工业领域金属构件承受着循环变化或者是随机变化的载荷作用,在长期应力水平较高的负载下,试件承载能力会下降,最终可能失效断裂。因而,如何预防金属构件失效、避免事故发生至关重要。其中,在循环载荷作用下的疲劳失效是金属构件失效的主要形式,金属构件的疲劳损伤检测是工业无损检测领域一项重要课题。传统基于红外热像法检测金属疲劳状态具有实时、无损、非接触等优势,但是仅以温度作为评估疲劳指标忽略了疲劳过程中金属表面形貌的改变对自发辐射的影响,难以完整解释疲劳劣化过程。理论及实验表明,表面形貌也是金属疲劳过程中的重要特征改变,而自发辐射的偏振特性是表面形貌的重要表征,引入红外偏振检测可从热辐射与偏振两方面综合温度与表面形貌特征变化评估疲劳损伤程度。图像分割是红外偏振检测中的重要一环,将红外偏振图像中的目标区域分割出来,进而提取目标的红外偏振特性是红外偏振检测的基础。若目标与背景区域未能准确分割,提取出的特征将不能准确反映研究对象的特性改变,从而难以精准检测被测量。本文正是针对红外偏振检测中的目标分割环节进行了相关研究。针对红外偏振图像中的目标进行准确分割,目前存在以下几方面的困难:（1）红外偏振图像在成像过程中易受到环境等因素的干扰,引起随机噪声,造成图像模糊、边缘不清晰,可视程度低;（2）偏振成像过程中针对同一目标需要获取多幅不同偏振方位角的原始图像,在偏振解析时会进一步产生偏振度、偏振角、stokes参量等偏振信息图像,合理利用偏振信息时,需要考虑众多偏振信息的冗余性与互补性;（3）传统图像分割方法主要针对单幅图像进行研究,在应用至多通道成像的红外偏振图像中时就会受到一定的限制。经调研后本文采用基于Tsallis熵的图像阈值分割方法,Tsallis熵对Shannon熵进行了扩展,是一种非广延性熵,比较适用于对比度低、噪音大、边缘模糊的图像分割。非广延性反映在由2个独立的子系统和组成的系统中,系统熵（+）满足的赝品可加性。它能够描述具有长相关、长时间记忆和分形结构的物理过程,而图像正可以视为由目标和背景两子系统组成的信息系统,因此可将Tsallis熵这种特性应用到图像分割的阈值选择过程中。利用Tsallis熵的非广延性,进一步考虑目标类和背景类概率分布之间的相互关系,可提高分割的可靠性。Tsallis熵的非广延性集中体现在Tsallis熵的参数上,不同的值反映系统非广延性的差异,本文将Tsallis熵引入红外偏振图像系统中,针对值选取的问题,结合红外偏振图像的特性展开了研究,以选取合理描述红外偏振系统的值,准确分割红外偏振图像。基于上述Tsallis熵的优点,本文将基于Tsallis熵的阈值分割引入红外偏振图像分割中,结合红外偏振成像特点,分别做了以下工作:1、针对单通道红外偏振方位角图像提出一种基于类间方差验证的Tsallis熵阈值分割算法。通过计算不同参数下Tsallis熵阈值分割结果的类间方差,验证参数的有效性,从而将传统Otsu类间方差阈值分割准则与Tsallis熵准则相结合提高分割精度。2、在针对单通道红外偏振方位角图像的基础上更进一步,结合红外偏振多通道成像的特点,利用多通道图像间的冗余性与互补性,将多通道图像作为一个整体,各通道偏振方位角图像相互验证进而对Tsallis熵参数优化选取,提高分割准确性。提出了基于Tsallis熵的多通道红外偏振图像阈值分割方法。3、图像分割作为红外偏振检测重要一环,本文最后,将分割应用于红外偏振检测中,对金属疲劳过程中的红外偏振特性进行了特征提取,通过对多种分割算法的比较以体现本文研究的意义。同时对基于红外偏振特征的金属疲劳检测相关流程进行了论述。图[37]表[12]参[60]