本發(fā)明屬于紅外圖像處理技術(shù)領(lǐng)域，涉及一種基于Retinex-分水嶺-Canny算子的紅外圖像邊緣檢測方法，主要用于紅外圖像處理中的圖像分割處理。

背景技術(shù)：

紅外熱波檢測技術(shù)是近二十年來迅速發(fā)展并廣泛應用的新型無損檢測技術(shù)。它通過外部熱激勵源對被測試件進行主動式加熱，使試件內(nèi)部的缺陷(如裂紋、腐蝕、脫黏等)以表面溫度場異常分布的形式表現(xiàn)出來。在熱波圖像的采集過程中，由于加熱不均、環(huán)境和設(shè)備自身的紅外輻射、被檢試件表面和內(nèi)部結(jié)構(gòu)的不均勻等因素的不利影響，導致采集到的熱波圖像中缺陷的信息被大量無關(guān)噪聲所淹沒。

圖像分割是圖像處理中的一項關(guān)鍵技術(shù)，自20世紀70年代起一直受到人們的高度重視，至今己提出上千種分割算法。因為圖像自身的復雜特性，目前尚沒有一種通用的分割方法，現(xiàn)在所提出的圖像分割算法幾乎都是針對具體問題?？梢愿鶕?jù)圖像分割過程中所使用知識的多少，將圖像分割按技術(shù)分成：信號層技術(shù)、物理層技術(shù)和語義層技術(shù)。信號層技術(shù)在圖像分割過程中基于數(shù)字圖像中的數(shù)值；物理層技術(shù)在圖像分割過程中使用了關(guān)于圖像生成的知識；而語義層技術(shù)，在圖像分割過程中還使用了有關(guān)景物類型的領(lǐng)域?qū)Ｓ弥R。另外，還沒有制定出選擇適用分割算法的標準，這給圖像分割技術(shù)的應用帶來許多實際問題。根據(jù)分割依據(jù)不同，圖像分割方法分為闕值分割方法、邊緣檢測方法、基于區(qū)域的分割方法、分水嶺分割方法以及結(jié)合特定理論工具的分割方法等。

紅外圖像信息處理中，對圖像進行分割可理解為將目標區(qū)域從背景中分離開來，或?qū)⒛繕思捌湎囝愃频奈矬w與背景分離開來，這是圖像處理中重要的一步。圖像目標分割是根據(jù)圖像目標的某些特征或特征集合的相似性準則，對圖像像素進行分組聚類，使其后的缺陷目標的定量識別等高級處理階段所要處理的數(shù)據(jù)量大大減少。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于Retinex-分水嶺-Canny算子的紅外圖像邊緣檢測方法，達到減少圖像周邊大量無用不真實的邊界信息，提高對圖像中缺陷信息進行幾何特征提取的效果。

本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：

一種基于Retinex-分水嶺-Canny算子的紅外圖像邊緣檢測方法，如圖1所示，包括以下步驟：

(1)對原始圖像進行灰度變換，將變換后圖像進行Retinex算法處理

(2)對Retinex處理后的圖像做Top-Hat和Bottom-Hat變換；

(3)對Top-Hat和Bottom-Hat變換后的圖像進行谷點檢測；

(4)將谷點檢測后的圖像進行分水嶺變換；

(5)對分水嶺變換后的圖像進行灰度值開運算；

(6)采用Canny算子對處理后的圖像進行缺陷邊緣檢測。

本發(fā)明分水嶺分割算法中有兩處要用到結(jié)構(gòu)元素，一是分水嶺變換前使用的Top-Hat變換；二是在灰度值開運算中，步驟(2)和(5)中結(jié)構(gòu)元素的選取方法是：通過標記圖像中能與結(jié)構(gòu)元素相匹配的坐標，根據(jù)具體圖像構(gòu)造適合圖像的結(jié)構(gòu)元素形狀，其中：步驟(2)中的結(jié)構(gòu)元素大小根據(jù)圖像中的對象平均半徑來估計；步驟(5)中的結(jié)構(gòu)元素大小和圖像的局部極小值有關(guān)系，在算法運行中確定。

本發(fā)明具有如下有益效果：

(1)本發(fā)明采用Retinex對比度增強算法對圖像進行處理，圖像缺陷輪廓更加明顯，將相對暗的缺陷區(qū)域的信息凸顯了出來，圖像的對比度增加，以便于特征提取和保護。

(2)基于Retinex-分水嶺-Canny算子的混合算法得邊緣檢測與只用Canny算子邊緣檢測進行對比，經(jīng)過Retinex-分水嶺-Canny算子的混合算法處理后的圖像缺陷邊界輪廓清晰，連續(xù)性好，減少了周邊大量無用不真實的邊界信息，降低了噪聲對缺陷邊緣識別的影響，提高了對缺陷進行幾何特征提取的效果。

附圖說明

圖1為基于Retinex-分水嶺-Canny算子的紅外圖像邊緣檢測方法的流程圖；

圖2為經(jīng)Retinex增強后的圖像，(a)灰度變化，(b)Retinex處理；

圖3為分水嶺分割全過程效果圖，(a)Top-Hat變換，(b)Bottom-Hat變換，(c)對象間的間隙增大，(d)谷點檢測，(e)分水嶺變換，(f)灰度值開運算；

圖4為Canny算子缺陷邊緣檢測，(a)未處理圖像的計算結(jié)果，(b)處理后圖像的計算結(jié)果。

具體實施方式

下面結(jié)合附圖對本發(fā)明的技術(shù)方案作進一步的說明，但并不局限于此，凡是對本發(fā)明技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，均應涵蓋在本發(fā)明的保護范圍中。

本發(fā)明提供的基于Retinex-分水嶺-Canny算子的紅外圖像邊緣檢測方法的具體實施步驟如下：

一、基于Retinex算法的紅外圖像增強

(1)Retinex理論

①利用取對數(shù)的方法將原始圖像的照射光分量和反射光分量分離，即：

S(x,y)＝r(x,y)+l(x,y)＝log(R(x,y))+log(L(x,y)) (1)；

式中，S(x,y)表示反射光被紅外熱像儀或觀察者接收到的圖像，r(x,y)表示反射光分量，l(x,y)表示照射光分量。

②用高斯模板對原始圖像做卷積，即相當于對原始圖像做低通濾波，得到低通濾波后的圖像D(x,y)，F(xiàn)(x,y)表示高斯濾波函數(shù)：

D(x,y)＝S(x,y)*F(x,y)； (2)；

③在對數(shù)域中，用原始圖像減去低通濾波后的圖像，得到高頻增強的圖像G(x,y)：

G(x,y)＝S(x,y)-log(D(x,y))； (3)；

④對G(x,y)取反對數(shù)，得到增強后的圖像R(x,y)；

⑤對R(x,y)做對比度增強，得到最終的結(jié)果圖像。

(2)處理結(jié)果分析

處理對象為奇異值分解處理后的紅外熱像序列處理后圖像，首先進行灰度圖轉(zhuǎn)換再進行Retinex處理的效果如圖2所示，經(jīng)過Retinex處理后的圖像缺陷輪廓更加明顯，將相對暗的缺陷區(qū)域的信息凸顯了出來，圖像的對比度增加，更利于接下來的分水嶺圖像分割算法處理。

二、基于分水嶺算法的紅外圖像分割

分水嶺算法(watershed)是一種借鑒了形態(tài)學理論的圖像分割算法，在該方法中，將待分割圖像假設(shè)為拓撲地形圖，地形高度值由灰度值f(x,y)表示，山峰處的灰度值高，山谷處的灰度值低。而水總是從高往低處流，流至某一低洼區(qū)域處才會停下，這個低洼區(qū)域被稱為集水域。最后全部的水都會分散于不同的集水域中，山脊做為集水域之間的分界線被稱為分水嶺。水從分水嶺往下流向不同的集水域的可能性是相同的。基于分水嶺的圖像分割就是要在圖像的灰度圖中尋找不同的集水域和分水嶺。

本發(fā)明采用基于分水嶺的圖像分割算法處理脈沖紅外熱波圖像，從而獲得缺陷的特征量等參數(shù)信息。其計算處理流程如下：

(1)選擇結(jié)構(gòu)元素

在形態(tài)學圖像分割處理中，結(jié)構(gòu)元素g(x,y)又稱為刷子，通過標記圖像中能與結(jié)構(gòu)元素相匹配的坐標，以此獲取有關(guān)圖像結(jié)構(gòu)的信息。這些信息跟結(jié)構(gòu)元素的形狀和尺寸都有關(guān)系。如上所述，結(jié)構(gòu)元素有如圓形、方形和矩陣等結(jié)構(gòu)。因而結(jié)構(gòu)元素應根據(jù)具體圖像構(gòu)造適合圖像探測的結(jié)構(gòu)元素，完成各種各樣的圖像分析。

在這里，分水嶺分割算法中有兩處要用到結(jié)構(gòu)元素：一是分水嶺變換前使用的Top-Hat變換；二是在灰度值開運算中，Top-Hat變換處的圓盤大小根據(jù)圖像中的對象平均半徑來估計。后者圓盤大小和圖像的局部極小值有關(guān)系，在算法中確定。

(2)增強圖像對比度

采用Top-Hat和Bottom-Hat變換(高低帽變換)將脈沖紅外熱波圖像進行對比度增強操作，定義為：

(4)；

HAT'＝(A·B)-A (5)。

A為處理圖像，B為圓盤結(jié)構(gòu)元素。

灰度值開運算定義為：

利用對偶性將灰度值閉運算定義為：

將式(4)代入式(6)得：

(8)。

將式(5)代入式(7)得：

在灰度值圖像處理中，Top-Hat變換能夠在暗背景下檢測相比較亮的物體，又稱為波峰檢測器；Bottom-Hat變換則能夠在亮的背景下檢測相比較暗的物體，又稱為波谷檢測器。所以能檢測出紅外熱像圖中的波峰和波谷點。

(3)谷點檢測

谷點檢測主要包含增大對象間的間隙、轉(zhuǎn)換待檢測區(qū)域的對象和谷點檢測等。前兩步的目的是照亮圖像中的谷點，使谷點能更好的被檢測到，便于分水嶺變換。

(4)分水嶺變換和灰度值開運算

經(jīng)過上面三個步驟的處理后，便可對谷點檢測后的圖像進行分水嶺變換，這里需要注意的是，在分水嶺區(qū)域中的像素的像素值全都設(shè)置為1，否則都設(shè)置為0，在只有黑白兩色的二值圖像中1代表亮度值，0代表暗值。分水嶺變換后的圖像q還不能很好的顯示要檢測到的缺陷處，因此，還必須使用灰度值開運算來處理缺陷部分之外無用的信息。

處理的對象是圖2(b)所示經(jīng)過Retinex圖像增強后的圖像，分水嶺分割處理全過程效果圖如圖3所示。

由圖3可知，圖3(a)為Top-Hat變換效果圖，該算法能在暗背景下探測出較亮的物體，這里涉及到結(jié)構(gòu)元素大小的確定，如前所述，通過圖像中的對象的平均半徑(單位為像素值)來估計結(jié)構(gòu)元素的尺寸，通過實驗測試取平均半徑為30。圖3(b)為Bottom-Hat變換效果圖，Bottom-Hat變換與Top-Hat變換相反，能在比較亮的背景下探測出較暗的物體，結(jié)構(gòu)元素和Top-Hat一樣取30。圖3(c)為對象間的間隙增大效果圖，即：因為Top-Hat變換后的圖像包含了能匹配結(jié)構(gòu)元素的對象，但對象之間間隙小，聯(lián)系比較密切，所以需要增大對象間的間隙。具體操作方法是：先將原始圖像即圖3(b)和Top-Hat變換后的圖像進行圖像相加運算，然后再將相加后的圖像減去Bottom-Hat變換后的圖像，得到的圖像很有效地增加了對象和間隙之間的對比度。圖3(d)為谷點檢測后的效果圖，假設(shè)將灰度值圖像看成三維圖像，其中有x和y軸的坐標來描述像素的位置，而z軸描述每個像素的亮度，在這種表現(xiàn)形式下，灰度值就相當于地圖中高度值，圖像的低灰度值和高灰度值就類似于地圖的谷和峰。圖3(e)為分水嶺變換圖，分水嶺變換通過返回一個含非負元素的標簽矩陣，此矩陣與分水嶺區(qū)域相對應，將非分水嶺區(qū)域的像素值都設(shè)置為0。圖3(f)為最后經(jīng)過灰度值開運算的效果圖?；叶戎甸_運算實現(xiàn)了缺陷區(qū)域的圖像分割和特征提取，成功的去除了缺陷區(qū)域附近的無用信息。其中需要注意的是，灰度值開運算也涉及到結(jié)構(gòu)元素的大小，經(jīng)過多次算法嘗試，選擇直徑大小為20的圓盤形結(jié)構(gòu)元素比較合適。

三、基于Canny算子的缺陷邊緣檢測

在經(jīng)過上述的Retinex圖像增強，分水嶺圖像分割后，得到包含圖像缺陷區(qū)域的特征信息的圖3(f)，對該圖采用Canny算子進行缺陷邊緣檢測，效果如圖4(b)所示，將上述混合算法處理后的圖像與只用Canny算子邊緣檢測的圖像4(a)進行對比。

由圖4可知，經(jīng)過Retinex-分水嶺-Canny算子的混合算法處理后的圖像缺陷邊界輪廓清晰，連續(xù)性好，減少了周邊大量無用不真實的邊界信息，降低了噪聲對缺陷邊緣識別的影響，提高了對缺陷進行幾何特征提取的效果。