水下结构物表面缺陷的自动检测与识别解析.doc

水下结构物表面缺陷的自动检测与识别 摘要：在计算机图像处理理论与模式识别理论的基础上，提出水下结构物表面缺陷的识别方法，给出噪声去除以及阈值分割的方法；从处理后的缺陷图像中提取能表征缺陷性质的几何特征和纹理特征，并运用树形分类器进行分类，以实现计算机对缺陷图像的理解和自动识别。识别结果为水下结构物的安全可靠性评估提供基础数据。 关键词：缺陷识别；图像处理；特征提取；模式识别 0 引言 近几十年来，随着海洋石油开发工程、水库大坝工程、港口码头以及桥梁工程的不断深入和发展，形成了一系列水下开发结构物新模式。然而，在长期服役过程中，由于外部环境（如风浪、腐蚀、水力冲刷以及温度应力等）的变化以及人为失误（如设计或者选材不当）的影响，水下结构物在服役过程中会出现各种不同程度的损伤，使整体结构的安全性、完整性及可使役性降低。因此，定期对其进行检测，评估其安全可靠性是非常必要的[1]。传统的水下结构物缺陷的检测方法（如目测、磁粉检测等）具有检测能力有限、检测可靠性低、检测时间长、费用高等缺点。随着数字图像处理与模式识别技术的不断发展，迫切需要有一种自动检测装置，正确有效地对水下结构物的缺陷进行分类识别。 针对这一情况，本文利用数字图像处理手段，根据水下结构物表面缺陷区域的几何特征和纹理特征，定量地表征缺陷的性质，并且根据模式识别理论设计了分类器。识别结果将给出缺陷的种类，或“无缺陷”的评价。 1 水下结构物缺陷识别实验系统 图1为已开发的水下结构物表面缺陷检测系统的框图。硬件设备主要包括：碘钨灯照明光源、彩色数码变焦摄像机、SuperSonic S-200视频采集卡、主机（包括显示器、鼠标和键盘）等。CCD借助光学系统将照射于其上的光信号转换为电信号，形成视频信号。视频采集卡完成对图像模拟视频信号的模/数转换功能，经采样与量化的数字图像在计算机中进行后期的数字图像处理[2]。采用视频卡自带的采集程序，将图像保存为bmp格式的图像文件，由开发的图像处理软件读取源文件，并进行图像预处理，特征提取之后，进行模式识别，最后给出模式识别的结果。 图1 实验系统组成框图 2 图像预处理 众所周知，水的密度比空气大800倍，光波在水中传输时产生的吸收和散射效应，使图像信号衰减很快，而且采集到的图像会受到硬件设备以及传输电缆的影响会产生噪声，所以水下图像的质量受环境的影响非常大，图像预处理也就十分重要。下面主要介绍缺陷图像去噪以及图像二值化方法。 2.1 图像的去噪处理 在系统中图像预处理模块主要采用了可以有效滤除脉冲噪声的中值滤波以及能够较好滤除高斯噪声的小波变换技术。 对实际的水下结构物缺陷图像，采用5×5正方形窗口中值滤波不仅更好地滤除了噪声，而且较好的保持了边缘。但是中值滤波由于涉及排序算法，在窗口大小相同时计算机进行处理的时间要大于邻域平均法。对于640×480大小的图像，在实验用Pentium Ⅲ计算机上不同窗口滤波所需的时间如表1所示。中值滤波窗口还可以是十字形、水平以及垂直窗口等。根据滤波效果以及滤波时间的比较可以得出，而采用5×1水平窗口进行中值滤波的效果比较理想。为了节省计算时间以增强实时性，在水下结构物缺陷检测时采用5×1水平窗口进行中值滤波。 表1 不同窗口滤波所需的时间（秒）（640×480） 窗口形状尺寸 均值滤波 中值滤波 正方形窗口 十字形窗口 水平窗口 垂直窗口 3×3 5×5 3×3 5×5 3×3 5×5 3×1 5×1 1×3 1×5 处理时间 1.04 2.32 1.28 2.64 0.96 1.08 0.48 0.68 0.52 0.74 中值滤波器可以较好地滤除脉冲噪声，但滤除高斯噪声效果不理想。因此，系统采用Daubechies小波继续对缺陷图像进行去噪处理。基于Daubechies小波变换的图像去噪方法可表示为：①在对缺陷图像 y 进行小波分解，得到小波系数 (；②在小波域上，对小波系数进行阈值操作，如式1所示；③ 对阈值操作后的小波系数进行小波反变换，就是去噪后的图像。 (1) 经过试验表明，使用 Daubechies小波变换与中值滤波相结合的方法，可以有效滤除水下结构物缺陷图像的噪声。 2.2 图像的二值化处理 为了检测出缺陷的边缘，进行图像分割（缺陷子图像的提取），应先把缺陷与背景分离开。灰度阈值的选择相当重要。在水下结构物缺陷图像的直方图上不一定会得到理想的物体峰，多数情况下会呈现不规则形状。因此，本系统采用双窗口法进行阈值计算。其算法处理顺序如下：①在缺陷图像内设定包含缺陷部分的窗口 A。计算这个范围内的象素点灰度分布，可得原始图像的直方图，用加窗高斯函数对该直方图进行滤波。加窗高斯函数将加窗高斯函数的离散值同直方图函数的离散值进行卷积，就完成了滤波操作；