CN113592782A - 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 - Google Patents

一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 Download PDF

Info

Publication number
CN113592782A
CN113592782A CN202110769321.8A CN202110769321A CN113592782A CN 113592782 A CN113592782 A CN 113592782A CN 202110769321 A CN202110769321 A CN 202110769321A CN 113592782 A CN113592782 A CN 113592782A
Authority
CN
China
Prior art keywords
image
defect
processing
carrying
ray
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
CN202110769321.8A
Other languages
English (en)
Other versions
CN113592782B (zh
Inventor
蔡珣
马振尧
史清杰
朱波
高艳博
李帅
袁晓敏
狄成瑞
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110769321.8A priority Critical patent/CN113592782B/zh
Publication of CN113592782A publication Critical patent/CN113592782A/zh
Application granted granted Critical
Publication of CN113592782B publication Critical patent/CN113592782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T2207/10116—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20036—Morphological image processing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供了一种复合材料碳纤维芯棒X射线图像缺陷提取方法及系统，获取待处理的X射线图像；对获取的X射线图像进行灰度化处理，得到处理后的灰度图像；对得到的灰度图像进行去噪处理，得到去噪图像；对去燥图像进行图像增强处理；利用形态学方法对图像增强处理后的图像进行缺陷特征提取；对提取到的缺陷特征进行轮廓提取，将提取后的缺陷特征标注到原始X射线图像上；本发明基于二维经验模态分解和形态学方法，实现了X射线图像的缺陷特征快速提取和准确标注。

Description

一种复合材料碳纤维芯棒X射线图像缺陷提取方法及系统
技术领域
本发明涉及图像处理技术领域，特别涉及一种复合材料碳纤维芯棒X射线图像缺陷提取方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
随着复合材料碳纤维芯棒的广泛应用，为了保证复合材料碳纤维芯棒在生产和使用过程中不会出现缺陷，因此使用X射线无损检测技术对复合材料碳纤维芯棒进行检测，通过评估得到的X射线图像对复合材料碳纤维芯棒的缺陷进行定位和提取。
发明人发现，X射线图像能够直观的显示出复合材料碳纤维芯棒存在的缺陷，但是由于在检测过程中会产生噪声等干扰因素，因此通过X射线无损检测得到的未经处理的X射线图像中，缺陷的特征往往非常模糊，难以进行辨识和定位。
发明内容
为了解决现有技术的不足，本发明提供了一种复合材料碳纤维芯棒X射线图像缺陷提取方法及系统，采用如下技术方案，实现了X射线图像的缺陷特征快速提取和准确标注：
本发明提供了如下内容：
(一)第一方面提供了一种复合材料碳纤维芯棒X射线图像缺陷提取方法。
一种复合材料碳纤维芯棒X射线图像缺陷提取方法，包括以下过程：
(1)获取待处理的X射线图像；
(2)对获取的X射线图像进行灰度化处理，得到处理后的灰度图像；
(3)对得到的灰度图像进行去噪处理，得到去噪图像；
(4)对去噪图像进行图像增强处理；
(5)利用形态学方法对图像增强处理后的图像进行缺陷特征提取；
(6)对提取到的缺陷特征进行轮廓提取，将提取后的缺陷特征标注到原始X射线图像上。
进一步的，对得到的灰度图像进行去噪，包括以下过程：
(1)使用二维经验模态分解法对灰度图像进行分解，得到N层BIMF分量和第N层残差；
(2)对包含噪声信息的高频分量进行维纳滤波处理，得到处理后的去噪分量；
(3)将去噪分量和其他BIMF分量以及第N层残差进行重构，得到去噪之后的图像。
更进一步的，二维经验模态分解法，包括以下过程：
(1)对图像进行初始化，将图像映射到XOY平面，图像对应像素点的灰度值作为Z轴坐标；
(2)对图像曲面进行局部极大值点和局部极小值点的求解；
(3)对得到的局部极大值点和极小值点利用Delaunay三角剖分和插值方法分别进行曲面拟合，得到上包络曲面和下包络曲面，用上下包络曲面求平均得到均值包络曲面；
(4)用原图像曲面减去均值包络曲面，得到图像残差；
(5)判断此时是否满足停止条件，如果满足，则输出BIMF分量，否则回到进行局部极大值点和局部极小值点的求解的步骤；
(6)判断残差是否满足停止条件，若满足则停止，否则，对残差重复进行上述步骤，求解下一层BIMF分量。
更进一步的，用两次迭代结果计算出的方差的差作为算法结束的终止条件。
进一步的，利用t-非线性灰度增强方法对去噪图像进行初步图像增强处理，包括以下过程：
(1)根据图像灰度值的分布状态信息和缺陷特征的要求，确定阈值，对图像的像素点处的灰度值进行变换处理；
(2)将像素的灰度值进行反转处理；
(3)将上述两步得到的灰度值与原始图像的灰度值进行混合处理，将新的灰度值填入对应的像素点位置，得到初步增强后的图像。
t-非线性灰度增强方法的公式，具体为：
Figure BDA0003152138850000031
r(x,y)＝255-g(x,y)
m(x,y)＝α*g(x,y)+β*f(x,y)+Cf,0<α,β≤1
其中，t是人为选定的阈值，α、β、Cf是公式3中的权重和补偿因子。f(x,y)是输入的原图像，g(x,y)是经过像素操作后得到的图像，r(x,y)是g(x,y)经反色操作后得到的图像，m(x,y)是f(x,y)与g(x,y)经过图像混合后得到的图像。
更进一步的，利用伽马灰度变换对初步增强后的图像进行再次图像增强处理。
进一步的，利用形态学方法对图像增强处理后的图像进行缺陷特征提取，包括以下过程：
(1)对增强后的图像进行反色处理，得到反色图像；
(2)使用预设大小的结构元素，对反色图像进行闭运算，在保持图像背景灰度细节不发生改变的情况下去除缺陷，得到处理后的背景图像；
(3)对反色图像进行白色底帽运算处理，用反色图像减去背景图像，得到处理后的前景图像；
(4)对前景图像进行反色处理，得到前景反色图像；
(5)对前景反色图像进行伽马灰度变换处理，得到缺陷增强图像；
(6)对缺陷增强图像进行二值化，得到二值化图像；
(7)对二值化图像进行反色处理，得到缺陷粗提取图像；
(8)用预设腐蚀操作的结构元素，对缺陷粗提取图像进行腐蚀操作，得到粗提取前景图像；
(9)用预设膨胀操作的结构元素，对粗提取前景图像进行膨胀操作，得到图像M，以图像M为缺陷特征图像。
(二)第二方面提供了一种复合材料碳纤维芯棒X射线图像缺陷提取系统。
一种复合材料碳纤维芯棒X射线图像缺陷提取系统，包括：
(1)数据获取模块，被配置为：获取待处理的X射线图像；
(2)灰度化处理模块，被配置为：对获取的X射线图像进行灰度化处理，得到处理后的灰度图像；
(3)图像去噪模块，被配置为：对得到的灰度图像进行去噪处理，得到去噪图像；
(4)图像增强模块，被配置为：对去燥图像进行图像增强处理；
(5)缺陷特征提取模块，被配置为：利用形态学方法对图像增强处理后的图像进行缺陷特征提取；
(6)缺陷特征标注模块，被配置为：对提取到的缺陷特征进行轮廓提取，将提取后的缺陷特征标注到原始X射线图像上。
(三)第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的复合材料碳纤维芯棒X射线图像缺陷提取方法中的步骤。
(四)第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的复合材料碳纤维芯棒X射线图像缺陷提取方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明所述的方法、系统、介质或电子设备，能够提取出X射线图像中的缺陷特征，方便辨别缺陷的数量、形状等特征；能够将缺陷的轮廓标注在复合材料碳纤维芯棒X射线图像上，能够直观的观察缺陷的位置。
2、本发明所述的方法、系统、介质或电子设备，利用BEMD-W滤波方法对灰度图像进行去噪处理，实现了更好的去噪效果，消除了X射线图像采集过程中产生的噪声对图像缺陷的识别和提取的影响，解决了现有技术如基于拉普拉斯金字塔原理的多尺度金字塔增强算法中，在处理图像时存在的受噪声干扰从而导致缺陷定位和提取不准确的问题。
3、本发明所述的方法、系统、介质或电子设备，利用t-非线性灰度增强方法对去噪图像进行图像增强处理，能够提高图像的对比度，使得缺陷细节更清晰。
4、本发明所述的方法、系统、介质或电子设备，利用伽马灰度变换对初步增强得到的图像进行再次图像增强处理，通过变换，图像中灰度值过小的区域的灰度值得到增强，图像中灰度值过大的区域的灰度值得到降低，图像的整体细节会得到进一步增强，解决了现有技术中，如利用Canny边缘检测的智能识别和分析图像缺陷方法中，缺陷与完好位置灰度值相差较小，导致缺陷不明显，边缘难以提取的问题。
5、本发明所述的方法、系统、介质或电子设备，利用形态学方法对预处理后的图像进行缺陷特征提取，解决了现有技术，如分区域自适应中值滤波的图像处理方法中，X射线图像缺陷与背景灰度值相差不大，难以分离，导致缺陷提取困难的问题，实现了更精准的缺陷特征提取。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的复合材料碳纤维芯棒X射线图像缺陷提取方法的流程示意图。
图2为本发明实施例1提供的BEMD-W滤波方法的流程示意图。
图3为本发明实施例1提供的伽马变换示意图。
图4为本发明实施例1提供的开运算结构元素示意图。
图5为本发明实施例1提供的图像增强流程示意图。
图6为本发明实施例1提供的实例实验结果图。
图7为本发明实施例1的处理前和处理后对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本发明实施例1提供了一种复合材料碳纤维芯棒X射线图像缺陷提取方法，特别涉及一种基于二维经验模态分解和形态学方法的复合材料碳纤维芯棒X射线图像缺陷提取方法，包括以下过程(以图6(a)所示X射线图像为例)：
S1：对复合材料碳纤维芯棒进行X射线无损检测，获得X射线图像。
S2：利用公式(1)对X射线图像进行灰度化处理，得到处理后的灰度图像(S)，如图6(a)。
Figure BDA0003152138850000081
公式(1)是根据某一个像素点的红绿蓝三个通道的取值计算灰度值，其中，Gray是计算后得到的灰度值，R、G、B分别是图像像素的红色、绿色和蓝色三个通道的取值。
S3：利用BEMD-W滤波方法对灰度图像(S)进行去噪处理。
S3.1：使用BEMD(二维经验模态分解方法)对灰度图像(S)进行分解，得到N层BIMF分量和第N层残差；
S3.2：对包含噪声信息的高频分量BIMF1进行维纳滤波处理得到处理之后的去噪分量(BIMF1-W)；
S3.3：将BIMF1-W和其他BIMF分量以及第N层残差进行重构，得到去噪之后的图像(D)。
经过BEMD-W方法处理后，得到的去噪之后的图像(D)，如图6(b)所示。对得到的图像(D)进行步骤S4的处理。
BEMD-W方法的具体流程如附图说明中图2所示。
BEMD方法：
对图像的处理不再是对行列信号的一维分解，而是对整个图像进行经验模态分解，得到有限个不同尺度的频率分量。不同频率的分量包含着不同的信息，高频分量中包含了图像的边缘等细节信息和噪声，低频分量中包含了图像的轮廓信息。对图像的不同频率尺度进行分解，能够准确地区分出图像不同频率的信息，从而对不同尺度的分量进行处理。二维经验模态分解算法的步骤与一维经验模态分解算法的步骤类似，只是从求解一维包络线变为求解二维的包络面，分解的停止条件也有所改变。
BEMD算法的具体步骤如下：
(1)导入图像I(M,N)，对图像进行初始化，将图像映射到XOY平面，图像对应像素点的灰度值作为Z轴坐标，得到：Ir(x,y),x＝1,2…M,y＝1,2…N。
(2)对导入的图像曲面Ir(x,y)进行局部极大值点和局部极小值点的求解；
(3)对(2)中得到的局部极大、极小值点利用Delaunay三角剖分和插值方法分别进行曲面拟合，求的上包络曲面Dmax(x,y)和下包络曲面Dmin(x,y)，用上下包络曲面求平均得到均值包络曲面Dmean(x,y)：
Figure BDA0003152138850000091
(4)用原图像曲面减去均值包络曲面，得到图像残差：
h(x,y)＝Ir(x,y)-Dmean(x,y) (3)
(5)判断h(x,y)是否满足停止条件
Figure BDA0003152138850000092
如果满足，则输出BIMF分量(二维内禀模态函数)：bimf(x,y)，否则回到(2)。其中，Delta取值一般为50。SD2的计算公式如下：
Figure BDA0003152138850000093
(6)判断残差是否满足停止条件，若满足则停止，输出残差r(x,y)；否则，对残差重复进行上述步骤，求解下一层BIMF分量(二维内禀模态函数)；
经过上述步骤可以完成对导入的灰度图像的BEMD分解，分解后的图像可以表示为：
Figure BDA0003152138850000094
其中高频的BIMF分量展示了图像的边缘细节信息和需要消除的噪声，低频的BIMF分量部分展示了图像的轮廓和大致内容，残差包含了二维经验模态分解后剩余的频率信息。与一维经验模态分解算法相似，分解得到的有限多层BIMF和最后一层残差的叠加能够重建原图像。对分解得到的BIMF分量进行图像处理，然后再进行处理，可以得到消除了噪声的图像，在此基础上可以对图像进行进一步处理，提高图像的对比度，使缺陷细节更加清晰。
为了保证二维经验模态分解算法能得到质量足够好的BIMF分量，必须选取合适的终止条件。本实施例中使用每次求解之后，两次迭代结果计算出的方差作为判断算法是否结束的终止条件，具体计算公式如下：
Figure BDA0003152138850000101
其中，hkji是上述步骤(3)中获取第k个BIMF分量时，导入的原图与均值包络面的差。
用两次迭代结果计算出的方差的差来作为算法结束的终止条件。设置阈值Delta为50，当：
Figure BDA0003152138850000102
成立时，算法在第k次迭代时结束，此时图像分解得到了k层内禀模态分解函数(BIMF)和第k层残差，与一维经验模态分解算法相同，二维经验模态分解算法也是无监督的，自适应分解算法。
维纳滤波：
维纳滤波器是一种自适应的滤波方式，基于最小均方误差准则，具有最佳线性过滤特性的滤波器，当存在噪声的信号通过维纳滤波器的时候，它可以将通过的信号尽可能地进行精确的重现或者对其做出尽可能精确的估计，从而实现对存在的噪声做出最大程度地抑制。假设维纳滤波器的单位样本响应函数为h(x,y)，而输入的原始图像为：
f(x,y)＝s(x,y)+n(x,y) (8)
其中s(x,y)是原始图像信号，n(x,y)是图像所带的噪声，那么输出为：
Figure BDA0003152138850000111
g(x,y)为s(x,y)的估计值：
Figure BDA0003152138850000112
公式(10)是经过维纳滤波之后得到的图像信号，本实施例中，希望通过h(x,y)之后得到的g(x,y)能尽量接近s(x,y)。维纳滤波是一种自适应的滤波器，在滤波过程中，h(x,y)的选择与当前图像信号的局部均值和局部方差有关，单位样本响应函数不断对历史滤波数据进行观测，通过对过去的g(x,y)的观察，来对当前的g(x,y)值进行估计，因此维纳滤波器常被称为最佳线性预测或者线性最优估计。这里的最佳预测和最优估计都是基于最小均方误差为准则进行的。
S4：利用t-非线性灰度增强方法对去噪图像进行图像增强处理。
对上一步得到的去噪之后的图像(D)进行处理，能够提高图像的对比度，使得缺陷细节更清晰，处理后得到初步增强的图像(T)。
t-非线性灰度增强方法介绍：
t-非线性灰度增强是空间域上的一个图像增强方法，通过对图像上独立的像素点的灰度值进行操作，改变图像的对比度，实现图像增强的目的。基本原理是对原始图像的像素点进行分段处理，根据灰度值划定阈值进行分级，对不同函数段上的像素点进行分段处理。其中t指的是分段划定的阈值，对图像像素点的灰度值进行的变换利用以下函数进行：
Figure BDA0003152138850000121
上述公式中，t是人为选定的阈值，f(x,y)是输入的图像，g(x,y)是经过输出的图像。
利用公式(11)对原始图像像素点的灰度值进行操作之后，如果直观展示出图像则会发现图像的颜色出现了反转。这是因为，上述操作本质是给定阈值的图像反转操作，只不过与传统的图像反转相比，利用上述函数方程进行的反转操作，在一定程度上对图像的灰度值分布进行的修改，通过t阈值的设置，将所有高于t的灰度值修改为了0，而低于阈值的灰度值也得到了拉伸。
利用上述得到了新的灰度值，但图像也进行了反转，通过以下公式，可以将反色的图像调整为正常图像。
r(x,y)＝255-g(x,y) (12)
其中，r(x,y)是经过反色调整的图像，g(x,y)是输入的图像，运用公式(12)，能将图像进行反转，从而得到颜色显示正常的图像，方便进行下一步处理。上述r(x,y)函数还能写成：
Figure BDA0003152138850000122
通过上述公式可以看出，经过上述两次操作的图像像素点处的灰度值整体得到了改变，但是高于阈值t的像素点的灰度值都修改为了255，低于255-t的灰度值都变换为了0，位于两个限制条件中间的灰度值与原始图像相比，也都得到了或高或低的修改，是高是低取决于t阈值的选择。
利用上述得到的新的图像的像素点的灰度值，可以与原图像的像素点的灰度值进行混合处理，从而实现对图像灰度值的修改。
m(x,y)＝α*g(x,y)+β*f(x,y)+Cf,0<α,β≤1 (14)
利用上述公式，可以实现对增强后的图像和原始图像的像素值的混合处理操作，其中α和β分别是两个图像的像素点的灰度值的权重，Cf为补偿因子，Cf的值不宜取得很大，否则计算出来的灰度值接近255，会使得图像的整体灰度值接近白色，整体显示效果偏亮。
上述所有就是t-非线性灰度增强方法中用到的公式和原理，此方法的操作流程如下：
(1)根据图像灰度值的分布状态信息和缺陷特征的要求，确定阈值t，利用公式(7)，对输入图像的像素点处的灰度值进行变换处理；
(2)利用公式(12)，将像素的灰度值进行反转处理；
(3)利用上两步得到的灰度值，使用公式(14)，选取合适的参数值，将其与原始图像的灰度值进行混合处理，将新的灰度值填入对应的像素点位置，就得到图像增强后的增强图像。
经过实验对比，本实施例中将t阈值设置为180，α和β分别设置为0.7和0.3，Cf设置为3。
S5：利用伽马灰度变换对上一步得到的图像进行图像增强处理。
对上一步得到的初步增强的图像(T)进行处理，得到增强后的图像(E)，如图6(c)所示。
伽马变换，又称幂次变换，是一种指数函数非线性灰度变换增强方法。在图像处理过程中，伽马变换常常用来对过曝(图像过亮)或者曝光不足(图像过暗)的灰度图像进行对比度调整。通过变换，图像中灰度值过小的区域的灰度值得到增强，图像中灰度值过大的区域的灰度值得到降低，图像的整体细节会得到增强。
伽马变换的基本公式如下：
g(x,y)＝cf(x,y)γ (15)
公式(15)中，c是控制灰度值缩放范围的缩放因子，通常取常数1，γ是伽马因子，控制了整个灰度值变换过程的缩放程度，f(x,y)为输入的图像像素点的灰度值，g(x,y)为输出的对应像素点的灰度值。
通过图3可以直观地看出不同的伽马因子的选取对图像的增强作用。
当γ＜1时，在低灰度值区域，灰度值变化范围变大，图像对比度增强；在高灰度值区域，灰度值的变化范围变小，图像的对比度降低。同时，图像的整体的灰度值变大。对曝光不足的图像(图像过暗)应用γ＜1的伽马变换可以有效提高亮度，增强图像的对比度。
当γ＞1时，可以看出，在低灰度值区域，灰度值的变化范围变小，而在高灰度值区域，灰度值的变化范围变大，从而降低了低灰度值区域的图像对比度，提高了高灰度值区域的图像对比度。同时，图像的整体的灰度值变小。对过曝的图像(图像过亮)应用γ＞1的伽马变换可以有效降低亮度，是图像的整体灰度值变小，增强图像的对比度。
本实施例中，选取伽马系数γ＝5.0，对图像进行处理。
S6：利用形态学方法对预处理后的图像进行缺陷特征提取。
对S5中增强后的图像(E)进行缺陷特征提取，得到提取出的缺陷特征图像(M)。
处理的具体步骤如下：
S6.1：对E进行反色处理，得到反色图像；
S6.2：使用3×17的结构元素，对反色图像进行闭运算，可以在保持图像背景灰度细节不发生改变的情况下去除缺陷，得到处理后的背景图像，闭运算结果图像如图6(d)所示；
闭运算定义为对图像先进行膨胀运算再进行腐蚀运算，公式表示为：
Figure BDA0003152138850000151
其中fc(x,y)为闭运算结果，f(x,y)为原始图像，B为运算过程中用到的结构元素。
S6.3：对反色进行白色底帽运算处理，用反色图像减去背景图像，得到处理后的前景图像，如图6(e)所示；
白色底帽运算定义为闭运算结果与初始图象之差，公式表示为：
fBw(x,y)＝fc(x,y)-f(x,y) (17)
其中fBw(x,y)为底帽运算结果。
S6.4：对前景图像进行反色处理，得到前景反色图像；
S6.5：对前景反色图像进行伽马灰度变换处理，取γ＝5.0，得到缺陷增强图像；
S6.6：对缺陷增强图像进行二值化，取二值化阈值为55，得到二值化图像，如图6(f)所示；
S6.7：对二值化图像进行反色处理，得到缺陷粗提取图像；
S6.8：用图4中腐蚀操作的结构元素，对缺陷粗提取图像进行腐蚀操作，得到粗提取前景图像；腐蚀操作公式如下：
Figure BDA0003152138850000152
S6.9：用图4中膨胀操作的结构元素，对粗提取前景图像进行膨胀操作，得到图像M；膨胀操作公式如下：
Figure BDA0003152138850000161
M即为从复合材料碳纤维芯棒的X射线图像中提取到的缺陷特征图像，如图6(g)所示。
形态学方法介绍：
形态学图像处理指的是一系列处理图像形状特征的图像处理技术。其基本思想是用一种特殊的结构元素，来对图像中的形状或者特征进行提取或者测量，以便进一步对其进行图像分析和目标识别、提取。数学形态学的应用可以简化图像数据，保留其基本形状特征，并删除不相关的结构。其在数学形式上有四个基本运算：膨胀，腐蚀，开运算和闭运算。它们在二值化和灰度图像中具有独特的特征。基于这些基本操作，可以导出和组合各种实用的数学形态学算法。一般来说，待处理的图像都是二值化图像。从二值化的图像中，利用形态学方法来获取信息，比如图像的形态特征或者一些形态轮廓具有明显特征的区域：两个物体的边界、物体的边缘和一些特殊结构等。基本的形态学运算有：膨胀运算和腐蚀运算，以及将两者进行组合得到的开运算和闭运算。
其中膨胀和腐蚀操作是指对高亮部分而言，膨胀操作就是将图像中的高亮部分进行扩张：
Figure BDA0003152138850000162
用B对A集合进行膨胀操作的结果是把结构元素B在A上进行平移，当某一个像素位置上，A集合中有与结构元素B重合的元素时，则把结构元素B所覆盖的所有像素位置都重置为1，经过膨胀操作处理后的图像比原始图像高亮部分更大。
腐蚀操作是指将图像中的高亮部分进行腐蚀，也就是使高亮区域变小
Figure BDA0003152138850000171
用B对集合A进行腐蚀操作的结果就是把结构元素B在A上进行平移，当某一个像素位置上，A集合中有与结构元素B重合的元素时，则把结构元素B所覆盖的所有像素位置都重置为0，经过腐蚀操作处理后的图像的高亮部分比原始图像中的更小。
对一幅二值化图像，先进行膨胀操作再进行腐蚀操作，这个过程被称为闭运算。闭运算可以用来填充物体内的细小孔洞，将相邻的物体进行连接和平滑图像边界的作用。先进行腐蚀操作再进行膨胀操作，这个过程被称为开运算。开运算可以用来消除细小物体，在细小的物体连接处把两个物体分开，也可以对较大物体的边界起到平滑作用。
形态学方法使用到的结构元素多种多样。一般有方形、十字型、钻石型、X型和Y型等几种类型，还可以根据图像处理的实际需求自定义合适的结构元素。
白色顶帽运算是指原图像与开运算结果图的差，用公式表示为：
fTw(x,y)＝f(x,y)-fo(x,y) (22)
白色顶帽运算可以得到图像中面积小于结构元素且亮度高于周围像素的区域，在灰度图像中常常用来做前景提取。如果灰度图中期望得到的区域亮度高于背景区域，可以通过白色顶帽运算将较暗背景剔除，只保留前景中亮度较高部分。
白色底帽运算是指闭运算结果图与原图像的差，公式表示为
fBw(x,y)＝fc(x,y)-f(x,y) (23)
白色底帽运算可以得到图像中被闭运算抹掉的暗处的细节信息，能用来将图像中暗处的小于结构元素的细节提取出来。
S7：利用Canny边缘检测方法对提取到的缺陷特征进行轮廓提取并标注到原始X射线图像上。
从第六步得到的缺陷特征图像(M)中，利用Canny边缘检测方法，将缺陷的边缘提取出来，得到缺陷的边缘图像(Me)，结果如图6(h)所示。
在Canny边缘检测中，利用Sobel算子计算出图像中，某一像素点的一阶导数值dx(x,y)和dy(x,y)。之后利用如下公式确定梯度的幅值和方向：
Figure BDA0003152138850000181
其中，G(x,y)是图像中像素点处的幅值，θ是该点处梯度的方向。Gy(x,y)和Gx(x,y)分别为该点的x方向和y方向的一阶导数值。
得到Me之后，通过简单的图像叠加方法，将Me与S进行叠加，实现将缺陷标注到复合材料碳纤维芯棒的X射线图像上，得到标注图像(Ds)，结果如图6(i)所示。
S8：经过上述步骤处理之后得到：复合材料碳纤维芯棒的缺陷特征图像M以及在复合材料碳纤维芯棒X射线图像上标注缺陷的图像(Ds)，如图7所示为处理前和处理后的对比图。
实施例2：
本发明实施例2提供了一种复合材料碳纤维芯棒X射线图像缺陷提取系统，包括：
数据获取模块，被配置为：获取待处理的X射线图像；
灰度化处理模块，被配置为：对获取的X射线图像进行灰度化处理，得到处理后的灰度图像；
图像去噪模块，被配置为：对得到的灰度图像进行去噪处理，得到去噪图像；
图像增强模块，被配置为：对去燥图像进行图像增强处理；
缺陷特征提取模块，被配置为：利用形态学方法对图像增强处理后的图像进行缺陷特征提取；
缺陷特征标注模块，被配置为：对提取到的缺陷特征进行轮廓提取，将提取后的缺陷特征标注到原始X射线图像上。
所述系统的工作方法与实施例1提供的复合材料碳纤维芯棒X射线图像缺陷提取方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的复合材料碳纤维芯棒X射线图像缺陷提取方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的复合材料碳纤维芯棒X射线图像缺陷提取方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种复合材料碳纤维芯棒X射线图像缺陷提取方法，其特征在于：包括以下过程：
获取待处理的X射线图像；
对获取的X射线图像进行灰度化处理，得到处理后的灰度图像；
对得到的灰度图像进行去噪处理，得到去噪图像；
对去噪图像进行图像增强处理；
利用形态学方法对图像增强处理后的图像进行缺陷特征提取；
对提取到的缺陷特征进行轮廓提取，将提取后的缺陷特征标注到原始X射线图像上。
2.如权利要求1所述的复合材料碳纤维芯棒X射线图像缺陷提取方法，其特征在于：
对得到的灰度图像进行去噪，包括以下过程：
使用二维经验模态分解法对灰度图像进行分解，得到N层BIMF分量和第N层残差；
对包含噪声信息的高频分量进行维纳滤波处理，得到处理后的去噪分量；
将去噪分量和其他BIMF分量以及第N层残差进行重构，得到去噪之后的图像。
3.如权利要求2所述的复合材料碳纤维芯棒X射线图像缺陷提取方法，其特征在于：
二维经验模态分解法，包括以下过程：
对图像进行初始化，将图像映射到XOY平面，图像对应像素点的灰度值作为Z轴坐标；
对图像曲面进行局部极大值点和局部极小值点的求解；
对得到的局部极大值点和极小值点利用Delaunay三角剖分和插值方法分别进行曲面拟合，得到上包络曲面和下包络曲面，用上下包络曲面求平均得到均值包络曲面；
用原图像曲面减去均值包络曲面，得到图像残差；
判断此时是否满足停止条件，如果满足，则输出BIMF分量，否则回到进行局部极大值点和局部极小值点的求解的步骤；
判断残差是否满足停止条件，若满足则停止，否则，对残差重复进行上述步骤，求解下一层BIMF分量。
4.如权利要求3所述的复合材料碳纤维芯棒X射线图像缺陷提取方法，其特征在于：
用两次迭代结果计算出的方差的差作为算法结束的终止条件。
5.如权利要求1所述的复合材料碳纤维芯棒X射线图像缺陷提取方法，其特征在于：
利用t-非线性灰度增强方法对去噪图像进行初步图像增强处理，包括以下过程：
根据图像灰度值的分布状态信息和缺陷特征的要求，确定阈值，对图像的像素点处的灰度值进行变换处理；
将像素的灰度值进行反转处理；
将上述两步得到的灰度值与原始图像的灰度值进行混合处理，将新的灰度值填入对应的像素点位置，得到初步增强后的图像。
6.如权利要求5所述的复合材料碳纤维芯棒X射线图像缺陷提取方法，其特征在于：
利用伽马灰度变换对初步增强后的图像进行再次图像增强处理。
7.如权利要求1所述的复合材料碳纤维芯棒X射线图像缺陷提取方法，其特征在于：
利用形态学方法对图像增强处理后的图像进行缺陷特征提取，包括以下过程：
对增强后的图像进行反色处理，得到反色图像；
使用预设大小的结构元素，对反色图像进行闭运算，在保持图像背景灰度细节不发生改变的情况下去除缺陷，得到处理后的背景图像；
对反色图像进行白色底帽运算处理，用反色图像减去背景图像，得到处理后的前景图像；
对前景图像进行反色处理，得到前景反色图像；
对前景反色图像进行伽马灰度变换处理，得到缺陷增强图像；
对缺陷增强图像进行二值化，得到二值化图像；
对二值化图像进行反色处理，得到缺陷粗提取图像；
用预设腐蚀操作的结构元素，对缺陷粗提取图像进行腐蚀操作，得到粗提取前景图像；
用预设膨胀操作的结构元素，对粗提取前景图像进行膨胀操作，得到图像M，以图像M为缺陷特征图像。
8.一种复合材料碳纤维芯棒X射线图像缺陷提取系统，其特征在于：包括：
数据获取模块，被配置为：获取待处理的X射线图像；
灰度化处理模块，被配置为：对获取的X射线图像进行灰度化处理，得到处理后的灰度图像；
图像去噪模块，被配置为：对得到的灰度图像进行去噪处理，得到去噪图像；
图像增强模块，被配置为：对去燥图像进行图像增强处理；
缺陷特征提取模块，被配置为：利用形态学方法对图像增强处理后的图像进行缺陷特征提取；
缺陷特征标注模块，被配置为：对提取到的缺陷特征进行轮廓提取，将提取后的缺陷特征标注到原始X射线图像上。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的复合材料碳纤维芯棒X射线图像缺陷提取方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的复合材料碳纤维芯棒X射线图像缺陷提取方法中的步骤。
CN202110769321.8A 2021-07-07 2021-07-07 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 Active CN113592782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110769321.8A CN113592782B (zh) 2021-07-07 2021-07-07 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110769321.8A CN113592782B (zh) 2021-07-07 2021-07-07 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统

Publications (2)

Publication Number Publication Date
CN113592782A true CN113592782A (zh) 2021-11-02
CN113592782B CN113592782B (zh) 2023-07-28

Family

ID=78246207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110769321.8A Active CN113592782B (zh) 2021-07-07 2021-07-07 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统

Country Status (1)

Country Link
CN (1) CN113592782B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114441546A (zh) * 2022-04-08 2022-05-06 湖南万航科技有限公司 一种裂纹测量内窥镜
CN115330802A (zh) * 2022-10-17 2022-11-11 山东大学 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法
CN115526867A (zh) * 2022-09-30 2022-12-27 山东大学 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置
CN118015438A (zh) * 2024-04-08 2024-05-10 安徽农业大学 轻量化Efficient-YOLOV8的钢表面裂纹智能识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358138A (zh) * 2017-06-07 2017-11-17 广东正业科技股份有限公司 非线性畸变ean条码的校正方法、移动终端及存储装置
CN109242853A (zh) * 2018-11-05 2019-01-18 南京信息工程大学 一种基于图像处理的pcb缺陷智能检测方法
CN110136086A (zh) * 2019-05-17 2019-08-16 东南大学 基于bemd的区间阈值图像去噪方法
CN110910333A (zh) * 2019-12-12 2020-03-24 腾讯科技（深圳）有限公司 图像处理方法和图像处理设备
CN111079955A (zh) * 2019-12-05 2020-04-28 贵州电网有限责任公司 一种基于x射线成像的gis设备缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358138A (zh) * 2017-06-07 2017-11-17 广东正业科技股份有限公司 非线性畸变ean条码的校正方法、移动终端及存储装置
CN109242853A (zh) * 2018-11-05 2019-01-18 南京信息工程大学 一种基于图像处理的pcb缺陷智能检测方法
CN110136086A (zh) * 2019-05-17 2019-08-16 东南大学 基于bemd的区间阈值图像去噪方法
CN111079955A (zh) * 2019-12-05 2020-04-28 贵州电网有限责任公司 一种基于x射线成像的gis设备缺陷检测方法
CN110910333A (zh) * 2019-12-12 2020-03-24 腾讯科技（深圳）有限公司 图像处理方法和图像处理设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JEROEN SOETE 等: "Defect detection in 3D printed carbon fibre composites using X-ray Computed Tomography", 《9TH CONFERENCE ON INDUSTRIAL COMPUTED TOMOGRAPHY》, pages 1 - 8 *
欧阳韬: "OLED显示屏缺陷检测算法的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 1 - 81 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114441546A (zh) * 2022-04-08 2022-05-06 湖南万航科技有限公司 一种裂纹测量内窥镜
CN114441546B (zh) * 2022-04-08 2022-06-24 湖南万航科技有限公司 一种裂纹测量内窥镜
CN115526867A (zh) * 2022-09-30 2022-12-27 山东大学 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置
CN115526867B (zh) * 2022-09-30 2023-09-05 山东大学 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置
CN115330802A (zh) * 2022-10-17 2022-11-11 山东大学 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法
CN115330802B (zh) * 2022-10-17 2024-01-19 山东大学 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法
CN118015438A (zh) * 2024-04-08 2024-05-10 安徽农业大学 轻量化Efficient-YOLOV8的钢表面裂纹智能识别方法

Also Published As

Publication number Publication date
CN113592782B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN113592782B (zh) 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统
CN111310558B (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN108629343B (zh) 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统
CN112419250A (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN109840913B (zh) 一种乳腺x线图像中肿块分割的方法和系统
CN108154519A (zh) 眼底图像中血管的分割方法、装置及存储介质
CN108682008B (zh) 一种白细胞图像清晰度评价方法及装置
Kanwal et al. Region based adaptive contrast enhancement of medical X-ray images
CN109241867B (zh) 采用人工智能算法识别数字岩心图像的方法及装置
CN112614062A (zh) 菌落计数方法、装置及计算机存储介质
CN109523479A (zh) 一种桥墩表面缝隙视觉检测方法
Mustafa et al. Image enhancement technique on contrast variation: a comprehensive review
CN112396618B (zh) 一种基于图像处理的晶界提取及晶粒度测量方法
CN107169975B (zh) 超声图像的分析方法及装置
CN115147710A (zh) 基于异质滤波探测与水平集分割的声纳图像目标处理方法
CN109410147A (zh) 一种超空泡图像增强方法
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN116468641A (zh) 一种红外血管图像增强处理方法
Mahmoud et al. Segmentation of skin cancer images based on gradient vector flow (GVF) snake
CN116660286A (zh) 基于图像分割的线束剥头测量与缺陷检测方法及系统
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN115546232A (zh) 一种肝脏超声图像工作区域提取方法、系统及电子设备
Soni et al. CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation

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