【摘要】：隨著攝像機的逐步普及和計算機技術(shù)的日益進步,數(shù)字圖像處理領(lǐng)域的研究越來越多地被應(yīng)用于工業(yè)場景中,用于解決一些工業(yè)現(xiàn)場的實際問題。本文的實際應(yīng)用背景是核電運行系統(tǒng)需要對VVER(水-水高能反應(yīng)堆)渦流導(dǎo)熱管的管壁進行定期的探傷維護,這需要舵機控制探傷探頭伸入導(dǎo)熱管道進行管壁探傷,但因為控制舵機運行的算法精度問題,探頭位置可能會和目標管道口存在一定偏移量。因此,需要通過圖像定位算法來求取探頭相對于目標管道口的橫縱坐標偏移量,以此實現(xiàn)VVER渦流導(dǎo)熱管管道圓定位,使探頭可以完全對準目標管道口并伸入管道進行管壁探傷。本文主要針對圖像定位算法中的管道圓分割,管道圓邊緣提取和參照關(guān)鍵圓識別與篩選進行了深入研究,具體如下:首先,為了提高分割算法對分割區(qū)域灰度差異較小的圖像的分割能力,提出了一種基于邊緣信息的改進最小交叉熵管道圓分割算法。該算法通過在待分割圖像的灰度分布中增加邊緣灰度范圍的頻數(shù),以此來改變圖像整體的灰度分布,再對改變后的灰度分布采用最小交叉熵算法來確定閾值分割的灰度閾值,以此閾值進行管道圓分割。該改進算法對100張樣本圖像的分割圖像的平均區(qū)域間灰度對比度(GC)相較于傳統(tǒng)最小交叉熵分割法提升了4.85%;同時,針對添加較多高斯噪點的Lena圖像的分割,該算法受噪點影響引起的區(qū)域間灰度對比度(GC)減小量相比于傳統(tǒng)最小交叉熵分割法少了2.88%,抗噪點能力更強;且改進方法應(yīng)用于VVER管道圓定位任務(wù)的參照關(guān)鍵圓識別成功率比最小交叉熵法提升了1.41%。然后,對于傳統(tǒng)Canny算子邊緣提取中滯后閾值的確定缺乏自適應(yīng)性的問題,提出了一種基于梯度幅值分布的自適應(yīng)閾值管道圓邊緣提取算法。該算法將交叉熵應(yīng)用于度量圖像分類為邊緣和背景兩類區(qū)域前后的梯度幅值分布之間的信息距離,搜索使該交叉熵最小的梯度幅值分類閾值,以此閾值作為Canny邊緣提取的滯后閾值。該算法對100張樣本二值圖像的邊緣提取前后的平均圖像結(jié)構(gòu)相似性(SSIM)相比于傳統(tǒng)Canny算子增加了0.64%,兩者邊緣提取在圖像結(jié)構(gòu)相似性上的表現(xiàn)相近,同時該算法實現(xiàn)了滯后閾值確定的自適應(yīng)性。最后,針對參照關(guān)鍵圓識別與篩選展開研究,提出了一種基于2-1霍夫變換的約束區(qū)域關(guān)鍵圓識別與篩選算法。該算法首先對得到的邊緣提取圖進行2-1霍夫圓檢測,然后設(shè)計了偽圓弧排除方法排除了檢測出的霍夫圓中的偽圓,再依據(jù)是否在約束圓域內(nèi)和是否距參照模板圓圓心最近的兩級判斷條件進行參照關(guān)鍵圓篩選。同時,本文算法還設(shè)計了渦流導(dǎo)熱管網(wǎng)絡(luò)上下邊界情況的解決方法,解決了上下邊界情況的樣本圖像的管道圓定位問題。最后在VVER渦流導(dǎo)熱管管道圓定位算法中采用了該算法,并用于對樣本圖像數(shù)據(jù)集進行測試實驗,在1638張樣本圖像集上達到了99.33%的參照關(guān)鍵圓識別率,在核電運行系統(tǒng)實驗平臺上目標管道圓探傷工作中起到了很好的輔助作用。
【圖文】：

(a)管道圓兩類灰度 ROI (b)最大熵分割法分割圖 (c)最大相關(guān)分割法分割圖圖 2-2 管道圓兩類灰度 ROI 對比分割圖上述兩種分割方法都是通過最大化圖像各灰度級概率分布信息量來確定最佳分割閾值的，因此該類分割算法對待分割區(qū)域灰度差異不大的圖像分割效果欠佳，仍需改進。2.3 基于邊緣信息的改進最小交叉熵管道圓分割算法為了解決一維最大熵分割法和最大相關(guān)分割法把關(guān)注點都放在各灰度級的概率分布上，而未考慮圖像灰度分布對閾值分割的影響[60]，導(dǎo)致其對各待分割區(qū)域灰度差異不大的圖像分割效果欠佳的問題，引入了基于灰度分布的最小交叉熵分割法，通過使圖像分割前后灰度分布之間的信息距離最小來選取最佳閾值，對待分割區(qū)域灰度差異不大的圖像閾值分割效果更好。為了進一步提高分割后區(qū)域間灰度對比度，，對

得到如下圖2-7 的各算法閾值分割效果圖。原始圖像 高信噪比圖像 低信噪比圖像一維最大熵法最大相關(guān)法最小交叉熵法改進最小交叉熵法圖 2-7 閾值分割效果圖對比
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TM623;TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 李軍成;;圖像邊緣檢測的分數(shù)階微分算子研究[J];計算機應(yīng)用與軟件;2015年12期

2 付森原;陳姝;張鈞;田金文;;基于相機姿態(tài)信息的圖像投影[J];計算機與數(shù)字工程;2015年10期

3 蔡佳;黃攀峰;張彬;;基于梯度的區(qū)域生長和距離直方圖的快速圓檢測方法[J];光學(xué)學(xué)報;2015年03期

4 夏凱;;基于改進的SUSAN算法的火焰圖像邊緣檢測研究[J];現(xiàn)代電子技術(shù);2015年05期

5 葉峰;陳燦杰;賴乙宗;陳劍東;;基于有序Hough變換的快速圓檢測算法[J];光學(xué)精密工程;2014年04期

6 劉雅坤;于雙元;羅四維;;基于最小最大割算法的閾值分割算法[J];計算機科學(xué);2014年01期

7 湯可宗;柳炳祥;徐洪焱;肖絢;李佐勇;;一種基于遺傳算法的最小交叉熵閾值選擇方法[J];控制與決策;2013年12期

8 郭斯羽;翟文娟;唐求;朱院娟;;結(jié)合Hough變換與改進最小二乘法的直線檢測[J];計算機科學(xué);2012年04期

9 韓青松;賈振紅;楊杰;龐韶寧;;基于改進的Otsu算法的遙感圖像閾值分割[J];激光雜志;2010年06期

10 雒濤;鄭喜鳳;丁鐵夫;;改進的自適應(yīng)閾值Canny邊緣檢測[J];光電工程;2009年11期

相關(guān)碩士學(xué)位論文 前2條

1 張赫;基于波谷相對信息的閾值分割算法研究[D];吉林大學(xué);2015年

2 趙慧;基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測方法研究[D];大連理工大學(xué);2010年

本文編號：2665117