一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法与流程

1.本发明属于缺陷检测技术领域，更具体地说，本发明涉及一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法。


背景技术：

2.航天器在太空中服役时可能会受到微小流星体/空间碎片的超高速撞击，在其表面/亚表面形成种类多样、类型复杂(如耦合等)和散布区域广的损伤。因此，研究航天器材料复杂多类型的缺陷检测技术对航天器的运行安全是非常有必要的。目前已有很多基于红外热成像技术的缺陷检测方案用于航天器缺陷检测。例如热信号重建理论、独立成分分析法等，它们都是通过提取和挖掘红外序列的特征信息，重构回缺陷特征空间获得多张包含不同损伤类型的红外重构图像，每张红外重构图像可视化一种类型的损伤，达到识别复杂多缺陷的目的。由于超高速撞击试件的缺陷类型多、缺陷情况复杂，对检测方案的检测结果进行针对性评判是有必要的。
3.因此，需要设置客观评价标准对检测方案的针对性检测性能进行评估。红外重构图像提取的所有损伤类型特征总体完整性和特征表征高质量十分重要。加上红外图像易受噪声影响，红外重构图像本身的质量需要得到保证。同时，对一个红外检测方案全面的评判指标应将红外检测方案整个检测流程纳入并一起考虑。针对特征质量评判，引入热辐射对比质量分数和损伤形态质量分数。先对红外重构进行强度缩放后再提取缺陷特征，突出缺陷信息。再利用矩阵函数来对缺陷的形状、纹理等特征进行评估。将矩阵函数的分布函数与图像的功率密度进行类比，分别计算两个缺陷特征质量分数。从区域对比和损伤形态两个方面来客观评价缺陷特征的提取情况。另外，利用峰值信噪比，从量化的角度来客观评价红外重构图像的质量。
4.针对检测方案是提取缺陷类型完整性。分别对各损伤类型的红外重构图像进行检测，评估检测方案对各类型损伤检测情况的可信度。对背景区域的红外重构图像进行检测，以评判对同一试件不同类型缺陷的提取完备性。
5.基于此，本发明设计了一种综合的客观评价方式来评估红外缺陷检测方案对损伤的检测情况。综合考虑红外检测方案提取的各类型损伤特征和红外重构图像，设置定量的客观指标，通过红外重构图像来评估红外检测方案对各类型超高速撞击损伤的检测能力。


技术实现要素：

6.本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
7.为了实现根据本发明的这些目的和其它优点，提供了一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法，包括以下方法：针对特征质量评判，引入热辐射对比质量分数和损伤形态质量分数，先对红外重构进行强度缩放后再提取缺陷特征，突出缺陷信
息；再利用矩阵函数来对缺陷的形状、纹理特征进行评估；将矩阵函数的分布函数与图像的功率密度进行类比，分别计算两个缺陷特征质量分数；从区域对比和损伤形态两个方面来客观评价缺陷特征的提取情况；另外，利用峰值信噪比，从量化的角度来客观评价红外重构图像的质量；
8.针对检测方案是提取缺陷类型完整性，分别对各损伤类型的红外重构图像进行检测，评估检测方案对各类型损伤检测情况的可信度；对背景区域的红外重构图像进行检测，以评判对同一试件不同类型缺陷的提取完备性。
9.优选的是，其中，一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法还包括以下步骤：
10.步骤s1、利用待评估的检测方案t采集红外序列，进行特征提取获得背景区域红外重构图像和q张分别至少包含穿孔、鼓包、撞击坑、剥落的q种超高速撞击损伤的红外重构图像；
11.步骤s2、对步骤s1得到用于表征第k种损伤或背景区域的红外重构图像分别进行预处理，得到缺陷特征图像；
12.步骤s3、从损伤形态和区域对比两个方面，对步骤s2得到的第k副缺陷特征图像的缺陷特征提取情况进行客观评估；
13.步骤s4、利用峰值信噪比来对步骤s2得到的第k副缺陷特征图像的自身图像质量进行客观评估；
14.步骤s5、综合步骤s3得到的损伤特征评估结果和步骤s4得到的图像特征评估结果，分别计算背景区域和各类型损伤红外重构图像的总质量分数；
15.步骤s6、基于步骤s5得到的红外重构图像的总质量分数，对红外重构图像的可信度进行评估；
16.步骤s7、对步骤s6得到各类型损伤的可信红外重构图像，利用可信的红外重构图像计算红外检测方案客观质量分数；
17.步骤s8、基于步骤s7得到的红外检测方案客观质量分数对所有超高速撞击损伤类型的识别性能进行评估；
18.步骤s9、基于步骤s8对所有超高速撞击类型的识别性能的评估结果，在当前检测方案对所有超高速撞击损伤识别性能比较好的情况下，分别对各类型损伤特征进行定量计算；包括定量计算各类型损伤的宽度、面积、曲率特征。
19.优选的是，其中，将所述步骤s1中得到的背景区域红外重构图像记为irri
o(0)
，将超高速撞击损伤的红外图像记为irri
o(q)
，q＝1,
…
,q；
20.所述步骤s2中对步骤s1得到的用于表征第k种损伤(即k＝1,2,
…
,q)或背景区域(即k＝0)的红外重构图像irri
o(k)
分别进行预处理，主要包括以下方面：先利用反正切atan归一化法分别将第k幅红外重构图像irri
o(k)
归一化，其目的是为实现提高红外重构图像可视化的缺陷特征的稳定性，记得到的归一化图像为k＝0,1,
…
,q；然后对归一化图像进行膨胀腐蚀形态学操作，增强图像特征，减少噪声干扰；再利用gabor卷积滤波器对经形态学处理后的图像进行卷积滤波以提取缺陷的边缘、纹理特征；最后得到缺陷特征图像irri
df(k)
，k＝0,1,
…
,q，具体步骤为：
21.步骤s21、基于反正切atan归一化法将红外重构图像irri
o(k)
，k＝0,1,
…
,q归一化，提高红外重构图像可视化的缺陷特征的稳定性；反正切atan归一化法将红外重构图像irri
o(k)
，k＝0,1,
…
,q中位于第i行第j列的数据点r
ij
对应的辐射值x
ij
进行缩放，得到新辐射值x
i(new)j(new)
：
[0022][0023]
其中，atan(x
ij
)是x
ij
的反正切函数；所有的红外数据点的辐射值归一化后得到的新辐射值x
i(new)j(new)
构成归一化图像k＝0,1,
…
,q；
[0024]
步骤s22、对归一化图像k＝0,1,...,q进行先膨胀后腐蚀的形态学处理，得到形态学处理图像k＝0,1,
…
,q；
[0025]
先对归一化图像k＝0,1,
…
,q进行膨胀处理，得到膨胀图像
[0026][0027]
其中，c是大小为r
×
r的邻域窗，r为奇数，邻域窗的中心像素为(r+1)/2，为图像膨胀处理过程：在移动邻域窗c的过程中，如果与图像存在重叠区域，则记录该位置，所有移动邻域窗c与图像存在交集的位置的集合为图像在邻域窗c作用下的膨胀图像再对膨胀图像k＝0,1,
…
,q进行腐蚀处理：
[0028][0029]
θ为图像腐蚀处理过程：移动邻域窗c，如果邻域窗c与图像的交集完全属于图像则保存该位置点，所有满足条件的点构成图像被邻域窗c腐蚀得到的腐蚀图像腐蚀操作结束得到的腐蚀图像也就是经先膨胀后腐蚀形态学处理得到的形态学处理图像k＝0,1,
…
,q；
[0030]
步骤s23、对形态学处理图像k＝0,1,
…
,q进行卷积滤波以提取缺陷的边缘、纹理等特征，得到缺陷特征图像irri
df(k)
，k＝0,1,
…
,q：
[0031][0032]
其中，f是大小为n
×
n的gabor滤波核，*表示对图像进行gabor卷积操作：将图像irri
df(k)
分成图像块，选择a个尺度，b个方向，组成ab个gabor滤波器组；gabor滤波器组与每个图像块在空域卷积，每个图像块可以得到ab个滤波器输出，提取各个图像块的滤波器输出的均值构成大小为ab
×
1的列向量作为该图像块的缺陷特征；所有图像块的缺陷
特征构成了缺陷特征图像irri
df(k)
，gabor滤波核各个位置(x,y)的定义式如下：
[0033][0034]
其中，
[0035]
x'＝x
·
cosθ+y
·
sinθ
[0036]
y'＝-x
·
sinθ+y
·
cosθ，
[0037]
其中，λ是正弦函数波长；θ是gabor核函数的方向；ψ是相位偏移；ε是带宽；γ是空间的高宽比，决定gabor核函数的形状。
[0038]
优选的是，其中，所述步骤s3从损伤形态和区域对比两个方面，来对步骤s2得到的第k幅缺陷特征图像irri
df(k)
，k＝0,1,
…
,q的缺陷特征提取情况进行客观评估；由于红外重构图像中各个数据点的辐射值能够反映损伤信息，基于此，引入热辐射对比质量分数和损伤形态质量分数，再利用矩阵函数来对缺陷的形状、纹理等特征进行评估；将矩阵函数的分布函数与图像的功率密度进行类比，利用中心极限定理分别计算两个缺陷特征质量分数，具体步骤包括：
[0039]
步骤s31、计算归一化图像k＝0,1,
…
,q数据点辐射值的一阶(均值)矩函数k＝0,1,
…
,q和二阶(方差)矩函数k＝0,1,
…
,q：
[0040][0041][0042]
其中，z为归一化图像k＝0,1,
…
,q中红外数据点数目，xv为归一化图像k＝0,1,
…
,q中红外数据点的辐射值；
[0043]
步骤s32、计算缺陷特征图像irri
df(k)
，k＝0,1,
…
,q的一阶矩函数μ
df(k)
，k＝0,1,
…
,q和二阶矩函数k＝0,1,
…
,q：
[0044][0045][0046]
其中，k＝0,1,
…
,q，p为缺陷特征图像irri
df(k)
中红外数据点数目，xn为缺陷特征图像irri
df(k)
，k＝0,1,
…
,q红外数据点辐射值；
[0047]
步骤s33、对缺陷特征图像irri
df(k)
，k＝0,1,
…
,q按辐射值划分区域：将辐射值相同的红外数据点划分为一类，表示缺陷的一个特征，记为irt
df_l(k)
，k＝0,1,
…
,q；
[0048]
步骤s34、估计特征irt
df_l(k)
，k＝0,1,
…
,q辐射值的矩函数μ
df_(l)k
，k＝0,1,
…
,q服从的分布：根据中心极限定理，均值μ
df_l(k)
服从均值为的正态分布：
[0049][0050]
其中，k＝0,1,
…
,q，p(μ
df_l(k)
)是μ
df_l(k)
的概率密度函数，为步骤s21求得的归一化图像的红外数据点辐射值均值，为μ
df_l(k)
服从的正态分布的方差；
[0051]
步骤s35、估计特征irt
df_l(k)
，k＝0,1,
…
,q辐射值的矩函数k＝0,1,
…
,q服从的分布：使用步骤s34中相同的估计，方差的分布接近均值的正态分布：
[0052][0053]
其中，k＝0,1,
…
,q，是的概率密度函数，为步骤s21求得的归一化图像的红外数据点辐射值方差，为服从的正态分布的方差；
[0054]
步骤s36、三σ原则分别计算k＝0,1,
…
,q和k＝0,1,
…
,q：
[0055][0056][0057]
其中，k＝0,1,
…
,q，为μ
df_l(k)
分布在区间的概率，为步骤s21求得的归一化图像的红外数据点辐射值均值；为分布在区间的概率，为步骤s21求得的归一化图像的像素点辐射值方差；为标准正态分布的分布函数；
[0058]
步骤s37、计算关于μ
df_l(k)
，k＝0,1,
…
,q的正态分布函数：
[0059]
μ
df_l(k)
，k＝0,1,
…
,q服从的正态分布为k＝0,1,
…
,q，随机变量rv
μ(k)
，k＝0,1,
…
,q关于μ
df_(l)k
，k＝0,1,
…
,q的正态分布函数k＝0,1,
…
,q为：
[0060][0061]
步骤s38、计算关于k＝0,1,
…
,q的正态分布函数：k＝0,1,
…
,q服从的正态分布为k＝0,1,
…
,q，随机变量rv
σ(k)
，k＝0,1,
…
,q关于k＝0,1,
…
,q的正态分布函数k＝0,1,
…
,q为：
[0062][0063]
步骤s39、计算表征背景区域和各类型损伤红外重构图像缺陷特征的热辐射对比质量分数trc
(k)
，k＝0,1,
…
,q：
[0064][0065]
其中，k＝0,1,
…
,q，是随机变量rv
σ(k)
关于的正态分布函数；随机变量是通过标准化服从的均值为方差为正态分布获得的；
[0066]
步骤s310、计算表征背景区域和各类型损伤红外重构图像缺陷特征的损伤形态质量分数dm
(k)
，k＝0,1,
…
,q：
[0067][0068]
其中，k＝0,1,
…
,q，是随机变量rv
μ(k)
关于μ
df_l(k)
的正态分布函数；随机变量是通过标准化μ
df_l(k)
服从的均值为方差为正态分布获得的；
[0069]
步骤s311、若k＝0，即计算的是背景红外重构图像irri
o(0)
的质量分数：如果有trc
(0)
+dm
(0)
＞ξ，其中ξ为缺陷特征阈值，则认为背景图像中还有未被分离出来的损伤，返回步骤s1对未识别出来的损伤特征进行检测，提取缺陷特征，否则执行步骤s4。
[0070]
优选的是，其中，所述步骤s4利用峰值信噪比来对步骤s2得到的第k幅缺陷特征图像irri
df(k)
，k＝0,1,
…
,q的自身图像质量进行客观评估，计算各类型损伤特征图像irri
df(k)
，k＝0,1,
…
,q的峰值信噪比p
(k)
：
[0071][0072]
其中，k＝0,1,
…
,q，表示缺陷特征irt
df_l(k)
和缺陷特征图像irri
df(k)
的均方差，m
×
n表示缺陷特征图像irri
df(k)
的大小，irt
df_l(k)
(i,j)表示缺陷特征irt
df_l(k)
在位置(i,j)处的辐射值，irri
df
(i,j)表示缺陷特征图像irri
df(k)
在位置(i,j)处的辐射值；表示缺陷特征irt
df_l(k)
的辐射值最大值。
[0073]
优选的是，其中，所述步骤s5中，综合步骤s3得到的损伤特征评估结果和步骤s4得到的图像特征评估结果，分别计算背景区域和各类型损伤红外重构图像的总质量分数tqs
(k)
，k＝0,1,
…
,q：
[0074]
tqs
(k)
＝λ1·
trc
(k)
+λ2·
dm
(k)
+λ3·
p
(k)
,k＝0,1,...,q
[0075]
其中，为权重系数。
[0076]
优选的是，其中，所述步骤s6中，基于步骤s5得到的红外重构图像的总质量分数tqs
(k)
，k＝0,1,...,q对红外重构图像的可信度进行评估，具体步骤为：如果有tqs
(k)
＜η，k＝0,1,
…
,q，其中η为损伤评估情况阈值，则认为当前红外重构图像对第k种损伤的提取结果不可信，返回步骤s1从红外序列中重新提取第k幅红外重构图像irri
o(k)
，再对第k种损伤的提取结果进行评估；如果重新评估第k种损伤的提取结果后，仍有tqs
(k)
＜η，则返回步骤s1重新对待检试件进行检测，重新采集红外序列，提取可视化第k种损伤的红外重构图像irri
o(k)
，再进行评估。
[0077]
优选的是，其中，所述步骤s7中，对步骤s6得到各类型损伤的可信红外重构图像，利用可信的红外重构图像计算红外检测方案客观质量分数，具体步骤为：q张分别包含q种撞击损伤的红外重构图像的总质量分数tqs
(k)
计算完毕，计算红外检测方案客观质量分数id
oq
：
[0078][0079]
通过客观质量分数id
oq
来判断红外检测方案对缺陷提取的情况，id
oq
的值越大说明当前红外检测方案对航天器受到超高速撞击形成的复杂多类型缺陷的检测识别结果越好。
[0080]
优选的是，其中，所述步骤s8中，基于步骤s7得到的红外检测方案客观质量分数id
oq
对所有超高速撞击损伤类型的识别性能进行评估；具体步骤为：如果有id
oq
＞ε，其中ε为损伤识别评估阈值，则认为当前检测方案能较好的识别所有类型的超高速撞击损伤，进一步基于当前检测方案提取的表征各类型损伤的红外重构图像对损伤进行定量计算的准确性更高；转至步骤s9对各类型的超高速撞击损伤进行定量计算；否则，返回步骤s1，从总质量分数tqs
(k)
＜ε的n张红外重构图像中，对幅红外重构图像重新进行评估，当为
分数时，向上取整；从红外序列中重新提取分别表征种超高速撞击损伤的幅红外重构图像，提高红外重构图像对损伤的表征效果，重新对这种损伤进行评估。
[0081]
通过上述步骤，本发明获得了检测方案t的客观质量分数id
oq
，从而实现了对检测方案t的客观评价。对检测方案进行客观且有效的评价，使得我们能够在缺陷定量识别的前期，提取和挖掘完整的复杂多类型的超高速撞击损伤信息，获得损伤特征清晰的高质量红外重构图像。提高进一步缺陷定量分析的准确性，提高整个超高速撞击损伤识别过程的精度。
[0082]
本发明至少包括以下有益效果：
[0083]
(1)、本发明提出的质量评估方法，能够结合红外图像质量和检测方案的检测流程对红外检测方案整体进行质量评估，根据质量分数判断检测方案的优劣，以提高检测方案对超高速撞击形成的复杂多类型损伤的适用性和检测精度，对检测方案进行全面评估。
[0084]
(2)、本发明提出的质量评估方法，对红外重构图像进行了归一化处理。图像归一化能够在不改变红外重构图像存储的损伤信息的前提下，提高缺陷区域和背景区域之间的对比度的同时增强图像的稳定性。
[0085]
(3)、本发明提出的质量评估方法，利用形态学处理和滤波器滤波强调了缺陷特征。对于红外重构图像区域划分不明确的问题，突出缺陷特征能够使得复杂的缺陷特征更加稳定，便于进一步对缺陷提取情况进行客观评价。
[0086]
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
[0087]
图1为本发明基于红外热成像数据分析的复杂多类型缺陷检测评估方法的流程图；
[0088]
图2为本发明从损伤特征方面对缺陷特征提取情况进行客观评估的流程图；
[0089]
图3为本实施例中进行评估的撞击坑内部包含多种损伤类型的红外重构图像；
[0090]
图4为本实施例中进行评估的背景区域包含多种损伤类型的红外重构图像；
[0091]
图5为本实施例中进行评估的撞击坑边缘包含多种损伤类型的红外重构图像；
[0092]
图6为撞击中心红外重构图像预处理得到的归一化图像；
[0093]
图7为撞击中心红外重构图像预处理得到的缺陷特征图像；
[0094]
图8为撞击边缘红外重构图像预处理得到的归一化图像；
[0095]
图9为撞击边缘红外重构图像预处理得到的缺陷特征图像。
具体实施方式
[0096]
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
[0097]
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
[0098]
如图1所示，一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法的流程图，包括以下方法：针对特征质量评判，引入热辐射对比质量分数和损伤形态质量分数，先对红外重构进行强度缩放后再提取缺陷特征，突出缺陷信息；再利用矩阵函数来对缺陷的形状、纹理特征进行评估；将矩阵函数的分布函数与图像的功率密度进行类比，分别计算两个缺陷特征质量分数；从区域对比和损伤形态两个方面来客观评价缺陷特征的提取情况；另外，利用峰值信噪比，从量化的角度来客观评价红外重构图像的质量；
[0099]
针对检测方案是提取缺陷类型完整性，分别对各损伤类型的红外重构图像进行检测，评估检测方案对各类型损伤检测情况的可信度；对背景区域的红外重构图像进行检测，以评判对同一试件不同类型缺陷的提取完备性。
[0100]
一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法还包括以下步骤：
[0101]
步骤s1、利用待评估的检测方案t采集红外序列，进行特征提取获得背景区域红外重构图像和q张分别至少包含穿孔、鼓包、撞击坑、剥落的q种超高速撞击损伤的红外重构图像；
[0102]
步骤s2、对步骤s1得到用于表征第k种损伤或背景区域的红外重构图像分别进行预处理，得到缺陷特征图像；
[0103]
步骤s3、从损伤形态和区域对比两个方面，对步骤s2得到的第k副缺陷特征图像的缺陷特征提取情况进行客观评估；
[0104]
步骤s4、利用峰值信噪比来对步骤s2得到的第k副缺陷特征图像的自身图像质量进行客观评估；
[0105]
步骤s5、综合步骤s3得到的损伤特征评估结果和步骤s4得到的图像特征评估结果，分别计算背景区域和各类型损伤红外重构图像的总质量分数；
[0106]
步骤s6、基于步骤s5得到的红外重构图像的总质量分数，对红外重构图像的可信度进行评估；
[0107]
步骤s7、对步骤s6得到各类型损伤的可信红外重构图像，利用可信的红外重构图像计算红外检测方案客观质量分数；
[0108]
步骤s8、基于步骤s7得到的红外检测方案客观质量分数对所有超高速撞击损伤类型的识别性能进行评估；
[0109]
步骤s9、基于步骤s8对所有超高速撞击类型的识别性能的评估结果，在当前检测方案对所有超高速撞击损伤识别性能比较好的情况下，分别对各类型损伤特征进行定量计算；包括定量计算各类型损伤的宽度、面积、曲率特征。
[0110]
在上述技术方案中，将所述步骤s1中得到的背景区域红外重构图像记为irri
o(0)
，将超高速撞击损伤的红外图像记为irri
o(q)
，q＝1,
…
,q；
[0111]
所述步骤s2中对步骤s1得到的用于表征第k种损伤(即k＝1,2,
…
,q)或背景区域(即k＝0)的红外重构图像irri
o(k)
分别进行预处理，主要包括以下方面：先利用反正切atan归一化法分别将第k幅红外重构图像irri
o(k)
归一化，其目的是为实现提高红外重构图像可视化的缺陷特征的稳定性，记得到的归一化图像为k＝0,1,
…
,q；然后对归一化图像进行膨胀腐蚀形态学操作，增强图像特征，减少噪声干扰；再利用gabor卷积滤波器对经形态学处理后的图像进行卷积滤波以提取缺陷的边缘、纹理等特征；最后得到缺陷特征图
像irri
df(k)
，k＝0,1,
…
,q，具体步骤为：
[0112]
步骤s21、基于反正切atan归一化法将红外重构图像irri
o(k)
，k＝0,1,
…
,q归一化，提高红外重构图像可视化的缺陷特征的稳定性；反正切atan归一化法将红外重构图像irri
o(k)
，k＝0,1,
…
,q中位于第i行第j列的数据点r
ij
对应的辐射值x
ij
进行缩放，得到新辐射值x
i(new)j(new)
：
[0113][0114]
其中，atan(x
ij
)是x
ij
的反正切函数；所有的红外数据点的辐射值归一化后得到的新辐射值x
i(new)j(new)
构成归一化图像k＝0,1,
…
,q；
[0115]
步骤s22、对归一化图像k＝0,1,
…
,q进行先膨胀后腐蚀的形态学处理，得到形态学处理图像k＝0,1,
…
,q；
[0116]
先对归一化图像k＝0,1,
…
,q进行膨胀处理，得到膨胀图像
[0117][0118]
其中，c是大小为r
×
r的邻域窗，r为奇数，邻域窗的中心像素为(r+1)/2，为图像膨胀处理过程：在移动邻域窗c的过程中，如果与图像存在重叠区域，则记录该位置，所有移动邻域窗c与图像存在交集的位置的集合为图像在邻域窗c作用下的膨胀图像再对膨胀图像k＝0,1,
…
,q进行腐蚀处理：
[0119][0120]
θ为图像腐蚀处理过程：移动邻域窗c，如果邻域窗c与图像的交集完全属于图像则保存该位置点，所有满足条件的点构成图像被邻域窗c腐蚀得到的腐蚀图像腐蚀操作结束得到的腐蚀图像也就是经先膨胀后腐蚀形态学处理得到的形态学处理图像
[0121]
k＝0,1,
…
,q；
[0122]
步骤s23、对形态学处理图像k＝0,1,
…
,q进行卷积滤波以提取缺陷的边缘、纹理等特征，得到缺陷特征图像irri
df(k)
，k＝0,1,
…
,q：
[0123][0124]
其中，f是大小为n
×
n的gabor滤波核，*表示对图像进行gabor卷积操作：将图像irri
df(k)
分成图像块，选择a个尺度，b个方向，组成ab个gabor滤波器组；gabor滤波器
组与每个图像块在空域卷积，每个图像块可以得到ab个滤波器输出，提取各个图像块的滤波器输出的均值构成大小为ab
×
1的列向量作为该图像块的缺陷特征；所有图像块的缺陷特征构成了缺陷特征图像irri
df(k)
，gabor滤波核各个位置(x,y)的定义式如下：
[0125][0126]
其中，
[0127]
x'＝x
·
cosθ+y
·
sinθ
[0128]
y'＝-x
·
sinθ+y
·
cosθ，
[0129]
其中，λ是正弦函数波长；θ是gabor核函数的方向；ψ是相位偏移；ε是带宽；γ是空间的高宽比，决定gabor核函数的形状。
[0130]
在上述技术方案中，所述步骤s3从损伤形态和区域对比两个方面，来对步骤s2得到的第k幅缺陷特征图像irri
df(k)
，k＝0,1,
…
,q的缺陷特征提取情况进行客观评估；由于红外重构图像中各个数据点的辐射值能够反映损伤信息，基于此，引入热辐射对比质量分数和损伤形态质量分数，再利用矩阵函数来对缺陷的形状、纹理等特征进行评估；将矩阵函数的分布函数与图像的功率密度进行类比，利用中心极限定理分别计算两个缺陷特征质量分数，具体步骤包括：
[0131]
步骤s31、计算归一化图像k＝0,1,
…
,q数据点辐射值的一阶(均值)矩函数k＝0,1,
…
,q和二阶(方差)矩函数k＝0,1,
…
,q：
[0132][0133][0134]
其中，z为归一化图像k＝0,1,
…
,q中红外数据点数目，xv为归一化图像k＝0,1,
…
,q中红外数据点的辐射值；
[0135]
步骤s32、计算缺陷特征图像irri
df(k)
，k＝0,1,
…
,q的一阶矩函数μ
df(k)
，k＝0,1,
…
,q和二阶矩函数k＝0,1,
…
,q：
[0136][0137][0138]
其中，k＝0,1,
…
,q，p为缺陷特征图像irri
df(k)
中红外数据点数目，xn为缺陷特征图像irri
df(k)
，k＝0,1,
…
,q红外数据点辐射值；
[0139]
步骤s33、对缺陷特征图像irri
df(k)
，k＝0,1,
…
,q按辐射值划分区域：将辐射值相同的红外数据点划分为一类，表示缺陷的一个特征，记为irt
df_l(k)
，k＝0,1,
…
,q；
[0140]
步骤s34、估计特征irt
df_l(k)
，k＝0,1,...,q辐射值的矩函数μ
df_(l)k
，k＝0,1,...,q
服从的分布：根据中心极限定理，均值μ
df_l(k)
服从均值为的正态分布：
[0141][0142]
其中，k＝0,1,...,q，p(μ
df_l(k)
)是μ
df_l(k)
的概率密度函数，为步骤s21求得的归一化图像的红外数据点辐射值均值，为μ
df_l(k)
服从的正态分布的方差；
[0143]
步骤s35、估计特征irt
df_l(k)
，k＝0,1,
…
,q辐射值的矩函数k＝0,1,
…
,q服从的分布：使用步骤s34中相同的估计，方差的分布接近均值的正态分布：
[0144][0145]
其中，k＝0,1,
…
,q，是的概率密度函数，为步骤s21求得的归一化图像的红外数据点辐射值方差，为服从的正态分布的方差；
[0146]
步骤s36、三σ原则分别计算k＝0,1,
…
,q和k＝0,1,
…
,q：
[0147][0148][0149]
其中，k＝0,1,
…
,q，为μ
df_l(k)
分布在区间的概率，为步骤s21求得的归一化图像的红外数据点辐射值均值；为分布在区间的概率，为步骤s21求得的归一化图像的像素点辐射值方差；为标准正态分布的分布函数；
[0150]
步骤s37、计算关于μ
df_l(k)
，k＝0,1,
…
,q的正态分布函数：
[0151]
μ
df_l(k)
，k＝0,1,
…
,q服从的正态分布为k＝0,1,
…
,q，随机变量rv
μ(k)
，k＝0,1,
…
,q关于μ
df_(l)k
，k＝0,1,
…
,q的正态分布函数k＝
0,1,
…
,q为：
[0152][0153]
步骤s38、计算关于k＝0,1,
…
,q的正态分布函数：k＝0,1,
…
,q服从的正态分布为k＝0,1,
…
,q，随机变量rv
σ(k)
，k＝0,1,
…
,q关于k＝0,1,
…
,q的正态分布函数k＝0,1,
…
,q为：
[0154][0155]
步骤s39、计算表征背景区域和各类型损伤红外重构图像缺陷特征的热辐射对比质量分数trc
(k)
，k＝0,1,
…
,q：
[0156][0157]
其中，k＝0,1,
…
,q，是随机变量rv
σ(k)
关于的正态分布函数；随机变量是通过标准化服从的均值为方差为正态分布获得的；
[0158]
步骤s310、计算表征背景区域和各类型损伤红外重构图像缺陷特征的损伤形态质量分数dm
(k)
，k＝0,1,
…
,q：
[0159][0160]
其中，k＝0,1,
…
,q，是随机变量rv
μ(k)
关于μ
df_l(k)
的正态分布函数；随机变量是通过标准化μ
df_l(k)
服从的均值为方差为正态分布获得的；
[0161]
步骤s311、若k＝0，即计算的是背景红外重构图像irri
o(0)
的质量分数：如果有trc
(0)
+dm
(0)
＞ξ，其中ξ为缺陷特征阈值，则认为背景图像中还有未被分离出来的损伤，返回步骤s1对未识别出来的损伤特征进行检测，提取缺陷特征，否则执行步骤s4。
[0162]
在上述技术方案中，所述步骤s4利用峰值信噪比来对步骤s2得到的第k幅缺陷特征图像irri
df(k)
，k＝0,1,
…
,q的自身图像质量进行客观评估，计算各类型损伤特征图像irri
df(k)
，k＝0,1,
…
,q的峰值信噪比p
(k)
：
[0163][0164]
其中，k＝0,1,
…
,q，表示缺陷特征irt
df_l(k)
和缺陷特征图像irri
df(k)
的均方差，m
×
n表示缺陷特征图像irri
df(k)
的大小，irt
df_l(k)
(i,j)表示缺陷特征irt
df_l(k)
在位置(i,j)处的辐射值，irri
df
(i,j)表示缺陷特征图像irri
df(k)
在位置(i,j)处的辐射值；max
irtdf_l(k)
表示缺陷特征irt
df_l(k)
的辐射值最大值。
[0165]
在上述技术方案中，所述步骤s5中，综合步骤s3得到的损伤特征评估结果和步骤s4得到的图像特征评估结果，分别计算背景区域和各类型损伤红外重构图像的总质量分数tqs
(k)
，k＝0,1,
…
,q：
[0166]
tqs
(k)
＝λ1·
trc
(k)
+λ2·
dm
(k)
+λ3·
p
(k)
,k＝0,1,
…
,q
[0167]
其中，为权重系数。
[0168]
在上述技术方案中，所述步骤s6中，基于步骤s5得到的红外重构图像的总质量分数tqs
(k)
，k＝0,1,
…
,q对红外重构图像的可信度进行评估，具体步骤为：如果有tqs
(k)
＜η，k＝0,1,
…
,q，其中η为损伤评估情况阈值，则认为当前红外重构图像对第k种损伤的提取结果不可信，返回步骤s1从红外序列中重新提取第k幅红外重构图像irri
o(k)
，再对第k种损伤的提取结果进行评估；如果重新评估第k种损伤的提取结果后，仍有tqs
(k)
＜η，则返回步骤s1重新对待检试件进行检测，重新采集红外序列，提取可视化第k种损伤的红外重构图像irri
o(k)
，再进行评估。
[0169]
在上述技术方案中，所述步骤s7中，对步骤s6得到各类型损伤的可信红外重构图像，利用可信的红外重构图像计算红外检测方案客观质量分数，具体步骤为：q张分别包含q种撞击损伤的红外重构图像的总质量分数tqs
(k)
计算完毕，计算红外检测方案客观质量分数id
oq
：
[0170][0171]
通过客观质量分数id
oq
来判断红外检测方案对缺陷提取的情况，id
oq
的值越大说明当前红外检测方案对航天器受到超高速撞击形成的复杂多类型缺陷的检测识别结果越好。
[0172]
在上述技术方案中，所述步骤s8中，基于步骤s7得到的红外检测方案客观质量分数id
oq
对所有超高速撞击损伤类型的识别性能进行评估；具体步骤为：如果有id
oq
＞ε，其中ε为损伤识别评估阈值，则认为当前检测方案能较好的识别所有类型的超高速撞击损伤，进一步基于当前检测方案提取的表征各类型损伤的红外重构图像对损伤进行定量计算的准确性更高；转至步骤s9对各类型的超高速撞击损伤进行定量计算；否则，返回步骤s1，从总质量分数tqs
(k)
＜ε的n张红外重构图像中，对幅红外重构图像重新进行评估，当为分
数时，向上取整；从红外序列中重新提取分别表征种超高速撞击损伤的幅红外重构图像，提高红外重构图像对损伤的表征效果，重新对这种损伤进行评估。
[0173]
通过上述步骤，本发明获得了检测方案t的客观质量分数id
oq
，从而实现了对检测方案t的客观评价。对检测方案进行客观且有效的评价，使得我们能够在缺陷定量识别的前期，提取和挖掘完整的复杂多类型的超高速撞击损伤信息，获得损伤特征清晰的高质量红外重构图像。提高进一步缺陷定量分析的准确性，提高整个超高速撞击损伤识别过程的精度。
[0174]
实施例
[0175]
在实验中，红外热像仪共采集了502帧像素大小为512
×
640的图像。经红外序列处理得到了3张大小为512
×
640的红外重构图像，红外缺陷重构图像如图3、图4和图5所示。可以根据红外重构图像颜色的凸显区域来判断重构图像中的表达区域类型，试件的区域类型有(a)撞击坑内部、(b)背景区域及(c)撞击坑边缘分别对应图3、图4和图5。
[0176]
首先对撞击坑内部缺陷的红外重构图像irri
o(1)
质量进行客观评价。本发明中，为了保证在后续处理中缺陷区域数据点的稳定性，我们对撞击坑内部缺陷的红外重构图像irri
o(1)
进行了归一化处理，撞击中心归一化图像如图6和图7所示。为了说明方法的有效性，我们截取了归一化前后部分红外数据点的辐射值作比较，如表1所示。实验结果证实本发明采取的归一化方法是有效的，归一化不会改变各数据点辐射值之间的关系，不会改变红外重构图像存储的损伤信息。说明了基于归一化图像去进一步评估检测方案的优劣是合理的。计算得到撞击中心归一化图像的一阶矩阵函数为0.3974，二阶矩阵函数为0.2187。
[0177]
表1 撞击中心红外重构图像归一化前后部分红外数据点辐射值对比
[0178][0179]
设置大小为3
×
3的邻域窗，对撞击中心归一化图像进行形态学处理，设置带宽ε为2π；空间的高宽比γ为0.5；正弦函数波长λ为12；θ为0，相位偏移ψ为0，得到撞击中心缺陷特征图像irri
df(1)
如图7所示。从图7可以看出，提取的撞击中心缺陷特征图像irri
df(1)
虽然模糊了一些背景信息，但是将缺陷特征完整保留下来。并且突出了缺陷信息，各区域之间的对比更加明显，便于进一步对缺陷提取情况进行客观评价。计算得到撞击中心缺陷特征图像irri
df(1)
的一阶矩阵函数μ
df(1)
为0.1749，二阶矩阵函数为0.2975。
[0180]
在撞击中心缺陷特征图像irri
df(1)
中，特征irt
df_l(1)
辐射值的均值μ
df_l(1)
服从的正态分布为：特征irt
df_l(1)
辐射值的方差服从的正态分布为：利用三σ原则分别计算不同特征irt
df_l(1)
辐射值的各矩阵函数服从的正态分布的分布的方差。计算得到撞击中心图像特征irt
df_l(1)
辐射值的均值μ
df_l(1)
服从的正态分布的方差为0.13252，则有μ
df_l(1)
～n(0.3974,0.13252)；方差服从的正态分布的方差为0.07292，则有具体参数如表2所示。
[0181]
表2 撞击中心图像缺陷特征质量分数计算
[0182][0183]
通过标准化服从的正态分布得到随机变量rv
σ(1)
，再基于随机变量rv
σ(1)
关于的正态分布函数计算热辐射对比度质量分数trc
(1)
。当缺陷的特征数目l趋于无穷时，撞击中心缺陷特征irt
df_l(1)
辐射值的各个矩阵函数的值与撞击中心缺陷特征图像irri
df(1)
中各个矩阵函数的值相同，即μ
df_l(1)
＝μ
df(1)
，所以当缺陷的特征数目l趋于无穷时，撞击中心图像特征irt
df_l(1)
辐射值的均值μ
df_l(1)
为0.1749，方差为0.2975。标准化撞击中心图像特征irt
df_l(1)
辐射值的方差服从的正态分布得到随机变量rv
σ(1)
为1.0801。计算热辐射对比度质量分数trc
(1)
为0.8600。热辐射对比质量分数trc
(1)
相关参数如表2所示。
[0184]
通过标准化μ
df_l(1)
服从的正态分布得到随机变量rv
μ(1)
，再基于随机变量rv
μ(1)
关于μ
df_l(1)
的正态分布函数计算损伤形态质量分数dm
(1)
。标准化撞击中心图像特征irt
df_l(1)
辐射值的均值μ
df_l(1)
服从的正态分布得到随机变量rv
μ(1)
为0.2586，计算得到损伤形态质量分数dm
(1)
：当前有μ
df_l(1)
＝0.1749，有所以当前损伤形态质量分数dm
(1)
具体的表达式为：计算得到损伤形态质量分数dm
(1)
为0.0931。损伤形态质量分数dm
(1)
相关参数如表3所示。
[0185]
表3 撞击中心图像的图像质量相关参数计算
[0186][0187]
撞击中心红外重构图像的均方差mse
(1)
为0.2596，特征最大辐射值为1.7221，计算得到撞击中心红外重构图像的峰值信号比p
(1)
为10.5758。峰值信噪比p
(1)
相关参数的具体计算结果如表4所示。撞击中心红外重构图像的热辐射对比度质量分数trc
(1)
为0.8600，其加权系数λ1设置为0.65；损伤形态质量分数dm
(1)
为0.0931，其加权系数λ2为0.3；
峰值信噪比为p
(1)
10.5758，其加权系数λ3设置为0.1，则红外重构图像总的质量分数tqs
(1)
为1.1158。
[0188]
表4 撞击中心图像总质量分数tqs
(1)
计算
[0189][0190]
按照相同的过程对撞击坑边缘缺陷的红外重构图像irri
o(2)
质量进行客观评价。首先对撞击坑边缘缺陷的红外重构图像irri
o(2)
进行了归一化处理，撞击坑边缘归一化图像如图8所示。为了说明方法的有效性，我们截取了归一化前后部分红外数据点的辐射值作比较，如表5所示。计算得到撞击边缘归一化图像的一阶矩阵函数为-0.2683，二阶矩阵函数为0.0814。如图9所示，提取撞击边缘特征图像irri
df(2)
，计算得到撞击边缘缺陷特征图像irri
df(2)
的一阶矩阵函数μ
df(2)
为0.0900，二阶矩阵函数为0.0901。
[0191]
表5 撞击边缘红外重构图像归一化前后部分红外数据点辐射值对比
[0192][0193]
撞击边缘图像特征irt
df_l(2)
辐射值的均值μ
df_l(2)
服从的正态分布的方差为(-0.0894)2，则有μ
df_l(2)
～n[-0.2683,(-0.0894)2]；方差服从的正态分布的方差为0.02712，则有具体参数如表3所示。标准化撞击边缘图像特征irt
df_l(2)
辐射值的方差服从的正态分布得到随机变量rv
σ(2)
为0.3225，计算得到热辐射对比度质量分数trc
(2)
为0.6265。热辐射对比质量分数trc
(2)
相关参数如表6所示。标准化撞击边缘图像特征irt
df_l(2)
辐射值均值μ
df_l(2)
服从的正态分布得到随机变量rv
μ(2)
为0.5720，计算得到损伤形态质量分数dm
(2)
为0.0001。损伤形态质量分数dm
(2)
相关参数如表6所示。
[0194]
表6 撞击边缘图像缺陷特征质量分数计算
[0195][0196]
撞击边缘红外重构图像的均方差mse
(2)
为0.1340，特征最大辐射值为1.4282，计算峰值信号比p
(2)
为11.8248。峰值信噪比p
(2)
相关参数的具体计算结果如表7所示：
[0197]
表7 撞击边缘图像的图像质量相关参数计算
[0198][0199]
计算得到撞击边缘红外重构图像总的质量分数tqs
(2)
为0.9985。总质量分数tqs
(2)
的相关参数计算结果如表8所示：
[0200]
表8 撞击边缘图像总质量分数tqs
(2)
计算
[0201][0202]
按照相同的过程对背景区域的红外重构图像irri
o(0)
进行质量评估。设置阈值ξ为0.5。计算得到背景区域的红外重构图像irri
o(0)
的热辐射对比质量分数tr
(c0)
为0.3179；损伤形态质量分数dm
(0)
为0.0129。有trc
(0)
+dm
(0)
＝0.3308＜ξ。所以损伤特征已被全部识别出来。背景区域的红外重构图像客观质量分数的计算结果如表9所示：
[0203]
表9 背景区域红外重构图像客观质量分数计算
[0204][0205]
设置损伤识别评估阈值ε为0.9。根据对撞击中心红外重构图像irri
o(1)
、撞击边缘重构图像irri
o(2)
和背景区域红外重构图像irri
o(0)
的客观质量评价结果，最后计算得到当前红外检测方案客观质量分数id
oq
为：
[0206][0207]
id
oq
＞ε，说明当前检测方案对所有类型的超高速撞击损伤都有较好的识别效果。实验结果证实本发明设计的缺陷评价方式能够结合红外图像质量和检测方案的检测流程客观评价红外检测方案对缺陷的提取情况。对检测方案进行客观且有效的评价，使得我们
能够在缺陷定量识别的前期，提取和挖掘完整的复杂多类型的超高速撞击损伤信息，获得损伤特征清晰的高质量红外重构图像。提高进一步缺陷定量分析的准确性，提高整个超高速撞击损伤识别过程的精度。
[0208]
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
[0209]
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。