Image preprocessing technology for defects of radiographic testing film
-
摘要:
图像识别技术是人工智能在焊缝射线检测技术领域的典型应用场景之一,开展图像识别技术在工业焊缝检测和智能监测中的研究和应用,对推动无损检测智能化发展具有重要意义。射线检测底片缺陷图像预处理能够在短时间内将复杂图片简单化,为后续的缺陷识别打好基础。X射线检测原始图像灰度区间窄,对比度低,噪声大,为解决这一问题,采用不同的降噪处理与对比度增强图片预处理方法,开展了射线检测底片预处理试验,并根据实际检测效果优化了参数,改进了算法。试验结果表明,降噪方面,中值高斯组合滤波的降噪效果较好;对比度增强方面,线性变换的对比度增强效果较好。
Abstract:Image recognition technology is one of the typical application scenarios of artificial intelligence in the field of weld seam radiographic testing. Conducting research and application of image recognition technology in industrial weld seam detection and intelligent monitoring is of great significance for promoting the intelligent development of non-destructive testing. The preprocessing of defect images in radiographic testing can simplify complex images in a short period of time, laying a solid foundation for subsequent defect recognition. Due to the narrow gray range, low contrast, and high noise in the original X-ray detection image, different denoising and contrast enhancement image preprocessing methods were used to solve this problem. X-ray film preprocessing experiments were conducted, and parameters were optimized and algorithms were improved based on actual detection results. The experimental results showed that in terms of noise reduction, the median Gaussian combination filter had a better noise reduction effect; In terms of contrast enhancement, linear transformation had a better effect on contrast enhancement.
-
Keywords:
- image preprocessing /
- defect recognition /
- radiographic testing
-
随着科学技术的发展,无损检测技术已经广泛应用于工业生产的各个领域中,包括航空航天、机械工程以及石油化工等领域。传统的X射线检测技术基于胶片成像和人工评片,存在工作效率低、人为因素影响大、检测成本高等缺点。X射线实时成像与计算机图像处理技术结合使用,可以将X射线图片转换为电子图像形式,再对图像进行数字化处理,最后使用计算机分析处理检测结果,进行缺陷识别。
X射线检测原始图片存在灰度区间窄、对比度低、噪声大等缺点,导致缺陷边缘不清晰、缺陷特征被淹没等问题,进而影响检测结果的评定。图像预处理的主要目的是减少图像中的噪声,提高图像对比度及图像的缺陷识别率。因而,有必要对检测图像进行图像预处理以提高图像质量。
针对上述问题,笔者采用降噪处理与对比度增强图片预处理算法,对射线底片开展了灰度二值化、滤波减噪以及去白边、自适应剪裁等预处理试验,并根据实际效果优化了参数,改进了算法。试验结果表明,降噪方面,中值高斯组合滤波的降噪效果较好;对比度增强方面,线性变换的对比度增强效果较好。
1. 射线检测图像的去噪处理
数字射线仪器在进行数模信号转换时会出现一定的失真现象,加之实际生产过程中胶片成像会受到外界环境因素的干扰而可能导致图像质量的下降,影响后续图像识别的准确率。因此,有必要对图像进行一定的预处理。观察射线检测的原始图像可以发现其存在一些随机信号。这些随机信号通常是无规律的分布在图像中,无论是图像采集过程中的噪声还是图像传递过程中的数字信号,都可定义为噪声信号。另外,无论是内部噪声还是外部噪声或多或少都降低了射线图像的质量,甚至很多噪声信号参数类似于底片中的缺陷,影响了后续缺陷的准确判定,也一定程度上影响了缺陷识别算法的识别速度。从以上两个方面可看出,去噪处理是射线数字图像预处理过程的第一步,只有做好这一步,才能更好地进行后续图像识别操作。
降噪是图像预处理技术中很重要的步骤,其目的是使目标区域特征变得更加明显从而利于滤除图像中的噪声。SHAO等[1]使用去除背景技术算法[2-4]高效率地分割出焊接缺陷而不影响其他区域,该技术被广泛应用在焊接射线图像识别中,用以保证后续图像预处理的各项操作;ZHANG等[5]提出利用快速CNN去噪算法,针对人眼识别效果不理想的情况进行优化和改进,相应解决了模型鲁棒性低、耗时长等问题;YU等[6]提出构造数学微积分的梯度算子,基于图像缺陷的局部特征提出自适应的数学微积分图像去噪算法,有效解决了局部噪声问题;MURAKAMI等[7]基于不同序列的滤波器对不同类型的焊缝缺陷进行检测,一定程度上提升了焊缝射线图像中气孔缺陷的识别准确率。ZOU等[8]提出一种能够实时监测螺旋管焊缝缺陷的改进卡尔曼滤波方法,有效利用改进后的卡尔曼滤波对整个图像序列进行轨迹检测,以是否连续运动来区分真实缺陷和潜在缺陷。国内学者也对相关热点问题进行了研究,刘瑛等[9]提出基于参数局部统计的降噪方法,此方法基于小波变换对图像进行分解与重构,有效解决了图像边缘模糊且不平整的问题;王加等[10]利用引导滤波对图像进行多维度分层,这种多维度并行输出图像的方法能够对红外图像进行有效去噪。
现在多数算法都能够去除噪声,但仍然存在漏判率、误判率上升的问题。究其原因,一方面是算法太过精细导致将缺陷信号识别成噪声信号并将其滤除;另一方面则是算法太过粗略而导致缺陷信息被遗漏,后续缺陷识别时将噪声信号当作缺陷信号。这两种情况正是目前去噪领域的核心难题。笔者对几种应用最有优势的图像去噪算法进行对比,通过相互改进融合,提出最优的去噪算法,最后使用不同的评价指标对其进行多方面评价。
第一种方法是均值滤波,因其可用于去除图像噪声所以广泛地应用于图像预处理领域。该方法以每一个像素点周围点的平均值作为该像素点滤波之后的像素值,通常情况下取该像素点为中心的矩形窗口内的所有像素点来计算平均值。针对均值滤波,首先建立一个均值函数模板,滑动窗口尺寸可调节,然后根据试验结果确定参数。
第二种方法是中值滤波,这种非线性滤波方法在一定程度上对脉冲噪声信号的去噪效果较为明显。针对中值滤波,首先利用中值函数,将图像各元素的中值赋给像素中心位置的元素,然后对不同缺陷分别进行处理。
第三种方法是小波变换,与传统的频域变换相比,小波变换能够更好地进行时域和频域之间的分解。对于后续处理的二维X射线图像而言,考虑到运算量的问题,可将信号分解成4种频带,再对每一频带进行针对性处理,最后进行小波重构得到处理完成后的图像信号。
2. 射线检测图像的增强处理
射线图像对比度增强是在不影响图像其他区域的情况下,对存在缺陷的区域进行增强,以保证后续分割技术的实现[11]。在图像预处理消除噪声之后的图像增强操作中,通常可保证噪声信号不与图像对比度一起增强。目前为了改善射线图像的对比度,学者们提出了各种像素优化算法,采用不同的方式使得图像灰度水平分布更加均衡,研究内容也更加细化。
ZHANG等[12]提出消除模糊的图像增强算法,校正了图像模型的模糊参数,去模糊的同时进行增强,在主客观效果对比方面都有很好的同步性;ABIKO等[13]提出基于卷积神经网络的图像增强算法,此算法在去除混合高斯脉冲噪声方面表现突出,去噪效果明显;SINGH等[14]优化了掩模框架,修正图像的灰色关联矩阵,提出一种新的图像增强优化模型;CHEN等[15]使用局部图像对比度增强算法,基于保持映射的理论改进传统图像增强方法的不足,有效控制了图像质量下降带来的负面影响。
王萍等[16]提出一种针对低照度图像的增强算法,采用多级分解的方法有效解决了图像对比度模糊问题;黄果等[17]提出一种多阶微分图像增强算法,该算法可使图像非局部对比度有明显提升,能够增强图像的缺陷信息;张江鑫等[18]提出一种针对低照度彩色图像的增强算法,能够对视觉效果未达到预期的彩色图像进行细节拾取和特征增强;张子夜等[19]在进行对比度亮度的自适应调整处理后,对反相图像也进行亮度调整,明显改善了图像对比度;何山等[20]通过建立压缩域图像矩阵以获取图像特征信息,进而实现图像增强操作;张翔松等[21]提出一种自动参数选择的焊缝图像自适应算法,不仅脱离了人工干预,而且在焊缝缺陷区域实现了自动图像增强操作;杨先凤等[22]提出一种基于改进后的自适应伽马算法,有效解决了图像过度增强的问题;冯鸣等[23]设计了一种自适应的图像反锐化增强方法,针对图像预处理过程中的图像增强过冲问题进行研究,相应减弱了过冲现象;候力铭等[24]提出了一种同步消除椒盐噪声和修复对比度的算法,通过估算丢失矩阵来有效实现这一算法。
在对原始图像进行灰度化处理后,缺陷部分与背景部分图像对比度差异并不明显,选取缺陷位置具有一定的难度,不可避免会取得较差的效果,因此提出图像增强处理来解决这一问题,在改善缺陷射线图像对比度的同时,突出了缺陷信息,放大了特征间的具体差异。笔者对比分析了目前几种效果较好的图像增强算法处理降噪后的图像数据,以得到最优的增强算法。
图像的线性灰度变换方法通过建立灰度映射来调整原始图像的灰度,凸显图像的细节,提高图像的对比度。笔者利用线性变换对圆形缺陷图像像素区间进行一个局部拉伸,其结果如图1所示。
图像灰度的对数变换是另外一种常见的灰度非线性变化。非线性变换对空间进行了扭曲,图像灰度的对数变换(此处log泛指log运算)可表示为[25]
(1) 式中:c为尺度比较常数;DA为原始图像灰度;DB为变换后的目标灰度值,文中取40。
利用非线性变换对线性缺陷图像像素进行对数变换,其结果如图2所示。可以看出,非线性灰度变换的效果没有线性灰度变换的效果好。
对一幅灰度图像,其直方图反映了该图像中不同灰度级出现的统计情况。直方图均衡化的主要思想是将一副图像的直方图分布变成近似均匀分布,从而增强图像的对比度。在直方图中,较灰暗的图像颜色直方图往往分布在一个比较小的像素值范围内,而较为清晰的图像颜色直方图在整个像素灰度范围内分布得比较均匀。因此图像对比度越高,在由灰度个数构成的直角坐标系中横向跨度越大,纵向长度越趋于一致。笔者利用直方图均衡化进行线性缺陷图像的增强操作,其结果如图3所示。
3. 评价指标
图像预处理最终的评价指标分为主观评价和客观评价。根据人的主观感受作出的评价与判断即为主观评价,此类评价容易受到多种因素的影像,缺乏稳定性;客观评价是将处理后的图像与原始图像进行比较,利用数学方法处理得到数据,其能够准确给出图像处理结果的误差,并以此作为评价图像处理技术方法好坏的依据。
从主观方面看,中值滤波优于其他经典算法的因为主要有:图像原有的特征信息能够被较好地保存,基本没有多余噪声存在;线性变换优于其他增强算法。客观方面,均方根误差(MSE)估计法通过比较图像处理前后的均方差,能够进行客观地图像评价与比较。MSE值越大表示处理图像与原始图像的差别越大。假设对于原始图像有p(r,c) ,0≤r≤M-1,0≤c≤N-1,经过图像预处理后的图像为 P(r,c) ,则对于任意r和c,p(r,c)和 P(r,c) 之间的误差可表示为[25]
(2) 均方根误差MSE可表示为[25]
(3) 第二种客观评价的指标是均方信噪比(SNR),可表示为[25]
(4) 峰值信噪比(PSNR)可表示为[26]
(5) 峰值信噪比是客观评价图像常用的比较指标,其值在一定程度上可以作为图像质量的评价依据,PSNR越大说明图像处理效果越好,图像处理算法优势越明显。为了验证这几种去噪和增强方法的图像处理效果,同时为了避免图像缺陷的单一性,笔者选取5张不同类型的典型缺陷图像进行验证。对原始图像进行去噪和增强操作,利用相应算法处理后得到图像数据,从而获得客观评价指标的数值,从客观角度对各类算法进行横向比较。
4. 试验结果分析
不同方法处理后去噪图像的客观评价指标(PSNR数值)如表1所示,不同方法的图像去噪效果对比如图4所示,可以从主客观两个角度看出,中值滤波算法相较于其他经典算法具有一定的优势,适用性较好,对不同图像的去噪效果相对稳定,不同方法去噪后的PSNR指标对比如图5所示。为了进一步对比图像去噪算法的优劣,选取具有突出优势的中值滤波和高斯滤波结合的图像去噪处理算法和单一中值滤波方法再次进行对比,组合处理方法与单一中值滤波处理方法下不同降噪效果评价指标如表2所示,处理后图像PSNR指标曲线如图6所示,分析结果后发现优化结合处理后图像的噪声明显降低,中值和高斯滤波的结合对于图片评价的各项指标都有一定的优化。
Table 1. 不同方法处理去噪图像的客观评价指标(PSNR)图像编号 均值滤波 中值滤波 小波滤波 原图像 1 31.039 1 31.028 3 31.032 5 30.099 9 2 31.010 5 31.457 5 30.991 9 30.063 0 3 30.948 9 30.947 4 30.949 9 30.177 6 4 30.960 9 30.962 7 30.958 3 30.190 6 5 32.015 2 31.993 3 31.550 0 31.359 2 Table 2. 组合处理方法与单一滤波处理方法下的不同降噪效果评价指标图像编号 MSE MAE(平均绝对误差) SSIM(结构相似性指标) PSNR 中值滤波 高斯中值滤波 中值滤波 高斯中值滤波 中值滤波 高斯中值滤波 中值滤波 高斯中值滤波 1 12 213.0 12 213.0 95.623 8 95.623 8 0.009 2 0.009 2 31.028 3 31.319 1 2 6 579.2 6 578.5 70.538 8 70.538 4 0.010 9 0.010 9 31.457 5 31.105 3 3 10 513.0 1 051.2 87.919 3 87.918 6 0.010 6 0.010 6 30.948 9 31.498 9 4 13 100.0 13 099.0 98.481 9 98.481 2 0.008 7 0.008 7 30.960 9 31.359 2 5 4 781.1 4 780.8 34.603 9 34.603 7 0.318 3 0.318 2 31.993 3 33.831 0 不同增强方法的客观评价PSNR指标如表3所示,不同增强处理方法的PSNR指标对比如图7所示,可见线性变换的增强算法相较其他经典算法有很大的优势,适用性好,对各种图像像素的对比度增强效果比较好。所以笔者采用线性变换图像增强处理算法,对于线性变换进行进一步细分,最终通过比较发现,将像素从0.1~0.5拉伸到0~1的效果比从0.3~0.7拉伸到0~1的效果要更好,所以后续增强采用表2中所示的线性变换方法。
Table 3. 不同增强方法的客观评价PSNR指标图像编号 线性变换1 线性变换2 非线性变换 直方图均衡化 1 31.560 5 31.150 6 30.656 5 30.286 4 2 30.627 2 31.114 5 30.527 7 30.553 3 3 31.430 0 31.149 2 30.425 7 30.250 6 4 31.276 3 31.169 2 30.876 1 30.538 5 5 32.465 5 32.332 4 30.365 0 30.256 6 试验结果表明,单一滤波方法对于5类射线底片缺陷的检测来说存在一定的改善空间。
从客观数值上对比,均值滤波法仅对于未焊透类缺陷具有明显的处理效果,中值滤波在对未焊透、未融合两类缺陷处理效果较好的情况下,对其他3类缺陷也具有相应的优势,而小波滤波在3类单一滤波方法比较中劣势较为明显。
由于试验中单一滤波方法中的中值滤波效果优于其他方法的效果,考虑将其与高斯滤波方法融合,形成优势增强方法。该试验采用多指标评价方式,从各个维度上证明了笔者所采用的中值高斯融合滤波算法可以很好地解决射线底片对比度不高、噪声明显的问题。
5. 结语
使用各种图像预处理技术,对工业生产中实际获得的射线检测缺陷底片进行处理,完成了图像预处理降噪与增强。图像预处理去噪部分采用中值高斯滤波相结合的方式,多种评价指标表明其具有一定的优势;图像增强时,线性变换中的拉伸局部像素方法也具有明显的优势,因此可直接以去噪结果作为依据,开展后续增强的相关操作,也为后续射线图像缺陷的定位与识别做好了准备。另外,提出了一种射线底片缺陷预处理技术,该方法可以对射线检测底片的5种常见缺陷进行有效处理,改善射线底片噪声与对比度的问题。
在实际的应用过程中,缺陷的种类、特征以及位置都会一定程度上影响检测的准确度,在图像预处理过程中使用混合去噪后继续进行增强操作,能够更加精确地表征缺陷信息,为后续的缺陷特征提取奠定一定基础。
-
Table 1 不同方法处理去噪图像的客观评价指标(PSNR)
图像编号 均值滤波 中值滤波 小波滤波 原图像 1 31.039 1 31.028 3 31.032 5 30.099 9 2 31.010 5 31.457 5 30.991 9 30.063 0 3 30.948 9 30.947 4 30.949 9 30.177 6 4 30.960 9 30.962 7 30.958 3 30.190 6 5 32.015 2 31.993 3 31.550 0 31.359 2 Table 2 组合处理方法与单一滤波处理方法下的不同降噪效果评价指标
图像编号 MSE MAE(平均绝对误差) SSIM(结构相似性指标) PSNR 中值滤波 高斯中值滤波 中值滤波 高斯中值滤波 中值滤波 高斯中值滤波 中值滤波 高斯中值滤波 1 12 213.0 12 213.0 95.623 8 95.623 8 0.009 2 0.009 2 31.028 3 31.319 1 2 6 579.2 6 578.5 70.538 8 70.538 4 0.010 9 0.010 9 31.457 5 31.105 3 3 10 513.0 1 051.2 87.919 3 87.918 6 0.010 6 0.010 6 30.948 9 31.498 9 4 13 100.0 13 099.0 98.481 9 98.481 2 0.008 7 0.008 7 30.960 9 31.359 2 5 4 781.1 4 780.8 34.603 9 34.603 7 0.318 3 0.318 2 31.993 3 33.831 0 Table 3 不同增强方法的客观评价PSNR指标
图像编号 线性变换1 线性变换2 非线性变换 直方图均衡化 1 31.560 5 31.150 6 30.656 5 30.286 4 2 30.627 2 31.114 5 30.527 7 30.553 3 3 31.430 0 31.149 2 30.425 7 30.250 6 4 31.276 3 31.169 2 30.876 1 30.538 5 5 32.465 5 32.332 4 30.365 0 30.256 6 -
[1] SHAO J, DU D, SHI H, et al. Automatic weld defect detection based on X-ray images of thick-wall workpieces[J]. Journal of Tsinghua University(Science and Technology), 2013, 53(2):150-154. [2] DAUM W, ROSE P, HEIDT H, et al. Automatic recognition of weld degects in X-ray inspection[J]. British Journal of Non-Destructive Testing, 1987, 29(2):79-82. [3] GAYER A, SAYA A, SHILOH A. Automatic recognition of welding defects in real-time radiography[J]. NDT International, 1990, 23(3):131-136. [4] KAFTANDJIAN V, DUPUIS O, BABOT D, et al. Uncertainty modelling using Dempster-Shafer theory for improving detection of weld defects[J]. Pattern Recognition Letters, 2003, 24(3):547-564. [5] ZHANG K,ZUO W M,GU S H,et alLearning deep CNN denoiser prior for image restoration2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)Honolulu,HI,USAIEEE2017ZHANG K ,ZUO W M ,GU S H ,et al .Learning deep CNN denoiser prior for image restoration[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu,HI,USA.IEEE:2017. [6] YU J, TAN L, ZHOU S, et al. Image Denoising Algorithm Based on Entropy and Adaptive Fractional Order Calculus Operator[J]. IEEE Access, 2017, 5:12275-12285. [7] MURAKAMI K. Image processing for non-destructive testing[J].Welding International, 1990, 4(2):144-149. [8] ZOU Y, DONG D, CHANG B, et al. Automatic weld defect detection method based on Kalman filtering for real-time radiographic inspection of spiral pipe[J]. NDT & E International, 2015, 72(6):1-9. [9] 刘瑛, 赵岚. 基于局部统计参数的复数图像降噪算法[J]. 计算机仿真,2021,38(3):122-125. [10] 王加, 周永康, 胡健钏, 等. 一种基于粗糙集的红外图像多维降噪算法[J]. 红外技术,2021,43(1):44-50. [11] KEHOE A, PARKER G A.Image processing for industrial radiographic inspextion: image enhancement[J].British Jounal of Non-Destructive Testing,1990,(4):183-190 [12] ZHANG L, SHEN P, PENG X, et al. Simultaneous enhancement and noise reduction of a single low-light image[J]. IET Image Processing, 2016,10(11): 840-847. [13] ABIKO R,IKEHARA MBlind denoising of mixed gaussian-impulse noise by single CNNICASSP 2019-2019 IEEE International Conference on Acoustics,Speech and Signal Processing (ICASSP)Brighton,UKIEEE2019ABIKO R ,IKEHARA M .Blind denoising of mixed gaussian-impulse noise by single CNN[C]//ICASSP 2019-2019 IEEE International Conference on Acoustics,Speech and Signal Processing (ICASSP).Brighton,UK.IEEE:2019. [14] SINGH H, KUMAR A, BALYAN L K, et al. A novel optimally weighted framework of piecewise gamma corrected fractional order masking for satellite image enhancement[J].Computers & Electrical Engineering, 2017: 245-261. [15] CHEN B, WU Y, SHI L, et al. A fast image contrast enhancement algorithm using entropy-preserving mapping prior[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2019,29(1): 38-49. [16] 王萍, 孙振明. 多级分解的Retinex低照度图像增强算法[J]. 计算机应用研究,2020,37(4):1204-1209. [17] 黄果, 许黎, 陈庆利, 等. 非局部多尺度分数阶微分图像增强算法研究[J]. 电子与信息学报,2019,41(12):2972-2979. [18] 张江鑫, 杨惠. 基于同态高低通滤波与多尺度Retinex的低照度彩色图像增强[J]. 计算机应用与软件,2021,38(1):232-237. [19] 张子夜, 蒲恬, 高原. 基于人眼视觉响应的低光照图像增强[J]. 兵工自动化,2021,40(2):53-57. [20] 何山, 赵越, 乔孟锐. 基于机器学习的压缩域图像均衡增强方法[J]. 计算机仿真,2021,38(3):108-112. [21] 张翔松, 高炜欣, 穆向阳, 等. X射线环焊缝图像降噪及增强方法研究[J]. 激光杂志,2021,42(3):79-85. [22] 杨先凤, 李小兰, 贵红军. 改进的自适应伽马变换图像增强算法仿真[J]. 计算机仿真,2020,37(5):241-245. [23] 冯鸣, 刘祎, 张鹏程, 等. 改进反锐化掩模的自适应图像增强算法[J]. 测试技术学报,2020,34(1):48-53. [24] 侯力铭图像去模糊与图像增强的研究重庆重庆邮电大学2018侯力铭. 图像去模糊与图像增强的研究[D]. 重庆:重庆邮电大学,2018. [25] 佟彤基于X射线图像的焊缝缺陷检测和识别研究上海上海交通大学2014佟彤. 基于X射线图像的焊缝缺陷检测和识别研究[D]. 上海:上海交通大学,2014. [26] 尚泽强基于射线图像的焊接缺陷智能检测研究哈尔滨哈尔滨工业大学2021尚泽强. 基于射线图像的焊接缺陷智能检测研究[D]. 哈尔滨:哈尔滨工业大学,2021.