基于機(jī)器視覺(jué)的工業(yè)CT無(wú)損檢測(cè)技術(shù)研究.pdf

1、工業(yè)CT（Computed Tomography）成像技術(shù)的快速發(fā)展，為工業(yè)裝備的無(wú)損檢測(cè)（Non-destructive Testing,NDT）提供了極大便利。而成像之后的圖像處理對(duì)于提高圖像質(zhì)量、進(jìn)行有效的檢測(cè)具有重要的實(shí)際意義。為了構(gòu)建一個(gè)完整的機(jī)器視覺(jué)系統(tǒng)，實(shí)現(xiàn)工業(yè)裝備的自動(dòng)化在線檢測(cè)，需要對(duì)系統(tǒng)中涉及的圖像預(yù)處理、圖像分割、邊緣檢測(cè)等方法進(jìn)行研究。本文的主要工作如下：
　　首先，提出了一種基于核奇異值分解（Kernel

2、 Singular Value Decomposition,KSVD）和相似點(diǎn)標(biāo)記的非局部均值（Non-local Means,NLM）工業(yè)CT圖像去噪方法。采用KSVD提取相似窗圖像塊的主要代數(shù)特征，并進(jìn)行低秩近似表示，在此基礎(chǔ)上度量相似性以減少計(jì)算量；對(duì)已經(jīng)被判為相似像素的點(diǎn)對(duì)進(jìn)行標(biāo)記，避免了兩個(gè)像素間相似度的重復(fù)計(jì)算，從而可使搜索窗縮小為傳統(tǒng)NLM方法的一半。實(shí)驗(yàn)結(jié)果表明，所提方法在主觀視覺(jué)去噪效果、峰值信噪比（Peak Sign

3、al to Noise Ratio,PSNR）以及處理速度3個(gè)方面具有良好的表現(xiàn)，與傳統(tǒng)NLM方法、主鄰域字典（Principal Neighborhood Dictionaries,PND）方法和基于Zernike矩的NLM方法相比，具有明顯優(yōu)勢(shì)。
　　然后，討論了一種Shearlet域圖像增強(qiáng)方法。通過(guò)非下采樣Shearlet變換（Non-subsampled Shearlet Transform,NSST）將圖像分解為高頻部

4、分和低頻部分。對(duì)高頻部分實(shí)施非線性變換以增強(qiáng)邊緣并且抑制高頻噪聲；對(duì)低頻部分進(jìn)行分塊局部增強(qiáng)，在此過(guò)程中引入人眼感知保真約束，解決了分塊增強(qiáng)時(shí)邊界像素的失真問(wèn)題。與雙向直方圖均衡、空域保真約束增強(qiáng)、Contourlet模糊增強(qiáng)、非下采樣Contourlet變換（Non-subsampled Contourlet Transform,NSCT）自適應(yīng)增強(qiáng)等方法相比，所提方法得到的增強(qiáng)圖像主觀視覺(jué)效果更好，并且在清晰度、局部對(duì)比度以及全局對(duì)

5、比度等定量評(píng)價(jià)指標(biāo)上平均高出50％，與表現(xiàn)次優(yōu)的NSCT自適應(yīng)增強(qiáng)方法相比，本文方法所需處理時(shí)間僅為其10%，能夠滿足實(shí)時(shí)處理的要求。
　　其次，提出了一種工業(yè)CT圖像自適應(yīng)閾值分割方法。給出了倒數(shù)灰度熵的定義，由此推導(dǎo)出一維倒數(shù)灰度熵閾值選取公式，考慮了類內(nèi)灰度的均勻性，同時(shí)避免了Shannon熵存在的無(wú)定義點(diǎn)的問(wèn)題；為了提高抗噪性，將倒數(shù)灰度熵從一維直方圖的情況拓展到二維，導(dǎo)出了二維倒數(shù)灰度熵閾值選取公式；為了降低二維情況下的

6、運(yùn)算量，提出了二維倒數(shù)灰度熵的分解方法，從而將二維閾值搜索問(wèn)題轉(zhuǎn)化為搜索兩個(gè)一維閾值的過(guò)程，大大降低了算法復(fù)雜度。與改進(jìn)的Otsu法、基于粒子群優(yōu)化（Particle Swarm Optimization,PSO）的二維最大Shannon熵法、基于小生境混沌粒子群優(yōu)化（Niche Chaotic Particle Swarm Optimization,NCPSO）的二維斜分倒數(shù)熵法相比，提出的方法針對(duì)多幅工業(yè)CT圖像取得了更好的分割效果

7、。
　　再次，研究了一種基于NSST和引導(dǎo)濾波的工業(yè)CT圖像邊緣檢測(cè)方法。利用引導(dǎo)濾波改進(jìn)Canny邊緣檢測(cè)子的濾波過(guò)程，檢測(cè)出大致的邊緣，視為低頻圖像邊緣；通過(guò)NSST分解圖像提取高頻信息，在圖像的高頻部分采用NSST模極大值方法檢測(cè)邊緣，并根據(jù)不同分解程度下邊緣位置的高頻系數(shù)關(guān)系剔除偽邊緣；將高低頻邊緣進(jìn)行融合，得到最終的邊緣圖像。將本文方法與常用的Canny方法、小波模極大值方法和NSCT模極大值方法進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明

8、，本文方法檢測(cè)出的邊緣更為準(zhǔn)確，與參考邊緣檢測(cè)圖的差別最小，品質(zhì)因數(shù)更高。
　　最后，提出了一種基于視覺(jué)注意機(jī)制的工業(yè)CT圖像缺陷檢測(cè)方法。利用引導(dǎo)濾波取代傳統(tǒng)視覺(jué)注意模型中的Gaussian濾波生成尺度空間，避免了對(duì)邊緣結(jié)構(gòu)的破壞；將特征圖視為一個(gè)圖來(lái)構(gòu)造Markov鏈，以Markov鏈的穩(wěn)態(tài)分布作為顯著圖；針對(duì)工業(yè)CT圖像的特點(diǎn)，不再?gòu)念伾ǖ捞崛√卣鲌D，改變了直接取平均的顯著圖融合方式，根據(jù)顯著圖的不同特點(diǎn)按比例進(jìn)行融合；在