師利中

中國(guó)民航大學(xué) 航空工程學(xué)院，天津 300300

隨著飛機(jī)智能維修技術(shù)的發(fā)展，模型重構(gòu)技術(shù)為飛機(jī)結(jié)構(gòu)的損傷分析與修復(fù)設(shè)計(jì)提供了新的解決途徑。而損傷區(qū)域的劃分為結(jié)構(gòu)損傷模型的重構(gòu)提供了關(guān)鍵的數(shù)據(jù)基礎(chǔ)。飛機(jī)常見(jiàn)的結(jié)構(gòu)損傷圖像存在色度變化、明暗區(qū)別、紋理差異等顯著特點(diǎn)，為損傷區(qū)域劃分提供了充分的特征依據(jù)。然而，傳統(tǒng)圖像分割中特征表示的單一性[1]不能充分利用結(jié)構(gòu)損傷圖像的多樣化特征，成為影響損傷區(qū)域劃分效率和精確性的重要因素。結(jié)構(gòu)張量理論以其完備的信息表示方式能夠區(qū)分不同結(jié)構(gòu)特點(diǎn)區(qū)域[2]，成為一種新的圖像分割方法。

近年來(lái)針對(duì)基于結(jié)構(gòu)張量理論的圖像分割的研究不斷深入，結(jié)構(gòu)張量理論以其完備的信息表示成為一種新的圖像分割方法。20世紀(jì)90年代，結(jié)構(gòu)張量開始應(yīng)用于描述圖像紋理的研究中，可通過(guò)其基本特性的分析，確定圖像邊界、拐角、紋理等重要信息。多種基于結(jié)構(gòu)張量的圖像分割方法也隨之提出。謝曉振和吳紀(jì)桃[3]利用擴(kuò)展的結(jié)構(gòu)張量，使一幅圖像生成多個(gè)特征通道，從而提取更多的紋理特征。Ge等[4]提出了基于區(qū)域主動(dòng)輪廓模型的圖像分割，利用結(jié)構(gòu)張量的各向異性擴(kuò)散過(guò)程，定義了正則化項(xiàng)，以提高識(shí)別幾何特征角點(diǎn)的能力。張善卿和張坤龍[5]提出了一種基于結(jié)構(gòu)張量特征值的標(biāo)量型紋理特征描述。Yin等[6]提出了基于圖像結(jié)構(gòu)張量的多區(qū)域圖像分割方法。Yuan等[7]利用結(jié)構(gòu)張量表示紋理特征，依據(jù)局部譜直方圖有效分割紋理圖像。Mewada等[8]將線性結(jié)構(gòu)張量與Chan-Vese模型相融合實(shí)現(xiàn)了預(yù)防邊界錯(cuò)位的紋理分割。李夢(mèng)[9]基于水平集方法和結(jié)構(gòu)張量，提出幾何活動(dòng)輪廓模型，并應(yīng)用于圖像分割中，解決水平集方法輪廓初始化和弱邊緣處易于邊緣泄露問(wèn)題。Han等[10]通過(guò)多尺度非線性結(jié)構(gòu)張量設(shè)計(jì)實(shí)現(xiàn)紋理特征描述，進(jìn)而實(shí)現(xiàn)了基于相似約束的顏色紋理分割。Zhang等[11]定義非線性結(jié)構(gòu)緊湊張量使用GrabCut方法進(jìn)行分割，實(shí)現(xiàn)了紋理信息和顏色信息的非參數(shù)融合。Xu等[12]利用傳統(tǒng)的多尺度結(jié)構(gòu)張量，提出了基于GrabCut的交互式紋理分割方法。楊勇等[13]將多尺度特征進(jìn)行融合，定義能量函數(shù)，提出多類無(wú)監(jiān)督彩色紋理圖像分割方法。在應(yīng)用方面，基于結(jié)構(gòu)張量的圖像分割己表現(xiàn)出良好的應(yīng)用前景。Zhang等[14]將結(jié)構(gòu)張量應(yīng)用于大尺寸低質(zhì)量的生物細(xì)胞醫(yī)學(xué)圖像的幾何信息提取中。Wang等[15]利用結(jié)構(gòu)張量提取干涉條紋特征，實(shí)現(xiàn)測(cè)量齒輪齒面的形狀偏差。Nergiz和Akin[16]將結(jié)構(gòu)張量與Frangi濾波相結(jié)合應(yīng)用于視網(wǎng)膜圖像的血管分割。

然而，基于結(jié)構(gòu)張量的圖像分割方法在機(jī)體損傷區(qū)域劃分的應(yīng)用中仍存在不適應(yīng)性。飛機(jī)結(jié)構(gòu)損傷有一定的作用范圍，損傷鄰接區(qū)域的形貌存在不同程度的改變[17]，使得圖像產(chǎn)生噪聲混淆，嚴(yán)重影響損傷區(qū)域劃分的精確性。同時(shí)，由于結(jié)構(gòu)損傷的多樣性，不同損傷圖像個(gè)體差異大，基于結(jié)構(gòu)張量的各種損傷劃分方法的適用性均受較大影響，兼之損傷鄰接區(qū)域的不確定性，損傷劃分模式難以統(tǒng)一，使模型重構(gòu)技術(shù)的智能化程度顯著降低。

本文通過(guò)引入結(jié)構(gòu)張量特征表示，以獲取顏色結(jié)構(gòu)紋理等局部完備特征信息；形成結(jié)構(gòu)張量特征空間，將多樣化飛機(jī)損傷圖像的劃分轉(zhuǎn)化為相似分布的特征空間的劃分，實(shí)現(xiàn)多樣化損傷區(qū)域劃分流程的一致性；通過(guò)定義動(dòng)態(tài)閾值分割算子，根據(jù)實(shí)際結(jié)構(gòu)損傷及鄰接區(qū)域特點(diǎn)，實(shí)現(xiàn)動(dòng)態(tài)閾值的損傷劃分，降低損傷臨界區(qū)域的影響，實(shí)現(xiàn)損傷區(qū)域完整高效的劃分。

1 基于結(jié)構(gòu)張量的特征表示

設(shè)損傷圖像大小為M×N，其中任意像素點(diǎn)P坐標(biāo)為x,y，對(duì)應(yīng)特征值為Ix,y，相鄰區(qū)域?yàn)镽(P∈R)，則鄰域R內(nèi)像素點(diǎn)P的結(jié)構(gòu)張量Tp定義為

(1)

式中：GRx,y為像素點(diǎn)Px,y基于鄰域R方差為σ的高斯核函數(shù)，是以像素點(diǎn)P為中心的鄰域R的平均算子。

(2)

Dp表示鄰域R中像素點(diǎn)P的梯度向量，點(diǎn)P的梯度算子Dp為

(3)

式中：Ix(p)和Iy(p)為像素點(diǎn)P在x和y方向上的偏導(dǎo)數(shù)。

將式(3)代入式(1)，可得到

(4)

(5)

λk(k=1, 2)反映損傷圖像某一方向上的特征變化程度。

通過(guò)損傷圖像的結(jié)構(gòu)張量特征表示不僅能夠描述像素點(diǎn)的灰度信息，同時(shí)涵蓋了其周圍重疊鄰域的結(jié)構(gòu)信息及紋理信息，豐富了損傷圖像的特征表示，使用于損傷區(qū)域劃分的特征信息更加充分完備。

2 動(dòng)態(tài)閾值損傷區(qū)域劃分方法

傳統(tǒng)基于圖像特征的分割方法通常假定基于顏色特征或紋理特征的劃分結(jié)果是全局一致的，這使得劃分閾值為固定數(shù)值[18]。然而實(shí)際應(yīng)用中，飛機(jī)結(jié)構(gòu)損傷圖像特征分布并不均勻，劃分目標(biāo)和背景的特征區(qū)分并不顯著，采用固定閾值的全局一致性約束劃分結(jié)果不盡理想。

動(dòng)態(tài)閾值劃分針對(duì)存在信噪比低、光照不均、陰影干擾等復(fù)雜圖像[19]，以其特征分布特點(diǎn)為依據(jù)，不同特征區(qū)域計(jì)算不同閾值進(jìn)行圖像劃分。然而在飛機(jī)結(jié)構(gòu)損傷劃分的實(shí)際應(yīng)用中，由于結(jié)構(gòu)損傷圖像的多樣性使得特征區(qū)域劃分的復(fù)雜性增加，劃分模式難以統(tǒng)一。

因此，在結(jié)構(gòu)張量表示圖像特征的基礎(chǔ)上，建立λ1-λ2特征空間，以結(jié)構(gòu)張量特征分布的共性，將多樣化損傷區(qū)域的劃分轉(zhuǎn)換成對(duì)于特征分布的劃分，并引入動(dòng)態(tài)閾值劃分思想，定義動(dòng)態(tài)閾值劃分算子，通過(guò)計(jì)算生成劃分算子參數(shù)，從而實(shí)現(xiàn)損傷區(qū)域的動(dòng)態(tài)閾值分割。

2.1 動(dòng)態(tài)閾值劃分算子定義

結(jié)構(gòu)張量特征值表示了圖像在某一方向上灰度、結(jié)構(gòu)、紋理等信息的特征變化程度[20]?？梢源藶橐罁?jù)，建立λ1-λ2特征空間，以表示圖像的特征信息。由于圖像中特征變化較小的點(diǎn)，對(duì)應(yīng)特征值取值為零，集中分布于原點(diǎn)附近區(qū)域。因此對(duì)于任意圖像，可表示為λ1-λ2空間中，原點(diǎn)附近區(qū)域密集分布，并向外發(fā)散分布的特征散點(diǎn)圖。

在固定閾值下，結(jié)構(gòu)張量特征值λ1、λ2的分割閾值為固定數(shù)值，單獨(dú)計(jì)算，不考慮兩者的關(guān)聯(lián)，如圖1(a)所示。對(duì)應(yīng)劃分算子為

(6)

式中:w1、w2為動(dòng)態(tài)閾值劃分算子參數(shù)。

動(dòng)態(tài)閾值分割將依據(jù)圖像特征分布特點(diǎn)，考慮特征關(guān)聯(lián)關(guān)系，定義劃分算子。

1) 最大斜率算子

在λ1-λ2特征空間中，計(jì)算原點(diǎn)到特征點(diǎn)的最大斜率kmax=maxλ2/λ1，定義最大斜率特征點(diǎn)的法線方程為動(dòng)態(tài)閾值分割最大斜率算子，如圖1(b)所示。對(duì)應(yīng)劃分算子為

(7)

2) 對(duì)角線法線算子

在λ1-λ2特征空間中，計(jì)算特征點(diǎn)的最大斜率，以該點(diǎn)與坐標(biāo)軸形成夾角α的對(duì)角線為基準(zhǔn)，定義該對(duì)角線的法線方程為動(dòng)態(tài)閾值分割最大斜率算子，如圖1(c)所示。對(duì)應(yīng)劃分算子為

(8)

3) 橢圓算子

在λ1-λ2特征空間中，以原點(diǎn)為中心，定義橢圓方程為動(dòng)態(tài)閾值分割最大斜率算子，如圖1(d)所示。對(duì)應(yīng)劃分算子為

圖1 動(dòng)態(tài)閾值劃分算子Fig.1 Dynamic threshold division operator

(9)

2.2 基于結(jié)構(gòu)張量特征的動(dòng)態(tài)閾值劃分方法

基于結(jié)構(gòu)張量特征的動(dòng)態(tài)閾值區(qū)域劃分方法具體流程如圖2所示。該方法輸入的圖像需預(yù)先去除圖像采集過(guò)程中引入的噪聲。

1) 確定鄰域

確定像素點(diǎn)P鄰域R的大小，表示為R=m×n，其中P∈R。以此為依據(jù)補(bǔ)齊損傷圖像后，圖像大小為M+m×N+n。

圖2 動(dòng)態(tài)閾值區(qū)域劃分方法流程Fig.2 Process of dynamic threshold region division method

2) 計(jì)算特征偏導(dǎo)數(shù)

遍歷圖像，依據(jù)像素點(diǎn)pij特征值Ii,j，利用式(3)計(jì)算特征偏導(dǎo)數(shù)。為簡(jiǎn)化運(yùn)算，可利用有限差分法進(jìn)行離散。

(10)

(11)

3) 計(jì)算結(jié)構(gòu)張量特征值

利用式(4)和式(5)計(jì)算結(jié)構(gòu)張量Tp特征值λ1和λ2，λ1表示x方向上的特征變化程度，λ2表示y方向上的特征變化程度。

4) 分析結(jié)構(gòu)張量特征值頻數(shù)分布

5) 計(jì)算動(dòng)態(tài)閾值劃分算子參數(shù)

對(duì)于結(jié)構(gòu)損傷圖像，由結(jié)構(gòu)張量特征值頻數(shù)分布可知，結(jié)構(gòu)張量特征值接近于0的區(qū)域頻數(shù)值較高，表示損傷圖像中特征變化較小區(qū)域面積相對(duì)較大；隨著結(jié)構(gòu)張量特征值增大，對(duì)應(yīng)頻數(shù)分布值顯著變小。

選取分組頻數(shù)分布中的首個(gè)拐點(diǎn)所對(duì)應(yīng)的特征值，為該結(jié)構(gòu)張量特征的動(dòng)態(tài)閾值劃分算子參數(shù)。

對(duì)于結(jié)構(gòu)張量特征值λk，遍歷其所有特征頻數(shù)分組，若分組sk滿足：?10，且f″(sk)<0，則mink對(duì)應(yīng)的分組sk值域上限為該結(jié)構(gòu)張量特征值λk的動(dòng)態(tài)閾值劃分算子參數(shù)wk。

6) 圖像劃分

依據(jù)式(6)～式(9)，代入?yún)?shù)，生成動(dòng)態(tài)閾值劃分算子，對(duì)圖像進(jìn)行分割。

3 方法驗(yàn)證與結(jié)果分析

為了驗(yàn)證基于結(jié)構(gòu)張量特征的動(dòng)態(tài)閾值損傷區(qū)域劃分方法，選取蒙皮表面剝層腐蝕圖像、蒙皮表面補(bǔ)片裂紋圖像、漆層破碎損傷圖像、螺釘銹蝕脫漆圖像、機(jī)翼前緣鳥擊損傷圖像、機(jī)翼后緣面板斷裂圖像、整流錐脫蠟圖像、機(jī)體表面裂紋圖像等為實(shí)例，如圖3所示。依據(jù)算法計(jì)算得到的像素結(jié)構(gòu)張量特征值，生成動(dòng)態(tài)閾值劃分算子，實(shí)現(xiàn)對(duì)飛機(jī)結(jié)構(gòu)圖像損傷區(qū)域的劃分。

首先采用傳統(tǒng)灰度方法，為本文方法作對(duì)比驗(yàn)證。各實(shí)例選用了灰度熵法劃分損傷結(jié)果，如圖4所示，計(jì)算結(jié)果如表1所示。

通過(guò)對(duì)比驗(yàn)證結(jié)果可以看出，傳統(tǒng)灰度方法運(yùn)算速度較快，均能夠在毫秒級(jí)時(shí)間范圍內(nèi)完成運(yùn)算過(guò)程。然而對(duì)于損傷區(qū)域的劃分效果不盡理想。

從實(shí)例的劃分結(jié)果可以看出，實(shí)例a原始圖像損傷區(qū)域邊界較為清晰，損傷鄰接區(qū)域面積小、形貌改變微小，而劃分結(jié)果圖像中鄰接區(qū)域面積過(guò)大。實(shí)例b原始圖像損傷鄰接區(qū)域的形貌有顯著的改變，且鄰接區(qū)域面積較大，損傷劃分僅依據(jù)灰度值，無(wú)法區(qū)分鄰接區(qū)域的噪聲，劃分效果較差。實(shí)例c損傷有很多緊密閉合裂紋，使得損傷區(qū)域有大量損傷細(xì)節(jié)信息，劃分后細(xì)節(jié)信息基本保留，出現(xiàn)少量非損傷區(qū)域信息。實(shí)例d原始圖像損傷區(qū)域邊界清晰，但損傷鄰接區(qū)域的顏色變化復(fù)雜，劃分后出現(xiàn)大面積非損傷區(qū)域信息。實(shí)例e原始圖像損傷形式復(fù)雜，含有鏤空損傷結(jié)構(gòu)，劃分后無(wú)法準(zhǔn)確表示損傷結(jié)構(gòu)，并引入大量非損傷區(qū)域信息。實(shí)例f原始圖像存在輕微明暗變化，嚴(yán)重影響了損傷劃分結(jié)果。實(shí)例g原始圖像色彩跨度較大，劃分結(jié)果包含了大量顏色相近的非損傷區(qū)域信息。實(shí)例h原始圖像損傷區(qū)域清晰，損傷鄰接區(qū)域小，但劃分后仍存在大量非損傷區(qū)域。

圖3 機(jī)體損傷圖像Fig.3 Airframe damage images

綜上可知，僅考慮灰度的傳統(tǒng)方法在飛機(jī)結(jié)構(gòu)損傷區(qū)域劃分中存在顯著缺陷，且不同的損傷圖像其劃分效果差異較大。

下面對(duì)本文提出的基于結(jié)構(gòu)張量特征的機(jī)體損傷區(qū)域動(dòng)態(tài)閾值劃分方法方法進(jìn)行驗(yàn)證。首先根據(jù)式(10)、式(11)和式(4)、式(5)計(jì)算損傷圖像實(shí)例的結(jié)構(gòu)張量特征值λ1、λ2，其λ1-λ2特征空間如圖5所示。

由損傷圖像實(shí)例的λ1-λ2特征空間可以看出，不同損傷圖像生成的特征分布具有共性。特征點(diǎn)在原點(diǎn)處聚集，向外發(fā)散分布，并存在明顯的斜率邊界。

圖4 基于灰度熵的損傷區(qū)域劃分結(jié)果Fig.4 Results of damage region division based on gray entropy

表1 基于灰度熵的損傷區(qū)域劃分計(jì)算結(jié)果

通過(guò)結(jié)構(gòu)張量特征值計(jì)算，將不同的飛機(jī)結(jié)構(gòu)損傷圖像轉(zhuǎn)化成了具有相似分布特點(diǎn)的λ1-λ2特征空間，將對(duì)圖像中損傷區(qū)域的劃分轉(zhuǎn)換成對(duì)特征空間的劃分，使得不同損傷圖像的劃分流程具有一致性，有效提升了方法的適用性。

圖5 λ1-λ2特征空間Fig.5 λ1-λ2 feature space

對(duì)結(jié)構(gòu)張量特征值頻數(shù)分布進(jìn)行分析可知，對(duì)于不同損傷圖像，其任一特征值頻數(shù)分布均具有單調(diào)遞減特性。

在損傷圖像實(shí)例的結(jié)構(gòu)張量λ1-λ2特征空間中，結(jié)構(gòu)張量特征值接近于原點(diǎn)的特征點(diǎn)較多，因此，損傷圖像實(shí)例特征值頻數(shù)分布圖中，對(duì)應(yīng)分組頻數(shù)值較大。λ1-λ2特征空間中，隨著結(jié)構(gòu)張量特征值增大，特征點(diǎn)發(fā)散分布，因而對(duì)應(yīng)分組頻數(shù)分布值顯著變小。

由結(jié)構(gòu)張量特征值的頻數(shù)分布，計(jì)算動(dòng)態(tài)閾值劃分算子參數(shù)，結(jié)果如表2所示。

依據(jù)動(dòng)態(tài)閾值劃分算子參數(shù)，生成動(dòng)態(tài)閾值劃分算子，對(duì)損傷圖像實(shí)例的λ1-λ2特征空間進(jìn)行劃分，從而實(shí)現(xiàn)損傷區(qū)域劃分，結(jié)果如圖6～圖13所示。

基于結(jié)構(gòu)張量特征的動(dòng)態(tài)閾值損傷區(qū)域劃分方法運(yùn)算速度較快，不同算子均能夠在毫秒級(jí)時(shí)間范圍內(nèi)完成運(yùn)算過(guò)程。

對(duì)于實(shí)例a，在動(dòng)態(tài)閾值區(qū)域劃分過(guò)程中，橢圓算子可獲取精確損傷區(qū)域，邊界完整，噪點(diǎn)較少，與傳統(tǒng)灰度方法相比(如圖4(a)所示)，細(xì)化了損傷鄰接區(qū)域的劃分；最大斜率算子提取的損傷區(qū)域，由于最大斜率的影響，刪除了部分x方向結(jié)構(gòu)張量特征值大于固定閾值的點(diǎn)，結(jié)果圖像中可明顯看到x方向上變化顯著的點(diǎn)出現(xiàn)明顯缺失，造成損傷區(qū)域過(guò)分割；對(duì)于對(duì)角線法線算子，由于對(duì)角線斜率的降低，損傷區(qū)域劃分時(shí)，刪除了部分x方向和y方向結(jié)構(gòu)張量特征值大于固定閾值的點(diǎn)，從損傷區(qū)域劃分結(jié)果圖像來(lái)看，存在嚴(yán)重信息丟失；固定閾值分割對(duì)于λ1-λ2特征空間中不同區(qū)域的特征分布，采用相同閾值，使得x方向和y方向大量變化顯著的點(diǎn)被刪除，無(wú)法實(shí)現(xiàn)損傷區(qū)域劃分。

表2 動(dòng)態(tài)閾值劃分算子參數(shù)Table 2 Parameters of dynamic threshold division operator

圖6 實(shí)例a損傷區(qū)域劃分結(jié)果Fig.6 Results of damage region division of instance a

圖7 實(shí)例b損傷區(qū)域劃分結(jié)果Fig.7 Results of damage region division of instance b

對(duì)于實(shí)例b，橢圓算子可獲取損傷區(qū)域，但由于原始圖像損傷鄰接區(qū)域的形貌有顯著的改變，且鄰接區(qū)域面積較大，劃分結(jié)果圖像出現(xiàn)噪點(diǎn)，后續(xù)可通過(guò)去噪算法處理，與傳統(tǒng)灰度方法相比(如圖4(b)所示)，劃分的損傷區(qū)域更加清晰；最大斜率算子可減少損傷鄰接區(qū)域引入的噪點(diǎn)，但是以損傷區(qū)域邊界的完整性為代價(jià)；由于動(dòng)態(tài)閾值劃分算子參數(shù)w2值較小，使得對(duì)角線法線算子所形成的分割區(qū)域較小，損傷區(qū)域的劃分結(jié)果包含了大量的背景信息，無(wú)法完成損傷區(qū)域劃分。

對(duì)于實(shí)例c，橢圓算子可獲取完整損傷區(qū)域，其中包含損傷周邊微裂紋的細(xì)節(jié)信息，去除了傳統(tǒng)灰度方法(如圖4(c)所示)中出現(xiàn)的少量非損傷區(qū)域信息；最大斜率算子由于對(duì)結(jié)構(gòu)張量特征值λ1的過(guò)分割，使圖像在x方向存在明顯信息丟失，使得損傷邊界不完整；對(duì)角線法線算子刪除了部分x方向和y方向變化顯著的點(diǎn)，結(jié)果圖像明顯看出其信息缺失嚴(yán)重。

圖8 實(shí)例c損傷區(qū)域劃分結(jié)果Fig.8 Results of damage region division of instance c

圖9 實(shí)例d損傷區(qū)域劃分結(jié)果Fig.9 Results of damage region division of instance d

對(duì)于實(shí)例d，橢圓算子可獲取完整損傷區(qū)域，但由于損傷鄰接區(qū)域顏色變化復(fù)雜，有明顯噪聲，后續(xù)需去噪算法處理，去除了傳統(tǒng)灰度方法(如圖4(d)所示)中存在的大面積非損傷區(qū)域信息；最大斜率算子和對(duì)角線法線算子刪除特征點(diǎn)過(guò)多，無(wú)法完成損傷區(qū)域劃分。

對(duì)于實(shí)例e，橢圓算子未受到復(fù)雜損傷形式的影響，完整劃分含有鏤空結(jié)構(gòu)的損傷，去除了傳統(tǒng)灰度方法(如圖4(e)所示)中引入的大量非損傷區(qū)域信息；最大斜率算子和對(duì)角線法線算子刪除特征點(diǎn)過(guò)多，無(wú)法完成損傷區(qū)域劃分。

圖10 實(shí)例e損傷區(qū)域劃分結(jié)果Fig.10 Results of damage region division of instance e

圖11 實(shí)例f損傷區(qū)域劃分結(jié)果Fig.11 Results of damage region division of instance f

圖12 實(shí)例g損傷區(qū)域劃分結(jié)果Fig.12 Results of damage region division of instance g

圖13 實(shí)例h損傷區(qū)域劃分結(jié)果Fig.13 Results of damage region division of instance h

對(duì)于實(shí)例f，橢圓算子可獲取裂紋損傷區(qū)域信息，未受到圖像明暗變化的影響，與傳統(tǒng)灰度方法相比(如圖4(f)所示)，劃分的損傷區(qū)域更加清晰完整；最大斜率算子和對(duì)角線法線算子刪除特征點(diǎn)過(guò)多，無(wú)法完成損傷區(qū)域劃分。

對(duì)于實(shí)例g，橢圓算子可根據(jù)紋理信息區(qū)分顏色相近的非損傷區(qū)域信息，獲取完整損傷區(qū)域，但由于結(jié)構(gòu)外觀涂裝影響，引入若干弧線，需對(duì)其進(jìn)行判別，與傳統(tǒng)灰度方法相比(如圖4(g)所示)，劃分的損傷區(qū)域及其邊界更加清晰完整；最大斜率算子和對(duì)角線法線算子刪除特征點(diǎn)過(guò)多，無(wú)法完成損傷區(qū)域劃分。

對(duì)于實(shí)例h，可獲取精確損傷區(qū)域，邊界完整，噪點(diǎn)較少，與傳統(tǒng)灰度方法相比(如圖4(h)所示)，細(xì)化了損傷鄰接區(qū)域的劃分，消除了非損傷區(qū)域信息；最大斜率算子和對(duì)角線法線算子刪除特征點(diǎn)過(guò)多，無(wú)法完成損傷區(qū)域劃分。

4 結(jié) 論

1) 運(yùn)算速度方面，本文方法能夠在毫秒級(jí)時(shí)間范圍內(nèi)完成運(yùn)算過(guò)程，時(shí)間復(fù)雜度較低。

2) 劃分區(qū)域質(zhì)量方面，通過(guò)對(duì)傳統(tǒng)灰度方法和不同算子劃分結(jié)果的對(duì)比可以看出，采用橢圓算子的動(dòng)態(tài)閾值區(qū)域劃分方法得到的損傷邊界連貫完整，能夠有效分割微小裂紋，噪點(diǎn)較少；對(duì)于形貌改變顯著的大面積鄰接區(qū)域會(huì)出現(xiàn)噪點(diǎn)影響，但整體效果優(yōu)于傳統(tǒng)灰度方法、固定閾值劃分和其他動(dòng)態(tài)閾值劃分算子。

3) 通過(guò)結(jié)構(gòu)張量特征值計(jì)算，將不同的飛機(jī)結(jié)構(gòu)損傷圖像轉(zhuǎn)化成了具有相同分布特點(diǎn)的特征空間，使得不同損傷圖像的劃分流程具有一致性。

因此，本文提出的基于結(jié)構(gòu)張量特征的動(dòng)態(tài)閾值損傷區(qū)域劃分方法能夠快速有效地實(shí)現(xiàn)機(jī)體損傷區(qū)域的劃分，為飛機(jī)結(jié)構(gòu)損傷模型重構(gòu)、飛機(jī)結(jié)構(gòu)損傷分析與修復(fù)設(shè)計(jì)提供了數(shù)據(jù)基礎(chǔ)和技術(shù)支持。