一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法与流程

本发明属于红外图像处理技术领域，涉及一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法，主要用于红外图像处理中的图像分割处理。

背景技术：

红外热波检测技术是近二十年来迅速发展并广泛应用的新型无损检测技术。它通过外部热激励源对被测试件进行主动式加热，使试件内部的缺陷(如裂纹、腐蚀、脱黏等)以表面温度场异常分布的形式表现出来。在热波图像的采集过程中，由于加热不均、环境和设备自身的红外辐射、被检试件表面和内部结构的不均匀等因素的不利影响，导致采集到的热波图像中缺陷的信息被大量无关噪声所淹没。

图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，至今己提出上千种分割算法。因为图像自身的复杂特性，目前尚没有一种通用的分割方法，现在所提出的图像分割算法几乎都是针对具体问题。可以根据图像分割过程中所使用知识的多少，将图像分割按技术分成：信号层技术、物理层技术和语义层技术。信号层技术在图像分割过程中基于数字图像中的数值；物理层技术在图像分割过程中使用了关于图像生成的知识；而语义层技术，在图像分割过程中还使用了有关景物类型的领域专用知识。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。根据分割依据不同，图像分割方法分为阙值分割方法、边缘检测方法、基于区域的分割方法、分水岭分割方法以及结合特定理论工具的分割方法等。

红外图像信息处理中，对图像进行分割可理解为将目标区域从背景中分离开来，或将目标及其相类似的物体与背景分离开来，这是图像处理中重要的一步。图像目标分割是根据图像目标的某些特征或特征集合的相似性准则，对图像像素进行分组聚类，使其后的缺陷目标的定量识别等高级处理阶段所要处理的数据量大大减少。

技术实现要素：

本发明的目的是提供一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法，达到减少图像周边大量无用不真实的边界信息，提高对图像中缺陷信息进行几何特征提取的效果。

本发明的目的是通过以下技术方案实现的：

一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法，如图1所示，包括以下步骤：

(1)对原始图像进行灰度变换，将变换后图像进行Retinex算法处理

(2)对Retinex处理后的图像做Top-Hat和Bottom-Hat变换；

(3)对Top-Hat和Bottom-Hat变换后的图像进行谷点检测；

(4)将谷点检测后的图像进行分水岭变换；

(5)对分水岭变换后的图像进行灰度值开运算；

(6)采用Canny算子对处理后的图像进行缺陷边缘检测。

本发明分水岭分割算法中有两处要用到结构元素，一是分水岭变换前使用的Top-Hat变换；二是在灰度值开运算中，步骤(2)和(5)中结构元素的选取方法是：通过标记图像中能与结构元素相匹配的坐标，根据具体图像构造适合图像的结构元素形状，其中：步骤(2)中的结构元素大小根据图像中的对象平均半径来估计；步骤(5)中的结构元素大小和图像的局部极小值有关系，在算法运行中确定。

本发明具有如下有益效果：

(1)本发明采用Retinex对比度增强算法对图像进行处理，图像缺陷轮廓更加明显，将相对暗的缺陷区域的信息凸显了出来，图像的对比度增加，以便于特征提取和保护。

(2)基于Retinex-分水岭-Canny算子的混合算法得边缘检测与只用Canny算子边缘检测进行对比，经过Retinex-分水岭-Canny算子的混合算法处理后的图像缺陷边界轮廓清晰，连续性好，减少了周边大量无用不真实的边界信息，降低了噪声对缺陷边缘识别的影响，提高了对缺陷进行几何特征提取的效果。

附图说明

图1为基于Retinex-分水岭-Canny算子的红外图像边缘检测方法的流程图；

图2为经Retinex增强后的图像，(a)灰度变化，(b)Retinex处理；

图3为分水岭分割全过程效果图，(a)Top-Hat变换，(b)Bottom-Hat变换，(c)对象间的间隙增大，(d)谷点检测，(e)分水岭变换，(f)灰度值开运算；

图4为Canny算子缺陷边缘检测，(a)未处理图像的计算结果，(b)处理后图像的计算结果。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供的基于Retinex-分水岭-Canny算子的红外图像边缘检测方法的具体实施步骤如下：

一、基于Retinex算法的红外图像增强

(1)Retinex理论

①利用取对数的方法将原始图像的照射光分量和反射光分量分离，即：

S(x,y)＝r(x,y)+l(x,y)＝log(R(x,y))+log(L(x,y)) (1)；

式中，S(x,y)表示反射光被红外热像仪或观察者接收到的图像，r(x,y)表示反射光分量，l(x,y)表示照射光分量。

②用高斯模板对原始图像做卷积，即相当于对原始图像做低通滤波，得到低通滤波后的图像D(x,y)，F(x,y)表示高斯滤波函数：

D(x,y)＝S(x,y)*F(x,y)； (2)；

③在对数域中，用原始图像减去低通滤波后的图像，得到高频增强的图像G(x,y)：

G(x,y)＝S(x,y)-log(D(x,y))； (3)；

④对G(x,y)取反对数，得到增强后的图像R(x,y)；

⑤对R(x,y)做对比度增强，得到最终的结果图像。

(2)处理结果分析

处理对象为奇异值分解处理后的红外热像序列处理后图像，首先进行灰度图转换再进行Retinex处理的效果如图2所示，经过Retinex处理后的图像缺陷轮廓更加明显，将相对暗的缺陷区域的信息凸显了出来，图像的对比度增加，更利于接下来的分水岭图像分割算法处理。

二、基于分水岭算法的红外图像分割

分水岭算法(watershed)是一种借鉴了形态学理论的图像分割算法，在该方法中，将待分割图像假设为拓扑地形图，地形高度值由灰度值f(x,y)表示，山峰处的灰度值高，山谷处的灰度值低。而水总是从高往低处流，流至某一低洼区域处才会停下，这个低洼区域被称为集水域。最后全部的水都会分散于不同的集水域中，山脊做为集水域之间的分界线被称为分水岭。水从分水岭往下流向不同的集水域的可能性是相同的。基于分水岭的图像分割就是要在图像的灰度图中寻找不同的集水域和分水岭。

本发明采用基于分水岭的图像分割算法处理脉冲红外热波图像，从而获得缺陷的特征量等参数信息。其计算处理流程如下：

(1)选择结构元素

在形态学图像分割处理中，结构元素g(x,y)又称为刷子，通过标记图像中能与结构元素相匹配的坐标，以此获取有关图像结构的信息。这些信息跟结构元素的形状和尺寸都有关系。如上所述，结构元素有如圆形、方形和矩阵等结构。因而结构元素应根据具体图像构造适合图像探测的结构元素，完成各种各样的图像分析。

在这里，分水岭分割算法中有两处要用到结构元素：一是分水岭变换前使用的Top-Hat变换；二是在灰度值开运算中，Top-Hat变换处的圆盘大小根据图像中的对象平均半径来估计。后者圆盘大小和图像的局部极小值有关系，在算法中确定。

(2)增强图像对比度

采用Top-Hat和Bottom-Hat变换(高低帽变换)将脉冲红外热波图像进行对比度增强操作，定义为：

(4)；

HAT'＝(A·B)-A (5)。

A为处理图像，B为圆盘结构元素。

灰度值开运算定义为：

利用对偶性将灰度值闭运算定义为：

将式(4)代入式(6)得：

(8)。

将式(5)代入式(7)得：

在灰度值图像处理中，Top-Hat变换能够在暗背景下检测相比较亮的物体，又称为波峰检测器；Bottom-Hat变换则能够在亮的背景下检测相比较暗的物体，又称为波谷检测器。所以能检测出红外热像图中的波峰和波谷点。

(3)谷点检测

谷点检测主要包含增大对象间的间隙、转换待检测区域的对象和谷点检测等。前两步的目的是照亮图像中的谷点，使谷点能更好的被检测到，便于分水岭变换。

(4)分水岭变换和灰度值开运算

经过上面三个步骤的处理后，便可对谷点检测后的图像进行分水岭变换，这里需要注意的是，在分水岭区域中的像素的像素值全都设置为1，否则都设置为0，在只有黑白两色的二值图像中1代表亮度值，0代表暗值。分水岭变换后的图像q还不能很好的显示要检测到的缺陷处，因此，还必须使用灰度值开运算来处理缺陷部分之外无用的信息。

处理的对象是图2(b)所示经过Retinex图像增强后的图像，分水岭分割处理全过程效果图如图3所示。

由图3可知，图3(a)为Top-Hat变换效果图，该算法能在暗背景下探测出较亮的物体，这里涉及到结构元素大小的确定，如前所述，通过图像中的对象的平均半径(单位为像素值)来估计结构元素的尺寸，通过实验测试取平均半径为30。图3(b)为Bottom-Hat变换效果图，Bottom-Hat变换与Top-Hat变换相反，能在比较亮的背景下探测出较暗的物体，结构元素和Top-Hat一样取30。图3(c)为对象间的间隙增大效果图，即：因为Top-Hat变换后的图像包含了能匹配结构元素的对象，但对象之间间隙小，联系比较密切，所以需要增大对象间的间隙。具体操作方法是：先将原始图像即图3(b)和Top-Hat变换后的图像进行图像相加运算，然后再将相加后的图像减去Bottom-Hat变换后的图像，得到的图像很有效地增加了对象和间隙之间的对比度。图3(d)为谷点检测后的效果图，假设将灰度值图像看成三维图像，其中有x和y轴的坐标来描述像素的位置，而z轴描述每个像素的亮度，在这种表现形式下，灰度值就相当于地图中高度值，图像的低灰度值和高灰度值就类似于地图的谷和峰。图3(e)为分水岭变换图，分水岭变换通过返回一个含非负元素的标签矩阵，此矩阵与分水岭区域相对应，将非分水岭区域的像素值都设置为0。图3(f)为最后经过灰度值开运算的效果图。灰度值开运算实现了缺陷区域的图像分割和特征提取，成功的去除了缺陷区域附近的无用信息。其中需要注意的是，灰度值开运算也涉及到结构元素的大小，经过多次算法尝试，选择直径大小为20的圆盘形结构元素比较合适。

三、基于Canny算子的缺陷边缘检测

在经过上述的Retinex图像增强，分水岭图像分割后，得到包含图像缺陷区域的特征信息的图3(f)，对该图采用Canny算子进行缺陷边缘检测，效果如图4(b)所示，将上述混合算法处理后的图像与只用Canny算子边缘检测的图像4(a)进行对比。

由图4可知，经过Retinex-分水岭-Canny算子的混合算法处理后的图像缺陷边界轮廓清晰，连续性好，减少了周边大量无用不真实的边界信息，降低了噪声对缺陷边缘识别的影响，提高了对缺陷进行几何特征提取的效果。