工业铸件在其生产过程中，由于受到各种主客观因素的影响，常会在其内部产生一些缺陷，而这些缺陷严重时会造成工件的安全使用隐患，因此在工件使用前要对其进行缺陷检测。DR(Digital Radiograph，数字式X射线成像)系统因其具有成像质量好、检测效率高等优点有着广泛的应用前景，通过X射线扫描工件得到浮点型数据，然后进行数据动态范围拉伸并取整就可以得到工件内部的数字灰度图像。本文有别于通常的直接对灰度图像做缺陷检测，而是先将灰度图像合成为彩色图像后再做缺陷检测，通过采用基于C-V(Chan-Vese)模型的图像分割方法和基于区域生长的图像分割方法分别对灰度图像和彩色图像做缺陷检测，实验结果表明彩色图像的分割效果较好。　　 使用DR系统扫描工件得到浮点型数据后，通常的做法是，直接将所有数据拉伸为灰度图像，这样做损失了很多数据，使得灰度图像的细节丢失严重，图像中缺陷显示效果很不理想；或者是只截取其中一段数据拉伸为灰度图像，这样做只能显示出部分缺陷，因为工件不同壁厚部位的缺陷对应不同的数据段；再或者是截取不同的数据段得到显示工件不同壁厚部位缺陷的灰度图像，然后对每幅灰度图像做缺陷检测，这样做效率较低且不直观。本文针对DR图像的特点，自动截取不同的数据段得到能够显示工件不同壁厚部位缺陷的灰度图像，然后合成为彩色图像。首先，这样做可以增强视觉效果，因为人眼对色彩敏感，它能识别上万种彩色但只能分辨出几十种灰度等级；其次，这样做得到的合成彩色图像包含了我们所关心的工件不同壁厚部位的缺陷；最后，相比用多幅灰度图像显示不同壁厚部位缺陷的处理方法，显然用一幅彩色图像显示省时省力且直观。　　 C-V模型是Chan和Vese在简化M-S(Munford-Shah)模型的基础上提出的图像分割方法，它具有M-S模型的优点并且减少了M-S模型的计算复杂度。Chan和Vese也把C-V模型推广到关于N维向量值图像的情形，因此C-V模型可以分割灰度图像和彩色图像。本文采用C-V模型对铁路货车侧架的DR灰度图像和合成彩色图像分别进行缺陷检测，实验结果表明后者效果较好。C-V模型分割精度高，但是当图像存在强边缘时(如工件外部边界、工件厚壁区域与薄壁区域的分界线等)，C-V模型只能进行局部图像分割而对整幅图像分割效果不理想，而基于区域生长的分割方法就可以对整幅图像进行分割，区域生长是常见的图像分割方法，它利用的是图像的空间性质，但种子点的自动选取是难点，本文又采用区域生长的分割方法对铁路货车侧架的DR灰度图像和合成彩色图像分别进行缺陷检测，实验结果表明后者效果较好。　　 最后，根据MFC(Microsoft Foundation Classes)编写出应用软件具有如下功能：将原始浮点型数据拉伸为灰度图像、灰度图像合成为彩色图像、C-V模型分割DR灰度图像和合成彩色图像、区域生长方法分割DR灰度图像和合成彩色图像等。