本发明属于图像处理技术领域，更为具体地讲，涉及一种基于小波变换的细胞神经网络热区域融合方法。
背景技术：
涡流热成像检测中，试件的缺陷区域与非缺陷区域的热响应曲线是弱相关的。因此，基于ICA算法可以将缺陷区域与非缺陷区域的红外热图像分离开来。由于在使用ICA算法时，使用的对比函数不同，可得到不同的热分离区域。这些热分离区域对缺陷的表示各有优劣，从而需要一种对不同热区域图像进行融合的方法。
在现有技术中，学者们分别提出了基于遗传算法、小波变换和Contourlet的热区域图像融合算法。但这些算法的效果都具有局限性，没有利用热图像的高低频特性。利用小波变换优异的高低频分离可以很好的提取热图像的低频成分。除了已有的基于遗传算法、小波变换和Contourlet的热区域图像融合算法以外，神经网络在图像融合领域具有并行性、非线性和可训练学习等特点，可以运用到热区域图像的融合上。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种基于小波变换的细胞神经网络热区域融合方法，通过小波变换提取热区域图像的低频成分，然后对热区域图像的低频成分进行细胞神经网络融合，这样融合的图像增强了效果，为后续缺陷检测提高了准确性。
为实现上述发明目的，本发明一种基于小波变换的细胞神经网络热区域融合方法，其特征在于，包括以下步骤：
(1)、利用ICA算法，采取不同的对比函数Gk(x)计算不相关的热区域图像UR1、UR2和UR3，得到热区域图像UR1k、UR2k、UR3k；其中，k＝1,2,3，
(2)、利用小波变换分别从热区域图像UR1k、UR2k、UR3k中提取出低频热区域图像URL1k、URL2k、URL3k；
(3)、利用细胞神经网络算法分别对低频热区域图像URL1k、URL2k、URL3k进行融合
在低频热区域图像URL1k中，先将URL11和URL12融合，得到低频热区域图像URL11，2，再将URL11，2与URL13融合，得到低频热区域图像URL11，2，3；
同理，按照上述方法分别对低频热区域图像URL2k和URL3k进行融合，得到低频热区域图像URL21，2，3和URL31，2，3，从而完成热区域图像UR1、UR2和UR3的融合。
本发明进一步地对低频热区域图像进行融合的过程进行说明，具体为：
(1)、将低频热区域图像URL1k处理成灰度图，再对灰度图中每个像素点的灰度值归一化到[0,255]范围内，得到归一化的低频热区域图像
(2)、对归一化的低频热区域图像中每一个像素点的灰度值进行映射，即uij＝1-2gij/255，uij范围为[-1.0,1.0]，其中，gij表示低频热区域图像中第i行第j列像素点的灰度值；
(3)、设置细胞神经网络的模板矩阵A，B和I，以及迭代次数T；
(4)、计算细胞元C(i,j)的离散状态值xij(t)；
其中，ygl表示以细胞元C(i,j)为中心N(g,l)领域范围内每个像素点的输出状态值；表示第k张待融合低频热区域图像的像素点灰度值；
(5)、计算细胞元C(i,j)的输出状态值yij(t)；
(6)、计算第t次迭代时细胞神经网络的能量E(t)，t＝1,2,…,T；
其中，R为细胞神经网络的输出阻值；
(7)、判断第t次迭代时的能量E(t)与上一次迭代时的能量E(t-1)是否发生变化，若发生变化，则令t＝t+1，再返回到步骤(4)；否则判断细胞神经网络处于稳定，循环迭代停止，将细胞神经网络的输出状态值yij(t)作为融合后的结果，得到融合后的低频热区域图像URL11，2；
(8)、将低频热区域图像URL11，2和URL13按照步骤(4)-(7)所述方法进行融合，最终得到低频热区域图像URL11，2，3。
本发明的发明目的是这样实现的：
本发明一种基于小波变换的细胞神经网络热区域融合方法，先利用ICA算法，采取不同的对比函数计算不相关的热区域图像，得到多种形式的热区域图像，然后利用小波变换分别多种形式的热区域图像中提取出低频热区域图像，最后基于细胞神经网络对低频热区域图像进行融合，这样增强了图像中的缺陷特征，而且还增强了热图像的边缘与轮廓，使得缺陷检测的可视化效果更好和准确。
附图说明
图1是本发明基于小波变换的细胞神经网络热区域融合方法流程图；
图2是涡流热成像检测系统原理图；
图3是涡流热成像实验平台示意图；
图4是被测试件示意图；
图5是试件1和试件2的原始红外热图像；
图6是试件1通过不同对比度函数得到的热区域图像；
图7是试件2通过不同对比度函数得到的热区域图像；
图8是小波变换提取低频热区域图像流程图；
图9是低频热区域图像的融合流程图；
图10是试件1的低频热区域图像进行融合后的效果对比图；
图11是试件2的低频热区域图像进行融合后的效果对比图；
图12是低频热区域图像进行融合的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于小波变换的细胞神经网络热区域融合方法流程图。
在本实施例中，如图1所示，本发明一种基于小波变换的细胞神经网络热区域融合方法主要包括以下三个步骤：
S1、利用ICA算法(独立成份分析算法，Independent Component Analysis)，采取三种不同的对比函数Gk(x)计算不相关的热区域图像UR1、UR2和UR3，得到热区域图像UR1k、UR2k、UR3k；其中，k＝1,2,3，三种不同的对比函数具体为
通过多种对比函数，可以得到多源信息，使得信息更丰富，为数据的融合提供更多有用的数据。
在本实施例中，按照图2实所示的涡流热成像检测系统和图3所示的涡流热成像实验平台，采集红外热图像序列。实验装置主要包括感应加热器、激励线圈、定时触发器、红外热像仪和计算机五个功能单元。感应加热器产生高频交流电。用于线圈励磁。构造矩形线圈，通过施加定向激励来加热样品。试样由线圈加热，其时间由定时触发器控制。红外热像仪采集样品的表面热分布，然后传输到计算机，由计算机进行记录。其中，待检测试件1和试件2如图4(a)、(b)所示，采集的试件1和试件2的原始红外热图像，如图5(a)、(b)所示。
再通过三种不同的对比函数计算不相关的热区域图像，得到图6和图7所示的9幅热区域图像。
S2、利用小波变换分别从热区域图像UR1k、UR2k、UR3k中提取出低频热区域图像URL1k、URL2k、URL3k；小波变换提取低频热区域图像的流程如图8所示。
S3、如图9所示，利用细胞神经网络算法分别对低频热区域图像URL1k、URL2k、URL3k进行融合
在低频热区域图像URL1k中，先将URL11和URL12融合，得到低频热区域图像URL11，2，再将URL11，2与URL13融合，得到低频热区域图像URL11，2，3；
同理，按照上述方法分别对低频热区域图像URL2k和URL3k进行融合，得到低频热区域图像URL21，2，3和URL31，2，3，从而完成热区域图像UR1、UR2和UR3的融合。
融合后的图像与原始图像效果对比如图10和图11所示，由图10和图11可以发现，虽然融合后的热成像的高亮部分得到的凸显使得检测效果好，但是热成像的轮廓边缘变得模糊了，加大了分析的难度。因此需要对此方法进一步改进，使得检测效果更佳。
从图10和图11的第四排图片可以看到，加了小波变换改进后，热成像的高亮区域不仅得到了凸显，而且试件的轮廓更加明显。这是由于小波变换提取了低频部分，从而使得各个热区域边缘更加明显。实验结果与理论相符，验证了基于小波变换的细胞神经网络热区域融合增强算法的可行性。
下面我们结合图12对低频热区域图像进行融合的过程进行说明，具体为：
T1、将低频热区域图像URL1k处理成灰度图，再对灰度图中每个像素点的灰度值归一化到[0,255]范围内，得到归一化的低频热区域图像
T2、对归一化的低频热区域图像中每一个像素点的灰度值进行映射，即uij＝1-2gij/255，uij范围为[-1.0,1.0]，其中，gij表示低频热区域图像中第i行第j列像素点的灰度值；
T3、设置细胞神经网络的模板矩阵A，B和I，以及迭代次数T；
在本实施例中，迭代次数T设置为100，模板矩阵A，B和I的具体取值为：
T4、计算细胞元C(i,j)的离散状态值xij(t)；
其中，ygl表示以细胞元C(i,j)为中心N(g,l)领域范围内每个像素点的输出状态值；表示第k张待融合低频热区域图像的像素点灰度值；在本实施例中，N(g,l)领域一般取值为3×3的邻域，即取以细胞元C(i,j)为中心的9个像素点。
T5、计算细胞元C(i,j)的输出状态值yij(t)；
T6、计算第t次迭代时细胞神经网络的能量E(t)，t＝1,2,…,T；
其中，R为细胞神经网络的输出阻值，本实例中设置R＝4；
T7、判断第t次迭代时的能量E(t)与上一次迭代时的能量E(t-1)是否发生变化，若发生变化，则令t＝t+1，再返回到步骤T4；否则判断细胞神经网络处于稳定，循环迭代停止，将细胞神经网络的输出状态值yij(t)作为融合后的结果，得到融合后的低频热区域图像URL11，2；
T8、将低频热区域图像URL11，2和URL13按照步骤T4-T7所述方法进行融合，最终得到低频热区域图像URL11，2，3。
为进一步客观评价细胞神经网络算法的融合效果，计算热区域图像的峰态系数对比融合效果。两个试件细胞神经网络融合后的热区域峰态系数数值对比分别如表1和表2所示。在表1和表2中分别列出了峰态系数平均值COKavg、峰态系数最大值COKmax和融合后峰态系数值COKf。对于试件1，热区域UR1代表缺陷区域，其峰态系数最大值COK1max＝38.1896，峰态系数平均值COK1avg＝37.4429，融合后的峰态系数值COKf＝96.7206。表1中的其它热区域UR2和UR3的峰态系数值，在融合后也得到了较大提升。因此，通过细胞神经网络融合不同对比函数的热区域，使得其峰态系数值得到较大提升，即热成像高亮区域更加凸显了。对于试件2，其在表2的峰态系数变化情况也与试件4类似，在此不再累述。
表1是试件1融合后的热区域峰态系数数值对比。
表1
表2试件2融合后的热区域峰态系数数值对比.
表2
综上，本发明的基于小波变换的细胞神经网络热区域融合增强算法，不但可以在一定程度上增强缺陷特征，而且还可以增强热图像的边缘与轮廓，使得缺陷检测的可视化效果更好和准确。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。