为解决铝合金压铸件X射线图像典型缺陷的特征提取维度缺乏、大量人工干预影响特征提取效率的问题，提出一种铝合金压铸件X射线成像典型缺陷特征提取算法。该方法对铝合金压铸件中的气孔、欠铸和变形等典型缺陷建立多个特征分析维度，利用滤波去噪、阈值分割等手段进行压铸件图像预处理，并通过提取缺陷周长和面积等多维度特征，实现气孔、夹渣缺陷的特征自动化提取。在部分企业实际生产的铝合金压铸件上的应用表明，该方法可有效地提取铝合金压铸件典型缺陷特征，可为后续缺陷检测识别工作提供参考。

随着社会科技的发展，铝合金压铸件在制造业中的应用越来越多。随着铝合金压铸件的需求日益增长，在大批量生产时对质量要求也越来越高，因此对铝合金压铸件的质量检测十分重要。国内传统的是通过人工检测，过程繁琐、效率低下、结果不易存储并且人工经验依赖性强。而通过对铝合金压铸件X射线图像进行一系列的图像处理来辅助质量检测的过程能够明显地改善以上的问题，特别是通过阈值分割来处理图像。铝合金压铸件常见的缺陷有气孔、欠铸、夹杂和变形等。如果对识别好的缺陷进行多维度的分析，并自动提取到这些维度的数据，能够更好地帮助后续铸件缺陷的识别工作。

为了更好地识别汽车铝合金压铸件中的典型缺陷，主要考虑气孔、夹渣等缺陷在X射线图中的周长以及面积。而为了实现铸件缺陷特征的自动提取，对铝合金压铸件X射线图进行了一系列的缺陷图像处理，包括滤波去噪、图像增强处理以及阈值分割处理。最后对处理完好的图像进行特征提取并自动给出相关参数。

铝合金压铸件X射线图的采集过程会卷入大量的电磁脉冲噪音信号。没有经过处理的图像包含着很多干扰噪声，直接进行特征提取会造成很多噪声也被误认为缺陷，降低缺陷特征提取的准确度。因此主要对铝合金压铸件X射线图像进行三步处理：滤波去噪、图像增强处理以及图像阈值分割处理。

一般来说图像会有一些噪音干扰。因而计算机处理图像的第一个步骤都是滤波去噪，以减少后面处理的出错概率。选择了中值滤波器、均值滤波器、高斯低通滤波器以及巴特沃斯低通滤波器。通过对比这些滤波器的滤波效果，选择最有的方法。

（1）   中值滤波器

中值滤波器是一种非线性滤波器，相比于线性滤波器，可以使一些图像中较为孤立的干扰信号去除，同时也能够有效地保留图像中的细节。但也易去除掉一些气孔、气泡等缺陷。

（2）均值滤波器
均值滤波器则是一种线性滤波器。相比于中值滤波器，均值滤波器可能会让图像中一些细节丢失，因为这些细节都被周围像素的平均值取代。

（3）高斯低通滤波器
高斯低通滤波器一般可以分为两种。这里采用通过滑动窗口来进行卷积运算的一种，通常使用加权平均。而且高斯低通滤波器，可以得到图像的频谱，再利用传递函数，可以实现频域中心化。

（4）巴特沃斯低通滤波器
巴特沃斯低通滤波器与高斯低通滤波器的不同，体现在于滤波函数H的不同。

针对汽车铝合金压铸件X射线图，高斯滤波器能够起到很好的作用。因而，采用高斯滤波器作为图像预处理的第一步。

1.2 图像增强处理

经过滤波去噪处理之后的图像，图像的质量已经得到改善，但图像中仍存在着缺陷与图像背景不能很好区分的问题。为使缺陷与背景能更易区分，需增强图像对比度。分析了灰度变换、直方图修正处理的效果。

（1）灰度变换
灰度变换是直接对图像像素点的灰度进行变换。映射函数式为
g(x,y)=T[f(x,y) ](6)

首先是最简单的线性变换作为映射函数。映射表达式为

g(x,y)=af(x,y)+b(7)

式中，f(x,y)是特定像素点的灰度值，而g(x,y)则是经过线性变化之后得到相应像素点的灰度值。经过一系列的尝试，初步选定参数a=1.4，b=0。

也可以选用非线性的变换来进行灰度变换。选用实际效果会更好的指数变换来进行尝试。指数变换的映射表达式为
g(x,y)=c×f(x,y)^r,r∈[0,1](8)
式中，c和r都是可以调节的参数，参数的调节对于结果的影响较大。通过大量测试，初步使用c= 1，r=0.7的参数来进行灰度变换。

（2）直方图处理

直方图的灰度处理是一种非线性的图像增强方案，最常见的方法是直方图均衡化。直方图处理的主要原理是：先将图像中各个像素点的像素值统计进一个直方图中，并且计算出各个灰度所占的频率，进而可以得到灰度的累计分布函数，最后由累计概率乘以255来得到新的灰度值。

1.3 图像的阈值分割
经过图像的滤波处理和增强处理之后，最后对图像进行阈值分割。分割图像之后，很多缺陷能够很容易被肉眼识别出来，并且主要特征也能够很顺利的被提取出来。常见阈值分割方法的有Otsu以及迭代法两种分割方法。

（1）Otsu阈值分割
此算法最大的特性就是使两类像素点之间的区分度能够达到最大。同时，对于一些灰度直方图上存在着双峰现象的图像，也能达到一个很好的效果。

其原理是将初始图像进行直方化处理，得到灰度的直方图，进行归一化处理。确定一个初始阈值，从而可以将整个图像分为两类，大于阈值的以及小于阈值的，将这两类灰度所占的比例记为ω0和ω₁，同时记录下平均灰度μ0和μ₁，整个图像的平均灰度被记为μ。下一步进行类间方差计算，类间方差的计算公式为
g=ω0 (μ0-μ)^2+ω₁ (μ₁-μ)² (10)
结合ω0、ω₁、μ0、μ₁以及μ的关系，进行化简

g= ω0 ω₁ (μ0-μ)² (11)
再进行遍历整个图像，计算出每个像素点的类间方差，而类间方差值最大的像素点，它的灰度值则正好是Otsu算法所确定的阈值分割方法的最佳阈值。

（2）迭代阈值分割法
迭代阈值分割法是基于Otsu算法并对其进行了一些优化。迭代阈值分割法是利用逼近极限的方法来优化Otsu算法，基本原理与Otsu也有些相似。

迭代阈值分割法主要处理步骤如下：首先取出初始图像的灰度范围，取灰度范围的中间值作为初始阈值μ0，与Otsu算法相似，接着可以得到两个像素类的平均灰度μ₁和μ₂，新的阈值μ则直接取两个像素类的平均灰度的平均值。如果两者之间相差小于给定的误差参数T0，则新阈值μ直接确定为最佳阈值，否则重复上述，直到找到最佳的阈值停止。
2 特征提取算法完成对铝合金压铸件X射线图的图像处理之后，需要对图像的缺陷进行特征提取。针对铝合金压铸件气孔缺陷和夹渣缺陷的面积特征以及周长特征进行特征提取。气孔缺陷以及夹渣缺陷都是常见的铝合金压铸件缺陷并且这些缺陷在X射线图上面能够很明显的反应出来。面积以及周长的提取是基于连通区域来进行提取的。

2.1 连通区域
以图像中的一个像素点为中心，与中心像素点相毗连的八个像素点则被定义为中心像素点的连通区域。由于连通区域拥有传递性，由金属缺陷所表现出来的空洞可以被识别出来成为一个连通区域

2.2 缺陷区域的识别

由缺陷区域像素点连成的连通区域即为缺陷区域。缺陷区域的识别使用经典的深度优先算法（DFS）。通过深度优先算法来实现缺陷区域提取的具体步骤如下：

步骤1：遍历图像中所有的像素点，对每个像素点进行判断：①如果像素点的值为1，即为缺陷区域，则进行以下的步骤。②如果像素点的值为0，即不为缺陷区域，则继续遍历下一个像素点。③如果像素点已经被遍历过了，则继续到下一个像素点。直到所有像素点都被遍历。

步骤2：以目前的像素点为中心像素点，看中心像素点周围的8个像素点是否有值也为1的像素点。

步骤3：如果中心像素点周围含有值为1的像素点，并且数量为1，以这个值为1的像素点为新的中心像素点，重复步骤2。

步骤4：如果中心像素点周围含有值为1的像素点，并且数量不止一个，则轮流对每个点重复步骤2。

步骤5：如果中心像素点周围没有含有值为1的像素点，则将这个像素点标记为边缘像素点，回到步骤1遍历下一个像素点。

2.3 缺陷区域的面积提取

在得到缺陷区域之后，进行缺陷区域的面积计算。缺陷区域的面积等于缺陷区域内像素点的个数。通过直接对缺陷区域的像素点个数进行计算，可以很直接地得到缺陷区域面积。

2.4 缺陷区域的周长提取

缺陷区域的周长计算相较于面积复杂。周长并不是缺陷区域边缘区域像素点的叠加。具体的计算是找到缺陷区域边缘位置的像素点，选取任意一个像素点(x₁,y₁)作为起点，以顺时针或者逆时针的方向找到下一个边缘上的像素点(x₂,y₂)，两个像素点之间的距离可以被定义为:
 

再找到下一个邻近的边缘像素点(x₃,y₃)，并且计算第2个点与第3个点之间的距离，最后将所有点的距离进行求和，得到的总和即为缺陷区域的周长。

针对铝合金压铸件典型缺陷的特征进行提取，通过使用高斯滤波处理、线性增强、Otsu阈值分割法及局部阈值法对图像进行处理，得到经过处理的二值图像，最后对二值图像直接进行特征提取。整个过程基于MATLAB实现了对缺陷的面积和周长特征的自动化快速提取，解决了铝合金压铸件X射线图像典型缺陷的特征提取维度缺乏、人工干预影响特征提取效率的问题。由于铝合金压铸件X射线图主要呈现二维图像，本次试验的铝合金压铸件缺陷特征提取主要集中于二维数据的提取，希望以后能出现很好的三维铝合金压铸件X射线图并且便于进行缺陷特征的提取。