摘要:在利用数字射线成像系统进行特征检测过程中,由于系统和工件本身特点的原因,在获取的射线图像中,某些需要识别的特征信息常常被大量的低频背景信息掩盖,使特征的识别增加了难度。针对上述问题,文中研究了一种基于经验模式分解(Empirical Mode Decomposition,简称EMD)的图像特征增强技术。研究表明,与传统分析方法相比,EMD方法能够更准确地剔除图像中存在的非需特征信息,增强需要识别的特征信息,提高特征信息的识别率。
关键词:经验模式分解; 特征增强;特征识别
中图分类号:TN911.73 文献标识码:A
在DR检测过程中,采用双壁透照,由于分布在X射线探测器上的射线光子数随远离射束中心而减少,以及射线从不同角度穿过物体的距离变化较大等原因,导致探测器中心图像的亮度大于边缘亮度,形成大量的背景信息,当需要识别的疵病信息有叠加在这种背景信息中的时候,疵病信息被淹没或难以发现,使得缺陷的检测增加了难度。针对此类问题,本文对此类图像作了认真分析,发现图像中的背景信息均为低频成分,并且形成了某种固有趋势,因此,本文提出了利用经验模式分解方法能够分离信号本身不同频率成分的这一特性来剔除在被检测工件DR检测过程中产生的背景信息,以达到增强疵病特征信息的目的,使缺陷的识别更为容易。
1 EMD简介
经验模式分解方法(Empirical Mode Decomposition,EMD)是1998年由Norden E.Huang等人提出的一种分析非线性、非平稳时间序列的新方法【2】。它是在深入分析瞬时频率的基础上,根据信号本身的局部特征时间尺度,将复杂的信号函数分解为若干个基本模式分量(Intrinsic Mode Functions,IMF)和一个余项。这些基本模式分量是完备的且是正交的【3】。每一个基本模式分量的频率成分随信号本身变化而变化,反映了信号的局部特征信息。因此EMD分解方法是自适应的,而余项则反映了信号的变化趋势。与基于基函数的傅里叶变换和小波变换等方法相比,EMD方法可以更有效地分析和处理非线性、非平稳的信号,已经在语音处理【4】和故障诊断【5】等领域得到了应用。
1.1 EMD基本原理
经验模式分解中每个基本模式分量需要满足以下两个条件:一是在整个数据序列中,极值点的数量和过零点的数量必须相等或者最多相差一个;二是在任意一点,信号的局部极大值和局部极小值形成的包络线的均值为零。基本模式分量两零点之间的每一个波动周期中只有一个单纯的波动模式,没有其他叠加波,是EMD中分解信号的基本单元。
实信号进行经验模式分解的步骤为:
(1)首先识别出信号的所有极大值点和极小值点,分别拟合出信号的上下包络线、,计算上下包络线的平均值,即
(1)
将减去得到:
(2)
(2)然后将视为新的,重复上面的步骤,根据判止准则筛选出原始信号的第一阶IMF的,将减去得到:
(3)
把看作新的,用同样的方法可以筛选出原始信号的其他IMF。最终表示为:
(4)
式中称为余项[2]。
原始信号在经过上述的分解过程后,第一个基本模式分量(IMF)中所包含有原始信号中时间尺度最小,即频率最高的成分。随着IMF阶数的增加,相应的时间尺度越来越大,而余项则包含了频率最低的部分。因此,应用EMD方法可以在无需任何先验假定的条件下,通过EMD分解方便地分离出信号本身由高到低的各个频率分量。
1.2 EMD方法在一维特征增强应用研究
EMD把一个信号分解为若干个IMF之后,高频成份主要集中在最开始的少数几个IMF,用原始信号减去这几个IMF,即可除去高频成分,突显低频成分.相反去掉后面的几个IMF则可以突现高频成分。本文在此对这一特性进行一维信号仿真研究。
设模拟信号为
(5)
信号波形及经验模式分解如图1所示。本征函数IMF1反映了信号中30HZ的成分,IMF2为15HZ的成分,余项residue2反映了信号的1HZ的成分,说明通过EMD分解,信号中包含了不同频率成分被精确分离了。
图 1 信号x(t)的波形及EMD分解
图2为采用EMD方法及最小二乘法提取信号低频成分的比较,其中最小二乘法使用了6阶多项式。从图中可以看到,最小二乘法得到的结果与实际值相差较大。可见,经验模式分解能够比传统的最小二乘法更准确地分离出信号的低频成分,以突显高频成分,又加之信号中的噪声或突变信息一般都在高频部分,如此就可以突显信号的噪声或突变特征。
图 2 EMD方法与最小二乘法提取低频成分结果比较
2 实验结果与讨论