例中,如图2所示,服务器200可以通过以下几个步骤实现对原始热成像图像序列的增强处理:
步骤S101:获取原始热成像图像序列,并对原始热成像图像序列进行线扫描,生成线扫描图像。
由热像仪100获取待测工件的动态检测温度数据M,即原始热成像图像序列。热像仪100记录的原始数据可以构成三维矩阵,X-Y平面代表热成像仪100 采集的原始热成像图像,其中,第l帧原始热成像图像的像素点数据可构成式(1) 所示的二维矩阵:
式中,ml,i,j表示第l帧图像第i行、第j列像素点灰度值,ml,a为Ml的列矩阵。当确定一条像素线(即X=k)时,观察Y-t轴图像序列,该图像序列可以构成扫描线k对应的线扫描图像:
Nk=[m1,k m2,k m3,k … mn,k] (2)
在实际应用中,常常会采用两条或两条以上的扫描线对原始热成像图像序列进行线扫描,从而得到能够反映待测工件全貌的多个线扫描图像。下面以采用两条扫描线对原始热成像图像序列进行线扫描为例,进行介绍。
由于扫描线A和扫描线B存在时间差,所以由扫描线A和扫描线B得到的两幅线扫描图像会发生偏移,导致两幅线扫描图像的相同像素对应的工件实际位置并不相同。因此,为了获得待测工件同一位置的瞬态温度响应,需要对由扫描线A和扫描线B得到的两幅线扫描图像进行对准,如图3所示,可以在步骤S101之后增设以下步骤:
步骤S104:对线扫描图像进行对准。
根据线扫描图像成像原理,若扫描线A和扫描线B之间的实际距离为L,像素差为a,则扫描时间差t1为:
线扫描图像每列像素的间隔t2为:
线扫描图像相差的像素数z为:
其中,z为所述基准线扫描图像与其他任一线扫描图像之间对应的像素差; t1为所述基准线扫描图像与所述其他任一线扫描图像之间对应的扫描时间差;t2为所述基准线扫描图像中相邻列向量之间的时间间隔;L为所述基准线扫描图像所对应的扫描线与所述其他任一线扫描图像所对应的扫描线之间的实际距离;α为所述基准线扫描图像所对应的扫描线与所述其他任一线扫描图像所对应的扫描线之间的像素差;K=L/α,为宽度-像素比;f为用于采集所述原始热成像图像序列的热像仪的帧频;v为所述原始热成像图像序列对应的待测工件的移动速度。宽度-像素比K、热像仪的帧频f、待测工件的移动速度v,以及像素差α均可以在待测工件检测前测量得到。
当采用多条扫描线进行线扫描时,需要对多幅线扫描图像进行对准。可以以多幅线扫描图像中的任意一幅线扫描图像为基准,将其确定为基准线扫描图像。分别计算基准线扫描图像与待对准线扫描图像之间对应的像素差z。待对准线扫描图像为除基准线扫描图像以外的其它线扫描图像。最后,可以根据各个待对准线扫描图像与基准线扫描图像之间的像素差,分别对对应的待对准线扫描图像进行对准,具体的,可以根据像素差z对待对准线扫描图像平移,即可实现图像配准。
根据上述配准方法,配准后的线扫描图像序列可构成一个三维矩阵,表示为:
步骤S102:根据线扫描图像生成对应的热图矩阵。在实际应用中,可以对扫描线k对应的线扫描图像,按照图像像素从上到下、从左到右的顺序依次排列,形成一个一维矩阵。进一步,可以对该一维矩阵进行转换,将该一维矩阵依次排列,从而形成一个新的二维矩阵,即热图矩阵,该热图矩阵与扫描线k 对应的线扫描图像对应。
当采用两条或两条以上的扫描线对原始热成像图像序列进行线扫描时,由于增设了步骤S104,相应的,在图3中,步骤S102根据线扫描图像生成对应的热图矩阵,可以替换为:
步骤S102’:根据对准后的线扫描图像生成对应的热图矩阵。
当根据对准后的线扫描图像得到如式(6)所示的矩阵后,可以进一步对每帧线扫描图像按照图像像素从上到下、从左到右的顺序依次排列,形成一个 b*(n-z)行的一维矩阵,如式(7)所示:
gk=[m1,1,k m1,2,k … m1,b,k … mn-z,1,k … mn-z,b,k]T (7)
线扫描图像序列经过转换,可得到N个一维矩阵,将这些一维矩阵依次排列可形成一个新的二维矩阵,如式(8)所示:
Q=[g1 g2 g3 … ga] (8)
步骤S103:对热图矩阵进行主成分分析,生成对应的主成分图像。主成分图像为原始热成像图像序列对应的增强图像。
主成分分析(Principal Component Analysis主成分分析,简称PCA)是一种统计学方法,通过线性变换将高维数据转化到相互正交的子空间中,可以将许多相关指标转化为一组新的相互无关的指标,达到揭示事物本质、简化复杂问题和降低数据量的目的。目前,该方法在无损检测、模式识别领域得到了非常广泛的应用。
主成分分析的输入数据可以表示为m组,且每组包含n个变量,如式(9) 所示:
主成分分析法的最终目的是寻找到一个线性组合,使新变量p(p<n)能够表述原始数据的主要信息,即:
F=RX(10)
因此,主成分分析的实质是确定系数矩阵R。
主成分分析的计算步骤如下:
(1)将原始数据标准化。为去除背景噪声对数据处理的影响,在对数据进行主成分分析前,可以按式对数据进行标准化处理,μi和σi分别是Q的第i行均值和方差。
(2)求标准化指标各行间的相关系数rij,并写出相关系数矩阵 R=[rij]k×k。其中,
(3)求相关矩阵的特征根,并按照大小顺序排列,即λ1>λ2>…>λk。称为第i个主成分Fi的贡献率;为前c个主成分的累积贡献率。具体的,可以由累积方差贡献率确定主成分的个数c。
(4)计算主成分载荷a和矩阵U。矩阵U的每一列表示一个主成分。前四个主成分包含了输入至主成分分析的图像数据中90%的信息。因此,对线扫描图像或热图矩阵进行重构时,只利用U阵的前四列即可反映出缺陷信息。按照上述把图像二维矩阵转化为一维矩阵的方法进行逆向操作,可以把列向量转化为一帧图像,即线扫描脉冲涡流热成像主成分图像。
设定被测工件的检测速度为35mm/s,被测工件为25cm×10cm×1cm(长×宽×厚)的钢制工件,在其表面存在贯穿型裂纹,裂纹宽度为1mm,深度分别为 1-4mm。为降低反射率,在工件表面覆盖有一层黑漆(辐射率较低),但是由于使用过程中存在磕碰,导致部分区域黑漆掉落。
根据根据上述方法实施例中步骤S104对线扫描图像重构并配准后,得到图 4和图5所示图像。由图4和图5可知,平行缺陷和垂直缺陷均存在问题:(1) 在图4和图5的第一行图像(降温图像)中,图像左侧均存在严重的“横向热传导”,导致图像左侧的缺陷无法准确识别;(2)在图4和图5的第二行图像(升温图像)中,图像左侧的缺陷能够识别,但是由于加热时间短、温升小,导致缺陷较为模糊,容易被漏检,即缺陷识别困难;(3)线扫描图像数量多,人工筛选会耗费过多时间。因此需要对线扫描图像进行优化处理,抑制“横向热传导”,增强缺陷特征,降低数据量。
为提高缺陷的识别效率,削弱不均匀加热和邻近效应对缺陷识别的影响,可以采用步骤S103中记载的主成分分析法分别对重构并配准后的线扫描图像进行处理。图6和图7分别是对两种裂纹(上表面平行裂纹和垂直裂纹)感应加热全阶段线扫描序列进行主成分分析后的结果。从图中可以看出,经过主成分分析,第三、四主成分能抑制“横向热传导”,缺陷对比度更高。对于平行裂纹,图6(a)所示的第一主成分图像中,热扩散占据主导地位,图像左侧的高温区掩盖住了最左侧裂纹;由于工件表面掉漆表面发射率高于附近区域,在图6(b)所示的第二主成分中产生较多亮斑;在图6(c)、图6(d)所示的第三、四主成分图像中,可以观察到完整的四条平行裂纹,但是运动模糊的影响较大。
对于垂直裂纹,主成分分析后缺陷特征都能得到较大的增强。图7(a)所示的第一主成分图像同样包含“横向热传导”信息,导致贯穿性裂纹的最左侧无法识别;在图7(b)所示的第二主成分图像中,“横向热传导”得到抑制,但缺陷信噪比较低,靠近图像右侧的缺陷无法有效识别,原因是垂直裂纹直接影响涡流分布,加热时缺陷两侧温度迅速上升。在图7(c)、图7(d)所示的第三、四主成分图像中,可以观察到垂直裂纹,但是运动模糊的影响较大。
主成分分析法能在降低图像维数的同时,保留温度主要信息。第一、二主成分对运动模糊有一定的抑制效果,但由于图像左侧工件温升较大,主要显示的是热传递信息;在第三、第四主成分中缺陷信息有所保留,“横向热传导”得到抑制,但运动模糊造成干扰较大。因此,需要对主成分分析法的输入数据进行优化,在抑制“横向热传导”和运动模糊的同时,增强缺陷特征。对输入数据优化的方法有两种,分别为输入数据范围优化和输入数据预处理。
为进一步抑制热传递,减少运算时间,使得第一、二主成分包含更多的缺陷信息,本申请实施例对输入数据范围的优化问题展开研究。
在进行主成分分析的图像重构时,采用升温阶段的数据作为输入和采用降温阶段数据作为输入会取得不同的效果。图8(a)和图8(b)分别为采用降温阶段和升温阶段数据进行主成分分析的结果。由于加热时间过长,“横向热传导”作用范围更大,采用降温阶段数据的主成分结果高亮度区域宽度更大,采用升温阶段数据主成分分析的结果能够更好的抑制“横向热传导”。但是由于加热时间较短,温升较小,在图8(b)的缺陷特征没有降温阶段主成分结果明显。
为了更直观地分析热图处理结果,计算不同阶段热图序列进行主成分分析后的信噪比,结果如表1所示。
表1热图信噪比
由表1可知,对加热阶段热图序列进行主成分分析得到重构图像的信噪比高于全阶段热图序列。加热阶段包含较多的缺陷信息,冷却阶段包含较多的热扩散信息。将加热阶段线扫描重构数据作为主成分分析输入数据可以更好抑制“横向热传递”,但缺陷特征仍不够明显。
为了获得更好的“横向热传递”抑制效果,在一具体实施方式中,可以在步骤S101中获取待测工件在升温阶段的原始热成像图像序列,并在后续步骤中对升温阶段的原始热成像图像序列进行线扫描重构以及主成分分析。
以升温阶段数据主成分分析的输入数据能抑制“横向热传导”,提高主成分分析结果的信噪比,缺陷特征依旧不够明显。以降温阶段数据作为输入数据,虽然能够增强缺陷特征,但“横向热传导”将导致缺陷不能识别。因此需要选择更有效的处理方法对输入数据进行预处理,抑制“横向热传导”的同时,保留缺陷特征。
沿速度方向对线扫描图像采样,采样线如图9(a)所示,虚线为非缺陷区域采样线,实线为缺陷采样线,温度变化曲线如图9(b)所示。缺陷区温度始终高于非缺陷区,工件左侧温度最高,右侧最低,两条采样线以相同的趋势减小。以相同列的非缺陷区温度为x轴,缺陷区温度为y轴绘图,结果如图9(c)。观察曲线,发现二者温度呈线性,拟合后二者成正比,即:
Tdefect=kTsound (11)
式中,Tdefect为缺陷温度,Tsound为非缺陷区域温度。其比值固定,因此将各行温度值按列分别除以对应非缺陷区温度,即可得到不受“横向热传递”影响的图像,本文将各行温度与非缺陷温度的比值称为温度偏离率。根据等式可知,温度偏离率指各点温度相对非缺陷区温度的偏离程度。由图9(c)可知,缺陷附近的温度偏离率基本一致,温度偏离率能抑制脉冲涡流热成像线扫描重构图像的“横向热传导”。
以全阶段温度偏离率作为输入进行主成分分析,得到的主成分图像如图10 所示。与图13、图7和图8所示的主成分图像相比,以偏离率作为输入的第一、二和三主成分图像均包含较强的缺陷信息,缺陷部位更清晰,同时“横向热传导”受到了抑制;第一主成分对运动模糊有较好的抑制作用,达到了预期的目的。
当采用全阶段温度偏离率作为输入进行主成分分析,如图11所示,可以将步骤S102根据所述线扫描图像生成对应的热图矩阵,替换为:
步骤S102”:根据线扫描图像生成对应的温度偏移率矩阵。
在实际应用中,可以选取线扫描图像中非缺陷区域对应的任一行向量为基准行向量,进而根据线扫描图像和基准行向量,生成温度偏移率矩阵。具体的,可以将将各行温度值按列分别除以对应非缺陷区温度,即可得到对应的温度偏移率。由温度偏移率构成的温度偏移率矩阵,即不受“横向热传递”影响的图像。
相应的,步骤S103对热图矩阵进行主成分分析,可以替换为:
步骤S103”:对温度偏移率矩阵进行主成分分析,生成对应的主成分图像。
本申请实施例提供的热成像图像增强方法,通过对原始热成像图像进行主成分分析,提取对应的主成分,从而去除原始热成像图像中由横向热传导引起的成分,能够削弱不均匀加热和邻近效应对缺陷识别的影响,提高缺陷的识别效率,解决了目前热成像图像中存在的缺陷辨识困难的问题。
主成分分析法能够降低数据量,以全阶段温度数据为输入的主成分结果中第一、二主成分能抑制“横向热传导”和运动模糊,但包含大量热传导信息而不是缺陷信息,第三、四主成分包含缺陷信息,但运动模糊严重。选取升温阶段温度数据作为输入数据能够抑制“横向热传导”,提高信噪比,但温升较小导致缺陷特征不够明显;选取降温阶段温度数据作为输入数据能够增强图像右侧的缺陷特征,但是受“横向热传导”干扰严重。对输入数据进行预处理,以全阶段温度偏离率作为主成分分析的输入数据,能够极大的抑制“横向热传导”和运动模糊的影响,并保留缺陷的温升特征,主成分分析结果优于上述各阶段温度数据作为输入数据的主成分分析结果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供了一种终端设备,如图12所示,该终端设备可以包括输入单元301和图像增强单元302。
其中,输入单元301用于获取原始热成像图像序列,并对原始热成像图像序列进行线扫描,生成对应的线扫描图像;以及用于根据线扫描图像生成对应的热图矩阵;其对应的工作过程可参见上述方法实施例中步骤S101、步骤S102、步骤S102’及步骤S102”所述。
图像增强单元302用于对热图矩阵进行主成分分析,生成对应的主成分图像;主成分图像为所述原始热成像图像序列对应的增强图像;其对应的工作过程可参见上述方法实施例中步骤S103及步骤S103”所述。
可选的,还可以在图12所示的终端设备中增设对准单元303。对准单元303 可以用于对线扫描图像进行对准,其对应的工作过程可参见上述方法实施例中步骤S104所述。
图13是本申请一实施例提供的终端设备的示意图。如图13所示,该实施例的终端设备600包括:处理器601、存储器602以及存储在所述存储器602 中并可在所述处理器601上运行的计算机程序603,例如热成像图像增强方法程序。所述处理器601执行所述计算机程序603时实现上述各个热成像图像增强方法方法实施例中的步骤,例如图2所示的步骤S101至步骤S103。或者,所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块/ 单元的功能,例如图12所示输入单元301和图像增强单元302的功能。
所述计算机程序603可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器602中,并由所述处理器601执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序603在所述终端设备600中的执行过程。例如,所述计算机程序603可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)。
所述终端设备600可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器601、存储器602。本领域技术人员可以理解,图13仅仅是终端设备600的示例,并不构成对终端设备600的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述终端设备600的内部存储单元,例如终端设备 600的硬盘或内存。所述存储器602也可以是所述终端设备600的外部存储设备,例如所述终端设备600上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器602还可以既包括所述终端设备600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种热成像图像增强方法,其特征在于,包括:
获取原始热成像图像序列,并对所述原始热成像图像序列进行线扫描,生成线扫描图像;
根据所述线扫描图像生成对应的热图矩阵;
对所述热图矩阵进行主成分分析,生成对应的主成分图像;所述主成分图像为所述原始热成像图像序列对应的增强图像。
2.如权利要求1所述的热成像图像增强方法,其特征在于,所述原始热成像图像序列为升温阶段的原始热成像图像序列。
3.如权利要求1所述的热成像图像增强方法,其特征在于,所述根据所述线扫描图像生成对应的热图矩阵,为:
根据所述线扫描图像生成对应的温度偏移率矩阵;
相应的,所述对所述热图矩阵进行主成分分析,为:
对所述温度偏移率矩阵进行主成分分析。
4.如权利要求3所述的热成像图像增强方法,其特征在于,所述根据所述线扫描图像生成对应的温度偏移率矩阵,包括:
选取所述线扫描图像中非缺陷区域对应的任一行向量为基准行向量;
根据所述线扫描图像和所述基准行向量,生成所述温度偏移率矩阵。
5.如权利要求1至4中任一项所述的热成像图像增强方法,其特征在于,当采用两条或两条以上的扫描线对所述原始热成像图像序列进行线扫描时,在所述根据所述线扫描图像生成对应的热图矩阵之前,所述热成像图像增强方法还包括:
对所述线扫描图像进行对准;
相应的,所述根据所述线扫描图像生成对应的热图矩阵,为
根据对准后的所述线扫描图像生成对应的热图矩阵。
6.如权利要求5所述的热成像图像增强方法,其特征在于,所述对所述线扫描图像进行对准,包括:
从所述两条或两条以上的扫描线对应的各个线扫描图像中,选取基准线扫描图像;
分别计算所述基准线扫描图像与待对准线扫描图像之间对应的像素差;所述待对准线扫描图像为除所述基准线扫描图像以外的其它线扫描图像;
根据所述待对准线扫描图像与所述基准线扫描图像的像素差对对应的待对准线扫描图像进行对准。
7.如权利要求6所述的热成像图像增强方法,其特征在于,通过
计算所述像素差;
其中,z为所述基准线扫描图像与其他任一线扫描图像之间对应的像素差;t1为所述基准线扫描图像与所述其他任一线扫描图像之间对应的扫描时间差;t2为所述基准线扫描图像中相邻列向量之间的时间间隔;L为所述基准线扫描图像所对应的扫描线与所述其他任一线扫描图像所对应的扫描线之间的实际距离;α为所述基准线扫描图像所对应的扫描线与所述其他任一线扫描图像所对应的扫描线之间的像素差;K=L/α,为宽度-像素比;f为用于采集所述原始热成像图像序列的热像仪的帧频;v为所述原始热成像图像序列对应的待测工件的移动速度。
8.一种终端设备,其特征在于,包括:
输入单元,用于获取原始热成像图像序列,并对所述原始热成像图像序列进行线扫描,生成对应的线扫描图像;以及用于根据所述线扫描图像生成对应的热图矩阵;
图像增强单元,用于对所述热图矩阵进行主成分分析,生成对应的主成分图像;所述主成分图像为所述原始热成像图像序列对应的增强图像。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375540.0A CN110335204B (zh) | 2019-05-07 | 2019-05-07 | 一种热成像图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375540.0A CN110335204B (zh) | 2019-05-07 | 2019-05-07 | 一种热成像图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335204A true CN110335204A (zh) | 2019-10-15 |
CN110335204B CN110335204B (zh) | 2021-06-01 |
Family
ID=68139593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910375540.0A Active CN110335204B (zh) | 2019-05-07 | 2019-05-07 | 一种热成像图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335204B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429367A (zh) * | 2020-03-06 | 2020-07-17 | 暨南大学 | 用于复合材料分层损伤检测的热像数据处理方法 |
CN111928949A (zh) * | 2020-08-04 | 2020-11-13 | 深圳市软筑信息技术有限公司 | 热像测温方法、装置、计算机设备、存储介质 |
CN112801956A (zh) * | 2021-01-18 | 2021-05-14 | 南京工业大学 | 一种漆层下海洋腐蚀的高分辨率图像重构和状态评估方法 |
CN112834569A (zh) * | 2021-02-22 | 2021-05-25 | 上海展湾信息科技有限公司 | 一种实时检测焊接气孔的方法与设备 |
CN113295732A (zh) * | 2021-04-22 | 2021-08-24 | 杭州申昊科技股份有限公司 | 可供检测管道缺陷的管道机器人及其控制方法与控制系统 |
CN113393431A (zh) * | 2021-06-09 | 2021-09-14 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片缺陷检测的热成像图像增强训练方法和装置 |
CN113537236A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045483A (zh) * | 2009-10-15 | 2011-05-04 | 佳能株式会社 | 用于图像读取装置的检查方法和检查装置 |
CN103308521A (zh) * | 2012-08-29 | 2013-09-18 | 中国人民解放军第二炮兵工程大学 | 一种增强红外热波检测图像缺陷对比度的方法 |
US8687880B2 (en) * | 2012-03-20 | 2014-04-01 | Microsoft Corporation | Real time head pose estimation |
CN104535616A (zh) * | 2015-01-25 | 2015-04-22 | 何赟泽 | 一种窗扫描热成像缺陷检测和层析成像方法及系统 |
CN106373165A (zh) * | 2016-08-31 | 2017-02-01 | 广州华端科技有限公司 | 断层合成图像重建方法和系统 |
CN106706709A (zh) * | 2016-12-05 | 2017-05-24 | 南京航空航天大学 | 一种线扫描激励连续大面积红外热成像检测方法 |
US9911290B1 (en) * | 2015-07-25 | 2018-03-06 | Gary M. Zalewski | Wireless coded communication (WCC) devices for tracking retail interactions with goods and association to user accounts |
CN108109128A (zh) * | 2017-11-30 | 2018-06-01 | 电子科技大学 | 一种基于空间相关性的红外热图像处理方法 |
CN106468677B (zh) * | 2016-09-06 | 2018-11-09 | 电子科技大学 | 一种脉冲涡流热成像中缺陷的自动分割方法 |
CN109102468A (zh) * | 2018-06-27 | 2018-12-28 | 广州视源电子科技股份有限公司 | 图像增强方法、装置、终端设备及存储介质 |
-
2019
- 2019-05-07 CN CN201910375540.0A patent/CN110335204B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045483A (zh) * | 2009-10-15 | 2011-05-04 | 佳能株式会社 | 用于图像读取装置的检查方法和检查装置 |
US8687880B2 (en) * | 2012-03-20 | 2014-04-01 | Microsoft Corporation | Real time head pose estimation |
CN103308521A (zh) * | 2012-08-29 | 2013-09-18 | 中国人民解放军第二炮兵工程大学 | 一种增强红外热波检测图像缺陷对比度的方法 |
CN104535616A (zh) * | 2015-01-25 | 2015-04-22 | 何赟泽 | 一种窗扫描热成像缺陷检测和层析成像方法及系统 |
US9911290B1 (en) * | 2015-07-25 | 2018-03-06 | Gary M. Zalewski | Wireless coded communication (WCC) devices for tracking retail interactions with goods and association to user accounts |
CN106373165A (zh) * | 2016-08-31 | 2017-02-01 | 广州华端科技有限公司 | 断层合成图像重建方法和系统 |
CN106468677B (zh) * | 2016-09-06 | 2018-11-09 | 电子科技大学 | 一种脉冲涡流热成像中缺陷的自动分割方法 |
CN106706709A (zh) * | 2016-12-05 | 2017-05-24 | 南京航空航天大学 | 一种线扫描激励连续大面积红外热成像检测方法 |
CN108109128A (zh) * | 2017-11-30 | 2018-06-01 | 电子科技大学 | 一种基于空间相关性的红外热图像处理方法 |
CN109102468A (zh) * | 2018-06-27 | 2018-12-28 | 广州视源电子科技股份有限公司 | 图像增强方法、装置、终端设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
PRASHANTH MARPU 等: "Hyperspectral change detection with IR-MAD and initial change mask", 《2011 3RD WORKSHOP ON HYPERSPECTRAL IMAGE AND SIGNAL PROCESSING: EVOLUTION IN REMOTE SENSING (WHISPERS)》 * |
XIN YE: "Laser Scanning Confocal Image Alignment Assists Sub-micron Accuracy Micro-assembly", 《PROCEDIA CIRP》 * |
何勇: "车辆智能障碍物检测方法及其农业应用研究进展", 《农业工程学报》 * |
吴旭景 等: "红外热成像无损检测技术现状及发展的相关研究", 《化工管理》 * |
梁涛: "复合材料脱粘缺陷红外热成像无损检测定量分析研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429367A (zh) * | 2020-03-06 | 2020-07-17 | 暨南大学 | 用于复合材料分层损伤检测的热像数据处理方法 |
CN111429367B (zh) * | 2020-03-06 | 2023-09-19 | 暨南大学 | 用于复合材料分层损伤检测的热像数据处理方法 |
CN111928949A (zh) * | 2020-08-04 | 2020-11-13 | 深圳市软筑信息技术有限公司 | 热像测温方法、装置、计算机设备、存储介质 |
CN112801956A (zh) * | 2021-01-18 | 2021-05-14 | 南京工业大学 | 一种漆层下海洋腐蚀的高分辨率图像重构和状态评估方法 |
CN112834569A (zh) * | 2021-02-22 | 2021-05-25 | 上海展湾信息科技有限公司 | 一种实时检测焊接气孔的方法与设备 |
CN113295732A (zh) * | 2021-04-22 | 2021-08-24 | 杭州申昊科技股份有限公司 | 可供检测管道缺陷的管道机器人及其控制方法与控制系统 |
CN113393431A (zh) * | 2021-06-09 | 2021-09-14 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片缺陷检测的热成像图像增强训练方法和装置 |
CN113537236A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法 |
CN113537236B (zh) * | 2021-06-21 | 2023-04-21 | 电子科技大学 | 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110335204B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335204A (zh) | 一种热成像图像增强方法 | |
Nayar et al. | Shape from focus: An effective approach for rough surfaces | |
CN110246118B (zh) | 一种缺陷深度检测方法 | |
CN107229918A (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
CN104820987B (zh) | 一种基于光学图像及微波图像检测目标散射性能缺陷的方法 | |
Acosta et al. | An innovative image-processing model for rust detection using Perlin Noise to simulate oxide textures | |
Lee et al. | Edge detection analysis | |
CN111444964A (zh) | 一种基于自适应roi划分的多目标快速图像匹配方法 | |
CN112561940A (zh) | 密集多目标参数提取的方法、装置及终端设备 | |
Stankus et al. | An improved multivariate generalised likelihood ratio control chart for the monitoring of point clouds from 3D laser scanners | |
Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
CN105444692B (zh) | 一种水火弯板曲面提取方法 | |
CN111291712A (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
CN115984246A (zh) | 基于机器视觉的缺陷快速检测方法及装置、设备、存储介质 | |
Kim et al. | An efficient method of estimating edge locations with subpixel accuracy in noisy images | |
CN109345466A (zh) | 电磁成像空变模糊恢复方法及装置 | |
Yang et al. | Cherry recognition based on color channel transform | |
Seyfried et al. | Phase congruency on GPR data for hyperbola identification | |
CN111860153A (zh) | 尺度自适应的高光谱图像分类方法及系统 | |
CN110148151A (zh) | 一种运动目标提取方法与装置 | |
CN109919063A (zh) | 一种基于纹理分析的活体人脸检测系统及方法 | |
CN112767335B (zh) | 基于等分原理的空气间隙三维火花放电通道检测方法 | |
Ke et al. | Study on Image Preprocessing of Soybean Moisture Content Measurement | |
CN115496878A (zh) | 物品识别方法、装置、设备及存储介质 |
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 |