基于小波变换的射线图像疵病特征提取方法

　　在利用数字射线成像系统进行产品质量的自动无损检测中,有效地提取图像特征是实现自动识别的关键.而在产品的射线检测图像中,由于分布在射线探测器上的射线光子数随远离射束中心而减少,导致探测器中心图像的亮度大于边缘亮度,从而产生了某种趋势项;又由于量子起伏而产生了量子噪声.而需识别的疵病又叠加在趋势项和受到干扰的噪声上.针对上述问题,本文探讨了利用小波分解进行特征提取的方法,实验结果表明,利用小波分解进行特征提取是有效的.在通常的小波分析中,我们一般指对信号进行时域-频域分析.在本文中,图像信息是二维信息,则对应于空间域-频域分析,下文提到的时域表示法可理解为空间域的概念.

　　1　小波特征提取方法

　　小波变换是从短时傅立叶变换的基础上发展起来的,其最大特点是能够对信号进行显微观察.对高频信号作细处理,对低频信号则粗处理,在时域没有任何分辨力的限制,可以对指定频带和时间段内的信号成分进行分析.利用小波变换进行动态系统故障识别与诊断具有良好的效果.

　　就射线图像而言,疵病和量子噪声信息在空间频域内表现为高频分量,而趋势项表现为低频分量,因此可以根据这一特点利用小波变换进行趋势项消除、降噪和疵病特征提取.

　　1.1　应用小波变换去除图像中的趋势项

　　在运用数字图像处理系统对信号进行疵病处理时,往往需要提取特征信号.然而在取得的信号中会存在各种干扰,使信号中的疵病信息叠加有趋势项和噪声,给信号的提取带来了很大的困难.解决这个问题的方法可采用各种滤波技术提高信噪比.通常趋势项

　　传统的提取趋势项方法是建立在多项式拟合基础上的简单整系数滤波方法[1].这种方法适合于趋势项随时间作线性增长的情形,对于其他形式的趋势项则效果不是很好.与传统方法相比,小波变换由于可以在时间—频率域对信号进行多层分解,更容易识别出在含噪信号中有用信号的发展趋势.本文运用了小波变换方法来去除信号中的趋势项,从而达到了提取疵病特征信息的目的.

　　在小波变换尺度图中,分解尺度的大小反映了信号频率成分的高低.信号中低频部分代表着信号的发展趋势,在小波分析中,则对应着最大的尺度小波变换的低频系数.随着尺度的增加,时间分辨率的降低,对信号的这种发展趋势会表现得更明显.对于信号中的趋势项,对应于小波尺度图中尺度最大或较大的逼近信号.疵病和噪声则对应着小波变换的高频系数,正是这种不同尺度下对应着不同频率信息,使信号中的背景与疵病和噪声得到了有效分离.在本实验中,将从原始图像中提取的信号进行小波分解,得到仅有低频信息的信号,之后用消噪后的信号减去分解后的低频信号,即可得到只有疵病信息的信号,从而达到了消除趋势项的目的.