基于機器視覺的工業(yè)CT無損檢測技術研究.pdf

1、工業(yè)CT（Computed Tomography）成像技術的快速發(fā)展，為工業(yè)裝備的無損檢測（Non-destructive Testing,NDT）提供了極大便利。而成像之后的圖像處理對于提高圖像質量、進行有效的檢測具有重要的實際意義。為了構建一個完整的機器視覺系統(tǒng)，實現工業(yè)裝備的自動化在線檢測，需要對系統(tǒng)中涉及的圖像預處理、圖像分割、邊緣檢測等方法進行研究。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）和相似點標記的非局部均值（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特征，并進行低秩近似表示，在此基礎上度量相似性以減少計算量；對已經被判為相似像素的點對進行標記，避免了兩個像素間相似度的重復計算，從而可使搜索窗縮小為傳統(tǒng)NLM方法的一半。實驗結果表明，所提方法在主觀視覺去噪效果、峰值信噪比（Peak Sign

3、al to Noise Ratio,PSNR）以及處理速度3個方面具有良好的表現，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。
　　然后，討論了一種Shearlet域圖像增強方法。通過非下采樣Shearlet變換（Non-subsampled Shearlet Transform,NSST）將圖像分解為高頻部

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

5、比度等定量評價指標上平均高出50％，與表現次優(yōu)的NSCT自適應增強方法相比，本文方法所需處理時間僅為其10%，能夠滿足實時處理的要求。
　　其次，提出了一種工業(yè)CT圖像自適應閾值分割方法。給出了倒數灰度熵的定義，由此推導出一維倒數灰度熵閾值選取公式，考慮了類內灰度的均勻性，同時避免了Shannon熵存在的無定義點的問題；為了提高抗噪性，將倒數灰度熵從一維直方圖的情況拓展到二維，導出了二維倒數灰度熵閾值選取公式；為了降低二維情況下的

6、運算量，提出了二維倒數灰度熵的分解方法，從而將二維閾值搜索問題轉化為搜索兩個一維閾值的過程，大大降低了算法復雜度。與改進的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）的二維斜分倒數熵法相比，提出的方法針對多幅工業(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和引導濾波的工業(yè)CT圖像邊緣檢測方法。利用引導濾波改進Canny邊緣檢測子的濾波過程，檢測出大致的邊緣，視為低頻圖像邊緣；通過NSST分解圖像提取高頻信息，在圖像的高頻部分采用NSST模極大值方法檢測邊緣，并根據不同分解程度下邊緣位置的高頻系數關系剔除偽邊緣；將高低頻邊緣進行融合，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模極大值方法進行了比較。實驗結果表明

8、，本文方法檢測出的邊緣更為準確，與參考邊緣檢測圖的差別最小，品質因數更高。
　　最后，提出了一種基于視覺注意機制的工業(yè)CT圖像缺陷檢測方法。利用引導濾波取代傳統(tǒng)視覺注意模型中的Gaussian濾波生成尺度空間，避免了對邊緣結構的破壞；將特征圖視為一個圖來構造Markov鏈，以Markov鏈的穩(wěn)態(tài)分布作為顯著圖；針對工業(yè)CT圖像的特點，不再從顏色通道提取特征圖，改變了直接取平均的顯著圖融合方式，根據顯著圖的不同特點按比例進行融合；在