基于高通滤波和直方图均衡的钢轨裂纹红外图像增强技术

?

基于高通滤波和直方图均衡的钢轨裂纹红外图像增强技术

贾文晶，顾桂梅，刘 丽

(兰州交通大学自动化与电气工程学院，兰州 730000)

摘 要：针对钢轨裂纹红外图像采集过程中产生的噪声大、对比度低的问题，以及传统直方图均衡化方法在对红外图像增强时灰度级减少和细节信息丢失等不足，提出频域增强与空域增强相结合的红外图像增强算法，以弥补传统算法在红外图像增强时的不足。在空间域上采用直方图均衡化对红外图像进行处理，提高图像对比度降低图像噪声；在频率域上采用高通滤波对红外图像进行锐化处理，增强图像的边缘和细节信息。仿真结果表明：该算法在对钢轨裂纹红外图像增强时很好地抑制了背景噪声，而且有效地凸显了钢轨裂纹内部微弱的细节纹理，保护图像的细节信息，为更好地提取钢轨裂纹的缺陷信息提供条件。

关键词：裂纹红外图像；灰度级；图像增强；直方图均衡化；图像锐化

钢轨是铁路运输系统的重要组成部分之一，承载着引导列车运行和承受车轮压力的重要作用，钢轨的健康状态是保证列车安全稳定运行的前提，一直以来被业界人员誉为铁路事业的生命线。近年来，由于钢轨断裂引起了多起铁路交通事故，不仅造成了国民经济损失和社会不良影响，甚至还发生了严重的人员伤亡情况，因此钢轨裂纹检测研究在当前铁路运输系统中显得尤为重要[1]。

传统的钢轨检测技术主要有超声波探伤技术、基于漏磁信号的钢轨检测技术、涡流探伤技术和图像处理探伤技术[2]。图像处理探伤技术主要是利用工业CCD线阵摄像机拾取轨面图像信息，然后基于对图像进行处理和分析的基础上，将缺陷信息从图像中提取出来，通过模式识别完成对钢轨裂纹的伤损检测。但其缺点是无法实现轨头内部缺陷的检测，只能检测轨头剥离和钢轨表面裂纹，基于此，本文采用红外热波检测技术检测钢轨内部裂纹缺陷[3]。红外热波检测技术主要是采用红外热像仪采集钢轨轨面图片，然后对其处理和分析，将各个像素点的温度信息提取出来，通过对比温度数据可以对钢轨裂纹的缺陷信息进行识别。但是因为钢轨和空气间会持续发生热辐射和热传递且红外光线具有较长波长的特点，另外，红外热像仪本身性能的好坏、钢轨表面与红外热像仪间距离大小等实际因素的影响，造成了红外图像的信噪比低、空间相关性强、对比度低、边缘模糊等特点，严重影响了钢轨裂纹细节像素点的定位[4]。因此，需要对红外图像进行增强处理，滤除噪声和边缘增强以提高红外图像的质量。

红外图像增强研究中最重要的就是选择适当的增强算法，目前，国内外针对红外图像增强提出了很多新的算法。侯洁等人在文献[5]中提出高通滤波和图像增强的红外小目标检测方法，该方法减少了目标丢失的现象，检测结果准确高效，但是其缺点是直接对原始红外图像进行高通滤波处理，在增强小目标的同时增强了图像噪声。尹士畅等人在文献[6]中提出小波变换和直方图均衡化的红外图像增强算法，该方法有效提高图像对比度的同时降低了图像噪声，但是缺点是导致了图像的细节信息丢失的现象。上述两种方法从不同的角度对红外图像进行增强各有利弊，由此得到启发，本文提出了一种基于高通滤波和直方图均衡化相结合的红外图像增强算法。在空间域运用直方图均衡化对红外图像进行处理，提高图像信噪比，在频率域运用高通滤波处理图像，减少图像细节信息丢失和边缘模糊的现象，通过频域和空域结合的增强方法，提高了红外图像的质量。

1 传统图像增强算法

1.1 直方图均衡化

空间域的红外图像增强方法主要有灰度映射、直方图均衡化和空域滤波等，下面主要介绍传统直方图均衡化对钢轨裂纹红外图像的增强[7]。直方图均衡化属于间接对比度增强，利用图像直方图对钢轨裂纹红外图像的对比度进行调整以增加图像的局部对比度，由于红外图像自身特性的原因造成了红外图像的对比度相当接近，通过直方图均衡化的方法可以让亮度更好地在直方图上分布，这样就可以增强局部的对比度而不影响整幅图像的对比度[8]。直方图均衡化方法对钢轨裂纹红外图像处理是通过非线性拉伸的方式重新分配了图像的像素值，灰度值出现概率小的像素值会被压缩，出现多的像素值会被拉伸，目的是把原始红外图像的灰度直方图从比较集中的某个灰度区间变为灰度均匀分布的形式，虽然整体提高了图像对比度和降低了图像噪声，但是造成了红外图像边缘模糊和钢轨裂纹细节像素丢失的问题[9]。

直方图均衡化的基本原理是：直方图均衡化是把钢轨裂纹红外图像的直方图在整个灰度范围内变为均匀分布的形式，展宽灰度值占有量大的像素区域的灰度范围，压缩灰度值占有量小的像素区域的灰度范围，以增加钢轨裂纹红外图像像素灰度值的动态范围，从而增强图像的整体对比度[10]。设原始钢轨裂纹红外图像在(x，y)处的灰度为f，而改变后的图像为g，则对图像增强的方法可表述为将在(x，y)处的灰度f映射为g (其中L为图像的灰度级数)。

对于一幅图像，其灰度级为fk出现的概率近似为

(1)

其中，fk为第k级灰度；nk为图像中灰度级为fk的像素个数；n为像素总个数。

直方图变换函数为

(2)

上述求和区间为0到k，根据式(2)可以由原钢轨裂纹红外图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值。在实际运用直方图均衡化变换时，先对原始钢轨裂纹红外图像的灰度情况进行统计分析并计算出原始直方图分布，然后根据计算出的累计直方图分布求出fk到gk的灰度映射关系，按照这个映射关系对钢轨裂纹红外图像各点像素进行灰度转换，即可完成对钢轨裂纹红外图像的直方图均衡化。

1.2 高通滤波

频率域中滤波器可分为高通滤波器和低通滤波器，在傅里叶变换中低频成分主要显示了红外图像的灰度级，而图像的边缘和细节信息主要在图像的高频部分[11]。红外图像的模糊是由于高频成分比较弱产生的，高通滤波器可以让高频成分通过，适当抑制图像的低频成分，再经逆傅立叶变换得到边缘锐化后的图像，可以突出红外图像边缘和细节信息。常用的高通滤波器有理想高通滤波器、巴特沃斯高通滤波器和高斯高通滤波器，以上3种高通滤波器在对钢轨裂纹红外图像进行锐化时都取得了较好的结果，但是由于钢轨裂纹红外图像背景的复杂性，理想高通滤波器存在明显的“振铃”现象，在钢轨裂纹红外图像的细节像素的检测上存在劣势；巴特沃斯高通滤波器虽然“振铃”现象很微小，有利于检测钢轨裂纹红外图像微小的细节信息，但它有较长的过渡带，在过渡带上很容易造成红外图像失真。下面主要介绍高斯高通滤波器，它不仅可以有效检测钢轨裂纹红外图像的细节像素，而且它具有较短的过渡带，不容易造成图像失真[12]。

频率域红外图像增强首先要将空间域中的红外图像通过离散傅里叶变换转换到频率域，假设钢轨裂纹红外图像f(x，y)，其傅里叶变换为

(3)

其次，借助高斯高通滤波器进行处理[13]，通过傅里叶逆变换再把图像变回空间域。高斯高通滤波器的传递函数为

(4)

D0为截止频率距原点距离，其中D(u，v)为点(u，v)到原点的距离。

(5)

2 改进图像增强算法分析

对于钢轨裂纹红外图像来说能量主要集中在图像的低频部分，边缘信息和细节信息主要在其高频部分，这就造成了图像在经过传统直方图均衡化处理之后边缘模糊和裂纹处细节像素丢失的问题。若要较好地避免这些问题，可以采用高通滤波的方法对钢轨裂纹红外图像进行锐化处理，因为采用高斯高通滤波器能够使图像高频成分的信息顺利通过，从而适当抑制图像的低频成分，从而达到减少细节像素丢失和边缘模糊的现象[14]。由于图像锐化后会降低图像性噪比，增强图像细节信息的同时也增强了图像噪声，所以要先对图像去除噪声之后再进行锐化处理。针对以上问题本文创新提出了空间域和频率域相结合的红外图像增强算法，在空间域上运用传统的直方图均衡化对红外图像进行增强，提高图像的信噪比；在频率域运用高斯高通滤波对图像进行锐化，保护图像边缘和细节信息。

本文算法的具体思路如下。

步骤1：根据式(2)运用传统直方图均衡化方法对原始钢轨裂纹红外图像进行处理；

步骤2：对步骤1处理后的图像乘以(-1)x+y进行中心变换；

步骤3：根据式(3)对步骤2的结果进行离散傅里叶变换，得到F(u，v)；

步骤4：用步骤3得到的F(u，v)乘以式(4)高斯高通滤波函数H(u，v)，得到傅里叶逆变换的结果；

步骤5：对步骤4的结果乘以(-1)x+y，得到最终结果。

3 实验结果及分析

如图1所示，是利用红外热像仪拍摄的钢轨裂纹红外图像效果最好的一帧，对该图没有进行任何的处理。从图1可以看出，未经过处理的原始红外图像中裂纹轮廓比较模糊，整体亮度偏暗，与其他部分比较对比度较差，部分裂纹和掉块的灰度层级被湮没，视觉效果不明显，这是由于在拍摄过程中钢轨与空气之间发生了热传递和红外热像仪自身的性能欠佳的原因[15]。

图1 原始图像

在Matlab_R2010a仿真平台下，先后利用传统直方图均衡化方法，高通滤波锐化方法，以及直方图均衡化和高通滤波结合的方法分别对原始钢轨裂纹红外图像进行处理，各种方法的处理结果分别如图3、图5和图7所示，图2为原始图像直方图，各方法处理后的直方图分别如图4、图6和图8所示。

图2 原始图像直方图

图3 直方图均衡化

图4 直方图均衡化直方图

图5 高通滤波

图6 高通滤波直方图

图7 本文算法

图8 本文算法直方图

从图2可以看出，钢轨裂纹原始红外图像经过传统直方图均衡化方法处理之后，与图1相比图像亮度增强，连续性比较好，噪声有所降低，但是造成了图像边缘模糊和细节像素丢失的现象；从图3可以看出，钢轨裂纹原始红外图像经过高通滤波锐化之后，图像的视觉效果增强，图像边缘和裂纹轮廓线变的更加清晰，裂纹细节被加强的同时图像噪声也被加强；从图4可以看出，将直方图均衡化和高通滤波算法相结合对钢轨裂纹原始红外图像进行处理之后，不仅改善了图像的很多噪声特性，同时保留了图像的很多细节像素，兼顾了图像的视觉效果，相比图2和图3，更好地凸显了钢轨裂纹的细节缺陷信息，从而突出了该算法的对于钢轨裂纹红外图像增强的优越性。

4 结论

传统的直方图均衡化算法在红外图像增强上存在图像细节信息丢失和边缘模糊等不足。针对这个问题本文提出了在空间域上运用直方图均衡化对原始红外图像进行处理，把处理后的图像经过离散傅里叶变换转换到频率域中，然后在频率域上运用高斯滤波器对图像进行锐化处理，最后把锐化后的图像经过傅里叶逆变换转换回空间域中。研究结果表明，本文算法在对钢轨裂纹红外图像增强时，弥补了单一算法图像增强时的不足，不仅降低了图像噪声，还更好地保护了图像边缘信息和钢轨裂纹细节像素值，从而达到了更好的钢轨裂纹红外图像增强效果。

参考文献：

[1] 赵雪芹.钢轨接触疲劳裂纹形成机理研究[D].成都：西南交通大学，2006.

[2] 李东侠，张大勇.钢轨焊缝超声波探伤方法的研究与应用[J].铁道标准设计，2012(12)：27-30.

[3] 安辉.红外探测技术在隧道超前地质预报中优、缺点探讨[J].铁道标准设计，2014，58(3):101-104.

[4] 顾桂梅，黄涛.基于自适应多尺度积阈值的钢轨裂纹红外图像增强[J].铁道学报，2015(2):58-63.

[5] 侯洁，辛云宏.基于高通滤波和图像增强的红外小目标检测方法[J]. 红外技术，2013(5):279-284.

[6] 尹士畅，喻松林.基于小波变换和直方图均衡的红外图像增强[J].激光与红外，2013，43(2):225-228.

[7] 郭师虹.空域红外图像增强方法的研究[D].西安：西安建筑科技大学，2005.

[8] JI T L， Sundareshan M K， Roehrig H. Adaptive image contrast enhancement based on human visual properties[J]. IEEE Transactions on Medical Imaging， 1994，13(4):573-586.

[9] 曾祥通，张玉珍，孙佳嵩，等.颜色对比度增强的红外与可见光图像融合方法[J].红外与激光工程，2015，44(4):1198-1202.

[10]吴成茂.直方图均衡化的数学模型研究[J].电子学报，2013，41(3):598-602.

[11]魏俊，李弼程.基于IHS变换、小波变换与高通滤波的遥感影像融合[J].信息工程大学学报，2003，4(2):46-50.

[12]吴连喜.一种保持光谱特征的图像融合方法—高通滤波融合法[J].国土资源遥感，2003(4):26-29.

[13]张威.数字图像增强的研究及其实现[D].武汉：长江大学，2014：10-14.

[14]贾其，吕绪良，吴超，等.基于人眼视觉特性的红外图像增强技术研究[J].红外技术，2010，32(12):708-712.

[15]徐建华.图像处理与分析[M].北京：科学出版社，1992.

Infrared Image Enhancement Technology Based on High Pass Filter and Histogram Equalization for Rail Crack Detection

JIA Wen-jing， GU Gui-mei， LIU Li

(School of Automation and Electrical Engineering， Lanzhou Jiaotong University， Lanzhou 730000， China)

Abstract：Low contrast and noise of infrared image acquisition process of rail crack in the traditional histogram equalization method may lead to infrared image edge blur and information loss in infrared image enhancement. In this paper， an infrared image enhancement algorithm based on the combination of frequency domain and spatial domain is proposed to make up for the inefficiencies of the traditional algorithm in infrared image enhancement. Histogram equalization is used in the spatial domain to deal with infrared image， which improves the gray contrast of the image. While， in the frequency domain， high pass filter is employed to sharpen the infrared image and enhance the edge of the image and details. Simulation results show that the algorithm in rail crack infrared image enhancement can better suppress background noise， effectively highlight rail crack faint details， protect the details of the image information， facilitate extraction of rail crack defect information．

Key words：Crack infrared image; Gray level; Image enhancement; Histogram equalization; Image sharpening

收稿日期：2016-04-12；

修回日期：2016-05-11

基金项目：甘肃省科技计划资助(1598RJZA059)

作者简介：贾文晶(1991—)，女，硕士研究生，主要研究方向为钢轨裂纹检测与图像处理，E-mail:[e-mail]。

通信作者：顾桂梅(1970—)，女，副教授。

文章编号：1004-2954(2016)11-0041-04

中图分类号：U213.4

文献标识码：A

DOI：10.13238/j.issn.1004-2954.2016.11.011