基于x射线的焊缝缺陷图像特征提取分析-feature extraction and analysis of weld defects image based on x - ray.docxVIP

独 创 性 声 明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为 获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的 说明并表示谢意。签名：日期：年月日关于论文使用授权的说明本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后应遵守此规定） 签名：导师签名：日期：年月日摘要摘要在现代钢管焊缝缺陷检测中，常采用人工评阅 X 射线底片的方法，人工评阅 主观性较大，评阅人员在大量重复性的脑力活动下，极易产生疲劳，很大程度上 影响了检测的效率和准确性。基于图像的焊缝缺陷自动识别系统能够克服人工评 阅的一些缺陷，国内外研究人员在缺陷提取和识别方面展开了广泛而深入的研究， 已取得了大量的研究成果，但是在不均匀背景下细小缺陷的准确检出，各种缺陷 有效特征的分类和自动识别等问题上仍然存在很多不足。本文以基于 X 射线的焊缝图像为对象，对缺陷的特征提取和自动识别进行了 深入的研究。首先，对焊缝图像采用均值滤波和中值滤波相结合的方法进行预处 理，并研究和对比了两类图像增强算法，选择了直方图均衡方法进行图像增强， 然后采用迭代阈值图像分割算法对焊缝区域进行分割，并对焊缝缺陷进行特征提 取和特征选择，最后，采用基于二叉树的 SVM 分类器方法对焊缝缺陷进行分类识 别。本文的工作内容和创新工作主要体现在：1、研究和对比了几种图像去噪的技术，并对当前主流的图像增强算法进行了 研究对比，针对焊缝缺陷图像的特点，并结合实验结果，选择了均值滤波和中值 滤波结合的方法以及直方图均衡化方法进行焊缝缺陷图像预处理。2、研究了常见的图像分割算法，针对焊缝图像的特征，选择迭代阈值图像分 割算法对焊缝缺陷区域进行分割。3、选择了纹理特征参数和几何特征参数作为图像识别的特征参数，在特征参 数的选择方面，提出了一种基于相关度的类内方差特征选择算法，该算法能够较 好的选择出适合描述焊缝缺陷的特征。4、使用轮廓跟踪法对几何特征进行了提取，提出改进的局部三值模式，即完 全局部三值模式（CLTP）算法对纹理特征进行提取。5、对普通的 SVM 分类方法进行研究，采用基于二叉树的 SVM 分类器实现对 焊缝缺陷进行了识别分类。 关键字：图像去噪，图像增强，图像分割，特征提取，支持向量机ABSTRACTABSTRACTIn modern steel pipe weld defect detection, a common method is artificial marking. Artificial subjective has so many disadvantage, so it greatly influences the efficiency and accuracy of the detection. The weld defect image automatic recognition system can overcome the disadvantage. The research of domestic and foreign researchers in the defect extraction and recognition has made great achievements, but the accurate detection of small defects in nonuniform background accurate detection, many problems still exist in the effective features classification and automatic recognition.In this paper, the weld image based on X ray is treated as the object, feature extraction and automatic recognition of defects was studied. Firstly, we use average filtering and median filtering pre-processing on the weld image. And we study an