李宝芸，范玉刚，2*，高 阳

(1．昆明理工大学 信息工程与自动化学院， 云南 昆明 650500；2．云南省矿物管道输送工程技术研究中心， 云南 昆明 650500)

机械设备中的许多关键部件经常运行在高温、高压、高速或高负载等恶劣环境下，设备中的金属材料会产生腐蚀、裂纹等缺陷，影响设备的正常运行，对生产安全与人身安全造成严重威胁。因此对设备关键部件进行无损检测，定位裂纹缺陷位置，提取裂纹缺陷特征信息，对于保证设备安全运行和提高生产效率具有重要的现实意义。

基于涡流热成像的无损检测技术利用涡流对设备进行加热[1-2]，涡流的分布会受到裂纹等缺陷的影响，导致金属材料裂纹缺陷位置处温度的异常变化，形成特有的红外图像特征。提取红外图像的裂纹缺陷特征，即可以判断设备的损伤程度。为了提取红外图像的裂纹边缘特征，文献[3]提出了一种基于改进Sobel算子的裂纹特征提取方法，解决图像边缘定位精度不高和对噪声敏感等问题，有效地提取裂纹边缘信息。文献[4]提出了一种基于滤波降噪、细节增强和区域分割的红外图像综合处理方法，解决了含裂纹缺陷的红外图像对比度差、信噪比低的问题，有效地滤除噪声，提高了裂纹图像的对比度。文献[5]提出了一种基于Sobel算子优化算法，用于提取不同材料的红外图像裂纹特征，提高了裂纹缺陷识别的效果。文献[6]提出了一种基于大津法(OTSU)和区域生长相结合的方法来分割出故障点，消除了复杂背景对红外图像的干扰，完整地分割故障区域。文献[7]提出了一种基于多特征提取的金属裂纹检测方法，解决了采用单一特征提取裂纹检测不准确的问题，显著提高了金属裂纹识别率。尽管提取红外图像裂纹边缘特征的方法有很多，但是不同的红外图像具有不同的特点，因此还没有能处理所有红外图像的通用方法，红外图像裂纹边缘特征提取仍是图像处理领域的难点。

在采集红外图像时，设备的安装位置、金属试件表面的凹凸不平、光照的强弱等因素都会对红外图像的获取造成干扰，导致红外图像局部温度异常，使其特性表征与裂纹区域的温度分布特征相似，不能定位红外图像中的裂纹区域，无法提取完整的边缘特征。为此提出一种基于OTSU算法和Canny算子相结合的方法，对含裂纹缺陷的红外图像进行处理，提取红外图像裂纹边缘特征，实现对金属材料损伤缺陷的无损探测。

1 红外图像的预处理

在红外图像的采集过程中，噪声、光照、设备特性等因素都会对图像质量造成影响，原始的红外图像中存在着大量随机噪声，对比度也较低。为了降低含裂纹缺陷的红外图像的噪声,提高对比度，以改善图像的质量，提高图像识别的准确性，对采集到的红外图像进行预处理是十分关键的[8]。本文采用的图像预处理方法是先采用灰度拉伸增强图像的对比度，然后采用图像平滑技术对改善后的图像进行平滑滤波。

1.1 灰度化

由于红外热成像仪获取的含裂纹缺陷的红外图像是彩色图为主，彩色图像由3个不同的分量组成，若直接处理彩色图像，需要对3个分量依次处理，计算量和处理时间都会增加。为了提高图像处理的工作效率，将红外图像灰度化处理，可大大节省图像的处理时间，同时也便于对图像的进一步处理(如：增强图像的对比度、图像去噪、图像分割等)。

1.2 灰度拉伸

经灰度化处理的图像，其裂纹区域和背景区域的对比度不是很突出，若此时分割裂纹缺陷区域，会出现大块黑色区域，甚至会丢失整幅红外图像裂纹的边缘特征信息，因此不能直接对灰度图像进行图像分割与特征提取，需要对灰度图像进行灰度拉伸处理，增强裂纹区域和背景区域的对比度。

灰度拉伸也称对比度拉伸，是一种简单的线性点运算，其原理是通过改变图像的对比度来改变裂纹与背景的灰度差，在原有的基础上通过增加灰度的级数来增强灰度差。灰度拉伸通过灰度映射，将原图中的某一段区域中的灰度值映射到另一灰度值，从而拉伸整个图像的灰度分布范围，改善输出图像[9]。

灰度拉伸可以有选择的拉伸某段灰度区间以改善输出图像，如图1所示将红外图像的灰度图在x1和x2之间的灰度拉伸到y1和y2之间。本实验的红外图像灰度集中在较暗的区域(裂纹区域)，此时用灰度拉伸功能来拉伸(斜率大于1)，增强裂纹区域的灰度值，突出裂纹区域和背景区域的对比度。

图1 灰度拉伸变换关系

1.3 中值滤波

噪声的去除在图像的预处理中是必不可少的，红外热图像的噪声主要由颗粒噪声和一些随机噪声组成，且红外图像的对比度低，在红外图像中行人的轮廓较为模糊。中值滤波消除随机干扰噪声(椒盐噪声)和保持细节信息的能力很强；均值滤波在衰减噪声的同时不会使图像边缘模糊，可以有效滤除噪声。

PSNR(峰值信噪比)是用来评价一幅图像压缩后与原图像相比质量的好坏，PSNR越高，压缩后失真越小，图片的质量越高。分别对实验获取的3幅红外图像进行均值滤波处理和中值滤波处理，计算处理后的峰值信噪比作为评价指标来选取合适的滤波器对图像去噪。由表1可知，采用中值滤波对本文红外图像质量的改善效果更优。

表1 不同滤波下的峰值信噪比

中值滤波是一种常用的非线性去噪滤波方法，其原理是将每一像素点的灰度值按大小排序后，用中间位置的灰度值取代原图像的灰度值:

g(x,y)=med{f(x-k,y-L),(k,L∈w)},

式中f(x,y)、g(x,y)分别为原始图像和处理后的图像，w为选定区域的大小，f(x-k,y-L)为w内像素的灰度值。用中值滤波对图像降噪处理可以有效消除孤立点的干扰，且在衰减噪声和消除图像中的孤立点的同时，对图像的边缘有较好的保护，使图像的边缘不被模糊。本节对获取的红外图像去除噪声和增强对比度，提高了红外图像的质量，为下一步进行红外图像分割、特征提取等做准备。

2 红外图像的分割

图像分割是特征提取的前提，图像分割的质量对特征提取的效率与准确度有着直接的影响。为了提高分割的准确性，本文用OTSU算法定位裂纹缺陷区域，并结合Canny算子分割出裂纹缺陷区域的边缘。

2.1 目标区域的定位与分割

OTSU法最早是由日本学者大津在1979年提出的，又叫最大类间方差法，是图像分割中自动阈值选取的最佳算法[10]。其基本的思想是在图像灰度差异的基础上，自动选取合适的阈值，将图像分为背景和目标两个部分。在执行OTSU算法时，选取的阈值应该尽可能增大,目标和背景的灰度差别才能更有效地提取出裂纹区域。而衡量两部分差别的标准就是最大类间方差，通过划分后得到两类的类间方差最大值来确定最佳的阈值。利用最大类间方差法可对图像选取合适的阈值，实现对裂纹区域的分割。

设待分割图像f(x)，其灰度级为i的像素点出现的概率为

式中N是图像中像素的总数，ni是灰度级为i的像素的数量，0～L-1是图像的灰度变化范围。若用已选定的阈值T(k)=k，0≤k≤L-1，并使用它将待分割图像f(x)按像素的灰度级分割成裂纹区域和背景两个部分，其中裂纹区域用C1表示，背景用C2表示。C1由图像中灰度值在区间[0,k]内所有像素组成，C2由灰度值在区间[k+1,L-1]内所有像素组成。使用OTSU算法，得到的最大类间方差：

或

(1)

式中P1是像素被分到C1中的概率，m1是分配到C1的像素的平均灰度值，

类似地，P2是像素被分到C2中的概率，m2是分配到C2的像素的平均灰度值：

m是k的累加均值：

MG是整个图像的平均灰度(即全局均值)：

(2)

利用OTSU算法将待分割图像f(x)中的大面积背景去除，留下包含裂纹的区域，这样在提取裂纹边缘的时候，只需要分割出裂纹区域的边缘即可。

2.2 Canny算子边缘提取

图像边缘是分析、理解图像的基础，反映了图像最基本的特征，分割出裂纹区域的边缘特征即可实现对含裂纹缺陷的红外图像的特征提取。传统的边缘检测算法有Roberts算子、Prewitt算子、Sobel算子等，这些算法简单，容易实现，但去噪能力较差，裂纹边缘识别不完整，容易出现伪边缘等问题[11-13]。相对于这些算法，本文使用的Canny边缘检测算子具有很强的去噪能力和较高的检测精度，且是评价其他边缘检测方法的标准之一。

Canny边缘检测算子是John F. Canny于1986年开发出来的一个最优的边缘检测算法，能够满足最优的边缘提取准则，且能够有效地抑制噪声并精确的定位到边缘的位置[14-15]。Canny算法包括4个步骤：

(1)用高斯滤波器平滑处理原图像，设原始图像为f(x,y)，其高斯函数H(x,y)为

G(x,y)=f(x,y)*H(x,y),

式中G(x,y)为经过高斯滤波器平滑处理后的图像,σ为二维高斯函数的标准差，用于控制图像的平滑处理，“*”是卷积运算符号。

(2)利用一阶差分卷积模板：

计算得到图像梯度的幅值和方向：

(3)对梯度幅值进行非极大值抑制，将梯度幅值近似划分成4个方向范围，在每一点上，领域中心点与沿着其对应的梯度方向的两个像素相比，如果中心像素为最大值，则保留，否则中心置零，这样可以抑制非极大值，保留局部梯度最大的点，以得到细化的边缘。

(4)对梯度选取两个阈值TH和TL，两者的关系为

TL=0.5×TH。

(3)

取出非极大值抑制后的图像中的最大梯度幅值，将小于低阈值的点置0，将大于高阈值的点(即边缘点)标记，置1，即可提取出完整的边缘。

2.3 Canny算子阈值设定

由Canny算法流程可知阈值的选取是进行图像边缘提取的关键，而Canny算子需要人为预先设定高、低阈值，这需要多次反复的实验才能找到合适的阈值。阈值设置过高可能导致边缘断裂、不连续，甚至丢失边缘信息；阈值设置过低可能导致提取的边缘中出现过多的伪边缘，甚至将噪声当作边缘提取[16-18]。所以高、低阈值的设置合理与否，直接影响到边缘提取的精度。为了解决Canny算子需要人为设定高、低阈值的问题，用OTSU算法自动选取一个合适的阈值并将此阈值用于Canny算子。

本文用式(2)确定一个最佳的分割阈值k*，将选取的最佳分割阈值k*作为Canny算子的高阈值，然后根据Canny算子高、低阈值的关系式(3)得到高、低阈值的表达式：

(4)

根据式(4)可得：Canny算子的高、低阈值的选择只与最佳分割阈值k*的值有关，不需要再人为设定高、低阈值，这就为Canny算法中阈值的确定问题提供了一个较好的解决方法，同时也增强了Canny算子的分割能力和自适应性。

本节提出的OTSU算法能够准确定位红外图像的裂纹缺陷区域，结合Canny算子分割得到裂纹缺陷区域的完整边缘，为后面的特征提取做好准备。

3 红外图像裂纹缺陷特征提取

红外图像通过一系列的处理后，其目的是提取红外图像裂纹的特征信息，它依靠的是描述物体形状特征的参数，来得到裂纹的面积、周长等信息。经过上述方法处理后的裂纹图像边界已经非常明显，对于裂纹图像来说，面积与周长只与该裂纹的边界有关，与其内部的变化无关。利用图像分析函数提取裂纹图像的最大联通区域，标记其最大联通区域的边缘，将图像中平面区域像素为1的点累加得到裂纹图像的面积，图像中封闭曲线像素为1的点累加得到裂纹图像的周长。即可实现对红外图像裂纹边缘特征的提取。

本文的方法步骤如下：

(1)将红外热成像无损检测技术获取的红外图像采用灰度化、灰度拉伸以及平滑滤波处理，以增强图像中的特征信息、改善红外图像质量；

(2)用OTSU算法自动选取最佳的阈值，分割预处理后的红外图像的裂纹缺陷区域；

(3)以OTSU算法自动选取的最佳阈值k*作为Canny算子的高阈值，利用式(3)得到Canny算子的高、低阈值，得到裂纹区域的边缘图像；

(4)通过计算裂纹边缘的像素数来提取裂纹的边缘特征信息。

具体流程如图2所示。

图2 红外图像特征提取算法流程图

4 实验研究

4.1 实验图像采集

实验利用涡流红外热成像技术检测含裂纹缺陷金属板，如图3所示为实验的涡流加热装置和含裂纹缺陷的金属板。含裂纹缺陷的金属板通过涡流加热装置后，用HT-18热像仪连续记录其表面温度变化并输出包含多帧图像的图像序列，得到该含裂纹缺陷金属板的红外图像。

(a)涡流加热装置 (b)含裂纹缺陷的金属板图3 实验装置图

4.2 实验结果与分析

从红外成像仪输出的多帧图像中选取其中几幅含裂纹缺陷较清晰的红外图像，如图4(a)、(b)、(c)所示。通过图4(a)、(b)、(c)可以看出，出现裂纹缺陷时，该区域会出现温度升高的前兆，裂纹区域与其背景区域会存在较大的温度差，而红外图像中该区域就会相应的出现颜色加深的现象。本文以图4(a)、(b)、(c)作为实验对象提取其边缘,如图4(d)、(e)、(f)所示，实现对红外图像裂纹边缘特征的提取。本文识别图4(d)的裂纹特征结果为：周长L=789，面积S=764。

图4 红外图像及其边缘提取

实验结果如图5所示：图5(a)—(e)为红外图像的灰度图像和预处理后分割对比。图5(a)为灰度转化后的结果，相比彩色图像，灰度图像更便于处理。图5(b)是对灰度图像进行灰度拉伸处理，能够有效的增强红外图像裂纹区域和背景区域的对比度，用于增强OTSU算法的分割能力。中值滤波能有效地消除孤立点的干扰，且在衰减噪声和消除图像中的孤立点的同时，对图像的边缘有较好的保护，效果如图5(c)所示。图5(d)—(e)是直接对灰度图像用OTSU算法分割和经过本文预处理方法处理后用OTSU算法分割，可以看出直接用灰度图像分割的图像会出现大块黑色区域，还会丢失整幅红外图像裂纹的边缘信息，无法分割出红外图像裂纹区域。而经本文预处理后能够准确分割出红外图像裂纹区域，为后续提取裂纹的边缘做准备。图5(f)—(i)为用传统的Roberts算子、Prewitt算子、Sobel算子的边缘提取和本文算法提取边缘的结果。通过对比可知，相对于传统的边缘提取算法，本文的算法能够更完整、更精确地提取边缘信息。图5(j)是获取裂纹图像的最大联通区域，并根据计算其像素数提取其周长、面积特征。

图5 实验结果图

5 结 论

文中针对含裂纹缺陷的红外图像特征难以提取的问题，提出一种基于OTSU和Canny算子的红外图像裂纹特征提取方法。用OTSU算法定位裂纹区域，用Canny算子分割裂纹区域的边缘后提取其特征信息。实验结果表明：

(1)本文方法能准确定位红外图像的裂纹缺陷区域，精确提取裂纹的边缘特征信息；

(2)图像中的裂纹，从边缘到内部灰度逐渐加深，说明裂纹沿横向扩展的同时，向金属材料内部继续延伸，证明红外热成像无损检测技术对于测量金属材料裂纹的有效性；

(3)提取裂纹边缘的周长、面积等特征，对于计算裂纹深度、判断设备的损伤程度提供了计算依据。但是本文方法是先将红外图像彩色图转换成灰度图后处理，这样会丢失红外图像彩色信息，这方面还需要进一步的研究。