[发明专利]一种基于RSBSS红外无损检测热成像缺陷图像处理方法及系统

摘要

本发明涉及一种基于RSBSS红外无损检测热成像缺陷图像处理方法及系统，在本发明中，该方法及系统被应用到复合型材料的缺陷检测中；其特征在于，为了能够更加有效的对缺陷特征的提取，采集带有时间信息的红外热成像图片，对采集的红外热成像图片进行预处理，进行RSBSS算法处理，在经过RSBSS算法处理后的红外热成像图片基础上提取缺陷信息；本发明在有效滤除红外热成像图片噪声的同时也使红外热成像图片缺陷部位得到了保护和增强，且比传统方法更加实用有效。本发明所提供的方法及系统，检测速度快、检测结果准确，可广泛应用于无损检测领域，具有广阔的应用前景。

主权项

1.一种基于RSBSS红外无损检测热成像缺陷图像处理方法，其特征在于，包含以下步骤：(1)采用激励源对测试试件加热，使用红外热像仪采集带有时间信息的热成像图片；利用双激励源对试件进行激励，两激励源所形成光点聚焦于试件被测量点，两激励源之间距离约为L，其中X为两激励源水平连线与被测试件距离，L为两激励源水平距离，θ为激励源与水平轴所成夹角；(2)对采集的红外热成像图片进行预处理；计算机对收集到的红外热成像图片(图片矩阵大小为n×N)进行预处理，具体过程为：求红外热成像图片矩阵X行均值矩阵其中μ_i为红外热成像图片矩阵X行均值矩阵，X_i(j)为第i行第j列对应的灰度值矩阵，计算中心均差矩阵表示为根据构造协方差矩阵C，其中其中L＝(X_i1，X_i2，.....X_iN)大小为n×N，为中心均差矩阵，X_i为红外热成像图片对应的行矩阵，根据协方差矩阵C求解红外热成像图片矩阵特征值和对应的特征向量，求出协方差的对角矩阵以及对应的特征向量矩阵并作相应的排列，取前K个特征值及特征值对应的向量矩阵P，生成投影矩阵令变换矩阵P＝φ^T，即可对矩阵数据进行降维，其中φ^T为特征向量对应的矩阵的转置，其中为红外热成像图片均值矩阵，得到降维的矩阵A，其中X_i为红外热成像图片对应的行矩阵，P为前K个特征向量对应的特征矩阵，位置(i，j)处像素点灰度值为f(i，j)根据其中M为像素点(i，j)领域像素点的总数，其中B为像素点(i，j)领域矩阵，f(i，j)为像素点(i，j)处灰度值，g(i，j)为(i，j)像素点平滑后的灰度值；(3)对预处理后的红外热成像图片进行RSBSS算法处理；对于红外热成像图片设定C₁为像素点灰度值属性，C₂为像素点噪声属性，红外热成像图片一般是由较亮区域和较暗区域组成，对应的直方图会出现两个峰值，条件属性为C＝{C₁，C₂}；在较亮与较暗灰度峰值中间选取一个灰度值作为阈值P，结合阈值P可将灰度值属性进一步定义为C₁＝{0，1}，其中0代表灰度值范围(0，P)像素点的集合，1代表灰度值范围(P+1，255)像素点的集合，定义阈值Q，根据阈值Q对噪声属性定量化定义为C₂＝{0，1}，其中0代表2×2像素点矩阵组成子块S平均灰度值与相邻子块平均灰度值之差的绝对值小于阈值Q，1代表2×2像素组成子块S平均灰度值与相邻子块平均灰度值之差的绝对值均大于Q，依据C₁和C₂将采集热成像图片划分成单个子图，根据C₁划分子图，如果两个像素x的灰度值f(x)都大于P，那么这两个像素属于等价关系即：定义为较亮区域像素点集合，因此较暗区域像素点集合可定义为其中S为图片矩阵中2×2像素点组成的子块矩阵，Q为灰度值范围在(0，255)中的一个整数值，P为灰度值范围为(0，255)中的一个整数值；根据C₂划分子图则有，可以定义将整个图像矩阵分成多个2×2子矩阵S，子块S与其相邻子块平均灰度值m(s)之差的绝对值取整均大于定义阈值Q则称两个子块等价即：式(2)中s_i±1，s_j±1，表示与s_ij相邻的子块，表示所有噪声像素组成的集合，将依据C₁较亮灰度值集合和较暗灰度值集合分别与C₂划分的子图合成A₁，A₂，即：上式(3)、(4)中A₁表示剔除噪声后所有“较亮”像素x组成的集合，A₂表示剔除噪声后所有“较暗”的像素x组成的集合，对于A₁，A₂，将剔除的灰度值分别以P和Q进行填充得到A₁₁和A₂₂，其中A₁₁为A₁子图剔除噪声灰度值后以P填充形成的子图，A₂₂为A₂子图剔除噪声灰度值以Q填充形成的子图，将填充之后的图像矩阵分别进行直方图变换，定义归一化的原图像灰度值r，定义s为直方图变换之后图像的灰度值，有0≤r，s≤1，对于r在区间[0，1]中任意r对应一个s值，且有s＝T(r)，其中T(r)为变换函数，根据公式：式(5)中P_s(s)表示变换后变换变量s的概率密度函数，P_r(s)表示变换后变换变量s的概率密度函数，式(6)中w积分的假变量，式(7)中n_r为图像中出现r级灰度的像素数，N是图像像素总数，可求得直方图变换后概率密度P_r(s)，依据微积分学对r进行变换得到直方图变换后的像素灰度值s，即得到直方图均衡化图像，将A₁₁和A₂₂作直方图均衡化后进行图像重叠，得到原图像增强图像，其中A₁₁为A₁子图剔除灰度值以P填充形成的子图，A₂₂为A₂子图剔除灰度值以Q填充形成的子图，其中Q为灰度值范围在(0，255)中的一个整数值，P为灰度值范围为(0，255)中的一个整数值；(4)在RSBSS算法处理后的红外热成像图片基础上提取缺陷信息；取图像中的像素点(x，y)灰度值f(x，y)的关于x和y方向上的差分即：式(8)中为边缘算子，其中f_xx为f(x，y)在x方向上的二阶偏导，f_yy为f(x，y)在y方向上的二阶偏导，对于一维图像信号f(x)边缘信息发生在f(x)一阶导数局部最大值处，其中f(x)为像素点x处灰度值，根据x像素点灰度值f(x)极值点求取边缘信息，进而可以确定缺陷信息，在二维图像边缘是沿着梯度方向的一阶导数幅度最大像素点组成，边缘方向的存在方向用一阶导数梯度方向表示，其中为f(x)关于x的一阶偏导，而根据一维判断规则，可以定义判断边缘判断系数λ即：式(9)中λ表示边缘点判断系数，只有当λ＞0时对应的则是边缘点，其中n为一阶导数梯度方向，为f关于n的一阶偏导，是f关于n的三阶偏导，依据边缘算子和判别系数λ相结合即可确定图像的边缘信息，其中为边缘算子，f_xx为f(x，y)在x方向上的二阶偏导，f_yy为f(x，y)在y方向上的二阶偏导。