آشکارسازی عیوب و بهبود وضوح تصاویر رادیوگرافی با استفاده از روش صافی انتشاری غیرخطی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 پژوهشگاه علوم و فنون هسته‌ای، سازمان انرژی اتمی

2 گروه فیزیک، دانشگاه بین‌المللی امام خمینی

3 پژوهشگاه علوم و فنون هسته‌ای، سازمان انرژی اتمی ایران

4 پژوهشگاه علوم و فنون هسته‌ای،سازمان انرژی اتمی

چکیده

استفاده از روش‌های پردازش تصویر برای استخراج عیوبی مانند ترک و تخلخل از تصاویر رادیوگرافی صنعتی که نویز زیاد و وضوح کمی دارند، بسیار مفید است. با توجه به این­که در تصاویر رادیوگرافی، عیوب به شکل تغییرات مقادیر اجزای تصویر دیده می‌شوند، روش‌های مبتنی بر بهبود گرادیان در این تصاویر می‌توانند در مشخص کردن عیوب کمک کنند. در این پژوهش، نشان داده می‌شود که به­کارگیری روش‌های مختلف استخراج گرادیان مانند سوبل، پرویت و صافی انتشاری غیرخطی، در بهبود لبه‌ها و آشکار‌سازی عیوب مفید است. روش صافی انتشاری غیرخطی به ضریب بازگشتی k بستگی، و انتخاب آن در صاف کردن لبه‌ها تأثیر زیادی دارد. با توجه به این ویژگی، در این پژوهش برخلاف روش‌های متداول شناسائی لبه، با به­کارگیری مستقیم روش لبه‌ها، بهبود حاصل نمی­شود، بلکه با تکرار روش و صاف کردن لبه‌ها، تصاویر واسطه‌ای به­دست می‌آیند. در نهایت با کم کردن تصویر واسطه­ی حاصل از به­کارگیری روش صافی انتشاری غیر خطی از تصویر اصلی رادیوگرافی، عیوب تصویر که در گرادیان‌های تصویر وجود دارند، استخراج می‌شوند. این الگوریتم‌‌ها بر روی چندین تصویررادیوگرافی صنعتی آزمایش شده است. نتایج نشان می‌دهند که روش ارائه شده در مقایسه با روش‌های سوبل و پرویت که بر اساس گرادیان‌های محلی هستند عملکرد بهتری دارد و نظر مفسرین فیلم‌های رادیوگرافی نیز این نتیجه را تأیید می­کند.

کلیدواژه‌ها


عنوان مقاله [English]

Defect Detection and Contrast Improvement of Radiographic Images using Nonlinear Diffusion Filter Method

نویسندگان [English]

  • A Movafeghi 1
  • E Yahaghi 2
  • N Mohammadzadeh 3
  • B Rokrok 4

کلیدواژه‌ها [English]

  • Defect Detection and Contrast Improvement of Radiographic Images using Nonlinear Diffusion Filter Method
[1] C. Knaus, M. Zwicker, Progressive image denoising, IEEE T. Imag. Process. 99 (2014) DOI: 10.1109/TIP.2014.2326771.

 

[2] A. Movafeghi, Using empirical mode decomposition and a fuzzy algorithm for the analysis of weld defect images, Insight 57(1) (2015) 35-39.

 

[3] R.R. Da Silva, L.P. Galoba, M.H.S. Siqueira, J.M.A. Rebello, Pattern recognition of weld defects detected by radiographic tests, NDT&E Int. 37 (2004) 461-470.

 

[4] Ch. Dang, J. Gao, Zh. Wang, Y. Xiao, Y. Zhao, A novel method for detecting weld defects accurately and reliably in radiographic images, Insight 58(1) (2016) 28-34.

 

[5] M.A. Carrasco, D. Mery, Segmentation of welding defects using a robust algorithm, Mater. Eval. 62(11) (2004) 1142-1147.

 

[6] D. Mery, Computer Vision for X-ray Testing, Springer (2015).

 

[7] H.I. Shafeek, E.S. Gadelmava, A.A. Abdel-Shafy, I.M. Elewa, Assessment of welding defects for gas pipeline radiographs using computer vision, NDT&E Int. 37 (2004) 291-299.

 

[8] A. Movafeghi, E. Yahaghi, N. Mohammadzadeh, Defect Detection Improvement of Digitised Radiographs by Principal Component Analysis with Local Pixel Grouping, J. Nondestruct. Eval. 34(17) (June 2015) DOI: 10.1007/s10921-015-0290-z.

[9] S.S. Lee, Thickness evaluation of pipes using density profile on radiographs, in 10th Asia-Pacific Conference on Non-Destructive Testing, Brisbane, Australia, (2001) 17-21.

 

[10] P.N. Jebarani Sargunar, R. Sukanesh, Automatic detection of weld defects in pressure vessels using fuzzy neural network, International Journal of Computer Applications 1(21) (2010) 0975- 8887.

 

[11] T.Y. Lim, M.M. Ratnam, M.A. Khalid, Automatic classification of weld defects using simulated data and an MLP neural network, Insight 49 (March 2007) 154-159.

 

[12] J. Weickert, B.M. Ter Haar Romeny, M. Viergever, Efficient and reliable schemes for nonlinear diffusion filtering, IEEE T. Imag. Process. 7(3) (Mar 1998) 398-410.

 

[13] K. He, J. Sun, X. Tang, Guided image filtering, IEEE Trans. Pattern Anal. Machine Intell. 35 (2013) 1397–1409.

 

[14] E. Nadernejad, H. Hassanpour, Evaluating diffusion-based image de-noising techniques, in Proc. Int. Conf. on Intelligent & Advance Systems ICIAS, pp. 565-570, Kuala Lumpur, Malaysia, Nov. (2007) 25-28.

 

[15] H. Hassanpour, E. Nadernejad, H. Miar, Image restoration using a PDE-based approach, IJE Transactions B: Applications 20(3) Dec. (2007) 225-236.

 

[16] J. Mahipal, S.K. Sharma, S. Sundar, On a generalized 5×5 stencil scheme for nonlinear diffusion filtering, International Journal of Advances in Engineering Sciences and Applied Mathematics 8 (3) (2016) 194-206.

 

[17] M. Ghisi, M. Gobbino, A class of local classical solutions for the one dimensional Perona-Malik equation, Journal: Transaction of the American MathematicalSociety 361 (2009) 6429-6446.

 

[18] Marina Ghisi, Massimo Gobbino, An example of global classical solution for the Perona-Malik equation, arXiv:0907.0772v1 (2009).

[19] A. Shigeru, Consistent Gradient Operators, IEEE T. Pattern Anal. 22(3) (2000).

 

[20] R.C. Gonzalez, R.E. Woods, Digital Image Processing, Pearson Education Hall (2008).

 

[21] INRA- Iran Nuclear Regulatory Authority, Basic Radiation Safety Standards (1999).

 

[22] ISIRI-Institute of Standards and Industrial Research of Iran, Protection against ionizing radiation and the safety of radiation Sources- Basic standards, No 7751 (in Persian) (2005).