基于Retinex模型和G...的铁路货车铸件DR图像增强_任雨霞.pdf

第 20 卷 第 2 期2023 年 2 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 2February 2023基于Retinex模型和GTV的铁路货车铸件DR图像增强任雨霞1,2，曾理1,2(1.重庆大学 数学与统计学院，重庆 401331；2.重庆大学 工业CT无损检测教育部工程研究中心，重庆 400044)摘要：铁路运输已成为我国最重要的运输方式之一，铁路货车部件(摇枕、侧架等)的铸造缺陷(气孔、裂纹等)可能造成交通事故。由于铁路铸件自身的不均匀性会导致原始DR图像灰度不均，不易捕捉缺陷细节，因此需要对原始DR图像进行图像增强等操作检测缺陷。基于Retinex模型，同时考虑目标的光照强度和材质信息，将图像分解为光照图和反射图。基于高斯全变分(GTV)的保护图像边缘滤波器可以平滑光照图像，并且可以移除光照图的纹理细节，因此缺陷等细节就暴露在反射图中。对于铁路货车铸件的缺陷识别问题，结合Retinex和GTV方法，提出一种改进的Retinex增强模型，利用GTV和基于纹理感知的加权项对Retinex分解过程中的光照图和反射图进行正则化。此外，用交替优化算法求解该模型。最后，将能够反映图像缺陷细节的反射图作为最终增强图像。此方法得到的图像不仅保留了图像的结构信息，还明显暴露了图像的缺陷细节。实验结果表明，与其他已有的模型相比，该模型增强缺陷效果显著，此外，该模型提高了DR图像的信息熵、平均梯度等量化指标。与原图相比，增强后图像的信息熵提高了8%以上，平均梯度至少提高为原来的6倍。此方法提高了DR图像检测缺陷的能力，可以应用于铁路货车铸件等无损检测领域。关键词：铁路货车铸件；缺陷检测；图像增强；Retinex模型；高斯全变分中图分类号：U216.3；TP391.4 文献标志码：A 开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）02-0706-08DR image enhancement of railway freight car castings based on Retinex model and GTVREN Yuxia1,2,ZENG Li1,2(1.College of Mathematics and Statistics,Chongqing University,Chongqing 401331,China;2.Engineering Research Center of Industrial Computed Tomography Nondestructive Testing of the Education Ministry of China,Chongqing University,Chongqing 400044,China)Abstract:Railway transportation has become one of the most important transportation modes in China.Casting defects(pores,cracks,etc.)of railway freight car parts(such as pillow or side frame)may cause traffic accidents.Since the inhomogeneity of the railway castings could cause uneven gray scale of the original DR images,it is difficult to capture the defect details.Therefore,image enhancement and other operations should be performed on 收稿日期：2022-02-28基金项目：国家自然科学基金资助项目(61771003)通信作者：曾理(1959-)，男，四川成都人，教授，博士，从事CT/DR图像重建和处理方面的研究；E-mail：DOI:10.19713/ki.43-1423/u.T20220356第 2 期任雨霞，等：基于Retinex模型和GTV的铁路货车铸件DR图像增强the original DR images to detect the defects.The model based on Retinex takes into account both the illumination intensity and material information of the target and decomposes the images into illumination and reflection ones.The protective image edge filter based on Gaussian Total Variation(GTV)can smooth the illumination images and remove the texture details of the illumination images so that the details of defects are exposed in the reflection image.For defect identification of railway truck castings,an improved Retinex enhanced model was proposed,which used GTV and texture perception based weights to regularize the illumination and reflection maps in the process of Retinex decomposition.In addition,an alternative optimization algorithm was used to solve the model.Finally,the reflection image reflecting the details of the image defect was used as the final enhanced image.The image obtained by this method not only retains the structure information of the image,but also obviously exposes the defect details of the image.The experimental results show that compared with other existing models,this model enhances the defects significantly.In addition,the information entropy and mean gradient of DR Images were improved.Compared with the original images,the information entropy of the enhanced image was increased by more than 8%,and the average gradient was increased by at least 6 times.This method improved the ability of DR image detection and can be applied to non-destructive testing of railway truck castings.Key words:railway truck casting;defect detection;image enhancement;Retinex model;Gaussian total variation 由于生产工艺的限制，铁路货车铸件可能会出现缺陷，缺陷位置可大体划分为外部及内部缺陷1，铁路铸件的外部缺陷可通过观察直接分辨，而内部缺陷需经过数字化X线摄影(Digital Radiography,DR)等无损检测技术勘测。目前，已经存在一些钢轨表面缺陷检测技术，如顾桂梅等 23提出的缺陷检测方法。但这些方法对于检测铁路货车铸件的内部缺陷效果不佳。由于铁路货车铸件厚薄不均，反映在原始DR图像上呈现灰度不均的特点，不利于检测员对对比度较低的DR图像缺陷做出判断，因此，增强待检测区域的缺陷尤为重要。传统的图像增强方法主要有：1)统计方法。如直方图均衡化(Histogram Equalization，HE)算法。此外，出现了一些改进的 HE 算法，如 SHANKAR等4提出的 BBHE 算法，CHEN 等5提出的 MMBEBHE算法，WANG等6提出的局部直方图均衡化方法。基于直方图的方法旨在优化图像直方图的形状7，该方法原理简单，但往往只计算像素的强度，而忽略了像素的空间信息，因此，该方法往往增强效果不佳。2)Retinex方法。Retinex理论假设观测图像可以分解为光照图和反射图8。早期该方法使用高斯滤波器来估计平滑光照图，并直接将反射图作为最终的结果图。然而，这些方法往往导致图像过度增强和增强结果不自然等不同方面的负面效应。GUO等9提出一个结构感知的平滑模型来优化光照图，REN 等10提出低秩正则化 Retinex模型(LR3M)，XU等11提出一种新的结构和纹理感知的Retinex(STAR)模型，HAO等12提出一种基于Retinex的半解耦模型。这些方法对于自然图像的增强取得了比较好的效果，而对于铁路铸件DR图像增强缺陷效果不明显。随着深度学习的发展，图像增强技术取得了很大进展。钟嘉俊等13基于改进的Faster R-CNN识别焊缝缺陷，LORE等14提出一种基于深度自动编码器的学习方法(LLNET)，CHEN 等15提出一种全卷积网络结构，在真实的微光图像上可以取得较好的增强效果，Retinex-Net16对于自然图像的增强也产生较好效果。虽然深度学习方法已获得广泛应用，但传统方法是人类长时间知识积累的结果，不需大量配对图像或标记图像进行训练，其模型和方法具有可解释性，容易使使用者信服其结果，而且可根据相关知识进行改进，所以仍然有研究价值。基于数据的深度学习方法与基于知识的传统方法各有所长，但二者的适用场景和条件不同，很难公正地比较。随着小样本甚至单样本深度学习网络的发展，结合传统方法的深度学习方法也在发展中。707铁 道 科 学 与 工 程 学 报2023 年 2月针对铁路货车铸件DR图像对比度低、缺陷等细节显示不足的问题，为了在保持图像整体结构和细节信息的同时有效增强图像，本文设计一种基于Retinex 理论和高斯全变分(Gaussian Total Variation,GTV)的增强模型。根据理想光照图的充分光滑性和反射图应包含尽可能多纹理细节的特性，将图像分解为光照图和反射图进行估计。其中，利用基于GTV的理论估计图像光照图，利用指数局部导数作为权重项来更好地提取有意义的纹理细节反射图。最后，将体现图像纹理细节的反射图作为增强图像，从而实现增强图像缺陷细节的目的。1 基于 Retinex 模型和 GTV 的增强方法针对增强铁路铸件DR图像缺陷的问题，提出一种利用GTV和基于纹理感知的加权项对Retinex分解过程中的光照图和反射图进行正则化的模型。其中，基于GTV的理论可以较好地显示图像的整体结构，缺陷等细节信息留在反射图中，基于纹理感知的加权项促进了图像细节信息的提取。最后，采用交替迭代算法对模型进行求解。1.1模