基于圖像處理的軸類零件表面裂紋檢測

目錄167821緒論 1TOC\o"1-3"\h\u193471.1課題研究的背景 1262011.2圖像處理檢測技術(shù)概述 1273161.3圖像處理檢測技術(shù)的發(fā)展現(xiàn)狀 287131.4圖像檢測技術(shù)在工業(yè)中的應(yīng)用 3101191.5論文的主要內(nèi)容 3272711.5.1預(yù)處理 4259311.5.2閾值分割 4120711.5.3計算并得出結(jié)論 4211951.6本章小結(jié) 454152數(shù)字圖像處理的主要內(nèi)容 5295452.1數(shù)字圖像處理的內(nèi)容、特點與算法 584732.1.1數(shù)字圖像處理的研究內(nèi)容 5319062.1.2數(shù)字圖像處理的基本特點 817592.2算法流程圖 9172103零件表面裂紋圖像獲取、分析及其前處理 11109223.1圖像的獲取 11219583.2圖像的前處理 12192923.3圖像的灰度處理 12297753.3.1裂紋圖像的灰度轉(zhuǎn)換 12207423.3.2灰度直方圖 1356654零件表面裂紋圖像的噪聲分析及處理 14202864.1裂紋圖像的噪聲分析 14317564.2裂紋圖像的噪聲濾波預(yù)處理 15227484.2.1圖像平滑處理 1555494.2.2中值濾波處理 16119454.3裂紋圖像的灰度均衡處理 18230034.3.1直方圖均衡的意義 1821814.3.2直方圖均衡的原理算法及處理 20296195零件表面裂紋圖像的分割與形態(tài)學(xué)處理 23299105.1圖像分割的研究 23288905.1.1圖像分割的意義及方法 23266765.1.2圖像閾值分割的原理算法及處理 25171295.2數(shù)學(xué)形態(tài)學(xué)處理 28101585.2.1什么是數(shù)學(xué)形態(tài)學(xué) 28136025.2.2圖像的腐蝕 29189855.2.3圖像的膨脹 30166056表面裂紋圖像的特征提取及分析 32126966.1裂紋的面積 32159516.2裂紋的周長 33166056.2.1輪廓提取 33126966.2.2輪廓周長算法 34159516.3裂紋的長度 35166056.3.1細化 35126966.3.2裂紋骨架長度的算法 36159516.4裂紋圓形度 36166056.5誤差分析 37126966.6本章小結(jié) 37159517總結(jié)與展望 38159517.1總結(jié) 38159517.2展望 388999參考文獻 407319致謝 411緒論1.1課題研究的背景在機械工業(yè)中，制造和使用機械零部件時，特別是使用軸類零件的過程中非常容易產(chǎn)生裂紋，軸類零件本身在制造過程中就有可能帶有表面裂紋這樣的缺陷，或者因為各種原因?qū)S類零件造成損傷[1]。特別是在冶煉轉(zhuǎn)爐與飛機設(shè)備等高溫高壓環(huán)境中，長時間的使用使得裂紋損傷不斷累積，微裂紋就會慢慢出現(xiàn)，然后接著向四周延伸，最后造成對軸類零件的不可逆損壞。零件自身的表面裂紋和受力部分的過度集中都會使得零件在運行過程中不斷地承受交變載荷的過度侵蝕，時間越長，零件慢慢就會發(fā)生斷裂，進而造成嚴重的后果。在這些外界因素的不斷影響下，軸類機械零件在開始出現(xiàn)疲勞裂紋后并繼續(xù)向壞的方向發(fā)展的趨勢是造成其失效的主要原因。而大部分軸類機械零件都在高溫或者高壓的環(huán)境里工作，運行條件非常差，而且發(fā)生故障的幾率偏高，并且若是大的故障突然發(fā)生的話，后果非常嚴重。軸類零件材料里面的晶界、夾渣或者微小孔和腐蝕、表面劃傷等，都會造成初始裂紋的產(chǎn)生?？偟膩碚f，機械零件表面裂紋的產(chǎn)生與不斷惡化的情況，主要是由于受力不均，過于集中所致。大量數(shù)據(jù)表示，失效零件構(gòu)造中80%的緣由就是疲勞損壞。因此，及時檢查機械零件的表面微裂紋的現(xiàn)狀以避免發(fā)生事故，對工業(yè)及其發(fā)展有很大的意義。當今社會，企業(yè)之間的競爭愈來愈烈，使得企業(yè)對生產(chǎn)產(chǎn)品的量度和精度要求越來越高。在以前的企業(yè)生產(chǎn)中，產(chǎn)品質(zhì)量的檢測主要就是靠人工來完成，效率不高而且非常容易產(chǎn)生誤差。數(shù)字圖像處理由于其檢測結(jié)果精確并且容易處理、檢測過程不直接接觸損傷表面等優(yōu)點，得到了社會上數(shù)字圖像處理領(lǐng)域的廣泛關(guān)注。若是單靠人工來完成檢測，會受到視覺分辨能力、零件所在的環(huán)境、本身的檢查態(tài)度、自身的疲勞程度等因素影響，費時費力。裂紋檢測是質(zhì)安檢查的重點方面之一，將數(shù)字圖像處理技術(shù)應(yīng)用到制造工業(yè)的檢測范疇中，會不受檢測人員的自身疲勞程度、檢查的態(tài)度和經(jīng)驗不足等消極因素的影響，所以與傳統(tǒng)的人工檢測相比，效率提高的同時，也讓檢測結(jié)果愈加的準確，特別是那些靠人工無法滿足連續(xù)穩(wěn)定完成的地方，數(shù)字圖像處理技術(shù)更能發(fā)揮其作用。1.2圖像處理檢測技術(shù)概述近年來，隨著科學(xué)技術(shù)的不斷發(fā)展，圖像處理技術(shù)越來越活躍在工業(yè)監(jiān)測當中，并且廣泛應(yīng)用于各個領(lǐng)域。數(shù)字圖像處理（DigitalImageProcessing）通俗來講就是操縱計算機對圖像進行處理。它是一門相對于年輕的學(xué)科。最先出現(xiàn)于20世紀50年代，那個時候的電子計算機恰是不斷發(fā)展的時候，人們漸漸開始注意到用計算機來處理圖形和圖像信息。數(shù)字圖像處理技術(shù)大約構(gòu)成于20世紀60年代早期[2]。短短的歷史發(fā)展中，它以大大小小的成功開發(fā)而被應(yīng)用到諸多檢測領(lǐng)域中，發(fā)展非常迅速。如今，在空間遙感測量、外圍輪廓三維檢測、缺陷監(jiān)測以及干涉圖等涉及圖像處理的技術(shù)領(lǐng)域有也了突出的表現(xiàn)與廣泛的應(yīng)用。在工業(yè)檢測領(lǐng)域，機械零件的自動測量一直是工業(yè)生產(chǎn)過程中的主要操作過程之一。在不斷要求高生產(chǎn)率的情況下，還要保證其速度，以確保產(chǎn)品質(zhì)量沒有太大的誤差，保持一種高精度的操作模式。很明顯，利用圖像處理技術(shù)的檢測方式完全適應(yīng)了時代的需求。首先，它可以無干擾的完成監(jiān)測；其次，它可以不斷的完善自己的算法結(jié)構(gòu)等等以更好的得到結(jié)果；最后，圖像檢測技術(shù)可以通過計算機程序來處理圖像信息，智能獲得測量結(jié)果，易于信息的管理與集成。我們可以預(yù)料到數(shù)字圖像處理技術(shù)在未來的發(fā)展中將會發(fā)揮更重要的作用。1.3圖像處理檢測技術(shù)的發(fā)展現(xiàn)狀隨著計算機技術(shù)的不斷發(fā)展，圖像檢測技術(shù)作為一種剛剛發(fā)展起來，并且檢測結(jié)果非常卓越的在線檢測技術(shù)，越來越多的新技術(shù)不斷的刺激著數(shù)據(jù)圖像處理的飛速發(fā)展：低價位的高速處理器（MCU、DSP、ARM等）、低成本大容量的存儲器、用于圖像數(shù)字化的低成本圖像傳感器（包括CCD和CMOS）等等。工業(yè)攝像機分辨率的不斷提高，計算機處理器和內(nèi)存配置等的不斷發(fā)展提升，使得圖像處理的速度和精度需要不斷的完善大量的圖像處理內(nèi)部算法。軟件方面，越來越多的圖像處理軟件被開發(fā)并推廣使用，各種各樣的圖像處理算法被完善與創(chuàng)新，為實現(xiàn)更好的圖像處理檢測操作和得到更完善的檢測結(jié)果做出了大量的理論依據(jù)。在最近幾年的發(fā)展過程中，小波變換與遺傳學(xué)也應(yīng)用到了數(shù)字圖像處理檢測領(lǐng)域中。技術(shù)的不斷創(chuàng)新與更新，使得圖像處理技術(shù)不斷的向前發(fā)展，在思路慢慢完善下，圖像檢測技術(shù)必然會不斷登上現(xiàn)代圖像檢測領(lǐng)域的舞臺。最早開始建議并研討圖像處理檢測技術(shù)的是日德美加等國家，并且漸漸得到了社會的廣泛關(guān)注，部分高校與科研會所也開始進行數(shù)字圖像處理檢測技術(shù)的開發(fā)，并且得到了很多后來被應(yīng)用到工業(yè)生產(chǎn)中的理論結(jié)果。隨著科技技術(shù)的不斷發(fā)展，以數(shù)字圖像處理為核心的諸多領(lǐng)域也得到了很大的發(fā)展與進步，并且已經(jīng)開發(fā)出一系列被社會所接受使用的產(chǎn)品。國內(nèi)開始研究圖像處理檢測技術(shù)是在20世紀80年代，起步相對比較晚，被國外拉開了20年的差距，到現(xiàn)在，我們國家的圖像檢測技術(shù)現(xiàn)在還處于很多方面都需要趕上的局面。而使用線陣CCD這一種操作是相對比較廣泛的使用，主要是通過垂直這兩個方向上進行不斷的掃描，以達到測量的目的。但是那個時候的CCD相對價格比較貴，使用者不多，而剛開始的CCD圖像檢測技術(shù)也不是那么的完善，檢測精度有限，滿足不了人們的需求，所以總的來說那個時候的CCD覆蓋范圍不是很廣。到了快21世紀的時候，我國大部分的科研機構(gòu)和部分高校開始著手進行圖像檢測的研究，并且取得了很大的成就和成績，在工業(yè)生產(chǎn)、制藥方面都效果非凡，而且大部分成果也得到了很好的應(yīng)用。但就現(xiàn)狀而言，與國外還是差距很大，還需要奉獻更多的人力、物力與財力，深入探索，繼續(xù)努力。1.4圖像檢測技術(shù)在工業(yè)中的應(yīng)用如今，在工業(yè)技術(shù)不斷革命創(chuàng)新中，圖像檢測技術(shù)得到了普遍的應(yīng)用。數(shù)字圖像處理檢測技術(shù)在工業(yè)生產(chǎn)中的應(yīng)用主要體現(xiàn)在下面三個方面：表1.1圖像檢測技術(shù)在工業(yè)中的應(yīng)用體現(xiàn)尺寸測量基于數(shù)字圖像處理檢測技術(shù)可以對各種加工工藝流程下的各種工件尺寸進行測量，如機械零件尺寸的測量，角度的測量，圓度和回轉(zhuǎn)精度的測量，以及垂直度、直線度和平面度的測量等。尺寸測量是圖像檢測技術(shù)較早涉及的研究方向與領(lǐng)域。表面質(zhì)量檢測機械工業(yè)中，機械零件的表面缺陷非常重要，小的表面質(zhì)量缺陷往往影巨大。機械零件表面質(zhì)量檢測主要包括表面的紋理、毛刺、等參數(shù)。故還需進一步的研究與完善檢測理論和方法。目標分類與識別分類與識別特定目標群是圖像檢測技術(shù)研究的焦點，其思想是首先對獲得或者建立起物體標本庫，然后從實際圖像中獲取特征后以各種算法匹對，辨別出最相似的個體。提取出某些特征來識別，視網(wǎng)膜、指紋、臉部識別等都是目前比較典型的應(yīng)用。1.5論文的主要內(nèi)容本次課題主要是利用數(shù)字圖像處理里面的部分知識，來對圖像零件裂紋進行處理并檢測，最后得到裂紋的形態(tài)特征等。主要的研究內(nèi)容有：1.5.1預(yù)處理在一張圖像中，用識別程序?qū)γ恳粋€單獨模塊進行識別檢測，這一過程稱為預(yù)處理。預(yù)處理在數(shù)字圖像處理中占有尤為重要的地位，在圖像分析中，對輸入的目標圖像進行去噪、分割、提取目標圖像進而分析圖像的形態(tài)特征。在圖像預(yù)處理這一步中，主要是對圖像進行去噪，也就是去除干擾圖像目標信息的雜信息，讓后續(xù)的分割、提取處理的誤差相對較小，得到的結(jié)果也更加可信。具體來講，就是首先觀察處理圖像的灰度直方圖，然后利用其直方圖找到目標圖像像素的分布區(qū)域，然后確定圖像噪聲的類型，選擇合適的去噪方法，本次實驗選取了均值濾波和中值濾波等去噪方法。1.5.2閾值分割觀察圖像直方圖的分布情況，確定目標圖像像素的分布區(qū)域，找到一種合適的分割方法，對圖像進行閾值分割。將裂紋圖像轉(zhuǎn)換為二值圖像，再用形態(tài)學(xué)處理，利用腐蝕、膨脹、開運算與閉運算等對其中不需要的干擾信息進行去除，進而得到明顯的裂紋圖像。1.5.3計算并得出結(jié)論等到明顯裂紋圖像后，就可以計算出其面積、周長、長度和圓形度等形態(tài)特征值，從而得到最后的裂紋信息，再對結(jié)果進行誤差分析，然后對本次裂紋圖像檢測最后結(jié)果做出判決結(jié)論。1.6本章小結(jié)本章首先對機械零件在工業(yè)使用中會出現(xiàn)的危險和帶來的危害做出了闡述，并簡要介紹了數(shù)字圖像處理檢測技術(shù)的概念及其發(fā)展趨勢與前景，大致介紹了檢測技術(shù)的主要內(nèi)容步驟，最后為本文主要內(nèi)容。2數(shù)字圖像處理的主要內(nèi)容2.1數(shù)字圖像處理內(nèi)容、特點與算法數(shù)字圖像處理技術(shù)是圖像檢測技術(shù)的核心，通俗來講是指利用計算機對獲取的數(shù)字圖像進行分析計算處理，數(shù)字圖像處理技術(shù)從比較大的范圍上講是表示圖像加工技術(shù)的總稱。它可以使用計算機和其他的設(shè)備相連接來完成一系列的圖像處理工作，如圖像的采集并且存儲和傳輸，還有類似于圖像的合成和顯示，繪制和輸出，圖像變化、增強、恢復(fù)和重建，特征提取和測量，目標的檢測、表達和描述，序列圖像的校正，圖像數(shù)據(jù)庫的建立、索引、查詢和抽取，圖像的分類、表示和識別，3D景物的重建復(fù)原，圖像模型的建立，圖像知識的利用和匹配，圖像和場景的解釋和理解，以及基于它們的推理、判斷、決策和行為規(guī)劃[1]。2.1.1數(shù)字圖像處理的研究內(nèi)容表2.1數(shù)字圖像處理的主要內(nèi)容點運算點運算（PointOperation）主要是針對圖像的像素進行加、減、乘、除等運算。圖像的點運算可以有效的改變圖像的直方圖分布，一幅輸入圖像經(jīng)過點運算后將產(chǎn)生一幅新的輸出圖像，由輸入像素點的灰度值決定相應(yīng)的輸出像素點的灰度值。這對提高圖像的分辨率以及圖像的均衡都是非常有益的。點運算可以按照預(yù)定的方式改變一幅圖像的灰度直方圖。除了灰度級的改變是根據(jù)某種特定的灰度變換函數(shù)進行以外，點運算可以看做是“從像素到像素”的復(fù)制操作。點運算有時也被稱為對比度增強、對比度拉伸或灰度變換，它是圖像數(shù)字化軟件和圖像顯示軟件的重要組成部分。常見的點運算包括：線性變換、窗運算、灰度拉伸和灰度均衡這幾種。幾何處理幾何處理主要包括圖像的坐標變換，圖像的移動、縮小、放大和旋轉(zhuǎn)，多個圖像的配準和圖像的扭曲校正等。圖像幾何變換將在空間域的處理轉(zhuǎn)換到變換域中進行處理，在減少計算量的同時，對圖像進行更有效的處理。幾乎任何圖像處理軟件都提供了最基本的圖像縮放功能。圖像的扭曲校正功能可以對變形的圖像進行幾何校正，從而得出準確的圖像。圖像變換常采用的方法有平移、鏡像等幾何變換、DCT（離散余弦變換）和小波變換。續(xù)表2.1數(shù)字圖像處理的主要內(nèi)容圖像增強圖像增強主要是突出圖像中重要的信息，同時減弱或去除不需要的信息。常用的方法有直方圖增強和偽彩色增強等。以用來改善數(shù)字圖像質(zhì)量，削弱干擾，由于增強的方法多種多樣，不能確定那種方法是最好的，所以需要不斷的嘗試與分析，為了突出某些細節(jié)，有時可能需要改變圖像的直觀形象，以便肉眼或機器識別，并進行下一步分析處理。所以，圖像增強的作用即是對圖像中關(guān)注內(nèi)容的特征進行處理，而不是僅僅是視覺的改善。強化低頻量，可以使圖像噪聲降低，同時達到平滑的效果；而為了使圖像輪廓更加清晰，可以加強高頻分量。圖像分析過程中，圖像增強往往作為圖像預(yù)處理，以便為后面的圖像分析打好基礎(chǔ)。圖像復(fù)原圖像復(fù)原的主要目的就是為了去除干擾和模糊，從而恢復(fù)圖像的本來面目。例如去噪聲復(fù)原處理。成像過程中的“退化”是指由于成像系統(tǒng)中各種因素的影響，使得圖像質(zhì)量降低。在成像系統(tǒng)中引起圖像退化的原因有很多。在圖像復(fù)原前必須要構(gòu)造出針對退化緣由和過程的直觀分析模型，以便進行后續(xù)的分析計算。與圖像增強相似，圖像復(fù)原的目的也是改善圖像的質(zhì)量。圖像復(fù)原可以看作是圖像退化的逆過程，是將圖像退化的過程加以估計，建立退化的數(shù)學(xué)模型后，補償退化過程造成的失真，以便獲得未經(jīng)干擾退化的原始圖像或原始圖像的最優(yōu)值，從而改善圖像的質(zhì)量。圖像退化的逆過程是有可能進行的。但實際情況往往是退化過程并不知曉，這種復(fù)原叫做盲目復(fù)原。由于圖像模糊的同時，噪聲和干擾也會同時存在，這也為復(fù)原過程帶來了困難和不確定性。圖像的識別與檢測首先對圖像進行預(yù)處理，然后做分割處理與提取出相關(guān)需要特征，從而便于計算機對圖像中包含的內(nèi)容理解，接下來即對圖像進行識別與檢測，確定目標是否存在，所處位置，以及目標尺寸大小等。例如將由光學(xué)系統(tǒng)獲取的內(nèi)容，使用專門的PC視覺系統(tǒng)分析后，完成對個體的分辨以及提取出某些特征信息，然后將它們進行分類或者做出相應(yīng)的判決，實現(xiàn)了類似人類視覺系統(tǒng)對目標進行識別與檢測。從而便于計算機對圖像中包含的內(nèi)容理解。續(xù)表2.1數(shù)字圖像處理的主要內(nèi)容圖像形態(tài)學(xué)數(shù)學(xué)形態(tài)學(xué)（MathematicalMorphology）是分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法，是建立在集合代數(shù)基礎(chǔ)上，用集合論方法定量描述幾何結(jié)構(gòu)的科學(xué)。逐漸成為分析圖像的幾何特征工具腐蝕、膨脹和細化都屬于數(shù)學(xué)形態(tài)學(xué)范疇內(nèi)的運算。圖像形態(tài)學(xué)是數(shù)學(xué)形態(tài)學(xué)的延伸，是一門單獨的研究學(xué)科。利用圖像形態(tài)學(xué)處理技術(shù)，可以實現(xiàn)圖像的腐蝕、細化等效果。數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運算子組成的。最基本的形態(tài)學(xué)運算子有：腐蝕（Erosion）、膨脹（Delation）、開（Open）和閉（Closing）。用這些運算子及其組合來進行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征提取、邊界檢測、圖像濾波、圖像增強和恢復(fù)等方面的工作。圖像分割把圖像劃分為不同區(qū)域的過程即圖像分割，其作用在于分割出圖像中有價值的特征內(nèi)容（例如邊界、凹陷缺陷），以便后續(xù)提取出感興趣的目標。人類的視覺系統(tǒng)構(gòu)造高度復(fù)雜，能夠輕松地從復(fù)雜場景中分辨所看到的對象，并進行識別。但對計算機來說，卻是極為困難的。圖像中往往包含多個對象，在對圖像分析的實際運用中，自動分割是非常重要的一塊，因此充分利用獲取信息以及更好地統(tǒng)籌各種方法措施，加強圖像分析處理中的可靠性和有效性，是對其進行研究的主要目標。圖像編碼數(shù)字圖像中，相鄰像素之間有較強關(guān)聯(lián)性，間接表明其信息壓縮潛力巨大。通過圖像編碼壓縮，可以減少圖像的數(shù)據(jù)量，減少傳輸過程與分析處理的時間。特別是在當今龐大的計算機網(wǎng)絡(luò)空間中，為提高圖像的傳輸速度，圖像編碼壓縮技術(shù)顯得更加重要。要求不同，進行圖像的編碼壓縮時允許失真程度不同。圖像編碼研究屬于信息論中信源編碼的范疇，可以減少圖像的數(shù)據(jù)量，減少傳輸過程與分析處理的時間。主要是利用圖像信號的統(tǒng)計特性和人類視覺特性達到壓縮圖像的目的。圖像特征提取圖像的特征提取是指將一幅圖像分割成若干個區(qū)域后，進一步提取出圖像內(nèi)的目標物體或區(qū)域感興趣的特征，以用于后續(xù)的圖像的分析與理解。對圖像進行圖像特征，既可以是人類的視覺可以直接辨別的自然特征，例如物體的形狀、顏色等也可以是在對圖像進行相應(yīng)的數(shù)學(xué)運算后得到的數(shù)字特征，如物體的長與寬、面積、重心、中心點等。2.1.2數(shù)字圖像處理的基本特點（1）信息量大當前，數(shù)字圖像處理的信息大多是用像素的形式表示的二維信息。需要處理檢測的數(shù)據(jù)量很多。就比如一幅256256分辨率的圖像，數(shù)據(jù)量大約要求64kbit；若是一幅512512的圖像，因為其分辨率高，所以就會出現(xiàn)768kbit的數(shù)據(jù)量；而針對電視影像那些每秒30幀的圖像，就會要求～的數(shù)據(jù)量。而對于這么大的數(shù)據(jù)量，使得對計算機處理速度的要求也隨之提高。（2）處理精度高根據(jù)目前的圖像處理發(fā)展技術(shù)，可以輕易將一幅圖像轉(zhuǎn)化為所謂的二值圖像，然后繼續(xù)進行后續(xù)操作。現(xiàn)在的這種設(shè)備，通過掃描可以使得圖像中的像素點都量化為16位或者比16位更高，表示數(shù)字圖像處理在量化這一方面的可適合范圍很廣。對于計算機來說，它的處理程序是固定的，對于不同的圖像，僅僅是里面的參數(shù)不同而已。在實際操作過程中，對于具體的圖像，要選擇具體的、合適的參數(shù)進行處理。靈活度高像質(zhì)改善、圖像分析與圖像重建都是數(shù)字圖像處理技術(shù)的范疇，它們均包含很多的內(nèi)容。特別的是數(shù)字圖像處理技術(shù)還能夠完成非線性運算，進而實現(xiàn)相對比較麻煩的非線性處理，總的來說，數(shù)字圖像處理可以很輕松的實現(xiàn)那些用公式和所謂邏輯關(guān)系表達的運算。適用面寬所處理的圖像可以是很多方面的，例如像平常的肉眼可見的圖像，還有那些不可見光所形成的圖像（例如X射線圖像、紅外圖像等）。大小范圍也非常廣，就如天文望遠鏡所觀察到的天文圖像，航空拍攝到的天體照片，相對的小到如電子顯微鏡所拍攝的那些肉眼看不到的圖像。但這些差別來源的圖像一旦被變換為數(shù)字編碼的話，就可以用數(shù)字圖像處理技術(shù)對其進行轉(zhuǎn)化二值圖像操作，進而方便后續(xù)處理，因而都可以用計算機來處理分析。再現(xiàn)性好只要圖像在數(shù)字化時精確地表示了原稿，則數(shù)字圖像處理進程中始終能維持圖像的再現(xiàn)[2]。數(shù)字圖像處理技術(shù)不會由于圖像的存儲、傳輸或者復(fù)制等一系列變更操縱而致使圖像質(zhì)量的退化[3]。2.2數(shù)字圖像處理的算法流程圖開始開始攝像頭獲取圖像攝像頭獲取圖像轉(zhuǎn)位圖處理（轉(zhuǎn)256色位圖）轉(zhuǎn)位圖處理（轉(zhuǎn)256色位圖）圖像轉(zhuǎn)灰度圖處理圖像轉(zhuǎn)灰度圖處理去除燈光等噪聲（均值、中值濾波等）去除燈光等噪聲（均值、中值濾波等）提高圖像對比度（灰度均衡、線性變換等）提高圖像對比度（灰度均衡、線性變換等）提取裂紋圖像（邊緣檢測及閾值分割）提取裂紋圖像（邊緣檢測及閾值分割）數(shù)學(xué)形態(tài)學(xué)處理（腐蝕、膨脹、開運算、閉運算等）數(shù)學(xué)形態(tài)學(xué)處理（腐蝕、膨脹、開運算、閉運算等）圖像細化圖像細化圖像輪廓提取圖像輪廓提取提取圖像形態(tài)特征提取圖像形態(tài)特征結(jié)束結(jié)束圖2.1算法流程圖我把整個裂紋檢測過程分成了10個步驟：第一步為圖像獲取；第二、三步為圖像前處理部分，主要完成圖像的開始準備工作，是數(shù)字圖像處理中必不可少的一步；第四、五步為圖像去噪和提高對比度步驟，便于后面提取和處理裂紋，給后面提取裂紋特征打好基礎(chǔ)；對于第六步中的邊緣檢測與閾值分割這兩步驟，是整個圖像處理最重要的地方，關(guān)系到后面提取圖像特征的精度或準度，尤為關(guān)鍵；第七步數(shù)學(xué)形態(tài)學(xué)處理是消除孤立噪聲，得到完全的裂紋圖像；第八步為圖像細化處理，以便于直接得到裂紋圖像的長度；第九步是提取圖像的輪廓，和第八步一樣，也是為了獲得圖像的形態(tài)特征，輪廓提取是為了獲得裂紋圖像的周長值；然后觀察所得的裂紋圖像的形態(tài)特征，總的來說我們選取了算法相結(jié)合的檢測算法。3零件表面裂紋圖像獲取、分析及其前處理3.1圖像的獲取本次課題的編程實現(xiàn)是在VisualC++6.0上完成的，VisualC++是Microsoft公司推出的Windows開發(fā)環(huán)境程序,面對對象的可視化集成編程系統(tǒng)，它具有程序框架自動生成的特點,而且代碼編寫和界面設(shè)計操作也非常簡便。圖3.1VisualC++6.0編程界面獲取圖像部分，我是用VC編程連接的計算機本身的攝像頭，下圖3.2顯示建立的對話框（Dialog）和效果圖。圖3.2攝像頭獲取圖像3.2圖像的前處理由于編程的數(shù)字圖像處理只能處理256色位圖，但攝像頭獲取的圖像保存下來是24色位圖的圖像，所以需要進行圖像前處理，將其轉(zhuǎn)換為256色位圖，我調(diào)用了Windows自帶附件畫圖這一程序，畫圖可以輕松轉(zhuǎn)換為256色位圖。但會有少許失真。如圖3.3、圖3.4。圖3.3在畫圖軟件中打開24位位圖圖3.4轉(zhuǎn)換為256色位圖3.3圖像的灰度處理3.3.1裂紋圖像的灰度轉(zhuǎn)換灰度圖（Grayscale）顧名思義就是把彩色圖像轉(zhuǎn)化為只有黑白兩種像素的圖像，就如黑白照片一樣，其亮度變化是連續(xù)的?；赩C++的數(shù)字圖像處理中，圖像的所有后續(xù)處理都基于圖像是0到255色的灰度圖，0表全黑，255表全白，灰度圖使用也比較方便。因此需要轉(zhuǎn)換為灰度圖再進行后續(xù)處理。如圖3.5。圖3.5圖像轉(zhuǎn)換為灰度圖3.3.2裂紋圖像的灰度直方圖灰度直方圖（GrayHistogram）在數(shù)字圖像處理中是一個簡單方便的工具，可以直觀的表示出圖像像素的分布情況。圖像中的具有該灰度值的像素的個數(shù)直接用一個函數(shù)表示了出來，直方圖的橫坐標表示像素的灰度級別，縱坐標是該灰度出現(xiàn)的頻率（像素的個數(shù)）[4]。裂紋灰度圖的直方圖顯示如圖3.6。圖3.6灰度直方圖4零件表面裂紋圖像的噪聲分析及處理4.1裂紋圖像的噪聲分析在大多數(shù)數(shù)字圖像系統(tǒng)中，噪聲（Noise）影響是普遍存在的；圖像噪聲的定義即圖像中各種妨礙人們對其信息接收的因素，而在圖像輸入過程中，圖像都是采用先凍結(jié)再掃描的方式將多維圖像變成一維電信號，再對其進行處理、存儲、傳輸?shù)燃庸ぷ儞Q[5]。最后往往也還要組成多維圖像信號；而圖像噪聲也將同樣經(jīng)過這樣的分解和合成，圖像噪聲一般與要研究的具體對象不相關(guān)，但會使圖像的視覺效果變差，干擾圖像的目標信息，使圖像處理的精度和質(zhì)量降低；并且圖像噪聲具有隨機性的特點，很難預(yù)測，特別是在采集和傳輸圖像時，非常容易引入噪聲，繼而對后續(xù)的圖像提取分析工作造成影響：就比如圖像后期處理要采用邊緣檢測算法處理時，任何一點其他噪聲的干擾，都會使得算法不穩(wěn)定和導(dǎo)致得到的圖像質(zhì)量惡化，出現(xiàn)大量的誤差，使得后續(xù)的特征提取與目標識別無法進行；而在獲取圖像時，往往會出現(xiàn)光照程度不均勻、鏡頭抖動、鏡片上有灰塵等多種因素，有時還會因硬件上的不足，比如電子儀器器件的損壞、儀器本身硬件的精度不足等，使得通道受到其它污染或者其它的干擾。噪聲一般分為外部噪聲與內(nèi)部噪聲，內(nèi)部噪聲又可以分為四種噪聲：（1）由光和電的基本性質(zhì)所引起的噪聲；（2）電器的機械運動產(chǎn)生的噪聲；（3）器材材料本身引起的噪聲；（4）系統(tǒng)內(nèi)部設(shè)備電路引起的噪聲。但是一般采用的是圖像中噪聲分量的灰度值的統(tǒng)計特性（數(shù)學(xué)概率統(tǒng)計）的方法進行分析。本課題處理的對象一般就是數(shù)字圖像處理，特別需要關(guān)注的就是高斯噪聲和椒鹽噪聲。這兩種噪聲在圖像預(yù)處理中比較常見。用概率密度函數(shù)P(x)（x為灰度值）表示如下:高斯噪聲：(4-1)公式中的表示灰度值的均值，為灰度值的標準差。當x符合（4-1）函數(shù)分布時，其值將近95%都在（-2）～（+2）范圍內(nèi)。椒鹽噪聲：(4-2)其中a，b表示灰度值，b>a時，用一個亮點表示灰度值a，反之用一個暗點表示b。當或者有一個為0時，表示為單極脈沖；二者均不為0時，特別是兩者近似相等的情況下，就表示為椒鹽噪聲。4.2裂紋圖像的噪聲濾波預(yù)處理一般情況下，圖像系統(tǒng)中圖像的成像、復(fù)制、掃描、傳輸、轉(zhuǎn)換和顯示等總要造成圖像的大大小小的降質(zhì)。例如：攝像時，溫度的差異，光度的不均衡，大氣的流動，攝像頭的相對抖動等都會使得圖像模糊；而在圖像傳輸過程中，噪聲的污染也會造成圖像的質(zhì)量下降。所以，必須對圖像進行預(yù)處理。本次課題濾波處理采取了兩種方式：高斯濾波和中值濾波。兩者都是減少圖像的相對噪聲，突出目標圖像的信息。4.2.1圖像平滑處理平滑處理對于圖像來說就是用來減少圖像的部分噪聲，使得圖像整體分布平滑，是一種常用的數(shù)字圖像處理技術(shù)；對于頻率領(lǐng)域來說，因為大部分噪聲的頻譜都處于高頻率段，所以我們常常使用低通濾波器來濾除高頻率的噪聲。常用的平滑模板有平均模板（均值模板）和高斯模板。通過上面對裂紋的噪聲具體分析，決定采用高斯濾波比較好。高斯濾波（GaussFilter）是一種線性平滑濾波，消除高斯噪聲非常適用，并且廣泛應(yīng)用于圖像處理的減弱噪聲過程；比較通俗一點來說，高斯濾波就是一種加權(quán)平均過程，針對整幅圖像，每一個像素點的值，都通過其本身和周圍鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到；它的具體操作是：用一個模板或者叫卷積、掩模來掃描圖像中的各個像素，在由模板確定的鄰域像素的加權(quán)平均灰度值來代替模板中心元素點的值[6]。本次課題的濾波處理，決定使用（33）高斯模板。高斯模板是對普通模板的改進，對于拍攝的普通圖像是比較有效的低通濾波器，模板具體如下所示。其計算公式如下：g(x,y)={f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16;(4-3)公式中，函數(shù)f(x,y)表示圖像中目標點的灰度值，函數(shù)g(x,y)表示目標點經(jīng)過高斯濾波處理后的灰度值。如圖4.1為圖像平滑處理的模板參數(shù)設(shè)置操作界面，圖4.2表示裂紋經(jīng)過高斯濾波后的圖像。圖4.1高斯模板參數(shù)設(shè)置界面圖4.2高斯濾波后的裂紋圖4.2.2中值濾波處理上面介紹的高斯濾波處理高頻率的噪聲效果明顯，但實際生活中，噪聲類型多種多樣，僅僅憑借高斯濾波很難處理掉大部分噪聲。而在現(xiàn)實的情況下，獲取圖像的信號一般是不平穩(wěn)的，因此線性的濾波方式并不是很適合完全濾除噪聲，這里就在高斯處理完的基礎(chǔ)上繼續(xù)采用了中值濾波的方式。中值濾波（TheMedianFilter）是一種非線性的的信號處理方法，中值濾波早在20世紀70年代就由J.W.Jukey首次提出并且在時間序列分析（一維信號處理）等方面開始應(yīng)用，后來又被應(yīng)用到二維圖像信號處理技術(shù)等層面。與之對應(yīng)的中值濾波器當然也就是一種非線性的濾波器。一定的條件下，中值濾波可以克服線性濾波器所帶來的圖像細節(jié)模糊，如最小均方濾波、均值濾波等，而且對濾除脈沖干擾與圖像掃描噪聲最為有效，中值濾波的原理即一般采用一個含有奇數(shù)個點的滑動窗口，再將窗口中的各點灰度值的中值來代替窗口的中心點（或者其他的指定點）的灰度值，如果是奇數(shù)個元素，中值一般是按大小排序后，中間的數(shù)值；反之，偶數(shù)個的話，中值就是指排序后中間兩個元素灰度值的平均值[7]。輸出圖像表達式為:G(i,j)=Med{g(x,y)}(x,y)N(4-4)其中G(i,j)是圖像像素經(jīng)過中值濾波后的輸出值，g(x,y)為圖像中位置為(x,y)的像素灰度值。N表示以(x,y)為中心的模板窗口內(nèi)的像素點的集合，N內(nèi)的像素通常是奇數(shù)。Med表示對一個集合中的數(shù)值取中間值。序列的中值表達式為：(4-5)假設(shè)序列為{2,1,2,4,5,7,9,6,2},經(jīng)過中值濾波處理重新排序后，序列就為{1,2,2,2,4,5,6,7,9},確定的中值為4。在用中值濾波處理的過程中，運用模板窗口逐一的檢測鄰域內(nèi)的像素，假如模板上的權(quán)值為1，那么就將其對應(yīng)位置的像素保存下來，直到運行完畢，就完成了數(shù)據(jù)的采集，最后對這些采集到的數(shù)據(jù)進行統(tǒng)計排序，取中間值然后得到最后的結(jié)果。本次中值濾波處理采用的是33模板的中值濾波。模板如下所示：（33方形）對高斯濾波后的裂紋圖像4.2再經(jīng)過33模板中值濾波處理后的圖像輸出如圖4.3所示：圖4.3高斯、中值濾波后的裂紋圖像4.3裂紋圖像的灰度均衡處理本次實驗采用的是灰度均衡這一方法來處理裂紋圖像。在裂紋圖像采集過程中，常常會受到外界光照環(huán)境、設(shè)備硬件、裂紋自身所持有的特點等影響，使得采集到的圖像光照顯示不均勻，呈現(xiàn)出一種整體過暗或者過亮的情況，也有可能造成圖像灰度集中在某一塊小的區(qū)間中，對比度非常不足，目標圖像與其他背景相混疊，視覺效果欠佳，給后續(xù)的裂紋提取工作造成很大的阻礙。這時，就需要對圖像進行增強，來提高圖像的對比度，使得目標圖像有選擇的突出出來，提高視覺清晰度，圖像增強的方法一般采用線性拉伸和灰度均衡這兩種方法，經(jīng)過實驗對比，本次實驗采用的是灰度均衡這一方法來處理裂紋圖像。圖像的灰度均衡處理也被稱為直方圖均衡，利用數(shù)字圖像處理預(yù)處理中的點運算使得圖像的灰度直方圖趨于平緩，也就是說圖像灰度直方圖上每一級上都有部分像素點分布，整個像素圖像分布平均，這對于在進行圖像后續(xù)分割提取，進而測量計算裂紋形態(tài)特征的誤差將會縮小，精度將會提高。4.3.1直方圖均衡的意義如果圖像像素分布的相對集中，就會使得圖像分辨率不高，造成灰度集中在很小的一段區(qū)間里，目標圖像與背景像素混疊，視覺效果欠佳，這樣很難提取出目標裂紋圖像，這時就需要進行圖像的對比度增強。運行程序觀察上面濾波處理后的裂紋圖像灰度直方圖：圖4.3濾波處理后裂紋圖像的灰度直方圖從上圖可以看出，圖像的灰度分布比較集中，大致都分布在50～200像素區(qū)間，其中又以大致75～125像素段最集中，峰值最高，可見裂紋圖像經(jīng)過平滑處理——高斯濾波，與33方形中值濾波處理后，圖像像素變的相對集中，分辨率不高，造成灰度集中在很小的一段區(qū)間里，目標圖像與背景像素混疊，視覺效果欠佳，這樣很難提取出目標裂紋圖像，需要進行圖像的對比度增強，對比度增強我們一般會采取兩種不同的方法：直接增強或者間接增強。直方圖拉伸（HistogramStretching）和直方圖均衡化（HistogramEqualization）是間接對比度增強的最常見方法：灰度直方圖拉伸是通過拉伸對比度來對直方圖進行調(diào)整，進而使得前景和背景灰度的差別“擴大”，來達到增強對比度的目的，這樣的方法可以利用線性或者非線性的方法來實現(xiàn)[8]?；叶戎狈綀D均衡化則是利用累積函數(shù)來對圖像灰度值進行“調(diào)整”，用以實現(xiàn)對比度的增強。灰度直方圖均衡化是數(shù)字圖像處理領(lǐng)域中通過利用圖像灰度直方圖來對圖像對比度進行調(diào)整的方法，這種方法通常可以用來增加目標圖像的局部對比度，尤其是當圖像的有用數(shù)據(jù)的對比度相當接近的時候，利用這種方法，亮度或者暗度可以很好的在直方圖上顯示分布；這樣就可以增強目標圖像的對比度而不至于影響整體圖像的對比度，圖像的灰度直方圖均衡化可以通過有效的擴展亮度來實現(xiàn)這種功能[9]。4.3.2直方圖均衡的原理算法及處理直方圖均衡有時也叫做灰度均衡（GrayBalance），圖像進行灰度均衡的目的就是為了使圖像的灰度直方圖趨于平緩，也就是說輸出圖像的灰度直方圖的每一級上都有相同的像素點。是利用累積函數(shù)來對圖像灰度值進行“調(diào)整”，用以實現(xiàn)目標圖像與背景圖像之間對比度的增強，便于后續(xù)的處理，對于圖像后續(xù)的裂紋圖像分割及圖像形態(tài)特征提取等處理非常有益的。根據(jù)原始圖像的灰度直方圖上的像素分布情況顯示，我們利用了圖像概率密度函數(shù)，來對單位面積的直方圖進行定義：(4-6)其中H(x)為直方圖，位圖像的面積。設(shè)開始圖像的像素分布概率密度函數(shù)為，經(jīng)過灰度均衡轉(zhuǎn)換后生成的圖像的像素分布概率密度函數(shù)為,轉(zhuǎn)換函數(shù)為。利用概率論的知識，得：

(4-7)這樣的話，要想使得轉(zhuǎn)換后得到的圖像的概率密度函數(shù)的直方圖顯示為平的，也就是為1，則必須使得：(4-8)對等式兩邊r進行積分，可得：(4-9)上面顯示的公式是經(jīng)過歸一化后推導(dǎo)出來的，針對沒有經(jīng)過歸一化的圖像，只需要乘以255就行了（也就是最大灰度值）?；叶染獾霓D(zhuǎn)換公式為：(4-10)對于離散的圖像，轉(zhuǎn)換公式為：(4-11)上述式子中表示第i級灰度的像素個數(shù)?；叶戎狈綀D均衡化是數(shù)字圖像處理領(lǐng)域中通過利用圖像灰度直方圖來對圖像對比度進行調(diào)整的方法，這種方法通?？梢杂脕碓黾幽繕藞D像的局部對比度，尤其是當圖像的有用數(shù)據(jù)的對比度相當接近的時候，利用這種方法，亮度或者暗度可以很好的在直方圖上顯示分布。這種方法對于背景和前景都太亮或者太暗的圖像非常有用，這種方法尤其是可以帶來X光圖像中更好的骨骼結(jié)構(gòu)顯示以及曝光過度或者曝光不足照片中更好的細節(jié)。這種方法的一個主要優(yōu)勢是它是一個相當直觀的技術(shù)并且是可逆操作，如果已知均衡化函數(shù)，那么就可以恢復(fù)原始的直方圖，并且計算量也不大。這種方法的一個缺點是它對處理的數(shù)據(jù)不加選擇，它可能會增加背景雜訊的對比度并且降低有用信號的對比度；變換后圖像的灰度級減少，某些細節(jié)消失；某些圖像，如直方圖有高峰，經(jīng)處理后對比度不自然的過分增強。如圖4.4即表示濾波后的裂紋圖像繼續(xù)經(jīng)過直方圖均衡也就是灰度均衡后的效果圖：圖4.5繼續(xù)灰度均衡后的裂紋圖像從圖4.5可以看出，圖像整體黑白分明，對比度大大增強，特別是目標裂紋圖像與背景之間顯示突出，很少部分發(fā)生圖像混疊，圖像視覺效果得到提高，去除了不需要的噪聲細節(jié)圖像，給后續(xù)的圖像閾值分割提取目標裂紋打下了良好的基礎(chǔ)，讓后期處理裂紋的形態(tài)檢測誤差也大大減少。圖4.6顯示經(jīng)過灰度均衡后的裂紋圖像的灰度直方圖分布：圖4.6灰度均衡后的圖像直方圖像素分布觀察圖像均衡后的灰度直方圖可以發(fā)現(xiàn)，裂紋圖像經(jīng)過灰度均衡后，目標圖像與背景圖像的對比度大大提高，可以很清楚的發(fā)現(xiàn)裂紋圖像的像素分布范圍，而轉(zhuǎn)換后的裂紋圖像的總灰度像素分布也趨于平均。實際上圖像本身的灰度級不全，個數(shù)有限，所以使得最后得到的灰度直方圖并不是一條理論上的水平直線，而是呈現(xiàn)出一種相對參差不齊的形狀。并且可以發(fā)現(xiàn)，像素的分布密度也不均勻，在0～25像素區(qū)間比較集中，25～175像素區(qū)間就相對比較分散，到了175～255像素區(qū)間又出現(xiàn)集中的趨勢。相對于圖4.3來說，像素分布分散。對后續(xù)的閾值分割提供了方便。5零件表面裂紋圖像的分割與形態(tài)學(xué)處理5.1圖像分割的研究圖像分割（ImageSegmentation）在數(shù)字圖像處理中是一種很重要的圖像處理技術(shù)。在實際應(yīng)用中得到了人們的廣泛關(guān)注與重視，圖像分割的方法有很多種，有些算法可以適用于任何圖像，有些則只能適用于部分特定的圖像，所以，總的來說，沒有唯一標準的圖像分割算法，因此，分割效果的好壞需要多種因素共同決定，需要具體問題具體分析，分割算法也不可能對任何圖像都能完美分割；圖像分割的任務(wù)就是把目標圖像從整體圖像中分離出來，將其分割成互不交疊的區(qū)域，以便圖像進行后續(xù)的處理、分析及應(yīng)用；圖像分割是圖像進行分析和理解的第一步，分割的精確程度也影響了后續(xù)的圖像分析結(jié)果。其在科學(xué)領(lǐng)域及工程技術(shù)等層面也有廣泛應(yīng)用[10]。軍事：軍事目標檢測與定位、無人駕駛飛機、地形配準、地形偵查和軍事導(dǎo)航系統(tǒng)。圖像傳輸：數(shù)字電視、多媒體信息處理、會議電視、高清晰度電視（HDTV）、多媒體編碼和可視電話。身份識別：指紋識別和虹膜識別等。工業(yè)：探傷分析、礦藏分析、自動化檢測與識別、無接觸式檢測、產(chǎn)品的精度和純度分析。文本圖像分析處理與識別：文字識別、版面分析和理解。生物醫(yī)學(xué)：計算機斷層圖像CT（ComputerTomograph）、X光透視、核磁共振圖像（MRI）、B超體內(nèi)病變檢測、各種細胞自動計數(shù)、病毒細胞的自動監(jiān)測和識別、生物圖像分析等。機器人視覺：無人駕駛汽車、自動化生產(chǎn)線等。5.1.1圖像分割的意義及方法人們在圖像分割領(lǐng)域研究發(fā)展的過程中，對圖像分割提出了各種各樣的理解與解釋，目前最讓人們接受的是通過集合來定義的圖像分割。假設(shè)集合R來表示整個待處理的圖像區(qū)域，而圖像分割操作也就是將集合R劃分成N個滿足下面條件的非空子集:；對i=1,2,···N,；；；對i=1,2,···N,是連通的區(qū)域；的定義指出在分割后的效果圖中，每個區(qū)域都有著相同特點的像素。則表示在分割后的效果圖中，對于不同的子區(qū)域，它們之間有著不同的特點，互相不具備公共的特點。的意義在于圖像分割后的所有生成的子區(qū)域，它們的并集就是原始圖像。這一點在圖像分割中非常關(guān)鍵，它是使得圖像中每個像素都可以得到處理的前提。圖像分割的方法有很多種，主要原理也就是通過假定每個子區(qū)域是否有相同的特點，但不同區(qū)域的像素也就不可能有相同的性質(zhì)了。但是并沒有一種或者幾種完美圖像分割方法，所有的條件表達式都是近似的。而在實際中，圖像數(shù)據(jù)的模糊和大量雜點噪聲的干擾使得分割圖像不像理論上那么簡單順利，實際的圖像處理和分析都是基于面向特定的對象或者應(yīng)用，具體的問題需要具體的分析，再根據(jù)實際情況選擇合適的分割方法，對于分割結(jié)果的好壞與否，當前還沒有給出統(tǒng)一的評價標準，還得根據(jù)實際的分割效果來判斷。在先前針對圖像分割的研究中，人們總結(jié)出來的分割方法大致可以分為兩大類：一種是邊界方法，一種是區(qū)域方法。邊界方法的假設(shè)是基于某個子區(qū)域在原圖像中一定會有邊界存在。而相對于區(qū)域方法來說，主要原理也就是通過假定每個子區(qū)域是否有相同的特點，但不同區(qū)域的像素也就不可能有相同的性質(zhì)了。這兩種算法有各自的優(yōu)缺點，也可以將兩者結(jié)合使用來進行圖像分割，需要結(jié)合實際情況繼續(xù)分析。隨著計算機處理圖像的能力不斷提高，越來越多的圖像分割方法不斷涌現(xiàn)，但實際情況比較復(fù)雜，就比如在自然場景中拍攝的圖像，因為圖像的復(fù)雜度太高，很難選取合適的閾值。比較常用的圖像分割技術(shù)如基于彩色分量分割、紋理圖像分割等。數(shù)學(xué)工具和分析手段也不斷的推陳出新，從時域信號到頻域信號處理，最近發(fā)展歷程中，小波變換也應(yīng)用到圖像分割領(lǐng)域中。下圖列出了幾種圖像分割方法：圖像分割圖像分割灰度相似性不連續(xù)性檢測灰度相似性不連續(xù)性檢測區(qū)域分割閾值分割區(qū)域分割閾值分割區(qū)域分裂與合并自適應(yīng)邊界分割孤立點孤立線組成邊界邊界跟蹤孤立點串行區(qū)域分割技術(shù)并行區(qū)域分割技術(shù)串行邊界分割技術(shù)串行區(qū)域分割技術(shù)并行區(qū)域分割技術(shù)串行邊界分割技術(shù)并行邊界分割技術(shù)圖5.1圖像分割方法從圖5.1可以看出，圖像分割技術(shù)主要包括4種：并行邊界分割技術(shù)和與之對應(yīng)的并行區(qū)域分割技術(shù)、串行邊界分割技術(shù)和與之對應(yīng)的串行區(qū)域分割技術(shù)。5.1.2圖像閾值分割的原理算法及處理閾值分割（ThresholdSegmentation）顧名思義就是基于灰度閾值的圖像分割方法，有一些在某些條件下的圖像，圖像中我們需要提取的目標圖像如果與背景圖像在灰度級分布上有非常明顯的差異存在，那么我們就可以利用設(shè)定相對合適的閾值將圖像的像素點按灰度的分布差異將其分開，從而完成圖像分割的目的。閾值分割中，最簡單的形式也就是相當于把圖像進行二值化處理，其原理也就是確定一個閾值，然后對圖像中的每一個像素點進行篩選，再根據(jù)閾值決定當前像素是歸于目標圖像還是背景圖像。對于那些目標圖像和背景圖像有明顯差別（對比度極高）時，閾值分割就有著極其高效的作用，閾值分割在處理前景和背影有較強對比度的圖像時有著特別有效的作用，此時需要計算的復(fù)雜度比較小。但是直接的閾值分割不一定能完全分割出目標圖像，就比如在自然場景中拍攝的圖像，因為圖像的復(fù)雜度太高，很難選取合適的閾值。當圖像的灰度級相對比較集中時，簡單的設(shè)置閾值提取目標圖像是一個非常有效的方法。閾值分割到目前為止，已經(jīng)提出了大量的算法。其基本的原理還是相通的，首先對于一幅灰度圖確定一個合適的閾值，然后把圖像中的每個像素點和閾值相比較，最后根據(jù)相比較的結(jié)果，把該圖像像素分為兩大類——目標圖像與背景圖像。一般閾值分割可以分為以下3步：確定合適閾值；將閾值與像素相比較；把像素分類。對于上面的3步，最重要的是第一步：確定閾值。選取一個合適的閾值，就可以對圖像進行正確、合適的分割，對后續(xù)的圖像形態(tài)檢測誤差處理也會有很大幫助。閾值分割的原理也就是首先確定一個閾值，然后圖像中各個像素點與其對比，如果大于該閾值，那么就將其灰度值設(shè)為255，否則設(shè)置為0。圖像的閾值分割變換函數(shù)的表達式：(5-1)其中T表示選定的閾值。圖像的閾值可以分為全局的閾值和局部的閾值這兩種：圖像全局分割方法也就是表示針對該圖像所選取的閾值是固定的，每個像素所進行對比的閾值都是相等的；但是若各個像素使用的閾值都各不相同的話，就代表得使用局部閾值法。全局閾值：(5-2)局部閾值：(5-3)T表示選取的閾值。相比較而言，全局閾值分割圖像的方法相對來說是最簡單的圖像分割方法，最佳的全局閾值確定的常用方法一般有下面幾種：（1）實驗法。圖像分割之前就已經(jīng)知道了圖像的部分特征，那么就可以采取實驗法來進行閾值分割，選取閾值也就相對簡單，只需要不斷的實驗不同的閾值，來檢查是否滿足自己所需要的要求。（2）直方圖法。若是目標圖像的的灰度值分布比較均勻，圖像背景的灰度值分布也是比較均勻的，那么這個圖像整體的灰度值方圖就會有明顯的雙峰，如圖5.2所示。當一幅圖像出現(xiàn)這種情況時，就可以選擇兩峰之間的谷點作為閾值。圖5.2具有明顯雙峰的灰度直方圖最小誤差法。假若背景與目標圖像的灰度分布都是正態(tài)分布，那么就可以使用最小誤差法。選取的最佳閾值就是直方圖中正態(tài)分布交疊的閾值T，這種閾值選取方法是從概率上找到一個最優(yōu)閾值，通過觀察灰度均衡后圖像，發(fā)現(xiàn)裂紋圖像像素很暗，可以說非常接近于0像素，再觀察與其相對應(yīng)的灰度直方圖像素分布圖，可以發(fā)現(xiàn)裂紋圖像大多分布在0～10像素之間，于是我采用了相對簡單的實驗法來進行閾值分割。通過不斷的選取合適的閾值，觀察分割后的圖像是否符合要求，最終確定了最優(yōu)閾值T=6。下圖為選取的閾值及閾值分割后的裂紋圖像。圖5.3選取閾值進行分割圖5.4閾值分割后圖像5.2數(shù)學(xué)形態(tài)學(xué)處理從圖5.4閾值分割后的圖像可以看出，所需要的目標裂紋圖像已經(jīng)從原始圖像中分離出來。并且裂紋形態(tài)沒有發(fā)生太大的改變。但還是有一些雜點毛刺與斷線缺陷，這些不可避免的散點噪聲，通過圖像的預(yù)處理是很難去除的，它不是因為外部環(huán)境的因素而產(chǎn)生的，而是因為裂紋本身圖像的灰度分布不均，導(dǎo)致某些部分與裂紋像素一致，使得閾值分割很難將其去除分割掉，為了后續(xù)的裂紋形態(tài)分析誤差偏小，我們需要采取某些手段將這些雜點毛刺去除。5.2.1什么是數(shù)學(xué)形態(tài)學(xué)數(shù)學(xué)形態(tài)學(xué)（MathematicalMorphology）是建立在集合代數(shù)的基礎(chǔ)上，是用來分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法，它在20世紀90年代逐漸成為了分析圖像幾何特征的工具，是用集合論的定量描述方法來分析幾何結(jié)構(gòu)的科學(xué)；數(shù)學(xué)形態(tài)學(xué)總的來說是由一組形態(tài)學(xué)的代數(shù)運算子組成的，最基本的形態(tài)學(xué)算子包括：腐蝕、膨脹、開運算和閉運算；這些運算子或者其組合運算是用來進行圖像形狀和結(jié)構(gòu)分析處理的工具，包括圖像分割、特征提取、邊界檢測、圖像濾波、圖像增強與恢復(fù)等方面的工作[12]。數(shù)學(xué)形態(tài)學(xué)已經(jīng)廣泛應(yīng)用到很多圖像分析領(lǐng)域，如醫(yī)學(xué)和生物學(xué)中對細胞進行檢測、研究心臟的運動過程和對脊椎骨癌圖像的分析處理；工業(yè)中對食品進行檢驗（碎米）和電子線路的特征分析；交通管制方面用來監(jiān)測汽車的運動情況等等。對于數(shù)學(xué)形態(tài)學(xué)來說，它的理論基礎(chǔ)就是數(shù)學(xué)中的集合論。圖像處理中黑白和灰度圖像的形狀代表了形態(tài)學(xué)的集合，如一幅黑白二值圖像的完全描述就可以用圖像中的所以黑色像素點的集合來表示。在一個集合中，用X作為進行形態(tài)變換的像素點的集合，而對于集合的補集就是沒有被選擇的集合。5.2.2圖像的腐蝕腐蝕（Erosion）在數(shù)學(xué)形態(tài)學(xué)運算中的作用是消除物體的邊界點，選擇合適的結(jié)構(gòu)元素，可以使用腐蝕處理去除小于其的區(qū)域點，這樣選取不同的結(jié)構(gòu)元素，就可以去除不同大小的物體[11]。當來那個物體之間存在細小的連通時，那么當結(jié)構(gòu)元素足夠大時，就可以通過腐蝕運算使得倆物體分開。腐蝕表達式為：(5-4)這里的A表示（x,y）總圖像平面上所準備處理的目標區(qū)域，B表示我們所確定的結(jié)構(gòu)元素。而B(x,y)則表示膨脹處理過程中位于坐標(x,y)上的結(jié)構(gòu)元素所覆蓋的圖像區(qū)域。進行腐蝕操作時，結(jié)構(gòu)元素首先從圖像的左上角開始移動，直到結(jié)構(gòu)元素的原點位于某坐標點上時，比較目標圖像與結(jié)構(gòu)元素上的子圖像區(qū)域，如果相同，那么就將該點保留，若是不同的話，就將其刪除，然后繼續(xù)移動結(jié)構(gòu)元素，直到遍歷完整張圖像的坐標點。對目標圖像進行腐蝕處理的的像素結(jié)果圖如下所示：圖5.5腐蝕處理從圖中可以看出，腐蝕運算縮小的圖像的邊界，使得圖像像素點之間的連接斷開，因此，腐蝕運算常常被用來去除小而無意義的區(qū)域或者是斷開粘連的目標圖像。我通過多次試驗，結(jié)合圖像中的散點噪聲，選取了如下圖所示的結(jié)構(gòu)元素，可以很好的處理掉散點噪聲，有對圖像形態(tài)影響偏小。下圖顯示對裂紋進行腐蝕運算所選取的結(jié)構(gòu)元素及裂紋圖像經(jīng)過腐蝕后的圖像顯示:圖5.6自定義選取腐蝕結(jié)構(gòu)元素圖5.7腐蝕后的裂紋圖像5.2.3圖像的膨脹從圖5.7可以看出，圖像中的部分散點噪聲已經(jīng)被腐蝕掉了，但是裂紋圖像的尺寸也因此發(fā)生了改變，怎么才能只把圖像上的噪聲點去掉而保持原圖像的尺寸不變呢？這時，我們就需要在圖像腐蝕的基礎(chǔ)上再用相同的結(jié)構(gòu)元素進行一次膨脹處理，就可以達到這個目的了。膨脹（Dilation）在數(shù)學(xué)形態(tài)學(xué)中的作用就是把圖像周圍的背景點合并到物體中[12]。它與腐蝕運算相反，膨脹處理可以擴展物體的邊緣點，填充邊緣的小凹陷，而如果兩個物體之間的距離比較近的話，膨脹處理還可能將其連通[13]；但是，膨脹處理對散點噪聲比較敏感，經(jīng)過膨脹處理后的散點噪聲將變的更加明顯。膨脹處理的表達式：(5-5)和腐蝕運算一樣，這里的A表示（x,y）總圖像平面上所準備處理的目標區(qū)域，B表示我們所確定的結(jié)構(gòu)元素。而B(x,y)則表示膨脹處理過程中位于坐標(x,y)上的結(jié)構(gòu)元素所覆蓋的圖像區(qū)域。對目標圖像進行膨脹處理的像素效果圖如下：圖5.8膨脹處理膨脹處理將目標圖像的邊緣得以填充，圖像中間的小缺陷也得以補全，使得整個圖像更加飽滿。膨脹后圖像如圖5.9所示。圖5.9膨脹后裂紋圖像6表面裂紋的特征提取及分析觀察圖5.9可以發(fā)現(xiàn)，通過前面的一系列處理，我已經(jīng)得到了目標區(qū)域與背景完全分離的完整裂紋圖像接下來就可以進行裂紋的形態(tài)特征提取了，比如面積，周長，長度等。6.1裂紋的面積裂紋的面積在裂紋的形態(tài)特征中是最基礎(chǔ)的，是最簡單的區(qū)域幾何特征。對于裂紋圖像來說，計算裂紋圖像的面積最簡單的方法就是統(tǒng)計裂紋像素的數(shù)目，直接按照一定的順序逐個累加裂紋像素點即得到裂紋圖像的面積[14]。區(qū)域面積表達式如下：(6-1)其中，A表示區(qū)域面積，（x,y）表示將圖像中每個像素看做成單位面積小方格，R代表整個圖像區(qū)域。計算圖像的面積我們使用了一種基于區(qū)域的像素統(tǒng)計方法，具體步驟如下：先進行從左到右，從上到下的掃描，直到掃描到第一個像素為0的點，確定為目標圖像左上角的第一個點，設(shè)置一個變量a，使得a=1；然后保持這個掃描方向，不斷獲取像素為0的點，使得變量a不斷自加，直到掃描到像素為255的點，表明這一層掃描完畢；換層掃描，重復(fù)2步驟。直到全部掃描完成后，輸出a，就為目標圖像的面積值。下圖表示運用這種方法，輸出的圖像總裂紋面積：圖6.1裂紋總面積然后我在此基礎(chǔ)上，取圖像寬度為五分之一處劃線，將左邊相對比較完整明顯的裂紋隔離了出來，再次運用上面的統(tǒng)計像素法，將其面積單獨算出：圖6.2隔離區(qū)域裂紋面積6.2裂紋的周長6.2.1輪廓提取因為要計算裂紋的周長，需要提取出裂紋的邊緣點，所以這里我采用了圖像處理中輪廓提取這一方法。輪廓提取（Contourextraction）算法非常簡單，對于二值圖像來說，就是掏空目標圖像內(nèi)部點；如果圖像中有一點為黑，它的八個相鄰點也都是黑色，這時可以確定這個點為內(nèi)部點，那么就將其刪除[15]。其實輪廓提取的原理與上一章提到的腐蝕相同，實際上就可以看作相當于用一個9個點的結(jié)構(gòu)元素對目標圖像進行腐蝕，然后在用原始圖像減去腐蝕圖像后就等到圖像輪廓了[16]。程序設(shè)計主要步驟如下：（1）程序中我調(diào)用了ContourDIB（）函數(shù)，首先先使用for循環(huán)找到目標圖像倒數(shù)第一行，第一個像素點；然后建立一個指針指向這個像素點；（2）再通過指針運算獲取其周圍8個像素點的灰度值；（3）最后用if語句檢測它們是不是都是黑點（也就是8個像素點相加是否為0），如果是的話，就將這個選中的像素點刪除；（4）然后順序移到下一個像素點，重復(fù)以上步驟，直到像素點檢查完畢后，將腐蝕后的圖像輸出，就是我們需要的圖像輪廓了。下圖顯示了輪廓提取后的裂紋圖像：圖6.3裂紋圖像輪廓提取6.2.2輪廓周長算法裂紋的周長就是目標區(qū)域輪廓邊界的周長。這里一般有兩種方法來計算其輪廓周長：使用計算面積時采用的像素點累積的方法，周長就是目標輪廓邊界線上像素點累加的個數(shù)，這種方法相對比較簡單；運用輪廓跟蹤法，得到輪廓的邊界鏈碼，然后統(tǒng)計鏈碼的方向值就可以計算出裂紋的周長。下面詳細介紹一下輪廓跟蹤計數(shù)法：首先按照從左到右，從下到上的順序找到圖像左下方的邊界像素點，記為A，定義一個變量a，賦初值為0；定義8個方向坐標，先從A的右、右上、上、左上4個方向中找到下一個目標點B，再從B開始找起，按照從右方向逆時針尋找到右下方向，找到下一個點，將坐標再賦值給B；當找到目標點時，在尋找方向為的情況下，a自加；不斷重復(fù)第三、四步，直到B的坐標就是A時，表示旋轉(zhuǎn)了一周；通過統(tǒng)計像素點，根據(jù)像素間距離判斷，計算裂紋周長。我在掃描標號過程中，加入了對相鄰像素點坐標變化的判斷：因為相鄰兩個像素如果只有一個坐標發(fā)生變化，就是橫或者豎的排列，那么像素之間的距離就為1；而如果相鄰像素之間兩個坐標都發(fā)生了變化，就表示兩個像素點是排列，那么這兩個像素之間的距離就是了。下圖表示了計算出的隔離區(qū)域裂紋的周長：圖6.5隔離裂紋的周長6.3裂紋的長度6.3.1細化對于圖像的細化處理，就是利用合適的手段在盡可能的保留圖像幾何形狀的同時，減少圖像所包含的信息量。將具有一定寬度的圖像輪廓，逐步的去除掉邊緣點，使得最后變?yōu)橄袼氐膶挾瘸蔀?的過程就叫做圖像的細化，細化后的圖像叫做圖像的骨架。細化算法的實現(xiàn)成功與否在于判斷腐蝕過程中像素點是否可以刪除，它具有兩條最基本的準則：（1）目標圖像經(jīng)過細化處理后得到的圖像骨架是不能縮短圖像的主干長度；（2）細化的同時，避免圖像被分成多個部分。如圖6.6即為裂紋細化后的效果圖：圖6.6細化處理后的裂紋圖像6.3.2裂紋骨架長度的算法得到上圖6.6所示的裂紋骨架后，就可以計算其長度了。我們可以采用上面計算裂紋周長時用到的鏈表法：可以先對其繼續(xù)掃描標號，再從左到右進行掃描，因為裂紋像素的寬度為1（單像素圖像），所以累積完標記像素點后運用像素間距離算法直接可得到裂紋長度。圖6.7表示隔離區(qū)域的裂紋長度。圖6.7隔離裂紋的長度綜上所述裂紋形態(tài)特征信息為：表6.1裂紋形態(tài)特征信息表裂紋總面積隔離裂紋面積隔離裂紋周長隔離裂紋長度482016806552916.4裂紋圓形度對于裂紋邊界的復(fù)雜度情況，我采用了計算裂紋圓形度來進行衡量。對于某連通的區(qū)域，如果知道了該區(qū)域的周長與面積，就可以利用下面的公式來計算區(qū)域的圓形度C：(6-2)其中，P表示區(qū)域的周長，A表示區(qū)域的面積。若是C值越接近1，則表示區(qū)域的越接近圓形；相對的，若是C值越大則表示區(qū)域形狀越狹長。通過計算該隔離裂紋的圓形度可得，該值遠遠大于1，表明裂紋非常狹長。6.5誤差分析因為實際操作中由于設(shè)備采集、圖像處理過程所用的算法等操作，必然會出現(xiàn)些許誤差，現(xiàn)總結(jié)如下：裂紋圖像提取過程中，拍攝環(huán)境的光照是否均勻、光線的強弱、溫度對空氣介質(zhì)等的影響，都會使得圖像采集過程中，裂紋長度、面積等形態(tài)特征的比例因子產(chǎn)生少許誤差；圖像噪聲干擾處理不完美。所采用的濾波處理，肯定會對裂紋產(chǎn)生少許影響，特別是數(shù)學(xué)形態(tài)學(xué)的腐蝕、膨脹運算，在消除噪聲的同時，必然也對裂紋圖像有所處理，這也使得最后測量產(chǎn)生誤差；裂紋不是方直形，實際測量過程中，人工肯定會對彎曲處進行細致的測量累加，而本次圖像處理無法準確測量彎曲處數(shù)值，造成結(jié)果誤差。所以，為了更好的進行測量檢測裂紋的形態(tài)特征，還需在系統(tǒng)裝置與程序算法上進行改進完善。6.6本章小結(jié)本章對提取出的裂紋進行了分析檢測，計算出了裂紋形態(tài)特征，如面積、周長、長度和它的圓形度等，最后總結(jié)了一下本次裂紋提取實驗的誤差分析。7總結(jié)與展望7.1總結(jié)開始介紹了課題研究的背景，說明了工業(yè)機械零件中裂紋產(chǎn)生的緣由和裂紋所帶來的嚴重