基于混合活動(dòng)輪廓模型的超聲相控陣NDT圖像分割

劉永洛 王文強(qiáng) 馬立武

摘 要：超聲相控陣無損檢測圖像中往往含有大量的噪聲且灰度不均勻，嚴(yán)重降低了超聲相控陣圖像質(zhì)量。在采用常規(guī)方法分割超聲相控陣NDT圖像時(shí)，往往陷入局部最優(yōu)解，無法獲得準(zhǔn)確的邊界信息。基于LCV模型和改進(jìn)的GAC模型，提出一種新的分割方法，結(jié)合圖像全局信息、局部信息和梯度信息構(gòu)造了新的能量函數(shù)約束輪廓曲線的演化，并結(jié)合梯度信息與局部信息提出了一種新的邊緣停止函數(shù)，引入新的邊緣停止函數(shù)使模型的抗噪性更強(qiáng)。實(shí)驗(yàn)結(jié)果表明，該模型能夠處理灰度不均勻圖像，且對初始輪廓和噪聲不敏感。與以往算法相比，可有效避免陷入局部最優(yōu)解。

關(guān)鍵詞：活動(dòng)輪廓模型;缺陷分割;超聲相控陣;圖像分割;無損檢測

DOI：10. 11907/rjdk. 181831

中圖分類號：TP317.4文獻(xiàn)標(biāo)識碼：A文章編號：1672-7800（2019）001-0192-05

Abstract： The ultrasonic phased array NDT image contains a lot of noise and intensity inhomogeneity， which seriously reduces the quality of ultrasound phased array images. It is inclined to fall into the local optimal solution and unable get the accurate boundary information when using general methods to segment ultrasonic phased array NDT images. Combining the advantages of LCV model and improved GAC model， a hybrid active contour model is proposed. The new energy function utilizes global information， local information and gradient information of image to constrain the evolution of the contour. The new parameters of the regularization term and the penalty term are given respectively in the model. A new edge indicator function is proposed based on gradient information and local information. The new edge stopping function makes the model more robust. The experimental results show that the proposed model can deal with the image with intensity inhomogeneity， and it is insensitive to the initial contour and noise. Compared with the previous algorithm， the proposed method can avoid falling into the local optimal solution effectively.

0 引言

超聲相控陣是無損檢測領(lǐng)域的一項(xiàng)新興技術(shù)，憑借其無污染、穿透性強(qiáng)、安全性高等優(yōu)點(diǎn)成為當(dāng)前使用最廣的無損檢測方法之一。隨著超聲相控陣無損檢測技術(shù)在工業(yè)中的應(yīng)用，對超聲相控陣無損檢測圖像的處理也提出了更高要求，完整而準(zhǔn)確的邊緣信息是超聲相控陣無損檢測圖像三維重建和缺陷識別的重要前提。由于超聲成像機(jī)理和檢測環(huán)境的限制，超聲圖像中不可避免地存在漫反射噪聲，嚴(yán)重降低了超聲圖像質(zhì)量[1-2]，給超聲圖像分割帶來很大困難。超聲相控陣NDT圖像往往存在不止一處缺陷，基于水平集算法的活動(dòng)輪廓模型適用于多目標(biāo)分割，可得到完整的閉合輪廓信息，但是由于超聲相控陣NDT圖像中含有大量噪聲且灰度不均勻，因此使用以往的分割方法無法準(zhǔn)確分割目標(biāo)。

近年來基于水平集算法的活動(dòng)輪廓模型是一個(gè)研究熱點(diǎn)。針對不同種類的圖像以及不同的分割要求，學(xué)者們提出了大量的改進(jìn)算法：基于水平集算法的分割模型主要分為基于邊緣、基于區(qū)域和混合模型，基于邊緣的活動(dòng)輪廓模型通常利用圖像梯度信息建立能量函數(shù)，如Caselle等[3]提出的GAC模型，在邊界不明確的情況下，GAC模型很難使輪廓曲線收斂到真實(shí)邊界。基于區(qū)域的活動(dòng)輪廓模型建立在圖像灰度均勻統(tǒng)計(jì)假設(shè)基礎(chǔ)之上，例如CV模型假設(shè)圖像中前景和背景灰度是均勻的，因此CV模型在分割含噪聲圖像時(shí)效果較差，但其計(jì)算復(fù)雜度低，對初始輪廓曲線位置不敏感[4]。

單獨(dú)利用圖像的梯度信息或區(qū)域信息往往不能達(dá)到實(shí)際需求，因此學(xué)者們提出了大量混合模型，混合模型將圖像的梯度信息、區(qū)域信息聯(lián)合使用以達(dá)到較好的分割效果。文獻(xiàn)[5]利用分水嶺變換和灰度統(tǒng)計(jì)信息得到權(quán)重矩陣，提出了一種基于分水嶺算法的加權(quán)核映射水平集模型，減少了水平集函數(shù)迭代次數(shù)且分割精度較高。文獻(xiàn)[6]在紋理圖像的分割中，在能量函數(shù)中融入了局部高斯分布擬合項(xiàng)并考慮局部自相似性，提出了一種自相似性水平集模型，可有效分割具有合成或自然問題的圖像。文獻(xiàn)[7]結(jié)合圖像的局部和全局特征，構(gòu)造了一種新的非線性自適應(yīng)速度和加權(quán)概率停止力，可有效分割弱邊緣圖像。文獻(xiàn)[8]提出了一種自適應(yīng)局部區(qū)域型水平集分割算法，在局部區(qū)域中使用自適應(yīng)梯度權(quán)重信息，在灰度不均勻圖像的分割中取得了較好效果。文獻(xiàn)[9]利用圖像局部信息和全局信息提出了一種混合模型，對初始輪廓具有較高的魯棒性，提高了模型分割灰度不均勻圖像的效率和準(zhǔn)確性。文獻(xiàn)[10]提出了一種基于顯著性區(qū)域檢測和水平集的圖像快速分割算法，利用元胞自動(dòng)機(jī)模型得到圖像的初始化邊界曲線，采用改進(jìn)的距離正規(guī)化水平集方法實(shí)現(xiàn)了高效的圖像分割。文獻(xiàn)[11]在粗糙集數(shù)據(jù)離散化基礎(chǔ)上引入了針對圖像數(shù)據(jù)的離散化方法，在人工合成圖像和真實(shí)圖像的分割中取得較好效果。文獻(xiàn)[12]將局部熵的概念引入到圖像分割中，提出了一種基于局部熵的主動(dòng)輪廓模型，與LBF模型和LGDF模型相比具有更高的分割精度。文獻(xiàn)[13]利用邊緣特征和區(qū)域信息構(gòu)建能量泛函，提出了一種基于多紋理模型的參數(shù)化分割方法。文獻(xiàn)[14]將局部擬合能量和全局?jǐn)M合能量融合，在灰度不均勻圖像分割中取得一定成功。文獻(xiàn)[15]利用線性檢測器的線性組合，提出一種可有效分割彩色視網(wǎng)膜血管圖像的方法。文獻(xiàn)[16]提出了一種混合能量模型，包含一個(gè)基于圖像灰度的局部項(xiàng)和一個(gè)有效的基于間斷的全局項(xiàng)， 用于優(yōu)化動(dòng)脈圖像分割。文獻(xiàn)[17]利用活動(dòng)輪廓模型成功進(jìn)行了海陸分割。

超聲相控陣無損檢測圖像中含有散斑噪聲，上述方法在超聲相控陣NDT圖像的分割中并不適用，目前針對超聲相控陣NDT圖像的分割方法很少，因此亟需提出一種新的方法來滿足分割要求。

1 相關(guān)模型

1.1 LCV模型

式（1）中，[c1和c2]分別是閉合曲線內(nèi)部與外部的灰度均值， [d1和d2]分別是閉合曲線內(nèi)部與外部的局部灰度均值。[gk]是局部信息檢測的平均卷積算子，具有[k×k]大小的窗口。[α]和[β]是控制全局能量項(xiàng)與局部能量項(xiàng)比重的兩個(gè)正參數(shù)，[α]和[β]一般根據(jù)圖像中的灰度信息確定。[Hε（z）]和[δε（z）]分別為Heaviside函數(shù)及Dirac函數(shù)。

LCV模型利用了圖像的局部信息和全局信息，可有效分割灰度不均勻圖像，但在超聲相控陣NDT圖像的分割中，很容易將圖像中的噪聲作為目標(biāo)區(qū)域分割出來，大大降低了LCV模型的分割質(zhì)量，因此迫切需要一種新的模型應(yīng)用于超聲相控陣NDT圖像的分割。

1.2 水平集模型

李純明等[19]提出了一種新的GAC模型變分公式，將水平集函數(shù)近似為符號距離函數(shù)，因此該模型不再需要復(fù)雜的重新初始化過程。能量泛函如下：

2 本文模型

2.1 能量函數(shù)

超聲相控陣無損檢測圖像中含有特殊的散斑噪聲，在使用LCV模型、CV模型、LBF模型等進(jìn)行分割時(shí)極易將噪聲分割出來，極大降低了分割精度。本文在改進(jìn)的GAC模型和LCV模型基礎(chǔ)上提出了一種混合模型，該模型可同時(shí)利用圖像的局部信息、全局信息和梯度信息，模型如下：

在該模型中，在灰度較均勻的區(qū)域以改進(jìn)的GAC模型為主要驅(qū)動(dòng)力，而在靠近目標(biāo)邊緣的區(qū)域，由于灰度變化劇烈，則以LCV模型為主要驅(qū)動(dòng)力。提出的模型充分利用了圖像信息，提高了分割精度，同時(shí)對圖像中的噪聲和初始輪廓位置不敏感，實(shí)驗(yàn)結(jié)果后續(xù)給出。

2.2 算法基本步驟

本文分割方法步驟如下：①輸入超聲相控陣NDT原始圖像;②對原始圖像進(jìn)行預(yù)處理，使用高斯濾波去除噪聲，濾波算子尺寸為3×3，標(biāo)準(zhǔn)差為1.5;③初始化水平集輪廓曲線;④設(shè)定模型中的各參數(shù)，具體數(shù)值如表1所示;⑤開始水平集函數(shù)迭代，根據(jù)式（8）和式（9）更新[？]和[ω]，根據(jù)式（10）更新[μ2（1-ω）]和[ωμ2+1-ω];⑥檢查是否滿足迭代停止條件，如達(dá)到停止條件則停止演化，否則返回步驟5;⑦輸出分割結(jié)果。

本文模型算法流程如圖1所示。

3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)中使用的圖像由超聲相控陣儀器Phasor XS生成，實(shí)驗(yàn)環(huán)境為MATLAB R2016a，CPU 為Intel（R） Core（TM） i5-4590 處理器，主頻為3.30GHz，4G RAM，Windows 7操作系統(tǒng)。

3.1 本文模型分割效果演示

將本文模型和其它模型在超聲相控陣NDT圖像上進(jìn)行實(shí)驗(yàn)，圖2和圖3分別為原始圖像和人工分割結(jié)果。

文獻(xiàn)[14]基于CV模型和LBF模型提出了LCV模型。本文進(jìn)行5組實(shí)驗(yàn)，為充分驗(yàn)證本文模型對超聲相控陣NDT圖像的分割能力，實(shí)驗(yàn)中所有模型均采用適當(dāng)參數(shù)，以提高所有模型的分割效果。5種模型的分割過程與結(jié)果見圖4-圖8。

在原始圖像中可以看到一條明顯具有干擾性質(zhì)的豎線，這對分割精度產(chǎn)生極大的影響。在圖4-圖6中，CV模型、LBF模型和LCV模型無法克服此干擾，圖7雖然可以看到該模型克服了豎線影響，但輪廓曲線并未收斂到真實(shí)邊界。在超聲相控陣無損檢測圖像分割中， 通過大量實(shí)驗(yàn)得到各模型的合理參數(shù)值，表1給出了各模型參數(shù)的設(shè)置。

3.2 本文模型分割效果評價(jià)

為了評價(jià)分割效果，利用Hausdorff距離、Jaccard相似系數(shù)、Precision（精度）[20]和Recall（查全率）評價(jià)圖像分割質(zhì)量。Hausdorff距離是度量空間中真實(shí)子集之間的距離，可用來度量圖像分割中邊緣匹配的精度。根據(jù)該定義，可以知道Hausdorff距離越小的圖像分割效果越好。Jaccard相似系數(shù)是有限樣本集間相似性或差異性的度量，可作為衡量圖像分割質(zhì)量的參數(shù)，用來度量自動(dòng)分割和人工分割之間的相似性。根據(jù)Jaccard 相似系數(shù)原理可將其定義為：首先給定兩個(gè)集合A和B， Jaccard 相似系數(shù)可表示為A與B交集和A與B并集的比值：

4 結(jié)語

本文提出了一種基于LCV和改進(jìn)GAC模型的超聲相控陣無損檢測圖像融合分割方法。該融合算法利用超聲相控陣NDT圖像的局部信息、全局信息和梯度信息，在運(yùn)行時(shí)間和迭代次數(shù)上均有較好性能。該算法以最少35次的迭代收斂到目標(biāo)邊緣，比LCV算法運(yùn)行時(shí)間稍長，但比其它模型效率高很多?？陀^評價(jià)表明，該方法的精度優(yōu)于其它模型，提高了分割精度，可以獲得更精確的目標(biāo)邊緣，對超聲相控陣NDT圖像三維重建與缺陷定量分析具有重要意義。

參考文獻(xiàn)：

[1] 楊曉霞. 超聲相控陣汽車發(fā)動(dòng)機(jī)內(nèi)腔腐蝕檢測關(guān)鍵技術(shù)研究[D]. 天津：天津大學(xué)， 2014.

[2] 樊程廣. 超聲相控陣超分辨率成像方法研究[D]. 長沙：國防科學(xué)技術(shù)大學(xué)， 2014.

[3] CASELLES V，KIMMEL R，SAPIRO G. Geodesic active contours[J]. International Journal Computer Vision， 1997，22（1）：61-79.

[4] CHAN T，VESE? L. Active contours without edges[J]. IEEE Transaction on Image Process， 2001， 10 （2）：266-277.

[5] ZHANG Y C，GUO H，CHEN F， et al. Weighted kernel mapping model with spring simulation based watershed transformation for level set image segmentation[J]. Neurocomputing， 2017（3）： 249-250.

[6] LIU L X，F(xiàn)AN S M，NING X D， et al. An efficient level set model with self-similarity for texture segmentation[J]. Neurocomputing， 2017（5）：266-267.

[7] 周鳳麗，于海平，龔江河. 非線性自適應(yīng)水平集的圖像分割方法[J]. 軟件導(dǎo)刊，2017，16（7）： 191-194.

[8] 劉帥，夏莉，周燕飛，等. 自適應(yīng)局部區(qū)域型水平集分割算法 [J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2017， 26（11）： 145-151.

[9] 蔡青，劉慧英，周三平，等. 基于局部和全局信息的自適應(yīng)水平集圖像分割[J]. 強(qiáng)激光與粒子束，2017，29（2）：28-35.

[10] 葉鋒，李婉茹，陳家禎，等. 基于顯著性區(qū)域檢測和水平集的圖像快速分割算法[J]. 電子與信息學(xué)報(bào)，2017， 39（11）： 2661-2668.

[11] 張迎春，郭禾. 基于粗糙集和新能量公式的水平集圖像分割[J]. 自動(dòng)化學(xué)報(bào)，2015， 41（11）： 1913-1925.

[12] 潘改，高立群，趙爽. 基于局部熵的主動(dòng)輪廓模型[J]. 中國圖象圖形學(xué)報(bào)，2013， 18（1）： 78-85.

[13] LUO S，TONG L，CHEN Y. A Multi-region segmentation method for SAR images based on the multi-texture model with level sets[J]. IEEE Transactions on Image Processing， 2018，27（5）：2560-2574.

[14] BOUTICHE Y. Fast algorithm to minimize model combining dynamically local and global fitting energy for image segmentation[C]. The 3rd International Conference on Control， Engineering & Information Technology （CEIT）， Tlemcen， 2015：1-6.

[15] BISWAL B， POOJA N T，BALA SUBRAHMANYAM. Robust retinal blood vessel segmentation using line detectors with multiple masks[J]. IET Image Processing ，2018，12（3）：389-399.

[16] JAWAID M M， RAJANI R， LIATSIS P， et al. A hybrid energy model for region based curve evolution-application to CTA coronary segmentation[J]. Computer Methods and Programs in Biomedicine，2017（144）： 189-202.

[17] 于芳，梁英杰，昂朝群. 基于幾何活動(dòng)輪廓的海陸分割方法研究[J]. 軟件導(dǎo)刊，2016， 15（11）： 190-192.

[18] WANG X， HUANG D， XU H. An efficient local Chan-Vese model for image segmentation[J]. Pattern Recognition，2010， 43（3）：603-618.

[19] LI C M， XU C Y. Level set evolution without re-initialization： a new variational formulation[C]. San Diego： Computer Society Conference on Computer Vision and Pattern Recognition， 2005：430-436.

[20] 張石， 董建威， 佘黎煌. 醫(yī)學(xué)圖像分割算法的評價(jià)方法[J]. 中國圖象圖形學(xué)報(bào)， 2009， 14（9）： 1872-1880.

[21] PENG B， ZHANG L， MOU XQ. Evaluation of segmentation quality via adaptive composition of reference segmentations[J]. Ieee Transactions On Pattern Analysis And Machine Intelligence，2017， 39（10）： 1929-1941.

（責(zé)任編輯：杜能鋼）