李雅 乔伟哲

1.山西工商学院计算机信息工程学院，山西太原 030006；2.山西国营大众机械厂军品第一研究所，山西太原 030024

一、引言

工业焊接金属过程中，焊缝内部经常会残留气体形成不规则的气孔缺陷。利用X射线拍摄的钢管焊缝内部缺陷图像，由于缺陷的深浅位置不同会导致X射线的成像图光线不均匀。一般X射线图像中存在三个明显不同的灰度级区域，分别为背景区、焊缝区、缺陷区域[1]。由于缺陷区域和焊缝区域的对比度多变，仅采用一个固定的单阈值分割技术很难将缺陷区域从焊缝区域中有效的提取出来。

针对焊缝缺陷X线图像噪声大、对比度低的特点，通过图像分析实现缺陷检测就需要对图像进行降噪和增强对比度处理。对于复杂的图像，由于采用图像增强和边缘检测方法无法直接提取出试件的缺陷，因此，本文首先进行自适应滤波将背景区域分离去除，然后利用模糊增强算法对焊缝区域进行对比度增强处理，突出气孔缺陷边缘信息，最后根据阈值分割技术将缺陷区域从焊缝区域中提取出来。本文的缺陷提取方法为无损缺陷检测提供了更加精细、高效的缺陷提取算法，为实际工业生产奠定了理论基础[2-4]。

二、图像的自适应中值滤波处理

X射线图如图1（a）所示，根据灰度级的不同，图像分为背景区、焊缝区、1缺陷区域。由于拍摄图片背景有部分像素干扰点，本文先对图像进行自适应滤波处理，削弱背景区域的像素干扰点。由图1（b）可以看出经过降噪处理的图像，背景区域的像素干扰区域基本消除。如图2所示为降噪处理后图像的直方图，由于焊缝区域左右的边缘模糊，缺陷灰度与背景灰度有交叉。根据不同灰度的分布特性分析可知三个峰值分别表示背景和缺陷混叠区域、浅色焊缝区域以及深色焊缝三个区域。为了将缺陷区域有效的分离提取需要对降噪图像进行去除背景区域的处理。

三、背景区域的去除

本文采用的去除缺陷背景的具体过程[5]包括：首先根据图像直方图灰度起伏变化方向的不同，把图像划分为若干区域，沿着每个区域内垂直于灰度起伏的方向逐行(或逐列)扫描得到的像素点做一维中值滤波，弱化缺陷边界区域的对比度，模拟出图像的背景区域；其次将原始与模拟出的背景灰度图像做相减处理，得到缺陷区域突出的灰度图如图3所示。

滤波图像直接去除背景的结果可以看出，图像只保留了部分缺陷的边缘信息。为了提高缺陷边缘的识别度，本文在滤波图像的基础上利用模糊算子对图像的边缘进行对比度增强处理。

四、基于模糊算子图像边缘对比度增强处理

由于图像像素信息的复杂性和相关性，使得在图像处理的过程中出现不确定性和不精确性。因为模糊理论对于图像的不确定性有很好的描述能力，并且对于噪声具有很好的鲁棒性，特别是在图像增强、边缘检测以及图像分割中的应用，效果要好于传统的处理方法。将图像进行模糊化处理主要有以下三个步骤：图像模糊特征提取、隶属函数值的修正和模糊域反变换。

1、隶属度函数的定义

本文在S.K.Pal算法和陈武凡等人引入广义模糊集的基础上，优化的隶属度函数为[6]：

其中，μmn—定义组成的平面即是模糊特征平面；

gmax—图像中最大的象素值。

公式（1）实质就是图像像素对其最大灰度值进行归一化。这种更为简单的隶属度函数定义，主要克服了传统隶属度计算量大的缺点，提高了运算速率。

2、模糊增强算子的设计

为了进行图像增强，增强算子的设计非常重要。广义模糊集方法从图像空间域到广义模糊域的转换实际上相当于对其取值范围进行拉伸的计算复杂度相对较高，从而增加了运算时间[7]。

因此，基于以上所述特点，本文提出如下增强算子：

其中，变量r=0.5时，图像的灰度直方图的灰度分布被拉伸，从而“扩大”前景和背景灰度的差别，达到了图像对比度增强的目的。

下面针对这种广义模糊增强（GFO）算子对图像进行灰度的对比度增强，式（2）中的参数取r=0.5，增强处理后的结果如图4所示。

去除背景后的结果如图5所示，图像的边缘信息被很好的保留下来，但是焊缝区域的边界也被保留。

为了进一步分离焊缝与缺陷区域，需要选取合适的阈值参数，实现有效的缺陷边缘提取。

3、阈值参数的选取与设定

阈值参数T可以通过图像的灰度直方图来确定。根据图像边界和周围背景环境的明显不同而造成的图像像素灰度值的分立，在此设置阈值对图像进行分割，即对图像进行二值化处理。高于阈值的灰度值设置成白，将低于阈值的灰度值设置成黑，实现目标区域和背景区域的分离[8,9]。

如图6所示，设图像为f(i,j)，其灰度级范围为[Z1,Z2]，设T∈(Z1,Z2)的阈值，其数学表达式为：

以上是一种比较理想的情况，实际中图像通常目标和背景区域的灰度重叠，难以直接选取。本文利用迭代的方法产生合适的阈值，其计算的具体方法是这样的：

（1）选择图像的平均灰度值来作为初始阈值T；

（2）根据初始阈值T，把图像的平均灰度值分成两组；

（3）计算这两组平均灰度值u1和u2；

（4）重新选择阈值T=(u1+u2)/2；

循环做第二步到第四步，直到两组的平均灰度值u1和u2不再发生变化，获得所需的分割阈值。

增强后的无背景图像通过阈值分割处理的结果如图7所示，可以看出焊缝边缘别很好的去除，缺陷边缘保存完好，相较图3实现了缺陷区域边缘的有效分离。

五、总结

本文研究的基于模糊增强算法的不规则缺陷边缘提取方法，分别从图像增强和缺陷提取两个方向进行，通过图像增强提高了缺陷边缘提取的精度和有效性。

（1）分区域自适应中值滤波法能有效地模拟出缺陷的背景，从原始图像与模拟出的背景图像相减后得到的差值图像实现缺陷区域的初步提取。

（2）本文利用模糊增强后的图像进行自适应阈值分割来实现焊缝图像中缺陷边缘提取，能较好地保持缺陷的细节，避免缺陷信息的丢失，具有较高的形状和尺寸保真度，能够为后续的缺陷识别提供准确而完整的数据。