中图分类号：TP301.6 文献标识码：A 文章编号：1007-9416（2015）09-0000-00
1 引言
由于X射线焊缝底片图像的差异性很大，在实际工程应用中，难免会碰到局部对比度很低的焊缝底片。根据X射线焊缝数字图像的特点，缺陷影像的边缘模型绝大部分属于斜坡型，理想的阶跃型边缘由于模糊度较大而很少见，噪声信息也较大[1-2]。而对于这种情况很难找到一个合适的阈值将背景与边缘区分开。边缘检测是根据引起图像灰度变化的物理过程来描述图像中灰度变化的过程[3]。传统的Canny边缘检测算法[4-5]，Roberts边缘检测算法[6]或者阈值分割方法[7]较难准确地提取出缺陷边缘。
本文提出基于数学形态学[8]的焊缝缺陷提取的一种综合算法，将数学形态学和数字剪影法进行融合，能够有效提取特征信息。
2 基于数学形态学的缺陷提取算法
2.1 算法原理
首先对对比度很低的焊缝区域进行多尺度局部增强，bottom-hat变换可以从图像中提取比结构元素小的暗物质，通过变换后可以得到比背景暗的细节图像。Bottom-hat变换如下式：
（1）
对原始图像进行分析得
（2）
上式第一部分为闭操作，第二部分为bottom-hat变换，即为图像的暗特征，它表明了在原始图像中局部对比度的变化。
此处对该式进行改进，在式中增加控制系数，则变为下式：
（3）
为增强后的图像， 为控制系数， 取大于1的值时，该变换式可以使图像中的暗特征更暗，从而改善局部对比度。
综上，采用不同尺寸的结构元素对图像进行一系列的bottom-hat变换，则可提取图像中不同尺寸的结构特征，有选择地对这些特征进行处理。但是以上都是使用的同一种结构，而数学形态学运算的优势不仅在于灵活多变的形态学变换方式，结构元素的选取同样也会影响数学形态学操作的效果，因而可以利用多结构元形态学处理思想进行改进，最终可实现多尺度多结构局部对比度增强。
2.2 算法优化及实现
本章提出的算法具体步骤如下：
（1）首先将增强过的焊缝图像做反色变换处理，可以使数字减影后的缺陷呈现白色，便于观察。
（2）对经过灰度变换处理过的图像采用本章提出的基于多尺度多结构数学形态学的方法对特征进行提取。结构元素分别取半径为1、2、3的圆，长度为1、3、5且角度为0度的线段，长度为1、3、5且角度为90度的线段。 的取值为5。
（3）最后由于经过数字减影技术处理后的图像会产生噪声，需要对其采用基于数学形态学二值化算法进行处理。即可得到最终的缺陷图像。
3 特征提取仿真实验
以含有气孔缺陷的低对比度焊缝图像作为实验图像，对其做缺陷提取。图1是X射线焊缝底片图像处理的整个过程。对于局部分别率较低的底片图像，由于去噪会将微小的缺陷过滤掉，且模糊增强并不适合对局部分别率低的图像进行增强，所以不进行预处理。
首先将原始图像（a）做反色处理，因为焊缝底片是负片，缺陷颜色呈现黑色，故直接减影在黑色背景中识别不出来，应该先将图像（a）做反色。得到图（b）。
对图（b）用数学形态学方法模拟出背景图像然后和图（b）做相减处理。模拟背景时采用半径为3的圆形结构元素。图（c）是经过数字减影后的图像。
图（d）是经过基于数学形态学的阈值分割后的图像。采用半径为1的圆作为结构元素。可见，最终得到的分割比较干净。特征得以很好得识别。
（a）原始图像
（b）反色变换
（c）数学形态学算法
（d）数学形态学二值化
图1 焊缝图像处理结果
将原始图像分别采用传统边缘检测算法进行边缘检测，并与本章提出的特征提取算法相比较，如图2所示：
（a）Canny边缘检测算子
（b）Roberts边缘检测算子
（c）本章算法
图2 特征提取效果比较
提取实验结果表明，该提取方法对于局部和整体对比度不高的图像具有较好效果，图像分割较干净，能敏锐得捕捉到真正的缺陷，没有伪缺陷出现，能为以后评片技术人员或者计算机对缺陷类型的识别提供较准确的依据。
4 结语
本文结合了数学形态学方法和数字减影技术的优点，提出了数学形态学与数字减影法相结合的缺陷提取方法。以减影法为基础，将其焊缝自身进行基于数学形态学方法处理后作为背景，提取的缺陷不仅能够保持原来的形状，而且不局限于缺陷的大小和类型，具有很好的通用性与自适应性。
