CN111951291A - 基于多结构形态学与fodpso混合处理的红外图像边缘检测方法 - Google Patents

Abstract

基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，它涉及红外图像边缘提取方法。它是要解决现有的红外图像边缘提取方法的图像周边存在无用噪声、边界不真实、对图像缺陷特征信息提取效果差的技术问题。本方法：将原始图像灰度变换，然后用不同的结构元素腐蚀并计算出权值向量；构建并联滤波器进行自适应权值多结构形态学去噪处理，得到去噪后图像；然后用FODPSO算法处理，得到分割后图像；再构建新的结构元素进行不同刻度的边缘提取，最终进行融合，从而提取到最终完整的边缘检测图像。本方法能有效滤除图像噪声，提高图像对比度，分割后图像边缘轮廓更平滑、准确，提高了对缺陷特征提取的效果，用于红外图像处理领域。

Description

基于多结构形态学与FODPSO混合处理的红外图像边缘检测 方法

技术领域

本发明涉及红外图像边缘提取方法。

背景技术

红外热成像(Infrared Thermography,IRT)作为一种新兴的无损检测(Non-destructive testing,NDT)技术，可检测材料表面的温度变化。IRT作为一种快速的非接触式大面积可视化检查技术越来越受到人们的认可，已成功地在许多领域中用作NDT技术。其工作原理在于：材料内部缺陷(如裂纹、脱粘、磨损等)导致的不连续性会造成激励能量在材料不连续处上表面产生明显温度对比。理论上，材料内部的任何不连续都会导致这种温度变化，这种变化可以通过红外热像仪来检测。针对进行缺陷试件红外热波检测时，红外热像仪在采集的红外序列热图的过程中，由于实验设备和环境自身的红外辐射产生的背景噪声、材料内部结构的不均匀以及材料表面受热不均产生的不利影响，导致采集到的序列热图信号中缺陷的信息被大量的无关噪声所覆盖，这些噪声往往会严重影响序列热图信号的分析精度及其处理分析结果，增加了后续红外图像处理的难度。因此需要对红外图像处理技术进行改进，减少红外图像中无关噪声的影响，改善对红外图像的分析效果。

数学形态学以图像的形态特征为研究对象，通过膨胀、腐蚀、开启与闭合运算来描述图像的基本特征与结构。脉冲噪声是一种常见的图像噪声，根据噪声位置灰度值与其领域灰度值的比较可以分为正、负脉冲。正脉冲噪声的位置其灰度值要大于领域的灰度值，负脉冲则相反。开运算先腐蚀后膨胀，可以过滤图像中的正脉冲噪声；闭运算先膨胀后腐蚀，可以过滤图像中的负脉冲噪声。在图像去噪的过程中，通过适当地选取结构元素的形状和维数可以提高滤波去噪的效果。

图像分割是图像处理中的一项关键技术，主要用于把图像分割成若干具有某种相同或相似特性的区域，精确定位这些区域并对其特性进行进一步分析和处理。随着图像处理技术的发展，图像分割技术已广泛地应用在诸多领域中。当前，在红外图像处理中，阈值图像分割算法对噪声敏感度高，对图像灰度差异不明显以及不同缺陷目标灰度值有重叠分割不明显，因此其更加适用于相差度很大的不同缺陷目标和背景的图像。生长区域法图像分割需要把具有某种相似性质的像素连通，进而构成最终的分割区域，这样会造成红外图像缺陷的过度分割。模糊C均值聚类算法FCM更适合存在不确定性和模糊性的缺陷图像，具有很大的局限性。遗传算法GA、粒子群算法PSO等算法在运算中很容易陷于局部最优解，其分割结果不具有全局最优解的效果。

发明内容

本发明的目的是提供一种基于多结构形态学与FODPSO混合处理红外图像边缘提取方法，达到减少图像周边大量无用噪声和不真实的边界信息，提高对图像缺陷特征信息提取的效果。

本发明的基于多结构形态学与FODPSO混合处理红外图像边缘提取方法，其算法流程图如图1所示，包括以下步骤：

(1)对原始图像In进行灰度变换，得到灰度图像f；

(2)构建不同的结构元素A_i，其中i＝1、2、……、I；I＝3～5；对变换后的灰度图像f进行I种结构元素腐蚀运算，得到腐蚀效果图Ime_i；

(3)将各结构元素A_i的权值相应地记为α_i，根据其匹配图像的次数β_i来计算权值α_i；

(4)对I种结构元素A_i进行扩维，得到新的结构元素B_i，其中B_i的维数比A_i的维数多1～4；通过串联构建同种元素串联滤波器，串联是指将同一形状的结构元素按照维数从小到大的顺序来对图像进行滤波，得到I种串联滤波结果Im_i；

(5)根据串联滤波结果Im_i与灰度图像f进行差异值计算，将结果值作为权值向量

(6)将I种结构元素所构建的串联滤波器进行并联，形成并联滤波器，通过串联滤波结果Im_i、权值向量

进行并联加权求和计算，得到自适应权值多结构形态学并联去噪结果图像Φ(x,y)；

(7)初始化分数阶粒子群FODPSO算法参数，进行粒子速度与个体位置更新；针对特定的红外缺陷图像特征，设置合适的参数，实现对去噪后图像Φ(x,y)的FODPSO算法处理，进而得到分割后图像f_d；

(8)由于较大维数的结构元素会对图像缺陷的几何特征造成影响，导致形态处理结果不准确，因此对第(2)步聚的结构元素A_i进行降维，并增加一种圆盘型结构元素，构建出新的结构元素C_j，其中j＝1、2、3、……、J；J＝I+1；其中C₁、C₂、……、C_I分别是A₁、 A₂、……、A_I降维得到的；C_J为圆盘型结构元素，圆盘型结构元素C_J的维数与A₁、A₂、……、A_I的维数相等；

(9)对多结构形态学算法进行变化，计算J种结构元素在不同刻度下开闭、闭开运算下的均值图像q_s(x,y)，其中s＝1、2、3、……、J；

(10)计算J种结构元素在不同刻度下的图像方差

其中s＝1、2、3、……、J；

(11)根据图像方差

计算图像权值u_s，其中s＝1、2、3、……、J；

(12)对J种结构元素C_j进行膨胀运算，获得J种结构元素在不同刻度下的边缘融合图像Gf_j；

(13)将J个边缘融合图像Gf₁、Gf₂、Gf₃、……、Gf_J进行图像边缘检测结果融合，得到最终边缘提取融合图像Gf。边缘提取融合图像Gf具有更加完整的缺陷特征信息。

本发明在两次进行形态学处理时要用到结构元素，一是利用形态学算法进行图像去噪时，选取结构元素的方式是根据具体图像特征来构建适合图像的结构元素形状；二是利用形态学算法进行图像边缘检测时，依据分割后图像中对象特征，构建适合图像不同方向边缘检测的结构元素进行不同刻度运算，得到最终检测结果图像。

更进一步地，所述原始图像In为红外图像序列中一幅最优图像；

更进一步地，所述结构元素A_i为同一形状、不同维数与角度的结构元素；

更进一步地，结构元素A_i结构可为扁平型、菱型、圆盘型、八边型、线型或矩型结构元素。

结构元素的形状是影响其滤波效果的重要因素，根据相似性原则，结合输入的红外图像的缺陷特征，并保证缺陷边缘的滤除噪声效果；更优选的是线型结构元素，线型结构元素能够更好的实现对红外图像缺陷周围噪声的有效滤除；

对于无噪声或噪声影响较小的图像，结构元素的维数一般选取1～3，对于噪声影响严重的图像，结构元素的维数一般选取5～7，方向依据图像缺陷特征进行适当选取；本发明更进一步优选的A₁、A₂、A₃、A₄的维数与方向如下：

A₁的维数为5，方向为-45°；

A₂的维数为5，方向为45°；

A₃的维数为3，方向为90°；

A₄的维数为3，方向为0°；

所述结构元素A₁,A₂,A₃,A₄的半径由图像中对象的半径来确定，对图像中对象进行试验测取，更进一步地取结构元素A_i直径为4～10。

更进一步地，所述结构元素B_i是由结构元素A_i扩维得到的，为同一形状与角度、不同维数的结构元素；

对于无噪声或噪声影响较小的图像，结构元素的维数一般选取1～3，对于噪声影响严重的图像，结构元素的维数一般选取5～7，方向依据图像缺陷特征进行适当选取；本发明更进一步优选择的结构元素B₁、B₂、B₃、B₄维数与方向如下：

B₁的维数为7，方向为-45°；

B₂的维数为7，方向为45°；

B₃的维数为5，方向为90°；

B₄的维数为5，方向为0°；

结构元素C_j，j＝1、2、3、4、5时的结构元素C₁,C₂,C₃,C₄,C₅中，C₁、C₂、C₃、C₄为线型结构元素，C₅为圆盘型结构元素；

其中C₁、C₂、C₃、C₄的维数与方向如下：

C₁的维数为3，方向为90°；

C₂的维数为3，方向为0°；

C₃的维数为3，方向为45°；

C₄的维数为3，方向为-45°；

圆盘型结构元素C₅的维数为3；

所述结构元素C_j的半径由图像中对象的半径来确定，更进一步地取结构元素直径为 4～10。

更进一步地，步骤(2)中所述的腐蚀运算的公式为：

式中，f(x,y)为输入图像，g(m,n)为结构元素；

更进一步地，步骤(5)中所述的权值向量

的构造方式为：

更进一步地，步骤(6)中所述的整合串联结果Im_i是对串联结果进行加权求和，得到去噪后图像记为Φ(x,y)，即：

更进一步地，步骤(7)中所述的初始化分数阶粒子群FODPSO算法参数，进行粒子速度与个体位置更新，对去噪后图像Φ(x,y)进行FODPSO算法处理，得到分割后图像f_d的算法流程图如图2所示，具体操作步骤如下：

①.初始化粒子群FODPSO算法参数，设定当前粒子群的粒子数N，设定最低粒子数POP_min，最高粒子数POP_max，设定当前粒子群数E，最低粒子群数E_min，最高粒子群数 E_max；设定学习因子c₁、c₂；设定最大迭代次数T_max，分数阶系数α，随机生成粒子速度 V_w与位置X_x、粒子最大飞翔速度V_max、粒子最小飞翔速度V_min；其中，对N定义如下：

N＝POP_min+(POP_max-POP_min)×rand

POP_min＝0,POP_max＝L

常见的nint8类型的红外图像，其灰度值为0～255；L为最大灰度值，L＝256；

②.对每个粒子进行个体适应度值T(N)计算：

k代表一个具体的粒子群类，w_k表示第k类的概率，μ_k为第k类的均值，μ_T表示图像灰度平均值；

③.对②中所计算的每个粒子进行适应度值评估，将种群内粒子的最优个体值P_d设置为当前位置，种群最优个体值P_g设置为初始群体中最佳粒子的位置；

④.对粒子速度进行更新，如下：

V_w(t+1)＝c₁r₁(t)(p_d(t)-X_x(t))+c₂r₂(t)(p_g(t)-X_x(t))

上式中t代表当前迭代次数；c₁、c₂为学习因子，且满足3<c₁+c₂<4；r₁、r₂为[0,1]内均匀分布的随机数；系数取值根据下面的二项式来确定：

⑤.对粒子速度进行约束：

⑥.考虑到过去粒子对当前粒子的影响，对粒子进行速度更新：

V_w(t-3)＝V_w(t-2)

V_w(t-2)＝V_w(t-1)

V_w(t-1)＝V_w(t)

⑦.对粒子个体位置进行更新：

X_x(t+1)＝X_x(t)+V_w(t+1)

⑧.对更新后粒子的适应度值进行计算，并与上次迭代最优适应度值比较，判断当前种群所有个体对应的适应度值的最小值是否小于上一次的种群最优个体适应度值；

如果是，则替换上一次种群最优个体值，接着判断是否达到最大迭代次数，如果已经达到最大迭代次数，则以当前种群所有个体对应的适应度值的最小值作为最优种群个体位置结果值，得到分割后图像f_d；如果未达到最大迭代次数，返回到第②步继续执行；

如果否，则以当前种群所有个体对应的适应度值的最小值作为最优种群个体位置结果值，得到分割后图像f_d。

更进一步地，步骤①中，设定当前粒子群的粒子数N＝20～30，最低粒子数 POP_min＝1～10，最高粒子数POP_max＝40～50；设定当前粒子群数E＝4～5，最低粒子群数 E_min＝1～3，最高粒子群数E_max＝5～6；设定学习因子c₁＝1.5～1.8，学习因子c₂＝1.5～1.8；设定最大迭代次数T_max＝50～150，分数阶系数α＝0.5～0.8，随机生成粒子速度V_w与位置X_x，粒子最大飞翔速度V_max＝-1.5，粒子最小飞翔速度V_min＝1.5。

本发明的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，首先对原始图像In进行灰度变换，得到灰度图像f；其次根据灰度图像噪声特点，构建不同的结构元素A_i对灰度图像f进行多结构元素腐蚀运算，得到图像腐蚀效果图Ime_i，通过计算匹配次数β_i来确定各自权值α_i，对结构元素A_i进行扩维得到结构元素B_i，通过串联得到串联滤波结果Im_i，根据串联结果Im_i进行差异值计算，得到权值向量

其次构建并联滤波器进行自适应权值多结构形态学去噪处理，得到去噪后图像Φ(x,y)；本步骤结合形态学腐蚀过程中结构元素的探测匹配原理，根据结构元素在图像中可匹配次数来进行自适应权值计算，实现权重自适应的多结构形态学去噪。然后初始化FODPSO参数，对去噪后图像Φ(x,y)进行分数阶粒子群FODPSO算法处理，得到分割后图像f_d；本步骤选择基于多结构形态学与FODPSO混合处理算法，能够在整体上克服各种单一算法的不足，改善图像缺陷检测的效果。最后根据分割图像f_d，对多结构形态学算法进行变化，提出基于多结构形态学算法在多刻度上的红外图像边缘检测算法，依据结构元素A_i变化得到结构元素C_j，采用对结构元素C_j进行膨胀运算对分割后图像f_d进行不同刻度的边缘提取，得到不同刻度下的最终结果Gf₁,Gf₂,Gf₃,Gf₄,Gf₅，将最终结果Gf₁,Gf₂,Gf₃,Gf₄,Gf₅进行融合，从而提取到最终完整的边缘检测图像Gf，其具有更加完整的缺陷特征信息。本步骤基于权重自适应的多结构形态学去噪后图像，进行分数阶粒子群FODPSO图像分割，得到更加优化的红外图像。对优化后图像进行膨胀运算，通过多结构元素对图像进行边缘检测，通过加权融合的思想来整合检测到的边缘，可以在一定程度上提高边缘检测的精度，具有较好的抗干扰性和定位准确性。

本发明与现有处理方法相比较，所提出的混合算法具有如下有益效果：

(1)本发明采用自适应权值多结构形态学去噪算法对图像进行滤波去噪，能够有效滤除图像噪声，缺陷区域的信息更加清晰，提高图像对比度，便于后续图像分割操作。

(2)本发明采用FODPSO算法对图像进行分割，分割后图像的缺陷边缘轮廓更平滑、尺寸更准确，几何特征更加明显。

(3)本发明采用多结构形态学与FODPSO混合处理算法对图像进行边缘检测，与只用 Canny算子进行边缘检测结果对比，经混合算法处理后的图像缺陷边缘提取准确、缺陷特征清晰明显、滤除大量的冗余边界信息、有效滤除了无用信息的干扰、提高了对缺陷特征提取的效果。

本发明可应用于红外热波无损检测领域，同时应用于红外图像处理技术领域，主要用于红外图像处理中的图像边缘检测处理。

附图说明

图1为本发明的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法流程图；

图2为本发明步骤(7)中FODPSO算法流程图；

图3为实施例1中步骤(2)中的4种结构元素A₁,A₂,A₃,A₄示意图；

图4为实施例1中步骤(4)中的A₁,A₂,A₃,A₄维数扩增后的B₁,B₂,B₃,B₄示意图；

图5为实施例1中变换后的灰度图像；

图6为实施例1中4种结构元素对图像腐蚀效果图；

图7为实施例1中自适应权值多结构形态学去噪后图像；

图8为实施例1中本算法FODPSO分割后图像；

图9为实施例1中对比PSO分割后图像；

图10为实施例1步骤(8)四中的5种结构元素C₁,C₂,C₃,C₄,C₅示意图；

图11为实施例1中为多结构形态学与FODPSO混合处理算法对分割后图像进行缺陷边缘提取融合效果图；

图12为实施例1中只用Canny算子进行边缘检测效果图；

具体实施方式

为了更好地说明本发明的技术方案，下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围内。

实施例1：本实施例的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，按以下步骤进行：

(1)读取原始图像In，转换为灰度图像f；

(2)构建不同的结构元素A_i，其中i＝1、2、3、4；其中A₁,A₂,A₃,A₄为同一形状、不同维数与角度的结构元素，有利于滤除同种噪声影响；A₁,A₂,A₃,A₄的图形如图3所示，其中A₁的维数为5，方向为-45°；

A₂的维数为5，方向为45°；

A₃的维数为3，方向为90°；

A₄的维数为3，方向为0°；

结构元素A₁,A₂,A₃,A₄的直径为4～10，在算法运行中进行取值变化，附图中并未表示出直径大小变化。

利用A₁,A₂,A₃,A₄对变换后图像f进行腐蚀运算，运算公式如下：

式中，f(x,y)为输入图像，g(m,n)为结构元素；

腐蚀运算后，得到腐蚀效果图Ime₁,Ime₂,Ime₃,Ime₄；腐蚀运算过程相当于对图像中可以匹配结构元素的位置进行探测并标记处理。

(3)将4种线型形状的结构元素A₁,A₂,A₃,A₄的权值依次记为α₁,α₂,α₃,α₄，在图像进行腐蚀的过程中，各结构元素匹配图像的次数依次为β₁,β₂,β₃,β₄，按自适应权值计算公式(2)

(5)计算权值依次记为α₁,α₂,α₃,α₄，

(4)对4种结构元素A₁,A₂,A₃,A₄进行扩维，得到新的结构元素B₁,B₂,B₃,B₄；扩维结构元素B₁,B₂,B₃,B₄如图4所示，B₁、B₂、B₃、B₄的维数与方向如下：

B₁的维数为7，方向为-45°；

B₂的维数为7，方向为45°；

B₃的维数为5，方向为90°；

B₄的维数为5，方向为0°；

结构元素B₁,B₂,B₃,B₄的直径为4～10，在算法运行中进行取值变化，图4中并未表示出直径大小变化。

通过串联构建同种元素串联滤波器，对4种腐蚀运算结果图像Ime₁,Ime₂,Ime₃,Ime₄进行串联滤波，得到经过4种线型结构元素腐蚀的串联滤波结果Im₁,Im₂,Im₃,Im₄；

(5)将串联处理结果Im₁,Im₂,Im₃,Im₄与原始灰度图像f进行差异值计算，其结果值作为权值向量，记为

(6)将4种不同结构元素串联滤波器进行并联，形成并联滤波器，对串联滤波结果Im₁,Im₂,Im₃,Im₄、权值向量

进行加权求和，以此得到并联去噪后结果图像记为Φ(x,y)，即：

传统的形态学算法基本形态变化包括腐蚀、膨胀、开运算以及闭运算，运用传统的形态学算法对图像进行处理后，图像中仍然会存在大量与缺陷区域重合的短线和孤立噪声点。因此本算法对传统形态学处理算法进行了改进，改进后的多结构形态学处理算法，构建不同角度的结构元素A₁,A₂,A₃,A₄对图像进行腐蚀运算，得到腐蚀图 Ime₁,Ime₂,Ime₃,Ime₄，并计算权值α₁,α₂,α₃,α₄，对结构元素A₁,A₂,A₃,A₄扩维变为新结构元素B₁,B₂,B₃,B₄，对腐蚀图Ime₁,Ime₂,Ime₃,Ime₄进行串联滤波得到串联滤波结果 Im₁,Im₂,Im₃,Im₄，通过差异值计算得到权值向量

最后通过并联滤波整合串联滤波结果得到去噪后图像Φ(x,y)。改进后的形态学处理算法相比于传统的形态学处理算法，其去噪效果更好。

(7)初始化分数阶粒子群FODPSO算法参数，进行粒子速度与个体位置更新，对去噪后图像Φ(x,y)进行FODPSO算法处理，得到分割后图像f_d，具体如下:

①.初始化粒子群FODPSO算法参数，设定当前粒子群的粒子数N，设定最低粒子数POP_min，最高粒子数POP_max，设定当前粒子群数E，最低粒子群数E_min，最高粒子群数 E_max；设定学习因子c₁、c₂；设定最大迭代次数T_max，分数阶系数α，随机生成粒子速度 V_w与位置X_x，粒子最大飞翔速度V_max，粒子最小飞翔速度V_min。其中，对N定义如下：

常见的nint8类型的红外图像，其灰度值为0～255。最大灰度值为L＝256。

设定当前粒子群的粒子数为N＝30，最低粒子数POP_min＝10，最高粒子数POP_max＝50；设定当前粒子群数E＝4，最低粒子群数E_min＝2，最高粒子群数E_max＝6；设定学习因子 c₁＝c₂＝1.8；设定最大迭代次数T_max＝150，分数阶系数α＝0.6，随机生成粒子速度V_w与位置X_x，粒子最大飞翔速度V_max＝-1.5，粒子最小飞翔速度V_min＝1.5。

②.对每个粒子进行个体适应度值T(N)计算：

k代表一个具体的粒子群类，w_k表示第k类的概率，μ_k为第k类的均值，μ_T表示图像灰度平均值；

③.对②中所计算的每个粒子进行适应度值评估，将种群内粒子的最优个体值P_d设置为当前位置，种群最优个体值P_g设置为初始群体中最佳粒子的位置；

④.对粒子速度进行更新，如下：

式(10)中t代表当前迭代次数；c₁、c₂为学习因子，且满足3<c₁+c₂<4；r₁、r₂为[0,1]内均匀分布的随机数；式中的系数取值可根据二项式(11)来计算和理解：

⑤.对粒子速度进行约束：

⑥.考虑到过去粒子对当前粒子的影响，对粒子进行速度更新：

⑦.对粒子个体位置进行更新：

X_x(t+1)＝X_x(t)+V_w(t+1) (14)

⑧.对更新后粒子的适应度值进行计算，并与上次迭代最优适应度值比较，判断当前种群所有个体对应的适应度值的最小值是否小于上一次的种群最优个体适应度值，如果是，则替换上一次种群最优个体值，接着判断是否达到最大迭代次数，如果已经达到最大迭代次数，则以当前种群所有个体对应的适应度值的最小值作为最优种群个体位置结果值，得到分割后图像f_d；如果未达到最大迭代次数，返回到第②步继续执行；如果否，则以当前种群所有个体对应的适应度值的最小值作为最优种群个体位置结果值，得到分割后图像f_d。

(8)构建出新的结构元素：

①.为了能够尽可能匹配图像不同方向上的边缘，需要对前述的4种结构元素 A₁,A₂,A₃,A₄进行变化，构建适合本处算法的5种结构元素C₁,C₂,C₃,C₄,C₅来对图像进行边缘检测，如图10所示，其中C₁、C₂、C₃、C₄的维数与方向如下：

C₁的维数为3，方向为90°；

C₂的维数为3，方向为0°；

C₃的维数为3，方向为45°；

C₄的维数为3，方向为-45°；

结构元素C₅为圆盘型结构元素，维数为3；

结构元素C₁、C₂、C₃、C₄、C₅的直径为4～10，在算法运行中进行取值变化，附图中并未表示出直径大小变化；

同时定义5种结构元素在不同刻度上的变化为：

式中：n为刻度参数。

多结构元素在多刻度上的灰度值开运算定义为：

多结构元素在多刻度上的灰度值闭运算定义为：

则多结构元素在多刻度上的边缘检测算法定义为：

式18中所述J：J＝1、2、3、4、5。

②.为了保证5种结构元素在不同刻度上所检测到的缺陷边缘能够进行图像融合，采用图像加权融合的方法来进行图像融合，对多结构元素在多刻度上的边缘融合算法定义如下：

式19中，u_s为多结构元素在不同刻度上边缘检测图像进行融合时的加权系数，[1,n] 为刻度范围。

(9)对多结构形态学算法进行变化，计算J种结构元素在不同刻度下开闭、闭开运算下的均值图像q_s(x,y)，具体如下：

一般u₁＝u₂＝…＝u_k＝1/n，此时，多结构元素在不同刻度上所检测的边缘对最终边缘贡献一样大，但这样提取的边缘效果不是很好。为了能更好地检测最佳边缘图像，取非均值权值，基本原则是依据多结构元素在不同刻度上检测性能的不同来确定。大刻度的结构元素检测缺陷直径大的能力强，小刻度的结构元素检测缺陷直径小的能力强，因而可将大刻度的权重取得大一些，小刻度取得小一些。按照以上原则，本步骤设计如下计算不同权值的算法步骤：

运用第1小步的灰度值开运算与闭运算，分别求得5种结构元素在不同刻度下开闭、闭开运算下的均值图像：

q_s(x,y)＝(f_dοnC·nC+f_dοnC·nC)(x,y)/2 (20)

式中，q_s(x,y)表示均值图像。

(10)计算5种结构元素在不同刻度下的图像方差

(11)以各个刻度下的图像方差

的比例来确定权值u_s：

(12)对5个结构元素分别进行膨胀，用膨胀后的5个结构元素C₁,C₂,C₃,C₄,C₅在刻度n＝1时，对图像进行边缘检测，将获得的5个边缘信息检测结果依据式(19)，只计算n＝1 时的边缘融合图像，获得多结构元素在单刻度下的边缘检测结果Gf₁。其中，多结构形态学算法在不同刻度下的膨胀运算定义为：

对5个结构元素分别进行膨胀，用膨胀后的5个结构元素C₁,C₂,C₃,C₄,C₅在刻度n＝2时，对图像进行边缘检测，将获得的5个检测结果按照步骤(12)进行图像边缘融合，获得多结构元素在刻度为n＝2时的边缘检测结果Gf₂。

同理，按照上述步骤对5个结构元素C₁,C₂,C₃,C₄,C₅分别进行膨胀，进行刻度n＝3、4、5时的边缘检测及融合，获得多结构元素在刻度n＝3、4、5时的边缘融合图像：Gf₃,Gf₄,Gf₅。

(13)将5个边缘融合图像Gf₁、Gf₂、Gf₃、Gf₄、Gf₅按式(19)进行多结构元素在多刻度上的图像边缘检测结果融合，得到最终边缘提取融合图像Gf。边缘检测图像Gf具有更加完整的缺陷特征信息。对多结构形态学算法进行变化，首先对4种结构元素进行变化得到5种不同结构元素C₁,C₂,C₃,C₄,C₅，然后通过采用不同刻度的结构元素进行边缘检测，再通过加权融合的思想来整合检测到的边缘，可以得到基于多结构形态学算法在多刻度上的红外图像边缘检测算法，这种算法能够有效地提高缺陷边缘检测的精度，可以更加直观的对红外图像中的缺陷进行辨析。

本实施例中，原始图像In为经脉冲相位法处理后的红外图像序列中效果最优图像。对原始图像In进行处理，首先进行灰度图转换，得到灰度图f，如图5所示。再进行自适应权值多结构形态学去噪处理，效果图Φ(x,y)如图6所示。其中(a)、(b)、(c)、(d) 分别为通过4种结构元素A₁,A₂,A₃,A₄对灰度图像f进行腐蚀运算所得效果图 Ime₁,Ime₂,Ime₃,Ime₄；图7为自适应权值多结构形态学去噪后图像Φ(x,y)。经过去噪后的图像噪声干扰显著降低，缺陷轮廓更加清晰，图像的对比度增加，有利于接下来的分数阶粒子群图像分割算法处理。FODPSO算法所处理的对象为图7所示的经自适应权值多结构形态学去噪后图像Φ(x,y)，FODPSO分割算法处理后的分割效果图f_d为图8所示，图9为PSO算法对比分割效果图。对比发现，直接采用PSO算法进行处理后的图像，缺陷周围仍然存在部分无关噪声信息，导致缺陷轮廓十分不清晰，难以进行缺陷边缘的提取。而本发明所采用的FODPSO算法处理经过多结构形态学算法处理过的去噪图像Φ(x,y)，使得分割处理后图像f_d的缺陷区域完整的分割出来，未产生过度分割，滤除掉了大量无关噪声，使得缺陷几何特征更加容易判断，缺陷边缘轮廓更加清晰，更有利于接下来的图像缺陷边缘提取。在经过上述的自适应权值多结构形态学对图像进行去噪，FODPSO算法对去噪后图像Φ(x,y)进行分割，多结构形态学在多刻度上的红外图像边缘检测算法对分割后图像f_d进行边缘检测，效果图如图11所示，将上述混合算法处理后的图像与只用 Canny算子边缘检测的图像12进行对比。从结果图12中可以看出，Canny算子虽然有较强的抑制噪声的效果，但是容易将红外图像的噪声作为边界，由Canny算子处理过后的边缘图像存在大量的冗余边界，难以有效地滤除边缘无关信息的干扰。因此，只有当红外图像噪声较小时，Canny算子边缘精度相对较高。由结果图11可知，经过多结构形态学与FODPSO混合处理算法处理后的图像，对缺陷边缘识别更加准确，缺陷轮廓更加清晰，滤除了周围边缘大量无用的边界信息，降低了噪声对缺陷边缘识别的影响，提高了缺陷边缘检测的能力。

Claims (10)

1.基于多结构形态学与FODPSO混合处理的红外图像边缘检测方法，其特征在于该方法包括以下步骤：

(1)对原始图像In进行灰度变换，得到灰度图像f；

(2)构建不同的结构元素A_i，其中i＝1、2、……、I；I＝3～5；对变换后的灰度图像f进行I种结构元素腐蚀运算，得到腐蚀效果图Ime_i；

(3)将各结构元素A_i的权值相应地记为α_i，根据其匹配图像的次数β_i来计算权值α_i；

(4)对I种结构元素A_i进行扩维，得到新的结构元素B_i，其中B_i的维数比A_i的维数多1～4；通过串联构建同种元素串联滤波器，得到I种串联滤波结果Im_i；

(5)根据串联滤波结果Im_i与灰度图像f进行差异值计算，将结果值作为权值向量

(6)将I种结构元素所构建的串联滤波器进行并联，形成并联滤波器，通过串联滤波结果Im_i、权值向量

进行并联加权求和计算，得到自适应权值多结构形态学并联去噪结果图像Φ(x,y)；

(7)初始化分数阶粒子群FODPSO算法参数，进行粒子速度与个体位置更新；对去噪后图像Φ(x,y)进行FODPSO算法处理，得到分割后图像f_d；

(8)第(2)步聚的结构元素A_i进行降维，并增加一种圆盘型结构元素，构建出新的结构元素C_j，其中j＝1、2、3、……、J；J＝I+1；其中C₁、C₂、……、C_I分别是A₁、A₂、……、A_I降维得到的；C_J为圆盘型结构元素，圆盘型结构元素C_J的维数与A₁、A₂、……、A_I的维数相等；

(9)对多结构形态学算法进行变化，计算J种结构元素在不同刻度下开闭、闭开运算下的均值图像q_s(x,y)，其中s＝1、2、3、……、J；

(10)计算J种结构元素在不同刻度下的图像方差

其中s＝1、2、3、……、J；

(11)根据图像方差

计算图像权值u_s，其中s＝1、2、3、……、J；

(12)对J种结构元素C_j进行膨胀运算，获得J种结构元素在不同刻度下的边缘融合图像Gf_j；

(13)将J个边缘融合图像Gf₁、Gf₂、Gf₃、……、Gf_J进行图像边缘检测结果融合，得到最终边缘提取融合图像Gf。

2.根据权利要求1所述的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，其特征在于所述原始图像I为红外图像序列中一幅最优图像。

3.根据权利要求1或2所述的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，其特征在于结构元素A_i结构为线型结构元素。

4.根据权利要求1或2所述的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，其特征在于步骤(2)中I＝4；且A₁、A₂、A₃、A₄的维数与方向如下：

A₁的维数为5，方向为-45°；

A₂的维数为5，方向为45°；

A₃的维数为3，方向为90°；

A₄的维数为3，方向为0°。

5.根据权利要求1或2所述的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，其特征在于步骤(4)中所述结构元素B_i是由结构元素A_i扩维得到的，为同一形状与角度、不同维数的结构元素。

6.根据权利要求1或2所述的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，其特征在于步骤(4)中所述的B_i由4个结构元素组成，B₁、B₂、B₃、B₄的维数与方向如下：

B₁的维数为7，方向为-45°；

B₂的维数为7，方向为45°；

B₃的维数为5，方向为90°；

B₄的维数为5，方向为0°。

7.根据权利要求1或2所述的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，其特征在于步骤(8)中所述的结构元素C_j由5个结构元素C₁,C₂,C₃,C₄,C₅组成，其中C₁、C₂、C₃、C₄为线型结构元素，C₅为圆盘型结构元素；

其中C₁、C₂、C₃、C₄的维数与方向如下：

C₁的维数为3，方向为90°；

C₂的维数为3，方向为0°；

C₃的维数为3，方向为45°；

C₄的维数为3，方向为-45°；

圆盘型结构元素C₅的维数为3。

8.根据权利要求1或2所述的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，其特征在于步骤(2)中所述的腐蚀运算的公式为：

式中，f(x,y)为输入图像，g(m,n)为结构元素。

9.根据权利要求1或2所述的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，其特征在于步骤(5)中所述的权值向量

的构造方式为：

10.根据权利要求1或2所述的基于多结构形态学与FODPSO混合处理的红外图像边缘提取方法，其特征在于步骤(7)中所述的初始化分数阶粒子群FODPSO算法参数，进行粒子速度与个体位置更新，对去噪后图像Φ(x,y)进行FODPSO算法处理，得到分割后图像f_d，具体操作步骤如下：

①.初始化粒子群FODPSO算法参数，选取当前粒子群的粒子数N，设定最低粒子数POP_min，最高粒子数POP_max，设定当前粒子群数E，最低粒子群数E_min，最高粒子群数E_max；设定学习因子c₁、c₂；设定最大迭代次数T_max，分数阶系数α，随机生成粒子速度V_w与位置X_x，粒子最大飞翔速度V_max，粒子最小飞翔速度V_min；其中，对N定义如下：

N＝POP_min+(POP_max-POP_min)×rand

POP_min＝0,POP_max＝L

上式中L为最大灰度值，L＝256；

②.对每个粒子进行个体适应度值T(N)计算：

其中k代表一个具体的粒子群类，w_k表示第k类的概率，μ_k为第k类的均值，μ_T表示图像灰度平均值；

③.对②中所计算的每个粒子进行适应度值评估，将种群内粒子的最优个体值P_d设置为当前位置，种群最优个体值P_g设置为初始群体中最佳粒子的位置；

④.对粒子速度进行更新，如下：

上式中t代表当前迭代次数；c₁、c₂为学习因子，且满足3<c₁+c₂<4；r₁、r₂为[0,1]内均匀分布的随机数；系数取值根据下面的二项式来确定：

⑤.对粒子速度进行约束：

⑥.考虑到过去粒子对当前粒子的影响，对粒子进行速度更新：

V_w(t-3)＝V_w(t-2)

V_w(t-2)＝V_w(t-1)

V_w(t-1)＝V_w(t)

⑦.对粒子个体位置进行更新：

X_x(t+1)＝X_x(t)+V_w(t+1)

⑧.对更新后粒子的适应度值进行计算，并与上次迭代最优适应度值比较，判断当前种群所有个体对应的适应度值的最小值是否小于上一次的种群最优个体适应度值，

如果是，则替换上一次种群最优个体值，接着判断是否达到最大迭代次数，如果已经达到最大迭代次数，则以当前种群所有个体对应的适应度值的最小值作为最优种群个体位置结果值，得到分割后图像f_d；如果未达到最大迭代次数，返回到第②步继续执行；

如果否，则以当前种群所有个体对应的适应度值的最小值作为最优种群个体位置结果值，得到分割后图像f_d。

Images