CN113793318B - 一种多区域复杂损伤缺陷特征综合分析方法 - Google Patents

一种多区域复杂损伤缺陷特征综合分析方法 Download PDF

Info

Publication number
CN113793318B
CN113793318B CN202111069275.7A CN202111069275A CN113793318B CN 113793318 B CN113793318 B CN 113793318B CN 202111069275 A CN202111069275 A CN 202111069275A CN 113793318 B CN113793318 B CN 113793318B
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.)
Active
Application number
CN202111069275.7A
Other languages
English (en)
Other versions
CN113793318A (zh
Inventor
黄雪刚
谭旭彤
殷春
石安华
雷光钰
覃金贵
李毅
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 CN202111069275.7A priority Critical patent/CN113793318B/zh
Publication of CN113793318A publication Critical patent/CN113793318A/zh
Application granted granted Critical
Publication of CN113793318B publication Critical patent/CN113793318B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种多区域复杂损伤缺陷特征综合分析方法，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；将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；利用多目标优化导向滤波分别获取各基础层红外热图像之间的热幅值融合权重图和细节层红外热图像之间的热幅值融合权重图；将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。本发明提升了算法在应对复杂缺陷类型判别的准确性，解决了单张检测图像缺陷不完备的问题，提升了融合图像的缺陷边缘清晰度和对比度。

Description

一种多区域复杂损伤缺陷特征综合分析方法
技术领域
本发明属于缺陷检测技术领域，更具体地说，本发明涉及一种基于结合多目标优化和导向滤波的多区域复杂损伤缺陷特征综合分析方法。
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，在利用基于动态建模的Chameleon聚类算法进一步提升聚类质量和准确性后，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，本发明在此基础上，引入了基于惩罚项的多目标优化和导向滤波的图像融合技术，以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。基于分解的多目标优化方法能够使得各个前沿近似解集中的解受权重向量的指导沿着一定方向朝真实Pareto前沿解集PF进化。但切比雪夫分解方法由于解的进化方向不是沿着权重向量本身所在的直线进化，因此在面对高于二维的多目标优化问题时难以得到均匀的近似前沿面解集。本发明引入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，从而提高缺陷红外热图像的融合质量。结合多目标优化和导向滤波的技术，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，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综合分析方法，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、大尺寸撞击试件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；
步骤三、基于红外热重构图像获取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；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最优解集中选出热幅值融合粗权重图多目标导向滤波Pareto最优线性变换参数；基于多目标优化选择出来的多目标导向滤波Pareto最优线性变换参数；基于Pareto最优线性变换参数，得到多目标导向滤波最终线性变换参数的表达式；利用多目标优化得到的最优导向滤波算子对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，最后将精修后的热幅值融合权重图进行归一化处理；
步骤四、基于得到的精修后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；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热图像序列中获取重构图像的具体方法还包括：
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，其中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、利用基于动态建模的Chameleon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，基于瞬态热响应集X(g)构造K-最近邻图Gk，并在各个瞬态热响应以及它邻近的k个瞬态热响应数据点间加上带权边；基于最小加权和原则将K-最近邻图Gk划分成大量较小的子簇后，访问和计算每个子簇与邻近的每个簇之间的相对互连度RI和相对近似度RC；计算度量函数值大小作为决定相邻瞬态热响应子簇是否合并的依据，基于子图间的互连性和邻近性采取自底而上的凝聚层级聚类模式反复合并子簇从而形成高质量聚类；动态自适应聚类形成聚类集合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 GDA0004114287810000041
其中
Figure GDA0004114287810000042
为第h个聚类结果X(g)Cluster[h]，h＝1,2,...,|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 GDA0004114287810000043
其中，
Figure GDA0004114287810000044
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,…,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个数据块内的搜索行步长kRSSi和列步长kCSSi，其中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、利用基于动态建模的Chameleon聚类算法将第i个热图像序列Si的瞬态热响应集X(g)中的瞬态热响应自适应聚类；基于瞬态热响应集X(g)构造K-最近邻图Gk，并在各个瞬态热响应以及它邻近的k个瞬态热响应数据点间加上带权边；基于最小加权和原则将K-最近邻图Gk划分成大量较小的子簇后，访问和计算每个子簇与邻近的每个簇之间的相对互连度RI和相对近似度RC；计算度量函数值大小作为决定相邻瞬态热响应子簇是否合并的依据；基于子图间的互连性和邻近性采取自底而上的凝聚层级聚类模式反复合并子簇从而形成高质量聚类，动态自适应聚类形成聚类集合X(g)Cluster[h]，h＝1,2,...,H，其中h表示类别标签，H表示类别总数；
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 GDA0004114287810000051
其中
Figure GDA0004114287810000052
为第h个聚类结果X(g)Cluster[h]，h＝1,2,...,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 GDA0004114287810000053
其中，
Figure GDA0004114287810000054
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，h＝1,...,H-1；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，所述步骤二将各个缺陷区域红外热图像分解成基础层红外热图像和细节层红外热图像的具体方法为：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}中每一张进行图像分解，将每一张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张缺陷区域重构热图像iR为例，i＝1,...,|C|-1，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。
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}中每一张进行图像分解，将每一张重构图像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和细节层红外热图像Inf.Base[Def.(i)]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。
优选的是，其中，所述步骤三利用多目标优化导向滤波分别获取对应的各基础层红外热图像{1B,2B,…,|C|-1B}之间的热幅值融合权重图{1WB,2WB,…,|C|-1WB}和细节层红外热图像{1D,2D,…,|C|-1D}之间的热幅值融合权重图{1WD,2WD,…,|C|-1WD}，具体方法包括：
步骤S31、基于红外重构图像iR获取热幅值融合粗权重图iP；基于下列公式得到初始的热辐射粗融合权重图
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 GDA0004114287810000071
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，k＝1,...,I×J，iSk是热幅值显著性特征图iS中第个坐标点对应的辐射显著性水平值，k＝1,...,I×J；
步骤S32、多目标导向滤波的滤波输入和滤波输出关系建模；以红外重构图像iR为引导图像，以热幅值融合粗权重图iP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，也就是红外重构图像iR中的以第k个坐标点iRk为中心的局部矩形窗口，k＝1,...,I×J，其大小尺寸为(2r+1)×(2r+1)，则多目标导向滤波的输入输出关系为：
iOn＝ak·iRn+bk
其中，iOn表示以红外重构图像iR为引导图像，以热幅值融合粗权重图iP为输入图像进行多目标引导滤波得到的输出图像iO的第n个坐标点对应的导向滤波输出值，n＝1,...,I×J，iRn为iR的第n个坐标点对应的重构图像热幅值，n＝1,...,I×J；ak和bk表示以iRk为中心的导向滤波窗wk内的线性变换参数，k＝1,...,I×J；
步骤S33、为了获取各个重构热图像各个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，具体方法包括：
步骤S331、基于热幅值融合粗权重图iP和红外重构图像iR，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 GDA0004114287810000072
Figure GDA0004114287810000073
其中，
Figure GDA0004114287810000074
和
Figure GDA0004114287810000075
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；iPn为权重图iP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 GDA0004114287810000076
是边缘感知权重因子，其定义如下：
Figure GDA0004114287810000077
其中，
Figure GDA0004114287810000078
表示红外重构图像iR中，以iRk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(iP))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 GDA0004114287810000081
Figure GDA0004114287810000082
其中，
Figure GDA0004114287810000083
表示表示红外重构图像iR和热幅值融合粗权重图iP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 GDA0004114287810000084
是矩阵的哈达马积，
Figure GDA0004114287810000085
和
Figure GDA0004114287810000086
分别表示红外重构图像iR和融合粗权重图iP在矩形窗wk内的均值，
Figure GDA0004114287810000087
表示红外重构图像iR在矩形窗wk内的各坐标点对应的热幅值方差；
步骤S332、基于热幅值融合粗权重图iP和红外重构图像iR，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 GDA0004114287810000088
Figure GDA0004114287810000089
其中，
Figure GDA00041142878100000810
和
Figure GDA00041142878100000811
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 GDA00041142878100000812
为梯度域多窗口边缘感知权重，其定义如下：
Figure GDA00041142878100000813
Figure GDA00041142878100000814
表示红外重构图像iR中，以iRk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 GDA00041142878100000815
其中，η为
Figure GDA00041142878100000816
Figure GDA00041142878100000817
表示红外重构图像iR中，以iRk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 GDA00041142878100000818
表示红外重构图像iR中，以iRk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 GDA00041142878100000819
得到
Figure GDA00041142878100000820
和
Figure GDA00041142878100000821
的计算公式为：
Figure GDA00041142878100000822
Figure GDA0004114287810000091
其中，
Figure GDA0004114287810000092
表示表示红外重构图像iR和热幅值融合粗权重图iP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S333、基于热幅值融合粗权重图iP和红外重构图像iR，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure GDA0004114287810000093
Figure GDA0004114287810000094
其中，
Figure GDA0004114287810000095
和
Figure GDA0004114287810000096
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 GDA0004114287810000097
为局部LoG边缘权重因子，其定义如下：
Figure GDA0004114287810000098
其中，LoG(·)为高斯拉普拉斯边缘检测算子，I×J为红外重构图像总的坐标点数，|·|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 GDA0004114287810000099
得到
Figure GDA00041142878100000910
和
Figure GDA00041142878100000911
的计算公式为：
Figure GDA00041142878100000912
其中
Figure GDA00041142878100000913
和
Figure GDA00041142878100000914
分别表示红外重构图像iR和粗权重图iP在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S334、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S34、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S341、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 GDA00041142878100000915
其中，l＝1,..,3为多目标导向滤波代价函数总数，
Figure GDA00041142878100000916
Figure GDA00041142878100000917
计算每个权重向量之间的欧氏距离；对于每个
Figure GDA0004114287810000101
找到距离
Figure GDA0004114287810000102
最近的T个权重向量作为
Figure GDA0004114287810000103
的邻域
Figure GDA0004114287810000104
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，
Figure GDA0004114287810000105
是第l个导向滤波代价函数El(ak')对应的参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始导向滤波线性变换系数种群；
步骤S342、利用
Figure GDA0004114287810000106
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 GDA0004114287810000107
从而在分解形式上将各种群个体限制在权重向量
Figure GDA0004114287810000108
的方向上进行进化：
Figure GDA0004114287810000109
其中，
Figure GDA00041142878100001010
为预设的惩罚因子，
Figure GDA00041142878100001011
和
Figure GDA00041142878100001012
的定义如下：
Figure GDA00041142878100001013
Figure GDA00041142878100001014
步骤S343、对于分解后的各个单目标子问题，基于它们所对应的权重向量
Figure GDA00041142878100001015
以及各自的邻域
Figure GDA00041142878100001016
按照下列公式计算新的线性变换系数ak'的计算公式：
Figure GDA00041142878100001017
其中
Figure GDA00041142878100001018
和
Figure GDA00041142878100001019
分别为边缘感知加权导向滤波代价函数，梯度域导向滤波的代价函数和LoG算子的导向滤波代价函数得到的最优线性变化系数，基于新的ak'线性变换公式计算线性变换参数bk'：
Figure GDA00041142878100001020
基于新的线性变换参数ak'和bk'，计算和更新多目标优化问题中的各个代价函数值E1(ak′),E2(ak′),E3(ak′)；
步骤S344、基于更新后的新线性变换参数ak'和bk'，以及代价函数值E1(ak′),E2(ak′),E3(ak′)，对
Figure GDA00041142878100001021
若参考点irl＜El(ak′),l＝1,…,3，则更新参考点irl＝El(ak')；
若聚合函数值
Figure GDA0004114287810000111
则更新邻域
Figure GDA0004114287810000112
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S345、进化终止判断：若g′≤gmax′，则重复步骤S343-步骤S344，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S35、基于加权隶属度方案从最优Pareto最优解集iAP中选出第i张热幅值融合粗权重图多目标导向滤波Pareto最优线性变换参数
Figure GDA0004114287810000113
步骤S36、基于多目标优化选择出来的多目标导向滤波Pareto最优线性变换系数
Figure GDA0004114287810000114
计算第i张热幅值融合粗权重图像的多目标导向滤波另一最优线性变换系数
Figure GDA0004114287810000115
计算公式如下：
Figure GDA0004114287810000116
其中，
Figure GDA0004114287810000117
表示红外重构图像iR矩形窗wk内的各坐标点对应的热幅值均值，
Figure GDA0004114287810000118
表示粗权重图iP在矩形窗wk内的各坐标点对应的红外热幅值均值；
步骤S37、基于Pareto最优线性变换系数
Figure GDA0004114287810000119
和
Figure GDA00041142878100001110
得到多目标导向滤波最终线性变换参数的表达式：
Figure GDA00041142878100001111
Figure GDA00041142878100001112
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；基于最终得到的多目标导向滤波最优线性变换参数，得到多目标导向滤波算子的表达式如下：
Figure GDA00041142878100001113
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融合精修权重值；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S38、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 GDA00041142878100001114
Figure GDA0004114287810000121
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。
优选的是，其中，所述步骤三利用多目标优化导向滤波分别获取对应的各基础层红外热图像{Inf.Base[Def.(1)],...,Inf.Base[Def.(i)],...,Inf.Base[Def.(|C′|)]}之间的热幅值融合权重图{WM.Base[Def.(1)],...,WM.Base[Def.(i)],...,WM.Base[Def.(|C′|)]}和细节层红外热图像{Inf.Det ail[Def.(1)],...,Inf.Detail[Def.(i)],...,Inf.Detail[Def.(|C′|)]}之间的热幅值融合权重图{WM.Detai l[Def.(1)],...,WM.Detail[Def.(i)],...,WM.Detail[Def.(|C′|)]}，具体方法包括：
步骤S31、基于红外重构图像Def.(i)R获取热幅值融合粗权重图Def.(i)P；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 GDA0004114287810000122
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S32、进行多目标导向滤波的滤波输入和滤波输出关系建模；以红外重构图像Def.(i)R为引导图像，以热幅值融合粗权重图Def.(i)P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，也就是红外重构图像Def.(i)R中的以第k个坐标点Def.(i)Rk为中心的局部矩形窗口，k＝1,...,M×N，其大小尺寸为(2r+1)×(2r+1)，则多目标导向滤波的输入输出关系为：
Def.(i)On＝ak·Def.(i)Rn+bk
其中，Def.(i)On表示以红外重构图像Def.(i)R为引导图像，n＝1,...,M×N，以热幅值融合粗权重图Def.(i)P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输出图像Def.(i)O的第n个坐标点对应的导向滤波输出值；Def.(i)Rn为Def.(i)R的第n个坐标点对应的重构图像热幅值，n＝1,...,M×N；ak和bk表示以Def.(i)Rk为中心的导向滤波窗wk内的线性变换参数，k＝1,...,M×N；
步骤S33、为了获取各个红外检测区域典型缺陷类型的重构热图像各个对应位置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S331、基于热幅值融合粗权重图Def.(i)P和红外重构图像Def.(i)R，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 GDA0004114287810000131
Figure GDA0004114287810000132
其中，
Figure GDA0004114287810000133
和
Figure GDA0004114287810000134
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；Def.(i)Pn为权重图Def.(i)P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 GDA0004114287810000135
是边缘感知权重因子，其定义如下：
Figure GDA0004114287810000136
其中，
Figure GDA0004114287810000137
表示红外重构图像Def.(i)R中，以Def.(i)Rk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)P))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 GDA0004114287810000138
Figure GDA0004114287810000139
其中，
Figure GDA00041142878100001310
表示表示红外重构图像Def.(i)R和热幅值融合粗权重图Def.(i)P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 GDA00041142878100001311
是矩阵的哈达马积，
Figure GDA00041142878100001312
和
Figure GDA00041142878100001313
分别表示红外重构图像Def.(i)R和融合粗权重图Def.(i)P在矩形窗wk内的均值，
Figure GDA00041142878100001314
表示红外重构图像Def.(i)R在矩形窗wk内的各坐标点对应的热幅值方差；
步骤S332、基于热幅值融合粗权重图Def.(i)P和红外重构图像Def.(i)R，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 GDA00041142878100001315
Figure GDA00041142878100001316
其中，
Figure GDA00041142878100001317
和
Figure GDA00041142878100001318
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 GDA00041142878100001319
为梯度域多窗口边缘感知权重，其定义如下：
Figure GDA0004114287810000141
Figure GDA0004114287810000142
表示红外重构图像Def.(i)R中，以Def.(i)Rk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 GDA0004114287810000143
其中，η为
Figure GDA0004114287810000144
Figure GDA0004114287810000145
表示红外重构图像Def.(i)R中，以Def.(i)Rk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 GDA0004114287810000146
表示红外重构图像Def.(i)R中，以Def.(i)Rk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 GDA0004114287810000147
得到
Figure GDA0004114287810000148
和
Figure GDA0004114287810000149
的计算公式为：
Figure GDA00041142878100001410
Figure GDA00041142878100001411
其中，
Figure GDA00041142878100001412
表示表示红外重构图像Def.(i)R和热幅值融合粗权重图Def.(i)P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S333、基于热幅值融合粗权重图Def.(i)P和红外重构图像Def.(i)R，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure GDA00041142878100001413
Figure GDA00041142878100001414
其中，
Figure GDA00041142878100001415
和
Figure GDA00041142878100001416
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 GDA00041142878100001417
为局部LoG边缘权重因子，其定义如下：
Figure GDA00041142878100001418
其中，LoG(·)为高斯拉普拉斯边缘检测算子，M×N为红外重构图像总的坐标点数，|·|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 GDA00041142878100001419
得到
Figure GDA00041142878100001420
和
Figure GDA00041142878100001421
的计算公式为：
Figure GDA0004114287810000151
Figure GDA0004114287810000152
其中
Figure GDA0004114287810000153
和
Figure GDA0004114287810000154
分别表示红外重构图像Def.(i)R和粗权重图Def.(i)P在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S334、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S34、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S341、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 GDA0004114287810000155
其中，l＝1,...,3为多目标导向滤波代价函数总数，
Figure GDA0004114287810000156
计算每个权重向量之间的欧氏距离；对于每个
Figure GDA0004114287810000157
找到距离
Figure GDA0004114287810000158
最近的T个权重向量作为
Figure GDA0004114287810000159
的邻域
Figure GDA00041142878100001510
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，
Figure GDA00041142878100001511
是第l个导向滤波代价函数El(ak')对应的参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始导向滤波线性变换系数种群；
步骤S342、利用
Figure GDA00041142878100001512
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 GDA00041142878100001513
Figure GDA00041142878100001514
其中，
Figure GDA00041142878100001515
为预设的惩罚因子，
Figure GDA00041142878100001516
和
Figure GDA00041142878100001517
的定义如下：
Figure GDA0004114287810000161
Figure GDA0004114287810000162
步骤S343、对于分解后的各个单目标子问题，基于它们所对应的权重向量
Figure GDA0004114287810000163
以及各自的邻域
Figure GDA0004114287810000164
按照下列公式计算新的线性变换系数ak'的计算公式：
Figure GDA0004114287810000165
其中
Figure GDA0004114287810000166
和
Figure GDA0004114287810000167
分别为边缘感知加权导向滤波代价函数，梯度域导向滤波的代价函数和LoG算子的导向滤波代价函数得到的最优线性变化系数，基于新的ak'线性变换公式计算线性变换参数bk'：
Figure GDA0004114287810000168
基于新的线性变换参数ak'和bk'，计算和更新多目标优化问题中的各个代价函数值E1(ak′),E2(ak′),E3(ak′)；
步骤S344、基于更新后的新线性变换参数ak'和bk'，以及代价函数值E1(ak′),E2(ak′),E3(ak′)，对
Figure GDA0004114287810000169
若参考点irl＜El(ak′),l＝1,…,3，则更新参考点irl＝El(ak')；
若聚合函数值
Figure GDA00041142878100001610
则更新邻域
Figure GDA00041142878100001611
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S345、进化终止判断：若g′≤gmax′，则重复步骤S343～步骤S344，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S35、基于加权隶属度方案从步骤S345的最优Pareto最优解集iAP中选出第i张热幅值融合粗权重图多目标导向滤波Pareto最优线性变换参数
Figure GDA00041142878100001612
步骤S36、基于多目标优化选择出来的多目标导向滤波Pareto最优线性变换系数
Figure GDA00041142878100001613
计算第i张热幅值融合粗权重图像的多目标导向滤波另一最优线性变换系数
Figure GDA00041142878100001614
计算公式如下：
Figure GDA00041142878100001615
其中，
Figure GDA00041142878100001616
表示红外重构图像Def.(i)R矩形窗wk内的各坐标点对应的红外热幅值均值，
Figure GDA00041142878100001617
表示粗权重图Def.(i)P在矩形窗wk内的各坐标点对应的红外热幅值均值；
步骤S37、基于Pareto最优线性变换系数
Figure GDA0004114287810000171
和
Figure GDA0004114287810000172
得到多目标导向滤波最终线性变换参数的表达式：
Figure GDA0004114287810000173
Figure GDA0004114287810000174
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 GDA0004114287810000175
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 GDA0004114287810000176
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S38、利用多目标优化得到的最优导向滤波算子
Figure GDA0004114287810000177
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 GDA0004114287810000178
Figure GDA0004114287810000179
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。
优选的是，其中，所述步骤四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 GDA00041142878100001710
Figure GDA00041142878100001711
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 GDA0004114287810000181
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，所述步骤四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{WM.Base[Def.(1)],...,WM.Base[Def.(i)],...,WM.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红外热图像和细节层红外热图像：
Figure GDA0004114287810000182
Figure GDA0004114287810000183
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 GDA0004114287810000184
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，通过结合了基于动态建模的Chameleon聚类算法，更准确且高质量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。在得到了各个检测区域中典型类缺陷分别的重构热图像后，利用结合了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。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，在基础层和细节层两个尺度上对不同类型缺陷的红外热图像进行融合。利用导向滤波的优良边缘保持特性，在融合图像的同时保留各类缺陷的边缘轮廓和细节信息，提升了多种类型缺陷融合后的图像中的各类缺陷的细节表现能力。同时结合基于惩罚项的多目标优化算法将多种导向滤波器的特定优异性能结合在一起。通过基于惩罚项的边界交叉法，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。通过同时优化3个导向滤波代价函数，并利用加权隶属度方案提取出最优解，基于得到的多目标最优线性变换系数
Figure GDA0004114287810000191
和
Figure GDA0004114287810000192
构造多目标最优导向滤波算子MOGFr,ε(P,R)，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Chameleon聚类算法实现瞬态热响应信息的高质量和更准确的聚类，提高了算法发现复杂聚类的能力，提升了算法在应对复杂缺陷类型判别的准确性。
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多目标优化和导向滤波的图像融合策略。利用导向滤波优良的边缘保持性能来平滑图像的同时保留边缘，提升了融合图像的缺陷边缘清晰度和对比度。基于惩罚项的多目标优化将多种导向滤波器的优势结合在一起，同时加强获得的Pareto最优解的均匀性和应对高维优化目标问题的能力，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Chameleon动态建模的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Chameleon动态建模的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7是实施例1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8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9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10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11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热图像精修基础层图像融合权重图a；
图12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热图像精修基础层图像融合权重图b；
图13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热图像精修细节层图像融合权重图c；
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热图像精修细节层图像融合权重图d；
图15是实施例1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；
图16是实施例2具体实施方式的流程图；
图17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18是实施例2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19是实施例2采用Chameleon动态建模的聚类算法对瞬态热响应集进行分类后的结果图；
图20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21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22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23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24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25外重构热图像；
图25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26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27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热图像精修基础层图像融合权重图e；
图28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热图像精修基础层图像融合权重图f；
图29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热图像精修细节层图像融合权重图g；
图30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热图像精修细节层图像融合权重图h；
图31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。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
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综合分析方法，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、利用基于动态建模的Chameleon聚类算法将第i个热图像序列Si的瞬态热响应集X(g)中的瞬态热响应自适应聚类；基于瞬态热响应集X(g)构造K-最近邻图Gk，并在各个瞬态热响应以及它邻近的k个瞬态热响应数据点间加上带权边；基于最小加权和原则将K-最近邻图Gk划分成大量较小的子簇后，访问和计算每个子簇与邻近的每个簇之间的相对互连度RI和相对近似度RC；计算度量函数值大小作为决定相邻瞬态热响应子簇是否合并的依据；基于子图间的互连性和邻近性采取自底而上的凝聚层级聚类模式反复合并子簇从而形成高质量聚类，动态自适应聚类形成聚类集合X(g)Cluster[h],h＝1,2,...,H，其中h表示类别标签，H表示类别总数；
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 GDA0004114287810000221
其中
Figure GDA0004114287810000222
为第h个聚类结果|X(g)Cluster[h]|，h＝1,2,...,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 GDA0004114287810000223
其中，
Figure GDA0004114287810000224
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，h＝1,...,H-1；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所有类型缺陷重构热图像。然后计算当前区域中所有类型缺陷重构热图像的SSIM值，然后基于结构相似度SSIM最大原则选取各个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}中每一张进行图像分解，将每一张重构图像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和细节层红外热图像Inf.Base[Def.(i)]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。
步骤三、利用多目标优化导向滤波分别获取对应的各基础层红外热图像{Inf.Base[Def.(1)],...,Inf.Base[Def.(i)],...,Inf.Base[Def.(|C′|)]}之间的热幅值融合权重图{WM.Base[Def.(1)],...,WM.Base[Def.(i)],...,WM.Base[Def.(|C′|)]}和细节层红外热图像{Inf.Detail[Def.(1)],...,Inf.Detail[Def.(i)],...,Inf.Detail[Def.(|C′|)]}之间的热幅值融合权重图{WM.Detail[Def.(1)],...,WM.Detail[Def.(i)],...,WM.Detail[Def.(|C′|)]}，具体方法包括：
步骤S31、基于红外重构图像Def.(i)R获取热幅值融合粗权重图Def.(i)P；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 GDA0004114287810000241
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S32、进行多目标导向滤波的滤波输入和滤波输出关系建模；以红外重构图像Def.(i)R为引导图像，以热幅值融合粗权重图Def.(i)P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，也就是红外重构图像Def.(i)R中的以第k个坐标点Def.(i)Rk,(k＝1,…,M×N)为中心的局部矩形窗口，其大小尺寸为(2r+1)×(2r+1)，则多目标导向滤波的输入输出关系为：
Def.(i)On＝ak·Def.(i)Rn+bk
其中，Def.(i)On,(n＝1,…,M×N)表示以红外重构图像Def.(i)R为引导图像，以热幅值融合粗权重图Def.(i)P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输出图像Def.(i)O的第n个坐标点对应的导向滤波输出值；Def.(i)Rn,(n＝1,…,M×N)为Def.(i)R的第n个坐标点对应的重构图像热幅值；ak和bk表示以Def.(i)Rk,(k＝1,…,M×N)为中心的导向滤波窗wk内的线性变换参数；
步骤S33、为了获取各个红外检测区域典型缺陷类型的重构热图像各个对应位置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S331、基于热幅值融合粗权重图Def.(i)P和红外重构图像Def.(i)R，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 GDA0004114287810000242
Figure GDA0004114287810000243
其中，
Figure GDA0004114287810000244
和
Figure GDA0004114287810000245
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；Def.(i)Pn为权重图Def.(i)P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 GDA0004114287810000246
是边缘感知权重因子，其定义如下：
Figure GDA0004114287810000247
其中，
Figure GDA0004114287810000248
表示红外重构图像Def.(i)R中，以Def.(i)Rk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)P))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 GDA0004114287810000251
Figure GDA0004114287810000252
其中，
Figure GDA0004114287810000253
表示表示红外重构图像Def.(i)R和热幅值融合粗权重图Def.(i)P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 GDA0004114287810000254
是矩阵的哈达马积，
Figure GDA0004114287810000255
和
Figure GDA0004114287810000256
分别表示红外重构图像Def.(i)R和融合粗权重图Def.(i)P在矩形窗wk内的均值，
Figure GDA0004114287810000257
表示红外重构图像Def.(i)R在矩形窗wk内的各坐标点对应的热幅值方差；
步骤S332、基于热幅值融合粗权重图Def.(i)P和红外重构图像Def.(i)R，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 GDA0004114287810000258
Figure GDA0004114287810000259
其中，
Figure GDA00041142878100002510
和
Figure GDA00041142878100002511
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 GDA00041142878100002512
为梯度域多窗口边缘感知权重，其定义如下：
Figure GDA00041142878100002513
Figure GDA00041142878100002514
表示红外重构图像Def.(i)R中，以Def.(i)Rk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 GDA00041142878100002515
其中，η为
Figure GDA00041142878100002516
Figure GDA00041142878100002517
表示红外重构图像Def.(i)R中，以Def.(i)Rk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 GDA00041142878100002518
表示红外重构图像Def.(i)R中，以Def.(i)Rk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 GDA00041142878100002519
得到
Figure GDA00041142878100002520
和
Figure GDA00041142878100002521
的计算公式为：
Figure GDA0004114287810000261
Figure GDA0004114287810000262
其中，
Figure GDA0004114287810000263
表示表示红外重构图像Def.(i)R和热幅值融合粗权重图Def.(i)P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S333、基于热幅值融合粗权重图Def.(i)P和红外重构图像Def.(i)R，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure GDA0004114287810000264
Figure GDA0004114287810000265
其中，
Figure GDA0004114287810000266
和
Figure GDA0004114287810000267
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 GDA0004114287810000268
为局部LoG边缘权重因子，其定义如下：
Figure GDA0004114287810000269
其中，LoG(·)为高斯拉普拉斯边缘检测算子，M×N为红外重构图像总的坐标点数，|·|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 GDA00041142878100002610
得到
Figure GDA00041142878100002611
和
Figure GDA00041142878100002612
的计算公式为：
Figure GDA00041142878100002613
Figure GDA00041142878100002614
其中
Figure GDA00041142878100002615
和
Figure GDA00041142878100002616
分别表示红外重构图像Def.(i)R和粗权重图Def.(i)P在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S334、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S34、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S341、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 GDA0004114287810000271
其中，l＝1,..,3为多目标导向滤波代价函数总数，
Figure GDA0004114287810000272
计算每个权重向量之间的欧氏距离；对于每个
Figure GDA0004114287810000273
找到距离
Figure GDA0004114287810000274
最近的T个权重向量作为
Figure GDA0004114287810000275
的邻域
Figure GDA0004114287810000276
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，
Figure GDA0004114287810000277
是第l个导向滤波代价函数El(ak')对应的参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始导向滤波线性变换系数种群；
步骤S342、利用
Figure GDA0004114287810000278
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 GDA0004114287810000279
Figure GDA00041142878100002710
其中，
Figure GDA00041142878100002711
为预设的惩罚因子，
Figure GDA00041142878100002712
和
Figure GDA00041142878100002713
的定义如下：
Figure GDA00041142878100002714
Figure GDA00041142878100002715
步骤S343、对于分解后的各个单目标子问题，基于它们所对应的权重向量
Figure GDA00041142878100002716
以及各自的邻域
Figure GDA00041142878100002717
按照下列公式计算新的线性变换系数ak'的计算公式：
Figure GDA00041142878100002718
其中
Figure GDA00041142878100002719
和
Figure GDA00041142878100002720
分别为边缘感知加权导向滤波代价函数，梯度域导向滤波的代价函数和LoG算子的导向滤波代价函数得到的最优线性变化系数。基于新的ak'线性变换公式计算线性变换参数bk'：
Figure GDA00041142878100002721
基于新的线性变换参数ak'和bk'，计算和更新多目标优化问题中的各个代价函数值E1(ak′),E2(ak′),E3(ak′)；
步骤S344、基于更新后的新线性变换参数ak'和bk'，以及代价函数值E1(ak′),E2(ak′),E3(ak′)，对
Figure GDA0004114287810000281
若参考点irl＜El(ak′),l＝1,…,3，则更新参考点irl＝El(ak')；
若聚合函数值
Figure GDA0004114287810000282
则更新邻域
Figure GDA0004114287810000283
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S345、进化终止判断：若g′≤gmax′，则重复步骤S343～步骤S344，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S35、基于加权隶属度方案从步骤S345的最优Pareto最优解集iAP中选出第i张热幅值融合粗权重图多目标导向滤波Pareto最优线性变换参数
Figure GDA0004114287810000284
步骤S36、基于多目标优化选择出来的多目标导向滤波Pareto最优线性变换系数
Figure GDA0004114287810000285
计算第i张热幅值融合粗权重图像的多目标导向滤波另一最优线性变换系数
Figure GDA0004114287810000286
计算公式如下：
Figure GDA0004114287810000287
其中，
Figure GDA0004114287810000288
表示红外重构图像Def.(i)R矩形窗wk内的各坐标点对应的红外热幅值均值，
Figure GDA0004114287810000289
表示粗权重图Def.(i)P在矩形窗wk内的各坐标点对应的红外热幅值均值；
步骤S37、基于Pareto最优线性变换系数
Figure GDA00041142878100002810
和
Figure GDA00041142878100002811
得到多目标导向滤波最终线性变换参数的表达式：
Figure GDA00041142878100002812
Figure GDA00041142878100002813
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 GDA00041142878100002814
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 GDA00041142878100002815
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S38、利用多目标优化得到的最优导向滤波算子
Figure GDA00041142878100002816
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 GDA0004114287810000291
Figure GDA0004114287810000292
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。
步骤四、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{WM.Base[Def.(1)],...,WM.Base[Def.(i)],...,WM.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红外热图像和细节层红外热图像：
Figure GDA0004114287810000293
Figure GDA0004114287810000294
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 GDA0004114287810000295
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，在试件上有两个区域的缺陷需要被检测，即第一个区域的人工表面挖孔缺陷1以及第二个区域的人工填充缺陷缺陷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，采用动态建模的Chameleon自适应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。
基于动态建模的Chameleon自适应聚类算法后，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和Def.(2)R。它们各自的典型特征瞬态热响应曲线如图6，图7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，得到材料第一个区域的人工表面挖孔Def.(1)R对应的重构热图像以及第二个区域的人工填充缺陷Def.(2)R对应的重构热图像，如图8、9所示，它们各自凸显的缺陷类型如图所示。
用本发明中结合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10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，
Figure GDA0004114287810000301
表示精修后的基础层权重图b，W1 D表示精修后的细节层权重图c，
Figure GDA0004114287810000302
表示精修后的基础层权重图d，它们分别如图11、图12、图13、图14所示。
基于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15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，提取的融合大尺寸压力容器缺陷的特征如图15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16-18所示：本发明的一种复杂微小损伤缺陷特征综合分析识别方法，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热图像序列中获取重构图像的具体方法还包括：
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，其中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、利用基于动态建模的Chameleon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，基于瞬态热响应集X(g)构造K-最近邻图Gk，并在各个瞬态热响应以及它邻近的k个瞬态热响应数据点间加上带权边；基于最小加权和原则将K-最近邻图Gk划分成大量较小的子簇后，访问和计算每个子簇与邻近的每个簇之间的相对互连度RI和相对近似度RC；计算度量函数值大小作为决定相邻瞬态热响应子簇是否合并的依据，基于子图间的互连性和邻近性采取自底而上的凝聚层级聚类模式反复合并子簇从而形成高质量聚类；动态自适应聚类形成聚类集合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 GDA0004114287810000311
其中
Figure GDA0004114287810000312
为第h个聚类结果X(g)Cluster[h]，h＝1,2,...,|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 GDA0004114287810000313
其中，
Figure GDA0004114287810000314
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、将各个缺陷区域红外热图像分解成基础层红外热图像和细节层红外热图像的具体方法为：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}中每一张进行图像分解，将每一张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。
步骤三、利用多目标优化导向滤波分别获取对应的各基础层红外热图像{1B,2B,…,|C|-1B}之间的热幅值融合权重图{1WB,2WB,…,|C|-1WB}和细节层红外热图像{1D,2D,…,|C|-1D}之间的热幅值融合权重图{1WD,2WD,…,|C|-1WD}，具体方法包括：
步骤S31、基于红外重构图像iR获取热幅值融合粗权重图iP；基于下列公式得到初始的热辐射粗融合权重图
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 GDA0004114287810000321
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，k＝1,...,I×J，iSk是热幅值显著性特征图iS中第个坐标点对应的辐射显著性水平值，k＝1,...,I×J；
步骤S32、多目标导向滤波的滤波输入和滤波输出关系建模；以红外重构图像iR为引导图像，以热幅值融合粗权重图iP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，也就是红外重构图像iR中的以第k个坐标点iRk为中心的局部矩形窗口，k＝1,...,I×J，其大小尺寸为(2r+1)×(2r+1)，则多目标导向滤波的输入输出关系为：
iOn＝ak·iRn+bk
其中，iOn表示以红外重构图像iR为引导图像，以热幅值融合粗权重图iP为输入图像进行多目标引导滤波得到的输出图像iO的第n个坐标点对应的导向滤波输出值，n＝1,...,I×J，iRn为iR的第n个坐标点对应的重构图像热幅值，n＝1,...,I×J；ak和bk表示以iRk为中心的导向滤波窗wk内的线性变换参数，k＝1,...,I×J；
步骤S33、为了获取各个重构热图像各个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，具体方法包括：
步骤S331、基于热幅值融合粗权重图iP和红外重构图像iR，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 GDA0004114287810000331
Figure GDA0004114287810000332
其中，
Figure GDA0004114287810000333
和
Figure GDA0004114287810000334
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；iPn为权重图iP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 GDA0004114287810000335
是边缘感知权重因子，其定义如下：
Figure GDA0004114287810000336
其中，
Figure GDA0004114287810000337
表示红外重构图像iR中，以iRk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(iP))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 GDA0004114287810000338
Figure GDA0004114287810000339
其中，
Figure GDA00041142878100003310
表示表示红外重构图像iR和热幅值融合粗权重图iP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 GDA00041142878100003311
是矩阵的哈达马积，
Figure GDA00041142878100003312
和
Figure GDA00041142878100003313
分别表示红外重构图像iR和融合粗权重图iP在矩形窗wk内的均值，
Figure GDA00041142878100003314
表示红外重构图像iR在矩形窗wk内的各坐标点对应的热幅值方差；
步骤S332、基于热幅值融合粗权重图iP和红外重构图像iR，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 GDA00041142878100003315
Figure GDA00041142878100003316
其中，
Figure GDA00041142878100003317
和
Figure GDA00041142878100003318
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 GDA0004114287810000341
为梯度域多窗口边缘感知权重，其定义如下：
Figure GDA0004114287810000342
Figure GDA0004114287810000343
表示红外重构图像iR中，以iRk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 GDA0004114287810000344
其中，η为
Figure GDA0004114287810000345
Figure GDA0004114287810000346
表示红外重构图像iR中，以iRk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 GDA0004114287810000347
表示红外重构图像iR中，以iRk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 GDA0004114287810000348
得到
Figure GDA0004114287810000349
和
Figure GDA00041142878100003410
的计算公式为：
Figure GDA00041142878100003411
Figure GDA00041142878100003412
其中，
Figure GDA00041142878100003413
表示表示红外重构图像iR和热幅值融合粗权重图iP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S333、基于热幅值融合粗权重图iP和红外重构图像iR，定义局部LoG算子空间噪声消除导向滤波代价函数
Figure GDA00041142878100003414
Figure GDA00041142878100003415
其中，
Figure GDA00041142878100003416
和
Figure GDA00041142878100003417
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 GDA00041142878100003418
为局部LoG边缘权重因子，其定义如下：
Figure GDA00041142878100003419
其中，LoG(·)为高斯拉普拉斯边缘检测算子，I×J为红外重构图像总的坐标点数，|·|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 GDA00041142878100003420
得到
Figure GDA00041142878100003421
和
Figure GDA00041142878100003422
的计算公式为：
Figure GDA0004114287810000351
其中
Figure GDA0004114287810000352
和
Figure GDA0004114287810000353
分别表示红外重构图像iR和粗权重图iP在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S334、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S34、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S341、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 GDA0004114287810000354
其中，l＝1,...,3为多目标导向滤波代价函数总数，
Figure GDA0004114287810000355
计算每个权重向量之间的欧氏距离；对于每个
Figure GDA0004114287810000356
找到距离
Figure GDA0004114287810000357
最近的T个权重向量作为
Figure GDA0004114287810000358
的邻域
Figure GDA0004114287810000359
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，
Figure GDA00041142878100003510
是第l个导向滤波代价函数El(ak')对应的参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始导向滤波线性变换系数种群；
步骤S342、利用
Figure GDA00041142878100003511
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 GDA00041142878100003512
从而在分解形式上将各种群个体限制在权重向量
Figure GDA00041142878100003513
的方向上进行进化：
Figure GDA00041142878100003514
其中，
Figure GDA00041142878100003515
为预设的惩罚因子，
Figure GDA00041142878100003516
和
Figure GDA00041142878100003517
的定义如下：
Figure GDA0004114287810000361
Figure GDA0004114287810000362
步骤S343、对于分解后的各个单目标子问题，基于它们所对应的权重向量
Figure GDA0004114287810000363
以及各自的邻域
Figure GDA0004114287810000364
按照下列公式计算新的线性变换系数ak'的计算公式：
Figure GDA0004114287810000365
其中
Figure GDA0004114287810000366
和
Figure GDA0004114287810000367
分别为边缘感知加权导向滤波代价函数，梯度域导向滤波的代价函数和LoG算子的导向滤波代价函数得到的最优线性变化系数，基于新的ak'线性变换公式计算线性变换参数bk'：
Figure GDA0004114287810000368
基于新的线性变换参数ak'和bk'，计算和更新多目标优化问题中的各个代价函数值E1(ak′),E2(ak′),E3(ak′)；
步骤S344、基于更新后的新线性变换参数ak'和bk'，以及代价函数值E1(ak′),E2(ak′),E3(ak′)，对
Figure GDA0004114287810000369
若参考点irl＜El(ak′),l＝1,…,3，则更新参考点irl＝El(ak')；
若聚合函数值
Figure GDA00041142878100003610
则更新邻域
Figure GDA00041142878100003611
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S345、进化终止判断：若g′≤gmax′，则重复步骤S343-步骤S344，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S35、基于加权隶属度方案从最优Pareto最优解集iAP中选出第i张热幅值融合粗权重图多目标导向滤波Pareto最优线性变换参数
Figure GDA00041142878100003612
步骤S36、基于多目标优化选择出来的多目标导向滤波Pareto最优线性变换系数
Figure GDA00041142878100003613
计算第i张热幅值融合粗权重图像的多目标导向滤波另一最优线性变换系数
Figure GDA00041142878100003614
计算公式如下：
Figure GDA00041142878100003615
其中，
Figure GDA00041142878100003616
表示红外重构图像iR矩形窗wk内的各坐标点对应的热幅值均值，
Figure GDA00041142878100003617
表示粗权重图iP在矩形窗wk内的各坐标点对应的红外热幅值均值；
步骤S37、基于Pareto最优线性变换系数
Figure GDA0004114287810000371
和
Figure GDA0004114287810000372
得到多目标导向滤波最终线性变换参数的表达式：
Figure GDA0004114287810000373
Figure GDA0004114287810000374
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；基于最终得到的多目标导向滤波最优线性变换参数，得到多目标导向滤波算子的表达式如下：
Figure GDA0004114287810000375
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融合精修权重值；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S38、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 GDA0004114287810000376
Figure GDA0004114287810000377
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。
步骤四、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 GDA0004114287810000378
Figure GDA0004114287810000379
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 GDA00041142878100003710
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17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18所示。
在本实例中，采用动态建模的Chameleon自适应聚类算法对瞬态热响应集进行分类后的的结果图如图19所示。
基于动态建模的Chameleon自适应聚类算法后，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20，图21，图22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，得到材料表面撞击穿孔型缺陷区域的重构热图像1R、材料本身背景区域的重构热图像2R以及材料表面撕裂型损伤缺陷温度点对应的重构热图像3R，如图23、图24、图25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26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e，
Figure GDA0004114287810000381
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，
Figure GDA0004114287810000382
表示精修后的基础层权重图h，它们分别如图27、图28、图29、图30所示。
基于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31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31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 (9)

1.一种多区域复杂损伤缺陷特征综合分析方法，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、大尺寸撞击试件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；
步骤三、基于红外热重构图像获取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；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最优解集中选出热幅值融合粗权重图多目标导向滤波Pareto最优线性变换参数；基于多目标优化选择出来的多目标导向滤波Pareto最优线性变换参数；基于Pareto最优线性变换参数，得到多目标导向滤波最终线性变换参数的表达式；利用多目标优化得到的最优导向滤波算子对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，最后将精修后的热幅值融合权重图进行归一化处理；
步骤四、基于得到的精修后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；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综合分析方法，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热图像序列中获取重构图像的具体方法还包括：
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，其中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、利用基于动态建模的Chameleon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，基于瞬态热响应集X(g)构造K-最近邻图Gk，并在各个瞬态热响应以及它邻近的k个瞬态热响应数据点间加上带权边；基于最小加权和原则将K-最近邻图Gk划分成大量较小的子簇后，访问和计算每个子簇与邻近的每个簇之间的相对互连度RI和相对近似度RC；计算度量函数值大小作为决定相邻瞬态热响应子簇是否合并的依据，基于子图间的互连性和邻近性采取自底而上的凝聚层级聚类模式反复合并子簇从而形成高质量聚类；动态自适应聚类形成聚类集合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：
其中为第h个聚类结果X(g)Cluster[h]，h＝1,2,...,|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：
其中，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综合分析方法，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个数据块内的搜索行步长kRSSi和列步长kCSSi，其中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、利用基于动态建模的Chameleon聚类算法将第i个热图像序列Si的瞬态热响应集X(g)中的瞬态热响应自适应聚类；基于瞬态热响应集X(g)构造K-最近邻图Gk，并在各个瞬态热响应以及它邻近的k个瞬态热响应数据点间加上带权边；基于最小加权和原则将K-最近邻图Gk划分成大量较小的子簇后，访问和计算每个子簇与邻近的每个簇之间的相对互连度RI和相对近似度RC；计算度量函数值大小作为决定相邻瞬态热响应子簇是否合并的依据；基于子图间的互连性和邻近性采取自底而上的凝聚层级聚类模式反复合并子簇从而形成高质量聚类，动态自适应聚类形成聚类集合X(g)Cluster[h]，h＝1,2,...,H，其中h表示类别标签，H表示类别总数；
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：
其中为第h个聚类结果X(g)Cluster[h]，h＝1,2,...,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：
其中，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，h＝1,...,H-1；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综合分析方法，其特征在于，所述步骤二将各个缺陷区域红外热图像分解成基础层红外热图像和细节层红外热图像的具体方法为：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}中每一张进行图像分解，将每一张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张缺陷区域重构热图像iR为例，i＝1,...,|C|-1，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。
5.如权利要求3所述的多区域复杂损伤缺陷特征综合分析方法，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{Def.(1)R,...,Def.(i)R,...,Def.(|C′|)R}中每一张进行图像分解，将每一张重构图像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和细节层红外热图像Inf.Base[Def.(i)]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。
6.如权利要求4所述的多区域复杂损伤缺陷特征综合分析方法，其特征在于，所述步骤三利用多目标优化导向滤波分别获取对应的各基础层红外热图像{1B,2B,…,|C|-1B}之间的热幅值融合权重图{1WB,2WB,…,|C|-1WB}和细节层红外热图像{1D,2D,…,|C|-1D}之间的热幅值融合权重图{1WD,2WD,…,|C|-1WD}，具体方法包括：
步骤S31、基于红外重构图像iR获取热幅值融合粗权重图iP；基于下列公式得到初始的热辐射粗融合权重图
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},
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，k＝1,...,I×J，iSk是热幅值显著性特征图iS中第个坐标点对应的辐射显著性水平值，k＝1,...,I×J；
步骤S32、多目标导向滤波的滤波输入和滤波输出关系建模；以红外重构图像iR为引导图像，以热幅值融合粗权重图iP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，也就是红外重构图像iR中的以第k个坐标点iRk为中心的局部矩形窗口，k＝1,...,I×J，其大小尺寸为(2r+1)×(2r+1)，则多目标导向滤波的输入输出关系为：
iOn＝ak·iRn+bk
其中，iOn表示以红外重构图像iR为引导图像，以热幅值融合粗权重图iP为输入图像进行多目标引导滤波得到的输出图像iO的第n个坐标点对应的导向滤波输出值，n＝1,...,I×J，iRn为iR的第n个坐标点对应的重构图像热幅值，n＝1,...,I×J；ak和bk表示以iRk为中心的导向滤波窗wk内的线性变换参数，k＝1,...,I×J；
步骤S33、为了获取各个重构热图像各个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，具体方法包括：
步骤S331、基于热幅值融合粗权重图iP和红外重构图像iR，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
其中，和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；iPn为权重图iP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；是边缘感知权重因子，其定义如下：
其中，表示红外重构图像iR中，以iRk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(iP))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：
其中，表示红外重构图像iR和热幅值融合粗权重图iP的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，是矩阵的哈达马积，和分别表示红外重构图像iR和融合粗权重图iP在矩形窗wk内的均值，表示红外重构图像iR在矩形窗wk内的各坐标点对应的热幅值方差；
步骤S332、基于热幅值融合粗权重图iP和红外重构图像iR，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
其中，和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；为梯度域多窗口边缘感知权重，其定义如下：
表示红外重构图像iR中，以iRk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：
其中，η为 表示红外重构图像iR中，以iRk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，表示红外重构图像iR中，以iRk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得到和的计算公式为：
其中，表示红外重构图像iR和热幅值融合粗权重图iP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S333、基于热幅值融合粗权重图iP和红外重构图像iR，定义局部LoG算子空间噪声消除导向滤波代价函数
其中，和为由局部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；为局部LoG边缘权重因子，其定义如下：
其中，LoG(·)为高斯拉普拉斯边缘检测算子，I×J为红外重构图像总的坐标点数，|·|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得到和的计算公式为：
其中和分别表示红外重构图像iR和粗权重图iP在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S334、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S34、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S341、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其中，l＝1,..,3为多目标导向滤波代价函数总数，
计算每个权重向量之间的欧氏距离；对于每个找到距离最近的T个权重向量作为的邻域
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，是第l个导向滤波代价函数El(ak')对应的参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始导向滤波线性变换系数种群；
步骤S342、利用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从而在分解形式上将各种群个体限制在权重向量的方向上进行进化：
其中，为预设的惩罚因子，和的定义如下：
步骤S343、对于分解后的各个单目标子问题，基于它们所对应的权重向量以及各自的邻域按照下列公式计算新的线性变换系数ak'的计算公式：
其中和分别为边缘感知加权导向滤波代价函数，梯度域导向滤波的代价函数和LoG算子的导向滤波代价函数得到的最优线性变化系数，基于新的ak'线性变换公式计算线性变换参数bk'：
基于新的线性变换参数ak'和bk'，计算和更新多目标优化问题中的各个代价函数值E1(ak′),E2(ak′),E3(ak′)；
步骤S344、基于更新后的新线性变换参数ak'和bk'，以及代价函数值E1(ak′),E2(ak′),E3(ak′)，对若参考点irl＜El(ak′),l＝1,…,3，则更新参考点irl＝El(ak')；
若聚合函数值则更新邻域删除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S345、进化终止判断：若g′≤gmax′，则重复步骤S343-步骤S344，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S35、基于加权隶属度方案从最优Pareto最优解集iAP中选出第i张热幅值融合粗权重图多目标导向滤波Pareto最优线性变换参数
步骤S36、基于多目标优化选择出来的多目标导向滤波Pareto最优线性变换系数计算第i张热幅值融合粗权重图像的多目标导向滤波另一最优线性变换系数计算公式如下：
其中，表示红外重构图像iR矩形窗wk内的各坐标点对应的热幅值均值，表示粗权重图iP在矩形窗wk内的各坐标点对应的红外热幅值均值；
步骤S37、基于Pareto最优线性变换系数和得到多目标导向滤波最终线性变换参数的表达式：
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；基于最终得到的多目标导向滤波最优线性变换参数，得到多目标导向滤波算子的表达式如下：
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融合精修权重值；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S38、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：
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。
7.如权利要求5所述的多区域复杂损伤缺陷特征综合分析方法，其特征在于，所述步骤三利用多目标优化导向滤波分别获取对应的各基础层红外热图像{Inf.Base[Def.(1)],...,Inf.Base[Def.(i)],...,Inf.Base[Def.(|C′|)]}之间的热幅值融合权重图{WM.Base[Def.(1)],...,WM.Base[Def.(i)],...,WM.Base[Def.(|C′|)]}和细节层红外热图像{Inf.Detail[Def.(1)],...,Inf.Detail[Def.(i)],...,Inf.Detail[Def.(|C′|)]}之间的热幅值融合权重图{WM.Detail[Def.(1)],...,WM.Detail[Def.(i)],...,WM.Detail[Def.(|C′|)]}，具体方法包括：
步骤S31、基于红外重构图像Def.(i)R获取热幅值融合粗权重图Def.(i)P；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},
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S32、进行多目标导向滤波的滤波输入和滤波输出关系建模；以红外重构图像Def.(i)R为引导图像，以热幅值融合粗权重图Def.(i)P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，也就是红外重构图像Def.(i)R中的以第k个坐标点Def.(i)Rk为中心的局部矩形窗口，k＝1,...,M×N，其大小尺寸为(2r+1)×(2r+1)，则多目标导向滤波的输入输出关系为：
Def.(i)On＝ak·Def.(i)Rn+bk
其中，Def.(i)On表示以红外重构图像Def.(i)R为引导图像，n＝1,...,M×N，以热幅值融合粗权重图Def.(i)P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输出图像Def.(i)O的第n个坐标点对应的导向滤波输出值；Def.(i)Rn为Def.(i)R的第n个坐标点对应的重构图像热幅值，n＝1,...,M×N；ak和bk表示以Def.(i)Rk为中心的导向滤波窗wk内的线性变换参数，k＝1,...,M×N；
步骤S33、为了获取各个红外检测区域典型缺陷类型的重构热图像各个对应位置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S331、基于热幅值融合粗权重图Def.(i)P和红外重构图像Def.(i)R，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
其中，和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；Def.(i)Pn为权重图Def.(i)P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；是边缘感知权重因子，其定义如下：
其中，表示红外重构图像Def.(i)R中，以Def.(i)Rk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)P))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：
其中，表示红外重构图像Def.(i)R和热幅值融合粗权重图Def.(i)P的哈达马积在矩形窗wk内的各坐标点对应的热幅值均值，是矩阵的哈达马积，和分别表示红外重构图像Def.(i)R和融合粗权重图Def.(i)P在矩形窗wk内的均值，表示红外重构图像Def.(i)R在矩形窗wk内的各坐标点对应的热幅值方差；
步骤S332、基于热幅值融合粗权重图Def.(i)P和红外重构图像Def.(i)R，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
其中，和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；为梯度域多窗口边缘感知权重，其定义如下：
表示红外重构图像Def.(i)R中，以Def.(i)Rk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：
其中，η为 表示红外重构图像Def.(i)R中，以Def.(i)Rk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，表示红外重构图像Def.(i)R中，以Def.(i)Rk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得到和的计算公式为：
其中，表示红外重构图像Def.(i)R和热幅值融合粗权重图Def.(i)P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S333、基于热幅值融合粗权重图Def.(i)P和红外重构图像Def.(i)R，定义局部LoG算子空间噪声消除导向滤波代价函数
其中，和为由局部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；为局部LoG边缘权重因子，其定义如下：
其中，LoG(·)为高斯拉普拉斯边缘检测算子，M×N为红外重构图像总的坐标点数，|·|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得到和的计算公式为：
其中和分别表示红外重构图像Def.(i)R和粗权重图Def.(i)P在矩形窗wk内的各坐标点对应的热幅值均值；
步骤S334、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S34、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S341、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其中，l＝1,...,3为多目标导向滤波代价函数总数，
计算每个权重向量之间的欧氏距离；对于每个找到距离最近的T个权重向量作为的邻域
初始化导向滤波线性变换Pareto最优系数参考点ir＝{ir1,…,ir3}，是第l个导向滤波代价函数El(ak')对应的参考点；iAP＝Φ；最大迭代次数g'max，随机产生初始导向滤波线性变换系数种群；
步骤S342、利用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
其中，为预设的惩罚因子，和的定义如下：
步骤S343、对于分解后的各个单目标子问题，基于它们所对应的权重向量以及各自的邻域按照下列公式计算新的线性变换系数ak'的计算公式：
其中和分别为边缘感知加权导向滤波代价函数，梯度域导向滤波的代价函数和LoG算子的导向滤波代价函数得到的最优线性变化系数，基于新的ak'线性变换公式计算线性变换参数bk'：
基于新的线性变换参数ak'和bk'，计算和更新多目标优化问题中的各个代价函数值E1(ak′),E2(ak′),E3(ak′)；
步骤S344、基于更新后的新线性变换参数ak'和bk'，以及代价函数值E1(ak′),E2(ak′),E3(ak′)，对若参考点irl＜El(ak′),l＝1,…,3，则更新参考点irl＝El(ak')；
若聚合函数值则更新邻域删除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S345、进化终止判断：若g′≤gmax′，则重复步骤S343～步骤S344，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S35、基于加权隶属度方案从步骤S345的最优Pareto最优解集iAP中选出第i张热幅值融合粗权重图多目标导向滤波Pareto最优线性变换参数
步骤S36、基于多目标优化选择出来的多目标导向滤波Pareto最优线性变换系数计算第i张热幅值融合粗权重图像的多目标导向滤波另一最优线性变换系数计算公式如下：
其中，表示红外重构图像Def.(i)R矩形窗wk内的各坐标点对应的红外热幅值均值，表示粗权重图Def.(i)P在矩形窗wk内的各坐标点对应的红外热幅值均值；
步骤S37、基于Pareto最优线性变换系数和得到多目标导向滤波最终线性变换参数的表达式：
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：
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S38、利用多目标优化得到的最优导向滤波算子对得到第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：
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。
8.如权利要求6所述的多区域复杂损伤缺陷特征综合分析方法，其特征在于，所述步骤四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
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：
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。
9.如权利要求7所述的多区域复杂损伤缺陷特征综合分析方法，其特征在于，所述步骤四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{WM.Base[Def.(1)],...,WM.Base[Def.(i)],...,WM.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红外热图像和细节层红外热图像：
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：
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。
CN202111069275.7A 2021-09-13 2021-09-13 一种多区域复杂损伤缺陷特征综合分析方法 Active CN113793318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111069275.7A CN113793318B (zh) 2021-09-13 2021-09-13 一种多区域复杂损伤缺陷特征综合分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111069275.7A CN113793318B (zh) 2021-09-13 2021-09-13 一种多区域复杂损伤缺陷特征综合分析方法

Publications (2)

Publication Number Publication Date
CN113793318A CN113793318A (zh) 2021-12-14
CN113793318B true CN113793318B (zh) 2023-04-07

Family

ID=78880063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111069275.7A Active CN113793318B (zh) 2021-09-13 2021-09-13 一种多区域复杂损伤缺陷特征综合分析方法

Country Status (1)

Country Link
CN (1) CN113793318B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781445B (zh) * 2021-09-13 2023-05-05 中国空气动力研究与发展中心超高速空气动力研究所 一种损伤缺陷特征提取融合方法
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
CN116912254B (zh) * 2023-09-14 2023-12-08 山东博诚电气有限公司 基于数据增强预处理的电缆缺陷识别方法
CN117355038B (zh) * 2023-11-10 2024-03-19 江西红板科技股份有限公司 用于线路板软板的x型孔加工方法及其系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981053A (zh) * 2017-03-02 2017-07-25 天津大学 一种基于加权融合的水下图像增强方法
CN107945148A (zh) * 2017-12-15 2018-04-20 电子科技大学 一种基于mrf区域选择的多曝光度图像融合方法
CN107977950A (zh) * 2017-12-06 2018-05-01 上海交通大学 基于多尺度指导滤波的快速有效视频图像融合方法
CN109767437A (zh) * 2019-01-09 2019-05-17 电子科技大学 基于k均值动态多目标的红外热图像缺陷特征提取方法
CN110097617A (zh) * 2019-04-25 2019-08-06 北京理工大学 基于卷积神经网络与显著性权重的图像融合方法
CN112419212A (zh) * 2020-10-15 2021-02-26 卡乐微视科技(云南)有限公司 一种基于侧窗引导滤波的红外与可见光图像融合方法
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
CN112950518A (zh) * 2021-03-19 2021-06-11 中国科学院长春光学精密机械与物理研究所 基于潜在低秩表示嵌套滚动引导图像滤波的图像融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10846841B2 (en) * 2018-05-29 2020-11-24 University Of Electronic Science And Technology Of China Method for separating out a defect image from a thermogram sequence based on feature extraction and multi-objective optimization

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981053A (zh) * 2017-03-02 2017-07-25 天津大学 一种基于加权融合的水下图像增强方法
CN107977950A (zh) * 2017-12-06 2018-05-01 上海交通大学 基于多尺度指导滤波的快速有效视频图像融合方法
CN107945148A (zh) * 2017-12-15 2018-04-20 电子科技大学 一种基于mrf区域选择的多曝光度图像融合方法
CN109767437A (zh) * 2019-01-09 2019-05-17 电子科技大学 基于k均值动态多目标的红外热图像缺陷特征提取方法
CN110097617A (zh) * 2019-04-25 2019-08-06 北京理工大学 基于卷积神经网络与显著性权重的图像融合方法
CN112419212A (zh) * 2020-10-15 2021-02-26 卡乐微视科技(云南)有限公司 一种基于侧窗引导滤波的红外与可见光图像融合方法
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
CN112950518A (zh) * 2021-03-19 2021-06-11 中国科学院长春光学精密机械与物理研究所 基于潜在低秩表示嵌套滚动引导图像滤波的图像融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Zhaobin Wang 等.Multi‑focus Image Fusion Based on Random Walk.Journal of Electrical Engineering ＆Technology.2021,第16卷3261–3274 . *
陈峰 等.基于滚动引导滤波的红外与可见光图像融合算法.红外技术.2020,第42卷(第01期),54-61. *

Also Published As

Publication number Publication date
CN113793318A (zh) 2021-12-14

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
Hou et al. Deep features based on a DCNN model for classifying imbalanced weld flaw types
Gola et al. Objective microstructure classification by support vector machine (SVM) using a combination of morphological parameters and textural features for low carbon steels
Kłosowski et al. Using neural networks and deep learning algorithms in electrical impedance tomography
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
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
CN112330538B (zh) 一种基于特征点优化提取的损伤温度重构图像拼接方法
CN110232419A (zh) 一种边坡岩石类别自动识别的方法
CN113763367B (zh) 一种大尺寸试件红外检测特征综合判读方法
CN112798648B (zh) 基于生成核主成分热影像分析的复合材料缺陷检测方法
CN108229551B (zh) 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法
Elhariri et al. Using hybrid filter-wrapper feature selection with multi-objective improved-salp optimization for crack severity recognition
CN106204543A (zh) 基于单分类支持向量机的织物疵点检测方法
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
Posilović et al. Deep learning-based anomaly detection from ultrasonic images
Song et al. Hybrid deep autoencoder with Curvature Gaussian for detection of various types of cells in bone marrow trephine biopsy images
CN113781445B (zh) 一种损伤缺陷特征提取融合方法
CN111652252A (zh) 一种基于集成学习的超高速撞击损伤的定量识别方法
Behar et al. ResNet50-Based Effective Model for Breast Cancer Classification Using Histopathology Images.
CN109166167A (zh) 一种基于点集体素的多质分界面提取方法
Arora et al. Geometric feature-based classification of segmented human chromosomes
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
CN113763368B (zh) 一种大尺寸试件多类型损伤检测特征分析方法
CN107346549B (zh) 一种利用遥感影像多特征的多类别变化动态阈值检测方法
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

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