Page 38 - 无损检测2025年第二期

成志飞，等：

基于传统图像处理的焊缝射线图像缺陷识别方法

以上研究未对核燃料元件焊缝中的缺陷进行检测, 图像，可见图像噪声很明显，图2（b）为高斯滤波后
相关的图像处理方面的研究也较少，为此笔者设计 再进行锐化后的图像。
了一种气孔缺陷检测方法，采用高斯滤波、形态学操
作、边缘检测、轮廓拟合等方法提取了感兴趣区域，
然后采用对比度拉伸、灰度值补偿、双边滤波、自适
应阈值二值化等方法对检测图像进行识别。

1 图像预处理 图 2 图像锐化之前不滤波与滤波的效果对比

1.1 高斯滤波 1.3 开运算
在射线图像采集时，图像传感器、电路和其他相 锐化后的图像边缘细节过多，为了达到平滑效
关组件可能受到各种内部和外部因素的干扰，如温 果，应对灰度图像进行开运算处理。灰度图像的开
度变化、电磁干扰等，从而产生噪声，这些噪声信号 运算处理时先进行腐蚀操作，消除图像中的细小毛
往往具有高斯分布的特性，因此表现为高斯噪声。 刺以平滑图像轮廓，接着对腐蚀后的图像进行膨胀
高斯滤波通过加权平均每个像素及其邻域内的 操作，以补偿腐蚀操作引起的面积变化。
其他像素值来实现滤波，而使得整个灰度图像更加 对灰度图像进行开运算可以平滑较大物体的边
平滑，有助于减少图像中的噪声，因此高斯滤波可以 界，同时不会改变其面积，还可以去除相对于结构元
为后续的图像处理提供更有利的条件。 素较小的明亮细节，优化图像质量 。开运算操作
[6]
原始焊缝图像及其高斯滤波后的图像如图 1 后的图像如图3所示。
所示。

图 3 开运算操作后的图像
1.4 二值化
图 1 原始焊缝图像及其高斯滤波后的图像
采用二值化方法对感兴趣区域进行初步提取，自
1.2 图像锐化
适应阈值分割方法根据图像的不同区域动态计算出
高斯滤波后的图像边缘比较模糊，不易于进行
不同的阈值来进行二值化，尤其适用于明暗分布不均
感兴趣区域提取，而锐化操作的效果主要体现在增
的图像，可以有效改善全局阈值分割效果 。在自适
[7]
强图像的细节和边缘上，可使图像中的轮廓更加
清晰。 应阈值分割中，每次只取图像中的一个小区域计算阈
值，当小区域内目标与背景间的灰度值存在差异时，
图像处理中最常见的锐化方法是拉普拉斯锐
自适应阈值法能够计算局部区域内所有像素点的灰
化，拉普拉斯锐化是一种基于二阶导数算子的图像
度均值和方差，根据这些统计特性，计算出当前像素
处理技术。该技术通过二阶导数边缘提取方法，计
算图像中每个像素点与周围像素值的差异来增强边 点的阈值，遍历图像中的每个像素点，直到整个图像
缘信息，并计算图像二阶导数和拉普拉斯算子与图 完成二值化。自适应二值化操作后的图像如图4所示。
像的卷积 ，图像的拉普拉斯算子可表示为
[5]

（1）

图 4 自适应二值化操作后的图像
式中：f为图像函数，即图像中每个像素坐标点对应
1.5 腐蚀、膨胀处理
的灰度值；x为图像中水平方向的像素坐标；y为图
像中竖直方向的像素坐标。 由于中间部分的感兴趣区域与外边缘轮廓的灰
图像锐化之前不滤波与滤波的效果对比如图2 度值相近，故可能会产生轮廓黏连现象，而腐蚀操作
所示，图2（a）为直接对原始焊缝图像进行锐化后的 可断开轮廓之间的细小连接。腐蚀操作的基本思想
8
2025 年 第 47 卷 第 2 期
无损检测