CN111860616B - 综合诊断系统弱对比度准直图像目标中心通用获取方法 - Google Patents
综合诊断系统弱对比度准直图像目标中心通用获取方法 Download PDFInfo
- Publication number
- CN111860616B CN111860616B CN202010620972.6A CN202010620972A CN111860616B CN 111860616 B CN111860616 B CN 111860616B CN 202010620972 A CN202010620972 A CN 202010620972A CN 111860616 B CN111860616 B CN 111860616B
- Authority
- CN
- China
- Prior art keywords
- image
- schlieren
- center
- target
- images
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003745 diagnosis Methods 0.000 title claims abstract description 12
- 230000003287 optical effect Effects 0.000 claims abstract description 58
- 238000000926 separation method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000005484 gravity Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 25
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 239000008188 pellet Substances 0.000 description 26
- 230000000694 effects Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000000513 principal component analysis Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001434 glomerular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种综合诊断系统弱对比度准直图像目标中心通用获取方法，采用了统一的方法获取不同类型图像的光学目标中心，相比现有方法，本发明的方法更为简单、实用。该方法的主要步骤包括：1、将原始图像构建为多维图像立方体；2、对多维图像立方体进行降维处理得到降维后的第一维图像；3、对降维后的第一维图像进行K‑means分类，得到二值化图像；4、判断二值化图像如果是纹影小球图像，则需要获得纹影小球目标分离图像；如果是小孔图像，则需要获得小孔图像圆轮廓上的特征点；如果是其他图像，就利用重心法直接获取他图像的目标中心；5、对小孔图像和纹影小球图像使用最小二乘法进行圆拟合来计算图像圆心，从而实现对光学目标中心的获取。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种综合诊断系统弱对比 度准直图像目标中心通用获取方法。
背景技术
综合诊断系统是一个多功能、高准确度的激光参量诊断平台，包含 光学取样、探测、监视、控制等测量组件，用来精密诊断高功率固体激 光装置输出激光光束的特性，为研究频率转换组件及相关科学技术问题 提供全面、精确的激光参量。该系统位于高功率固体激光装置的末端， 主要是为使用纹影法测量高动态范围远场焦斑而设计的。
根据纹影法测量的原理，就必须获得准确的主瓣和旁瓣光斑，特别 是旁瓣光斑，需要使用纹影小球精确遮挡旁瓣图像的中心，这就需要对 光路进行准直。在光路准直过程中需要对各个监视位置的光路进行采集 并判读光束位置，以确定光束收敛尺寸和方法。整个光路准直过程中需 要计算6类不同的光学目标图像的中心，由于各个监视位置的需要监视 的对象不同，导致每个监视位置采集到的图像特性不同。例如：在光路 调整初期，需要光束穿孔，因此采集的图像为圆型的小孔图像；而在对后半程光路的调整过程中，需要让纹影小球遮挡旁瓣中心。小孔图像和 纹影小球除过具有各自明显的特点外，还具有综合诊断系统所有准直图 像的共同特点就是弱对比度和分布不均匀。而且有时还会出现光斑部分缺失的情形。
在传统光路自动准直过程中，针对不同的光学目标图像需要提出不 同的光学目标中心计算方法，这就对导致了光学目标中心算法的复杂程 度高。
发明内容
为了解决传统光路自动准直过程中，针对不同的光学目标图像需要 提出不同的光学目标中心计算方法，导致了计算光学目标中心复杂度高 的问题，本发明综合小孔图像、纹影小球图像和其他光学目标图像的特 点，提出了一种综合诊断系统弱对比度准直图像目标中心通用获取方 法。
本发明的基本原理是：
首先，将原始图像构建为多维图像立方体；其次，对多维图像立方 体进行降维处理得到降维后的第一维图像；然后，对降维后的第一维图 像数据进行K-means分类，得到二值化图像；接着判断二值化图像，如 果是纹影小球图像，则需要获得纹影小球目标分离图像；如果是小孔图像，则需要获得小孔图像圆轮廓上的特征点；如果是其他图像，就利用 重心法直接获取他图像的目标中心；最后，对小孔图像和纹影小球图像 使用最小二乘法进行圆拟合来计算图像圆心，从而实现对光学目标中心 的获取。
本发明的技术方案如下：
本发明提供了一种综合诊断系统弱对比度准直图像目标中心通用获 取方法，具体实现步骤如下：
步骤1：对采集的原始图像构建多维图像立方体；
步骤2：对多维图像立方体使用NVPCA变换进行降维处理，去除各 维图像之间的相关性，分离和重新调节图像中的噪声，得到增强后的第 一维图像；
步骤3：对增强后的第一维图像进行K-means分类，得到二值化图 像；
步骤4：判断二值化图像的类型，若是纹影小球图像，则执行步骤5； 若是小孔图像，则执行步骤6；若是其他类型图像，则执行步骤7；
步骤5：获取纹影小球目标分离图像，检测出纹影小球圆轮廓，使 用最小二乘法进行圆拟合来计算纹影小球图像的中心，从而获取光学目 标中心；
步骤6：获取小孔目标分离图像，检测出小孔圆轮廓上的特征点， 使用最小二乘法进行圆拟合来计算小孔图像圆心，从而获取光学目标中 心；
步骤7：对其他类型图像则使用重心法计算光学目标中心。
进一步地，上述步骤5的具体过程为：
步骤5.1：使用数字形态学算法对二值化的纹影小球图像进行1次 腐蚀运算和10次膨胀运算，使得图像背景区域连成一片，形成一个连续 的连通域；
步骤5.2：对步骤5.1处理后的图像采用BLOB技术搜寻最大的连通 区域；
步骤5.3：将步骤5.1处理后的图像和步骤5.2处理后的图像进行 或非运算，然后将图像颜色反转；
步骤5.4：在颜色反转的图像中寻找最大面积的连通域，从而获得 纹影小球目标分离图像；
步骤5.5：对纹影小球目标分离图像使用Sobel算子进行边缘检测， 获得纹影小球圆轮廓；
步骤5.6：使用最小二乘法进行圆拟合来计算纹影小球圆心，从而 获取光学目标中心。
进一步地，上述步骤6的具体过程为：
步骤6.1：使用数字形态学算法对于二值化的小孔图像进行腐蚀运算 去除图像中的离散点；
步骤6.2：使用BLOB技术寻找面积最大的光斑作为小孔目标分离图 像；
步骤6.3：搜寻小孔目标分离图像的最小外切圆，使得小孔图像的 99.9％的像素包含在所述最小外切圆内；
步骤6.4：在小孔目标分离图像上寻找宽度为10个像素、半径最大 的近似圆环；
步骤6.5：选择最外层宽度为5个像素的最外层圆环作为最终特征 点；
步骤6.6：使用最小二乘法进行圆拟合来计算小孔图像圆心，从而获 取光学目标中心。
进一步地，上述步骤1的具体过程为：
所述步骤1中构建多维图像立方体方式有两种：
第一种，采用多幅分时采集多幅图像，从而构建多维图像立方体；
第二种，采用邻域向量生成多幅图像，从而构建多维图像立方体。
本发明具有以下有益效果：
1、本发明将整个光路准直过程中6类不同的光学目标图像划分为了 三类，并采用了统一的方法获取图像的光学目标中心，相比现有分别计 算6类不同的光学目标图像的目标中心的方法，本发明的方法更为简单、 实用。
2、本发明的方法使用NVPCA变换能够有效提高弱对比度光学图像的 信噪比，有利于光学目标的分离，为后续图像处理提供了有利的支撑。
3、本发明的方法实现不同光路在形态、强弱、位置都不同的情况下， 都能够准确判读准直光路中各个监视位置光斑基准，并以此为依据各个 阶段的光束进行准确定位。
4、本发明使用最小二乘法提高了小孔图像和纹影小球图像光学目标 中心的计算精度(精度小于1个像素)。
附图说明
图1为综合诊断系统光路快速自动准直过程中采集的6个阶段的图 像；
图2为本发明方法的流程图；
图3为多维数据立方体的示意图。
图4(a)为小孔原始图像。
图4(b)为纹影小球原始图像。
图4(c)为小孔图像NVPCA变换后的图像。
图4(d)为纹影小球图像NVPCA变换后的图像。
图5(a)为小孔图像经K-means分类后的图像。
图5(b)为纹影小球图像K-means分类后的图像。
图6(a)为去除离散点后小孔图像。
图6(b)为使用BLOB技术获得小孔目标图像。
图6(c)为纹影小球图像经数字形态学算法处理后的图像。
图6(d)为纹影小球图像中的背景图像。
图6(e)为纹影小球目标图像。
图6(f)为纹影小球目标分离图像。
图7(a)为小孔图像的特征点图像。
图7(b)为纹影小球圆轮廓图像。
图8(a)为小孔图像圆拟合处理后的图像。
图8(b)为纹影小球图像圆拟合处理后的图像。
图9(a)为小孔原始图像、三维数据与经过NVPCA变换增强后 小孔图像、三维数据的效果对比图。
图9(b)为纹影小球原始图像、三维数据与经过NVPCA变换增 强后纹影小球图像、三维数据的效果对比图。
图10(a)为传统的最大类间方差法Otsu进行二值化的图像。
图10(b)为采用K-means并进行分类并二值化的图像。
具体实施方式
下面根据结合附图和具体实施例对本发明的方法做进一步详细的 介绍。
本发明的设计思路是将光路准直过程中6类不同的光学目标图像划 分为3类图像，并且采用统一的算法对图像进行处理从而获取光学目标中 心，这三类图像分别是小孔图像、纹影小球图像以及除以上两种之外其他的图像。
本实施例以综合诊断系统光路快速自动准直过程为例来说，该过程 共分为6个阶段，分别是自检准备、准直小孔计算、同轴偏差修正、三 倍频基准对接、纹影基准对接和穿孔基准对接；共需要6个采集图像求 中心电机迭代过程，如图1所示。
在6种准直图像中，图1中(a)，(c)，(d)，(e)四种图像是普通光 学目标图像。因此，(b)为小孔图像和图1(f)为纹影小球图像。
该方法的具体实现流程如如图2所示：
步骤1、基于构建多维图像立方体和NVPCA变换对图像进行增强
步骤1.1、对采集的原始图像构建多维图像立方体；构建多维图像立 方体的方式一般分为两种：(1)采用多幅分时采集多幅图像，从而构建 多维图像立方体；(2)采用邻域向量通过一幅原始图像生成多幅图像， 从而构建多维图像立方体。本实施例中以领域向量生成多幅图像的方式，以下描述就是对领域向量生成多幅图像，从而构建多维图像立方体过程 的详细说明。
假设原始图像的尺寸为m×n，且N＝m*n，将原始图像中的每一点 和周围8邻域的像素组成一个9维的列向量，整个图像可以生成m×n 个列向量，将所有m×n个列向量构建一个m×n×9的数据立方体。
假设每个像素的灰度函数为f(i,j),其中i,j为图像的坐标。邻域 向量pi,j表示如下：
p(i,j)＝{f(i,j),f(i-1,j-1),f(i-1,j),f(i-1,j+1),f(i,j-1),f(i,j+1),f(i+1,j-1),f(i+1,j),f(i+1,j+1)}T(1)
式中，i,j为Y和X方向的坐标，pi,j为一个列向量，表示原始图像 中每个点和所有邻域点组成的向量。
用所有m×n个pi,j列向量构建一个m×n×L数据立方体,记为 D＝{pi,j,k,1≤i≤m,1≤j≤n,1≤k≤L}，pi,j,k表示原始图像任一点(i,j)第k个邻 域的灰度值。在数据立方体中，第1维记为I1，表示原始图像，向量pi,j表示每个元素按照次序获得图像中任一点f(x,y)的邻域图像，分别记为 I2,I3,…,IL，共8副大小为m*n的图像。第2维为I2图像，依次类推，第L维为IL图像，如图3所示。通过以上处理，将原始一维数据变换为多 维数据立方体。
步骤1.2：对多维图像立方体使用NVPCA变换进行降维处理，去除 各维 图像之间的相关性，分离和重新调节图像中的噪声，得到增强后的第一 维图像；
基于邻域向量的主成分分析(NVPCA)图像增强的思想是利用PCA变 换将多维数据立方体信息主要集中在第1维。对每个点和周围8邻域的 像素来说，表现在每个3×3图像块的信息向中心点聚集，中心点表示了 3×3块的主要信息，而且中心点和8邻域之间不相关。通过以上处理， 增强了图像的对比度，并抑制了图像的背景信息。
其中，原始小孔图像和原始纹影小球图像分布如图4(a)和4(b) 所示。在构建完成数据立方体后，对该多维数据进行NVPCA变换，选择 变换后的第一维数据为NVPCA变换增强图像，小孔图像和纹影小球图像 的NVPCA变换图像增强结果分别如图4(c)和4(d)所示。
主成分分析(PCA)是光谱图像处理的一项重要技术，它通过多个波 段的线性变换，使原始数据映射到一个新的坐标系统，以使数据的差异 性达到最大，PCA可得到以信噪比大小为指标的成分序列，经常用于增强光谱图像的信息含量、隔离噪声、降低数据维数。在假设数据中噪声 和信号不相关的情况下，PCA变换就是求变换向量使得该成分在剩余成分中的信噪比最大且与其他成分正交。
NVPCA变换的原理如下：
(1)图像向量化：输入图像可以表示成X＝(x1,x2,…,xL)T，其中xk为 一个N×1的列向量；将一副m×n大小的图像变成一个N×1的列向量的方法可以按行，也可以按列或按其他方法有规则地连接起来，成为一个 向量；
(2)向量中心化：将向量组中的所有向量减去向量组的均值向量， 即
Y＝X-E(X) (2)
(3)计算向量组的Y的协方差矩阵Σ。
(4)求协方差矩阵Σ的特征值矩阵Λ和特征向量矩阵A。
(5)进行主成分变换
Z＝ATY (4)
(6)L×N的矩阵Z是从m×n×L的数据立方体变换而来，第一维 数据D1是最终的邻域向量PCA(Neighborhood Vector PCA)变换结果。
D1＝{p′i,j,1,1≤i≤m,1≤j≤n} (5)
上述NVPCA变换基本原理详见文献【王拯洲,李刚,王伟,等.基于邻 域向量主成分分析图像增强的弱小损伤目标检测方法[J].光子学 报,2019,48(7):0710001.】。
总之，NVPCA是用邻域向量来构建数据立方体，并寻找一个特征向量 矩阵A，使得数据立方体的每个列向量都满足线性变换Z＝ATY，特征向 量矩阵A对应的特征值按照降序排列。通过NVPCA变换后，一个原始图 像3×3的数据块被NVPCA图像的中心像素所代替，每个目标的信息将会 朝着目标区域中心汇聚，使得目标的对比度得到增强。因此，通过NVPCA变换，目标信号得到增强而背景信号得到抑制，为准确而高效的检测的 光学目标提供了条件。
步骤2：对降维后的第一维图像进行K-means分类，得到二值化图 像；
K-means算法原理具体过程如下：
(1)在样本数据D中选择k个样本点，将k个样本点值分别赋给初 始的聚类中心(m1,m2,...,mK)；
(2)在第j次迭代时，对样本点D中的所有点pt(t＝1,...,n)，依次计 算到各簇中心的欧氏距离
(3)找出pt关于的最小距离，将pt归入到关于/>距离最小的簇 中；
(4)更新各簇的聚类中心
(5)计算数据集D中所有点的平方误差Ei，并与前一次误差Ei-1比 较
若|Ei-Ei+1|＜δ，则算法结束，否则转入(2)进行再一次迭代。
最后，再将k-means后的结果二值化，得到最终的二值化结果。
上述K-means算法的原理详见文献【王伟，宋卫国，刘士兴等.Kmeans 聚类与多光谱阈值相结合的MODIS云检测算法[J].光谱学与光谱分析. 2011，31(4)：1061-1064.】
NVPCA变换后6个维度图像的特征值分别为331.33、44.23、16.10、 13.67、5.68、0，前面3维的特征值之和为所有特征值之和的95.3％， 所以选择前3个维度的数据来近似表示全部的6幅图像的信息。对降维 后的小孔图像和纹影小球图像选择第1个维度进行Kmeans分类，分类结 果分别如图5(a)和图5(b)所示，从图5(a)可以看出，小孔区域 外被划分为目标的独立点最少，分类效果最佳。纹影小球的K-means分 类结果如图5(b)所示。
步骤3：判断二值化图像的类型，若是纹影小球图像，则执行步骤5； 若是小孔图像，则执行步骤6；若是其他类型图像，则执行步骤7；
步骤4：小孔图像的处理
对于小孔图像来说，观察图5(a)Kmeans分类后的小孔图像，发现 图像中除过光斑外，还有部分的离散点被误划分为光斑，具体处理方法 是：
首先，使用数字形态学算法中的腐蚀算法去除离散点，去除离散点后的 小孔图像如图6(a)所示。数字形态学算法的具体内容在【赵春江.数 字图像处理算法经典实例[M].北京：人民邮电出版社，2009.】一文中 有详细记载。
然后，使用BLOB技术寻找面积最大的光斑作为小孔目标，如6(b) 所示。由于小孔光学目标为圆形的小孔光斑，使用腐蚀运算后腐蚀掉的 像素相对于整个光斑来说是对称的，只影响整体光斑的大小，不影响小 孔图像中心计算的精度。BLOB技术的具体内容在【宋凯，纪建伟.链码 表和线段表在计算机图像处理中的应用[J].辽宁工程技术大学学报.2007，26(2)：257－259.】一文中详细记载。
之后，搜寻如图6(b)小孔目标分离图像的最小外切圆，使得小孔 图像的99.9％的像素包含在该最小外切圆内；
接着，在小孔目标分类图像上寻找宽度为10个像素、半径最大的近 似圆环，这样为了减少特征点的搜索范围；选择最外层宽度为5个像素 的最外层圆环为最终特征点，图7(a)所示为特征点图像；
最后，使用最小二乘法进行圆拟合来计算小孔图像圆心，从而获取 光学目标中心。
步骤5：纹影小球图像的处理；
对于纹影小球图像来说，目标分离过程较为复杂，是因为纹影小球 是一个黑色的、圆形的目标，且纹影小球被白色的连通域所包围。观察 图5(b)K-means分类后的纹影小球图像，发现背景区域内部呈现碎片 状，背景不是一个完成的连通域，中间分布大小不同的小型的黑色孔洞。纹影小球目标分离及目标中心的获取具体步骤如下：
首先，使用数字形态学算法对图5(b)的分类纹影小球图像进行1 次腐蚀运算和10次膨胀运算，使得背景区域连成一片，形成一个连续的 连通域。经过以上数字形态学运算处理后的结果如图6(c)所示。从图 6(c)可以看出，纹影小球区域的离散点已经全部消除，纹影小球背景 区域轮廓清晰，且纹影小球完全被一个连通的白色背景区域所包围，有 利于将纹影小球从背景区域中分离出来。
然后，对于如图6(c)所示数字形态学算法处理后的结果图像，在 图中BLOB技术搜寻最大的连通区域，也是最大的白色区域，以最大区域 为纹影小球背景图像如图6(d)所示，这样纹影小球被包围在这个最大 的连通区域中。
之后，为了将纹影小球从背景中分离出来，将形态学处理图像(图 6(c))和小球背景图像(图6(d))进行或非运算，即当纹影小球背景图像 中灰度值为255且形态学图像中为0的区域选择为纹影小球目标区域； 将图像颜色反转，纹影小球目标图像如图6(e)，用公式表示为:
式中：fball(x,y)——纹影小球图像,fmorph(x,y)——腐蚀膨胀后的图像， fbg(x,y)——纹影小球背景图像。
接着，获得最终纹影小球目标分离图像，在图6(e)中的寻找最大面 积的连通域即为纹影小球,如图6(f)，对图6(f)所示最终纹影小球目 标分离图像使用Sobel算子进行边缘检测，获得纹影小球圆轮廓，如图 7(b)所示。
最后，使用最小二乘法进行圆拟合来计算纹影小球图像圆心，从而 获取光学目标中心。
上述小孔目标分离图像和纹影小球目标分离图像使用最小二乘法进 行圆拟合的圆拟合公式为：
式中
N为检测到的圆轮廓点的个数,(xi,yj)为图像的边界坐标，(x0,y0)为 拟合出的圆心坐标，和r为半径。
使用图7(a)小孔图像特征点图像，利用圆拟合公式(10)获得的 最终小孔图像圆心为(611.16,462.79),半径为365.59，如图8(a)所 示。标定法获得真实的圆心(610.5,462.5)和半径365进行比较，其中 X方向的误差为0.66像素，Y方向的误差0.29像素，半径误差为0.59 像素。
使用图7(b)纹影小球圆轮廓图像，利用圆拟合公式(10)获得的 最终纹影小球的圆心为(614.65,681.60)，半径为132.75，如图8(b) 所示。与标定法获得真实的圆心(614.5,681.5)和半径132进行比较，其 中X方向的误差为0.15像素，Y方向的误差0.10像素，半径误差为0.75 像素。
步骤6：对其他图像则使用重心法计算光学目标中心。
为了上述方法的效果进行验证，本实施例还提供具体的结果分析过 程。
对于综合诊断系统弱对比度准直图像光学目标中心的计算效果主要 从NVPCA图像增强效果、光学目标分离和提取、光学目标中心计算重复 精度三个方面进行分析，本实施例中更主要关心对小孔图像和纹影小球 图像的处理结果，因此以下分析均是以这两类图像开展的。
1)NVPCA图像增强效果分析
对于图像的增强主要从空间域和频域两个角度进行处理。空间域图 像增强是设计不同的模板实现对图像的去噪、细化和锐化等操作。频域 图像增强主要是通过傅立叶变换将空间域变换到频率域，利用低通滤波 器对背景噪声信号进行滤波，而对于真实信号的影响不是很大，实现了 对图像信噪比的增强。传统的空域和频域滤波对于弱对比度的准直图像增强处理效果十分有限。采用基于NVPCA变换对弱对比度准直图像增强 效果十分明显，为了说明该算法的增强效果，将小孔图像和纹影小球图 像与原始小孔图像和纹影小球图像进行对比，结果如图9(a)、图9(b) 和表1所示。
表1 NVPCA图像增强效果比较
从图9和表1可以看出，经过NVPCA变换，小孔图像的标准差从3 提高为18.20，最大值变为255，纹影小球图像的标准差从0.56提高为 69.27，最大值为255。小孔图像能量积分增益为7.14倍，纹影小球图 像能量积分增益为10.03倍数。经过NVPCA变换，小孔图像的局部信噪 比(Local Signal Noise Ratio,LSNR)从6.256增加为7.665，增益为 1.2252；纹影图像的LSNR信噪比从8.610增加为10.798，增益为 1.2541。
在信息论里，熵是对不确定性的测量，信息熵是用来度量信息量的， 一个系统越是有序，信息熵就越低；反之，则越高。由于纹影小球目标 被背景包围，纹影小球是黑色的，因此本节只讨论经过小孔图像经过 NVPCA变换后信息熵的变换情况，小孔原始图像的信息熵最大值为1.29， 经过NVPCA变换后第一维度的信息熵为2.06，这说明经过NVPCA变换第一维度的图像在总体信号上得到增强，而背景得到抑制。
2)光学目标分离和提取分析
对于准直图像光学目标的分离，小孔图像和准直图像光学目标分离 方法有所不同，分析如下：
对于小孔图像来说，传统的目标分离方法是用最大类间方差法Otsu 进行二值化来检测光斑区域和中心。本实施例是将Kmeans分类方法用于 光斑区域的检测中，取得了良好的分类效果，两种分类效果的比较如图 10所示，从图中可以看出，使用Otsu方法获得的二值化光斑中包含很 多孔洞，所得到的光斑区域像素个数为理想光斑区域像素数的58.53％。 而Kmeans分类方法所得到的光斑中包含的孔洞较少，所得光斑区域像素数为理想光斑区域像素数的97.15％。可见，在小孔光斑对比度很弱、分 布很不均匀的情况下，Kmeans方法能够检测到更有效的光斑区域，就能 检测到更有效的光斑边缘，以便使用圆拟合方法获得更加精确的圆心和 半径。
对于纹影小球图像来说，纹影小球图像的特点和小孔图像不同，即 纹影小球是一个黑色的、圆形的目标，且纹影小球被白色的连通域所包 围。这就需要先获得纹影小球的背景区域，才能将小球目标从背景中分 离出来。对NVPCA图像直接进行二值化，则背景不是一个连续的亮区，存在大量离散的黑色像素，对这样的图像一般采用腐蚀和膨胀的方法，如图5(b)所示。为了获得连续的背景区域，本实施例采用的方法是进 行1次腐蚀、10次膨胀的方法，结果如图6(c)所示，可以看出，经过1 次腐蚀、10次膨胀处理以后生成一个连通的背景区域，小球完全包含在背景区域中，而且小球目标完全为标准的黑色小球，这样十分有利于背 景和小球的分离和识别。
在获得连通背景区域后，需要经过4个步骤获得纹影小球目标：1) 第一次使用BLOB技术搜寻最大的连通的白色区域，以最大区域为纹影小 球背景图像，结果如图6(d)所示；2)需要将形态学处理图像(图6(c)) 和小球背景图像(图6(d))进行或非运算；3)需要将步骤2)处理结果图 像颜色反转，获得纹影小球目标图像如图6(e)所示；4)需要第二次使用BLOB技术搜寻最大的连通的白色区域，以最大区域为最终纹影小球目 标，结果如图6(f)所示。
通过以上分析可以看出，两种图像都是使用BLOB技术来分离光学目 标，所不同的是小孔图像目标分离使用了一次，而纹影小球目标分离使 用了两次。另外，纹影小球图像还进行了一次或非运算和一次反转运算， 这都是由两种光学目标的特征不同而导致的。
3)光学目标中心计算重复精度分析
本方法已经应用到某大型激光装置的自动准直系统准直图像光学目 标中心计算中，取得了很好的效果。为了验证本方法对弱对比度准直图 像光学目标中心计算的重复精度，选择了不同实验发次光路准直过程中 的10幅小孔图像和纹影小球图像小球中心的计算结果，如表2所示。
表2 本发明方法计算光学目标中心和真实中心误差比较(单位：像素)
表2列举了10次发射实验中使用本方法计算光学目标中心与标定光 学目标中心之间的误差比较，其中第二至第四列为小孔图像光学目标计 算结果，第五至第七列为纹影小球中心计算结果。从表中可以看出，小 孔图像和纹影小球圆心误差XY方向都在2个像素之内，其中小孔图像中心X方向的误差为0.44像素，Y方向的误差0.67像素；纹影小球中心水平方向误差均值0.39，垂直方向误差均值0.65。这说明本文算法对于 光学目标中心计算重复精度满足综合诊断系统对光学目标中心误差在3 个像素之内的要求。
综上所述，实验结果表明，本方法在综合小孔图像、纹影小球图像和普 通光学目标图像特点的基础上，能够准确判读准直光路中各个监视位置 光学目标的基准，实现了各个阶段光束的准确定位，有效提高了准直图 像光学目标中心的计算精度(小于1个像素)，为基于纹影的高动态范围 远场焦斑测量实验提供了保障。
Claims (3)
1.一种综合诊断系统弱对比度准直图像目标中心通用获取方法，其特征在于，具体实现步骤如下：
步骤1：对采集的原始图像构建多维图像立方体，具体方法为：
采用邻域向量生成多幅图像，从而构建多维图像立方体；
步骤2：对多维图像立方体使用NVPCA变换进行降维处理，去除各维图像之间的相关性，分离和重新调节图像中的噪声，得到增强后的第一维图像；
步骤3：对增强后的第一维图像进行K-means分类，得到二值化图像；
步骤4：判断二值化图像的类型，若是纹影小球图像，则执行步骤5；若是小孔图像，则执行步骤6；若是其他类型图像，则执行步骤7；
步骤5：获取纹影小球目标分离图像，检测出纹影小球圆轮廓，使用最小二乘法进行圆拟合来计算纹影小球图像的中心，从而获取光学目标中心；
步骤6：获取小孔目标分离图像，检测出小孔圆轮廓上的特征点，使用最小二乘法进行圆拟合来计算小孔图像圆心，从而获取光学目标中心；
步骤7：对其他类型图像则使用重心法计算光学目标中心。
2.根据权利要求1所述的综合诊断系统弱对比度准直图像目标中心通用获取方法，其特征在于，所述步骤5的具体过程为：
步骤5.1：使用数字形态学算法对二值化的纹影小球图像进行1次腐蚀运算和10次膨胀运算，使得图像背景区域连成一片，形成一个连续的连通域；
步骤5.2：对步骤5.1处理后的图像采用BLOB技术搜寻最大的连通区域；
步骤5.3：将步骤5.1处理后的图像和步骤5.2处理后的图像进行或非运算，然后将图像颜色反转；
步骤5.4：在颜色反转的图像中寻找最大面积的连通域，从而获得纹影小球目标分离图像；
步骤5.5：对纹影小球目标分离图像使用Sobel算子进行边缘检测，获得纹影小球圆轮廓；
步骤5.6：使用最小二乘法进行圆拟合来计算纹影小球圆心，从而获取光学目标中心。
3.根据权利要求1所述的综合诊断系统弱对比度准直图像目标中心通用获取方法，其特征在于，所述步骤6的具体过程为：
步骤6.1：使用数字形态学算法对于二值化的小孔图像进行腐蚀运算去除图像中的离散点；
步骤6.2：使用BLOB技术寻找面积最大的光斑作为小孔目标分离图像；
步骤6.3：搜寻小孔目标分离图像的最小外切圆，使得小孔图像的99.9％的像素包含在所述最小外切圆内；
步骤6.4：在小孔目标分离图像上寻找宽度为10个像素、半径最大的近似圆环；
步骤6.5：选择最外层宽度为5个像素的最外层圆环作为最终特征点；
步骤6.6：使用最小二乘法进行圆拟合来计算小孔图像圆心，从而获取光学目标中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010620972.6A CN111860616B (zh) | 2020-06-30 | 2020-06-30 | 综合诊断系统弱对比度准直图像目标中心通用获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010620972.6A CN111860616B (zh) | 2020-06-30 | 2020-06-30 | 综合诊断系统弱对比度准直图像目标中心通用获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860616A CN111860616A (zh) | 2020-10-30 |
| CN111860616B true CN111860616B (zh) | 2024-05-14 |
Family
ID=72988839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010620972.6A Active CN111860616B (zh) | 2020-06-30 | 2020-06-30 | 综合诊断系统弱对比度准直图像目标中心通用获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860616B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580522B (zh) * | 2022-02-28 | 2023-08-11 | 中国科学院西安光学精密机械研究所 | 一种基于最小二乘圆拟合法对多光学目标进行识别的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463895A (zh) * | 2017-07-28 | 2017-12-12 | 中国科学院西安光学精密机械研究所 | 基于邻域向量pca的弱小损伤目标检测方法 |
| WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
| CN110910318A (zh) * | 2019-10-21 | 2020-03-24 | 中国科学院西安光学精密机械研究所 | 综合诊断光路快速自动准直系统弱对比度纹影小球中心计算方法 |
-
2020
- 2020-06-30 CN CN202010620972.6A patent/CN111860616B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463895A (zh) * | 2017-07-28 | 2017-12-12 | 中国科学院西安光学精密机械研究所 | 基于邻域向量pca的弱小损伤目标检测方法 |
| WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
| CN110910318A (zh) * | 2019-10-21 | 2020-03-24 | 中国科学院西安光学精密机械研究所 | 综合诊断光路快速自动准直系统弱对比度纹影小球中心计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王拯洲等.综合诊断系统多维度重构小孔光斑中心测量方法.《红外与激光工程》.2015,第第44卷卷(第第S期期),73-79页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860616A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111462225B (zh) | 一种红外光斑图像的质心识别定位方法 | |
| CN109839624A (zh) | 一种多激光雷达位置标定方法及装置 | |
| CN102567979A (zh) | 车载红外夜视系统及其多源图像融合方法 | |
| CN110853081A (zh) | 基于单木分割的地面和机载LiDAR点云配准方法 | |
| CN107463895B (zh) | 基于邻域向量pca的弱小损伤目标检测方法 | |
| WO2021082380A1 (zh) | 一种基于激光雷达的托盘识别方法、系统和电子设备 | |
| CN110910318A (zh) | 综合诊断光路快速自动准直系统弱对比度纹影小球中心计算方法 | |
| CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
| CN102494663A (zh) | 摆动喷管的摆动角度的测量系统及摆动角度的测量方法 | |
| CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
| CN111860616B (zh) | 综合诊断系统弱对比度准直图像目标中心通用获取方法 | |
| CN113537303B (zh) | 基于模板匹配的多光学目标快速分类识别方法 | |
| CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
| CN117173437A (zh) | 多维定向自相似特征的多模态遥感影像混合匹配方法和系统 | |
| CN113435300B (zh) | 一种避雷器仪表实时识别方法及系统 | |
| CN113311408B (zh) | 一种高光谱激光雷达的辐射校正方法和装置 | |
| CN109471106B (zh) | 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法 | |
| CN112967241A (zh) | 一种基于局部梯度引导的高光谱图像异常检测方法 | |
| CN114236492B (zh) | 一种毫米波雷达微动手势识别方法 | |
| Sun et al. | Binocular ranging based on improved ORB-RANSAC | |
| CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 | |
| Yao et al. | A Self-organized Maps Ground Extract Method based on Principal Component Analysis | |
| Wang et al. | The method for calculating optical target center of weak contrast collimating image in integrated diagnosis system | |
| CN114087989B (zh) | 汽车缸体工件定位孔圆心三维坐标测量方法及系统 | |
| CN113724305A (zh) | 一种林区点云快速配准方法 |
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 |