[发明专利]基于动态环境特征和加权贝叶斯分类器的缺陷提取方法

摘要

本发明公开了一种基于动态环境特征和加权贝叶斯分类器的缺陷提取方法，通过选取热图像序列中的步长将图像分块并去除冗余信息，提取代表性瞬态热响应。之后，再利用特征提取公式进行特征提取，在贝叶斯分类器中引入环境变量，用来描述在同一区域中不同环境下的瞬态热响应，进一步细化在同一区域下的瞬态热响应，使得在多个环境情况下，即使有部分瞬态热响应发生混叠，也能够通过剩下有差异的瞬态热响应进行分类将瞬态热响应分类，然后，对三维矩阵进行变换，最后采用模糊C均值算法进行图像分割，二值化分割后的图像，从而提取出热图像的缺陷特征。本发明考虑了检测环境，避免瞬态热响应的混叠，从而避免检测环境差异带来的瞬态热响应类别分类误差。

主权项

1.一种基于动态环境特征和加权贝叶斯分类器的缺陷提取方法，其特征在于，包括以下步骤：(1)、将红外热像仪获取的热图像序列用三维矩阵S表示，其中的元素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；(2)、从三维矩阵S选出最大像素值S(i_zz,j_zz,t_zz)，其中，i_zz、j_zz和t_zz分别表示最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数；(3)、对于三维矩阵S的t_zz帧，选取第j_zz行，根据像素值(即温度值)的变化，选取P个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按行对三维矩阵S进行划分，得到P+1个行数据块；在第p个行数据块S^p中(p＝1,2,...,P+1)，找到最大像素值，记为其中，分别表示第p个行数据块S^p中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为t＝1,2,...,T，T为三维矩阵S帧的总数量；设置第p个行数据块S^p的温度阈值为THRE^p，计算瞬态热响应与距离最大像素值即温度最大值像素点所在列由近及远像素点像素值对应的瞬态热响应之间的相关度Re^b，b依次取1,2,...，并判断相关度Re^b是否小于温度阈值THRE^p，当小于时，停止计算，此时，像素点间距b为第p个行数据块行数据块S^p的行步长，记为CL^p；(4)、对于三维矩阵S的t_zz帧，选取第i_zz行，根据像素值(即温度值)的变化，选取Q个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按列对三维矩阵S进行划分，得到Q+1个列数据块；在第q个列数据块S^q中(q＝1,2,...,Q+1)，找到最大像素值，记为其中，分别表示第q个列数据块S^q中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为t＝1,2,...,T，T为三维矩阵S帧的总数量；设置第q个列数据块S^q的温度阈值为THRE^q，计算瞬态热响应与距离最大像素值即温度最大值像素点所在行由近及远像素点像素值对应的瞬态热响应之间的相关度Re^d，d依次取1,2,...，并判断相关度Re^d是否小于温度阈值THRE^q，当小于时，停止计算，此时，像素点间距d为第d个列数据块S^q的列步长，记为CL^q；(5)、分块分步长选取瞬态热响应(5.1)、依据步骤(3)选取的P个像素值跳变点按列以及步骤(4)选取的Q个像素值跳变点按行对三维矩阵S进行分块，得到(P+1)×(Q+1)个数据块，行上第p、列上第q个数据块表示为S^p,q；(5.2)、对于每个数据块S^p,q，设置阈值DD，初始化集合编号g＝1，初始化像素点位置i＝1，j＝1，并将最大像素值S(i_zz,j_zz,t_zz)对应的瞬态热响应S(i_zz,j_zz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算数据块S^p,q中像素点位于i行，j列的瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T，与集合X(g)间的相关度Re_i,j，并判断：如果Re_i,j<DD，则g＝g+1，并将瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T作为一个新特征存储在集合X(g)中；否则，令i＝i+CL^p，继续计算下一个瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T与集合X(g)的相关度；如果i＞M^p,q，则令i＝i‑M^p,q，j＝j+CL^q，即变化到第j+CL^q列进行计算，如果j＞N^p,q,则瞬态热响应选取完毕，其中，M^p,q、N^p,q分别为数据块S^p,q的行数、列数；(6)、步骤(5)选取的所有(P+1)×(Q+1)个数据块的所有集合X(g)即瞬态热响应为G条，对这G条瞬态热响应进行特征提取，并分为K类(6.1)、特征提取：计算每条瞬态热响应的能量：其中，g为瞬态热响应序号，g＝1,2,...,G，x_g,t为瞬态热响应g在t帧的像素值(温度值)；计算每条瞬态热响应在吸热过程中的温度变化率：其中，t_mid表示加热终止帧序号，t₀表示加热起始帧序号(通常为1，即第1帧)；计算每条瞬态热响应在放热过程中的温度变化率：其中，t_end表示放热结束帧序号；计算每条瞬态热响应的平均温度值：计算每条瞬态热响应的最大温度值：完成特征提取后，每条瞬态热响应可以表示为：g＝1,2,...,G；(6.2)、将每个特征下的连续数值离散化，离散化后每个特征可由4个离散的数值标记：能量由很大E₁、较大E₂、较小E₃、很小E₄表示，同样的，吸热过程中的温度变化率由很大V_up1、较大V_up2、较小V_up3、很小V_up4表示，放热过程中的温度变化率由很大V_down1、较大V_down2、较小V_down3、很小V_down4表示,平均温度值由很大T_ave1、较大T_ave2、较小V_ave3、很小V_ave4表示,最大温度值由很大T_max1、较大T_max2、较小T_max3、很小T_max4表示；(6.3)、设置分类数目为K，类别表示为：C＝(c₁,c₂,...,c_K)，其中有一类表示无缺陷类别，剩下表示不同的缺陷类别，环境分为有M个，表示为v₁,v₂,...,v_M，通过计算最大后验概率得到最终的类别：其中，h_nb(X_g)表示求瞬态热响应X_g的类别，即拥有最大后验概率p(c_k|X_g)的类别c_k为瞬态热响应X_g的类别，p(E^g|c_k,v_m)、分别表示环境v_m下离散能量、吸热过程中的温度变化率、放热过程中的温度变化率平均温度值最大温度值的数值属于类别c_k的似然概率；其中，p(c_k)为类别c_k的先验概率，其值为：N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中属于类别c_k的瞬态热响应条数；其中，p(v_m)为环境v_m的先验概率，其值为：N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中在环境v_m下的瞬态热响应条数；(7)、对于K类瞬态热响应寻找每一类的代表，并构成构成一个T×K的矩阵Y(7.1)、首先求取每一类瞬态热响应的中心，用每一类的均值表示该类的中心即：其中，每一帧的均值t＝1,2,...T，可以通过下式计算：其中，为c_k类瞬态热响应的数量，分别表示c_k类第1条、第条瞬态热响应在t帧的像素值(温度值)；(7.2)、用表示第c_k类的代表，并通过下式计算每一类的代表：其中，表示除了类别c_k以外的其他类别集合；即在类别c_k的条瞬态热响应中找到一条瞬态热响应满足与其他类别c_u的瞬态热响应中心的距离和最大；(7.3)、将K类的瞬态响应代表按列放置(一列为T个时刻的像素值即温度值)，构成一个T×K的矩阵Y；(8)、将三维矩阵S中的每一帧从第一列开始，将后一列接在前一列的末尾，构成新的一列，得到T帧对应的T列像素值，然后，依据时间先后，将T列像素值依次放置，构成I×J行、T列二维图像矩阵O，用矩阵Y对二维矩阵O进行线性变换，即：得到二维图像矩阵R，其中，为K×T矩阵，是矩阵Y的伪逆矩阵，O^T二维图像矩阵O的转置矩阵，得到的二维图像矩阵R为K行、I×J列；二维图像矩阵R的每一行，按J列依次进行截取，截取的J列按行依次放置，构成一张I×J二维图像，这样K行，得到K张I×J二维图像，这些图片都包含了缺陷区域，为方便缺陷轮廓提取，选择缺陷区域和非缺陷区域像素值(温度值)差距最大的一张二维图像，并记为f(x,y)；(9)、采用模糊C均值算法对二维图像f(x,y)进行图像分割，实现特征提取：首先采用模糊C均值算法对的二维图像f(x,y)进行聚类，根据隶属度最大，得到每个像素点所属类别，然后该类别聚类中心的值作为该像素点的幅值，得到分割后的图像，最后，将分割后图像转换成二值图像，即设定阈值为TH，当分割后的图像中像素点幅值大于TH时，将该像素点幅值设为1，否则幅值设为0；二值图像为缺陷图像，从而完成缺陷的提取。