Page 55 - 无损检测2024年第六期

王树森，等：

基于深度学习的焊缝缺陷 X 射线检测图像识别与增强

其中，图3（b）表明自适应中值滤波（AMF）较
好地保留了图像的细节信息，缺陷部分的边缘轮廓
几乎没有发生改变，整体噪声去除效果一般，且计算
量较大。如图3（c）所示，非局部均值滤波（NLM）
处理后得到了平滑流畅的图像，但与自适应中值滤
波相同，其需要较大的计算成本，同时缺陷的小型
结构被视为噪声而移除。如图3（d）所示，双边滤波
（BF）的去噪效果良好，计算时间快，同时保留了缺
陷的小特征，但是在缺陷的边缘附近可能会残留一
些噪声。如图3（e）所示，经小波变换（DWT）降噪 图 6 基于信息熵的对比度增强客观评价结果
处理后的图片看起来更加自然，原始图像的边缘细 余3种增强方法对于不同的缺陷类型表现不同，伽
节也被有效地保留下来，没有产生过度模糊的情况， 马变换处理气孔缺陷时表现较好，灰度线性变换处
整体来看小波降噪拥有最好的视觉效果。 理夹杂时表现较好，直方图均衡化处理裂纹时表现
3.2 焊缝射线检测图像增强的客观评价 较好，但都不如CLAHE算法。
3.2.1 对比度增强算法的客观评价 由图5可以看出，对于NRSS指标（无量纲），相
采用峰值信噪比（PSNR）、无参考结构清晰度 较于原始图像，4种对比度增强处理后的图像结构清
（NRSS）、信息熵3个指标来评价伽马变换 （GT）、直 晰度都有较大提升。其中HE与CLAHE算法的表
方图均衡（HE）、限制对比度自适应直方图均衡化 现效果较好，远优于其余两种方法的效果。
（CLAHE）、灰度线性变换（GLT）等 4 种对比度增 由图 6 可以看出，对于信息熵指标，经 HE 处
强算法对3种缺陷图像的增强作用， 其结果如图4~6 理后的图像，信息熵是最高的，但结合视觉效果分
所示。 析，信息熵可能包含了引入噪声的影响。整体来看，

GT与CLAHE算法带来的提升相差不大，次于HE
但优于GLT。
显而易见，无论采用哪种对比度增强算法，相较
于原始图片，缺陷图像质量均得到了改善。综合考
虑各项评价指标对不同增强算法的响应，可知，伽
马变换（GT）对3类缺陷图像质量的增强作用要略

高于灰度线性变换（GLT）的，但比直方图均衡化
（HE）和限制对比度自适应直方图均衡化（CLAHE）
的作用效果差，后两者的作用相当。
图 4 基于峰值信噪比的对比度增强客观评价结果 3.2.2 降噪算法的客观评价
采用峰值信噪比（PSNR）、结构相似度（SSIM）、
信息熵3个指标对自适应中值滤波 （AMF）、非局部
均值滤波（NLM）、双边滤波（BF）、基于离散小波

变换（DWT）等 4 种降噪算法进行评价，其结果如
图7~9所示。
由图 7 可以看出，对于PSNR指标，BF算法的
PSNR值最低，噪声抑制效果最差。AMF算法在气
孔缺陷图像中表现较好，夹杂图像中较差。NLM与
DWT算法在三种缺陷图像中都有不错的表现，相差
图 5 基于无参考结构清晰度的对比度增强客观评价结果
不大。
由图 4 可以明显看出，对于 PSNR 指 标， 由图8可以看出， 对于SSIM指标（无量纲），AMF
CLAHE算法处理后的图像得到了最好的效果。其 算法取得了最好的效果，经其降噪后的图像在结构和

21
2024 年 第 46 卷 第 6 期
无损检测