CN111289224B - 一种自动识别ctf测试图像并计算数值的方法 - Google Patents

一种自动识别ctf测试图像并计算数值的方法 Download PDF

Info

Publication number
CN111289224B
CN111289224B CN202010052457.2A CN202010052457A CN111289224B CN 111289224 B CN111289224 B CN 111289224B CN 202010052457 A CN202010052457 A CN 202010052457A CN 111289224 B CN111289224 B CN 111289224B
Authority
CN
China
Prior art keywords
image
value
target
ctf
minimum
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.)
Active
Application number
CN202010052457.2A
Other languages
English (en)
Other versions
CN111289224A (zh
Inventor
崔文楠
张涛
杨鹏博
孙浩
虞翔
李洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Technical Physics of CAS
Original Assignee
Shanghai Institute of Technical Physics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Technical Physics of CAS filed Critical Shanghai Institute of Technical Physics of CAS
Priority to CN202010052457.2A priority Critical patent/CN111289224B/zh
Publication of CN111289224A publication Critical patent/CN111289224A/zh
Application granted granted Critical
Publication of CN111289224B publication Critical patent/CN111289224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G01M11/02—Testing optical properties
    • G01M11/0292—Testing optical properties of objectives by measuring the optical modulation transfer function
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G01M11/02—Testing optical properties
    • G01M11/0242—Testing optical properties by measuring geometrical properties or aberrations
    • G01M11/0257—Testing optical properties by measuring geometrical properties or aberrations by analyzing the image formed by the object to be tested
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种自动识别CTF测试图像并计算数值的方法，主要应用在利用多杆方形靶标对光学系统MTF测试中，实现在位置和角度没有对准的情况下自动识别靶标位置和角度，自动计算测试图的CTF数值，进而计算出系统的MTF。本发明主要适用于目标靶标法，在传统的目标靶标法中需要将靶标的位置和角度与被测系统进行对准，需要精密的工装和繁琐的对准工作，本发明中提出的方法可以在位置和角度没有对准的情况下自动识别靶标位置和角度，自动计算测试图的CTF数值，进而计算出系统的MTF，减少对工装和对准的要求。

Description

一种自动识别CTF测试图像并计算数值的方法
技术领域
本发明涉及自动图像处理技术，具体涉及一种自动识别CTF测试图像并计算数值的方法，适用于光学系统MTF测量领域。
背景技术
光学系统MTF的测量方法主要有3种，一种是干涉法，主要测量被测波阵面与标准波阵面的干涉条纹，算出MTF，干涉法使用不太普遍，一种是线扩散函数法，主要通过刀口扫描得到边缘函数，再求微分得到线扩散函数，对线扩散函数进行傅里叶变换得到系统的MTF，一种是目标靶标法，主要是通过多杆方形靶标获取对比度传递函数CTF，再通过傅里叶级数展开公式计算系统的MTF。
本发明主要适用于目标靶标法，在传统的目标靶标法中需要将靶标的位置和角度与被测系统进行对准，需要精密的工装和繁琐的对准工作，本发明中提出的方法可以在位置和角度没有对准的情况下自动识别靶标位置和角度，自动计算测试图的CTF数值，进而计算出系统的MTF，减少对工装和对准的要求。
发明内容
本发明公开了一种自动识别CTF测试图像并计算数值的方法，主要应用在利用多杆方形靶标对光学系统MTF测试中，实现在位置和角度没有对准的情况下自动识别靶标位置和角度，自动计算测试图的CTF数值，进而计算出系统的MTF，方法包括以下9个步骤：
第一步，对获取的靶标原始图像进行中值滤波，原始图像为Iraw，滤波后的图像为Ifilter，滤波公式为Ifilter＝medfilt2(Iraw,[mm])，其中medfilt2为Matlab中的处理函数，m为中值滤波的窗口大小。
第二步，对滤波后的图像进行灰度拉伸，拉伸后的图像为Iadj，灰度拉伸的公式为Iadj＝(highout-lowout)/(highin-lowin)×(Ifilter-lowin)，其中highout为输出图像最大灰度值，lowout为输出图像最小灰度值，highin为输入图像最大灰度值，lowin为输入图像最小灰度值。
第三步，利用比例门限进行阈值分割，提取多杆靶标，阈值分割后的图像为Ibw，阈值分割的公式为
Figure BDA0002371666730000021
其中level为比列门限，选取0.8。
第四步，对阈值分割后的图像进行连通域判断，利用重心法获取多杆靶标中心坐标，分别为(cx1,cy1),…,(cxk,cyk)，其中k为多杆靶标数目，应为奇数，利用最小二乘法拟合出中心线，中心线的方程为y＝p1x+p2，其中p1,p2为最小二乘法拟合得到的系数，利用Matlab中的regionprops函数获取所有靶标的宽度向量，取平均后获得单个靶标的宽度width。
第五步，获取中心线上横纵坐标向量，该坐标向量应满足3个条件，一是满足中心线方程，二是满足坐标值到中心靶标的中心坐标的距离小于等于限定长度，限定长度
Figure BDA0002371666730000022
三是坐标值应为正整数。
第六步，在原始图像数据中提取第五步中获取的横纵坐标向量对应的图像数据，为中心线图像数据Iobj，求取中心线图像数据的最大值maxobj和指定区域的最小值minobj，避免求取背景中的最小值，指定的区域为第一次和最后一次出现0.8倍maxobj之间的区域。
第七步，按照前六步的方法对连续获取的F幅测试图进行自动处理，获取最大值和最小值向量，并取平均值，分别为
Figure BDA0002371666730000031
和
Figure BDA0002371666730000032
其中F选取100。
第八步，获取被测系统面向低温均匀目标的F幅图像，分别对时间噪声和空间噪声取平均，获取背景噪声均值，
Figure BDA0002371666730000033
其中Ibak为获取的背景图像数据，i为图像行序号，j为图像列序号，f为图像序号，M为图像行数目，N为图像列数目。
第九步，利用第七步中获取的最大值平均值和最小值平均值和第八步中获取的背景噪声均值计算CTF数值，计算公式为
Figure BDA0002371666730000034
本发明的优点：
可以在位置和角度没有对准的情况下自动识别靶标位置和角度，自动计算测试图的CTF数值，减少对工装和对准的要求。
附图说明
图1为自动识别算法基本框图。
图2为自动识别的中心线图像数据。
具体实施方式
下面结合附图和实例，对本发明作进一步详细的说明。
第一步，原始图像为Iraw，图像大小211×251，为中值滤波后的图像为Ifilter，中值滤波的窗口大小为3×3。
第二步，拉伸后的图像为Iadj，其中输出图像最大灰度值为65535，输出图像最小灰度值为0。
第三步，阈值分割的比列门限为0.8，阈值分割后的图像为Ibw。
第四步，连通域的中心坐标分别为(46.13,95.39)，(86.57,100.88)，(127.02,106.62)，(167.59,112.36)，(208.23,117.92)，靶标杆数为5，拟合后的中心线的方程为y＝0.1395x+88.8969，中心靶标的中心坐标(127.02,106.62)，单个靶标的宽度为21.81。
第五步，中心线上横纵坐标向量分别为[8,9,10…,244,245]和[90,90,90…,122,123]，向量维数为238。
第六步，获取中心线图像数据并画曲线，图像数据最大值为4585，最小值为4401。
第七步，连续获取的100幅测试图进行自动处理，最大值的平均值为4584.8，最小值的平均值为4399.4。
第八步，获取被测系统面向低温均匀目标的100幅图像，背景噪声均值为4351。
第九步，计算CTF数值为0.6568。

Claims (1)

1.一种自动识别CTF测试图像并计算数值的方法，其特征在于包括以下步骤：
第一步，对获取的靶标原始图像进行中值滤波，原始图像为Iraw，滤波后的图像为Ifilter，滤波公式为Ifilter＝medfilt2(Iraw，[m m])，其中medfilt2为Matlab中的处理函数，m为中值滤波的窗口大小；
第二步，对滤波后的图像进行灰度拉伸，拉伸后的图像为Iadj，灰度拉伸的公式为Iadj＝(highout-lowout)/(highin-lowin)×(Ifilter-lowin)，其中highout为输出图像最大灰度值，lowout为输出图像最小灰度值，highin为输入图像最大灰度值，lowin为输入图像最小灰度值；
第三步，利用比例门限进行阈值分割，提取多杆靶标，阈值分割后的图像为Ibw，阈值分割的公式为
Figure FDA0002371666720000011
其中level为比列门限，选取0.8；
第四步，对阈值分割后的图像进行连通域判断，利用重心法获取多杆靶标中心坐标，分别为(cx1，cy1)，…，(cxk，cyk)，其中k为多杆靶标数目，应为奇数，利用最小二乘法拟合出中心线，中心线的方程为y＝p1x+p2，其中p1，p2为最小二乘法拟合得到的系数，利用Matlab中的regionprops函数获取所有靶标的宽度向量，取平均后获得单个靶标的宽度width；
第五步，获取中心线上横纵坐标向量，该坐标向量应满足3个条件，一是满足中心线方程，二是满足坐标值到中心靶标的中心坐标的距离小于等于限定长度，限定长度
Figure FDA0002371666720000012
三是坐标值应为正整数；
第六步，在原始图像数据中提取第五步中获取的横纵坐标向量对应的图像数据，为中心线图像数据Iobj，求取中心线图像数据的最大值maxobj和指定区域的最小值minobj，避免求取背景中的最小值，指定的区域为第一次和最后一次出现0.8倍maxobj之间的区域；
第七步，按照前六步的方法对连续获取的F幅测试图进行自动处理，获取最大值和最小值向量，并取平均值，分别为
Figure FDA0002371666720000021
和
Figure FDA0002371666720000022
其中F选取100；
第八步，获取被测系统面向低温均匀目标的F幅图像，分别对时间噪声和空间噪声取平均，获取背景噪声均值，
Figure FDA0002371666720000023
其中Ibak为获取的背景图像数据，i为图像行序号，j为图像列序号，f为图像序号，M为图像行数目，N为图像列数目；
第九步，利用第七步中获取的最大值平均值和最小值平均值和第八步中获取的背景噪声均值计算CTF数值，计算公式为
Figure FDA0002371666720000024
CN202010052457.2A 2020-01-17 2020-01-17 一种自动识别ctf测试图像并计算数值的方法 Active CN111289224B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010052457.2A CN111289224B (zh) 2020-01-17 2020-01-17 一种自动识别ctf测试图像并计算数值的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010052457.2A CN111289224B (zh) 2020-01-17 2020-01-17 一种自动识别ctf测试图像并计算数值的方法

Publications (2)

Publication Number Publication Date
CN111289224A CN111289224A (zh) 2020-06-16
CN111289224B true CN111289224B (zh) 2021-08-06

Family

ID=71029940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010052457.2A Active CN111289224B (zh) 2020-01-17 2020-01-17 一种自动识别ctf测试图像并计算数值的方法

Country Status (1)

Country Link
CN (1) CN111289224B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6900884B2 (en) * 2001-10-04 2005-05-31 Lockheed Martin Corporation Automatic measurement of the modulation transfer function of an optical system
JP2016020896A (ja) * 2014-06-20 2016-02-04 キヤノン株式会社 位置ずれ量測定方法、補正テーブル生成装置、撮像装置、および投影装置
CN106485252B (zh) * 2016-09-08 2019-06-21 上海卫星工程研究所 图像配准试验点阵靶标图像特征点识别方法
CN106840617B (zh) * 2017-03-02 2019-01-01 西安工业大学 变频栅条靶标及其光电成像系统动态传递函数测量方法
CN109060144A (zh) * 2018-08-24 2018-12-21 电子科技大学 红外热像仪netd自动测试的方法

Also Published As

Publication number Publication date
CN111289224A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN107063228B (zh) 基于双目视觉的目标姿态解算方法
CN109883533B (zh) 基于机器视觉的低频振动测量方法
CN109870461A (zh) 一种电子元器件质量检测系统
CN111783583B (zh) 基于非局部均值算法的sar图像相干斑抑制方法
CN116309757B (zh) 基于机器视觉的双目立体匹配方法
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN107678192A (zh) 一种基于机器视觉的Mura缺陷检测方法及系统
CN116309559B (zh) 一种中硼硅玻璃生产瑕疵智能识别方法
CN112991306B (zh) 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法
Flesia et al. Sub-pixel straight lines detection for measuring through machine vision
CN116977329A (zh) 一种基于机器视觉的光伏板栅线检测方法
CN114972339B (zh) 用于推土机结构件生产异常检测的数据增强系统
CN110348459B (zh) 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法
CN115239661A (zh) 基于图像处理的机械零件毛刺检测方法及系统
CN111289224B (zh) 一种自动识别ctf测试图像并计算数值的方法
Apdilah et al. A study of Frei-Chen approach for edge detection
CN117557820A (zh) 一种基于机器视觉的量子点光学膜损伤检测方法及系统
CN114241023A (zh) 亚像素图像配准方法、装置及终端设备
CN107478656B (zh) 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
CN116740053B (zh) 一种锻造加工智能生产线的管理系统
CN104282012A (zh) 一种基于小波域的半参考图像质量评价算法
CN117475154A (zh) 一种基于优化Canny边缘检测的仪表图像识别方法及系统
CN114565564B (zh) 一种基于相关法阈值迭代的拟合质心亚像素定位方法
Yufeng et al. Research on SAR image change detection algorithm based on hybrid genetic FCM and image registration

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant