基于二维信息熵图像分割的缺陷识别方法

迟大钊， 刚 铁

(哈尔滨工业大学 先进焊接与连接国家重点实验室，哈尔滨 150001)

摘 要：为了提高无损检测的工作效率及可靠性，研究超声图像中缺陷目标的自动识别方法. 根据超声D扫描图像的特征，在背景杂波抑制及噪声抑制的基础上，采用基于KSW二维信息熵的阈值分割方法对图像进行二值化处理. 结果表明，由于不能兼顾图像各处的细节信息，基于二维信息熵的全局阈值图像二值化方法会产生欠分割. 当图像尺寸较大时，全局阈值方法会丢失许多像元数目不多的集群，造成小目标的漏检. 基于二维信息熵的局部阈值法充分考虑了图像的局部区域特征，能有效地识别图像中的缺陷目标，从而提高缺陷检出率.

关键词：超声检测；缺陷识别；二维信息熵；图像分割

0 序 言

在无损检测获取的图像中进行缺陷识别时，依靠人工目测的判断存在费时、费力及可靠性差的问题. 在图像中进行缺陷是与非的判别时，操作人员面对大量的检测数据容易疲劳，进而造成漏检和误判. 同时，缺陷识别结果受检测者的经验及技能水平等影响大，从而导致检测结果的可靠性无法得到保证. 为了提高工作效率、提高缺陷检出率以及降低误判率，有必要研究缺陷目标的自动提取方法[1,2]. 由于焊缝中缺陷形态的多样性，在超声衍射时差法的D扫描图像中缺陷的形状、大小和纹理等特征不易于提取，这使得基于模式识别技术进行目标提取的难度较大. Kechida等人[3]采用均值聚类算法，对D扫描图像进行了缺陷目标提取的处理. 结果表明，由于小缺陷在图像中的统计特征不明显而容易造成漏检. 有研究者将信息论中熵的概念应用于图像分割中，即通过研究图像灰度直方图的熵测量，并由此自动找出最佳门限来分割图像[4,5]. 基于二维信息熵的图像阈值分割法不仅利用了图像的灰度值信息，并且充分考虑了图像的空间位置细节，在算法上引入图像的二次统计特性，从而达到改善图像的分割质量的目的. 基于KSW的二维信息熵的图像分割方法在目标检测领域得到了广泛的应用. 文中根据超声D扫描图像的特征，在背景杂波、噪声抑制的基础上，采用基于KSW信息熵的阈值分割方法对图像进行二值化处理. 通过试验研究，实现超声图像中缺陷目标的自动识别.

1 基于信息熵的图像分割原理

在众多的图像分割方法中，阈值分割是最简单也是最常用的一种方法. 设原图像为

经过分割处理后的图像为

为二值图像，则有，

(1)

式中：Th为阈值. 因此，阈值方法的核心就是阈值Th的确定. 对一幅图像而言，无论是目标区域或背景区域还是同一区域内的像素，其在位置和灰度级上同时具有较强的一致性和相关性. 基于信息熵的图像分割原理如下.

对于一幅灰度级数为l、大小x×y图像

采用3×3或5×5点阵对其进行平滑处理，得到平滑图像

其灰度级数为l、大小x×y. 图像F′中像素的灰度级为图像F中相应像素的邻域平均灰度级. 由F和F′构成一个二元组,即

(2)

为图像F的“广义图像”.

设F的广义图像

中的二元组

出现的总数为fij，有

(3)

则

出现的频率为

(4)

表达这种关系的图形称之为二维直方图，如图1所示.

图1 二维灰度直方图的示意图
Fig.1 Schematic of two-dimension gray histogram

在A区和B区，像素的灰度值与邻域平均灰度值接近，说明一致性和相关性较强，应该大致属于目标或背景区域；C区和D区一致性和相关性较弱，可以理解为噪声或边界部分. 二维直方图不仅利用了图像的灰度值信息，同时利用了其邻域空间的相关信息，因此，可以较好地表征图像信息.

若阈值设在

则

(5)

(6)

A区和B区的二维熵分别为

(7)

(8)

定义判别函数为

(9)

二维信息熵全局阈值分割就是要选取最优阈值向量S*,T*，使之满足

(10)

2 试验结果及分析

2.1 仿真图像阈值分割

2.1.1 仿真图像及预处理

正演合成了裂纹和多个气孔在噪声背景下检测的D扫描图像，如图2所示. 在超声图像中，仅有小部分数据代表缺陷，其它大部分数据均属于图像背景. 因此，D扫描图像的像素绝大多数集中在低灰度级的背景区上. 一般认为，对于图像中不存在明显灰度差异或各物体的灰度范围有较大重叠时，阈值分割难以得到准确的处理结果. 这也是基于阈值分割方法所要解决的主要问题.

图2 仿真超声图像
Fig.2 Simulated ultrasonic image

对图2所示的D扫描图像进行基于子波相关的改进NWS噪声抑制处理去噪[6]及增强预处理，结果如图3所示. 以此为待分割图像，校验基于信息熵图像分割处理算法的有效性以及缺陷目标识别的可靠性. 由图3可见，在对超声图像进行二值化处理时，如果选取的阈值过高，则像元数较少且灰度值接近背景的目标点会被遗漏，造成欠分割. 反之，背景图像中的能量起伏会被误判为缺陷，将造成过分割.

图3 噪声抑制及增强处理图像
Fig.3 Denoising and enhancing processed image

2.1.2 全局阈值分割

利用基于二维信息熵的全局阈值法，对图3所示的待处理图像进行分割处理. 首先获取待处理图像的二维灰度直方图，如图4所示.

利用二维直方图提供的图像信息进行阈值寻优，选取的最优阈值对为(25, 28). 利用所求阈值，

图4 二维灰度直方图
Fig.4 2D gray histogram

图像分割结果如图5所示. 信息熵法确定阈值时不需要先验知识，而且对于非双峰直方图的图像也可以进行分割. 但是当图像相对复杂时，如缺陷图像的对比度不同、尺寸多样性等，只用一个固定的全局阈值对整幅图像进行分割，则会由于不能兼顾图像各处的情况而使分割效果受到影响. 在图5所示的二值化图像中，由于“大”目标的存在，影响了“小”目标的有效分割. 可见，由于D扫描图像灰度分布的特殊性，基于二维信息熵全局阈值的分割方法无法满足目标提取的要求.

图5 全局阈值分割结果
Fig.5 Segmented image by global threshold

2.1.3 局部阈值分割

根据超声图像特征，阈值分割的重要任务就是要克服过高的阈值选取造成漏分割问题，即在大目标识别的前提下，要确保小目标的有效提取. 同时，对于缺陷分布情况复杂的图像来讲，仅仅利用像元或像元邻域的全局阈值技术很难获得良好的分割结果. 当图像尺寸较大时，利用全局直方图会丢失部分集群，即那些像元数目不多的区域类. 因此对于相对复杂图像的分割，要充分考虑局部区域特征. 局部阈值分割方法是将待处理图像分为几个小的子图像，并求出各子图像的最优分割阈值，通过对各子图像的二值化处理，实现对整幅图像的分割. 对获取的各子图像分别进行基于二维信息熵的全局阈值分割处理，并将二值化的各子图像合并，完成最终的图像分割，结果如图6所示.

图6 局部阈值分割结果
Fig.6 Segmented image by local threshold

2.2 焊缝检测图像分割

对实际焊缝检测的D扫描图像进行目标识别处理，见图7. 如图7a所示，由于受成像技术的限制，气孔类的小缺陷目标在检测图像中所占的像元数目很少. 由于小目标所占的区域面积较小，缺乏几何形状和纹理结构等特征，可供识别系统利用的信息很少，且检测时容易受背景起伏和噪声的影响. 尤其当距离探头的主轴声束较远时，小缺陷目标的回波幅值低，在图像中目标与背景的对比度更低，因此小缺陷的有效检测是D扫描图像中目标提取的难点. 为了突出缺陷目标在检测图像中的统计特性，采用自适应杂波抑制方法去除了图像中固有的非检测目标信号[7]，并在杂波抑制的基础上进行噪声抑制处理. 通过噪声抑制处理，图像中的噪声散斑得到了有效的抑制，目标和背景的对比度得到了提高，如图7b所示. 分别采用基于二维信息熵的全局阈值和局部阈值法对杂波和噪声抑制后的图像进行分割处理. 固定的全局阈值法由于不能兼顾图像各处的情况而使分割效果受到影响，尤其当图像尺寸较大时，全局阈值方法会丢失许多像元数目不多的集群，造成小目标的漏分割，如图7c所示. 局部阈值由于充分考虑了局部区域特征，通过对子图像进行二值化处理，获取了较好的缺陷分割结果，有效地提取了图像中的缺陷目标，如图7d所示. 在最终处理的图像中，缺陷沿焊缝长度方向上的分布特征更利于视觉观测，在进行缺陷是与非的判别时，有效地降低了操作人员的劳动强度，并提高检测结果的可靠性. 通过表征缺陷在焊缝长度方向上的位置，为进一步检测及细化的定量分析提供依据.

图7 焊缝D扫描图像的缺陷目标识别
Fig.7 Defect extraction from weld D-scan image

3 结 论

(1) 在杂波及噪声抑制的基础上，研究了超声D扫描图像中缺陷目标的自动识别. 分析表明,由于D扫描图像的像素主要集中在低灰度级，其灰度直方图呈单调特性，传统的二值化方法难以实现有效的缺陷分割.

(2) 基于二维信息熵的全局阈值法由于不能兼顾图像各处的情况而使分割效果受到影响，尤其当图像尺寸较大时，全局阈值方法会丢失许多像元数

目不多的集群，造成小目标的漏分割.

(3) 基于二维信息熵的局部阈值法由于充分考虑了局部区域特征，通过对子图像进行二值化处理，获取了较好的缺陷分割结果，能有效地识别图像中的缺陷目标.

参考文献：

[1] 梁 硼, 魏艳红, 占小红. 基于B样条曲线的X射线图像焊缝缺陷分割与提取[J]. 焊接学报, 2012, 33(7): 109-112. Liang Peng, Wei Yanhong, Zhan Xiaohong. Weld defect segmentation and extraction of X-ray image based on B-spline curve[J]. Transactions of the China Welding Institution, 2012, 33(7): 109-112.

[2] 高炜欣, 胡玉衡, 穆向阳, 等. 基于聚类的埋弧焊X 射线焊缝图像缺陷分割算法及缺陷模型[J]. 焊接学报, 2012, 33(4): 37-41. Gao Weixin, Hu Yuheng, Mu Xiangyang, et al. Study on sub-arc X-ray welding image defect segmentation algorithm and defect model[J]. Transactions of the China Welding Institution, 2012, 33(4): 37-41.

[3] Kechida A, DraiR, Khelil M. 2D Gabor functions and FCMI algorithm for flaws detection in ultrasonic images[J]. Transactions on engineering, computing and technology, 2005, (9): 1305-5313.

[4] KapurJ N, Sahoo P K, Wong A K C. New method for gray-level picture thresholding using the entropy of the histogram[J]. Computer Vision, Graphics, and Image Processing, 1985, 29(3): 273-285.

[5] MarianoR, Omar O, Marroquin J L. Entropy-controlled quadratic Markov measure field models for efficient image segmentation[J]. IEEE Transactions on Image Processing, 2007, 16(12): 3047-3057.

[6] 迟大钊, 刚 铁, 孙昌立. 基于自适应滤波的超声杂波抑制方法[J]. 焊接学报, 2015, 36(11): 33-36. Chi Dazhao, Gang Tie, Sun Changli. An ultrasonic clutter suppression method using adaptive filter[J]. Transactions of the China Welding Institution, 2015, 36(11): 33-36.

[7] 迟大钊, 刚 铁, 姚英学. 基于非线性小波收缩的超声检测缺陷信号识别方法[J]. 机械工程学报, 2011, 47(18): 1-6. Chi Dazhao, Gang Tie, Yao Yingxue. Non-linear wavelet shrinkage based method for defect detection in ultrasonic signal[J]. Journal of Mechanical Engineering, 2011, 47(18): 1-6.

收稿日期：2016-06-04

基金项目：国家自然科学基金资助项目(51375002，51005056)；黑龙江省博士后科研启动基金资助项目(LBH-Q13079)

中图分类号：TG 441

文献标识码：： A

文章编号：： 0253-360X(2016)12-0025-04

作者简介：迟大钊，男，1976年生，博士，讲师. 主要从事焊接质量检测与评价方面的教学及科研工作，发表论文50篇. Email： [e-mail]