Page 69 - 无损检测2023年第二期

纪象民, 等:

基于本征图像分解的焊缝提取算法

γ
I ( x , ) [ I 0 x , )] ( 1 ) 像做进一步处理, 削弱自然光照条件对算法的影响。
y
y =
(
式中: I 0 x ,) 为原始焊缝图像; I ( x ,) 为伽马校正 焊缝提取算法流程如下: ① 对原始焊缝图像进行预

y
y
(

后的灰度图像; γ 为校正系数, 且γ>1 。 处理, 抑制噪声信息的同时增强焊缝特征; ② 使用梯
经过图像滤波以及 Gamma变换后得到的预处 度稀疏先验将图像分解为前景图层和背景图层( 前景
理结果如图3所示。 图层仅包含图像边缘等大梯度信息, 背景图层则包含
光照等平滑信息)。对前景图层进行 Gamma变换, 进

一步增强焊缝区域特征, 得到焊缝图; ③ 利用距离变
换和水平、 垂直投影得到焊缝骨架图, 并采用最小二
乘法对骨架图进行直线拟合, 提取出焊缝路径。焊缝
提取算法流程如图4所示。
本征图像分解旨在将观测图像分解为反射图像
和照度图像。该模型假设图像每个像素点都是场景
中不同位置反射率以及照度的乘积, 即

I ( x ,) R ( x ,) · L ( x ,) ( 2 )
y =
y
y
式中:( x ,) 为像素点坐标; I ( x ,) 表示场景中获取
y
y
的图像; R ( x ,) 代表反射图像; L ( x ,) 为各位置的
y
y
图3 经滤波以及 Gamma 变换后得到的预处理结果 照度图像。
照度图像反映了场景中光照的变化, 故而照度图
2 基于本征图像分解的焊缝提取算法
像较为光滑。反射图像反映了成像物体的纹理信息,
2.1 本征图像分解 其梯度变化一般较大。对式( 2 ) 取对数, 有
本征图像分解的目的是将光照信息从原始图像 lo g I ( x ,) y + y
y =lo g R ( x ,) lo g L ( x ,) ( 3 )
中分离, 得到仅包含整体结构信息的图像, 并对该图 式中: lo g 表示广义对数变换, 将图像变换到对数域。

图4 焊缝提取算法流程图

本征图像分解过程如图5所示。 度稀疏先验的图像分解问题。
2.2 基于梯度稀疏先验的图像分解算法
在焊缝图像中, 大梯度信息主要包括焊缝、 金属
材料裂缝以及表面划痕等, 其所在图层称为前景图
层。对于质地相同的均匀金属, 大梯度信息较少, 其
所在图层称为背景图层。不同区域梯度直方图如图
图5 本征图像分解过程 6所示, 上方蓝色方框近似代表背景图层, 下方蓝色
图像梯度特征是否稀疏 [ 13 ] , 是区分照度图像和 方框近似代表前景图层, 右侧为两图层分别对应的梯
反射图像的关键。对于照度图像, 可假设其近似为大 度直方图。可知, 背景图层所含大梯度信息较少, 且
量小梯度平滑信息构成的图层, 且该图层梯度呈短尾 直方图呈短尾分布。前景图层所含大梯度信息较多,
分布; 同理, 对于反射图像, 可假设其近似为大梯度信 相较于背景图层, 其直方图近似呈长尾分布。
息构成的图层, 相对于照度图像, 该图层梯度大致呈 前景图层包含整体纹理信息, 而背景图像仅包含
长尾分布。因此, 照度图估计问题即可转变为基于梯 场景光照等信息, 这会导致背景图层平滑程度远远大
5
3
2023年 第45卷 第2期
无损检测