基于水平集主动轮廓引导离中心显著映射的射线照相图像分割焊缝检测

摘要

射线照相是焊接缺陷检测中最常用的方法之一。在光照不均匀、对比度低的射线图像中，焊缝缺陷检测成为一项复杂的任务。本文提出了一种新的基于活动轮廓的水平集方法，用于射线图像中焊缝缺陷的检测。将偏离中心的显著性图作为图像像素的特征嵌入到区域能量最小化函数中，引导水平集活动轮廓到达缺陷边界。使用显著特征的目的是为了在低对比度的图像中，小缺陷经常引起人眼的注意，从而使缺陷增强。实验结果表明，与其他方法相比，该方法具有较强的鲁棒性和良好的分割性能。

1.介绍

无损检测(NDT)广泛应用于许多领域，主要用于可能发生灾难性故障的严重应用，如压力容器、飞机和发电厂的焊接。焊接检查中最著名的技术之一是射线照相术，它是基于x射线或伽马射线通过物体的透射，在照相底片上产生放射图像(图)1)．遗憾的是，为了提高自动化水平，避免人工解译的弊端，传统的人工解译方法主观性强，耗时长，易造成疲劳;人们希望开发某种形式的计算机辅助系统来帮助人工解释人员评价焊接接头的质量。一般来说，这种自动检测系统应该有以下几个阶段[1，2];在数字图像采集后，只对感兴趣的区域进行进一步处理，然后对可能代表缺陷的区域进行降噪和对比度增强等预处理;一旦缺陷被分割，就可以提取特征，然后将其作为输入输入到分类器中，以检测可能的缺陷，并最终确定准确的缺陷类型。此外，将缺陷尺寸与专家或国际标准定义的一些验收标准进行比较，并对监测焊缝的可接受性作出决定。

如图所示2，焊缝射线照相图像包含两个主要部分:母材部分和焊缝部分。焊缝区域比焊缝区域亮。在焊缝区域随机发现不同形状的小缺陷:圆形和矩形。焊接缺陷可分为各种类型，如不完全熔透、夹渣线、夹渣、裂纹、下切、气孔和虫孔。气孔或气腔有圆形轮廓和暗影，裂纹有细线直或方向漂移，渣线或多或少中断平行于焊缝边缘。射线照相图像的特点是缺陷和背景(焊缝)之间的低对比度和小缺陷与模糊和未锐化的边缘。此外，在射线照相图像中经常出现光照不均匀的现象，即光线普遍分布在焊缝中部。对于焊缝检验员来说，这些因素使得传统的分割方法对缺陷进行定位和分割成为一项复杂的任务。为了克服这些困难，便于人体焊缝检测，本文提出了一种用于射线照相焊缝缺陷提取的图像分割方法。

在文献中提出了许多射线照相焊缝缺陷检测方法[3.］．我们找到了局部和全局阈值方法[4，基于纹理分析的方法[5],分水岭[6，人工神经网络[7，8和活动轮廓[9］．可变形模型或活动轮廓分割似乎非常适合用于射线图像的缺陷提取，原因有很多，主要是利用最小化方法和曲线理论集成图像的各种属性，如边缘和区域信息。在此基础上进行了大量的研究工作，并提出了许多主动轮廓模型。活动轮廓模型一般可分为两类:基于边缘的模型和基于区域的模型。基于边缘的模型[10，11]使用图像梯度等边缘信息将活动轮廓驱动到物体边界，并在那里停止;这类模型对噪声和初始活动轮廓位置敏感，需要在目标边界附近初始化活动轮廓位置。此外，基于边缘模型的边界泄漏问题是基于边缘模型的一个主要缺点，因为它们很大程度上依赖梯度值。与基于边缘的模型相比，基于区域的模型依赖于轮廓区域内外的统计信息;因此，它们对噪声和边缘不太敏感。此外，由于它们利用了图像统计的全局区域信息，因此对初始化的依赖较小。

最流行的基于区域的方法之一是Chan and Vese模型，即众所周知的C-V [12］．C-V模型能量函数是Mumford Shah公式的简化[13］．该方法已成功地应用于两区域图像的许多应用中;该模型对图像噪声和轮廓初始化不敏感，轮廓可以定位在图像的任意位置。但是，C-V模型的主要缺点是分割强度不均匀的图像，即同一目标的像素灰度强度分布不均匀。为了解决这一问题，提出了带有局部能量函数的活动轮廓。其思想是仅在像素邻域的局部窗口中计算统计信息。Wang等人提出了一个著名的基于局部区域的活动轮廓[14，15称为局部二值拟合(LBF)模型。该方法利用两个拟合能量计算LBF能量函数，利用高斯核函数逼近轮廓内外的局部图像强度均值。LBF模型解决了强度不均匀性带来的问题。但该模型对初始轮廓位置敏感，大大增加了计算复杂度。Zhang等[16]提出了一种选择性局部全局水平集活动轮廓模型(IVC)，该模型引入了新的区域符号压力函数(SPF)。Zhang模型采用高斯平滑核对水平集函数进行正则化，大大减少了计算时间。该模型的主要优点是能够选择局部或全局分割，用户可以选择分割一个对象或整个图像。然而，实验表明，该模型对不均匀照度和低对比度图像(如射线成像图像)非常敏感。Zhang等[17]提出了一种区域局部水平集活动轮廓，基于图像的局部统计信息，利用局部图像拟合(LIF)能量函数将水平集活动轮廓引导到目标边界。LIF能量函数决定了LBF模型中拟合图像与原始图像的差异。此外，采用高斯核滤波方法对水平集函数进行迭代正则化。LIF主动轮廓模型不仅计算时间长，而且对局部窗口尺寸非常敏感，需要谨慎调整:在像素周围选择小的窗口尺寸可以检测小目标，但增加了对噪声的敏感性。宋与燕[18]提出了一种局部水平集活动轮廓来分割热轧钢彩色图像中的小缺陷。其主要思想是在主动轮廓能量公式中融合一种称为显著性图的图像特征。该方法在彩色图像中对小区域缺陷特别是圆形缺陷的分割中表现出了良好的性能。然而，所使用的显著性图适用于彩色图像，因此需要三个信息通道。当使用单一通道的图像时，如射线成像图像，可能会错过很多信息。而且，Song模型在显著性图的计算中使用了高斯滤波器，不适合低对比度的图像。另一方面，该方法采用水平集局部模型，大大增加了计算时间;此外，分割精度很大程度上取决于水平集局部窗口大小。

在本文中，我们提出了一种新的全局水平集主动轮廓来分割射线图像中的焊缝缺陷。在全局区域水平集活动轮廓的能量表达式中嵌入了用积分图像计算的偏心显著性图。本文的其余部分组织如下:所提出的方法在本节中介绍2，测试和实验结果将在本节中描述3.，并在第一部分以结论的形式完成本文4．

2.提出水平集活动轮廓模型

在这一节中，我们提出了改进的水平集活动轮廓。第一部分给出了偏离中心的显著图提取方法，第二部分给出了与提取的显著图特征融合后的新水平集主动轮廓能量公式。

2．1．偏心显著性地图计算

模仿生物注意系统的系统被广泛开发来提取显著性图，其目的是选择感兴趣的部分输入数据，以减少计算机视觉系统通常需要处理的大量信息。在这个区域有两种视网膜神经节细胞:“中心上”和“中心外”。当其感受野的中心暴露在光下时，位于中心的细胞受到刺激，而当其周围暴露在光下时，则受到抑制;偏离中心的细胞则有相反的反应。计算出两个模拟两个细胞行为的图像特征，称为中心显著图和偏心显著图。在焊缝射线照相图像中，缺陷对应于明亮背景包围的黑暗区域;因此，我们决定使用偏心显著图作为图像特征，引导水平集活动轮廓到缺陷边界。偏心显著性地图使用中心环绕差计算。许多方法被用来实现计算;我们找到Gabor滤波器[19，高斯滤波器的差[20.]，以及光谱残差[21］．最近，Montabone和Soto [22基于Viola和Jones首先提出的积分图像(或求和面积表)的概念，提出了一种用矩形滤波器快速计算中心环绕差值的方法[23];这种方法可以大大提高计算速度并保留对象的边界。我们的工作就是采用这种方法。偏离中心的显著性子映射是通过一个不同的中心和围绕以下关系计算的: ,“表示根据经验为我们的应用程序选择的环绕尺寸为和表示环绕中间的灰度像素．

利用积分图像快速计算环绕度图像的：

周围是当地的平均窗口大小"”:

计算出的偏心显著性子映射在一个映射中逐像素求和如下:

是偏离中心的显著性地图，它将在水平集活动轮廓的进一步步骤中使用。该功能的优点在图中射线照相焊缝图像上的一个例子证明了缺陷增强的有效性3.．如图所示，焊缝射线照相图像对比度低，背景受光照不均匀影响;缺陷和背景不易区分;因此，缺陷提取非常困难。数字3 (b)显示偏离中心的显著性地图，正如我们可以看到的缺陷和背景之间的差别是高度增强的;的曲面图如图3 (c)也显示了缺陷的灰度是如何被很好地放大的。

2．2.水平设置主动轮廓能量配方

偏离中心的显著性地图在上一节中获得的数据用作表示图像中像素的统计信息。特征图像采用全局高斯分布拟合能量，嵌入到水平集活动轮廓的公式中。目的是将图像分割为缺陷和背景两个区域，，有等高线”“根据偏离中心的显著性地图内外的统计信息将这两个区域分开．通过能量最小化实现分割[19］．我们在等高线上定义一个能量函数由三个词组成:突出的能量，即正则化能,仅能源:

第一项吸引轮廓""损坏边缘。我们选择最小化贝叶斯误差[24]的定义如下: 在哪里，区域是在轮廓线内外吗．，是两个概率密度函数。是偏离中心的显著性地图。

基于水平集理论[16),轮廓作为一个水平集函数的零水平嵌入：

因此,(6)成为 在哪里是图像域和吗是Heaviside函数。

，两个概率密度函数是否被假定为具有平均值的高斯分布，和方差，考虑

因此(8)可以写成

意味着，和方差，的，分别在轮廓内和轮廓外。”的计算方法如下:

是为了保持分割区域轮廓的平滑而增加的正则化能量，因此我们需要最小化轮廓的长度，其计算公式如下:

当演化水平集函数时，通常会出现太陡或太平的情况，因此我们增加了第三个能量项重新初始化水平集函数并维护带符号的距离属性。我们使用了Wang等人提出的距离正则化水平集进化(DRLSE) [24]： 在哪里称为双阱势函数，定义为

因此，总能量函数可以写成

我们已经添加了，，作为控制参数。我们注意到参数控制电平集函数的带符号距离属性和参数其平滑控制。的参数允许将水平集函数吸引到缺陷区域。

现在我们保持所有变量不变，除了；总能量的最小化关于等价于求解梯度下降流方程:

我们得到以下演化方程:

是狄拉克函数。，，定义如下:

水平集演化方程(17)由3个术语组成;右侧第一项保持水平集函数的规律性，第二项保持平滑的轮廓，第三项将图像分割为缺陷和背景。

用简单的有限差分显式格式(17)得到离散水平集公式如下: 在哪里，分别为指标迭代次数和时间步长。

所提出的缺陷分割方案的主要阶段可以总结如下。

步骤1。输入图像。

步骤2。选择感兴趣的区域(ROI)。

步骤3。初始化参数，，，，．

步骤4。计算偏心显著性图．

第5步。计算初始级别集掩码．

步骤6。用于固定次数的迭代．计算平均值和方差，，，．更新水平集功能(19)．

步骤7。保持函数的零水平．

3.实验结果

本节在联邦材料研究和测试研究所(Bam)获得的一组焊接接头射线照相图像上测试和评估提出的水平集活动轮廓模型[25］．x线片用Lumisys公司的LS85 SDR扫描仪扫描，大部分采用高密度模式。原始的12位数据深度被缩放为8位，线性LUT与光学薄膜密度成正比，通过视觉调整图像内容。像素大小为40.3微米(630 dpi)，图像为8位灰度值。由于射线照相焊缝图像尺寸大、照度不均匀、缺陷形状小，在射线照相可视化中很难检测到小缺陷的存在并准确确定其尺寸。因此，为了简化任务，可以首先选择感兴趣的区域，即ROI，它可以被认为是图像的部分，在那里x线照片解释人员怀疑存在缺陷。ROI的选择避免了算子对图像的不相关区域进行处理。此外，它可以减少实时应用的计算时间，注意到ROI定位技术是研究人员在一些工作中常用的技术。选定感兴趣区域后，将获得的图像调整为．

我们用图表表示4和5以两个焊缝射线照相为例，给出了所提分割算法的主要步骤。第一行对应整个焊缝射线图，然后选择感兴趣区域(ROI)。图中的下一张图片4 (b)和5 (b)显示选定的加工区域，包括分布在焊缝中部的各种缺陷，如气孔和渣。下一个图中显示了偏离中心的显著性地图4 (c)和5 (c)，我们可以看到缺陷被增强，背景被抑制。数据4 (d)和5 (d)用本文提出的偏心显著性水平集活动轮廓得到的蓝色和红色描述缺陷轮廓检测。即使在低对比度和不均匀光照的情况下，我们也可以看到大部分的缺陷被分割，假检测率较低。我们注意到，该方法的参数设置为，，，,．

3．1.比较测试1

我们将提出的模型与Zhang等人提出的仅依赖灰度图像强度的水平集活动轮廓进行了比较。17，将拟合活动轮廓的局部图像称为LIF。LIF模型的Matlab实现在作者的网站(http://kaihuazhang.net/J_papers/PR_10.rar)．数字6 (b)给出了局部拟合模型LIF的结果，提出的活动轮廓模型的结果如图所示6 (c)．算法参数固定为，，，,．

通过视觉评价，验证了所提水平集活动轮廓的优越性。局部拟合活动轮廓LIF [17]由于受到背景杂波和缺陷对比度低的影响，未能获得令人满意的结果。很多错误检测和很多缺陷没有被检测出来。利用所提出的水平集活动轮廓得到了最优结果。大多数缺陷都是通过低误检来识别的。所提出的活动轮廓与LIF方法的定量比较如表所示1．我们计算了许多研究者使用的分割评估方法测量(26］．为了计算这个评价标准，我们需要理想的图像分割和提出的分割结果;这两个结果应该用二进制掩模给出。请注意，地面真实或理想分割使用的是从专家的视觉解释获得的。我们还注意到，较高的值(max 1)表示精确的分割。检测率如表所示1与LIF方法相比，该方法具有较高的性能。此外，还计算了两种方法的计算时间(cpu时间)。两种方法的步长算法均固定为0.1。算法在Matlab R2010a (PC Core i5 2.9 GHz)上实现。实验结果表明，与局部活动轮廓LIF相比，该模型具有较快的速度。

３．２．比较测试2

在这段中，我们将提出的方法与Song和Yan提出的显著性凸活动轮廓模型进行了对比测试[18被称为SCACM。图像在图7(一)对应的感兴趣区域(ROI)从不同的焊接射线底片中选择包含各种缺陷，如孔隙和水平和垂直的薄裂纹。数字7 (b)给出SCACM方法检测结果及图7 (c)展示了该方法的分割结果。

得到的结果见图7结果表明，由于所采用的局部窗口大小的影响，宋氏方法只能检测出形状较小和圆形的缺陷。另一方面，我们的方法不需要像之前解释的那样使用本地窗口;我们使用了偏心显著性强度的全局高斯分布近似。该方法检测各种形式和尺寸的缺陷，漏检率低。尽管缺陷的对比度较低，但大多数缺陷都被提取出来了。采用Song方法可以忽略和识别许多低对比度缺陷。与之前的实验一样，表中给出了两种方法的收敛时间2结果表明，与Song方法相比，该模型能够快速地实现缺陷分割。我们选择算法的参数为，，,．我们还注意到，我们已经使用了SCACM作者在其网站(http://faculty.neu.edu.cn/yunhyan/Webpage%20for%20article/SCACM/DemoSCACM.rar)．

4.结论

在光照不均匀的低对比度射线照相图像中，小缺陷的检测非常复杂。通常在这一领域提出的方法结果有限。本工作的目的是提高焊缝缺陷分割在射线图像中的鲁棒性，以获得满意的结果。提出了一种基于偏心显著映射的水平集主动等高线方法。当能量函数最小时，实现分割。对具有各种缺陷的焊缝射线成像图像进行了测试，证明了该方法的有效性和鲁棒性。用两种水平集活动轮廓模型进行了对比试验。第一种方法仅依赖灰度强度，第二种方法使用显著性图来获得分割活动轮廓。对比试验表明，该方法能够克服射线照相焊缝图像照度不均匀和对比度低的问题。与其他方法相比，该方法具有较快的收敛速度。 However, some weakness of the proposed method must be studied in a future work. To reduce human interaction, it is recommended to develop a method to select automatically the region of the interest. It is also interesting to validate this segmentation method to another radiography image application like medical area.

利益冲突

作者声明本文的发表不存在利益冲突。

参考文献

1. I. Valavanis和D. Kosmopoulos，“利用几何和纹理特征在焊接射线图像中的多类缺陷检测和分类”，专家系统与应用，第37卷，第2期12, pp. 7606-7614, 2010。视图:出版商的网站|谷歌学者
2. J. Zapata, R. Vilar，和R. Ruiz，“基于神经分类器的射线图像焊接缺陷自动检测系统的性能评估”，专家系统与应用第38卷第2期7, pp. 8812-8824, 2011。视图:出版商的网站|谷歌学者
3. C. Stolojescu-Crişan和Ş。霍尔班，" x射线图像分割技术的比较"电子与计算机工程进展，第13卷，第2期3, pp. 85-92, 2013。视图:出版商的网站|谷歌学者
4. A. Mahmoudi和F. Regragui，“通过射线图像分割的焊接缺陷检测”世界计算机科学与信息工程大会论文集(WRI '09)，第7卷，111-115页，美国加州洛杉矶，2009年3月。视图:出版商的网站|谷歌学者
5. D. Mery和M. A. Berti，“利用纹理特征自动检测焊接缺陷”，见解:无损检测和状态监测第45卷第5期10，页676-681,2003。视图:出版商的网站|谷歌学者
6. M. a . Carrasco和D. Mery，“使用鲁棒算法分割焊接缺陷”，材料评价第62期11，页1142-1147,2004。视图:谷歌学者
7. “人工神经网络在核部件焊接缺陷评估中的应用”，E. S. Amin，“神经网络在核部件焊接缺陷评估中的应用”，原子核与辐射物理学报，第3卷，第2期。2，页83-92,2008。视图:谷歌学者
8. S.-B。周,A.-Q。沈,G.-F。李，“基于多尺度数学形态学算子和Otsu方法的具体图像分割”，材料科学与工程进展， 2015年，第11页，文章编号208473,2015。视图:出版商的网站|谷歌学者
9. S. Osher和N. Paragios，成像，视觉和图形学中的几何水平集方法, 2003年施普林格。
10. x。王,D.-S。Huang, and H. Xu，“一种有效的局部Chan-Vese模型用于图像分割，”模式识别号，第43卷。3, pp. 603-618, 2010。视图:出版商的网站|谷歌学者|Zentralblatt数学
11. C. Xu和J. L. Prince，“蛇、形状和梯度矢量流”，IEEE图像处理汇刊，第7卷，第5期3、第359-369页，1998。视图:出版商的网站|谷歌学者|Zentralblatt数学|MathSciNet
12. T. F. Chan和L. A. Vese，“没有边缘的主动轮廓”，IEEE图像处理汇刊，第10卷，第5期。2，页266-277,2001。视图:出版商的网站|谷歌学者|Zentralblatt数学
13. D.芒福德和J.沙阿，“分段平滑函数和相关变分问题的最优逼近”，纯粹和应用数学交流，第42卷，第2期5，第577-685页，1989。视图:出版商的网站|谷歌学者
14. 王磊，李春春，孙青，夏东，陈志勇。Kao，“局部和全局强度拟合能量驱动的主动轮廓及其在脑MR图像分割中的应用”，计算机化的医学影像和图形第33卷第3期7，第520-531页，2009。视图:出版商的网站|谷歌学者
15. 刘S.-J x。彭,Y.-M。张，唐玉英，j.x。Du，“用于交互式自然图像分割的联合和区域可伸缩分布度量的活动轮廓，”专业图像处理，第8卷，第2期12, pp. 824-832, 2014。视图:出版商的网站|谷歌学者
16. 张凯，张磊，宋华，周伟，“基于局部或全局分割的主动轮廓:一种新的公式和水平集方法”，图像及视觉计算第28卷第2期4，页668-676,2010。视图:出版商的网站|谷歌学者
17. 张凯，宋海，张磊，“局部图像拟合能量驱动的主动轮廓”，模式识别号，第43卷。4, pp. 1199-1206, 2010。视图:出版商的网站|谷歌学者
18. 宋凯，“基于凸轮廓模型的硅钢片表面微缺陷检测方法”，工程数学问题， 2013年第4期，文章编号429094,13页，2013年。视图:出版商的网站|谷歌学者
19. L. Itti和C. Koch，“视觉注意力的计算模型”，神经系统科学自然评论，第2卷，第2期3，页194 - 203,2001。视图:出版商的网站|谷歌学者
20. R. Achantay, S. Hemamiz, F. Estraday，和S. Süsstrunky，“频率调谐显著区检测”，刊于IEEE计算机学会计算机视觉与模式识别会议论文集(CVPR’09)，页1597-1604,IEEE, 2009年6月。视图:出版商的网站|谷歌学者
21. 侯昕、张磊，“显著性检测:一种基于光谱残差的方法”IEEE计算机视觉与模式识别会议论文集(CVPR’07)，第1-8页，明尼阿波利斯，明尼苏达州，美国，2007年6月。视图:出版商的网站|谷歌学者
22. S. Montabone和a . Soto，“使用移动平台和源自视觉显著机制的新特征的人类检测，”图像及视觉计算第28卷第2期3，页391-402,2010。视图:出版商的网站|谷歌学者
23. P. Viola和M. J. Jones的《健壮实时人脸检测》国际计算机视觉杂志(第57卷)2，页137-154,2004。视图:出版商的网站|谷歌学者
24. Wang L.， He L.， A. Mishra, and C. Li，“基于局部高斯分布拟合能量的主动轮廓”，信号处理，第89卷，第89期。12，第2435-2447页，2009。视图:出版商的网站|谷歌学者
25. http://www.bam.de/en/index.htm．
26. https://en.wikipedia.org/wiki/Precision_and_recall．

版权

版权所有©2015 Mohamed Ben Gharsallah和Ezzeddine Ben Braiek。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。