CN103345635A - 一种基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法 - Google Patents
一种基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法 Download PDFInfo
- Publication number
- CN103345635A CN103345635A CN2013103289305A CN201310328930A CN103345635A CN 103345635 A CN103345635 A CN 103345635A CN 2013103289305 A CN2013103289305 A CN 2013103289305A CN 201310328930 A CN201310328930 A CN 201310328930A CN 103345635 A CN103345635 A CN 103345635A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional histogram
- local signal
- sigma
- signal strength
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法,本发明涉及光学元件在线检测领域,尤其涉及大型光学系统大口径光学元件快速在线检测的方法。本发明是要解决传统分割算法很容易漏检的问题。一、背景图像I(x,y)back的获得;二、局部信号强度比图像M(x,y)的获得;三、将图像I(x,y)归一化为L1级,将局部信号强度比图像M(x,y)归一化为L2级,生成改进二维直方图;四、截取局部二维直方图Q,计算图像I(x,y)的平均灰度;五、将二维峰值剔除问题转化为一维峰值剔除问题;六、一维峰值剔除;七、二维直方图单峰剔除;八、最终损伤区域提取。本发明应用于光学元件在线检测领域。
Description
技术领域
本发明涉及光学元件在线检测领域,尤其涉及大型光学系统大口径光学元件快速在线检测的方法。
背景技术
在大型高功率光学系统中,由于光束自聚焦等原因,光学元件在长期的强激光辐射下其表面及内部会产生激光损伤,激光损伤需要在初始形成阶段就进行探测和跟踪,在损伤尺寸达到一定阈值前及时维修,否则将造成不可修复的损伤,形成巨大的经济损失。综合考虑检测精度及检测效率,目前普遍采用基于机器视觉的在线检测方法对大型光学系统中的光学元件进行检测。
目前图像分割主要有基于区域的分割方法、基于边界的分割方法、基于模糊集理论的分割方法以及基于小波变换的分割方法等等,这些方法都有各自的特点以及适合的领域。光学元件损伤在线检测图像中损伤区域一般只有几个像素,而且某些损伤区域的灰度值相对较低;另外,由于杂散光等因素的影响,图像容易出现较亮的“背景”,这些亮“背景”与损伤区域的灰度差别很小,尤其当某些弱损伤区域正好处于亮“背景”之上的时候,采用传统分割算法很容易漏检。
传统直方图主要通过考察像素点与其局部区域的联系来实现图像分割,这对于大物体的检测效果很好。但如果图像中损伤区域过小,再通过考察物体与局部区域的联系来进行图像分割,小物体很容易被大背景淹没。另外,对于光学元件在线检测图像,损伤区域占整个图像很小一部分,因此采用传统二维直方图很难出现背景、物体两个峰值。为此,提出了一种改进二维直方图。
发明内容
本发明是要解决传统分割算法很容易漏检的问题,而提供了一种基于局部信号强度及改进基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法包括以下内容:
一、背景图像I(x,y)back的获得
将图像I(x,y)通过灰度开运算得到背景图像I(x,y)back为
I(x,y)back=I(x,y)οB=(I(x,y)ΘB)⊕B
其中,所述I为原图像,B为模板函数,(x,y)为像素点于图像中的坐标;
二、局部信号强度比图像M(x,y)的获得
将步骤一中得到的背景图像I(x,y)back采用了基于高斯滤波器的局部信号强度比的方法对损伤区域进行低漏检率识别,得到定义局部信号强度比图像为:
其中,σ为标准差;
三、将图像I(x,y)归一化为L1级,将局部信号强度比图像M(x,y)归一化为L2级,生成改进二维直方图;其中,所述改进二维直方图中部信号强度比图像M(x,y)为横坐标,灰度I(x,y)为纵坐标;
四、截取局部二维直方图Q,计算图像I(x,y)的平均灰度
其中,所述图像I(x,y)尺寸为M×N;
五、将二维峰值剔除问题转化为一维峰值剔除问题
提取Q中全部非0的元素放到一个一维数组Z里,将Z中的元素从大到小排序,排序后的数组在初始边缘区域呈现单峰;
六、一维峰值剔除
对Z进行归一化,提取其中全部非0部分;
七、二维直方图单峰剔除
在截取图像Q中剔除掉Z中的非0的部分(即Q中单峰)并将其替换掉M(x,y)相应部分;
八、最终损伤区域提取
逐一考察最新二维直方图中非零点,并还原到I(x,y)中,实现损伤区域提取。
二维直方图的光学元件损伤在线检测方法。
发明效果:
传统二维直方图及Otsu算法漏掉了很多的损伤点信息,而FCM聚类算法则没有解决亮背景的问题,许多背景被误检为损伤点。而本发明方法不但保证了损伤点的低漏检率检测,而且没有将背景区域误检为物体,很好的解决了亮背景的问题。
为验证本发明方法的检测精度,将某大型光学系统中一块光学元件在高精度离线检测系统(检测分辨率2μm)下检测后,随机抽取检测结果中200个50μm以上的损伤点。通过本方法处理其在线检测图像(像素当量为150μm/pix),逐一考察上述200个损伤点。实验结果表明,检测率为100%。
附图说明
图1是本发明流程图;
图2是实施例中基于局部信号强度比的改进二维直方图;
图3是实施例中改进二维直方图2D图像;
图4是实施例中改进二维直方图3D图像;
图5为从大到小排列后的一维数组Z;
图6是实施例中背景剔除后二维直方图3D图像;
图7(a)是实施例中光学元件损伤在线检测图像,图7(b)是传统二维直方图检测结果图,图7(c)是Otsu算法检测结果图,图7(d)FCM聚类算法检测结果图,图7(e)是本发明方法检测结果图。
具体实施方式
具体实施方式一:本实施方式的基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法包括以下内容:
一、背景图像I(x,y)back的获得
将图像I(x,y)通过灰度开运算得到背景图像I(x,y)back为
I(x,y)back=I(x,y)οB=(I(x,y)ΘB)⊕B
其中,所述I为原图像,B为模板函数,(x,y)为像素点于图像中的坐标;
二、局部信号强度比图像M(x,y)的获得
将步骤一中得到的背景图像I(x,y)back采用了基于高斯滤波器的局部信号强度比的方法对损伤区域进行低漏检率识别,得到定义局部信号强度比图像为:
其中,σ为标准差;
三、将图像I(x,y)归一化为L1级,将局部信号强度比图像M(x,y)归一化为L2级,生成改进二维直方图;其中,所述改进二维直方图中部信号强度比图像M(x,y)为横坐标,灰度I(x,y)为纵坐标;
四、截取局部二维直方图Q,计算图像I(x,y)的平均灰度
其中,所述图像I(x,y)尺寸为M×N;
五、将二维峰值剔除问题转化为一维峰值剔除问题
提取Q中全部非0的元素放到一个一维数组Z里,将Z中的元素从大到小排序,排序后的数组在初始边缘区域呈现单峰;
六、一维峰值剔除
对Z进行归一化,提取其中全部非0部分;
七、二维直方图单峰剔除
在截取图像Q中剔除掉Z中的非0的部分(即Q中单峰)并将其替换掉M(x,y)相应部分;
八、最终损伤区域提取
逐一考察最新二维直方图中非零点,并还原到I(x,y)中,实现损伤区域提取。
本实施方式效果:
传统二维直方图及Otsu算法漏掉了很多的损伤点信息,而FCM聚类算法则没有解决亮背景的问题,许多背景被误检为损伤点。而本实施方式方法不但保证了损伤点的低漏检率检测,而且没有将背景区域误检为物体,很好的解决了亮背景的问题。
为验证本实施方式方法的检测精度,将某大型光学系统中一块光学元件在高精度离线检测系统(检测分辨率2μm)下检测后,随机抽取检测结果中200个50μm以上的损伤点。通过本方法处理其在线检测图像(像素当量为150μm/pix),逐一考察上述200个损伤点。实验结果表明,检测率为100%。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一中所述将图像I(x,y)通过灰度开运算得到背景图像具体为:
灰度腐蚀可表示为:
(IΘB)(x,y)=min{I(x+m,y+n)-B(m,n)|(x+m),(y+n)∈DI;(m,n)∈DB} (1)
灰度膨胀可表示为:
(I⊕B)(x,y)=min{I(x-m,y-n)+B(m,n)|(x-m),(y-n)∈DI;(m,n)∈DB} (2)
式(1)及式(2)中,B为结构元素DI和DB分别为I及B的定义域,平移参数(x+m)及(y+n)必须在I的定义域内,因此通过灰度开运算得到背景图像为
I(x,y)back=I(x,y)οB=(I(x,y)ΘB)⊕B。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:步骤二中将步骤一中得到的背景图像I(x,y)back采用了基于高斯滤波器的局部信号强度比的方法对损伤区域进行低漏检率识别具体为:
由于高斯高通滤波对图像中高强度信号起到锐化的作用,于是局部信号强度图像可定义为
局部背景强度考察的是一个区域的整体性质,因此为了减小强信号对于背景强度计算的影响,定义背景强度图像为
其中标准差σ的值需要根据图像质量通过实验确定,为避免出现开平方运算,定义局部信号强度比图像为:
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:步骤三中所述将图像I(x,y)归一化为L1级,将局部信号强度比图像M(x,y)归一化为L2级,生成改进二维直方图具体为:
对于光学元件损伤在线检测图像I(x,y),其图像的灰度级为L1,将通过M(x,y)得到的其局部信号强度比图像M(x,y)归一化为L2级,与传统二维直方图类似,改进二维直方图的纵坐标为检测图像的灰度,但是横坐标由原来的区域平均灰度变为归一化后的局部信号比M(x,y)。其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤三中直方图的建立具体为:
逐一考察原图像I(x,y)的像素点,并参考局部信号强度比图像M(x,y)中相对应的像素点;如果像素点I(m,n)对应的灰度值为j,对应的局部信号强度比M(x,y)=i,则在改进二维直方图的坐标(i,j)点累加1,遍历I(x,y)所有的像素点并累加到改进二维直方图后,完成直方图的建立。其它步骤及参数与具体实施方式一至四之一相同。
通过以下实施例验证本实施方式效果:
1)通过灰度开运算得到光学元件损伤在线检测图像背景图像I(x,y)的背景图像Iback(x,y);
2)通过式 得到I(x,y)的局部信号强度比图像M(x,y);
3)通过原图像I(x,y)与局部信号强度比图像M(x,y)建立改进二维直方图;
5)将区域Q中的全部非0元素按从大到小的顺序排列到一个一维数组Z中;
7)通过式(9)在局部区域Q中剔除背景;
8)将剔除掉背景后的局部区域Q还原到整体二维直方图中;
9)逐一考察二维直方图中的各非零点,还原到I(x,y)中,得到I(x,y)中的损伤区域检测结果。
图3为改进二维直方图的二维版本、图4为三维版本。通过观察可以发现,由于考察了物体与局部背景的区别,在传统二维直方图中集中在对角线上分布的像素点现在根据不同的灰度及局部信号强度比性质自动的按照几个曲线分布,不但物体与背景区分开了,不同性质的物体也按照不同的性质自动分布在不同的曲线区域内;图4中左下角的单峰即为原图像的背景。
在改进二维直方图中,背景呈单峰,分布于二维直方图的左下区域。因此剔除背景时,为了减小计算量、提高计算速度,可以先截取出左下的一部分区域,在该区域对单峰进行提取。在I(x,y)中,损伤区域只占整个图像很小的一部分,因此全部像素点的平均灰度会略高于背景的灰度,根据这一特点,可以将图像左下角划分出一个区域Q,该区域包含全部的背景。
对于尺寸为M×N的检测图像I(x,y),其平均灰度
其中I(i,j)为灰度值函数,因此依照与改进二维直方图相同的比例L1×L2截取图像,其尺寸为在截取图像中只有少量像素具有值,大部分为0,为减少运算量,提取其中全部非0的元素放到一个一维数组Z里,将Z中的元素从大到小排序,排序后的数组在初始边缘区域呈现单峰如图5所示。于是,背景剔除从二维单峰剔除转化为一维单峰值剔除,单峰即为I(x,y)图像中的背景区域。考虑到数组Z中峰值强度较大但数量较少,而其他元素的强度十分接近的特点,采用归一化的方法实现阈值确定。图5即为归一化后得到的结果,可以发现,归一化后,除峰值外的其他像素归一化后都变为0。
可将截取图像M中的单峰去掉,即在二维直方图中实现了背景剔除如图6所示。
在二维直方图中剔除了背景后,逐一考察二维直方图中的各非零点,还原到I(x,y)中,即为最终I(x,y)中的损伤区域检测结果。
图7(a)、(b)、(c)、(d)与(e)为改进二维直方图法与传统像素级图像分割算法的比较试验。传统二维直方图及Otsu算法漏掉了很多的损伤点信息。而FCM聚类算法则没有解决亮背景的问题,许多背景被误检为损伤点。而本文算法不但保证了损伤点的低漏检率检测,而且没有将背景区域误检为物体,很好的解决了亮背景的问题。
Claims (5)
1.一种基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法,其特征在于基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法包括以下内容:
一、背景图像I(x,y)back的获得
将图像I(x,y)通过灰度开运算得到背景图像I(x,y)back为
I(x,y)back=I(x,y)οB=(I(x,y)ΘB)⊕B
其中,所述I为原图像,B为模板函数,(x,y)为像素点于图像中的坐标;
二、局部信号强度比图像M(x,y)的获得
将步骤一中得到的背景图像I(x,y)back采用了基于高斯滤波器的局部信号强度比的方法对损伤区域进行低漏检率识别,得到定义局部信号强度比图像为:
其中,σ为标准差;
三、将图像I(x,y)归一化为L1级,将局部信号强度比图像M(x,y)归一化为L2级,生成改进二维直方图;其中,所述改进二维直方图中部信号强度比图像M(x,y)为横坐标,灰度I(x,y)为纵坐标;
四、截取局部二维直方图Q,计算图像I(x,y)的平均灰度
其中,所述图像I(x,y)尺寸为M×N;
五、将二维峰值剔除问题转化为一维峰值剔除问题
提取Q中全部非0的元素放到一个一维数组Z里,将Z中的元素从大到小排序,排序后的数组在初始边缘区域呈现单峰;
六、一维峰值剔除
对Z进行归一化,提取其中全部非0部分;
七、二维直方图单峰剔除
在截取图像Q中剔除掉Z中的非0的部分(即Q中单峰)并将其替换掉M(x,y)相应部分;
八、最终损伤区域提取
逐一考察最新二维直方图中非零点,并还原到I(x,y)中,实现损伤区域提取。
2.根据权利要求1所述的基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法,其特征在于步骤一中所述将图像I(x,y)通过灰度开运算得到背景图像具体为:
灰度腐蚀可表示为:
(IΘB)(x,y)=min{I(x+m,y+n)-B(m,n)|(x+m),(y+n)∈DI;(m,n)∈DB} (1)
灰度膨胀可表示为:
(I⊕B)(x,y)=min{I(x-m,y-n)+B(m,n)|(x-m),(y-n)∈DI;(m,n)∈DB} (2)
式(1)及式(2)中,B为结构元素DI和DB分别为I及B的定义域,平移参数(x+m)及(y+n)必须在I的定义域内,因此通过灰度开运算得到背景图像为
I(x,y)back=I(x,y)οB=(I(x,y)ΘB)⊕B。
3.根据权利要求1所述的基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法,其特征在于步骤二中将步骤一中得到的背景图像I(x,y)back采用了基于高斯滤波器的局部信号强度比的方法对损伤区域进行低漏检率识别具体为:
由于高斯高通滤波对图像中高强度信号起到锐化的作用,于是局部信号强度图像可定义为
局部背景强度考察的是一个区域的整体性质,因此为了减小强信号对于背景强度计算的影响,定义背景强度图像为
其中标准差σ的值需要根据图像质量通过实验确定,为避免出现开平方运算,定义局部信号强度比图像为:
4.根据权利要求1所述的基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法,其特征在于步骤三中所述将图像I(x,y)归一化为L1级,将局部信号强度比图像M(x,y)归一化为L2级,生成改进二维直方图具体为:
对于光学元件损伤在线检测图像I(x,y),其图像的灰度级为L1,将通过M(x,y)得到的其局部信号强度比图像M(x,y)归一化为L2级,与传统二维直方图类似,改进二维直方图的纵坐标为检测图像的灰度,但是横坐标由原来的区域平均灰度变为归一化后的局部信号比M(x,y)。
5.根据权利要求1所述的基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法,其特征在于所述步骤三中直方图的建立具体为:
逐一考察原图像I(x,y)的像素点,并参考局部信号强度比图像M(x,y)中相对应的像素点;如果像素点I(m,n)对应的灰度值为j,对应的局部信号强度比M(x,y)=i,则在改进二维直方图的坐标(i,j)点累加1,遍历I(x,y)所有的像素点并累加到改进二维直方图后,完成直方图的建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103289305A CN103345635A (zh) | 2013-07-31 | 2013-07-31 | 一种基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103289305A CN103345635A (zh) | 2013-07-31 | 2013-07-31 | 一种基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103345635A true CN103345635A (zh) | 2013-10-09 |
Family
ID=49280430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103289305A Pending CN103345635A (zh) | 2013-07-31 | 2013-07-31 | 一种基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345635A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793339A (zh) * | 2021-11-18 | 2021-12-14 | 北京的卢深视科技有限公司 | Doe脱落程度检测方法、电子设备和存储介质 |
CN116221231A (zh) * | 2023-05-09 | 2023-06-06 | 湖南奥通智能研究院有限公司 | 一种高精度油缸位移检测方法及液压油缸 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932838A (zh) * | 2005-09-12 | 2007-03-21 | 电子科技大学 | 一种基于投影法和数学形态学的车牌提取方法 |
CN102169580A (zh) * | 2011-04-08 | 2011-08-31 | 中国船舶重工集团公司第七○二研究所 | 利用图像统计特征的自适应图像处理方法 |
CN102622598A (zh) * | 2012-01-13 | 2012-08-01 | 西安电子科技大学 | 基于区域标记与灰度统计的sar图像目标检测方法 |
-
2013
- 2013-07-31 CN CN2013103289305A patent/CN103345635A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932838A (zh) * | 2005-09-12 | 2007-03-21 | 电子科技大学 | 一种基于投影法和数学形态学的车牌提取方法 |
CN102169580A (zh) * | 2011-04-08 | 2011-08-31 | 中国船舶重工集团公司第七○二研究所 | 利用图像统计特征的自适应图像处理方法 |
CN102622598A (zh) * | 2012-01-13 | 2012-08-01 | 西安电子科技大学 | 基于区域标记与灰度统计的sar图像目标检测方法 |
Non-Patent Citations (2)
Title |
---|
FENG BO等: "Segmentation of Small Defects in Final Optics Damage Online Inspection Images", 《IMAGEANALYSIS AND SIGNAL PROCESSING》 * |
冯博等: "光学元件损伤在线检测图像处理技术", 《强激光与粒子束》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793339A (zh) * | 2021-11-18 | 2021-12-14 | 北京的卢深视科技有限公司 | Doe脱落程度检测方法、电子设备和存储介质 |
CN116221231A (zh) * | 2023-05-09 | 2023-06-06 | 湖南奥通智能研究院有限公司 | 一种高精度油缸位移检测方法及液压油缸 |
CN116221231B (zh) * | 2023-05-09 | 2023-08-15 | 湖南奥通智能研究院有限公司 | 一种高精度油缸位移检测方法及液压油缸 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839268B (zh) | 一种地铁隧道表面裂缝的检测方法 | |
CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN106296666A (zh) | 一种彩色图像去阴影方法和应用 | |
CN104766046A (zh) | 一种利用交通标识颜色及形状特征进行检测与识别算法 | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN102024144A (zh) | 集装箱箱号自动识别方法 | |
CN103345755A (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN104700092A (zh) | 一种基于模板和特征匹配相结合的小字符数字识别方法 | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN109426814A (zh) | 一种发票图片特定板块的定位、识别方法、系统、设备 | |
CN103824088A (zh) | 基于多信息联合动态稀疏表示的sar目标变体识别方法 | |
CN102622598A (zh) | 基于区域标记与灰度统计的sar图像目标检测方法 | |
Prabhakar et al. | A novel design for vehicle license plate detection and recognition | |
CN105678735A (zh) | 一种用于雾天图像的目标显著性检测方法 | |
CN106651893A (zh) | 一种基于边缘检测的墙体裂缝识别方法 | |
CN107463895A (zh) | 基于邻域向量pca的弱小损伤目标检测方法 | |
CN107392953B (zh) | 基于等高线的深度图像识别方法 | |
CN103455816B (zh) | 一种笔画宽度提取方法、装置及一种文字识别方法、系统 | |
CN104168462B (zh) | 基于图像角点集特征的摄像头场景变换检测方法 | |
CN110097524A (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
CN103345635A (zh) | 一种基于局部信号强度及改进二维直方图的光学元件损伤在线检测方法 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN104166847A (zh) | 一种基于ulbp特征子空间的2dlda人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131009 |
|
WD01 | Invention patent application deemed withdrawn after publication |