隨著科學技術的發展,無損檢測技術已經廣泛應用于工業生產的各個領域中,包括航空航天、機械工程以及石油化工等領域。傳統的X射線檢測技術基于膠片成像和人工評片,存在工作效率低、人為因素影響大、檢測成本高等缺點。X射線實時成像與計算機圖像處理技術結合使用,可以將X射線圖片轉換為電子圖像形式,再對圖像進行數字化處理,最后使用計算機分析處理檢測結果,進行缺陷識別。

X射線檢測原始圖片存在灰度區間窄、對比度低、噪聲大等缺點,導致缺陷邊緣不清晰、缺陷特征被淹沒等問題,進而影響檢測結果的評定。圖像預處理的主要目的是減少圖像中的噪聲,提高圖像對比度及圖像的缺陷識別率。因而,有必要對檢測圖像進行圖像預處理以提高圖像質量。

針對上述問題,筆者采用降噪處理與對比度增強圖片預處理算法,對射線底片開展了灰度二值化、濾波減噪以及去白邊、自適應剪裁等預處理試驗,并根據實際效果優化了參數,改進了算法。試驗結果表明,降噪方面,中值高斯組合濾波的降噪效果較好；對比度增強方面,線性變換的對比度增強效果較好。

1. 射線檢測圖像的去噪處理

數字射線儀器在進行數模信號轉換時會出現一定的失真現象,加之實際生產過程中膠片成像會受到外界環境因素的干擾而可能導致圖像質量的下降,影響后續圖像識別的準確率。因此,有必要對圖像進行一定的預處理。觀察射線檢測的原始圖像可以發現其存在一些隨機信號。這些隨機信號通常是無規律的分布在圖像中,無論是圖像采集過程中的噪聲還是圖像傳遞過程中的數字信號,都可定義為噪聲信號。另外,無論是內部噪聲還是外部噪聲或多或少都降低了射線圖像的質量,甚至很多噪聲信號參數類似于底片中的缺陷,影響了后續缺陷的準確判定,也一定程度上影響了缺陷識別算法的識別速度。從以上兩個方面可看出,去噪處理是射線數字圖像預處理過程的第一步,只有做好這一步,才能更好地進行后續圖像識別操作。

降噪是圖像預處理技術中很重要的步驟,其目的是使目標區域特征變得更加明顯從而利于濾除圖像中的噪聲。SHAO等[1]使用去除背景技術算法[2-4]高效率地分割出焊接缺陷而不影響其他區域,該技術被廣泛應用在焊接射線圖像識別中,用以保證后續圖像預處理的各項操作；ZHANG等[5]提出利用快速CNN去噪算法,針對人眼識別效果不理想的情況進行優化和改進,相應解決了模型魯棒性低、耗時長等問題；YU等[6]提出構造數學微積分的梯度算子,基于圖像缺陷的局部特征提出自適應的數學微積分圖像去噪算法,有效解決了局部噪聲問題；MURAKAMI等[7]基于不同序列的濾波器對不同類型的焊縫缺陷進行檢測,一定程度上提升了焊縫射線圖像中氣孔缺陷的識別準確率。ZOU等[8]提出一種能夠實時監測螺旋管焊縫缺陷的改進卡爾曼濾波方法,有效利用改進后的卡爾曼濾波對整個圖像序列進行軌跡檢測,以是否連續運動來區分真實缺陷和潛在缺陷。國內學者也對相關熱點問題進行了研究,劉瑛等[9]提出基于參數局部統計的降噪方法,此方法基于小波變換對圖像進行分解與重構,有效解決了圖像邊緣模糊且不平整的問題；王加等[10]利用引導濾波對圖像進行多維度分層,這種多維度并行輸出圖像的方法能夠對紅外圖像進行有效去噪。

現在多數算法都能夠去除噪聲,但仍然存在漏判率、誤判率上升的問題。究其原因,一方面是算法太過精細導致將缺陷信號識別成噪聲信號并將其濾除；另一方面則是算法太過粗略而導致缺陷信息被遺漏,后續缺陷識別時將噪聲信號當作缺陷信號。這兩種情況正是目前去噪領域的核心難題。筆者對幾種應用最有優勢的圖像去噪算法進行對比,通過相互改進融合,提出最優的去噪算法,最后使用不同的評價指標對其進行多方面評價。

第一種方法是均值濾波,因其可用于去除圖像噪聲所以廣泛地應用于圖像預處理領域。該方法以每一個像素點周圍點的平均值作為該像素點濾波之后的像素值,通常情況下取該像素點為中心的矩形窗口內的所有像素點來計算平均值。針對均值濾波,首先建立一個均值函數模板,滑動窗口尺寸可調節,然后根據試驗結果確定參數。

第二種方法是中值濾波,這種非線性濾波方法在一定程度上對脈沖噪聲信號的去噪效果較為明顯。針對中值濾波,首先利用中值函數,將圖像各元素的中值賦給像素中心位置的元素,然后對不同缺陷分別進行處理。

第三種方法是小波變換,與傳統的頻域變換相比,小波變換能夠更好地進行時域和頻域之間的分解。對于后續處理的二維X射線圖像而言,考慮到運算量的問題,可將信號分解成4種頻帶,再對每一頻帶進行針對性處理,最后進行小波重構得到處理完成后的圖像信號。

2. 射線檢測圖像的增強處理

射線圖像對比度增強是在不影響圖像其他區域的情況下,對存在缺陷的區域進行增強,以保證后續分割技術的實現[11]。在圖像預處理消除噪聲之后的圖像增強操作中,通?？杀ＷC噪聲信號不與圖像對比度一起增強。目前為了改善射線圖像的對比度,學者們提出了各種像素優化算法,采用不同的方式使得圖像灰度水平分布更加均衡,研究內容也更加細化。

ZHANG等[12]提出消除模糊的圖像增強算法,校正了圖像模型的模糊參數,去模糊的同時進行增強,在主客觀效果對比方面都有很好的同步性；ABIKO等[13]提出基于卷積神經網絡的圖像增強算法,此算法在去除混合高斯脈沖噪聲方面表現突出,去噪效果明顯；SINGH等[14]優化了掩?？蚣?修正圖像的灰色關聯矩陣,提出一種新的圖像增強優化模型；CHEN等[15]使用局部圖像對比度增強算法,基于保持映射的理論改進傳統圖像增強方法的不足,有效控制了圖像質量下降帶來的負面影響。

王萍等[16]提出一種針對低照度圖像的增強算法,采用多級分解的方法有效解決了圖像對比度模糊問題；黃果等[17]提出一種多階微分圖像增強算法,該算法可使圖像非局部對比度有明顯提升,能夠增強圖像的缺陷信息；張江鑫等[18]提出一種針對低照度彩色圖像的增強算法,能夠對視覺效果未達到預期的彩色圖像進行細節拾取和特征增強；張子夜等[19]在進行對比度亮度的自適應調整處理后,對反相圖像也進行亮度調整,明顯改善了圖像對比度；何山等[20]通過建立壓縮域圖像矩陣以獲取圖像特征信息,進而實現圖像增強操作；張翔松等[21]提出一種自動參數選擇的焊縫圖像自適應算法,不僅脫離了人工干預,而且在焊縫缺陷區域實現了自動圖像增強操作；楊先鳳等[22]提出一種基于改進后的自適應伽馬算法,有效解決了圖像過度增強的問題；馮鳴等[23]設計了一種自適應的圖像反銳化增強方法,針對圖像預處理過程中的圖像增強過沖問題進行研究,相應減弱了過沖現象；候力銘等[24]提出了一種同步消除椒鹽噪聲和修復對比度的算法,通過估算丟失矩陣來有效實現這一算法。

在對原始圖像進行灰度化處理后,缺陷部分與背景部分圖像對比度差異并不明顯,選取缺陷位置具有一定的難度,不可避免會取得較差的效果,因此提出圖像增強處理來解決這一問題,在改善缺陷射線圖像對比度的同時,突出了缺陷信息,放大了特征間的具體差異。筆者對比分析了目前幾種效果較好的圖像增強算法處理降噪后的圖像數據,以得到最優的增強算法。

圖像的線性灰度變換方法通過建立灰度映射來調整原始圖像的灰度,凸顯圖像的細節,提高圖像的對比度。筆者利用線性變換對圓形缺陷圖像像素區間進行一個局部拉伸,其結果如圖1所示。

圖像灰度的對數變換是另外一種常見的灰度非線性變化。非線性變換對空間進行了扭曲,圖像灰度的對數變換(此處log泛指log運算)可表示為[25]

式中：c為尺度比較常數；DA為原始圖像灰度；DB為變換后的目標灰度值,文中取40。

利用非線性變換對線性缺陷圖像像素進行對數變換,其結果如圖2所示。可以看出,非線性灰度變換的效果沒有線性灰度變換的效果好。

圖 2線性缺陷圖像的非線性變換結果

對一幅灰度圖像,其直方圖反映了該圖像中不同灰度級出現的統計情況。直方圖均衡化的主要思想是將一副圖像的直方圖分布變成近似均勻分布,從而增強圖像的對比度。在直方圖中,較灰暗的圖像顏色直方圖往往分布在一個比較小的像素值范圍內,而較為清晰的圖像顏色直方圖在整個像素灰度范圍內分布得比較均勻。因此圖像對比度越高,在由灰度個數構成的直角坐標系中橫向跨度越大,縱向長度越趨于一致。筆者利用直方圖均衡化進行線性缺陷圖像的增強操作,其結果如圖3所示。

圖 3線性缺陷圖像的直方圖均衡化結果

3. 評價指標

圖像預處理最終的評價指標分為主觀評價和客觀評價。根據人的主觀感受作出的評價與判斷即為主觀評價,此類評價容易受到多種因素的影像,缺乏穩定性；客觀評價是將處理后的圖像與原始圖像進行比較,利用數學方法處理得到數據,其能夠準確給出圖像處理結果的誤差,并以此作為評價圖像處理技術方法好壞的依據。

從主觀方面看,中值濾波優于其他經典算法的因為主要有：圖像原有的特征信息能夠被較好地保存,基本沒有多余噪聲存在；線性變換優于其他增強算法。客觀方面,均方根誤差(MSE)估計法通過比較圖像處理前后的均方差,能夠進行客觀地圖像評價與比較。MSE值越大表示處理圖像與原始圖像的差別越大。假設對于原始圖像有p(r,c) ,0≤r≤M-1,0≤c≤N-1,經過圖像預處理后的圖像為P(r,c) ,則對于任意r和c,p(r,c)和P(r,c) 之間的誤差可表示為[25]

均方根誤差MSE可表示為[25]

第二種客觀評價的指標是均方信噪比(SNR),可表示為[25]

峰值信噪比(PSNR)可表示為[26]

峰值信噪比是客觀評價圖像常用的比較指標,其值在一定程度上可以作為圖像質量的評價依據,PSNR越大說明圖像處理效果越好,圖像處理算法優勢越明顯。為了驗證這幾種去噪和增強方法的圖像處理效果,同時為了避免圖像缺陷的單一性,筆者選取5張不同類型的典型缺陷圖像進行驗證。對原始圖像進行去噪和增強操作,利用相應算法處理后得到圖像數據,從而獲得客觀評價指標的數值,從客觀角度對各類算法進行橫向比較。

4. 試驗結果分析

不同方法處理后去噪圖像的客觀評價指標（PSNR數值）如表1所示,不同方法的圖像去噪效果對比如圖4所示,可以從主客觀兩個角度看出,中值濾波算法相較于其他經典算法具有一定的優勢,適用性較好,對不同圖像的去噪效果相對穩定,不同方法去噪后的PSNR指標對比如圖5所示。為了進一步對比圖像去噪算法的優劣,選取具有突出優勢的中值濾波和高斯濾波結合的圖像去噪處理算法和單一中值濾波方法再次進行對比,組合處理方法與單一中值濾波處理方法下不同降噪效果評價指標如表2所示,處理后圖像PSNR指標曲線如圖6所示,分析結果后發現優化結合處理后圖像的噪聲明顯降低,中值和高斯濾波的結合對于圖片評價的各項指標都有一定的優化。

圖 4不同方法的圖像去噪效果對比

圖 5不同方法去噪后的PSNR指標對比

圖 6組合處理方法與單一濾波處理方法處理后圖像PSNR指標曲線

不同增強方法的客觀評價PSNR指標如表3所示,不同增強處理方法的PSNR指標對比如圖7所示,可見線性變換的增強算法相較其他經典算法有很大的優勢,適用性好,對各種圖像像素的對比度增強效果比較好。所以筆者采用線性變換圖像增強處理算法,對于線性變換進行進一步細分,最終通過比較發現,將像素從0.1~0.5拉伸到0~1的效果比從0.3~0.7拉伸到0~1的效果要更好,所以后續增強采用表2中所示的線性變換方法。

圖 7不同增強處理方法的PSNR指標對比

試驗結果表明,單一濾波方法對于5類射線底片缺陷的檢測來說存在一定的改善空間。

從客觀數值上對比,均值濾波法僅對于未焊透類缺陷具有明顯的處理效果,中值濾波在對未焊透、未融合兩類缺陷處理效果較好的情況下,對其他3類缺陷也具有相應的優勢,而小波濾波在3類單一濾波方法比較中劣勢較為明顯。

由于試驗中單一濾波方法中的中值濾波效果優于其他方法的效果,考慮將其與高斯濾波方法融合,形成優勢增強方法。該試驗采用多指標評價方式,從各個維度上證明了筆者所采用的中值高斯融合濾波算法可以很好地解決射線底片對比度不高、噪聲明顯的問題。

5. 無損檢測掛證網結語

使用各種圖像預處理技術,對工業生產中實際獲得的射線檢測缺陷底片進行處理,完成了圖像預處理降噪與增強。圖像預處理去噪部分采用中值高斯濾波相結合的方式,多種評價指標表明其具有一定的優勢；圖像增強時,線性變換中的拉伸局部像素方法也具有明顯的優勢,因此可直接以去噪結果作為依據,開展后續增強的相關操作,也為后續射線圖像缺陷的定位與識別做好了準備。另外,提出了一種射線底片缺陷預處理技術,該方法可以對射線檢測底片的5種常見缺陷進行有效處理,改善射線底片噪聲與對比度的問題。

在實際的應用過程中,缺陷的種類、特征以及位置都會一定程度上影響檢測的準確度,在圖像預處理過程中使用混合去噪后繼續進行增強操作,能夠更加精確地表征缺陷信息,為后續的缺陷特征提取奠定一定基礎。

推薦閱讀：無損檢測掛證價格行情與辦理流程詳解（2025年12月更新）