郭北濤,葉盛輝,張麗秀

(1.沈陽(yáng)化工大學(xué)機(jī)械與動(dòng)力工程學(xué)院,沈陽(yáng) 110000;2.沈陽(yáng)建筑大學(xué)交通與機(jī)械工程學(xué)院,沈陽(yáng) 110168)

0 引言

超聲波無損檢測(cè)技術(shù)因?yàn)槠涓哔|(zhì)、高效、精準(zhǔn)、成本低和不會(huì)對(duì)檢測(cè)材料造成二次損傷等優(yōu)點(diǎn),成為現(xiàn)代工業(yè)生產(chǎn)中最常用的缺陷檢測(cè)方法之一,而對(duì)于超聲無損檢測(cè)的圖像化則是該技術(shù)的發(fā)展方向[1]。超聲成像技術(shù)有不少的經(jīng)典方法,其中超聲掃描成像法就是最常用的方法之一,其中C掃描所得到為平行于被測(cè)物體表面的圖像[2]。射頻采樣法作為C掃描的成像方法中一種[3],其原理是通過對(duì)被測(cè)物體的每個(gè)采樣點(diǎn)返回的信號(hào)波,根據(jù)缺陷回波的幅值作為特征值,以每個(gè)采樣點(diǎn)作為位置信息來進(jìn)行映射,生成特征成像矩陣,進(jìn)而通過計(jì)算機(jī)的進(jìn)一步處理,最后得到超聲數(shù)字圖像。

圖像分割方法細(xì)分還是有比較多種,但是大致可以分成兩大類:以閾值、區(qū)域或者能量為基礎(chǔ)的傳統(tǒng)分割方法和以深度學(xué)習(xí)框架為基礎(chǔ)的現(xiàn)代分割方法[4]。董家順等[5]提出了一種基于灰度正反轉(zhuǎn)和改進(jìn)K-means的鋼管表面缺陷檢測(cè)算法。周春瑜等[6]將各向異性擴(kuò)散濾波和加權(quán)中值濾波相結(jié)合,然后以T-snake為基礎(chǔ)增加區(qū)域能量作為約束對(duì)甲狀腺超聲圖像進(jìn)行有效分割。王慶秋等[7]針對(duì)鋰電池極片不同缺陷,提出了一種結(jié)合雙邊濾波、區(qū)域生長(zhǎng)和邊緣提取的缺陷識(shí)別與標(biāo)定算法。常文嫻[8]為解決對(duì)金屬?gòu)?fù)雜表面缺陷識(shí)別能力不足的問題,以聚類算法來進(jìn)行缺陷分區(qū)、以區(qū)域紋理抑制進(jìn)行缺陷分割和以決策樹SVM進(jìn)行缺陷分類,算法對(duì)于金屬?gòu)?fù)雜表面具有非常優(yōu)秀的效果。梁日強(qiáng)等[9]提出了一種改良的殘差收縮網(wǎng)絡(luò),有效提高了帶鋼表面的缺陷識(shí)別的準(zhǔn)確率。同樣是帶鋼表面缺陷,李玉等[10]針對(duì)對(duì)比度較低的帶鋼表面微小缺陷,將Faster R-CNN框架與特征金字塔網(wǎng)絡(luò)結(jié)合的識(shí)別方法,對(duì)微小缺陷識(shí)別能力有不少的提高。

為進(jìn)一步在圖像處理方面提高金屬超聲缺陷檢測(cè)的準(zhǔn)確性,本研究提出一種基于注意力機(jī)制的初始種子選取的改進(jìn)區(qū)域生長(zhǎng)算法的金屬超聲圖像分割算法。首先,以注意力機(jī)制進(jìn)行初始種子的選取,基于聚類進(jìn)行種子區(qū)域的生長(zhǎng),圖像的所有區(qū)域?qū)崿F(xiàn)全覆蓋之后,根據(jù)區(qū)域的灰度梯度進(jìn)行區(qū)域合并,最后將缺陷與背景分割輸出檢測(cè)結(jié)果。

1 算法流程

基于區(qū)域生長(zhǎng)的金屬超聲圖像缺陷檢測(cè)方法的重點(diǎn)是金屬超聲圖像處理程序的算法設(shè)計(jì),提出了基于改進(jìn)區(qū)域生長(zhǎng)算法的金屬超聲圖像缺陷檢測(cè)算法,步驟為:

步驟1:提出一種注意力機(jī)制的改進(jìn)初始種子自動(dòng)選取方法,實(shí)現(xiàn)對(duì)圖像中可能缺陷區(qū)域中的種子的自動(dòng)選取;

步驟2:基于種子區(qū)域內(nèi)已生長(zhǎng)點(diǎn)的均值和當(dāng)前生長(zhǎng)點(diǎn)的灰度的優(yōu)化生長(zhǎng)準(zhǔn)則;

步驟3:基于不同區(qū)域的區(qū)域均值灰度梯度作為區(qū)域改進(jìn)合并準(zhǔn)則;

步驟4:基于區(qū)域改進(jìn)合并準(zhǔn)則完成金屬超聲圖像缺陷提取。

所研究算法流程圖如圖1所示。

圖1 注意力機(jī)制種子選取和改進(jìn)區(qū)域生長(zhǎng)算法的流程圖

2 基于注意力機(jī)制的初始種子選取算法

對(duì)于區(qū)域生長(zhǎng)算法[11]來說,種子的選取影響到區(qū)域生長(zhǎng)的初始位置和生長(zhǎng)范圍,從而影響到算法的最終分割結(jié)果,所以說種子的選取是區(qū)域生長(zhǎng)算法關(guān)鍵環(huán)節(jié)之一。傳統(tǒng)的區(qū)域生長(zhǎng)算法的初始種子的選取都是人為事先指定的,這非常的不智能,故提出一種基于注意力機(jī)制的初始種子選取方法。

2.1 注意力機(jī)制初始種子選取方法

注意力機(jī)制[12-14]源于對(duì)人類視覺處理過程的研究,人類在進(jìn)行視覺處理的時(shí)候會(huì)以利用有限的信息來進(jìn)行處理,所以就需要選擇一個(gè)最具有信息的特定區(qū)域,然后將注意力集中到該區(qū)域中?，F(xiàn)在注意力機(jī)制更多的是被用在自然語(yǔ)言處理、目標(biāo)檢測(cè)和目標(biāo)分割等基于深度學(xué)習(xí)框架下的研究方向[15]。

基于注意力機(jī)制的思想提出一種改進(jìn)的初始種子選取方法,此方法將注意力機(jī)制進(jìn)行一定的簡(jiǎn)化。所研究方法是將注意力機(jī)制簡(jiǎn)化為先驗(yàn)知識(shí)[16]和對(duì)比相結(jié)合,先驗(yàn)知識(shí)為人類在觀察一個(gè)物體時(shí)第一眼會(huì)將目光集中到物體的正中央,然后根據(jù)對(duì)比轉(zhuǎn)移視覺注視的區(qū)域。這里的對(duì)比是有缺陷區(qū)域與正常區(qū)域會(huì)產(chǎn)生顯著的變化,從而缺陷與其周圍的環(huán)境之間存在強(qiáng)烈的對(duì)比,進(jìn)而吸引人視覺集中區(qū)域向?qū)Ρ葟?qiáng)烈的區(qū)域移動(dòng)。由上述可以得出,改進(jìn)的初始種子選取方法是由先驗(yàn)知識(shí)預(yù)先設(shè)定的初始點(diǎn)和灰度對(duì)比引起的初始點(diǎn)的偏移量相疊加來確定。用F={f(x,y)|(x,y)∈F}表示圖像,H×W表示圖像的長(zhǎng)和寬。用先驗(yàn)知識(shí)預(yù)先設(shè)定的初始點(diǎn)為圖像正中央點(diǎn)(x0,y0)。偏移量用h來進(jìn)行表示。相結(jié)合之后的點(diǎn)記為(x1,y1)=(x0+hx,y0+hy)。關(guān)于偏移量h定義表達(dá)式為:

(1)

首先以中心點(diǎn)所在行和列作為分界線,將圖像分為4個(gè)區(qū)域,分別記為A1、A2、A3、A4。A1表示圖像的左上角區(qū)域,A2表示圖像的右上角區(qū)域,A3表示圖像的左下角區(qū)域,A4表示圖像的右下角區(qū)域。M1表示A1區(qū)域的區(qū)域平均灰度,M2、M3、M4分別代表該區(qū)域的平均灰度。區(qū)域平均灰度Mi的計(jì)算公式為:

(2)

式中:f(x,y)表示Ai內(nèi)的像素點(diǎn)的灰度值,m表示該區(qū)域內(nèi)的像素點(diǎn)的個(gè)數(shù)。

由此引出λi的計(jì)算表達(dá)式,表達(dá)式為:

(3)

式中:λi是一個(gè)歸一化的量,且具有實(shí)際的物理意義。表示缺陷區(qū)域落在該區(qū)域的可能性大小,或者說是各個(gè)區(qū)域中存在全部或部分缺陷的概率大小。

對(duì)于圖像的兩個(gè)方向來說,d也分為dx和dy,這是一個(gè)常數(shù),分別為1/4W和1/4H,表示每一個(gè)區(qū)域在兩個(gè)方向上都占有全圖1/4的比重,具有其意義而且最后計(jì)算得出的偏移量不會(huì)超過圖像的尺寸。由此h寫成:

(4)

(5)

(6)

方便直接評(píng)價(jià)此方法的實(shí)際表現(xiàn),為此以兩個(gè)金屬超聲缺陷圖像作為方法實(shí)現(xiàn)對(duì)象進(jìn)行實(shí)驗(yàn)。結(jié)果如圖2所示。

(a) 工件a初始點(diǎn)(黑點(diǎn)) (b) 局部放大示意圖

由圖2可以看出,基于注意力機(jī)制的初始種子選取方法所選取出來的點(diǎn)基本上在缺陷上或者是非?？拷毕莸?這說明此方法是切實(shí)可行的。并且此方法無論是思路還計(jì)算過程都是基于圖像本身的灰度統(tǒng)計(jì)量來進(jìn)行的,不需要額外設(shè)置參數(shù),普適性和魯棒性強(qiáng),同時(shí)應(yīng)用范圍廣。

2.2 初始種子選取修正

從上述分析可知,基于注意力機(jī)制的初始種子選取方法較為通用但是所得到的點(diǎn)不一定能夠在缺陷上,這無疑限制了這個(gè)算法的適用情境,為此這里將以這個(gè)算法所選取的點(diǎn)作為基礎(chǔ)來對(duì)這個(gè)算法進(jìn)行修正。

首先,以(x0,y0)作為坐標(biāo)原點(diǎn),橫向作為x軸方向,縱向作為y軸方向建立一個(gè)新的坐標(biāo)系。過(x0,y0)和(x1,y1)在新坐標(biāo)系下得出唯一確定的一條直線L,直線斜率k由偏移量hy和hx之比決定,示意圖如圖3所示。直線L表示為:

圖3 新建坐標(biāo)示意圖

(7)

得到直線L之后,需要對(duì)直線上的點(diǎn)進(jìn)行判斷以此來對(duì)初始選擇的種子點(diǎn)就行修正。進(jìn)行搜索的時(shí)候,不需要對(duì)直線上的所有點(diǎn)都進(jìn)行判斷,只需要對(duì)初始種子點(diǎn)所在的象限進(jìn)行判斷即可。判斷條件為:

f(xi,yi),f(xj,yj),f(xk,yk)>Tp

(8)

式中:(xi,yi),(xj,yj),(xk,yk)分別代表直線L上連續(xù)的3個(gè)點(diǎn)。

該類型礦區(qū)除臨汾市大王中型鐵礦區(qū)外，礦區(qū)多為小型，主要礦區(qū)有：古交郭家梁礦區(qū)；交城席麻嶺礦區(qū)；翼城打鼓山、董家洼礦區(qū)；襄汾黑龍頂、半山里礦區(qū)；曲沃張家灣礦區(qū)；浮山南畔、北山角礦區(qū)及平順?biāo)疁?、壺關(guān)照陽(yáng)溝等小型礦區(qū)。

若直線L滿足式(8)的判斷條件,則將初始選取的種子點(diǎn)修正為滿足條件的3個(gè)點(diǎn)里面最接近(x0,y0)的點(diǎn)。修正之后的初始種子點(diǎn),結(jié)果如圖4所示。

(a) 工件a修正種子點(diǎn)(黑點(diǎn)) (b) 局部放大示意圖

對(duì)比圖2b、圖2d與圖4b、圖4d,可以看出在經(jīng)過初始種子點(diǎn)的修正之后,初始種子均已在在缺陷位置內(nèi)而不是靠近缺陷,說明修正的結(jié)果比較成功的且此選取方法的適用性和魯棒性也得到進(jìn)一步的提高。

3 基于改進(jìn)區(qū)域生長(zhǎng)準(zhǔn)則的缺陷分割

對(duì)于金屬超聲缺陷圖像來說,缺陷大多是以不規(guī)則形狀的連通域出現(xiàn),所以這就要求算法對(duì)缺陷的形狀不敏感,無論缺陷的形狀如何都能識(shí)別出來。而且,一個(gè)圖像中可能會(huì)出現(xiàn)多個(gè)缺陷。對(duì)此,可以引出兩個(gè)要求:對(duì)形狀不敏感和能識(shí)別連通域。

區(qū)域生長(zhǎng)算法具有實(shí)現(xiàn)過程簡(jiǎn)單,運(yùn)算速度較快,不需要提供大量的數(shù)據(jù)支持,可以分割結(jié)果較好的連通域。這個(gè)方法是依照某個(gè)預(yù)先設(shè)定的規(guī)則來對(duì)整個(gè)圖像的全部像素進(jìn)行條件判斷,進(jìn)而將符合預(yù)先設(shè)定的規(guī)則的像素點(diǎn)標(biāo)記并合并成一類。傳統(tǒng)的區(qū)域生長(zhǎng)算法實(shí)現(xiàn)過程如圖5所示。

圖5 區(qū)域生長(zhǎng)方法過程圖

對(duì)于區(qū)域生長(zhǎng)算法來說,算法能夠得出較為完美的結(jié)果的重點(diǎn)在于種子的選取和區(qū)域生長(zhǎng)的判別準(zhǔn)則。第一個(gè)關(guān)鍵點(diǎn)種子的選取已經(jīng)在上面解決,本部分將對(duì)區(qū)域生長(zhǎng)的判別準(zhǔn)則實(shí)現(xiàn)改進(jìn)和優(yōu)化。

3.1 改進(jìn)的區(qū)域生長(zhǎng)判別準(zhǔn)則

就傳統(tǒng)的區(qū)域生長(zhǎng)方法而言,其區(qū)域生長(zhǎng)的判別準(zhǔn)則是預(yù)先設(shè)定一個(gè)固定的閾值,在對(duì)種子點(diǎn)周圍的鄰域進(jìn)行搜索時(shí),若周圍鄰域內(nèi)的未標(biāo)記點(diǎn)灰度與當(dāng)前種子灰度差異大于某個(gè)預(yù)先設(shè)定值,則比較點(diǎn)被標(biāo)記為下一個(gè)種子點(diǎn)并成為當(dāng)前生長(zhǎng)區(qū)域一部分,然后重復(fù)上述過程直到鄰域內(nèi)無符合判別準(zhǔn)則的點(diǎn)。這有一個(gè)明顯的問題,那就是受到種子點(diǎn)的選取的影響非常大。其次,這個(gè)固定閾值是需要人先根據(jù)不同的圖像進(jìn)行預(yù)先設(shè)定的,一個(gè)固定的閾值明顯是不能夠滿足復(fù)雜的圖像分割要求的,所以本研究提出一種根據(jù)生長(zhǎng)全區(qū)域灰度均值的自動(dòng)閾值優(yōu)化生長(zhǎng)判別準(zhǔn)則。

優(yōu)化的思路總體來說是為了減少被選取的初始點(diǎn)的強(qiáng)度對(duì)后續(xù)的區(qū)域生長(zhǎng)判定的影響,所以將種子點(diǎn)所生長(zhǎng)的區(qū)域的全部像素點(diǎn)的平均強(qiáng)度和當(dāng)前種子點(diǎn)灰度值相結(jié)合所得到優(yōu)化灰度來代替初始點(diǎn)本身的強(qiáng)度。這樣可以減少初始點(diǎn)的選取出現(xiàn)錯(cuò)誤及之后導(dǎo)致的每一個(gè)生長(zhǎng)點(diǎn)都依賴于上一個(gè)生長(zhǎng)點(diǎn)的強(qiáng)度。用優(yōu)化灰度代替以上一個(gè)生長(zhǎng)點(diǎn)的灰度作為判斷條件,更加符合人類的視覺直覺,區(qū)域生長(zhǎng)的結(jié)果也更加的平滑和穩(wěn)定。

(9)

式中:T0為當(dāng)前生長(zhǎng)點(diǎn)的灰度值,Ti為待判斷點(diǎn)的灰度值,σ表示優(yōu)化系數(shù)。

(10)

(11)

3.2 改進(jìn)的區(qū)域合并判別準(zhǔn)則

經(jīng)過上述過程之后,輸入圖像的全部像素點(diǎn)都會(huì)帶有各自的生長(zhǎng)區(qū)域的標(biāo)記。這樣不會(huì)出現(xiàn)分割空洞或者有出現(xiàn)像素點(diǎn)未判別的情況。但是全圖掃描也會(huì)出現(xiàn)有缺點(diǎn),那就是將整個(gè)圖像分割成為比較多塊不同標(biāo)記的區(qū)域,而這些區(qū)域之間可能區(qū)域灰度均值接近但是卻帶有不同的區(qū)域標(biāo)記。所以接下來要對(duì)這些區(qū)域進(jìn)行合并。本研究將以區(qū)域梯度幅值作為合并準(zhǔn)則。

因?yàn)閿?shù)字圖像都是離散的信號(hào),所以對(duì)數(shù)字圖像進(jìn)行梯度計(jì)算就需要引入差分來代替連續(xù)函數(shù)的微分運(yùn)算。

中心點(diǎn)(x,y)在x軸方向上的梯度計(jì)算公式為:

(12)

中心點(diǎn)(x,y)在y軸方向上的梯度計(jì)算公式為:

(13)

式中:f(x,y)為圖像像素點(diǎn)(x,y)處的灰度強(qiáng)度。總的梯度幅值為:

(14)

對(duì)于本研究來說,因?yàn)檫M(jìn)過上述的過程之后圖像被分成有限個(gè)的小區(qū)域,那么對(duì)圖像的灰度的計(jì)算可以進(jìn)行一定的簡(jiǎn)化,用區(qū)域的灰度均值代替上述的灰度計(jì)算過程。在進(jìn)行區(qū)域合并前需要先對(duì)各個(gè)區(qū)域按照區(qū)域灰度均值由小到大進(jìn)行排序操作。設(shè)Gi(x,y)為第i個(gè)生長(zhǎng)區(qū)域的灰度梯度,區(qū)域灰度梯度計(jì)算為:

(15)

區(qū)域合并判別準(zhǔn)則為:

ΔG(x,y)=Gi(x,y)-Gj(x,y)≤Tn

(16)

式中:i>j,Tn為合并閾值。

改進(jìn)區(qū)域生長(zhǎng)與合并算法流程如圖6所示。

圖6 改進(jìn)區(qū)域生長(zhǎng)合并法

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)驗(yàn)證與對(duì)比

為了驗(yàn)證本研究提出的基于注意力機(jī)制的初始種子選取的改進(jìn)區(qū)域生長(zhǎng)算法,采用了基于Open Cv4.5.5工具箱下使用Python語(yǔ)言進(jìn)行實(shí)現(xiàn)。并隨機(jī)選取不同形狀的兩種缺陷的金屬工件超聲圖像進(jìn)行缺陷分割和缺陷提取,如圖7所示。此次實(shí)驗(yàn)所用的計(jì)算機(jī)的配置為64位Windows10的操作系統(tǒng), CPU型號(hào)為Intel(R) Core(TM)i5-4210 M,計(jì)算機(jī)主頻為2.6 GHz。

(a) 工件a缺陷原始圖像 (b) 工件b缺陷原始圖像圖7 金屬件缺陷超聲原始圖像

從圖7可以看出來,雖然缺陷形狀較為簡(jiǎn)單,但是在缺陷的周圍都會(huì)有一圈的偽影噪聲而正是這些偽影噪聲會(huì)導(dǎo)致算法對(duì)缺陷真實(shí)范圍識(shí)別錯(cuò)誤,進(jìn)而使得分割精度下降。

本研究將使用Otsu閾值分割法、聚類分割算法和傳統(tǒng)區(qū)域生長(zhǎng)算法來對(duì)超聲圖像進(jìn)行缺陷的分割和提取。將不同算法的結(jié)果與本研究算法進(jìn)行對(duì)比,分析所研究算法中基于注意力機(jī)制的初始種子選取的準(zhǔn)確性和改進(jìn)區(qū)域生長(zhǎng)合并的精確性。分割結(jié)果對(duì)比如圖8所示。

(a) Otsu閾值分割 (b) 聚類算法

從圖8可以看出來,其他3種算法都無法對(duì)缺陷的真實(shí)邊緣進(jìn)行成功的判斷。圖8e、圖8f和圖8fg明顯看出來,圖像的邊緣有明顯的過分割。從圖8a和圖8c能看出來,Otsu閾值分割和傳統(tǒng)區(qū)域生長(zhǎng)算法將邊緣的噪聲也識(shí)別為缺陷的一部分,導(dǎo)致分割結(jié)果會(huì)比實(shí)際缺陷更大一些。而根據(jù)圖8b和圖8f,聚類算法的表現(xiàn)要稍微優(yōu)于其他兩種對(duì)比算法,但是還是出現(xiàn)了過度分割的現(xiàn)象。相比之下,本研究算法對(duì)帶有偽影的缺陷都能較為正確的識(shí)別出缺陷的實(shí)際邊界,可見算法可行且效果較為明顯。

4.2 缺陷提取效果評(píng)價(jià)指標(biāo)及對(duì)比分析

為比較真實(shí)的評(píng)價(jià)結(jié)果和研究所研究方法的有效性,本研究通過精確率(precision)、召回率(recall)作為評(píng)價(jià)指標(biāo)對(duì)這幾種算法結(jié)果進(jìn)行數(shù)值化評(píng)價(jià)[17]。精確率代表的是當(dāng)前使用方法劃分出來區(qū)域中的目標(biāo)區(qū)域與所有劃分出來的區(qū)域的比例,而召回率代表待分割的區(qū)域中使用當(dāng)前方法成功劃分出來的目標(biāo)區(qū)域與圖像中全部帶分割目標(biāo)區(qū)域的比例,精確率和召回率的計(jì)算公式為:

(17)

(18)

式中:TP為正確劃分區(qū)域,FP為錯(cuò)誤劃分區(qū)域,FN為正確但未被劃分區(qū)域。

根據(jù)上述的算法評(píng)價(jià)指標(biāo),本研究所提出的算法與其他3種算法的對(duì)比結(jié)果如表1所示。

表1 不同算法評(píng)價(jià)指標(biāo)對(duì)比

對(duì)比上述所使用的兩個(gè)評(píng)價(jià)指標(biāo),從表1可以看到,對(duì)于工件a,本研究算法在精確率指標(biāo)上較Otsu閾值分割、聚類分割和傳統(tǒng)區(qū)域生長(zhǎng)算法分別提升了10.8%、7.7%和24.6%。在召回率指標(biāo)上,也是4個(gè)算法里面最高的。在工件b上,本研究算法在精確率評(píng)價(jià)下相對(duì)于Otsu閾值分割、聚類分割和傳統(tǒng)區(qū)域生長(zhǎng)算法分別提升5.46%、3.14%和15.6%,召回率評(píng)價(jià)指標(biāo)上也是全部4個(gè)最高。無論是精確率和召回率都是比其他3個(gè)算法都要高,且都非常接近1。

綜上所述,所研究針對(duì)基于區(qū)域生長(zhǎng)的金屬超聲圖像缺陷檢測(cè)方法的算法可以自動(dòng)的實(shí)現(xiàn)初始種子的定位和分割提取缺陷,最終的分割結(jié)果精確性較高,且通過對(duì)比也驗(yàn)證了算法的優(yōu)勢(shì)。

5 結(jié)論

針對(duì)金屬超聲圖像中噪聲等因素的影響導(dǎo)致零件的缺陷識(shí)別精度不足的問題,本文提出了一種基于注意力機(jī)制的初始種子選取的區(qū)域生長(zhǎng)合并的缺陷提取算法?；谧⒁饬C(jī)制的初始種子選取能夠自動(dòng)且有效的定位到缺陷的位置,改進(jìn)的區(qū)域生長(zhǎng)和合并準(zhǔn)則能夠有效的將缺陷周圍的偽影和缺陷的真實(shí)邊界進(jìn)行區(qū)分。實(shí)驗(yàn)結(jié)果表明,所研究算法有效地處理偽影對(duì)缺陷邊緣的干擾影響,對(duì)缺陷提取精度提升較為明顯,因此,所研究針對(duì)基于區(qū)域生長(zhǎng)的金屬超聲圖像缺陷檢測(cè)方法的算法是一種切實(shí)可行的分割算法。