基于MCSA的感兴趣区域定位技巧.docVIP

基于MCSA的感兴趣区域定位方法-电气论文 基于MCSA的感兴趣区域定位方法 许浩均，黄茜，梁兆敏，李学永 （华南理工大学电子与信息学院，广东广州510640） 摘要：图像边缘检测过程中产生的许多噪声边缘不仅影响后续算法的效率，还严重影响目标的准确识别。这里提出一种基于最大连续子序列算法的目标预定位方法。先利用LoG提取图像边缘，在标定边缘坐标的基础上，计算所有边缘的最大灰度差，经阈值初步去除大部分噪声边缘后，再用最大连续子序列算法将与缺陷边缘相接的噪声边缘滤除，最后利用区域填充得出待定缺陷区域。实验结果表明，该方法能有效地去除噪声边缘并获得包含缺陷边缘的掩膜区域，从而有效提高后续缺陷识别算法的效率。 关键词 ：预处理；最大灰度差图像；最大连续子序列算法；区域填充 中图分类号：TN911.73?34 文献标识码：A 文章编号：1004?373X（2015）17?0103?04 0 引言 在工业射线检测中，由于人工判别缺陷存在稳定性和可靠性不高等问题，人们一直在寻求高效准确的缺陷自动检测算法。目前国内外在缺陷自动检测方面使用的算法大致分为：基于阈值的检测[1]、基于边缘的检测[2]、基于聚类的检测[3]、使用支持向量机进行识别的方法[4]以及多视角检测缺陷的方法。D. Mery提出了一种使用多射线源得到的图像序列进行缺陷检测的方法[5]，这种方法基于图像处理技术，能有效去除单一视角检测中误检的缺陷。 为了提高铸件缺陷检测效率和准确性，通常需要将缺陷所在的小区域预先进行分割，如何保证将工件的缺陷无遗漏地覆盖，是缺陷识别算法工作的关键。本文提出一种自动提取X射线图像中的缺陷区域，即感兴趣区域（Region of Interest，RoI）的定位算法，该算法可以准确提取出一组空间范围更小的候选缺陷掩膜区域。实验结果表明，该算法能够保证在有效去除噪声边缘的同时保留缺陷边缘，从而很大程度地提高后续处理的速率。 1 RoI 定位算法及其实现 1.1 铸件缺陷的特征 X 射线无损探伤的主要原理是射线衰减原理[6]，X射线透过被检工件照射到探测器上，探测器根据接收到的射线强度得到一幅灰度图像，工件中不连续的部分在图像中表现为灰度值不连续。检测人员可通过射线图像观察到工件中的空隙、气孔、裂痕等缺陷。 图1 所示为一张铸件X 射线图像及其经过LoG 边缘检测的结果图。结果图中包含了很多封闭的边缘。图1（a）中箭头B 所指的平滑区域受噪声的影响同样会产生大量封闭的边缘。这些封闭的噪声边缘严重地增加了后续缺陷识别算法的处理时间。 分析图1（a）和图1（b）中两个箭头所指区域可以发现，箭头B所指区域的灰度值明显比箭头A所指区域的灰度值低。利用铸件射线图像中有缺陷区域与无缺陷区域灰度差不同这一先验特征，本文提出一种用于缺陷区域预判的算法流程。 1.2 最大灰度差图像 最大灰度差图像通过测试图像及其边缘图像获取，获取方法为：对图1（b）的每个边缘点及其八邻域（如图2所示）进行下列步骤的处理。 1.3 最大连续子序列算法 通常去除噪声边缘并提取RoI是利用最大灰度差图像计算每一条边缘上所有点的最大灰度差的平均值，选择一个合适的阈值去除噪声边缘，但当噪声边缘和缺陷边缘连接在一起时，噪声边缘和缺陷边缘则无法区分，如图4所示。图4（b）的圆圈内既有缺陷边缘又有噪声边缘，这将给进一步的目标准确识别带来很多冗余信息。本文提出一种基于最大连续子序列算法（Maxi?mum Continuous Subsequence Algorithm，MCSA）的方法解决上述噪声边缘问题。 对于最大灰度差图像中的每一条边缘Ei，进行如下处理： （1）记录边缘点的信息 沿着边缘Ei 进行跟踪，并用顺序循环表Li 记录每一个边缘点的坐标C，以及在最大灰度差图像中对应点的计算值V。顺序表Li 中每个元素都是由边缘点的坐标C 及其在最大灰度差图像中对应点的值V 两部分组成。在表Li 中，元素均沿着边缘Ei 顺序记录，每个元素都在其相邻元素的八邻域中，如果是噪声边缘，由于其周围的灰度差很小，则噪声边缘的V 值相对于缺陷边缘的V 值将是很小的值，在平滑区域则接近于0。 （2）判定筛选噪声边缘 由于大部分非缺陷边缘的V 值很小，如图3（c）所示，选择一个合适的阈值θ，将循环表Li 中所有元素的V 部分同时减去θ。如果边缘点处V - θ  0，则判断该边缘是噪声边缘；将不再保留该边缘。如果边缘点处V - θ 0，则判断该边缘包含缺