CN112508903B - 一种卫星望远镜镜片表面疵病轮廓检测方法 - Google Patents

Abstract

本发明公开了一种卫星望远镜镜片表面疵病轮廓检测方法。用优化的聚类算法对采集的光学疵病图像进行了像素点分类处理，来抑制光照强度不均匀性对采集图像强度的影响，同时，对传统的聚类函数添加考虑了邻域空间信息的正则化项，该项不仅考虑了邻域信息，还考虑了邻域的邻域信息保证疵病的检测精度。经过分类处理后的图像，采用边缘检测算法提取出大致疵病轮廓，然后选择多项式拟合来对轮廓进一步的细化，提高拟合精度，更好地表征轮廓特征信息，以便后续对卫星望远镜镜片的疵病进行量化分析。

Description

一种卫星望远镜镜片表面疵病轮廓检测方法

技术邻域

本发明属于表面疵病检测技术邻域，更为具体地讲，涉及一种卫星望远镜镜片表面疵病轮廓检测方法。

背景技术

超精密光学元件是很多高精尖仪器及设备系统的重要组成部分。在航空航天邻域中，大量光学元件运用于卫星，最为显著的就是卫星望远镜，且直径通常为米量级。对于卫星而言，其主要功能就是对地面进行拍摄、侦察、监测，因此对卫星使用的太空望远镜要求其成像灵敏度高、精度高、分辨能力强。卫星望远镜在大气环境中，气体不会对拍摄过程造成影响。但在太空中，由于其温度很低，星云里的气体(如氢气、甲烷)会固化成颗粒物，附着在镜片上，形成表面疵病。为了防止气体固化颗粒物附着在镜片上，通常会在镜片附近添加吸附装置。同样的，在加工或者模拟实验中，出现的外界物体的擦挂，外界环境的冲击造成的划痕，以及后续操作处理不当，都会使其表面不可避免的留下麻点、裂口、划痕、气泡以及破边等不同种类的表面疵病。对于卫星望远镜镜片来说，表面划痕等表面疵病的存在会对入射到表面的光束造成散射，同时表面疵病的尺寸较小，使得衍射现象也较为严重导致元件表面受到损伤，影响到元件使用的效率甚至导致元件的报废。因此卫星在发射之前通常会在地面上进行太空环境模拟实验，以保证卫星望远镜的拍摄功能在太空中正常运行。

为了验证吸附装置的功效或检测镜片制作过程中有没有造成损失，需要对其进行疵病检测。对于传统检测表面疵病的精密系统而言，其检测精度虽高，但设备组装复杂、成本高，且各部件之间的位置关系和运动情况等有严格的要求，如果特定姿态发生改变，则该方向性指示也相应地随之改变，因此要求操作人员有一定的光学邻域知识基础。精密系统最大的弊端在于检测光学元件的尺寸有限制，被测物通常在厘米或者分米量级，无法对大尺寸光学器件进行原位非接触疵病检测。

发明内容

本发明的目的在于克服现有技术的不足，提供一种卫星望远镜镜片表面疵病轮廓检测方法，用于大尺寸卫星望远镜镜片的原位非接触疵病检测时拍摄被测卫星望远镜镜片获得光学疵病图像的处理，以提高检测精度。

为实现上述发明目的，本发明卫星望远镜镜片表面疵病轮廓检测方法，其特征在于，包括：

(1)、拍摄被测卫星望远镜镜片，获得光学疵病图像；

(2)、像素点分类

2.1)、设置迭代阈值ε、类数G、调整参数m，初始化迭代次数k＝0；

2.2)、构建优化的聚类目标函数J_FCM：

其中，u_xy,i为像素点(x,y)的像素值p_xy属于第i类的隶属度，x,y分别为像素点的水平和垂直坐标；H为光学疵病图像的高度，L为光学疵病图像的宽度；c_i为第i类像素点像素值的聚类中心；p_r表示像素点(x,y)的邻域点r的像素值，N_xy为像素点(x,y)的邻域像素点集合；

其中，β_r表示像素点邻域及其附属邻域的相似性信息，其值为：

p_s表示邻域点r附属邻域点的像素值，N_r表示像素点邻域点r的邻域像素点集合；

其中，f_r表示光学像素点间的空间距离信息，作为归一化常数，其值为：

其中s_xy,r表示像素点(x,y)与其邻域点r的空间距离；

2.3)、在

的约束条件下，利用值在0,1区间内的随机数初始化一个隶属度u_xy,i，计算聚类中心c_i：

2.4)、依据步骤2.2)公式(1)计算聚类目标函数J_FCM，并表示为J_FCM(0)，k＝k+1；

2.5)、计算隶属度u_xy,i：

2.6)、按照步骤2.3)的公式(2)计算计算聚类中心c_i；

2.7)、依据步骤2.2)公式(1)计算聚类目标函数J_FCM，并表示为J_FCM(k)，判断聚类是否终止：

如果计算所得聚类目标函数J_FCM(k)与上一次迭代的聚类目标函数J_FCM(k-1)差值小于等于设定的迭代阈值ε，即||J_FCM(k)-J_FCM(k-1)||≤ε则聚类结束，否则跳转至步骤2.5)；

2.8)、根据最大隶属度准则，隶属度u_xy,i对光学疵病图像的像素点进行分类，即在G类中，隶属度u_xy,i最大的类别为像素点(x,y)的类别；将属于背景类类别的像素点去除(像素值置为0)，得到表征边缘轮廓信息的图像I^*，其余类别的像素点为轮廓点，轮廓点的数量为Q，坐标为(x_j,y_j)，j＝1,2,...,Q；

(3)、边缘轮廓优化

3.1)、采用高斯滤波对图像I^*进行平滑处理；

3.2)、利用Sobel算子计算图像

的梯度幅值和梯度方向：

将Sobel水平算子Sobel_x、垂直算子Sobel_y分别与图像

进行卷积运算，得出x方向和y方向上的差分值h_xy，差分值v_xy，其中：

进一步可以得到图像

的梯度幅值F(x,y)和梯度方向ω(x,y)：

3.3)、根据梯度方向，对梯度幅值进行非极大值抑制处理

针对图像I^*，将轮廓点(x_j,y_j)代入公式(4)，得到梯度方向ω(x_j,y_j)、梯度幅值F(x_j,y_j)，若轮廓点(x_j,y_j)的梯度幅值F(x_j,y_j)与沿其对应的梯度方向ω(x_j,y_j)的相邻的两个像素点的梯度幅值相比，如果轮廓点(x_j,y_j)的梯度幅值F(x_j,y_j)是最大，则保留该轮廓点(x_j,y_j)，否则，把该轮廓点的像素值置0，这样可以抑制梯度幅值不够大的像素点，只保留梯度幅值最大的R个轮廓点，得到优化的边缘轮廓信息图像

(4)、轮廓细化拟合

根据步骤(3)保留的R个轮廓点，采用离散切比雪夫多项式拟合出R个亚像素点(一个轮廓点在设定拟合的区内拟合出一个亚像素点)；

将R个轮廓点、R个亚像素点进行曲线拟合，得到细化逼近疵病图像的轮廓。

本发明的发明目的是这样实现的：

针对卫星望远镜镜片的原位非接触疵病检测，本发明提供一种卫星望远镜镜片表面疵病轮廓检测方法，对传统的聚类函数添加考虑了邻域空间信息的正则化项，该项不仅考虑了邻域信息，还考虑了邻域的邻域信息。因此，本发明在应用传统的边缘检测算法提取轮廓之前，用优化的聚类算法对采集的光学疵病图像进行了像素点分类处理，来抑制光照强度不均匀性对采集图像强度的影响，保证疵病的检测精度。经过分类处理后的图像，采用边缘检测算法提取出大致疵病轮廓。传统的图像处理算法多选用Canny算子进行轮廓提取，但是双阈值拟合时，其拟合精度往往受人为设定上、下阈值的影响。除此之外，鉴于采集系统装置简单，无法对被测卫星望远镜镜片进行标定，因此选择多项式拟合来对轮廓进一步的细化，能提高拟合精度，更好地表征轮廓特征信息。在轮廓拟合时通常选用切比雪夫多项式，切比雪夫点进行多项式拟合可以使插值区间的最大误差最小化，而离散的切比雪夫多项式比连续的精度更高，也更省时。因此本发明将优化的聚类算法、边缘检测算法以及离散切比雪夫多项式拟合相结合，来增强卫星望远镜镜片表面疵病的损伤特征，显现其轮廓特征信息，提高检测的精度，以便后续对卫星望远镜镜片的疵病进行量化分析。

本发明的相关优点和创新性是：

(1)、本发明提出了在聚类算法的中考虑邻域空间信息相似性β_r来抑制强度不均匀对分割导致的影响；

(2)、原本一个个像素点是孤立的，但本发明中考虑了像素点的邻域以及邻域的邻域情况，计算其隶属度函数值u_xy,i，增加了光学缺陷的空间信息；

(3)、基于光学图像缺陷和隶属度的信息，在目标函数中添加正则化项

来增强光学缺陷图像的强度信息特征；

(4)、离散的切比雪夫多项式根据边缘点计算出亚像素点，考虑到了相邻两个像素之间的情况，使得轮廓的拟合精度得到了极大程度的提高。

附图说明

图1是本发明应用的卫星望远镜镜片表面疵病轮廓检测系统一种具体实施方式结构示意图；

图2是图1所示卫星望远镜镜片表面疵病轮廓检测系统具体工作流程图；

图3是本发明卫星望远镜镜片表面疵病轮廓检测方法一种具体实施方式流程图；

图4是本发明中正则化项的邻域信息图；

图5是Sobel算子计算的梯度方向和梯度强度示意图；

图6是多项式拟合原理示意图；

图7是具体实施例中的卫星望远镜镜片表面疵病原图像；

图8是具体实施例中的优化的聚类算法对图像中的疵病分割图像；

图9是具体实施例中的疵病边缘点检测图像；

图10是具体实施例中的边缘检测算法提取的疵病大致轮廓图像；

图11是具体实施例中的离散切比雪夫拟合疵病轮廓图像。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本邻域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是本发明应用的卫星望远镜镜片表面疵病轮廓检测系统一种具体实施方式结构示意图。

在本实施例中，如图1所示，本发明卫星望远镜镜片表面疵病轮廓检测系统，其特征在于，包括：标尺滑轨1、第一滑动组件2、垂直校准仪3、第二滑动组件4、直射光源5、便携式手持相机7、计算机8。

垂直校准仪3通过第一滑动组件2连接到标尺滑轨1上，第一滑动组件2可以在标尺滑轨移动1。直射光源5通过第二滑动组件4连接到标尺滑轨1上，第二滑动组件4可以在标尺滑轨1移动。

打开垂直校准仪3，移动第一滑动组件2，使垂直校准仪3发射的激光点照射于水平放置的被测卫星望远镜镜片6的中心。移动第二滑动组件4将直射光源5移动到垂直校准仪3的位置，使所述直射光源5的中心与被测卫星望远镜镜片6的中心在同一轴线上。调节标尺滑轨1的高度，使得被测卫星望远镜镜片6能够完整地被直射光源5照射。

便携式手持相机7在直射光源5的下方处，高于被测卫星望远镜镜片6，呈一定角度拍摄被测卫星望远镜镜片6，保证其拍摄面积能够覆盖整个被测卫星望远镜镜片6。便携式手持相机7通过数据线将拍摄的图像(光学疵病图像)传输给计算机8；

计算机8接收传输来的图像，运用图像处理，将卫星望远镜镜片表面疵病的轮廓提取出来，显现其具体的轮廓特征信息，从而实现对卫星望远镜镜片的原位非接触疵病检。该卫星望远镜镜片表面疵病轮廓检测系统对被测卫星望远镜镜片的尺寸没有约束，且系统组装简单，便于携带，大大地节约了设备成本，受场地和环境的影响也比精密系统低。

图2是图1所示卫星望远镜镜片表面疵病轮廓检测系统具体工作流程图。

在本实施例中，卫星望远镜镜片表面疵病轮廓检测系统具体工作流程为：

步骤1：将卫星望远镜镜片6被测面朝上，打开垂直校准仪3，调整焦距可以旋转90度、180度、270度，四个点中取其中点，使激光点照射于水平放置的卫星望远镜镜片6几何中心，

步骤2：调节滑动组件4在标尺滑轨1的位置，将直射光源5移动到垂直校准仪3的位置，使直射光源5的中心与卫星望远镜镜片6的中心在同一轴线上。

步骤3：调节标尺滑轨1的高度使得被测卫星望远镜镜片6能够完整地被直射光源5照射；

步骤4：调节便携式手持相机7的焦距，位于直射光源5的右下方处，高于被测卫星望远镜镜片6，让便携式手持相机7保持一定的角度，使其聚焦在被测卫星望远镜镜片6被测表面上，能够完整地捕获被测卫星望远镜镜片6表面信息；

步骤5：拍摄卫星望远镜镜片6的光学疵病图像，实时传输给计算机8，选择拍摄效果最好的光学疵病图像运用算法进行处理。

图3是本发明卫星望远镜镜片表面疵病轮廓检测方法一种具体实施方式流程图。

在本实施例中，如图3所示，本发明卫星望远镜镜片表面疵病轮廓检测方法包括：

步骤S1：拍摄被测卫星望远镜镜片，获得光学疵病图像；

步骤S2：像素点分类

步骤S2.1：设置迭代阈值ε、类数G、调整参数m，初始化迭代次数k＝0；

步骤S2.2：构建优化的聚类目标函数J_FCM：

其中，u_xy,i为像素点(x,y)的像素值p_xy属于第i类的隶属度，x,y分别为像素点的水平和垂直坐标；H为光学疵病图像的高度，L为光学疵病图像的宽度；c_i为第i类像素点像素值的聚类中心；p_r表示像素点(x,y)的邻域点r的像素值，N_xy为像素点(x,y)的邻域像素点集合；

其中，β_r表示像素点邻域及其附属邻域的相似性信息，其值为：

如图4所示，p_s表示邻域点r附属邻域点的像素值，N_r表示像素点邻域点r的邻域像素点集合。

根据β_r的定义可知，当像素点邻域和它的附属邻域相似性越大，||p_r-p_s||²就越小，但e^-x是一个递减函数，则对应的β_r就越大。因此，若β_r很大时，可以推出p_r在正则项中的贡献越大。

其中，f_r表示光学像素点间的空间距离信息，作为归一化常数，其值为：

其中，s_xy,r表示像素点(x,y)与其邻域点r的空间距离；

很显然，当s_xy,r减小时，D_r会增大，相应的f_r也会增大。若像素点与其邻域点越接近，则可以推出p_r在正则项中的贡献越大。因此，正则化项的构建充分利用了目标像素点周围像素点的全部特征信息进行分析。

步骤S2.3：在

的约束条件下，利用值在0,1区间内的随机数初始化一个隶属度u_xy,i，从而得到初始化聚类中心的位置。

利用拉格朗日乘数法求解以下目标函数：

对式(2-1)输入变量即聚类中心c_i求偏导，使式(1)达到最小的必要条件为：

可解得聚类中心的计算公式如下：

根据其定义式可知，在第i类中若该像素点的像素值越高及其该像素点的邻域点的像素值越高，则该像素点将成为该类别中的聚类中心点。

步骤S2.4：依据步骤S2.2公式(1)计算聚类目标函数J_FCM，并表示为J_FCM(0)，k＝k+1；

步骤S2.5：利用拉格朗日乘数法求解以下目标函数：

其中式(2-1)右边项中的

为带约束的拉格朗日乘子项，对输入变量即隶属度u_xy,i求偏导，使式(1)达到最小的必要条件为：

同时对输入变量拉格朗日乘子项λ_xy求偏导有：

根据(3-1)和(3-2)式可解得隶属度计算公式如下：

其中

表示求偏导运算符号，

表示正则化项，是邻域空间信息的体现，c_i第i类的聚类中心，c_s则表示的是其他类别的聚类中心，调整参数m则为模糊因子，若

或||p_xy-c_i||值越小，则表示像素值隶属于第i类的可能性越大。

步骤S2.6：按照步骤S2.3的公式(2)计算计算聚类中心c_i；

步骤S2.7：依据步骤S2.2公式(1)计算聚类目标函数J_FCM，并表示为J_FCM(k)，判断聚类是否终止：

如果计算所得聚类目标函数J_FCM(k)与上一次迭代的聚类目标函数J_FCM(k-1)差值小于等于设定的迭代阈值ε，即||J_FCM(k)-J_FCM(k-1)||≤ε则聚类结束，否则跳转至步骤S2.5。

步骤S2.8：根据最大隶属度准则，依据隶属度u_xy,i对光学疵病图像的像素点进行分类，即在G类中，隶属度u_xy,i最大的类别为像素点(x,y)的类别；

将属于背景类类别的像素点去除(像素值置为0)，得到表征边缘轮廓信息的图像I^*，其余类别的像素点为轮廓点，轮廓点的数量为Q，坐标为(x_j,y_j)，j＝1,2,…,Q；

步骤S3：边缘轮廓优化

步骤S3.1：采用高斯滤波对图像I^*进行平滑处理；

步骤S3.2：利用Sobel算子计算图像

的梯度幅值和梯度方向：

将Sobel水平算子Sobel_x、垂直算子Sobel_y分别与图像

进行卷积运算，得出x方向和y方向上的差分值h_xy，差分值v_xy，其中：

进一步可以得到图像

的梯度幅值F(x,y)和梯度方向ω(x,y)：

步骤S3.3：根据梯度方向，对梯度幅值进行非极大值抑制处理

在本实施例中，如图5所示，针对图像I^*，将轮廓点(x_j,y_j)代入公式(4)，得到梯度方向ω(x_j,y_j)、梯度幅值F(x_j,y_j)，若轮廓点(x_j,y_j)的梯度幅值F(x_j,y_j)与沿其对应的梯度方向ω(x_j,y_j)的相邻的两个像素点的梯度幅值相比，如果轮廓点(x_j,y_j)的梯度幅值F(x_j,y_j)是最大，则保留该轮廓点(x_j,y_j)，否则，把该轮廓点的像素值置0，这样可以抑制梯度幅值不够大的像素点，只保留梯度幅值最大的R个轮廓点，得到优化的边缘轮廓信息图像

步骤S4：轮廓细化拟合

在本实施例中，如图6所示，根据步骤S3保留的R个轮廓点，采用离散切比雪夫多项式拟合出R个亚像素点(一个轮廓点在设定拟合的区内拟合出一个亚像素点)；

将R个轮廓点、R个亚像素点进行曲线拟合，得到细化逼近疵病图像的轮廓。

本发明卫星望远镜镜片表面疵病轮廓检测方法，运用优化的聚类算法对采集图像进行像素点分类，抑制光照强度不均匀性对拍摄的光学疵病图像强度的影响，利用边缘检测算法对疵病轮廓进行大致勾勒，采用离散切比雪夫多项式对疵病轮廓进行细化拟合，提高拟合精度，更好地表征轮廓特征信息。这样增强了卫星望远镜镜片表面疵病的损伤特征，更易显现其轮廓特征信息，提高了疵病检测的精度，以便后续对卫星望远镜镜片的疵病进行量化分析。

实例

在本实施例中，在卫星望远镜镜片表面上有划痕疵病，图7中上方边缘位置有一条划痕，并有气体固化形成的颗粒附着在镜片上，呈无规则零散分布。使用图1所示的检测系统采集卫星望远镜镜片表面疵病图像，打开垂直校准仪，使激光点照射于水平放置的被测镜片几何中心，保证垂直校准仪与被测卫星望远镜镜片垂直。调节滑动组件在标尺滑轨的位置，将直射光源移动到垂直校准仪的位置，使直射光源的中心与被测卫星望远镜镜片的中心在同一轴线上。调节标尺滑轨的高度使得被测镜片能够完整地被直射光源照射，便携式手持相机在直射光源的右下方处，高于被测卫星望远镜镜片，呈一定角度拍摄图像。对拍摄得到的原图像使用优化的聚类算法对图像中的疵病进行分类处理得到图8所示图像，可以看出该聚类算法将原图像中的背景信息和疵病轮廓信息区分出来。对分类后的图像进行边缘点检测，得到图9所示图像，其中检测出了划痕损伤、气体固化颗粒以及镜片的边缘，然后对图像中的气体固化颗粒做部分标记。运用边缘检测算法提取出疵病的轮廓边缘，得到图10所示图像，可以看到传统的边缘检测算法对上述标记的气体固化颗粒没有完全检测出，有部分疵病轮廓信息的丢失，不能保证拟合轮廓信息的完整性。最后采用离散的切比雪夫多项式对轮廓信息图像进行细化拟合，得到的划痕损伤图像如图11所示。根据图11可以看出，拟合得到的疵病轮廓清晰，同时运用多项式插值将边缘检测算法没有拟合出的疵病轮廓也进一步细化拟合出来，保证了拟合疵病轮廓信息的完整性。采用本发明星望远镜镜片表面疵病轮廓检测方法得到的疵病图像，特征清晰，实现了对疵病的可视化呈现。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术邻域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术邻域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种卫星望远镜镜片表面疵病轮廓检测方法，其特征在于，包括：

(1)、拍摄被测卫星望远镜镜片，获得光学疵病图像；

(2)、像素点分类

2.1)、设置迭代阈值ε、类数G、调整参数m，初始化迭代次数k＝0；

2.2)、构建优化的聚类目标函数J_FCM：

其中，u_xy,i为像素点(x,y)的像素值p_xy属于第i类的隶属度，x,y分别为像素点的水平和垂直坐标；H为光学疵病图像的高度，L为光学疵病图像的宽度；c_i为第i类像素点像素值的聚类中心；p_r表示像素点(x,y)的邻域点r的像素值，N_xy为像素点(x,y)的邻域像素点集合；

其中，β_r表示像素点邻域及其附属邻域的相似性信息，其值为：

p_s表示邻域点r附属邻域点的像素值，N_r表示像素点邻域点r的邻域像素点集合；

其中，f_r表示光学像素点间的空间距离信息，作为归一化常数，其值为：

其中s_xy,r表示像素点(x,y)与其邻域点r的空间距离；

2.3)、在

的约束条件下，利用值在0,1区间内的随机数初始化一个隶属度u_xy,i，计算聚类中心c_i：

2.4)、依据步骤2.2)公式(1)计算聚类目标函数J_FCM，并表示为J_FCM(0)，k＝k+1；

2.5)、计算隶属度u_xy,i：

2.6)、按照步骤2.3)的公式(4)计算聚类中心c_i；

2.7)、依据步骤2.2)公式(1)计算聚类目标函数J_FCM，并表示为J_FCM(k)，判断聚类是否终止：

如果计算所得聚类目标函数J_FCM(k)与上一次迭代的聚类目标函数J_FCM(k-1)差值小于等于设定的迭代阈值ε，即||J_FCM(k)-J_FCM(k-1)||≤ε则聚类结束，否则跳转至步骤2.5)；

2.8)、根据最大隶属度准则，隶属度u_xy,i对光学疵病图像的像素点进行分类，即在G类中，隶属度u_xy,i最大的类别为像素点(x,y)的类别；将属于背景类类别的像素点去除，像素值置为0，得到表征边缘轮廓信息的图像I^*，其余类别的像素点为轮廓点，轮廓点的数量为Q，坐标为(x_j,y_j)，j＝1,2,…,Q；

(3)、边缘轮廓优化

3.1)、采用高斯滤波对图像I^*进行平滑处理；

3.2)、利用Sobel算子计算图像

的梯度幅值和梯度方向：

将Sobel水平算子Sobel_x、垂直算子Sobel_y分别与图像

进行卷积运算，得出x方向和y方向上的差分值h_xy，差分值v_xy，其中：

进一步可以得到图像

的梯度幅值F(x,y)和梯度方向ω(x,y)：

3.3)、根据梯度方向，对梯度幅值进行非极大值抑制处理

针对图像I^*，将轮廓点(x_j,y_j)代入公式(4)，得到梯度方向ω(x_j,y_j)、梯度幅值F(x_j,y_j)，若轮廓点(x_j,y_j)的梯度幅值F(x_j,y_j)与沿其对应的梯度方向ω(x_j,y_j)的相邻的两个像素点的梯度幅值相比，如果轮廓点(x_j,y_j)的梯度幅值F(x_j,y_j)是最大，则保留该轮廓点(x_j,y_j)，否则，把该轮廓点的像素值置0，这样可以抑制梯度幅值不够大的像素点，只保留梯度幅值最大的R个轮廓点，得到优化的边缘轮廓信息图像

(4)、轮廓细化拟合

根据步骤(3)保留的R个轮廓点，采用离散切比雪夫多项式拟合出R个亚像素点：一个轮廓点在设定拟合的区内拟合出一个亚像素点；

将R个轮廓点、R个亚像素点进行曲线拟合，得到细化逼近疵病图像的轮廓。

Images