CN113781445A - 一种多区域复杂损伤缺陷特征提取融合方法 - Google Patents

一种多区域复杂损伤缺陷特征提取融合方法 Download PDF

Info

Publication number
CN113781445A
CN113781445A CN202111068214.9A CN202111068214A CN113781445A CN 113781445 A CN113781445 A CN 113781445A CN 202111068214 A CN202111068214 A CN 202111068214A CN 113781445 A CN113781445 A CN 113781445A
Authority
CN
China
Prior art keywords
thermal
image
infrared
def
filtering
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
CN202111068214.9A
Other languages
English (en)
Other versions
CN113781445B (zh
Inventor
黄雪刚
殷春
谭旭彤
石安华
雷光钰
罗庆
覃金贵
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.)
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Original Assignee
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
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 Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center filed Critical Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Priority to CN202111068214.9A priority Critical patent/CN113781445B/zh
Publication of CN113781445A publication Critical patent/CN113781445A/zh
Application granted granted Critical
Publication of CN113781445B publication Critical patent/CN113781445B/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06T2207/10048—Infrared 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Transforming Light Signals Into Electric Signals (AREA)

Abstract

本发明公开了一种多区域复杂损伤缺陷特征提取融合方法，包括：从红外检测中获取到大尺寸试件的红外热图像序列，从红外热图像序列中获取大尺寸试件的红外热重构图像；对大尺寸试件的每一个检测区域中的典型类型缺陷红外重构图像进行图像下采样，得到蕴含较低红外热辐射数据量的下采样热图像，基于下采样红外热图像执行多目标导向滤波权重获取层；在原红外热重构图像层面进行多目标导向滤波融合算法。本发明提升了聚类效率，减少了检测算法整体检测时间，提升了单张热图像的检测性能，解决了单张检测图像缺陷不完备的问题，同时本发明将多种导向滤波器的优势结合在一起，从而进一步提升融合图像对于复杂类型缺陷轮廓边缘和细微尺寸缺陷的表现性能。

Description

一种多区域复杂损伤缺陷特征提取融合方法
技术领域
本发明属于装备缺陷检测技术领域，更具体地说，本发明涉及一种多区域复杂损伤缺 陷特征提取融合方法。
背景技术
压力容器在航空航天、能源化工、冶金机械等领域应用非常广泛，比如火箭燃料贮箱、空间站密封舱等，由于其常常用于盛放具有一定压力的易燃易爆的液体或者气体，因此对其进行安全性检测至关重要。压力容器常见的缺陷类型有疲劳裂纹缺陷、焊接缺陷、腐蚀缺陷等，相应的常规检测手段较为成熟。但是，对于内径大于等于2米以上的大型压 力容器而言，对其进行快速地、全方位地、细致地缺陷检测是非常困难的。红外热成像检 测技术是一种有效的针对大型压力容器损伤缺陷的非接触无损检测方法，它通过控制热激 励方法和测量材料表面的温度变化获取材料表面及其亚表面的结构信息，从而达到检测的目的。在获取结构信息时，常常用到红外热像仪记录试件表面或者亚表面随时间变化的温度场信息，并将其转换为热图像序列呈现出来。通过对热图像序列的瞬态热响应进行分析和特征提取，得到能够表征和强化缺陷特性的重构图像，从而实现对缺陷的检测和判读。虽然重构热图像在表征某一类缺陷损伤区域特征时具有良好的可检测性能，但在应用到大尺寸压力容器损伤缺陷检测上时，由于检测条件限制，单次检测并不能同时得到大尺寸压力容器整体的全部缺陷情况。因此，需要对大尺寸压力容器进行分区域的多次红外检测，从而获得全面准确的检测结果。
本发明中，我们在利用基于完全自适应的SC-SD谱聚类算法提高算法聚类效率后，更重要的是如何使检测图像能够同时表征多次检测中得到的不同区域的缺陷特征。为了弥补单张重构热图像在表征大尺寸压力容器整体缺陷特征时的局限性，利用红外热图像融合算法将多个热图像序列中所蕴含的缺陷热特性进行融合是一个不错的方式。红外热图像融合将不同热图像序列中的多张重构热图像中不同区域、不同类别缺陷的热辐射特性进行综合，并将它们融合到一张融合热图像中，从而赋予了一张融合热图像同时表征通过多次检测得到的不同区域、不同类别缺陷特征的能力，是一种有效的提升单张红外热重构图像检测复杂类型缺陷能力的方式。因此，如何高质量地将不同区域、不同类型损伤热图像进行融合是一个具有挑战性的课题。一般的红外热图像融合技术往往在融合红外热重构图像时，只考虑了热图像中比较明显的缺陷特征信息，没有考虑到试件中还存在许多小尺寸的孔洞和坑洼损伤的情况。使得融合热图像中的细微裂痕缺陷被当作噪声平滑掉，这对于压力容器的安全性是致命的。在大尺寸压力容器缺陷特征提取中，缺陷的图像边缘和纹理信息是定量识别缺陷的非常重要的特征之一。被平滑掉的细微缺陷直接影响了缺陷定量分析的精度，造成缺陷遗漏和检测完整性的下降。因此，在大尺寸压力容器缺陷检测的红外热图像融合过程中，多个融合目标和需求应当同时考虑，不仅需要囊括大尺寸缺陷特征的保留需要，还应该考虑微小缺陷的细节保留和增强，以及融合图像非缺陷区域的背景信息平滑效果。
因此，本发明引入了结合基于惩罚项的双层多目标优化和导向滤波的图像融合技术， 以快速实现多张热图像的融合功能，从而使检测图像能够综合多个热图像序列中的缺陷信 息，兼有地表征大尺寸压力容器中不同区域、不同类型缺陷的特征情况，实现大尺寸压力 容器整体缺陷情况的高质量成像功能。导向滤波是一种新颖的边缘保持滤波器，它能够在 平滑图像的同时，保留图像的边缘信息。因此导向滤波十分契合航天器缺陷检测的需求。 而多目标进化优化算法能够协同地优化向量优化问题。本发明结合双层多目标优化和导向 滤波的技术，首先利用下采样操作大大减少多目标优化所需数据量，在保留了试件重要缺 陷信息的下采样热图像上进行多目标优化算法。利用基于惩罚项的边界交叉法对多目标优 化问题进行分解，从分解形式上将解的进化方向限制在权重向量本身身上，从而提高所得 到的Pareto解集的均匀性。利用多个导向滤波代价函数的多目标同时优化，来得到针对性 的最优导向滤波线性变换系数ak和bk。从而结合多个导向滤波器的优势，同时考虑边缘 感知加权导向滤波的大尺寸边缘保持特性，梯度域导向滤波的细节保留特性和LoG导向 滤波的噪声去除特性，使得多目标优化后的导向滤波能够结合多种不同的具有滤波偏好性 的导向滤波代价函数的优点。基于下采样热图像上得到的多目标导向滤波最优加权权重， 将权重参数传回上层，从而对未经下采样的原始重构热图像进行最优多目标导向滤波。得 到滤波后的图像既能最大程度上地保留原始红外热图像中的大形边缘特征和图像梯度变 化剧烈的地方，还能保留压力容器中一些细小的裂纹缺陷纹理和形态，同时平滑掉红外热 图像中没有缺陷的背景区域图像并去除噪声信息。进一步提升了滤波性能，从而提升红外 热图像融合性能，提升算法应对大尺寸压力容器整体缺陷的检测和缺陷提取性能。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现根据本发明的这些目的和其它优点，提供了一种多区域复杂损伤缺陷特征提 取融合方法，包括以下步骤：
步骤一、对大尺寸试件进行红外检测，获取得到大尺寸试件的红外热图像序列，利用 红外特征提取和红外热图像重构算法从多个红外热图像序列中获取大尺寸试件的红外热 重构图像；
步骤二、对大尺寸试件中缺陷红外热重构图像进行图像下采样，得到蕴含较低红外热 辐射数据量的下采样热图像；基于下采样红外热图像获取下采样红外热图像中热幅值融合 粗权重图；进行多目标导向滤波的滤波输入和滤波输出关系建模；对导向滤波的线性变换 参数进行多目标优化问题建模，获取各个红外检测区域典型缺陷类型的各个重构图像各个 坐标对应的红外热幅值的融合最优权重值；利用基于惩罚项的边界交叉法MOEA/D的多 目标优化方法，对建立的多目标优化问题进行优化，得到多目标导向滤波线性参数最终的 前沿近似解集；基于加权隶属度方案从最优Pareto前沿近似解集中选出拥有最大加权隶属 度的折衷解，记录它对应的最优权重向量组，这样就得到了综合多种导向滤波器的最优权 重配比，接下来将最优权重参数传递到原始红外热图像融合层；
步骤三、基于多目标最优权重配比参数，在原红外热重构图像层面进行多目标导向滤 波融合算法；将大尺寸试件中的典型类型缺陷红外热重构图像分解成基础层红外热图像和 细节层红外热图像；计算得到初始的红外热辐射粗融合权重图；基于最优权重参数获取原 红外热重构图像层面的多目标导向滤波最优滤波算子，将得到的最优权重向量传递到原红 外重构图像多目标导向滤波层，得到多目标导向滤波最终代价函数和最终的线性变换系 数；利用多目标优化得到的最优导向滤波算子对得到的红外检测区域红外热重构图像的热 幅值融合权重进行多目标导向滤波，以得到修正后的基础层和细节层的热幅值融合权重图 像；最后将精修后的热幅值融合权重图经过归一化处理；基于得到的精修后的各个红外检 测区域中典型类型缺陷的细节层热幅值融合权重图和基础层热幅值融合权重图，将大尺寸 试件中的典型类型缺陷红外热重构图像间的细节层红外热图像信息和基础层红外热图像 信息进行融合，得到融合了多张多检测区域重构热图像有效信息的基础层热图像和细节层 热图像，最后结合加权平均后的基础层热图像和细节层热图像得到最终融合检测红外热图 像。
优选的是，其中，所述步骤一利用红外特征提取和红外热图像重构算法从红外热图像 序列中获取红外重构图像的具体方法包括：
步骤S11、基于分块变步长的瞬态热响应数据提取算法，从由红外热像仪获取到的热 图像序列S中，提取出有价值的瞬态热响应数据集X(g)，其中，S(i,j,t)表示热图像序列的t帧热图像的第i行、第j列的像素值，t＝1,…,T，T为总帧数，i＝1,…,I，I为总行数，j＝1,…,J， J为总列数；通过阈值将热图像序列分解成K个不同的数据块kS(in,jm,t)其中k表示第k个 子数据块，in、jm、t分别表示第k个子数据块的第in行、第jm列、第t帧的像素值；然后根据不同数据块内的温度变化特征，定义第k个数据块内的搜索行步长kRSS和列步长kCSS，k＝1,…,K；基于不同数据块内的不同搜索步长，比较数据点之间的相关系数，搜索到一系列相关系数大于阈值THCcr的瞬态热响应并加入瞬态热响应数据集X(g)；
步骤S12、利用谱图理论的SC-SD谱聚类算法将瞬态热响应集X(g)中的瞬态热响应自适应聚类成|C|类；以每个瞬态热响应样本的全局标准差作为邻域半径，计算瞬态热响应样本在相应邻域内的局部标准差以获取自适应局部尺度参数σn；基于自适应的局部尺度参数σn构建亲和矩阵M及其度矩阵D，基于度矩阵D计算标准化后的拉普拉斯矩阵L； 计算L的特征值，特征向量及特征矩阵，将特征矩阵归一化后进行聚类得到最终的瞬态热 响应簇划分X(g)Cluster[h],h＝1,2,…,|C|，其中h表示类别标签，|C|表示类别总数；
步骤S13、分别从不同聚类中提取典型特征瞬态热响应并基于它们重构热图像；计算 聚类结果中每个类别的聚类中心作为各类缺陷的典型特征瞬态热响应：
Figure BDA0003259174040000041
其中
Figure BDA0003259174040000042
为第h个聚类结果X(g)Cluster[h],h＝1,…,|C|的第k个代表瞬态热响应， |X(g)Cluster[h]|为第h个聚类结果中所包含的瞬态热响应总数，用各个类别缺陷的典型瞬 态热响应组成矩阵Y；
利用矩阵Y和S的信息进行红外热图像重构，将S的每一帧图像按列提取成一个列向 量并按时间顺序排列构成I×J行、T列二维图像矩阵O，基于下列变换公式得到重构矩阵R：
Figure BDA0003259174040000043
其中，
Figure BDA0003259174040000044
为|C|×T矩阵，是矩阵Y的伪逆矩阵，OT是二维图像矩阵O的转置矩阵， 得到的重构矩阵R为|C|行、I×J列；截取重构矩阵R的每一行，构成一张I×J二维图像， 得到|C|张I×J二维图像，这些图片即为包含了不同热响应区域特征信息的重构热图像， 将其中的非缺陷背景区域重构热图像记为BR，将各个类别缺陷区域对应的重构热图像记 为iR，i＝1,…,|C|；其中，除开无缺陷损伤的背景区域热图像以外，每一张重构热图像包含 了复杂类型缺陷其中一类缺陷的特征热重构信息。
优选的是，其中，所述步骤一对大尺寸试件进行多次红外检测，获取得到大尺寸试件 的多个热图像序列，利用红外特征提取和红外热图像重构算法从多个热图像序列中获取大 尺寸试件的多张重构红外热图像，具体方法包括：
步骤S11、将从红外热像仪获取的多个热图像序列用三维矩阵集{S1,…,Si,…,SC}表 示，其中Si表示第i次红外检测中红外热像仪所得到的热图像序列，|C|表示总的热图像序 列数；Si(m,n,t)表示第i个热图像序列中的第t帧热图像的第m行、第n列坐标位置上的温度值，其中t＝1,…,T，T为总帧数，m＝1,…,M，M为总行数，n＝1,…,N，N为总列数；
步骤S12、对于第i个热图像序列Si，利用基于分块变步长的瞬态热响应数据提取算 法，提取出第i个热图像序列Si中有价值的瞬态热响应数据集Xi(g)；通过阈值将第i个热图像序列Si分解成K个不同的数据块kSi(m',n',t)其中k表示第i个热图像序列Si中的第k个子数据块，m'、n'、t分别表示第k个子数据块的第m'行、第n'列、第t帧的坐标位 置上的温度值；然后根据不同数据块内的温度变化特征，定义第i个热图像序列Si中第 k,(k＝1,…,K)个数据块内的搜索行步长kRSSi和列步长kCSSi；基于不同数据块内的不同 搜索步长，比较数据点之间的相关系数，搜索到一系列相关系数大于阈值THCcr的瞬态热 响应并加入第i个热图像序列Si中的瞬态热响应数据集Xi(g)；
步骤S13、利用谱图理论的SC-SD谱聚类算法将第i个热图像序列Si的瞬态热响应集 Xi(g)中的瞬态热响应自适应聚类；以每个瞬态热响应样本的全局标准差作为邻域半径， 计算瞬态热响应样本在相应邻域内的局部标准差以获取自适应局部尺度参数σn；基于自 适应的局部尺度参数σn构建亲和矩阵及其度矩阵D，基于度矩阵D计算标准化后的拉普拉斯矩阵L，计算L的特征值，特征向量及特征矩阵，将特征矩阵归一化后进行聚类得到 最终的瞬态热响应簇划分；将热图像序列Si的瞬态热响应集Xi(g)自适应聚类形成聚类集 合Xi(g)Cluster[h],h＝1,2,…,H，其中h表示缺陷类别标签，H表示当前红外检测区域中所存在的复杂类型缺陷的类别总数；
步骤S14、分别从不同聚类中提取第i次检测区域中各类复杂缺陷的代表性特征瞬态 热响应并基于它们重构热图像
计算聚类结果中每个类别的聚类中心作为各类缺陷的代表性特征瞬态热响应：
Figure BDA0003259174040000051
其中
Figure BDA0003259174040000052
为第h个聚类结果X(g)Cluster[h],h＝1,…,H中的第k个瞬态热响应，|X(g)Cluster[h]|为第h个聚类结果中所包含的瞬态热响应总数，用各个类别缺陷的代表性瞬态热响应组成矩阵Yi；
利用矩阵Yi和Si的信息进行红外热图像重构，将第i个热图像序列Si的每一帧图像按 列提取成一个列向量并按时间顺序排列构成M×N行、T列的二维图像矩阵Oi，基于下列变 换公式得到第i次检测的热幅值重构矩阵Ri：
Figure BDA0003259174040000053
其中，
Figure BDA0003259174040000054
为H×T矩阵，是代表性瞬态热响应矩阵Yi的伪逆矩阵，(Oi)T是二维图像矩阵Oi的转置矩阵，得到的重构矩阵为H行、M×N列，截取重构矩阵Ri的每一行，构成一 张M×N二维图像，得到H张M×N二维图像，这些图片即为包含了第i次红外检测所得到 的热图像序列中不同热响应区域特征信息的重构热图像，将其中的非缺陷背景区域重构热 图像记为BR，将各个类别缺陷区域对应的重构热图像记为hR，其中h＝1,…,H-1，除开无 缺陷损伤的背景区域热图像以外，每一张重构热图像包含了当前检测区域中的复杂类型缺 陷其中一类缺陷的特征热重构信息，将第i次红外检测中得到的所检测区域中的典型类型 缺陷重构热图像记为Def.(i)R；
步骤S15、若i＜|C|，则i+1并重复步骤S12～步骤S14，直到从多次检测得到的多个热图像序列中都分别得到了当前次所检测区域中的典型类型缺陷重构热图像，即获得了大尺寸试件的每个检测区域中的典型类型缺陷重构热图像集{Def.(1)R,…,Def.(i)R,…,Def.(C)R}， 其中Def.(i)R表示第i个热图像序列中所检测区域的典型类型缺陷重构热图像，i＝1,…,|C|。
优选的是，其中，所述步骤二中对除开背景区域热图像以外的(|C|-1)张红外重构图 像{1R,…,iR,…,|C|-1R}中每一张进行图像下采样，得到蕴含较低红外热辐射数据量的下采 样热图像{1Rdown…,iRdown,…,|C|-1Rdown}，下采样热图像的大小尺寸为I'×J',并基于下采样 热图像执行如下的多目标导向滤波权重获取层步骤：
步骤S21、基于下采样红外热图像iRdown获取下采样热图像中热幅值融合粗权重图iPdown：
iHdown＝iRdown*L
iSdown＝|iHdown|*GF
其中，L是拉普拉斯滤波器，|iHdown|为高通热图像的绝对值，GF是一个高斯低通滤波器。基于下列公式得到下采样热图像中热幅值融合粗权重图iPdown：
Figure BDA0003259174040000061
其中，
Figure BDA0003259174040000062
为下采样粗权重图iPdown的各个位置坐标的热幅值融 合权重值，
Figure BDA0003259174040000063
为iPdown的第k个坐标点的热幅值融合权重值，
Figure BDA0003259174040000064
是热幅值显著性特 征图iSdown中第k个坐标点对应的辐射显著性水平值,k＝1,…,I′×J′；
步骤S22、基于下采样热图像{1Rdown…,iRdown,…,|C|-1Rdown}和下采样融合粗权重图{1Pdown…,iPdown,…,|C|-1Pdown}进行多目标优化导向滤波，获取Pareto最优权重向量，具体方法包括：
步骤S221、进行多目标导向滤波的滤波输入和滤波输出关系建模；以红外下采样热 图像iRdown为引导图像，以下采样热幅值融合粗权重图iPdown为输入图像，进行多目标导向 滤波；在多目标导向滤波时，定义导向滤波窗wk为引导图像，也就是下采样红外热图像iRdown中的以第k个坐标点
Figure BDA0003259174040000065
为中心的局部矩形窗口，其大小尺寸为(2r+1)×(2r+1)，k＝1,…,I′×J′；则多目标导向滤波的输入输出关系为：
Figure BDA0003259174040000071
其中，iOn表示以红外下采样热图像iRdown为引导图像，以下采样热幅值融合粗权重图 iPdown为输入图像进行多目标引导滤波得到的下采样输出图像iOdown的第n个坐标点对应的导向滤波输出值，n＝1,…,I′×J′；
Figure BDA0003259174040000072
为iRdown的第n个坐标点对应的下采样重构图像热幅值，n＝1,…,I′×J′；ak和bk表示以
Figure BDA0003259174040000073
为中心的导向滤波窗wk内的线性变换参数， k＝1,…,I′×J′；
步骤S222、为了获取各个重构热图像各个坐标对应的热幅值的融合最优权重值，对 导向滤波的线性变换参数ak和bk的进行多目标优化问题建模：
步骤S2221、基于下采样热幅值融合粗权重图iPdown和红外下采样热图像iRdown，定义各个坐标点位置上的红外大型尺寸缺陷边缘特征感知加权导向滤波代价函数
Figure BDA0003259174040000074
Figure BDA0003259174040000075
其中，
Figure BDA0003259174040000076
和
Figure BDA0003259174040000077
为由大尺寸缺陷感知滤波代价函数决定的最优线性变换系数；
Figure BDA0003259174040000078
为权重图iPdown的第n个坐标点对应的热辐射融合权重值；ε为正则化因子；
Figure BDA0003259174040000079
是边 缘感知权重因子，其定义如下：
Figure BDA00032591740400000710
其中，
Figure BDA00032591740400000711
表示下采样红外热图像iRdown中，以
Figure BDA00032591740400000712
坐标点为中心的3×3窗口中的各坐标点对应的热辐射值的方差，ζ是一个非常小的常量，其大小为 (0.001×DR(iPdown))2，DR(·)为图像的动态范围；通过最小化代价函数得到如下的最优线 性变换系数的表达式：
Figure BDA00032591740400000713
Figure BDA00032591740400000714
其中，
Figure BDA00032591740400000715
表示表示下采样红外热图像iRdown和下采样热幅值融合粗权重图 iPdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，
Figure BDA00032591740400000716
是矩阵的哈达马积，
Figure BDA00032591740400000717
和
Figure BDA00032591740400000718
分别表示下采样红外热图像iRdown和下采样融合粗权重图iPdown在矩形窗 wk内的均值，
Figure BDA00032591740400000719
表示采样红外热图像iRdown在矩形窗wk内的各坐标点对应的热幅值方 差；
步骤S2222、基于下采样热幅值融合粗权重图iPdown和红外下采样热图像iRdown，定义各个坐标点位置上的梯度域红外细小尺寸缺陷细节纹理导向滤波代价函数
Figure BDA0003259174040000081
Figure BDA0003259174040000082
其中，
Figure BDA0003259174040000083
和
Figure BDA0003259174040000084
为由梯度域细微缺陷细节纹理导向滤波代价函数决定的最优线性变 换系数；ε为正则化因子；νk为调整ak的因子；
Figure BDA0003259174040000085
为梯度域多窗口边缘感知权重， 其定义如下：
Figure BDA0003259174040000086
Figure BDA0003259174040000087
表示下采样红外热图像iRdown中，以
Figure BDA0003259174040000088
坐标点为中心的导向滤波窗wk内的各坐标点对应的热幅值标准差，νk的定义如下：
Figure BDA0003259174040000089
其中，η为
Figure BDA00032591740400000810
表示下采样红 外热图像iRdown中，以
Figure BDA00032591740400000811
坐标点为中心的3×3窗口中的各坐标点对应的热幅值标准差， n∈I′×J′；
Figure BDA00032591740400000812
表示下采样红外热图像iRdown中，以
Figure BDA00032591740400000813
坐标点为中心的导向滤波矩 形窗wn内的各坐标点对应的热幅值标准差，n∈I×J；
通过最小化梯度域导向滤波代价函数
Figure BDA00032591740400000814
得到
Figure BDA00032591740400000815
和
Figure BDA00032591740400000816
的计算公式为：
Figure BDA00032591740400000817
Figure BDA00032591740400000818
其中，
Figure BDA00032591740400000819
表示表示下采样红外热图像iRdown和下采样热幅值融合粗权重图iPdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，νk为调整ak的因子；
步骤S2223、基于下采样热幅值融合粗权重图iPdown和红外下采样热图像iRdown，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure BDA00032591740400000820
Figure BDA00032591740400000821
其中，
Figure BDA00032591740400000822
和
Figure BDA00032591740400000823
为由局部LoG算子空间噪声导向滤波代价函数决定的最优线性变换 系数；ε为正则化因子；
Figure BDA00032591740400000824
为局部LoG边缘权重因子，其定义如下：
Figure BDA0003259174040000091
其中，LoG(·)为高斯拉普拉斯边缘检测算子，I'×J'为红外下采样热图像总的坐标 点数，|·|为取绝对值操作，δLoG为LoG图像最大值的0.1倍；
通过最小化梯度域导向滤波代价函数
Figure BDA0003259174040000092
得到
Figure BDA0003259174040000093
和
Figure BDA0003259174040000094
的计算公式为：
Figure BDA0003259174040000095
Figure BDA0003259174040000096
其中
Figure BDA0003259174040000097
和
Figure BDA0003259174040000098
分别表示红外下采样热图像iRdown和下采样粗权重图iPdown在矩 形窗wk内的各坐标点对应的热幅值均值；
步骤S2224、同时优化3个代价函数，建立以下多目标优化问题：
Minimize F(ak')＝[Inf.SigE1(ak'),Inf.MinE2(ak'),Inf.NoiE3(ak')]T
其中，ak'为第k个导向滤波窗wk中的线性变换系数，Inf.SigE1(ak')为具有明显梯度变 化的红外热图像大尺寸缺陷边缘保留融合代价函数，Inf.MinE2(ak')为尺寸大小和梯度变化 不明显的红外热图像微小缺陷细节纹理保留融合代价函数，E3(ak')为红外热图像噪声信 息感知和消除代价函数；
步骤S223、利用基于惩罚项的边界交叉法MOEA/D的多目标优化方法，对上述多目标优化问题进行优化，具体方法包括：
步骤S2231、初始化多目标优化相关参数；初始化迭代次数g'＝0，一组均匀分布的权重向量
Figure BDA0003259174040000099
其中，L＝3为多目标导向滤波代价函数总数，
Figure BDA00032591740400000910
找到
Figure BDA00032591740400000911
的邻域
Figure BDA00032591740400000912
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，
Figure BDA00032591740400000913
是第l个导向滤波代价函数El(ak')对应的红外热图像的融合最优参考点；iAP＝Φ；最大迭代次数g'max， 随机产生初始红外热图像融合导向滤波线性变换系数种群；
步骤S2232、基于
Figure BDA00032591740400000914
构造基于惩罚项的边界交叉法对多目标问题进行分解， 使得各种群个体在权重向量
Figure BDA00032591740400000915
本身方向的指导上进行进化，其中每个导向 滤波线性变换参数的子目标函数适应度值
Figure BDA0003259174040000101
如下：
Figure BDA0003259174040000102
其中，
Figure BDA0003259174040000103
为预设的惩罚因子，
Figure BDA0003259174040000104
和
Figure BDA0003259174040000105
的定义如下：
Figure BDA0003259174040000106
Figure BDA0003259174040000107
步骤S2233、对每个n＝1,…,NP：从
Figure BDA0003259174040000108
的邻域
Figure BDA0003259174040000109
随机选取两个导向滤波线性变换系数种群解，利用遗传算子产生新解ak：若参考点irl＜El(ak)，则更新参考点，l＝1,2,3；
若聚合函数值
Figure BDA00032591740400001010
则更新邻域；删除iAP中所 有被F(ak)支配的导向滤波线性变换系数解向量，若iAP中没有导向滤波线性变换系数解向量支配F(ak)，则将F(ak)加入iAP；同时n＝n+1，若n≤NP，则g'＝g'+1；
步骤2234、进化终止判断：若g′≤gmax′，则重复步骤S2233，若g′＞gmax′，则得到多目标导向滤波线性参数最终的前沿近似解集iAP；
步骤S224、基于加权隶属度方案从最优Pareto最优解集iAP中选出拥有最大加权隶 属度的折衷解，记录它对应的最优权重向量组
Figure BDA00032591740400001011
这样，就得到了综合 多种导向滤波器的最优权重配比，接下来将最优权重参数传递到原始红外热图像融合层。
优选的是，其中，所述步骤二对大尺寸撞击试件中的每一个检测区域中的一共|C|张 典型类型缺陷红外重构图像{Def.(1)R,…,Def.(i)R,…,Def.(C)R}中每一张进行图像下采样，得 到蕴含较低红外热辐射数据量的下采样热图像{Def.(1)Rdown,…,Def.(i)Rdown,…,Def.(C)Rdown}， 下采样热图像的大小尺寸为M'×N',并基于下采样热图像执行如下的多目标导向滤波权重 获取层步骤：
步骤S21、于下采样红外热图像Def.(i)Rdown获取下采样热图像中热幅值融合粗权重图 Def.(i)Pdown：
Def.(i)Hdown＝Def.(i)Rdown*L
Def.(i)Sdown＝|Def.(i)Hdown|*GF
其中，L是拉普拉斯滤波器；|Def.(i)Hdown|为高通热图像的绝对值，GF是一个高斯低通滤波器，基于下列公式得到第i次检测区域的典型类型缺陷下采样热图像中热幅值融合粗权重图Def.(i)Pdown：
Figure BDA0003259174040000111
Figure BDA0003259174040000112
其中，
Figure BDA0003259174040000113
为下采样粗权重图Def.(i)Pdown的各个位置 坐标的热幅值融合权重值，
Figure BDA0003259174040000114
为Def.(i)Pdown的第k个坐标点的热幅值融合权重值，
Figure BDA0003259174040000115
是热幅值显著性特征图Def.(i)Sdown中第k个坐标点对应的辐射显著性水平值，k＝1,…,M′×N′；
步骤S22、基于下采样热图像{Def.(1)Rdown,…,Def.(i)Rdown,…,Def.(C)Rdown}和下采样融合粗 权重图{Def.(1)Pdown,…,Def.(i)Pdown,…,Def.(C)Pdown}进行多目标优化导向滤波，获取Pareto最优 权重向量，具体方法包括：
步骤S221、进行多目标导向滤波的滤波输入和滤波输出关系建模；以第i次检测区域的典型类型缺陷红外下采样热图像Def.(i)Rdown为引导图像，以下采样热幅值融合粗权重图Def.(i)Pdown为输入图像，进行多目标导向滤波，在多目标导向滤波时，定义导向滤波窗wk为引导图像，也就是下采样红外热图像Def.(i)Rdown中的以第k个坐标点
Figure BDA0003259174040000116
为中心的局部矩形窗口，其大小尺寸为(2r+1)×(2r+1)，k＝1,…,M′×N′；则多目标导向滤波的输入输出关系为：
Figure BDA0003259174040000117
其中，
Figure BDA0003259174040000118
表示以红外下采样热图像Def.(i)Rdown为引导图像，以下采样热幅值融 合粗权重图Def.(i)Pdown为输入图像进行多目标引导滤波得到的第i次检测区域的典型类型缺 陷下采样输出图像Def.(i)Odown的第n个坐标点对应的导向滤波输出值；
Figure BDA0003259174040000119
为Def.(i)Rdown的第n个坐标点对应的下采样重构图像热幅值，n＝1,…,M′×N′；ak和bk表示以
Figure BDA00032591740400001110
为中心的导向滤波窗wk内的线性变换参数；
步骤S222、为了获取各个红外检测区域典型缺陷类型的各个重构热图像各个坐标对 应的热幅值的融合最优权重值，对导向滤波的线性变换参数ak和bk进行多目标优化问题建模，具体方法包括：
步骤S2221、基于下采样热幅值融合粗权重图Def.(i)Pdown和红外下采样热图像Def.(i)Rdown，定义各个坐标点位置上的红外大型尺寸缺陷边缘特征感知加权导向滤波代价函数
Figure BDA00032591740400001111
Figure BDA00032591740400001112
其中，
Figure BDA0003259174040000121
和
Figure BDA0003259174040000122
为由大尺寸缺陷感知滤波代价函数决定的最优线性变换系数；
Figure BDA0003259174040000123
为权重图Def.(i)Pdown的第n个坐标点对应的热辐射融合权重值；ε为正则化因子；
Figure BDA0003259174040000124
是边缘感知权重因子，其定义如下：
Figure BDA0003259174040000125
其中，
Figure BDA0003259174040000126
表示下采样红外热图像Def.(i)Rdown中，以
Figure BDA0003259174040000127
坐标点为中心的3×3窗口中的各坐标点对应的热辐射值的方差，ζ是一个非常小的常量，其大小为
Figure BDA00032591740400001223
DR(·)为图像的动态范围，通过最小化代价函数得到如下的最优线性变换系数的表达式：
Figure BDA0003259174040000128
Figure BDA0003259174040000129
其中，
Figure BDA00032591740400001210
表示表示下采样红外热图像Def.(i)Rdown和下采样热幅值融合粗 权重图Def.(i)Pdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，
Figure BDA00032591740400001211
是矩阵的哈 达马积，
Figure BDA00032591740400001212
和
Figure BDA00032591740400001213
分别表示下采样红外热图像Def.(i)Rdown和下采样融合粗权重 图Def.(i)Pdown在矩形窗wk内的均值，
Figure BDA00032591740400001214
表示采样红外热图像Def.(i)Rdown在矩形窗wk内 的各坐标点对应的热幅值方差；
步骤S2222、基于下采样热幅值融合粗权重图Def.(i)Pdown和红外下采样热图像Def.(i)Rdown，定义各个坐标点位置上的梯度域红外细小尺寸缺陷细节纹理导向滤波代价函数
Figure BDA00032591740400001215
Figure BDA00032591740400001216
其中，
Figure BDA00032591740400001217
和
Figure BDA00032591740400001218
为由梯度域细微缺陷细节纹理导向滤波代价函数决定的最优线性变 换系数；ε为正则化因子；νk为调整ak的因子；
Figure BDA00032591740400001219
为梯度域多窗口边缘感知权重，其定义如下：
Figure BDA00032591740400001220
Figure BDA00032591740400001221
表示下采样红外热图像Def.(i)Rdown中，以
Figure BDA00032591740400001222
坐标点为中心的导向滤 波窗wk内的各坐标点对应的热幅值标准差，νk的定义如下：
Figure BDA0003259174040000131
其中，η为
Figure BDA0003259174040000132
Figure BDA0003259174040000133
表示下采样红外热图像Def.(i)Rdown中，以Def.(i)Rdown坐标点为中心的3×3窗口中的各坐标点对应的热幅值标准差，
Figure BDA0003259174040000134
表示下采样红外热图像Def.(i)Rdown中，以
Figure BDA0003259174040000135
坐标点为中心的导向滤波矩形窗wn内的各坐标点对应的热幅值标准差， n∈M′×N′；
通过最小化梯度域导向滤波代价函数
Figure BDA0003259174040000136
得到
Figure BDA0003259174040000137
和
Figure BDA0003259174040000138
的计算公式为：
Figure BDA0003259174040000139
Figure BDA00032591740400001310
其中，
Figure BDA00032591740400001311
表示表示下采样红外热图像Def.(i)Rdown和下采样热幅值融合粗 权重图Def.(i)Pdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，νk为调整ak的 因子；
步骤S2223、基于下采样热幅值融合粗权重图Def.(i)Pdown和红外下采样热图像Def.(i)Rdown，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure BDA00032591740400001312
Figure BDA00032591740400001313
其中，
Figure BDA00032591740400001314
和
Figure BDA00032591740400001315
为由局部LoG算子空间噪声导向滤波代价函数决定的最优线性变换 系数；ε为正则化因子；
Figure BDA00032591740400001316
为局部LoG边缘权重因子，其定义如下：
Figure BDA00032591740400001317
其中，LoG(·)为高斯拉普拉斯边缘检测算子，M'×N'为红外下采样热图像总的坐标 点数，|·|为取绝对值操作，δLoG为LoG图像最大值的0.1倍；通过最小化梯度域导向滤波代价函数
Figure BDA00032591740400001318
得到
Figure BDA00032591740400001319
和
Figure BDA00032591740400001320
的计算公式为：
Figure BDA00032591740400001321
Figure BDA00032591740400001322
其中
Figure BDA0003259174040000141
和
Figure BDA0003259174040000142
分别表示红外下采样热图像Def.(i)Rdown和下采样粗权重图 Def.(i)Pdown在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S2224、同时优化3个代价函数，建立以下多目标优化问题：
Minimize F(ak')＝[Inf.SigE1(ak'),Inf.MinE2(ak'),Inf.NoiE3(ak')]T
其中，ak'为第k个导向滤波窗wk中的线性变换系数，Inf.SigE1(ak')为具有明显梯度变 化的红外热图像大尺寸缺陷边缘保留融合代价函数，Inf.MinE2(ak')为尺寸大小和梯度变化 不明显的红外热图像微小缺陷细节纹理保留融合代价函数，E3(ak')为红外热图像噪声信 息感知和消除代价函数；
步骤S223、利用基于惩罚项的边界交叉法MOEA/D的多目标优化方法，对多目标优化问题进行优化，具体方法包括：
步骤S2231、初始化多目标优化相关参数，初始化迭代次数g'＝0，一组均匀分布的权重向量
Figure BDA0003259174040000143
其中，L＝3为多目标导向滤波代价函数总数，
Figure BDA0003259174040000144
找到
Figure BDA0003259174040000145
的邻域
Figure BDA0003259174040000146
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，
Figure BDA0003259174040000147
是第l个导向滤波代价函数El(ak')对应的红外热图像的融合最优参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始红外热图像融合导向滤波 线性变换系数种群；
步骤S2232、基于
Figure BDA0003259174040000148
构造基于惩罚项的边界交叉法下每个导向滤波线性变 换参数的子目标函数适应度值
Figure BDA0003259174040000149
Figure BDA00032591740400001410
其中，
Figure BDA00032591740400001411
为预设的惩罚因子，
Figure BDA00032591740400001412
和
Figure BDA00032591740400001413
的定义如下：
Figure BDA00032591740400001414
Figure BDA00032591740400001415
步骤S2233、对每个n＝1,…,NP：从
Figure BDA00032591740400001416
的邻域
Figure BDA00032591740400001417
随机选取两个红外热图像融合导 向滤波线性变换系数种群解，利用遗传算子产生新解ak：若参考点irl＜El(ak)，则更新参考点，l＝1,…,3；若聚合函数值
Figure BDA0003259174040000151
则更新邻域；删除iAP中所有被F(ak)支配的导向滤波线性变换系数解向量，若iAP中没有导向滤波线 性变换系数解向量支配F(ak)，则将F(ak)加入iAP；同时n＝n+1，若n≤NP，则
Figure BDA0003259174040000152
步骤S2234、进化终止判断：若g′≤gmax′，则重复步骤S2233，若g′＞gmax′，则得到多目标导向滤波线性参数最终的前沿近似解集iAP；
步骤S224、基于加权隶属度方案从最优Pareto最优解集iAP中选出拥有最大加权隶 属度的折衷解，记录它对应的最优权重向量组
Figure BDA0003259174040000153
这样就得到了综合多 种导向滤波器的最优权重配比，接下来将最优权重参数传递到原始红外热图像融合层。
优选的是，其中，所述步骤三将多目标最优权重配比参数传递至原始尺度红外热图像 融合层进行多目标导向滤波红外热图像融合，具体方法包括：
步骤S31、将除开背景区域的每一张原始红外热重构图像分解成一张基础层红外热图 像{1B,…,iB,…,|C|-1B}和一张细节层红外热图像{1D,…,iD,…,C-1D}；以第i(i＝1,…,|C|-1) 张缺陷区域重构热图像iR为例，利用下列公式得到iR的基础层红外热图像iB和细节层红 外热图像iD：
iB＝iR*Z
iD＝iR-iB
其中，Z为均值滤波器；
步骤S32、基于下列公式得到原始红外热重构图像层面上的粗权重图iP
iH＝iR*L
iS＝|iH|*GF
其中，L是拉普拉斯滤波器，GF是一个高斯低通滤波器，基于下列公式得到热幅值融合粗权重图iP：
Figure BDA0003259174040000154
其中，{iP1,…,iPk,…,iPI×J}为粗权重图iP的各个位置坐标的热幅值融合权重值，iPk为iP的第k个坐标点的热幅值融合权重值，iSk是热幅值显著性特征图iS中第k个坐标点对应的辐射显著性水平值，k＝1,…,I×J；
步骤S33、基于
Figure BDA0003259174040000155
获取原红外热重构图像层面的多目标导向滤波最 优滤波算子MOGFr,ε(P,R)，其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合粗权重图像，R为红外重构图像；输入权重获取层得到的最优权重参数
Figure BDA0003259174040000161
将得到的最优权重向量传递到原红外热重构图像多目标导向滤波层，得到多目标导向滤波最终代价函数E4为：
Figure BDA0003259174040000162
代入具体函数形式可得最终的线性变换系数ak的最终表达式为：
Figure BDA0003259174040000163
其中，
Figure BDA0003259174040000164
表示重构图像R在矩形导向滤波窗wk内的像素值方差，μk,P表示热幅值融合粗权重图像P在矩形窗wk内的像素点均值，μk,R表示重构热图像R在矩形窗wk内的 像素点均值，
Figure BDA00032591740400001610
表示构热图像R和粗权重图像P的哈达马积在矩形窗wk内的像素点均 值；
则线性变换系数bk的最终表达式为：
bk＝μk,P-akμk,I
为了保证线性变换系数在不同导向滤波窗口中的一致性，将线性变换系数ak和bk作 以下修正：
Figure BDA0003259174040000165
Figure BDA0003259174040000166
其中，|wn|为以第n个坐标为中心的导向滤波窗内的坐标点数量；基于线性变换系数 ak和bk的修正形式，得到最终多目标导向滤波算子的表达式如下：
Figure BDA0003259174040000167
其中，iOn为多目标导向滤波的输出图像中的第n个坐标点对应的热幅值；将利用得到的多目标最优线性变换系数得到多目标导向滤波算子进行滤波的操作记为 MOGrF,ε(,P)R，其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合粗权重图像， R为红外重构图像；
步骤S34、利用多目标优化得到的最优导向滤波算子MOGFr,ε(P,R)对得到的原始热图像层面上的热幅值融合粗权重图进行多目标导向滤波，以得到修正后的基础层和细节层的热幅值融合权重图像：
Figure BDA0003259174040000168
Figure BDA0003259174040000169
其中iWB和iWD为融合粗权重图经多目标导向滤波后的第i张基础层热幅值融合精修 权重值图和第i张细节层热辐射值融合精修权重值图，iP为第i张热辐射值融合粗权重图， iR为第i张重构热图像，r1,ε1,r2,ε2分别为对应的导向滤波器的参数，最后将精修后的热幅 值融合权重图经过归一化处理；
步骤S35、基于得到的精修后的细节层热幅值融合权重图{1WD,2WD,…,|C|-1WD}和基础层热幅值融合权重图{1WB,2WB,…,|C|-1WB}，将除开背景区域的不同缺陷区域热重构图 像间的细节层热图像信息和基础层热图像信息进行融合，得到融合了多张重构热图像有效信息的基础层热图像和细节层热图像
Figure BDA0003259174040000171
Figure BDA0003259174040000172
最后结合加权平均后的基础层热图像和细节层热图像得到最终融合检测红外热图 像：
Figure BDA0003259174040000173
这样，就得到融合了多张重构热图像缺陷有效信息的，并且同时考虑了各个热图像中 的大尺寸缺陷的保留需求和微小缺陷的细节纹理保留需求以及整体噪声消除保留需求的 多目标导向滤波融合图像；将同时融合了多种复杂类型缺陷特征的高质量红外重构融合图 像F输入红外热图像分割和缺陷定量分析步骤从而进一步提取各类缺陷的定量特征信息。
优选的是，其中，所述步骤三基于多目标最优权重配比参数
Figure BDA0003259174040000174
在 原红外热重构图像层面进行多目标导向滤波融合算法，具体方法包括：
步骤S31、对大尺寸撞击试件中的每一个检测区域中的一共|C|张典型类型缺陷红外重 构图像{Def.(1)R,…,Def.(i)R,…,Def.(C)R}中的每一张分解成一张基础层红外热图像{Inf.Base[De f.(1)],…,Inf.Base[Def.(i)],…,Inf.Base[Def.(|C|)]}和一张细节层红外热图像{Inf.Detail[Def. (1)],…,Inf.Detail[Def.(i)],…,Inf.Detail[Def.(|C|)]}；以第i张检测区域典型类型缺陷重构热图 像Def.(i)R为例，利用下列公式得到Def.(i)R的典型类型缺陷基础层红外热图像Inf.Base[Def. (i)]和细节层红外热图像和Inf.Detail[Def.(i)]：
Inf.Base[Def.(i)]＝Def.(i)R*Z
Inf.Detail[Def.(i)]＝Def.(i)R-Inf.Base[Def.(i)]
其中，Z为均值滤波器；
步骤S32、基于下列公式得到初始的热辐射粗融合权重图：
Def.(i)H＝Def.(i)R*L
Def.(i)S＝|Def.(i)H|*GF
其中，L是拉普拉斯滤波器，GF是一个高斯低通滤波器，基于下列公式得到热幅值融合粗权重图Def.(i)P：
Figure BDA0003259174040000181
其中，{Def.(i)P1,…,Def.(i)Pk,…,Def.(i)PM×N}为粗权重图Def.(i)P的各个位置坐标的热幅值融 合权重值，Def.(i)Pk为Def.(i)P的第k个坐标点的热幅值融合权重值，Def.(i)Sk是热幅值显著性 特征图Def.(i)S中第k个坐标点对应的辐射显著性水平值，k＝1,…,M×N；
步骤S33、基于
Figure BDA0003259174040000182
获取原红外热重构图像层面的多目标导向滤波最 优滤波算子MOGFr,ε(P,R)，其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合 粗权重图像，R为红外重构图像；
输入权重获取层得到的最优权重参数
Figure BDA0003259174040000183
将得到的最优权重向量传 递到原红外热重构图像多目标导向滤波层，得到多目标导向滤波最终代价函数E4为：
Figure BDA0003259174040000184
代入具体函数形式可得最终的线性变换系数ak的最终表达式为：
Figure BDA0003259174040000185
其中，
Figure BDA0003259174040000186
表示重构图像R在矩形导向滤波窗wk内的像素值方差，μk,P表示热幅值融合粗权重图像P在矩形窗wk内的像素点均值，μk,R表示重构热图像R在矩形窗wk内的像 素点均值，
Figure BDA0003259174040000187
表示构热图像R和粗权重图像P的哈达马积在矩形窗wk内的像素点均 值；
则线性变换系数bk的最终表达式为：
bk＝μk,P-akμk,I
为了保证线性变换系数在不同导向滤波窗口中的一致性，将线性变换系数ak和bk作 以下修正：
Figure BDA0003259174040000188
Figure BDA0003259174040000189
其中，|wn|为以第n个坐标为中心的导向滤波窗内的坐标点数量，最终多目标导向滤 波算子的表达式如下：
Figure BDA00032591740400001810
其中，Def.(i)Rn为多目标导向滤波的输出图像中的第n个坐标点对应的热幅值融合精修 权重值；将利用得到的多目标最优线性变换系数对第i个红外检测区域红外热重构图像的 权重图进行多目标导向滤波算子进行滤波的操作记为
Figure BDA0003259174040000191
其中r为导向滤波窗 大小，ε为正则化参数，P为热幅值融合粗权重图像，R为红外重构图像；
步骤S34、利用多目标优化得到的最优导向滤波算子
Figure BDA0003259174040000192
对得到第i个红外 检测区域红外热重构图像的热幅值融合粗权重图进行多目标导向滤波，以得到修正后的基 础层和细节层的热幅值融合权重图像：
Figure BDA0003259174040000193
Figure BDA0003259174040000194
其中WM.Base[Def.(i)]和WM.Detail[Def.(i)]为融合粗权重图经多目标导向滤波后的 第i个红外检测区域典型类型缺陷红外热重构图像的基础层热幅值融合精修权重值图和第 i个红外检测区域红外热重构图像的细节层热辐射值融合精修权重值图，Def.(i)P为第i个红 外检测区域红外热重构图像的热辐射值融合粗权重图，Def.(i)R为第i个红外检测区域的红 外热重构图像，r1,ε1,r2,ε2分别为对应的导向滤波器的参数，最后将精修后的热幅值融合权 重图经过归一化处理；
步骤S35、基于得到的精修后的各个红外检测区域中典型类型缺陷的细节层热幅值融 合权重图{WM.Detail[Def.(1)],…,WM.Detail[Def.(i)],…,WM.Detail[Def.(|C|)]}和基础层热幅 值融合权重图{Inf.Base[Def.(1)],…,Inf.Base[Def.(i)],…,Inf.Base[Def.(|C|)]}，将大尺寸试件中 不同检测次数中的不同区域典型类型缺陷热重构图像间的细节层热图像信息和基础层热 图像信息进行融合，得到融合了多张多检测区域重构热图像有效信息的基础层热图像和细 节层热图像：
Figure BDA0003259174040000195
Figure BDA0003259174040000196
最后结合加权平均后的基础层热图像和细节层热图像得到最终融合检测红外热图像：
Figure BDA0003259174040000197
这样，就得到融合了大尺寸试件多个红外检测区域典型类型缺陷的重构热图像缺陷有 效信息的红外检测融合热图像；红外融合热图像利用多目标优化算法综合了多种导向滤波 器的优良特性，将多次红外检测，不同区域的典型类型缺陷融合在一起，实现了大尺寸压 力容器缺陷的高质量同时成像；将同时融合了多个检测区域缺陷典型特征的高质量红外重 构融合图像F输入红外热图像分割和缺陷定量分析步骤从而进一步提取各类缺陷的定量 特征信息。
本发明至少包括以下有益效果：
1、本发明基于双层多目标优化和导向滤波的红外热图像融合大尺寸压力容器裂纹缺 陷特征提取方法，通过完全自适应的SC-SD谱聚类算法，快速且自适应地将瞬态热响应 集进行聚类操作，从而从不同热图像序列中得到大尺寸压力容器不同红外检测区域中各类 缺陷所对应的各类典型特征热响应，进行热图像重构，实现当前红外检测区域中典型类型 缺陷的可视化成像。在得到了各类缺陷分别地重构热图像后，利用结合了双层多目标进化 优化算法和导向滤波的图像融合算法，将不同类型缺陷的重构热图像中的有效信息进行结 合，从而提升单张红外热图像的检测能力和缺陷特征表征性能。将原始重构热图像进行下 采样后输入多目标导向滤波最优权重参数获取层。基于结合惩罚项的边界交叉法多目标进 化优化算法使得多目标优化算法得到的Pareto最优解更加均匀并且提升了检测算法应对 高维多目标优化问题的能力，从而得到Pareto最优非支配解集，从而得到多目标导向滤波 最优权重配比。之后将最优权重配比参数传回原始红外热图像融合层，利用最优权重参数 将多种导向滤波器的特定优异性能结合在一起，从而吸收多种导向滤波的优势，构造多目 标最优导向滤波算子MOGFr,ε(P,R)。在将原始红外热重构图像进行图像分解，得到热图 像的基础层图像和细节层图像后，基于多目标最优导向滤波算子MOGFr,ε(P,R)得到基础 层和细节层两个尺度上的不同的精修融合权重图。基于这些修正后的权重图来分别指导进 行各层基础层图像之间的加权融合和各细节层图像之间的加权融合。最后结合加权平均后 的细节层图像和基础层图像，得到最终的融合图像。
2、本发明结合SC-SD自适应谱聚类算法实现瞬态热响应信息的高效快速和自适应聚 类，提升聚类效率，从而进一步减少检测算法整体检测时间。
3、本发明采用图像融合策略，能够将多张重构热图像的有效信息进行融合。从而提 升单张热图像的检测性能，将多张热图像进行图像融合能够解决由于红外检测性能限制而 造成的由于超高速撞击所导致的复杂类型试件缺陷的单张检测图像缺陷不完备问题。
4、本发明采用结合基于惩罚项的双层多目标优化和导向滤波的图像融合策略。基于 惩罚项的双层多目标优化加强获得的Pareto最优解的均匀性和应对高维优化目标问题的 能力。通过权重获取层和原始热图像融合层的结合，能够更快速地获取多种导向滤波器地 最优加权配比参数，从而将多种导向滤波器的优势结合在一起，从而进一步提升融合图像 对于复杂类型缺陷轮廓边缘和细微尺寸缺陷的表现性能同时平滑图像噪声。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明 的研究和实践而为本领域的技术人员所理解。
附图说明
图1是实施例1基于双层多目标优化和导向滤波的红外热图像融合缺陷特征提取方法 一种具体实施方式的流程图；
图2是实施例1基于结合多目标优化和导向滤波进行多张(以两张为例)的红外热图 像融合的整体融合框架的流程图；
图3是实施例1多目标优化和导向滤波具体结合得到修正后各图像层的权重图像的流 程图；
图4是实施例1采用SC-SD谱聚类算法对第一个检测区域的热图像序列中的瞬态热响应集进行分类后的结果图；
图5是实施例1采用SC-SD谱聚类算法对第二个检测区域的热图像序列中的瞬态热响应集进行分类后的结果图；
图6是实施例1采用SC-SD谱聚类算法对第三个检测区域的热图像序列中的瞬态热响应集进行分类后的结果图；
图7是实施例1提取到的第一个检测区域典型类型缺陷的典型特征瞬态热响应曲线 图；
图8是实施例1提取到的第二个检测区域典型类型缺陷的典型特征瞬态热响应曲线 图；
图9是实施例1提取到的第三个检测区域典型类型缺陷的典型特征瞬态热响应曲线 图；
图10是实施例1基于第一个检测区域典型类型缺陷的典型特征瞬态热响应得到的红 外热重构图像；
图11是实施例1基于第二个检测区域典型类型缺陷的典型特征瞬态热响应得到的红 外热重构图像；
图12是实施例1基于第三个检测区域典型类型缺陷的典型特征瞬态热响应得到的红 外热重构图像；
图13是实施例1基于多目标优化和多个导向滤波器结合得到的红外热图像融合参数 最优前沿以及基于加权隶属度得到的最优热图像融合参数解；
图14是实施例1基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修基础层图像融合权重图a；
图15是实施例1基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修基础层图像融合权重图b；
图16是实施例1基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修基础层图像融合权重图c；
图17是实施例1基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修细节层图像融合权重图d；
图18是实施例1基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修细节层图像融合权重图e；
图19是实施例1基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修细节层图像融合权重图f；
图20是实施例1基于双层多目标优化和导向滤波的最终得到的红外融合热图像；
图21是实施例2的复杂微小损伤缺陷特征提取与融合犯法的流程图；
图22是实施例2基于结合多目标优化和导向滤波进行多张(以两张为例)的红外热图像融合的整体融合框架的流程图；
图23是实施例2双层多目标优化和导向滤波具体结合得到修正后各图像层的权重图 像的流程图；
图24是实施例2采用SC-SD自适应谱聚类算法对瞬态热响应集进行分类后的结果图；
图25是实施例2提取到的背景区域的典型特征瞬态热响应曲线图；
图26是实施例2提取到的第一类缺陷区域的典型特征瞬态热响应曲线图；
图27是实施例2提取到的第二类缺陷区域的典型特征瞬态热响应曲线图；
图28是实施例2基于背景区域的典型特征瞬态热响应得到的非缺陷背景区域红外热 重构图像；
图29是实施例2基于第一类缺陷区域的典型特征瞬态热响应曲线得到的中心撞击坑 区域红外热重构图像；
图30是实施例2基于第二类缺陷区域的典型特征瞬态热响应曲线得到的边缘细微撞 击溅射损伤区域红外热重构图像；
图31是实施例2基于多目标优化和多个导向滤波器结合得到的红外热图像融合参数 最优前沿以及基于加权隶属度得到的最优热图像融合参数解；
图32是实施例2基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修基础层图像融合权重图e；
图33是实施例2基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修基础层图像融合权重图f；
图34是实施例2基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修细节层图像融合权重图g；
图35是实施例2基于得到的最优多目标导向滤波融合算子修正后的原始尺度热图像 精修细节层图像融合权重图h；
图36是实施例2基于多目标优化和导向滤波的最终得到的红外融合热图像
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能 够据以实施。
实施例1
如图1-3所示：本发明的一种多区域复杂损伤缺陷特征提取融合方法，包括以下步骤：
步骤一、对大尺寸试件进行多次红外检测，获取得到大尺寸试件的多个热图像序列， 利用红外特征提取和红外热图像重构算法从多个热图像序列中获取大尺寸试件的多张重 构红外热图像，具体方法包括：
步骤S11、将从红外热像仪获取的多个热图像序列用三维矩阵集{S1,…,Si,…,SC}表 示，其中Si表示第i次红外检测中红外热像仪所得到的热图像序列，|C|表示总的热图像序 列数；Si(m,n,t)表示第i个热图像序列中的第t帧热图像的第m行、第n列坐标位置上的温度值，其中t＝1,…,T，T为总帧数，m＝1,…,M，M为总行数，n＝1,…,N，N为总列数；
步骤S12、对于第i个热图像序列Si，利用基于分块变步长的瞬态热响应数据提取算 法，提取出第i个热图像序列Si中有价值的瞬态热响应数据集Xi(g)；通过阈值将第i个热图像序列Si分解成K个不同的数据块kSi(m',n',t)其中k表示第i个热图像序列Si中的第k个子数据块，m'、n'、t分别表示第k个子数据块的第m'行、第n'列、第t帧的坐标位 置上的温度值；然后根据不同数据块内的温度变化特征，定义第i个热图像序列Si中第 k,(k＝1,…,K)个数据块内的搜索行步长kRSSi和列步长kCSSi；基于不同数据块内的不同 搜索步长，比较数据点之间的相关系数，搜索到一系列相关系数大于阈值THCcr的瞬态热 响应并加入第i个热图像序列Si中的瞬态热响应数据集Xi(g)；
步骤S13、利用谱图理论的SC-SD谱聚类算法将第i个热图像序列Si的瞬态热响应集 Xi(g)中的瞬态热响应自适应聚类；以每个瞬态热响应样本的全局标准差作为邻域半径， 计算瞬态热响应样本在相应邻域内的局部标准差以获取自适应局部尺度参数σn；基于自 适应的局部尺度参数σn构建亲和矩阵及其度矩阵D，基于度矩阵D计算标准化后的拉普拉斯矩阵L，计算L的特征值，特征向量及特征矩阵，将特征矩阵归一化后进行聚类得到 最终的瞬态热响应簇划分；将热图像序列Si的瞬态热响应集Xi(g)自适应聚类形成聚类集 合Xi(g)Cluster[h],h＝1,2,…,H，其中h表示缺陷类别标签，H表示当前红外检测区域中所存在的复杂类型缺陷的类别总数；
步骤S14、分别从不同聚类中提取第i次检测区域中各类复杂缺陷的代表性特征瞬态 热响应并基于它们重构热图像
计算聚类结果中每个类别的聚类中心作为各类缺陷的代表性特征瞬态热响应：
Figure BDA0003259174040000241
其中
Figure BDA0003259174040000242
为第h个聚类结果X(g)Cluster[h],h＝1,…,H中的第k个瞬态热响应，|X(g)Cluster[h]|为第h个聚类结果中所包含的瞬态热响应总数，用各个类别缺陷的代表性瞬态热响应组成矩阵Yi；
利用矩阵Yi和Si的信息进行红外热图像重构，将第i个热图像序列Si的每一帧图像按 列提取成一个列向量并按时间顺序排列构成M×N行、T列的二维图像矩阵Oi，基于下列变 换公式得到第i次检测的热幅值重构矩阵Ri：
Figure BDA0003259174040000243
其中，
Figure BDA0003259174040000244
为H×T矩阵，是代表性瞬态热响应矩阵Yi的伪逆矩阵，(Oi)T是二维图像矩阵Oi的转置矩阵，得到的重构矩阵为H行、M×N列，截取重构矩阵Ri的每一行，构成一 张M×N二维图像，得到H张M×N二维图像，这些图片即为包含了第i次红外检测所得到 的热图像序列中不同热响应区域特征信息的重构热图像，将其中的非缺陷背景区域重构热 图像记为BR，将各个类别缺陷区域对应的重构热图像记为hR，其中h＝1,…,H-1，除开无 缺陷损伤的背景区域热图像以外，每一张重构热图像包含了当前检测区域中的复杂类型缺 陷其中一类缺陷的特征热重构信息，将第i次红外检测中得到的所检测区域中的典型类型 缺陷重构热图像记为Def.(i)R；
步骤S15、若i＜|C|，则i+1并重复步骤S12～步骤S14，直到从多次检测得到的多个热图像序列中都分别得到了当前次所检测区域中的典型类型缺陷重构热图像，即获得了大尺寸试件的每个检测区域中的典型类型缺陷重构热图像集{Def.(1)R,…,Def.(i)R,…,Def.(C)R}， 其中Def.(i)R表示第i个热图像序列中所检测区域的典型类型缺陷重构热图像，i＝1,…,|C|。
步骤二、对大尺寸撞击试件中的每一个检测区域中的一共|C|张典型类型缺陷红外重 构图像{Def.(1)R,…,Def.(i)R,…,Def.(C)R}中每一张进行图像下采样，得到蕴含较低红外热辐 射数据量的下采样热图像{Def.(1)Rdown,…,Def.(i)Rdown,…,Def.(C)Rdown}，下采样热图像的大小 尺寸为M'×N',并基于下采样热图像执行如下的多目标导向滤波权重获取层步骤：
步骤S21、于下采样红外热图像Def.(i)Rdown获取下采样热图像中热幅值融合粗权重图 Def.(i)Pdown：
Def.(i)Hdown＝Def.(i)Rdown*L
Def.(i)Sdown＝|Def.(i)Hdown|*GF
其中，L是拉普拉斯滤波器；|Def.(i)Hdown|为高通热图像的绝对值，GF是一个高斯低通滤波器，基于下列公式得到第i次检测区域的典型类型缺陷下采样热图像中热幅值融合粗权重图Def.(i)Pdown：
Figure BDA0003259174040000251
Figure BDA0003259174040000252
其中，
Figure BDA0003259174040000253
为下采样粗权重图Def.(i)Pdown的各个位置 坐标的热幅值融合权重值，
Figure BDA0003259174040000254
为Def.(i)Pdown的第k个坐标点的热幅值融合权重值，
Figure BDA0003259174040000255
是热幅值显著性特征图Def.(i)Sdown中第k个坐标点对应的辐射显著性水平值，k＝1,…,M′×N′；
步骤S22、基于下采样热图像{Def.(1)Rdown,…,Def.(i)Rdown,…,Def.(C)Rdown}和下采样融合粗 权重图{Def.(1)Pdown,…,Def.(i)Pdown,…,Def.(C)Pdown}进行多目标优化导向滤波，获取Pareto最优 权重向量，具体方法包括：
步骤S221、进行多目标导向滤波的滤波输入和滤波输出关系建模；以第i次检测区域的典型类型缺陷红外下采样热图像Def.(i)Rdown为引导图像，以下采样热幅值融合粗权重图Def.(i)Pdown为输入图像，进行多目标导向滤波，在多目标导向滤波时，定义导向滤波窗wk为引导图像，也就是下采样红外热图像Def.(i)Rdown中的以第k个坐标点
Figure BDA0003259174040000256
为中心的局部矩形窗口，其大小尺寸为(2r+1)×(2r+1)，k＝1,…,M′×N′；则多目标导向滤波的输入输出关系为：
Figure BDA0003259174040000257
其中，
Figure BDA0003259174040000258
表示以红外下采样热图像Def.(i)Rdown为引导图像，以下采样热幅值融 合粗权重图Def.(i)Pdown为输入图像进行多目标引导滤波得到的第i次检测区域的典型类型缺 陷下采样输出图像Def.(i)Odown的第n个坐标点对应的导向滤波输出值；
Figure BDA0003259174040000259
为Def.(i)Rdown的第n个坐标点对应的下采样重构图像热幅值，n＝1,…,M′×N′；ak和bk表示以
Figure BDA00032591740400002510
为中心的导向滤波窗wk内的线性变换参数；
步骤S222、为了获取各个红外检测区域典型缺陷类型的各个重构热图像各个坐标对 应的热幅值的融合最优权重值，对导向滤波的线性变换参数ak和bk进行多目标优化问题建模，具体方法包括：
步骤S2221、基于下采样热幅值融合粗权重图Def.(i)Pdown和红外下采样热图像Def.(i)Rdown，定义各个坐标点位置上的红外大型尺寸缺陷边缘特征感知加权导向滤波代价函数
Figure BDA00032591740400002511
Figure BDA00032591740400002512
其中，
Figure BDA00032591740400002513
和
Figure BDA00032591740400002514
为由大尺寸缺陷感知滤波代价函数决定的最优线性变换系数；
Figure BDA0003259174040000261
为权重图Def.(i)Pdown的第n个坐标点对应的热辐射融合权重值；ε为正则化因子；
Figure BDA0003259174040000262
是边缘感知权重因子，其定义如下：
Figure BDA0003259174040000263
其中，
Figure RE-GDA0003287347480000264
表示下采样红外热图像Def.(i)Rdown中，以
Figure RE-GDA0003287347480000265
坐标点为中心的3×3窗口中的各坐标点对应的热辐射值的方差，ζ是一个非常小的常量，其大小为 (0.001×DR(Def.(i)Pdown))2，DR(·)为图像的动态范围，通过最小化代价函数得到如下的最优 线性变换系数的表达式：
Figure BDA0003259174040000266
Figure BDA0003259174040000267
其中，
Figure BDA0003259174040000268
表示表示下采样红外热图像Def.(i)Rdown和下采样热幅值融合粗 权重图Def.(i)Pdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，
Figure BDA0003259174040000269
是矩阵的哈 达马积，
Figure BDA00032591740400002610
和
Figure BDA00032591740400002611
分别表示下采样红外热图像Def.(i)Rdown和下采样融合粗权重 图Def.(i)Pdown在矩形窗wk内的均值，
Figure BDA00032591740400002612
表示采样红外热图像Def.(i)Rdown在矩形窗wk内 的各坐标点对应的热幅值方差；
步骤S2222、基于下采样热幅值融合粗权重图Def.(i)Pdown和红外下采样热图像Def.(i)Rdown，定义各个坐标点位置上的梯度域红外细小尺寸缺陷细节纹理导向滤波代价函数
Figure BDA00032591740400002613
Figure BDA00032591740400002614
其中，
Figure BDA00032591740400002615
和
Figure BDA00032591740400002616
为由梯度域细微缺陷细节纹理导向滤波代价函数决定的最优线性变 换系数；ε为正则化因子；νk为调整ak的因子；
Figure BDA00032591740400002617
为梯度域多窗口边缘感知权重，其定义如下：
Figure BDA00032591740400002618
Figure BDA00032591740400002619
表示下采样红外热图像Def.(i)Rdown中，以
Figure BDA00032591740400002620
坐标点为中心的导向滤 波窗wk内的各坐标点对应的热幅值标准差，νk的定义如下：
Figure BDA00032591740400002621
其中，η为
Figure BDA0003259174040000271
Figure BDA0003259174040000272
表示下采样红外热图像Def.(i)Rdown中，以
Figure BDA0003259174040000273
坐标点为中心的 3×3窗口中的各坐标点对应的热幅值标准差，
Figure BDA0003259174040000274
表示下采样红外热图像Def.(i)Rdown中，以
Figure BDA0003259174040000275
坐标点为中心的导向滤波矩形窗wn内的各坐标点对应的热幅值标准差；
通过最小化梯度域导向滤波代价函数
Figure BDA0003259174040000276
得到
Figure BDA0003259174040000277
和
Figure BDA0003259174040000278
的计算公式为：
Figure BDA0003259174040000279
Figure BDA00032591740400002710
其中，
Figure BDA00032591740400002711
表示表示下采样红外热图像Def.(i)Rdown和下采样热幅值融合粗 权重图Def.(i)Pdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，νk为调整ak的 因子；
步骤S2223、基于下采样热幅值融合粗权重图Def.(i)Pdown和红外下采样热图像Def.(i)Rdown，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure BDA00032591740400002712
Figure BDA00032591740400002713
其中，
Figure BDA00032591740400002714
和
Figure BDA00032591740400002715
为由局部LoG算子空间噪声导向滤波代价函数决定的最优线性变换 系数；ε为正则化因子；
Figure BDA00032591740400002716
为局部LoG边缘权重因子，其定义如下：
Figure BDA00032591740400002717
其中，LoG(·)为高斯拉普拉斯边缘检测算子，M'×N'为红外下采样热图像总的坐标 点数，|·|为取绝对值操作，δLoG为LoG图像最大值的0.1倍；通过最小化梯度域导向滤波代价函数
Figure BDA00032591740400002718
得到
Figure BDA00032591740400002719
和
Figure BDA00032591740400002720
的计算公式为：
Figure BDA00032591740400002721
Figure BDA00032591740400002722
其中
Figure BDA00032591740400002723
和
Figure BDA00032591740400002724
分别表示红外下采样热图像Def.(i)Rdown和下采样粗权重图 Def.(i)Pdown在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S2224、同时优化3个代价函数，建立以下多目标优化问题：
Minimize F(ak')＝[Inf.SigE1(ak'),Inf.MinE2(ak'),Inf.NoiE3(ak')]T
其中，ak'为第k个导向滤波窗wk中的线性变换系数，Inf.SigE1(ak')为具有明显梯度变 化的红外热图像大尺寸缺陷边缘保留融合代价函数，Inf.MinE2(ak')为尺寸大小和梯度变化 不明显的红外热图像微小缺陷细节纹理保留融合代价函数，E3(ak')为红外热图像噪声信 息感知和消除代价函数；
步骤S223、利用基于惩罚项的边界交叉法MOEA/D的多目标优化方法，对多目标优化问题进行优化，具体方法包括：
步骤S2231、初始化多目标优化相关参数，初始化迭代次数g'＝0，一组均匀分布的权重向量
Figure BDA0003259174040000281
其中，L＝3为多目标导向滤波代价函数总数，
Figure BDA0003259174040000282
找到
Figure BDA0003259174040000283
的邻域
Figure BDA0003259174040000284
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，
Figure BDA0003259174040000285
是第l个导向滤波代价函数El(ak')对应的红外热图像的融合最优参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始红外热图像融合导向滤波 线性变换系数种群；
步骤S2232、基于
Figure BDA0003259174040000286
构造基于惩罚项的边界交叉法下每个导向滤波线性变换参数的子目标函数适应度值
Figure BDA0003259174040000287
Figure BDA0003259174040000288
其中，
Figure BDA0003259174040000289
为预设的惩罚因子，
Figure BDA00032591740400002810
和
Figure BDA00032591740400002811
的定义如下：
Figure BDA00032591740400002812
Figure BDA00032591740400002813
步骤S2233、对每个n＝1,…,NP：从
Figure BDA00032591740400002814
的邻域
Figure BDA00032591740400002815
随机选取两个红外热图像融合导 向滤波线性变换系数种群解，利用遗传算子产生新解ak：若参考点irl＜El(ak)，则更新参考点，l＝1,…,3；若聚合函数值
Figure BDA00032591740400002816
则更新邻域；删除iAP中所有被F(ak)支配的导向滤波线性变换系数解向量，若iAP中没有导向滤波线 性变换系数解向量支配F(ak)，则将F(ak)加入iAP；同时n＝n+1，若n≤NP，则
Figure BDA0003259174040000291
步骤S2234、进化终止判断：若g′≤gmax′，则重复步骤S2233，若g′＞gmax′，则得到多目标导向滤波线性参数最终的前沿近似解集iAP；
步骤S224、基于加权隶属度方案从最优Pareto最优解集iAP中选出拥有最大加权隶 属度的折衷解，记录它对应的最优权重向量组
Figure BDA0003259174040000292
这样就得到了综合多 种导向滤波器的最优权重配比，接下来将最优权重参数传递到原始红外热图像融合层。
步骤三、基于多目标最优权重配比参数
Figure BDA0003259174040000293
在原红外热重构图像层 面进行多目标导向滤波融合算法，具体方法包括：
步骤S31、对大尺寸撞击试件中的每一个检测区域中的一共|C|张典型类型缺陷红外重 构图像{Def.(1)R,…,Def.(i)R,…,Def.(C)R}中的每一张分解成一张基础层红外热图像{Inf.Base[De f.(1)],…,Inf.Base[Def.(i)],…,Inf.Base[Def.(|C|)]}和一张细节层红外热图像{Inf.Detail[Def. (1)],…,Inf.Detail[Def.(i)],…,Inf.Detail[Def.(|C|)]}；以第i张检测区域典型类型缺陷重构热图 像Def.(i)R为例，利用下列公式得到Def.(i)R的典型类型缺陷基础层红外热图像Inf.Base[Def. (i)]和细节层红外热图像和Inf.Detail[Def.(i)]：
Inf.Base[Def.(i)]＝Def.(i)R*Z
Inf.Detail[Def.(i)]＝Def.(i)R-Inf.Base[Def.(i)]
其中，Z为均值滤波器；
步骤S32、基于下列公式得到初始的热辐射粗融合权重图：
Def.(i)H＝Def.(i)R*L
Def.(i)S＝|Def.(i)H|*GF
其中，L是拉普拉斯滤波器，GF是一个高斯低通滤波器，基于下列公式得到热幅值融合粗权重图Def.(i)P：
Figure BDA0003259174040000294
其中，{Def.(i)P1,…,Def.(i)Pk,…,Def.(i)PM×N}为粗权重图Def.(i)P的各个位置坐标的热幅值融 合权重值，Def.(i)Pk为Def.(i)P的第k个坐标点的热幅值融合权重值，Def.(i)Sk是热幅值显著性 特征图Def.(i)S中第k个坐标点对应的辐射显著性水平值，k＝1,…,M×N；
步骤S33、基于
Figure BDA0003259174040000295
获取原红外热重构图像层面的多目标导向滤波最 优滤波算子MOGFr,ε(P,R)，其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合 粗权重图像，R为红外重构图像；
输入权重获取层得到的最优权重参数
Figure BDA0003259174040000296
将得到的最优权重向量传 递到原红外热重构图像多目标导向滤波层，得到多目标导向滤波最终代价函数E4为：
Figure BDA0003259174040000301
代入具体函数形式可得最终的线性变换系数ak的最终表达式为：
Figure BDA0003259174040000302
其中，
Figure BDA0003259174040000303
表示重构图像R在矩形导向滤波窗wk内的像素值方差，μk,P表示热幅值融合粗权重图像P在矩形窗wk内的像素点均值，μk,R表示重构热图像R在矩形窗wk内的像 素点均值，
Figure BDA0003259174040000304
表示构热图像R和粗权重图像P的哈达马积在矩形窗wk内的像素点均 值；
则线性变换系数bk的最终表达式为：
bk＝μk,P-akμk,I
为了保证线性变换系数在不同导向滤波窗口中的一致性，将线性变换系数ak和bk作 以下修正：
Figure BDA0003259174040000305
Figure BDA0003259174040000306
其中，|wn|为以第n个坐标为中心的导向滤波窗内的坐标点数量，最终多目标导向滤 波算子的表达式如下：
Figure BDA0003259174040000307
其中，Def.(i)Rn为多目标导向滤波的输出图像中的第n个坐标点对应的热幅值融合精修 权重值；将利用得到的多目标最优线性变换系数对第i个红外检测区域红外热重构图像的 权重图进行多目标导向滤波算子进行滤波的操作记为
Figure BDA0003259174040000308
其中r为导向滤波窗 大小，ε为正则化参数，P为热幅值融合粗权重图像，R为红外重构图像；
步骤S34、利用多目标优化得到的最优导向滤波算子
Figure BDA0003259174040000309
对得到第i个红外 检测区域红外热重构图像的热幅值融合粗权重图进行多目标导向滤波，以得到修正后的基 础层和细节层的热幅值融合权重图像：
Figure BDA00032591740400003010
Figure BDA00032591740400003011
其中WM.Base[Def.(i)]和WM.Detail[Def.(i)]为融合粗权重图经多目标导向滤波后的 第i个红外检测区域典型类型缺陷红外热重构图像的基础层热幅值融合精修权重值图和第i个红外检测区域红外热重构图像的细节层热辐射值融合精修权重值图，Def.(i)P为第i个红 外检测区域红外热重构图像的热辐射值融合粗权重图，Def.(i)R为第i个红外检测区域的红 外热重构图像，r1,ε1,r2,ε2分别为对应的导向滤波器的参数，最后将精修后的热幅值融合权 重图经过归一化处理；
步骤S35、基于得到的精修后的各个红外检测区域中典型类型缺陷的细节层热幅值融 合权重图{Inf.Detail[Def.(1)],…,Inf.Detail[Def.(i)],…,Inf.Detail[Def.(|C|)]}和基础层热幅值融 合权重图{Inf.Base[Def.(1)],…,Inf.Base[Def.(i)],…,Inf.Base[Def.(|C|)]}，将大尺寸试件中不同 检测次数中的不同区域典型类型缺陷热重构图像间的细节层热图像信息和基础层热图像 信息进行融合，得到融合了多张多检测区域重构热图像有效信息的基础层热图像和细节层 热图像：
Figure BDA0003259174040000311
Figure BDA0003259174040000312
最后结合加权平均后的基础层热图像和细节层热图像得到最终融合检测红外热图像：
Figure BDA0003259174040000313
这样，就得到融合了大尺寸试件多个红外检测区域典型类型缺陷的重构热图像缺陷有效信息的红外检测融合热图像；红外融合热图像利用多目标优化算法综合了多种导向滤波器的优良特性，将多次红外检测，不同区域的典型类型缺陷融合在一起，实现了大尺寸压力容器缺陷的高质量同时成像；将同时融合了多个检测区域缺陷典型特征的高质量红外重构融合图像F输入红外热图像分割和缺陷定量分析步骤从而进一步提取各类缺陷的定量特征信息。
在本实施例中，在试件上有三个区域的缺陷需要被检测，即第一行区域的人工圆形孔 缺陷1、第二行区域对应的的人工圆形孔缺陷2以及第三行区域对应的的人工圆形孔缺陷 3。基于结合多目标优化和导向滤波进行多张(以两张为例)的红外热图像融合的整体融 合框架的流程图如图2所示。
多目标优化和导向滤波具体结合得到修正后各图像层的权重图像的流程图如图3所 示。在本实例中，采用SC-SD谱聚类算法对第一个检测区域的瞬态热响应集进行分类后的的结果图如图4所示，对第二个检测区域的瞬态热响应集进行分类后的的结果图如图5所示，对第三个检测区域的瞬态热响应集进行分类后的的结果图如图6所示。
基于SC-SD谱聚类算法后，得到各瞬态热响应集对应的聚类中心，作为各个区域典型类型缺陷的典型特征瞬态热响应Def.(1)R、Def.(2)R和Def.(3)R。它们各自的典型特征瞬态 热响应曲线如图7，图8，图9所示。
在得到了试件的各个区域典型类型缺陷的典型特征瞬态热响应曲线后基于它们进行 红外热图像重构算法，得到材料第一行圆形缺陷孔区域Def.(1)R对应的重构热图像，第一 行圆形缺陷孔区域Def.(2)R以及第三行圆形缺陷孔区域Def.(3)R对应的重构热图像，如图10、 图11、图12所示，它们各自凸显的缺陷类型如图所示。
用本发明中结合双层多目标优化和导向滤波进行最优导向滤波线性变换参数的求解 的方法，获得了一系列的Pareto最优非支配解，基于它们得到了Pareto最优前沿面(PF)， 并基于最优加权隶属度原则选取最优的导向滤波热图像融合参数解如图13所示。
基于多目标优化和导向滤波得到最优导向滤波热图像融合参数后，得到多目标导向 滤波最优算子，对经过红外热重构图像分解后得到的基础层图像和细节层图像各自对应的 权重图像进行多目标导向滤波操作。经过多目标导向滤波修正后得到各个图像层级上的精 修权重图。以W1 B表示精修后的基础层权重图a，W2 B表示精修后的基础层权重图b，W3 B表 示精修后的基础层权重图c，W1 D表示精修后的细节层权重图d，W2 D表示精修后的基础层权重图e，W3 D表示精修后的基础层权重图f，它们分别如图14、图15、图16、图17、图 18、图19所示。
基于双层多目标最优导向滤波算子修正后的各层权重图像进行红外热图像融合操作， 得到的大尺寸压力容器各个区域红外融合热图像如图20所示。图中能够清晰且高质量地 同时表征试件3行圆形孔缺陷缺陷1、缺陷2和缺陷3的损伤情况特征，能够更好地进行后续图像分割和缺陷识别定量操作。
在本实施例中，提取的融合3行圆形孔大尺寸压力容器缺陷的特征如图20所示。
可以看出，本实施例得到的最终融合的红外检测图像对大尺寸压力容器各个区域缺陷 的可检测性都较好。
实施例2
如图21-24所示：本发明的一种复杂微小损伤缺陷特征提取与融合方法，包括以下步 骤：
步骤一、利用红外特征提取和红外热图像重构算法从红外热图像序列中获取红外重构 图像的具体方法包括：
步骤S11、基于分块变步长的瞬态热响应数据提取算法，从由红外热像仪获取到的热 图像序列S中，提取出有价值的瞬态热响应数据集X(g)，其中，S(i,j,t)表示热图像序列的t帧热图像的第i行、第j列的像素值，t＝1,…,T，T为总帧数，i＝1,…,I，I为总行数，j＝1,…,J， J为总列数；通过阈值将热图像序列分解成K个不同的数据块kS(in,jm,t)其中k表示第k个 子数据块，in、jm、t分别表示第k个子数据块的第in行、第jm列、第t帧的像素值；然后根据不同数据块内的温度变化特征，定义第k个数据块内的搜索行步长kRSS和列步长kCSS，k＝1,…,K；基于不同数据块内的不同搜索步长，比较数据点之间的相关系数，搜索到一系列相关系数大于阈值THCcr的瞬态热响应并加入瞬态热响应数据集X(g)；
步骤S12、利用谱图理论的SC-SD谱聚类算法将瞬态热响应集X(g)中的瞬态热响应自适应聚类成|C|类；以每个瞬态热响应样本的全局标准差作为邻域半径，计算瞬态热响应样本在相应邻域内的局部标准差以获取自适应局部尺度参数σn；基于自适应的局部尺度参数σn构建亲和矩阵M及其度矩阵D，基于度矩阵D计算标准化后的拉普拉斯矩阵L； 计算L的特征值，特征向量及特征矩阵，将特征矩阵归一化后进行聚类得到最终的瞬态热 响应簇划分X(g)Cluster[h],h＝1,2,…,|C|，其中h表示类别标签，|C|表示类别总数；
步骤S13、分别从不同聚类中提取典型特征瞬态热响应并基于它们重构热图像；计算 聚类结果中每个类别的聚类中心作为各类缺陷的典型特征瞬态热响应：
Figure BDA0003259174040000331
其中
Figure BDA0003259174040000332
为第h个聚类结果X(g)Cluster[h],h＝1,…,|C|的第k个代表瞬态热响应， |X(g)Cluster[h]|为第h个聚类结果中所包含的瞬态热响应总数，用各个类别缺陷的典型瞬 态热响应组成矩阵Y；
利用矩阵Y和S的信息进行红外热图像重构，将S的每一帧图像按列提取成一个列向 量并按时间顺序排列构成I×J行、T列二维图像矩阵O，基于下列变换公式得到重构矩阵R：
Figure BDA0003259174040000333
其中，
Figure BDA0003259174040000334
为|C|×T矩阵，是矩阵Y的伪逆矩阵，OT是二维图像矩阵O的转置矩阵， 得到的重构矩阵R为|C|行、I×J列；截取重构矩阵R的每一行，构成一张I×J二维图像， 得到|C|张I×J二维图像，这些图片即为包含了不同热响应区域特征信息的重构热图像， 将其中的非缺陷背景区域重构热图像记为BR，将各个类别缺陷区域对应的重构热图像记 为iR，i＝1,…,|C|；其中，除开无缺陷损伤的背景区域热图像以外，每一张重构热图像包含 了复杂类型缺陷其中一类缺陷的特征热重构信息。
步骤二、对除开背景区域热图像以外的(|C|-1)张红外重构图像{1R,…,iR,…,|C|-1R}中 每一张进行图像下采样，得到蕴含较低红外热辐射数据量的下采样热图像{1Rdown…,iRdown,…,|C|-1Rdown}，下采样热图像的大小尺寸为I'×J',并基于下采样热图像执行如下的多目标导向滤波权重获取层步骤：
步骤S21、基于下采样红外热图像iRdown获取下采样热图像中热幅值融合粗权重图iPdown：
iHdown＝iRdown*L
iSdown＝|iHdown|*GF
其中，L是拉普拉斯滤波器，|iHdown|为高通热图像的绝对值，GF是一个高斯低通滤波器。基于下列公式得到下采样热图像中热幅值融合粗权重图iPdown：
Figure BDA0003259174040000341
其中，
Figure BDA0003259174040000342
为下采样粗权重图iPdown的各个位置坐标的热幅值融 合权重值，
Figure BDA0003259174040000343
为iPdown的第k个坐标点的热幅值融合权重值，
Figure BDA0003259174040000344
是热幅值显著性特 征图iSdown中第k个坐标点对应的辐射显著性水平值,k＝1,…,I′×J′；
步骤S22、基于下采样热图像{1Rdown…,iRdown,…,|C|-1Rdown}和下采样融合粗权重图{1Pdown…,iPdown,…,C-1Pdown}进行多目标优化导向滤波，获取Pareto最优权重向量，具体 方法包括：
步骤S221、进行多目标导向滤波的滤波输入和滤波输出关系建模；以红外下采样热 图像iRdown为引导图像，以下采样热幅值融合粗权重图iPdown为输入图像，进行多目标导向 滤波；在多目标导向滤波时，定义导向滤波窗wk为引导图像，也就是下采样红外热图像iRdown中的以第k个坐标点
Figure BDA0003259174040000345
为中心的局部矩形窗口，其大小尺寸为(2r+1)×(2r+1)， k＝1,…,I′×J′；则多目标导向滤波的输入输出关系为：
Figure BDA0003259174040000346
其中，iOn表示以红外下采样热图像iRdown为引导图像，以下采样热幅值融合粗权重图 iPdown为输入图像进行多目标引导滤波得到的下采样输出图像iOdown的第n个坐标点对应的导向滤波输出值，n＝1,…,I′×J′；
Figure BDA0003259174040000347
为iRdown的第n个坐标点对应的下采样重构图像热幅值，n＝1,…,I′×J′；ak和bk表示以
Figure BDA0003259174040000348
为中心的导向滤波窗wk内的线性变换参数， k＝1,…,I′×J′；
步骤S222、为了获取各个重构热图像各个坐标对应的热幅值的融合最优权重值，对 导向滤波的线性变换参数ak和bk的进行多目标优化问题建模：
步骤S2221、基于下采样热幅值融合粗权重图iPdown和红外下采样热图像iRdown，定义各个坐标点位置上的红外大型尺寸缺陷边缘特征感知加权导向滤波代价函数
Figure BDA0003259174040000349
Figure BDA00032591740400003410
其中，
Figure BDA00032591740400003411
和
Figure BDA00032591740400003412
为由大尺寸缺陷感知滤波代价函数决定的最优线性变换系数；
Figure BDA00032591740400003413
为权重图iPdown的第n个坐标点对应的热辐射融合权重值；ε为正则化因子；
Figure BDA00032591740400003414
是边缘感知权重因子，其定义如下：
Figure BDA0003259174040000351
其中，
Figure BDA0003259174040000352
表示下采样红外热图像iRdown中，以
Figure BDA0003259174040000353
坐标点为中心的3×3窗口中的各坐标点对应的热辐射值的方差，ζ是一个非常小的常量，其大小为 (0.001×DR(iPdown))2，DR(·)为图像的动态范围；通过最小化代价函数得到如下的最优线 性变换系数的表达式：
Figure BDA0003259174040000354
Figure BDA0003259174040000355
其中，
Figure BDA0003259174040000356
表示表示下采样红外热图像iRdown和下采样热幅值融合粗权重图 iPdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，
Figure BDA0003259174040000357
是矩阵的哈达马积，
Figure BDA0003259174040000358
和
Figure BDA0003259174040000359
分别表示下采样红外热图像iRdown和下采样融合粗权重图iPdown在矩形窗 wk内的均值，
Figure BDA00032591740400003510
表示采样红外热图像iRdown在矩形窗wk内的各坐标点对应的热幅值方 差；
步骤S2222、基于下采样热幅值融合粗权重图iPdown和红外下采样热图像iRdown，定义各个坐标点位置上的梯度域红外细小尺寸缺陷细节纹理导向滤波代价函数
Figure BDA00032591740400003511
Figure BDA00032591740400003512
其中，
Figure BDA00032591740400003513
和
Figure BDA00032591740400003514
为由梯度域细微缺陷细节纹理导向滤波代价函数决定的最优线性变 换系数；ε为正则化因子；νk为调整ak的因子；
Figure BDA00032591740400003515
为梯度域多窗口边缘感知权重， 其定义如下：
Figure BDA00032591740400003516
Figure BDA00032591740400003517
表示下采样红外热图像iRdown中，以
Figure BDA00032591740400003518
坐标点为中心的导向滤波窗wk内的各坐标点对应的热幅值标准差，νk的定义如下：
Figure BDA00032591740400003519
其中，η为
Figure BDA00032591740400003520
表示下采样红 外热图像iRdown中，以
Figure BDA00032591740400003521
坐标点为中心的3×3窗口中的各坐标点对应的热幅值标准差，n∈I′×J′；
Figure BDA0003259174040000361
表示下采样红外热图像iRdown中，以
Figure BDA0003259174040000362
坐标点为中心的导向滤波矩 形窗wn内的各坐标点对应的热幅值标准差，n∈I×J；
通过最小化梯度域导向滤波代价函数
Figure BDA0003259174040000363
得到
Figure BDA0003259174040000364
和
Figure BDA0003259174040000365
的计算公式为：
Figure BDA0003259174040000366
Figure BDA0003259174040000367
其中，
Figure BDA0003259174040000368
表示表示下采样红外热图像iRdown和下采样热幅值融合粗权重图iPdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，νk为调整ak的因子；
步骤S2223、基于下采样热幅值融合粗权重图iPdown和红外下采样热图像iRdown，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure BDA0003259174040000369
Figure BDA00032591740400003610
其中，
Figure BDA00032591740400003611
和
Figure BDA00032591740400003612
为由局部LoG算子空间噪声导向滤波代价函数决定的最优线性变换 系数；ε为正则化因子；
Figure BDA00032591740400003613
为局部LoG边缘权重因子，其定义如下：
Figure BDA00032591740400003614
其中，LoG(·)为高斯拉普拉斯边缘检测算子，I'×J'为红外下采样热图像总的坐标 点数，|·|为取绝对值操作，δLoG为LoG图像最大值的0.1倍；
通过最小化梯度域导向滤波代价函数
Figure BDA00032591740400003615
得到
Figure BDA00032591740400003616
和
Figure BDA00032591740400003617
的计算公式为：
Figure BDA00032591740400003618
Figure BDA00032591740400003619
其中
Figure BDA00032591740400003620
和
Figure BDA00032591740400003621
分别表示红外下采样热图像iRdown和下采样粗权重图iPdown在矩 形窗wk内的各坐标点对应的热幅值均值；
步骤S2224、同时优化3个代价函数，建立以下多目标优化问题：
Minimize F(ak')＝[Inf.SigE1(ak'),Inf.MinE2(ak'),Inf.NoiE3(ak')]T
其中，ak'为第k个导向滤波窗wk中的线性变换系数，Inf.SigE1(ak')为具有明显梯度变 化的红外热图像大尺寸缺陷边缘保留融合代价函数，Inf.MinE2(ak')为尺寸大小和梯度变化 不明显的红外热图像微小缺陷细节纹理保留融合代价函数，E3(ak')为红外热图像噪声信 息感知和消除代价函数；
步骤S223、利用基于惩罚项的边界交叉法MOEA/D的多目标优化方法，对上述多目标优化问题进行优化，具体方法包括：
步骤S2231、初始化多目标优化相关参数；初始化迭代次数g'＝0，一组均匀分布的权重向量
Figure BDA0003259174040000371
其中，L＝3为多目标导向滤波代价函数总数，
Figure BDA0003259174040000372
找到
Figure BDA0003259174040000373
的邻域
Figure BDA0003259174040000374
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，
Figure BDA0003259174040000375
是第l个导向滤波代价函数El(ak')对应的红外热图像的融合最优参考点；iAP＝Φ；最大迭代次数g'max， 随机产生初始红外热图像融合导向滤波线性变换系数种群；
步骤S2232、基于
Figure BDA0003259174040000376
构造基于惩罚项的边界交叉法对多目标问题进行分解， 使得各种群个体在权重向量
Figure BDA0003259174040000377
本身方向的指导上进行进化，其中每个导向 滤波线性变换参数的子目标函数适应度值
Figure BDA0003259174040000378
如下：
Figure BDA0003259174040000379
其中，
Figure BDA00032591740400003710
为预设的惩罚因子，
Figure BDA00032591740400003711
和
Figure BDA00032591740400003712
的定义如下：
Figure BDA00032591740400003713
Figure BDA00032591740400003714
步骤S2233、对每个n＝1,…,NP：从
Figure BDA00032591740400003715
的邻域
Figure BDA00032591740400003716
随机选取两个导向滤波线性变换系数种群解，利用遗传算子产生新解ak：若参考点irl＜El(ak)，则更新参考点，l＝1,2,3；
若聚合函数值
Figure BDA00032591740400003717
则更新邻域；删除iAP中所 有被F(ak)支配的导向滤波线性变换系数解向量，若iAP中没有导向滤波线性变换系数解向量支配F(ak)，则将F(ak)加入iAP；同时n＝n+1，若n≤NP，则g'＝g'+1；
步骤2234、进化终止判断：若g′≤gmax′，则重复步骤S2233，若g′＞gmax′，则得到多目标导向滤波线性参数最终的前沿近似解集iAP；
步骤S224、基于加权隶属度方案从最优Pareto最优解集iAP中选出拥有最大加权隶 属度的折衷解，记录它对应的最优权重向量组
Figure BDA0003259174040000381
这样，就得到了综合 多种导向滤波器的最优权重配比，接下来将最优权重参数传递到原始红外热图像融合层。
步骤三、将多目标最优权重配比参数传递至原始尺度红外热图像融合层进行多目标导 向滤波红外热图像融合，具体方法包括：
步骤S31、将除开背景区域的每一张原始红外热重构图像分解成一张基础层红外热图 像{1B,…,iB,…,|C|-1B}和一张细节层红外热图像{1D,…,iD,…,|C|-1D}；以第i(i＝1,…,|C|-1) 张缺陷区域重构热图像iR为例，利用下列公式得到iR的基础层红外热图像iB和细节层红 外热图像iD：
iB＝iR*Z
iD＝iR-iB
其中，Z为均值滤波器；
步骤S32、基于下列公式得到原始红外热重构图像层面上的粗权重图iP
iH＝iR*L
iS＝|iH|*GF
其中，L是拉普拉斯滤波器，GF是一个高斯低通滤波器，基于下列公式得到热幅值融合粗权重图iP：
Figure BDA0003259174040000382
其中，{iP1,…,iPk,…,iPI×J}为粗权重图iP的各个位置坐标的热幅值融合权重值，iPk为iP的第k个坐标点的热幅值融合权重值，iSk是热幅值显著性特征图iS中第k个坐标点对应的辐射显著性水平值，k＝1,…,I×J；
步骤S33、基于
Figure BDA0003259174040000383
获取原红外热重构图像层面的多目标导向滤波最 优滤波算子MOGFr,ε(P,R)，其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合 粗权重图像，R为红外重构图像；输入权重获取层得到的最优权重参数
Figure BDA0003259174040000384
将得到的最优权重向量传递到原红外热重构图像多目标导向滤波 层，得到多目标导向滤波最终代价函数E4为：
Figure BDA0003259174040000385
代入具体函数形式可得最终的线性变换系数ak的最终表达式为：
Figure BDA0003259174040000391
其中，
Figure BDA0003259174040000392
表示重构图像R在矩形导向滤波窗wk内的像素值方差，μk,P表示热幅值融合粗权重图像P在矩形窗wk内的像素点均值，μk,R表示重构热图像R在矩形窗wk内的 像素点均值，
Figure BDA0003259174040000393
表示构热图像R和粗权重图像P的哈达马积在矩形窗wk内的像素点均 值；
则线性变换系数bk的最终表达式为：
bk＝μk,P-akμk,I
为了保证线性变换系数在不同导向滤波窗口中的一致性，将线性变换系数ak和bk作 以下修正：
Figure BDA0003259174040000394
Figure BDA0003259174040000395
其中，|wn|为以第n个坐标为中心的导向滤波窗内的坐标点数量；基于线性变换系数 ak和bk的修正形式，得到最终多目标导向滤波算子的表达式如下：
Figure BDA0003259174040000396
其中，iOn为多目标导向滤波的输出图像中的第n个坐标点对应的热幅值；将利用得到的多目标最优线性变换系数得到多目标导向滤波算子进行滤波的操作记为 MOGrF,ε(,P)R，其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合粗权重图像， R为红外重构图像；
步骤S34、利用多目标优化得到的最优导向滤波算子MOGFr,ε(P,R)对得到的原始热图像层面上的热幅值融合粗权重图进行多目标导向滤波，以得到修正后的基础层和细节层的热幅值融合权重图像：
Figure BDA0003259174040000397
Figure BDA0003259174040000398
其中iWB和iWD为融合粗权重图经多目标导向滤波后的第i张基础层热幅值融合精修 权重值图和第i张细节层热辐射值融合精修权重值图，iP为第i张热辐射值融合粗权重图， iR为第i张重构热图像，r1,ε1,r2,ε2分别为对应的导向滤波器的参数，最后将精修后的热幅 值融合权重图经过归一化处理；
步骤S35、基于得到的精修后的细节层热幅值融合权重图{1WD,2WD,…,C-1WD}和基础层热幅值融合权重图{1WB,2WB,…,C-1WB}，将除开背景区域的不同缺陷区域热重构图 像间的细节层热图像信息和基础层热图像信息进行融合，得到融合了多张重构热图像有效 信息的基础层热图像和细节层热图像
Figure BDA0003259174040000401
Figure BDA0003259174040000402
最后结合加权平均后的基础层热图像和细节层热图像得到最终融合检测红外热图 像：
Figure BDA0003259174040000403
这样，就得到融合了多张重构热图像缺陷有效信息的，并且同时考虑了各个热图像中的大尺寸缺陷的保留需求和微小缺陷的细节纹理保留需求以及整体噪声消除保留需求的多目标导向滤波融合图像；将同时融合了多种复杂类型缺陷特征的高质量红外重构融合图像F输入红外热图像分割和缺陷定量分析步骤从而进一步提取各类缺陷的定量特征信息。
在本实施例中，在试件上有两种缺陷，即超高速中心撞击坑外损伤缺陷1以及撞击弹 丸破裂造成的周围的溅射型细微损伤缺陷2。
基于双层多目标优化和导向滤波进行多张(以两张为例)的红外热图像融合的整体融 合框架的流程图如图22所示。
双层多目标优化和导向滤波具体结合得到修正后各图像层的权重图像的流程图如图 23所示。
在本实例中，采用SC-SD自适应谱聚类算法对瞬态热响应集进行分类后的的结果图 如图24所示。
基于SC-SD自适应谱聚类算法后，得到各类瞬态热响应集对应的聚类中心，作为各个类别损伤区域的典型特征瞬态热响应X(g)CCluster[1]、X(g)CCluster[2]和X(g)CCluster[3]。它们各 自的典型特征瞬态热响应曲线如图25，图26，图27所示。
在得到了试件的各个损伤区域的典型特征瞬态热响应曲线后基于它们进行红外热图 像重构算法，得到材料背景区域温度点对应的重构热图像1R、试件撞击坑区域的表面凹 陷和背面凸出缺陷的重构热图像2R以及撞击坑区域中心穿孔缺陷对应的重构热图像3R，如图28、图29、图30所示，它们各自凸显的缺陷类型如图中标注所示。
用本发明中结合双层多目标优化和导向滤波进行最优导向滤波线性变换参数的求解 的方法，对下采样后的红外热图像进行多目标优化，获得了一系列的Pareto最优非支配解， 基于它们得到了Pareto最优前沿面(PF)，并基于最优加权隶属度原则选取最优的导向滤 波热图像融合参数解如图31所示。
基于多目标优化和导向滤波得到最优导向滤波热图像融合参数后，将得到的最优Pareto非支配解对应的权重向量传到原始尺度红外热图像融合层，得到多目标导向滤波最优算子，对经过红外热重构图像分解后得到的基础层图像和细节层图像各自对应的权重图像进行多目标导向滤波操作。经过多目标导向滤波修正后得到各个图像层级上的精修权重图。以W1 B表示精修后的基础层权重图e，W2 B表示精修后的基础层权重图f，W1 D表示精 修后的细节层权重图g，W2 D表示精修后的基础层权重图h，它们分别如图32、图33、图 34、图35所示。
基于双层多目标最优导向滤波算子修正后的各层权重图像进行红外热图像融合操作， 得到的最终复杂类型缺陷红外融合热图像如图36所示。图中能够清晰且高质量地同时表 征缺陷1和缺陷2的损伤情况特征，能够更好地进行后续图像分割和缺陷识别定量操作。
在本实施例中，提取的融合多种类型缺陷的特征如图36所示。
可以看出，本实施例得到的最终融合的红外检测图像对各种类别损伤的可检测性都较 好。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改 和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运 用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地 实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限 于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种多区域复杂损伤缺陷特征提取融合方法，其特征在于，包括以下步骤：
步骤一、对大尺寸试件进行红外检测，获取得到大尺寸试件的红外热图像序列，利用红外特征提取和红外热图像重构算法从多个红外热图像序列中获取大尺寸试件的红外热重构图像；
步骤二、对大尺寸试件中缺陷红外热重构图像进行图像下采样，得到蕴含较低红外热辐射数据量的下采样热图像；基于下采样红外热图像获取下采样红外热图像中热幅值融合粗权重图；进行多目标导向滤波的滤波输入和滤波输出关系建模；对导向滤波的线性变换参数进行多目标优化问题建模，获取各个红外检测区域典型缺陷类型的各个重构图像各个坐标对应的红外热幅值的融合最优权重值；利用基于惩罚项的边界交叉法MOEA/D的多目标优化方法，对建立的多目标优化问题进行优化，得到多目标导向滤波线性参数最终的前沿近似解集；基于加权隶属度方案从最优Pareto前沿近似解集中选出拥有最大加权隶属度的折衷解，记录它对应的最优权重向量组，这样就得到了综合多种导向滤波器的最优权重配比，接下来将最优权重参数传递到原始红外热图像融合层；
步骤三、基于多目标最优权重配比参数，在原红外热重构图像层面进行多目标导向滤波融合算法；将大尺寸试件中的典型类型缺陷红外热重构图像分解成基础层红外热图像和细节层红外热图像；计算得到初始的红外热辐射粗融合权重图；基于最优权重参数获取原红外热重构图像层面的多目标导向滤波最优滤波算子，将得到的最优权重向量传递到原红外重构图像多目标导向滤波层，得到多目标导向滤波最终代价函数和最终的线性变换系数；利用多目标优化得到的最优导向滤波算子对得到的红外检测区域红外热重构图像的热幅值融合权重进行多目标导向滤波，以得到修正后的基础层和细节层的热幅值融合权重图像；最后将精修后的热幅值融合权重图经过归一化处理；基于得到的精修后的各个红外检测区域中典型类型缺陷的细节层热幅值融合权重图和基础层热幅值融合权重图，将大尺寸试件中的典型类型缺陷红外热重构图像间的细节层红外热图像信息和基础层红外热图像信息进行融合，得到融合了多张多检测区域重构热图像有效信息的基础层热图像和细节层热图像，最后结合加权平均后的基础层热图像和细节层热图像得到最终融合检测红外热图像。
2.如权利要求1所述的多区域复杂损伤缺陷特征提取融合方法，其特征在于，所述步骤一利用红外特征提取和红外热图像重构算法从红外热图像序列中获取红外重构图像的具体方法包括：
步骤S11、基于分块变步长的瞬态热响应数据提取算法，从由红外热像仪获取到的热图像序列S中，提取出有价值的瞬态热响应数据集X(g)，其中，S(i,j,t)表示热图像序列的t帧热图像的第i行、第j列的像素值，t＝1,...,T，T为总帧数，i＝1,...,I，I为总行数，j＝1,...,J，J为总列数；通过阈值将热图像序列分解成K个不同的数据块kS(in,jm,t)其中k表示第k个子数据块，in、jm、t分别表示第k个子数据块的第in行、第jm列、第t帧的像素值；然后根据不同数据块内的温度变化特征，定义第k个数据块内的搜索行步长kRSS和列步长kCSS，k＝1,...,K；基于不同数据块内的不同搜索步长，比较数据点之间的相关系数，搜索到一系列相关系数大于阈值THCcr的瞬态热响应并加入瞬态热响应数据集X(g)；
步骤S12、利用谱图理论的SC-SD谱聚类算法将瞬态热响应集X(g)中的瞬态热响应自适应聚类成|C|类；以每个瞬态热响应样本的全局标准差作为邻域半径，计算瞬态热响应样本在相应邻域内的局部标准差以获取自适应局部尺度参数σn；基于自适应的局部尺度参数σn构建亲和矩阵M及其度矩阵D，基于度矩阵D计算标准化后的拉普拉斯矩阵L；计算L的特征值，特征向量及特征矩阵，将特征矩阵归一化后进行聚类得到最终的瞬态热响应簇划分X(g)Cluster[h],h＝1,2,...,|C|，其中h表示类别标签，|C|表示类别总数；
步骤S13、分别从不同聚类中提取典型特征瞬态热响应并基于它们重构热图像；计算聚类结果中每个类别的聚类中心作为各类缺陷的典型特征瞬态热响应：
Figure FDA0003259174030000021
其中
Figure FDA0003259174030000031
为第h个聚类结果X(g)Cluster[h],h＝1,…,|C|的第k个代表瞬态热响应，|X(g)Cluster[h]|为第h个聚类结果中所包含的瞬态热响应总数，用各个类别缺陷的典型瞬态热响应组成矩阵Y；
利用矩阵Y和S的信息进行红外热图像重构，将S的每一帧图像按列提取成一个列向量并按时间顺序排列构成I×J行、T列二维图像矩阵O，基于下列变换公式得到重构矩阵R：
Figure FDA0003259174030000032
其中，
Figure FDA0003259174030000033
为|C|×T矩阵，是矩阵Y的伪逆矩阵，OT是二维图像矩阵O的转置矩阵，得到的重构矩阵R为|C|行、I×J列；截取重构矩阵R的每一行，构成一张I×J二维图像，得到|C|张I×J二维图像，这些图片即为包含了不同热响应区域特征信息的重构热图像，将其中的非缺陷背景区域重构热图像记为BR，将各个类别缺陷区域对应的重构热图像记为iR，i＝1,...,|C|；其中，除开无缺陷损伤的背景区域热图像以外，每一张重构热图像包含了复杂类型缺陷其中一类缺陷的特征热重构信息。
3.如权利要求1所述的多区域复杂损伤缺陷特征提取融合方法，其特征在于，所述步骤一对大尺寸试件进行多次红外检测，获取得到大尺寸试件的多个热图像序列，利用红外特征提取和红外热图像重构算法从多个热图像序列中获取大尺寸试件的多张重构红外热图像，具体方法包括：
步骤S11、将从红外热像仪获取的多个热图像序列用三维矩阵集{S1,…,Si,…,S|C|表示，其中Si表示第i次红外检测中红外热像仪所得到的热图像序列，|C|表示总的热图像序列数；Si(m,n,t)表示第i个热图像序列中的第t帧热图像的第m行、第n列坐标位置上的温度值，其中t＝1,...,T，T为总帧数，m＝1,...,M，M为总行数，n＝1,...,N，N为总列数；
步骤S12、对于第i个热图像序列Si，利用基于分块变步长的瞬态热响应数据提取算法，提取出第i个热图像序列Si中有价值的瞬态热响应数据集Xi(g)；通过阈值将第i个热图像序列Si分解成K个不同的数据块kSi(m',n',t)其中k表示第i个热图像序列Si中的第k个子数据块，m'、n'、t分别表示第k个子数据块的第m'行、第n'列、第t帧的坐标位置上的温度值；然后根据不同数据块内的温度变化特征，定义第i个热图像序列Si中第k,(k＝1,…,K)个数据块内的搜索行步长kRSSi和列步长kCSSi；基于不同数据块内的不同搜索步长，比较数据点之间的相关系数，搜索到一系列相关系数大于阈值THCcr的瞬态热响应并加入第i个热图像序列Si中的瞬态热响应数据集Xi(g)；
步骤S13、利用谱图理论的SC-SD谱聚类算法将第i个热图像序列Si的瞬态热响应集Xi(g)中的瞬态热响应自适应聚类；以每个瞬态热响应样本的全局标准差作为邻域半径，计算瞬态热响应样本在相应邻域内的局部标准差以获取自适应局部尺度参数σn；基于自适应的局部尺度参数σn构建亲和矩阵及其度矩阵D，基于度矩阵D计算标准化后的拉普拉斯矩阵L，计算L的特征值，特征向量及特征矩阵，将特征矩阵归一化后进行聚类得到最终的瞬态热响应簇划分；将热图像序列Si的瞬态热响应集Xi(g)自适应聚类形成聚类集合
Figure FDA0003259174030000041
其中h表示缺陷类别标签，H表示当前红外检测区域中所存在的复杂类型缺陷的类别总数；
步骤S14、分别从不同聚类中提取第i次检测区域中各类复杂缺陷的代表性特征瞬态热响应并基于它们重构热图像
计算聚类结果中每个类别的聚类中心作为各类缺陷的代表性特征瞬态热响应：
Figure FDA0003259174030000042
其中
Figure FDA0003259174030000043
为第h个聚类结果X(g)Cluster[h],h＝1,…,H中的第k个瞬态热响应，|X(g)Cluster[h]|为第h个聚类结果中所包含的瞬态热响应总数，用各个类别缺陷的代表性瞬态热响应组成矩阵Yi；
利用矩阵Yi和Si的信息进行红外热图像重构，将第i个热图像序列Si的每一帧图像按列提取成一个列向量并按时间顺序排列构成M×N行、T列的二维图像矩阵Oi，基于下列变换公式得到第i次检测的热幅值重构矩阵Ri：
Figure FDA0003259174030000044
其中，
Figure FDA0003259174030000045
为H×T矩阵，是代表性瞬态热响应矩阵Yi的伪逆矩阵，(Oi)T是二维图像矩阵Oi的转置矩阵，得到的重构矩阵为H行、M×N列，截取重构矩阵Ri的每一行，构成一张M×N二维图像，得到H张M×N二维图像，这些图片即为包含了第i次红外检测所得到的热图像序列中不同热响应区域特征信息的重构热图像，将其中的非缺陷背景区域重构热图像记为BR，将各个类别缺陷区域对应的重构热图像记为hR，其中h＝1,...,H-1，除开无缺陷损伤的背景区域热图像以外，每一张重构热图像包含了当前检测区域中的复杂类型缺陷其中一类缺陷的特征热重构信息，将第i次红外检测中得到的所检测区域中的典型类型缺陷重构热图像记为Def.(i)R；
步骤S15、若i＜|C|，则i+1并重复步骤S12～步骤S14，直到从多次检测得到的多个热图像序列中都分别得到了当前次所检测区域中的典型类型缺陷重构热图像，即获得了大尺寸试件的每个检测区域中的典型类型缺陷重构热图像集{Def.(1)R,…,Def.(i)R,…,Def.(|C|)R}，其中Def.(i)R表示第i个热图像序列中所检测区域的典型类型缺陷重构热图像，i＝1,...,|C|。
4.如权利要求2所述的多区域复杂损伤缺陷特征提取融合方法，其特征在于，所述步骤二中对除开背景区域热图像以外的(|C|-1)张红外重构图像{1R,…,iR,…,|C|-1R}中每一张进行图像下采样，得到蕴含较低红外热辐射数据量的下采样热图像{1Rdown…,iRdown,…,|C|- 1Rdown}，下采样热图像的大小尺寸为I'×J',并基于下采样热图像执行如下的多目标导向滤波权重获取层步骤：
步骤S21、基于下采样红外热图像iRdown获取下采样热图像中热幅值融合粗权重图iPdown：
iHdown＝iRdown*L
iSdown＝|iHdown|*GF
其中，L是拉普拉斯滤波器，|iHdown|为高通热图像的绝对值，GF是一个高斯低通滤波器。基于下列公式得到下采样热图像中热幅值融合粗权重图iPdown：
Figure FDA0003259174030000051
其中，
Figure FDA0003259174030000052
为下采样粗权重图iPdown的各个位置坐标的热幅值融合权重值，
Figure FDA0003259174030000053
为iPdown的第k个坐标点的热幅值融合权重值，
Figure FDA0003259174030000054
是热幅值显著性特征图iSdown中第k个坐标点对应的辐射显著性水平值,k＝1,...,I′×J′；
步骤S22、基于下采样热图像{1Rdown…,iRdown,…,|C|-1Rdown}和下采样融合粗权重图{1Pdown…,iPdown,…,|C|-1Pdown}进行多目标优化导向滤波，获取Pareto最优权重向量，具体方法包括：
步骤S221、进行多目标导向滤波的滤波输入和滤波输出关系建模；以红外下采样热图像iRdown为引导图像，以下采样热幅值融合粗权重图iPdown为输入图像，进行多目标导向滤波；在多目标导向滤波时，定义导向滤波窗wk为引导图像，也就是下采样红外热图像iRdown中的以第k个坐标点
Figure FDA0003259174030000061
为中心的局部矩形窗口，其大小尺寸为(2r+1)×(2r+1)，k＝1,...,I′×J′；则多目标导向滤波的输入输出关系为：
Figure FDA0003259174030000062
其中，iOn表示以红外下采样热图像iRdown为引导图像，以下采样热幅值融合粗权重图iPdown为输入图像进行多目标引导滤波得到的下采样输出图像iOdown的第n个坐标点对应的导向滤波输出值，n＝1,...,I′×J′；
Figure FDA0003259174030000063
为iRdown的第n个坐标点对应的下采样重构图像热幅值，n＝1,...,I′×J′；ak和bk表示以
Figure FDA0003259174030000064
为中心的导向滤波窗wk内的线性变换参数，k＝1,...,I′×J′；
步骤S222、为了获取各个重构热图像各个坐标对应的热幅值的融合最优权重值，对导向滤波的线性变换参数ak和bk的进行多目标优化问题建模：
步骤S2221、基于下采样热幅值融合粗权重图iPdown和红外下采样热图像iRdown，定义各个坐标点位置上的红外大型尺寸缺陷边缘特征感知加权导向滤波代价函数
Figure FDA0003259174030000065
Figure FDA0003259174030000066
其中，
Figure FDA0003259174030000067
和
Figure FDA0003259174030000068
为由大尺寸缺陷感知滤波代价函数决定的最优线性变换系数；
Figure FDA0003259174030000069
为权重图iPdown的第n个坐标点对应的热辐射融合权重值；ε为正则化因子；
Figure FDA00032591740300000610
是边缘感知权重因子，其定义如下：
Figure FDA00032591740300000611
其中，
Figure FDA00032591740300000612
表示下采样红外热图像iRdown中，以
Figure FDA00032591740300000613
坐标点为中心的3×3窗口中的各坐标点对应的热辐射值的方差，ζ是一个非常小的常量，其大小为(0.001×DR(iPdown))2，DR(·)为图像的动态范围；通过最小化代价函数得到如下的最优线性变换系数的表达式：
Figure FDA0003259174030000071
Figure FDA0003259174030000072
其中，
Figure FDA0003259174030000073
表示表示下采样红外热图像iRdown和下采样热幅值融合粗权重图iPdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，
Figure FDA0003259174030000074
是矩阵的哈达马积，
Figure FDA0003259174030000075
和
Figure FDA0003259174030000076
分别表示下采样红外热图像iRdown和下采样融合粗权重图iPdown在矩形窗wk内的均值，
Figure FDA0003259174030000077
表示采样红外热图像iRdown在矩形窗wk内的各坐标点对应的热幅值方差；
步骤S2222、基于下采样热幅值融合粗权重图iPdown和红外下采样热图像iRdown，定义各个坐标点位置上的梯度域红外细小尺寸缺陷细节纹理导向滤波代价函数
Figure FDA0003259174030000078
Figure FDA0003259174030000079
其中，
Figure FDA00032591740300000710
和
Figure FDA00032591740300000711
为由梯度域细微缺陷细节纹理导向滤波代价函数决定的最优线性变换系数；ε为正则化因子；νk为调整ak的因子；
Figure FDA00032591740300000712
为梯度域多窗口边缘感知权重，其定义如下：
Figure FDA00032591740300000713
Figure FDA00032591740300000714
表示下采样红外热图像iRdown中，以
Figure FDA00032591740300000715
坐标点为中心的导向滤波窗wk内的各坐标点对应的热幅值标准差，νk的定义如下：
Figure FDA00032591740300000716
其中，η为
Figure FDA00032591740300000717
Figure FDA00032591740300000718
表示下采样红外热图像iRdown中，以
Figure FDA00032591740300000719
坐标点为中心的3×3窗口中的各坐标点对应的热幅值标准差，n∈I′×J′；
Figure FDA00032591740300000720
表示下采样红外热图像iRdown中，以
Figure FDA00032591740300000721
坐标点为中心的导向滤波矩形窗wn内的各坐标点对应的热幅值标准差，n∈I×J；
通过最小化梯度域导向滤波代价函数
Figure FDA0003259174030000081
得到
Figure FDA0003259174030000082
和
Figure FDA0003259174030000083
的计算公式为：
Figure FDA0003259174030000084
Figure FDA0003259174030000085
其中，
Figure FDA0003259174030000086
表示表示下采样红外热图像iRdown和下采样热幅值融合粗权重图iPdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，νk为调整ak的因子；
步骤S2223、基于下采样热幅值融合粗权重图iPdown和红外下采样热图像iRdown，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure FDA0003259174030000087
Figure FDA0003259174030000088
其中，
Figure FDA0003259174030000089
和
Figure FDA00032591740300000810
为由局部LoG算子空间噪声导向滤波代价函数决定的最优线性变换系数；ε为正则化因子；
Figure FDA00032591740300000811
为局部LoG边缘权重因子，其定义如下：
Figure FDA00032591740300000812
其中，LoG(·)为高斯拉普拉斯边缘检测算子，I'×J'为红外下采样热图像总的坐标点数，|·|为取绝对值操作，δLoG为LoG图像最大值的0.1倍；
通过最小化梯度域导向滤波代价函数
Figure FDA00032591740300000813
得到
Figure FDA00032591740300000814
和
Figure FDA00032591740300000815
的计算公式为：
Figure FDA00032591740300000816
Figure FDA00032591740300000817
其中
Figure FDA00032591740300000818
和
Figure FDA00032591740300000819
分别表示红外下采样热图像iRdown和下采样粗权重图iPdown在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S2224、同时优化3个代价函数，建立以下多目标优化问题：
Minimize F(ak')＝[Inf.SigE1(ak'),Inf.MinE2(ak'),Inf.NoiE3(ak')]T
其中，ak'为第k个导向滤波窗wk中的线性变换系数，Inf.SigE1(ak')为具有明显梯度变化的红外热图像大尺寸缺陷边缘保留融合代价函数，Inf.MinE2(ak')为尺寸大小和梯度变化不明显的红外热图像微小缺陷细节纹理保留融合代价函数，E3(ak')为红外热图像噪声信息感知和消除代价函数；
步骤S223、利用基于惩罚项的边界交叉法MOEA/D的多目标优化方法，对上述多目标优化问题进行优化，具体方法包括：
步骤S2231、初始化多目标优化相关参数；初始化迭代次数g'＝0，一组均匀分布的权重向量
Figure FDA0003259174030000091
其中，L＝3为多目标导向滤波代价函数总数，
Figure FDA0003259174030000092
找到
Figure FDA0003259174030000093
的邻域
Figure FDA0003259174030000094
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,...,ir3}，
Figure FDA0003259174030000095
是第l个导向滤波代价函数El(ak')对应的红外热图像的融合最优参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始红外热图像融合导向滤波线性变换系数种群；
步骤S2232、基于
Figure FDA0003259174030000096
构造基于惩罚项的边界交叉法对多目标问题进行分解，使得各种群个体在权重向量
Figure FDA0003259174030000097
本身方向的指导上进行进化，其中每个导向滤波线性变换参数的子目标函数适应度值
Figure FDA0003259174030000098
如下：
Figure FDA0003259174030000099
其中，
Figure FDA00032591740300000910
为预设的惩罚因子，
Figure FDA00032591740300000911
和
Figure FDA00032591740300000912
的定义如下：
Figure FDA00032591740300000913
Figure FDA00032591740300000914
步骤S2233、对每个n＝1,...,NP：从
Figure FDA00032591740300000915
的邻域
Figure FDA00032591740300000916
随机选取两个导向滤波线性变换系数种群解，利用遗传算子产生新解ak：若参考点irl＜El(ak)，则更新参考点，l＝1,2,3；
若聚合函数值
Figure FDA0003259174030000101
则更新邻域；删除iAP中所有被F(ak)支配的导向滤波线性变换系数解向量，若iAP中没有导向滤波线性变换系数解向量支配F(ak)，则将F(ak)加入iAP；同时n＝n+1，若n≤NP，则g'＝g'+1；
步骤2234、进化终止判断：若g′≤gmax′，则重复步骤S2233，若g′＞gmax′，则得到多目标导向滤波线性参数最终的前沿近似解集iAP；
步骤S224、基于加权隶属度方案从最优Pareto最优解集iAP中选出拥有最大加权隶属度的折衷解，记录它对应的最优权重向量组
Figure FDA0003259174030000102
这样，就得到了综合多种导向滤波器的最优权重配比，接下来将最优权重参数传递到原始红外热图像融合层。
5.如权利要求3所述的多区域复杂损伤缺陷特征提取融合方法，其特征在于，所述步骤二对大尺寸撞击试件中的每一个检测区域中的一共|C|张典型类型缺陷红外重构图像
Figure FDA0003259174030000103
中每一张进行图像下采样，得到蕴含较低红外热辐射数据量的下采样热图像{Def.(1)Rdown,…,Def.(i)Rdown,…,Def.(|C|)Rdown}，下采样热图像的大小尺寸为M'×N',并基于下采样热图像执行如下的多目标导向滤波权重获取层步骤：
步骤S21、于下采样红外热图像Def.(i)Rdown获取下采样热图像中热幅值融合粗权重图Def.(i)Pdown：
Def.(i)Hdown＝Def.(i)Rdown*L
Def.(i)Sdown＝|Def.(i)Hdown|*GF
其中，L是拉普拉斯滤波器；|Def.(i)Hdown|为高通热图像的绝对值，GF是一个高斯低通滤波器，基于下列公式得到第i次检测区域的典型类型缺陷下采样热图像中热幅值融合粗权重图Def.(i)Pdown：
Figure FDA0003259174030000104
Figure FDA0003259174030000105
其中，
Figure FDA0003259174030000106
为下采样粗权重图Def.(i)Pdown的各个位置坐标的热幅值融合权重值，
Figure FDA0003259174030000107
为Def.(i)Pdown的第k个坐标点的热幅值融合权重值，
Figure FDA0003259174030000108
是热幅值显著性特征图Def.(i)Sdown中第k个坐标点对应的辐射显著性水平值，k＝1,...,M′×N′；
步骤S22、基于下采样热图像{Def.(1)Rdown,…,Def.(i)Rdown,…,Def.(|C|)Rdown}和下采样融合粗权重图{Def.(1)Pdown,…,Def.(i)Pdown,…,Def.(|C|)Pdown}进行多目标优化导向滤波，获取Pareto最优权重向量，具体方法包括：
步骤S221、进行多目标导向滤波的滤波输入和滤波输出关系建模；以第i次检测区域的典型类型缺陷红外下采样热图像Def.(i)Rdown为引导图像，以下采样热幅值融合粗权重图Def.(i)Pdown为输入图像，进行多目标导向滤波，在多目标导向滤波时，定义导向滤波窗wk为引导图像，也就是下采样红外热图像Def.(i)Rdown中的以第k个坐标点
Figure FDA0003259174030000111
为中心的局部矩形窗口，其大小尺寸为(2r+1)×(2r+1)，k＝1,...,M′×N′；则多目标导向滤波的输入输出关系为：
Figure FDA0003259174030000112
其中，
Figure FDA0003259174030000113
表示以红外下采样热图像Def.(i)Rdown为引导图像，以下采样热幅值融合粗权重图Def.(i)Pdown为输入图像进行多目标引导滤波得到的第i次检测区域的典型类型缺陷下采样输出图像Def.(i)Odown的第n个坐标点对应的导向滤波输出值；
Figure FDA0003259174030000114
为Def.(i)Rdown的第n个坐标点对应的下采样重构图像热幅值，n＝1,...,M′×N′；ak和bk表示以
Figure FDA0003259174030000115
为中心的导向滤波窗wk内的线性变换参数；
步骤S222、为了获取各个红外检测区域典型缺陷类型的各个重构热图像各个坐标对应的热幅值的融合最优权重值，对导向滤波的线性变换参数ak和bk进行多目标优化问题建模，具体方法包括：
步骤S2221、基于下采样热幅值融合粗权重图Def.(i)Pdown和红外下采样热图像Def.(i)Rdown，定义各个坐标点位置上的红外大型尺寸缺陷边缘特征感知加权导向滤波代价函数
Figure FDA0003259174030000116
Figure FDA0003259174030000117
其中，
Figure FDA0003259174030000118
和
Figure FDA0003259174030000119
为由大尺寸缺陷感知滤波代价函数决定的最优线性变换系数；
Figure FDA00032591740300001110
为权重图Def.(i)Pdown的第n个坐标点对应的热辐射融合权重值；ε为正则化因子；
Figure FDA00032591740300001111
是边缘感知权重因子，其定义如下：
Figure FDA0003259174030000121
其中，
Figure FDA0003259174030000122
表示下采样红外热图像Def.(i)Rdown中，以
Figure FDA0003259174030000123
坐标点为中心的3×3窗口中的各坐标点对应的热辐射值的方差，ζ是一个非常小的常量，其大小为(0.001×DR(Def.(i)Pdown))2，DR(·)为图像的动态范围，通过最小化代价函数得到如下的最优线性变换系数的表达式：
Figure FDA0003259174030000124
Figure FDA0003259174030000125
其中，
Figure FDA0003259174030000126
表示表示下采样红外热图像Def.(i)Rdown和下采样热幅值融合粗权重图Def.(i)Pdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，
Figure FDA0003259174030000127
是矩阵的哈达马积，
Figure FDA0003259174030000128
和
Figure FDA0003259174030000129
分别表示下采样红外热图像Def.(i)Rdown和下采样融合粗权重图Def.(i)Pdown在矩形窗wk内的均值，
Figure FDA00032591740300001210
表示采样红外热图像Def.(i)Rdown在矩形窗wk内的各坐标点对应的热幅值方差；
步骤S2222、基于下采样热幅值融合粗权重图Def.(i)Pdown和红外下采样热图像Def.(i)Rdown，定义各个坐标点位置上的梯度域红外细小尺寸缺陷细节纹理导向滤波代价函数
Figure FDA00032591740300001211
Figure FDA00032591740300001212
其中，
Figure FDA00032591740300001213
和
Figure FDA00032591740300001214
为由梯度域细微缺陷细节纹理导向滤波代价函数决定的最优线性变换系数；ε为正则化因子；νk为调整ak的因子；
Figure FDA00032591740300001215
为梯度域多窗口边缘感知权重，其定义如下：
Figure FDA00032591740300001216
Figure FDA00032591740300001217
表示下采样红外热图像Def.(i)Rdown中，以
Figure FDA00032591740300001218
坐标点为中心的导向滤波窗wk内的各坐标点对应的热幅值标准差，νk的定义如下：
Figure FDA00032591740300001219
其中，η为
Figure FDA0003259174030000131
Figure FDA0003259174030000132
表示下采样红外热图像Def.(i)Rdown中，以Def.(i)Rdown坐标点为中心的3×3窗口中的各坐标点对应的热幅值标准差，
Figure FDA0003259174030000133
表示下采样红外热图像Def.(i)Rdown中，以
Figure FDA0003259174030000134
坐标点为中心的导向滤波矩形窗wn内的各坐标点对应的热幅值标准差，n∈M′×N′；
通过最小化梯度域导向滤波代价函数
Figure FDA0003259174030000135
得到
Figure FDA0003259174030000136
和
Figure FDA0003259174030000137
的计算公式为：
Figure FDA0003259174030000138
Figure FDA0003259174030000139
其中，
Figure FDA00032591740300001310
表示表示下采样红外热图像Def.(i)Rdown和下采样热幅值融合粗权重图Def.(i)Pdown的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，νk为调整ak的因子；
步骤S2223、基于下采样热幅值融合粗权重图Def.(i)Pdown和红外下采样热图像Def.(i)Rdown，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure FDA00032591740300001311
Figure FDA00032591740300001312
其中，
Figure FDA00032591740300001313
和
Figure FDA00032591740300001314
为由局部LoG算子空间噪声导向滤波代价函数决定的最优线性变换系数；ε为正则化因子；
Figure FDA00032591740300001315
为局部LoG边缘权重因子，其定义如下：
Figure FDA00032591740300001316
其中，LoG(·)为高斯拉普拉斯边缘检测算子，M'×N'为红外下采样热图像总的坐标点数，|·|为取绝对值操作，δLoG为LoG图像最大值的0.1倍；通过最小化梯度域导向滤波代价函数
Figure FDA00032591740300001317
得到
Figure FDA00032591740300001318
和
Figure FDA00032591740300001319
的计算公式为：
Figure FDA0003259174030000141
Figure FDA0003259174030000142
其中
Figure FDA0003259174030000143
和
Figure FDA0003259174030000144
分别表示红外下采样热图像Def.(i)Rdown和下采样粗权重图Def.(i)Pdown在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S2224、同时优化3个代价函数，建立以下多目标优化问题：
Minimize F(ak')＝[Inf.SigE1(ak'),Inf.MinE2(ak'),Inf.NoiE3(ak')]T
其中，ak'为第k个导向滤波窗wk中的线性变换系数，Inf.SigE1(ak')为具有明显梯度变化的红外热图像大尺寸缺陷边缘保留融合代价函数，Inf.MinE2(ak')为尺寸大小和梯度变化不明显的红外热图像微小缺陷细节纹理保留融合代价函数，E3(ak')为红外热图像噪声信息感知和消除代价函数；
步骤S223、利用基于惩罚项的边界交叉法MOEA/D的多目标优化方法，对多目标优化问题进行优化，具体方法包括：
步骤S2231、初始化多目标优化相关参数，初始化迭代次数g'＝0，一组均匀分布的权重向量
Figure FDA0003259174030000145
其中，L＝3为多目标导向滤波代价函数总数，
Figure FDA0003259174030000146
找到
Figure FDA0003259174030000147
的邻域
Figure FDA0003259174030000148
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，
Figure FDA0003259174030000149
是第l个导向滤波代价函数El(ak')对应的红外热图像的融合最优参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始红外热图像融合导向滤波线性变换系数种群；
步骤S2232、基于
Figure FDA00032591740300001410
构造基于惩罚项的边界交叉法下每个导向滤波线性变换参数的子目标函数适应度值
Figure FDA00032591740300001411
Figure FDA00032591740300001412
其中，
Figure FDA00032591740300001413
为预设的惩罚因子，
Figure FDA00032591740300001414
和
Figure FDA00032591740300001415
的定义如下：
Figure FDA0003259174030000151
Figure FDA0003259174030000152
步骤S2233、对每个n＝1,…,NP：从
Figure FDA0003259174030000153
的邻域
Figure FDA0003259174030000154
随机选取两个红外热图像融合导向滤波线性变换系数种群解，利用遗传算子产生新解ak：若参考点irl＜El(ak)，则更新参考点，l＝1,...,3；若聚合函数值
Figure FDA0003259174030000155
则更新邻域；删除iAP中所有被F(ak)支配的导向滤波线性变换系数解向量，若iAP中没有导向滤波线性变换系数解向量支配F(ak)，则将F(ak)加入iAP；同时n＝n+1，若n≤NP，则g'＝g'+1
步骤S2234、进化终止判断：若g′≤gmax′，则重复步骤S2233，若g′＞gmax′，则得到多目标导向滤波线性参数最终的前沿近似解集iAP；
步骤S224、基于加权隶属度方案从最优Pareto最优解集iAP中选出拥有最大加权隶属度的折衷解，记录它对应的最优权重向量组
Figure FDA0003259174030000156
这样就得到了综合多种导向滤波器的最优权重配比，接下来将最优权重参数传递到原始红外热图像融合层。
6.如权利要求4所述的多区域复杂损伤缺陷特征提取融合方法，其特征在于，所述步骤三将多目标最优权重配比参数传递至原始尺度红外热图像融合层进行多目标导向滤波红外热图像融合，具体方法包括：
步骤S31、将除开背景区域的每一张原始红外热重构图像分解成一张基础层红外热图像{1B,…,iB,…,|C|-1B}和一张细节层红外热图像{1D,…,iD,…,|C|-1D}；以第i(i＝1,…,|C|-1)张缺陷区域重构热图像iR为例，利用下列公式得到iR的基础层红外热图像iB和细节层红外热图像iD：
iB＝iR*Z
iD＝iR-iB
其中，Z为均值滤波器；
步骤S32、基于下列公式得到原始红外热重构图像层面上的粗权重图iP
iH＝iR*L
iS＝|iH|*GF
其中，L是拉普拉斯滤波器，GF是一个高斯低通滤波器，基于下列公式得到热幅值融合粗权重图iP：
iP＝{iP1,…,iPk,…,iPI×J},
Figure FDA0003259174030000161
其中，{iP1,…,iPk,…,iPI×J}为粗权重图iP的各个位置坐标的热幅值融合权重值，iPk为iP的第k个坐标点的热幅值融合权重值，iSk是热幅值显著性特征图iS中第k个坐标点对应的辐射显著性水平值，k＝1,...,I×J；
步骤S33、基于
Figure FDA0003259174030000162
获取原红外热重构图像层面的多目标导向滤波最优滤波算子MOGFr,ε(P,R)，其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合粗权重图像，R为红外重构图像；输入权重获取层得到的最优权重参数
Figure FDA0003259174030000163
将得到的最优权重向量传递到原红外热重构图像多目标导向滤波层，得到多目标导向滤波最终代价函数E4为：
Figure FDA0003259174030000164
代入具体函数形式可得最终的线性变换系数ak的最终表达式为：
Figure FDA0003259174030000165
其中，
Figure FDA0003259174030000166
表示重构图像R在矩形导向滤波窗wk内的像素值方差，μk,P表示热幅值融合粗权重图像P在矩形窗wk内的像素点均值，μk,R表示重构热图像R在矩形窗wk内的像素点均值，
Figure FDA0003259174030000167
表示构热图像R和粗权重图像P的哈达马积在矩形窗wk内的像素点均值；
则线性变换系数bk的最终表达式为：
bk＝μk,P-akμk,I
为了保证线性变换系数在不同导向滤波窗口中的一致性，将线性变换系数ak和bk作以下修正：
Figure FDA0003259174030000168
Figure FDA0003259174030000169
其中，|wn|为以第n个坐标为中心的导向滤波窗内的坐标点数量；基于线性变换系数ak和bk的修正形式，得到最终多目标导向滤波算子的表达式如下：
Figure FDA0003259174030000171
其中，iOn为多目标导向滤波的输出图像中的第n个坐标点对应的热幅值；将利用得到的多目标最优线性变换系数得到多目标导向滤波算子进行滤波的操作记为MOGFr,ε(P,R)，其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合粗权重图像，R为红外重构图像；
步骤S34、利用多目标优化得到的最优导向滤波算子MOGFr,ε(P,R)对得到的原始热图像层面上的热幅值融合粗权重图进行多目标导向滤波，以得到修正后的基础层和细节层的热幅值融合权重图像：
Figure FDA0003259174030000172
Figure FDA0003259174030000173
其中iWB和iWD为融合粗权重图经多目标导向滤波后的第i张基础层热幅值融合精修权重值图和第i张细节层热辐射值融合精修权重值图，iP为第i张热辐射值融合粗权重图，iR为第i张重构热图像，r1,ε1,r2,ε2分别为对应的导向滤波器的参数，最后将精修后的热幅值融合权重图经过归一化处理；
步骤S35、基于得到的精修后的细节层热幅值融合权重图{1WD,2WD,…,|C|-1WD}和基础层热幅值融合权重图{1WB,2WB,…,|C|-1WB}，将除开背景区域的不同缺陷区域热重构图像间的细节层热图像信息和基础层热图像信息进行融合，得到融合了多张重构热图像有效信息的基础层热图像和细节层热图像：
Figure FDA0003259174030000174
Figure FDA0003259174030000175
最后结合加权平均后的基础层热图像和细节层热图像得到最终融合检测红外热图像：
Figure FDA0003259174030000176
这样，就得到融合了多张重构热图像缺陷有效信息的，并且同时考虑了各个热图像中的大尺寸缺陷的保留需求和微小缺陷的细节纹理保留需求以及整体噪声消除保留需求的多目标导向滤波融合图像；将同时融合了多种复杂类型缺陷特征的高质量红外重构融合图像F输入红外热图像分割和缺陷定量分析步骤从而进一步提取各类缺陷的定量特征信息。
7.如权利要求3所述的多区域复杂损伤缺陷特征提取融合方法，其特征在于，所述步骤三基于多目标最优权重配比参数
Figure FDA0003259174030000181
在原红外热重构图像层面进行多目标导向滤波融合算法，具体方法包括：
步骤S31、对大尺寸撞击试件中的每一个检测区域中的一共|C|张典型类型缺陷红外重构图像{Def.(1)R,…,Def.(i)R,…,Def.(|C|)R}中的每一张分解成一张基础层红外热图像{Inf.Base[Def.(1)],...,Inf.Base[Def.(i)],...,Inf.Base[Def.(|C|)]}和一张细节层红外热图像{Inf.Detail[Def.(1)],...,Inf.Detail[Def.(i)],...,Inf.Detail[Def.(|C|)]}；以第i张检测区域典型类型缺陷重构热图像Def.(i)R为例，利用下列公式得到Def.(i)R的典型类型缺陷基础层红外热图像Inf.Base[Def.(i)]和细节层红外热图像和Inf.Detail[Def.(i)],：
Inf.Base[Def.(i)]＝Def.(i)R*Z
Inf.Detail[Def.(i)]＝Def.(i)R-Inf.Base[Def.(i)]
其中，Z为均值滤波器；
步骤S32、基于下列公式得到初始的热辐射粗融合权重图：
Def.(i)H＝Def.(i)R*L
Def.(i)S＝|Def.(i)H|*GF
其中，L是拉普拉斯滤波器，GF是一个高斯低通滤波器，基于下列公式得到热幅值融合粗权重图Def.(i)P：
Def.(i)P＝{Def.(i)P1,…,Def.(i)Pk,…,Def.(i)PM×N},
Figure FDA0003259174030000182
其中，{Def.(i)P1,…,Def.(i)Pk,…,Def.(i)PM×N}为粗权重图Def.(i)P的各个位置坐标的热幅值融合权重值，Def.(i)Pk为Def.(i)P的第k个坐标点的热幅值融合权重值，Def.(i)Sk是热幅值显著性特征图Def.(i)S中第k个坐标点对应的辐射显著性水平值，k＝1,...,M×N；
步骤S33、基于
Figure FDA0003259174030000183
获取原红外热重构图像层面的多目标导向滤波最优滤波算子MOGFr,ε(P,R)，其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合粗权重图像，R为红外重构图像；
输入权重获取层得到的最优权重参数
Figure FDA0003259174030000184
将得到的最优权重向量传递到原红外热重构图像多目标导向滤波层，得到多目标导向滤波最终代价函数E4为：
Figure FDA0003259174030000191
代入具体函数形式可得最终的线性变换系数ak的最终表达式为：
Figure FDA0003259174030000192
其中，
Figure FDA0003259174030000193
表示重构图像R在矩形导向滤波窗wk内的像素值方差，μk,P表示热幅值融合粗权重图像P在矩形窗wk内的像素点均值，μk,R表示重构热图像R在矩形窗wk内的像素点均值，
Figure FDA0003259174030000194
表示构热图像R和粗权重图像P的哈达马积在矩形窗wk内的像素点均值；
则线性变换系数bk的最终表达式为：
bk＝μk,P-akμk,I
为了保证线性变换系数在不同导向滤波窗口中的一致性，将线性变换系数ak和bk作以下修正：
Figure FDA0003259174030000195
Figure FDA0003259174030000196
其中，|wn|为以第n个坐标为中心的导向滤波窗内的坐标点数量，最终多目标导向滤波算子的表达式如下：
Figure FDA0003259174030000197
其中，Def.(i)Rn为多目标导向滤波的输出图像中的第n个坐标点对应的热幅值融合精修权重值；将利用得到的多目标最优线性变换系数对第i个红外检测区域红外热重构图像的权重图进行多目标导向滤波算子进行滤波的操作记为
Figure FDA0003259174030000198
其中r为导向滤波窗大小，ε为正则化参数，P为热幅值融合粗权重图像，R为红外重构图像；
步骤S34、利用多目标优化得到的最优导向滤波算子
Figure FDA0003259174030000199
对得到第i个红外检测区域红外热重构图像的热幅值融合粗权重图进行多目标导向滤波，以得到修正后的基础层和细节层的热幅值融合权重图像：
Figure FDA00032591740300001910
Figure FDA0003259174030000201
其中WM.Base[Def.(i)]和WM.Detail[Def.(i)]为融合粗权重图经多目标导向滤波后的第i个红外检测区域典型类型缺陷红外热重构图像的基础层热幅值融合精修权重值图和第i个红外检测区域红外热重构图像的细节层热辐射值融合精修权重值图，Def.(i)P为第i个红外检测区域红外热重构图像的热辐射值融合粗权重图，Def.(i)R为第i个红外检测区域的红外热重构图像，r1,ε1,r2,ε2分别为对应的导向滤波器的参数，最后将精修后的热幅值融合权重图经过归一化处理；
步骤S35、基于得到的精修后的各个红外检测区域中典型类型缺陷的细节层热幅值融合权重图{WM.Detail[Def.(1)],...,WM.Detail[Def.(i)],...,WM.Detail[Def.(|C|)]}和基础层热幅值融合权重图{Inf.Base[Def.(1)],...,Inf.Base[Def.(i)],...,Inf.Base[Def.(|C|)]}，将大尺寸试件中不同检测次数中的不同区域典型类型缺陷热重构图像间的细节层热图像信息和基础层热图像信息进行融合，得到融合了多张多检测区域重构热图像有效信息的基础层热图像和细节层热图像：
Figure FDA0003259174030000202
Figure FDA0003259174030000203
最后结合加权平均后的基础层热图像和细节层热图像得到最终融合检测红外热图像：
Figure FDA0003259174030000204
这样，就得到融合了大尺寸试件多个红外检测区域典型类型缺陷的重构热图像缺陷有效信息的红外检测融合热图像；红外融合热图像利用多目标优化算法综合了多种导向滤波器的优良特性，将多次红外检测，不同区域的典型类型缺陷融合在一起，实现了大尺寸压力容器缺陷的高质量同时成像；将同时融合了多个检测区域缺陷典型特征的高质量红外重构融合图像F输入红外热图像分割和缺陷定量分析步骤从而进一步提取各类缺陷的定量特征信息。
CN202111068214.9A 2021-09-13 2021-09-13 一种损伤缺陷特征提取融合方法 Active CN113781445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111068214.9A CN113781445B (zh) 2021-09-13 2021-09-13 一种损伤缺陷特征提取融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111068214.9A CN113781445B (zh) 2021-09-13 2021-09-13 一种损伤缺陷特征提取融合方法

Publications (2)

Publication Number Publication Date
CN113781445A true CN113781445A (zh) 2021-12-10
CN113781445B CN113781445B (zh) 2023-05-05

Family

ID=78842979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111068214.9A Active CN113781445B (zh) 2021-09-13 2021-09-13 一种损伤缺陷特征提取融合方法

Country Status (1)

Country Link
CN (1) CN113781445B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549448A (zh) * 2022-02-17 2022-05-27 中国空气动力研究与发展中心超高速空气动力研究所 一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法
CN114693577A (zh) * 2022-04-20 2022-07-01 合肥工业大学 一种基于Transformer的红外偏振图像融合方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884716A (zh) * 2021-01-28 2021-06-01 中国空气动力研究与发展中心超高速空气动力研究所 一种超高速撞击损伤区域特征强化方法
US20210209410A1 (en) * 2018-09-21 2021-07-08 Changxin Memory Technologies, Inc. Method and apparatus for classification of wafer defect patterns as well as storage medium and electronic device
CN113793318A (zh) * 2021-09-13 2021-12-14 中国空气动力研究与发展中心超高速空气动力研究所 一种多区域复杂损伤缺陷特征综合分析方法
CN114266982A (zh) * 2021-11-11 2022-04-01 西安电子科技大学 一种网络参数和结构协同优化的sar图像变化检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210209410A1 (en) * 2018-09-21 2021-07-08 Changxin Memory Technologies, Inc. Method and apparatus for classification of wafer defect patterns as well as storage medium and electronic device
CN112884716A (zh) * 2021-01-28 2021-06-01 中国空气动力研究与发展中心超高速空气动力研究所 一种超高速撞击损伤区域特征强化方法
CN113793318A (zh) * 2021-09-13 2021-12-14 中国空气动力研究与发展中心超高速空气动力研究所 一种多区域复杂损伤缺陷特征综合分析方法
CN114266982A (zh) * 2021-11-11 2022-04-01 西安电子科技大学 一种网络参数和结构协同优化的sar图像变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANGYANG REN 等: "Adaptive parameters optimization model with 3D information extraction for infrared small target detection based on particle swarm optimization algorithm", INFRARED PHYSICS & TECHNOLOGY *
朱浩然: "多波段夜视成像与可见光图像融合恢复技术研究", 中国博士学位论文全文数据库 (信息科技辑) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549448A (zh) * 2022-02-17 2022-05-27 中国空气动力研究与发展中心超高速空气动力研究所 一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法
CN114549448B (zh) * 2022-02-17 2023-08-11 中国空气动力研究与发展中心超高速空气动力研究所 一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法
CN114693577A (zh) * 2022-04-20 2022-07-01 合肥工业大学 一种基于Transformer的红外偏振图像融合方法
CN114693577B (zh) * 2022-04-20 2023-08-11 合肥工业大学 一种基于Transformer的红外偏振图像融合方法

Also Published As

Publication number Publication date
CN113781445B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN113793318B (zh) 一种多区域复杂损伤缺陷特征综合分析方法
CN109767438B (zh) 一种基于动态多目标优化的红外热图像缺陷特征识别方法
CN113763367B (zh) 一种大尺寸试件红外检测特征综合判读方法
CN112819775B (zh) 一种航空航天复合材料损伤检测图像的分割强化方法
CN113781445A (zh) 一种多区域复杂损伤缺陷特征提取融合方法
CN109767437B (zh) 基于k均值动态多目标的红外热图像缺陷特征提取方法
CN109598711B (zh) 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN112818822B (zh) 一种航空航天复合材料损伤区域自动识别方法
CN109559309B (zh) 基于均匀进化的多目标优化红外热图像缺陷特征提取方法
CN112102229A (zh) 一种基于深度学习的工业ct检测缺陷的智能识别方法
CN109816638B (zh) 基于动态环境特征和加权贝叶斯分类器的缺陷提取方法
CN113763368B (zh) 一种大尺寸试件多类型损伤检测特征分析方法
Zhai et al. A generative adversarial network based framework for unsupervised visual surface inspection
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
Xu et al. D4Net: De-deformation defect detection network for non-rigid products with large patterns
Mollajan et al. Improving pore type identification from thin section images using an integrated fuzzy fusion of multiple classifiers
CN109872319B (zh) 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN112396580B (zh) 一种圆形零件缺陷检测方法
CN109636781B (zh) 一种基于特征挖掘和加权贝叶斯分类器的缺陷提取方法
CN104050489B (zh) 一种基于多核最优化的合成孔径雷达自动目标识别方法
CN109816651B (zh) 基于变化率与温度差异的热图像缺陷特征提取方法
Naddaf-Sh et al. Next-generation of weld quality assessment using deep learning and digital radiography
CN109886930B (zh) 基于变化率与温度差异的热图像缺陷特征提取方法
Yang et al. Steel Surface Defect Detection Based on SSAM-YOLO
CN110223274B (zh) 一种基于乘性模糊的红外技术缺陷重构与特征提取方法

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