基于ICA融合算法来增强缺陷特征的方法

摘要

本发明公开了一种基于ICA融合算法来增强缺陷特征的方法，通过遗传算法的加权融合、小波融合和Contourlet融合三种基于ICA融合算法来增强缺陷特征；具体的讲，在结合对比函数的同时，利用三种不同的原理方法分别来计算独立成分，再计算各独立成分的峰态系数，利用独立成分峰态系数与其他独立成分峰态系数的比值来判别缺陷特征，从而提高缺陷检测方法的多样性和检测结果的准确性。

说明书

技术领域

本发明属于材料缺陷检测技术领域，更为具体地讲，涉及三种基于ICA融合算法来增强缺陷特征的方法。

背景技术

在脉冲涡流热成像检测过程中，缺陷的存在会干扰感应加热阶段涡流的分布，从而形成高温区和低温区，距离较远的区域涡流分布可以看作是相互独立的，所以不同涡流分布的区域形成彼此独立的热源。因此可以把脉冲涡流热成像采集的热视频看作是多个信号源混叠而成的信号，而缺陷特征提取看作是一个单通道盲源分离的过程，可通过ICA算法提取热图像中包含缺陷的几个独立区域，这些独立成分分别体现了几个独立区域的热分布情况。

在实际应用中，只有局部区域的热量分布受到缺陷的影响，出现异常，这会体现在热图像中很少的部分像素上，如对于表面裂纹，只在裂纹的两端与其他区域有较大温差，呈现高温态，这个区域与其他区域相对独立。在代表该区域的独立成分中，其他部分幅值远小于该区域幅值，而且非缺陷区域的面积远大于缺陷区域，所占像素点数多，因此在统计学上，该独立成分数据分布更为集中，可通过计算独立成分峰态系数方法，来选择体现缺陷区域的独立成分，实现自动识别缺陷区域的独立成分。峰态系数越大表示数据分布越集中，所以如果被测件中存在缺陷，可以认为峰态系数最大的独立成分即为缺陷特征，该独立成分峰态系数与其他独立成分峰态系数的比值可以作为判别缺陷特征是否明显的一个重要指标，其比值越大则认为缺陷特征越明显。为了增强缺陷的特征，本发明提出了基于独立成分分析的数据融合方法，来增强缺陷特征，提高缺陷检测的准确率。

发明内容

本发明的目的在于克服现有技术的不足，提供三种基于ICA融合算法来增强缺陷特征的方法，利用基于ICA融合算法来计算独立成分，再通过独立成分峰态系数与其他独立成分峰态系数的比值来判别缺陷特征，从而提高缺陷检测 的准确率。

为实现上述发明目的，本发明基于ICA融合算法来增强缺陷特征的方法，主要包括遗传算法的加权融合、小波融合和Contourlet融合；

首先，利用遗传算法的加权融合来增强缺陷特征，其特征在于，包括以下步骤：

(1)、利用ICA融合算法采用的对比函数G_i，对采集到的热图像序列进行处理，得到一组独立成分表示三组对比函数；其中，每个独立成分>

(2)、把独立成分进行加权融合

$X_F=m_1{X}_{G_1}+m_2{X}_{G_2}+m_3{X}_{G_3}---\left(1\right)$

其中，X_F表示融合后的一组独立成分，且X_F也包含4个独立成分X_F,q，表示通过对比函数G_i求得的独立成分，m_i表示独立成分对应的权值，其满足>

(3)、通过生成m_i的初始种群，将和初始m_i代入公式(1)求得X_F，根据峰态系数最大的独立成分X_F,1与次大的独立成分X_F,2之间的峰态系数比值来作为遗传算法的适应度函数f，计算m_i适应度，再从初始种群中选择合适的个体进行交叉变异，生成新的m_i，并依次迭代，直到达到预定迭代次数后，选出适应度最好的一组m_i，作为最终的m_i；

$f=\frac{kurt\left(X_{F,1}\right)}{kurt\left(X_{F,2}\right)}---\left(2\right)$

其中，kurt()表示求峰态系数，X_F,1表示峰态系数最大的独立成分，X_F,2表示峰态系数次大的独立成分；

(4)、将步骤(3)求出的权值m_i代入到公式(1)中，求出最终融合后的一组独立成分X_F；

(5)、分别计算融合后每个独立成分X_F,q的峰态系数和融合前每个对比函数对应的子独立成分的峰态系数；

将X_F,q的峰态系数和的峰态系数均按降序排列，再根据公式(3)来判断增强缺陷特征的效果；

$DR=\frac{kurt\left(X_{F,1}\right)}{kurt\left(X_{F,2}\right)}-\underset{i=1,2,3}{max}\left(\frac{kurt\left(X_{G_i,1}\right)}{kurt\left(X_{G_i,2}\right)}\right)---\left(3\right)$

果DR大于0，则起到了增强缺陷特征的效果，且DR越大，效果越明显。

其次，利用小波融合来增强缺陷特征，其特征在于，包括以下步骤：

(1)、利用ICA融合算法采用的对比函数G_i，对采集到的热图像序列进行处理，得到一组独立成分表示三组对比函数；其中，每个独立成分>

(2)、对每个子独立成分进行m层分解，得到低频尺度系数和高频小波系数

$\begin{array}{c}{c}_{G_i,q,m}=<X_{G_i,q}\left(p_1,p_2\right),{\phi }_{m,k_1,k_2}\left(p_1,p_2\right)>\\ d_{G_i,q,m}^1=<X_{G_i,q}\left(p_1,p_2\right),{\psi }_{m,k_1,k_2}^1\left(p_1,p_2\right)>\\ d_{G_i,q,m}^2=<X_{G_i,q}\left(p_1,p_2\right),{\psi }_{m,k_1,k_2}^2\left(p_1,p_2\right)>\\ d_{G_i,q,m}^3=<X_{G_i,q}\left(p_1,p_2\right),{\psi }_{m,k_1,k_2}^3\left(p_1,p_2\right)>\end{array}---\left(4\right)$

其中，为独立成分第m层低频尺度系数在k(k＝1,2,3)方向上的高频小波系数；为通过对比函数G_i得到的第q个子独立成分，(p₁,p₂)表示对应的像素点坐标；<·>表示内积；是由二维离散小波变换中尺度函数伸缩、平移变换得到的；是k方向上基本小波函数构成小波基函数；k₁,k₂为整数；

(3)分别对低频尺度系数和高频小波系数进行融合

利用加权平均法对低频尺度系数进行融合，得到融合后的低频尺度系数c_F,q,m为：

$c_{F,q,m}=\frac{1}{3}(c_{G_1,q,m}+c_{G_2,q,m}+c_{G_3,q,m})---\left(5\right)$

利用绝对值最大法对高频系数进行融合，得到融合后的高频小波系数为：

$d_{F,q,m}^k=\underset{i=1,2,3}{max}\left(\right|\frac{d_{G_i,q,m}^k}{c_{G_i,q,m}}\left|\right)---\left(6\right)$

其中，为通过对比函数G_i得到的第q个子独立成分在第m层k方向上的高频小波系数；

(4)进行小波多层重构，得到最终结果

利用融合后的低频尺度系数c_F,q,m和高频小波系数对独立成分进行重构，得到融合后的一组独立成分X_F；

(5)、分别计算融合后每个独立成分X_F,q的峰态系数和融合前每个对比函数对应的子独立成分的峰态系数；

将X_F,q的峰态系数和的峰态系数均按降序排列，再根据公式(3)来判断增强缺陷特征的效果，如果DR大于0，则起到了增强缺陷特征的效果，且DR越大，效果越明显。

最后，利用Contourlet融合来增强缺陷特征，其特征在于，包括以下步骤：

(1)、利用ICA融合算法采用的对比函数G_i，对采集到的热图像序列进行处理，得到一组独立成分表示三组对比函数；其中，每个独立成分>

(2)、对独立成分进行两层Contourlet分解，得到对应的低频近似系数 和第m(1≤m≤2)层k′(0≤k'≤2²-1)方向上高频细节系数为其中，2表示Contourlet分解的层数；

(3)、分别对低频近似系数和高频细节系数进行融合

利用加权平均法对低频近似系数进行融合，得到融合后的低频近似系数为：

$c_{F,q,2}=\frac{1}{3}(c_{G_1,q,2}+c_{G_2,q,2}+c_{G_3,q,2})---\left(7\right)$

利用绝对值最大法对高频细节系数进行融合，得到融合后的高频细节系数为：

$d_{F,q,m}^{k^{\prime }}=\underset{i=1,2,3}{max}\left(\right|d_{G_i,q,m}^{k^{\prime }}\left|\right)---\left(8\right)$

(4)、利用融合后的低频近似系数和高频细节系数对独立成分进行重构，得到融合后的一组独立成分X_F；

(5)、分别计算融合后每个独立成分X_F,q的峰态系数和融合前每个对比函数>

将X_F,q的峰态系数和的峰态系数均按降序排列，再根据公式(3)来判断增强缺陷特征的效果，如果DR大于0，则起到了增强缺陷特征的效果，且DR越大，效果越明显。

进一步的，所述的对比函数G_i为：

或或

更进一步的，所述二维离散小波变换中对应尺度函数为：

φ(p₁,p₂)＝φ(p₁)φ(p₂)

其中，(p₁,p₂)为像素点坐标；φ(p₁)，φ(p₂)为一维尺度函数，其相应的小波函数为ψ(p₁)，ψ(p₂)；

将尺度函数进行二进伸缩及整数平移得到的函数为：

${\phi }_{m,k_1,k_2}(p_1,p_2)={\phi }_{m,k_1}\left(p_1\right){\phi }_{m,k_2}\left(p_2\right)=2^m\phi (2^m{p}_1-k_1)\phi (2^m{p}_2-k_2)$

其中，m≥0，m，k₁，k₂均为整数，对于二维离散小波变换，与尺度函数相对应的小波函数的3个基本小波为：

ψ¹(p₁,p₂)＝φ(p₁)ψ(p₂)

ψ²(p₁,p₂)＝ψ(p₁)φ(p₂)

ψ³(p₁,p₂)＝ψ(p₁)ψ(p₂)

对于m∈Z，Z为Z域算子，由上述3个基本小波构成的小波基函数为：

${\psi }_{m,k_1,k_2}^k(p_1,p_2)=2^m{\psi }^n(p_1-2^m{k}_1,p_2-2^m{k}_2).$

本发明的发明目的是这样实现的：

本发明基于ICA融合算法来增强缺陷特征的方法，通过遗传算法的加权融合、小波融合和Contourlet融合三种基于ICA融合算法来增强缺陷特征；具体的讲，在结合对比函数的同时，利用三种不同的原理方法分别来计算独立成分，再计算各独立成分的峰态系数，利用独立成分峰态系数与其他独立成分峰态系数的比值来判别缺陷特征，从而提高缺陷检测方法的多样性和检测结果的准确性。

附图说明

图1是脉冲涡流红外热成像缺陷检测平台；

图2是表面矩形缺陷试件；

图3是表面矩形缺陷加权融合后的独立成分；

图4是表面圆孔缺陷试件；

图5是表面圆孔缺陷小波融合后的独立成分；

图6是Contourlet分解原理框图；

图7是LP分解原理图；

图8是DFB的3层分解示意图；

图9是亚表面矩形缺陷试件；

图10是亚表面矩形缺陷Contourlet融合后的独立成分。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：

ICA(Independent Component Analysis):独立成分分析；

Contourlet：轮廓波；

L P(Laplacian Pyramid)：拉普拉斯金字塔；

DFB(Directional Filter Bank)：方向滤波器组。

图1是脉冲涡流红外热成像缺陷检测平台。

本发明基于ICA融合算法来增强缺陷特征的方法，主要包括：遗传算法的加权融合、小波融合和Contourlet融合三种基于ICA融合算法来增强缺陷特征；在本实施例中，三种基于ICA融合算法计算独立成分时均采用以下三种对比函数：

对比函数G_i为：或或

下面结合图1所示的检测平台，对三种基于ICA融合算法来增强缺陷特征的具体过程进行详细说明，具体如下。

一、利用遗传算法的加权融合来增强缺陷特征，主要包括以下步骤：

S1、采集红外热图像序列

采用脉冲涡流对待测件加热，再利用红外热像仪采集待测件红外热图像序列。

S2、利用ICA融合算法采用的对比函数G_i，对采集到的热图像序列进行处理，得到一组独立成分表示三组对比函数；其中，每个独立成分均包括四个子独立成分

S3、把独立成分进行加权融合

$X_F=m_1{X}_{G_1}+m_2{X}_{G_2}+m_3{X}_{G_3}---\left(1\right)$

其中，X_F表示融合后的一组独立成分，且X_F也包含4个独立成分X_F,q，表示通过对比函数G_i求得的独立成分，m_i表示独立成分对应的权值，其满足>

S4、通过生成m_i的初始种群，将和初始m_i代入公式(1)求得X_F，根据峰态系数最大的独立成分X_F,1与次大的独立成分X_F,2之间的峰态系数比值来作为遗传算法的适应度函数f，计算m_i适应度，再从初始种群中选择合适的个体进行交叉变异，生成新的m_i，并依次迭代，直到达到预定迭代次数后，选出适应度最好的一组m_i，作为最终的m_i；

$f=\frac{kurt\left(X_{F,1}\right)}{kurt\left(X_{F,2}\right)}---\left(2\right)$

其中，kurt()表示求峰态系数，X_F,1表示峰态系数最大的独立成分，X_F,2表示峰态系数次大的独立成分；

S5、将S4求出的权值m_i代入到公式(1)中，求出最终融合后的一组独立成分X_F；

S6、分别计算融合后每个独立成分X_F,q的峰态系数和融合前每个对比函数对应的子独立成分的峰态系数；

将X_F,q的峰态系数和的峰态系数均按降序排列，即>

再根据公式(3)来判断增强缺陷特征的效果；

$DR=\frac{kurt\left(X_{F,1}\right)}{kurt\left(X_{F,2}\right)}-\underset{i=1,2,3}{max}\left(\frac{kurt\left(X_{G_i,1}\right)}{kurt\left(X_{G_i,2}\right)}\right)---\left(3\right)$

其中，表示表示选取经过三个对比函数获得的三组独立成分中峰态系数最大的独立成分与次大的独立成分的峰态系数比值最大的一组。

如果DR大于0，则起到了增强缺陷特征的效果，且DR越大，效果越明显。

为了验证本发明提出的方法，采用表面矩形缺陷试件对提出的方法进行验证，该缺陷为不锈钢覆面焊缝人工缺陷。该缺陷有长宽为5mm*2mm，穿透试件，如图2所示。

利用图1所示的检测平台对该试件加热，采集热图像序列。用本发明提出的利用遗传算法的加权融合对采集得到的热图像序列进行处理。

通过遗传算法计算出每组独立成分对应的权值，按该权值对3组独立成分进行加权，得到融合后的独立成分如图3所示。从图中可以看出，图3(a)为体现缺陷端点区域的独立成分。图3(b)、(c)、(d)分别体现了除缺陷端点区域外其他区域，在此不做分析。

然后计算融合前每组独立成分与经过加权融合后独立成分的峰态系数，以及最大峰态系数的独立成分与其余独立成分峰态系数的比值，如表1所示。

表1 是表面矩形缺陷经过加权融合与未融合的峰态系数对比；

峰态系数 IC1 IC2 IC3 IC4 IC1/IC2 IC1/IC3 IC1/IC4 G1 96.69 25.02 18.75 6.85 3.86 5.16 14.12 G2 109.19 26.77 17.64 6.51 4.08 6.19 16.77 G3 122.61 33.32 19.31 6.26 3.68 6.35 19.59 加权融合 118.98 19.31 17.41 6.45 6.16 6.83 18.45

表1

通过表1可以计算出DR＝6.16-3.68＝2.48,经过加权融合后，具有最大峰态系数的独立成分IC1与IC2峰态系数的比值明显大于融合前的比值，该方法有效的增强了缺陷特征。

二、利用小波融合来增强缺陷特征，主要包括以下步骤：

SS1、采集红外热图像序列

采用脉冲涡流对待测件加热，再利用红外热像仪采集待测件红外热图像序列。

SS2、利用ICA融合算法采用的对比函数G_i，对采集到的热图像序列进行处理，得到一组独立成分表示三组对比函数；其中，每个独立成分均包括四个子独立成分

SS3、对每个子独立成分进行m层分解，得到低频尺度系数和高频小波系数

其中，为独立成分第m层低频尺度系数在k(k＝1,2,3)方向上的高频小波系数；为通过对比函数G_i得到的第q个子独立成分，(p₁,p₂)表示对应的像素点坐标；<·>表示内积；是由二维离散小波变换中尺度函数伸缩、平移变换得到的；是k方向上基本小波函数构成小波基函数；k₁,k₂为整数；

其中，二维离散小波变换中对应尺度函数为：

φ(p₁,p₂)＝φ(p₁)φ(p₂)

其中，(p₁,p₂)为像素点坐标；φ(p₁)，φ(p₂)为一维尺度函数，其相应的小波函数为ψ(p₁)，ψ(p₂)；

将尺度函数进行二进伸缩及整数平移得到的函数为：

${\phi }_{m,k_1,k_2}(p_1,p_2)={\phi }_{m,k_1}\left(p_1\right){\phi }_{m,k_2}\left(p_2\right)=2^m\phi (2^m{p}_1-k_1)\phi (2^m{p}_2-k_2)$

其中，m≥0，m，k₁，k₂均为整数，对于二维离散小波变换，与尺度函数相对应的小波函数的3个基本小波为：

ψ¹(p₁,p₂)＝φ(p₁)ψ(p₂)

ψ²(p₁,p₂)＝ψ(p₁)φ(p₂)

ψ³(p₁,p₂)＝ψ(p₁)ψ(p₂)

对于m∈Z，Z为Z域算子，由上述3个基本小波构成的小波基函数为：

${\psi }_{m,k_1,k_2}^k(p_1,p_2)=2^m{\psi }^n(p_1-2^m{k}_1,p_2-2^m{k}_2).$

SS4、分别对低频尺度系数和高频小波系数进行融合

利用加权平均法对低频尺度系数进行融合，得到融合后的低频尺度系数c_F,q,m为：

$c_{F,q,m}=\frac{1}{3}(c_{G_1,q,m}+c_{G_2,q,m}+c_{G_3,q,m})---\left(5\right)$

利用绝对值最大法对高频系数进行融合，得到融合后的高频小波系数为：

$d_{F,q,m}^k=\underset{i=1,2,3}{max}\left(\right|\frac{d_{G_i,q,m}^k}{c_{G_i,q,m}}\left|\right)---\left(6\right)$

其中，为通过对比函数G_i得到的第q个子独立成分在第m层k方向上的高频小波系数；

SS5、进行小波多层重构，得到最终结果

利用融合后的低频尺度系数c_F,q,m和高频小波系数对独立成分进行重构，得到融合后的一组独立成分X_F；

SS6、分别计算融合后每个独立成分X_F,q的峰态系数和融合前每个对比函数对应的子独立成分的峰态系数；

将X_F,q的峰态系数和的峰态系数均按降序排列，再根据公式(3)来判断增强缺陷特征的效果，如果DR大于0，则起到了增强缺陷特征的效果，且DR越大，效果越明显。

为了验证本发明提出的方法，采用表面圆孔缺陷试件对提出的方法进行验证，该缺陷为不锈钢覆面焊缝人工缺陷。该缺陷直径为3mm，深度为4mm，如图4所示。

利用图1所示的检测平台对该试件加热，采集热图像序列。用本发明提出的利用小波融合对采集得到的热图像序列进行处理。

将经过ICA获取的3组独立成分分别进行小波分解，对得到的低频系数按加权平均准则进行融合，高频系数按对比度绝对值最大准则进行融合，通过小波重构得到融合后的独立成分如图5所示。从图中可以看出，图5(a)为体现了缺陷边缘区域的独立成分。图5(b)、(c)、(d)分别体现了除缺陷边缘区域外其他区域，在此不做分析。

然后计算融合前每组独立成分与小波融合后独立成分的峰态系数，以及最大峰态系数的独立成分与其余独立成分峰态系数的比值，如表2所示。

表2 表面圆孔缺陷经过小波融合与未融合的峰态系数对比

峰态系数 IC1 IC2 IC3 IC4 IC1/IC2 IC1/IC3 IC1/IC4 G1 73.70 52.52 35.24 4.09 1.40 2.09 18.02 G2 77.10 52.30 37.14 4.10 1.47 2.08 18.80 G3 79.46 50.03 39.63 4.12 1.59 2.01 19.29 小波融合 81.86 51.27 38.59 4.11 1.60 2.12 19.92

表2

通过表2可以计算出DR＝1.60-1.59＝0.01,经过加权融合后，具有最大峰态系数的独立成分IC1与IC2峰态系数的比值虽然只是略大于融合前的比值，但该方法还是在一定程度上增强了缺陷的特征。

三、利用Contourlet融合来增强缺陷特征，主要包括以下步骤：

T1、采集红外热图像序列

采用脉冲涡流对待测件加热，再利用红外热像仪采集待测件红外热图像序列。

T2、利用ICA融合算法采用的对比函数G_i，对采集到的热图像序列进行处理，得到一组独立成分表示三组对比函数；其中，每个独立成分均包括四个子独立成分

T3、对独立成分进行两层Contourlet分解，得到对应的低频近似系数和高频细节系数；

在本实施例中，Contourlet分解过程如图6所示，该分解方法是由拉普拉斯金字塔变换LP和方向滤波器组DFB相结合构成的双层滤波器组结构。图像的Contourlet分解首先通过LP将图像进行尺度分解得到图像中的奇异点，经过LP 分解后得到两个图像，其中一个图像是元图像分辨率的一半，对应着低频子带图像；另一个图像与原图像大小相同，是原图像与其低频子带上采样后得到图像之间的差值，对应着高频子带图像。通过LP分解对获得的低频子带图像继续进行尺度分解，得到相应的低高频子带图像。然后通过DFB将LP分解得到的不同尺度上的各个高频图像进行频域上的方向性分割，获得多个方向上的子带信息，实现多方向的分解。

其中，对于图像的LP分解，如图7所示，首先将图像通过低通滤波器LH，接着进行下采样，得到原图像的近似图像，也就是低频信息。然后对这个近似图像进行上采样即插值，再将图像通过用于重构的低通滤波器LG，将得到的信号与原图像做差，得到对应的低高频子带图像。

其中，对于DFB，是将图像通过迭代方向滤波器组进行二维频域上的二叉树分解，也就是l层的DFB分解相当于是将图像的二维频域进行分解，形成2^l个楔形子带。图8为l＝3时的频域分割图，此时该频域被分成了8个不同方向的子带，其中0-3之间的子带，体现了水平方向上的细节信息，4-7之间的子带体现了垂直方向上的细节信息。

按上述过程对通过对比函数G_i(i＝1,2,3)得到的第q(q＝1,2,3,4)个独立成分进行分解，得到的低频近似系数为其中2表示分解的层数，在第m(1≤m≤2)层k′(0≤k≤2²-1)方向上高频细节系数为

T4、分别对低频近似系数和高频细节系数进行融合

利用加权平均法对低频近似系数进行融合，得到融合后的低频近似系数为：

$c_{F,q,2}=\frac{1}{3}(c_{G_1,q,2}+c_{G_2,q,2}+c_{G_3,q,2})---\left(7\right)$

高频细节系数的绝对值体现了该位置处图像变化的剧烈程度，绝对值越大变化越明显，所以实施例选择高频细节系数绝对值最大的为融合后的高频细节系数，因此，利用绝对值最大法对高频细节系数进行融合，得到融合后的高频细节系数为：

$d_{F,q,m}^{k\prime }=\underset{i=1,2,3}{max}\left(\right|d_{G_i,q,m}^{k\prime }\left|\right)---\left(8\right)$

T5、利用融合后的低频系数和高频系数对独立成分进行重构，得到融合后的独立成分X_F；

T6、分别计算融合后每个独立成分X_F,q的峰态系数和融合前每个对比函数对应的子独立成分的峰态系数；

将X_F,q的峰态系数和的峰态系数均按降序排列，再根据公式(3)来判断增强缺陷特征的效果，如果DR大于0，则起到了增强缺陷特征的效果，且DR越大，效果越明显。

为了验证本发明提出的方法，采用亚表面矩形缺陷试件对提出的方法进行验证，该缺陷为不锈钢覆面焊缝人工缺陷。该缺陷长宽为5mm*1mm，距离表面的深度为2mm，如图9所示。

利用图1所示的检测平台对该试件加热，采集热图像序列。用本发明提出的Contourlet融合方法对采集得到的热图像序列进行处理。

将经过ICA获取的3组独立成分分别进行Contourlet分解，对得到的低频系数按加权平均准则进行融合，高频系数按绝对值最大准则进行融合，通过重构得到融合后的独立成分如图10所示。从图中可以看出，图10(a)为体现了矩形缺陷上表面区域的独立成分。图10(b)、(c)、(d)分别体现了除缺陷上表面区域外其他区域，在此不做分析。

然后计算融合前每组独立成分与Contourlet融合后独立成分的峰态系数，以及最大峰态系数的独立成分与其余独立成分峰态系数的比值，如表3所示。

表3是亚表面矩形缺陷经过Contourlet融合与未融合的峰态系数对比；

表3

通过表3可以计算出DR＝2.89-2.77＝0.12,经过Contourlet融合后，具有最大峰态系数的独立成分IC1与IC2峰态系数的比值要大于融合前的比值，该方法增强了缺陷的特征。

综上所述，本发明提出的三种方法都可以在一定程度上增强缺陷的特征。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。