基于背景噪声特征空间的磁光图像增强算法

摘要

本发明公开了一种基于背景噪声特征空间的磁光图像增强算法，将待测件N幅无激励信号下的磁光灰度图像按照列优先转化为灰度列向量，合并得到背景噪声灰度矩阵，求得背景噪声灰度矩阵的K‑L变换矩阵作为背景噪声特征空间矩阵，然后将有激励信号下的磁光灰度图像按照列优先转化为灰度列向量，采用K‑L变换计算该灰度列向量在背景噪声特征空间的投影向量，然后再对投影向量采用K‑L反变换得到列向量，将该列向量还原成图像得到背景噪声灰度图像，将有激励信号下的磁光灰度图像减去背景噪声灰度图像得到增强后的磁光灰度图像。本发明可以有效剔除背景噪声的干扰，突出缺陷信息，提高磁光图像的增强效果，有助于提高磁光成像系统对缺陷的检测效率。

说明书

技术领域

本发明属于磁光成像检测技术领域，更为具体地讲，涉及一种基于背景噪声特征空间的磁光图像增强算法。

背景技术

在金属磁性材料的缺陷检测中，结合漏磁检测的磁光成像检测(Magneto-optic imaging，MOI)技术因其可视化、快速性、准确性而得到快速发展，该技术基于法拉第磁光效应，将反映了缺陷信息的漏磁场转化成图像信息，通过分析图像就能够实现材料的结构健康状态检测。

磁光成像检测技术实际上是通过分析光强信号来获取缺陷信息的，而光信号极易受到干扰，因此磁光成像系统应具备较高的精密特性。然而，在实际的检测中会发现，即使是使用较高标准的精密仪器，磁光成像系统依然会受到各种干扰源的影响。这些干扰源或是由于仪器设备精确度不够，或是由于光自身的干涉衍射性，也可能是操作人员引起的操作误差，都无法完全避免。干扰源将直接在磁光图像中引入不同特征的背景噪声，与有效缺陷信息交织在一起，直接影响了缺陷的检测。干扰的存在显著降低了缺陷识别率，轻则减小缺陷信息量，重则引起错误识别，因而成为限制磁光成像检测技术向前推进的关键点。

为了解决上述噪声干扰问题，提高检测效率，相关研究人员提出了一些图像增强算法。2001年，美国的Udpa利用小波变换以及形态学技术实现对单帧磁光图像的处理，突出了缺陷信息[A算法]。该团队随后做出了改进，提出动态滤波技术，首先通过磁光薄膜与试件的相对移动获得连续的图像序列，然后基于帧差法实现缺陷信息(动态部分)与干扰信息(静态部分)的分离[B、C算法]。2009年，Matteo采用基于K-L变换原理的奇异值分解法识别飞机铆钉的完整性[D算法]。2010年，Matteo基于独立成分分析实现磁光图像的去噪，并与自适应动态滤波和动态滤波的去噪性能进行对比分析[E算法]。近年，Patterson提出基于偏振测定法的多图像处理方法，改变磁光路径中的检偏器角度获取多张磁光图像，并根据图像之间的相关性消除总光强变化、照相机曝光时间、光路径非线性等因素的影响[F算法]。在以上方法中，B、C算法中采用的动态滤波技术取得了良好的效果，但是这两种算法是基于多检测点采样，实时性不高。A、D、E、F算法中的方法基于单检测点采样，解决了实时性问题，但在抑制较强噪声干扰时，效果并不理想。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于背景噪声特征空间的磁光图像增强算法，采用K-L变换根据无激励信号下的磁光图像获取背景噪声特征空间，实现有激励信号下的磁光图像中缺陷和背景噪声的分离，提高磁光图像的增强效果。

为实现上述发明目的，本发明基于背景噪声特征空间的磁光图像增强算法包括以下步骤：

S1：对待测件获取N幅无激励信号下的磁光图像以及1幅有激励信号下的磁光图像，其中N≥1，将这N+1幅磁光图像转换为灰度图像；

S2：将每幅无激励信号下的磁光灰度图像按照列优先转化为灰度列向量，将N个列向量合并得到背景噪声灰度矩阵W，求得背景噪声灰度矩阵W的K-L变换矩阵A，将该变换矩阵作为背景噪声特征空间矩阵；

S3：将有激励信号下的磁光灰度图像I按照列优先转化为灰度列向量B，采用K-L变换计算灰度列向量B在背景噪声特征空间的投影向量Y＝A^T(B-m_X)，其中m_X为背景噪声灰度矩阵W的平均值列向量；然后对投影向量Y进行K-L反变换得到列向量γ＝A*Y+m_X，将列向量γ按照列优先还原得到灰度图像I₁；

S4：采用图像作差法计算增强后的磁光灰度图像I₂＝I-I₁。

本发明基于背景噪声特征空间的磁光图像增强算法，将待测件N幅无激励信号下的磁光灰度图像按照列优先转化为灰度列向量，合并得到背景噪声灰度矩阵，求得背景噪声灰度矩阵的K-L变换矩阵作为背景噪声特征空间矩阵，然后将有激励信号下的磁光灰度图像按照列优先转化为灰度列向量，采用K-L变换计算该灰度列向量在背景噪声特征空间的投影向量，然后再对投影向量采用K-L反变换得到列向量，将该列向量还原成图像得到背景噪声灰度图像，将有激励信号下的磁光灰度图像减去背景噪声灰度图像得到增强后的磁光灰度图像。经过实验证明，本发明可以有效剔除背景噪声的干扰，突出缺陷信息，提高磁光图像的增强效果，有助于提高磁光成像系统对缺陷的检测效率。

附图说明

图1是本发明基于背景噪声特征空间的磁光图像增强算法的具体实施方式流程图；

图2是本实施例中待测件照片；

图3是本实施例中磁光图像的干扰信息示例图；

图4是无激励信号下和有激励信号下的Z形缺陷磁光图像示例图；

图5是本实施例中无激励信号下的Z形缺陷磁光图像集；

图6是本实施例中有激励信号下的Z形缺陷磁光图像；

图7是图6所示Z形缺陷磁光图像对应的背景噪声分量的灰度图像；

图8是图6所示Z形缺陷磁光图像增强后的磁光灰度图像；

图9是有激励信号下和无激励信号下磁光图像直接作差得到的图像。

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

图1是本发明基于背景噪声特征空间的磁光图像增强算法的具体实施方式流程图。如图1所示，本发明基于背景噪声特征空间的磁光图像增强算法包括以下步骤：

S101：获取磁光图像：

对待测件获取N幅无激励信号下的磁光图像以及1幅有激励信号下的磁光图像，其中N≥1。本发明的磁光图像增强算法都是基于像素级上的增强，需要用到每一个像素点的灰度信息，因此先将这N+1幅磁光图像都需要先转化成磁光灰度图像。

为了能表征更加丰富的噪声信息，在获取N幅无激励信号下的磁光图像时，每幅图像的整体光强度有所区别，即每幅图像的整体光强度不同。一般来说可以通过微调磁光成像系统中检偏器角度来实现。

S102：构造背景噪声特征空间：

本发明中背景噪声特征空间是通过无激励信号的磁光图像集来构造的，可以把每幅无激励信号下的磁光图像看作是背景噪声的一个样本。将每幅无激励信号下的磁光灰度图像按照列优先转化为灰度列向量，将N个列向量合并得到背景噪声灰度矩阵W，显然背景噪声灰度矩阵W的大小为Q×N，Q表示每幅磁光灰度图像的像素点数量。求得背景噪声灰度矩阵W的K-L变换矩阵A。K-L变换矩阵A就是背景噪声特征空间矩阵，其每一个列向量代表背景噪声特征空间的一个坐标轴。K-L变换是模式识别领域的一种常用技术手段，其具体计算过程在此不再赘述。

S103：提取背景噪声分量：

将有激励信号下的磁光灰度图像I按照列优先转化为灰度列向量B，采用K-L变换计算灰度列向量B在背景噪声特征空间的投影向量Y＝A^T(B-m_X)，其中m_X为背景噪声灰度矩阵W的平均值列向量，也就是N个无激励信号下的磁光灰度图像对应灰度列向量的平均列向量。Y即是有激励信号下的磁光灰度图像投影到背景噪声特征空间中的点的坐标系。然后对投影向量Y进行K-L反变换得到列向量γ＝A*Y+m_X，将列向量γ按照列优先还原得到灰度图像I₁，图像I₁就是图像I中的背景噪声分量。

S104：作差得到增强磁光图像：

本实施例中采用作差法来分离激励信号下的磁光图像中的缺陷信息与噪声信息，直接用图像I减去图像I₁就得到了增强后的磁光灰度图像I₂，即I₂＝I-I₁。因为图像I₂不含背景噪声分量，只包含了缺陷分量，从而实现了磁光图像的增强。

为了说明本发明的技术效果，采用具体实例对本发明进行实验验证。图2是本实施例中待测件照片。如图2所示，本实施例中选择了两种待测件，一种是尺寸为199×100×6(mm)的工业钢板，另一种是尺寸为160×30×0.5(mm)的硅钢片。然后使用激光雕刻机在该钢板中加工了一个Z形缺陷和“三”字形缺陷，在硅钢片中加工了一个直形缺陷。

图3是本实施例中磁光图像的干扰信息示例图。图3中截取了待测件一中Z形缺陷附近的磁光图像和待测件二中直形缺陷附近的磁光图像。如图3所示，背景噪声大体可分为两类，一类是斑状干扰，其分布不规则，另一类是条纹状干扰，其分布相对较均匀。事实上，在相同条件下如果仅断开激励信号，即不产生缺陷漏磁场信号时，获取的磁光图像依然包含了此类干扰，且分布不变。

如果仅从图像中进行观察，只能知道图像中确实引入了背景噪声及其一些二维特征，但并不知道噪声来源于哪个环节以及其产生机理。通过层层追溯，发现斑状干扰主要来源于磁光成像系统中的激光光源，因为激光光源产生的激光不是绝对均匀，其中不规则的部分在图像中产生明暗的变化，形成不受激励信号影响的背景噪声。其次扩束镜、起偏器和检偏器上的杂质以及空气中的粉尘也会产生少量的斑状干扰。条纹状干扰是由于光的干涉引起，产生于磁光薄膜与反光玻璃之间的夹层。由于该空隙的存在，刚穿过磁光薄膜的激光与经反射的激光相遇，发生干涉现象，形成明暗相间的条纹，并最终反映在图像中。

图4是无激励信号下和有激励信号下的Z形缺陷磁光图像示例图。如图4所示，当仅观察有激励信号时的图像时，特征比较杂乱，无法区分缺陷信息与干扰信息。但当知道无激励信号的磁光图像时，可以认为其中所有的特征都是背景噪声，这是因为从理论上讲，其中不应该包含任何的缺陷特征。而如何准确提取无激励信号下磁光图像中的背景噪声信息，从而对有激励信号下的磁光图像进行增强，突出缺陷信息，是关键问题。因此本发明提出了采用K-L变换提取背景噪声特征空间的方法。

图5是本实施例中无激励信号下的Z形缺陷磁光图像集。如图5所示，本实施例中获取了12幅无激励信号下的Z形缺陷磁光图像，每幅图像的整体光强度不同。每幅图像大小为320×240，转换成灰度图像后，按列优先转化为成76800×1维的列向量，合并成76800×12维的背景噪声灰度矩阵W，然后计算得到K-L变换矩阵A，该K-L变换矩阵A就是背景噪声特征空间矩阵。

图6是本实施例中有激励信号下的Z形缺陷磁光图像。将图6所示的Z形缺陷磁光图像转化成列向量后，根据背景噪声特征空间矩阵采用K-L变换和K-L反变换得到背景噪声分量的灰度图像I₁，然后相减得到增强后的磁光灰度图像I₂。图7是图6所示Z形缺陷磁光图像对应的背景噪声分量的灰度图像。图8是图6所示Z形缺陷磁光图像增强后的磁光灰度图像。对比图6和图8可以发现，尽管增强后的磁光灰度图像中缺陷的强度被减弱了一部分，但大量背景噪声被成功抑制，突出了缺陷信息，从而可以使缺陷的识别更加容易。

理论上讲，相同实验条件下无激励信号与有激励信号的磁光图像仅在缺陷特征上有差别，因而能够直接对其作差来实现缺陷增强。选择图6所示有激励信号下的Z形缺陷磁光图像的灰度图像与图5所示无激励信号下的Z形缺陷磁光图像集中的第6张图像直接作差得到灰度图像。图9是有激励信号下和无激励信号下磁光图像直接作差得到的图像。对比图8和图9可以发现，作差法并不能很好的抑制噪声，这是因为当施加激励信号之后，不仅改变图像中缺陷区域的灰度值，非缺陷区域的灰度值也受到影响且不均匀。而本发明的基于背景噪声特征空间的磁光图像增强算法避免了这一影响，采用无激励信号下的背景噪声图像构造了特征空间，从而从有激励信号和磁光图像中提取噪声分量，保留了噪声的不均匀性，提高了对磁光图像的增强效果。

为了更好的比较该算法的增强效果，引入图像对比度的概念来表征磁光图像的分辨率，当对比度越高，说明图像中的缺陷特征越清晰。经计算，图8所示图像的对比度为14.6551，图9所示图像的对比度为10.9814。可见，本发明得到的增强后磁光图像的对比度远优于直接作差法所得到图像的对比度。经大量实验数据对比可知，采用本发明得到的增强后磁光图像的对比度与未增强前的原始磁光图像相比，其对比度达到原始磁光图像的两倍。可见，本发明可以有效对磁光图像实现增强，突出缺陷信息，从而提高磁光成像系统对缺陷的检测效率。

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。