CN115797334B - 一种大规模光斑质量快速判别方法及装置 - Google Patents
一种大规模光斑质量快速判别方法及装置 Download PDFInfo
- Publication number
- CN115797334B CN115797334B CN202310044473.0A CN202310044473A CN115797334B CN 115797334 B CN115797334 B CN 115797334B CN 202310044473 A CN202310044473 A CN 202310044473A CN 115797334 B CN115797334 B CN 115797334B
- Authority
- CN
- China
- Prior art keywords
- light spot
- spots
- matrix
- spot
- detected
- 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 56
- 239000011159 matrix material Substances 0.000 claims abstract description 294
- 239000013598 vector Substances 0.000 claims abstract description 121
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 46
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 27
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 23
- 230000003595 spectral effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012850 discrimination method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003698 laser cutting Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种大规模光斑质量快速判别方法及装置,涉及图像处理技术领域。方法包括:基于预先获取的参考光斑构建参考光斑特征集和锚点光斑特征集并构建参考光斑特征集和锚点光斑特征集的第一低秩相似度矩阵;获取第一低秩相似度矩阵的特征向量矩阵和特征值矩阵;基于第一低秩相似度矩阵、特征向量矩阵和特征值矩阵确定参考光斑的低秩谱嵌入矩阵和线性投影矩阵;根据低秩谱嵌入矩阵构建参考光斑的二值编码库;基于线性投影矩阵确定待检测光斑的二值编码;然后计算待检测光斑与参考光斑的匹配值,基于所述匹配值对待检测光斑质量进行判别,解决了现有光斑判别方法判别效率及判别准确率低的技术问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种大规模光斑质量快速判别方法及装置。
背景技术
激光被广泛地应用在医学、测量、通信、工业和军事等领域,以激光为基础的医疗检测设备、激光切割设备、光电通信电子产品和光电子军事装备都对激光的精度有较高的要求,因此,在激光器的研发过程中,激光光斑的质量判别显得尤为重要。
现有的光斑质量判别方法中,有通过光斑轮廓信息提取光斑中心点坐标,然后通过中心点坐标对光斑质量进行判别,但上述方法在有背景光的影响下,难以准确提取光斑轮廓信息,从而影响光斑质量判别的结果的准确性。也有基于先验知识的深层特征提取,通过深层特征矩阵和系数矩阵进行聚类,然后通过聚类中心的距离对光斑质量进行判别,上述方法往往需要采用欧式距离来度量样本间的相似度关系,需要对原始特征进行重构,在处理大规模光斑图像时,这种方法的计算效率较低。
发明内容
本发明提供了一种大规模光斑质量快速判别方法及装置,用于解决现有技术在进行光斑质量判别时,判别效率及判别准确率低的技术问题。
本发明提供了一种大规模光斑质量快速判别方法,包括:
S1、基于预先获取的参考光斑构建参考光斑特征集和锚点光斑特征集;
S2、构建所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第一低秩相似度矩阵;
S3、获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵;
S4、基于所述第一低秩相似度矩阵、所述特征向量矩阵和所述特征值矩阵确定所述参考光斑的低秩谱嵌入矩阵和线性投影矩阵;
S5、根据所述低秩谱嵌入矩阵构建所述参考光斑的二值编码库;
S6、基于所述线性投影矩阵确定待检测光斑的二值编码;
S7、基于预先构建的匹配函数和所述参考光斑的二值编码库,计算所述待检测光斑与所述参考光斑的匹配值,基于所述匹配值获取所述待检测光斑的检定值,判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑。
优选的,所述参考光斑中包括若干正常光斑和若干异常光斑。
优选地,步骤S1中,基于预先获取的参考光斑构建锚点光斑特征集,具体包括:
从所述若干正常光斑中提取预设比例的正常光斑,从所述若干异常光斑图像中提取所述预设比例的异常光斑,基于所述预设比例的正常光斑和所述预设比例的异常光斑构建锚点光斑特征集;
其中,所述参考光斑特征集具体为:
优选地,步骤S2中,所述第一低秩相似度矩阵的计算方式具体为:
其中,S表示第一低秩相似度矩阵,,表示实数集,n表示参考光斑的数量,m表示锚点光斑的数量,表示第i个参考光斑的特征向量,表示第j个锚点光斑的特征向量,表示第i个参考光斑的特征向量和第j个锚点光斑的特征向量之间的互信息,表示第i个参考光斑的特征向量和第i个参考光斑的特征向量在锚点光斑中的近邻向量之间的互信息,表示第i个参考光斑的特征向量在锚点光斑中的近邻向量,表示第i个参考光斑的特征向量在锚点光斑中的个近邻向量构成的集合,表示参考光斑的特征向量在锚点光斑中的近邻向量的个数。
优选的,步骤S3具体包括:
基于预设特征值分解函数获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵:
其中,M表示降维第一低秩相似度矩阵,表示第一低秩相似度矩阵的对角矩阵,表示第一低秩相似度矩阵,表示第一低秩相似度矩阵的转置矩阵,表示实数集,m表示锚点光斑的数量,l表示期望编码长度,V表示降维第一低秩相似度矩阵的特征向量矩阵,表示降维第一低秩相似度矩阵的第个特征向量,表示降维第一低秩相似度矩阵的特征值矩阵,表示降维第一低秩相似度矩阵的第个特征向量的特征值,表示预设特征值分解函数,表示对角矩阵构建函数。
优选的,步骤S4中,
所述参考光斑的低秩谱嵌入矩阵具体为:
其中,H表示参考光斑的低秩谱嵌入矩阵,表示第一低秩相似度矩阵,P表示参考光斑的线性投影矩阵,表示第一低秩相似度矩阵的对角矩阵,V表示降维第一低秩相似度矩阵的特征向量矩阵,表示降维第一低秩相似度矩阵的特征值矩阵,表示实数集,m表示锚点光斑的数量,n表示参考光斑的数量,l表示期望编码长度。
优选的,步骤S5具体包括:
对所述参考光斑的低秩谱嵌入矩阵进行二值化,得到所述参考光斑的二值编码;
基于所述参考光斑的二值编码构建参考光斑的二值编码库;
其中,所述参考光斑的二值编码库具体为:
其中,B表示参考光斑的二值编码库,表示第i个参考光斑的二值编码,H表示参考光斑的低秩谱嵌入矩阵,n表示参考光斑的数量,i表示第i个参考光斑,l表示期望编码长度,表示符号函数,对于正数输入,输出1,反之输出-1。
优选的,步骤S6具体包括:
基于多个待检测光斑构建待检测光斑特征集,其中,所述待检测光斑特征集具体为:
构建所述待检测光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述待检测光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第二低秩相似度矩阵;其中,所述第二低秩相似度矩阵的计算方式具体为:
其中,表示第二低秩相似度矩阵,,表示实数集,t表示待检测光斑的数量,m表示锚点光斑的数量,表示第q个待检测光斑的特征向量,表示第j个锚点光斑的特征向量,表示第q个待检测光斑的特征向量和第j个锚点光斑的特征向量之间的互信息,表示第q个待检测光斑的特征向量和第q个待检测光斑的特征向量在锚点光斑中的近邻向量之间的互信息,表示第q个待检测光斑的特征向量在锚点光斑中的近邻向量,表示第q个待检测光斑的特征向量在锚点光斑中的个近邻向量构成的集合,表示待检测光斑的特征向量在锚点光斑中的近邻向量的个数;
基于所述第二低秩相似度矩阵和所述参考光斑图像的线性投影矩阵获取待检测光斑的二值编码,其中,所述待检测光斑的二值编码具体为:
其中,表示待检测光斑的二值编码,表示第q个待检测光斑的二值编码,表示第二低秩相似度矩阵,P表示参考光斑图像的线性投影矩阵,表示实数集,t表示待检测光斑的数量,l表示期望编码长度,表示符号函数,对于正数输入,输出1,反之输出-1。
优选的,步骤S7具体包括:
对所述参考光斑的二值编码库中的参考光斑进行标记:
基于预先构建的匹配函数,根据所述参考光斑的二值编码库计算所述待检测光斑的二值编码的匹配值,其中所述预先构建的匹配函数具体为:
基于所述匹配值和所述参考光斑的状态值构建二元组,基于所有所述二元组构建二元组矩阵:
其中,D表示匹配值和参考光斑的状态值的二元组矩阵,表示第q个待检测光斑的二值编码与第个参考光斑二值编码的匹配值,表示第个参考光斑的状态值,表示基于所述匹配值和所述参考光斑的状态值构建的二元组,n表示参考光斑的数量,t表示待检测光斑的数量,i表示第i个参考光斑,q表示第q个待检测光斑;
从所有所述二元组中,获取匹配值从大到小的前预置奇数个二元组,将所述前预置奇数个二元组的参考光斑的状态值相加,得到所述多个待检测光斑的检定值;
判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑。
一种大规模光斑质量快速判别装置,包括:参考光斑预处理模块、判别前处理模块和判别模块;
所述参考光斑预处理模块包括特征集构建模块和低秩相似度矩阵构建模块,其中:
所述特征集构建模块用于基于预先获取的参考光斑构建参考光斑特征集和锚点光斑特征集;
所述低秩相似度矩阵构建模块用于构建所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第一低秩相似度矩阵;
所述判别前处理模块包括矩阵获取模块、矩阵构建模块和编码库构建模块,其中:
所述矩阵获取模块用于获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵;
所述矩阵构建模块用于基于所述第一低秩相似度矩阵、所述特征向量矩阵和所述特征值矩阵确定所述参考光斑的低秩谱嵌入矩阵和线性投影矩阵;
所述编码库构建模块用于根据所述低秩谱嵌入矩阵构建所述参考光斑的二值编码库;
所述判别模块包括待检测光斑预处理模块和待检测光斑质量判别模块,其中:
所述待检测光斑预处理模块用于基于所述线性投影矩阵确定待检测光斑的二值编码;
所述待检测光斑质量判别模块用于基于预先构建的匹配函数和所述参考光斑的二值编码库,计算所述待检测光斑与所述参考光斑的匹配值,基于所述匹配值获取所述待检测光斑的检定值,判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑。
从以上技术方案可以看出,本发明具有以下优点:
本申请提供了一种大规模光斑质量快速判别方法及装置,方法包括:基于预先获取的参考光斑构建参考光斑特征集和锚点光斑特征集;构建所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第一低秩相似度矩阵;获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵;基于所述第一低秩相似度矩阵、所述特征向量矩阵和所述特征值矩阵确定所述参考光斑的低秩谱嵌入矩阵和线性投影矩阵;根据所述低秩谱嵌入矩阵构建所述参考光斑的二值编码库;基于所述线性投影矩阵确定待检测光斑的二值编码;基于预先构建的匹配函数和所述参考光斑的二值编码库,计算所述待检测光斑与所述参考光斑的匹配值,基于所述匹配值获取所述待检测光斑的检定值,根据待检测光斑的检定值判断判定所述待检测光斑是否为正常光斑。
本申请提供的一种大规模光斑质量快速判别方法,不依赖于光斑轮廓信息,通过低秩离散谱分解高效建模大规模参考光斑和锚点光斑的相关性,并通过低秩特征值分解得到参考光斑的谱嵌入矩阵和线性投影矩阵;在对光斑质量进行判别时,采用二值离散编码匹配的方式,通过线性投影矩阵和二值离散化获得待检测光斑的二值编码以及参考光斑的二值编码库,并通过待检测光斑编码和参考光斑的二值编码库之间的编码匹配实现快速有效的待检测光斑的质量判别,解决了现有基于实值特征学习方法进行光斑质量判别,判别效率及判别准确率低的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的一种大规模光斑质量快速判别方法的一个流程示意图;
图2为本申请提供的一种大规模光斑质量快速判别装置的一个结构示意图。
具体实施方式
本发明实施例提供了一种大规模光斑质量快速判别方法及装置,解决了现有技术在进行光斑质量判别时,判别效率及判别准确率低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
术语解释:
谱分解:给定一组样本的特征向量,首先构造所有向量之间的相似度矩阵,然后根据相似度矩阵求出拉普拉斯矩阵,对拉普拉斯矩阵进行特征值分解,将最小的一定数量的特征值对应的特征向量,组合在一起构成新的特征表示;
低秩:表示在构成矩阵的向量中,可以用少量的有代表性的向量的线性组合,得到矩阵的所有向量,在本发明中,由于选择了个有代表性的锚点光斑特征向量来构造相似度矩阵,所以该相似度矩阵的秩最大为,并且要远远小于,因此称该相似度矩阵是低秩的,后续的基于该低秩相似度矩阵的谱分解因此称为低秩谱分解;
离散:表示通过谱分解获得的新的特征表示向量的每一位元素,只由-1或1构成,添加对应离散约束的谱分解称为离散谱分解。
本申请的实施例1提供了一种大规模光斑质量快速判别方法,请参阅图1,在实施例1中,方法包括:
S1、基于预先获取的参考光斑构建参考光斑特征集和锚点光斑特征集。
获取n个已知质量的光斑,然后将光斑的特征向量化,得到由n个已知质量的光斑的特征组成的特征集,本实施例将所述已知质量的光斑的特征组成的特征集记为参考光斑特征集,其中,所述参考光斑特征集具体为:
将m个锚点光斑的特征向量化,得到由m个锚点光斑的特征组成的特征集,本实施例将所述锚点光斑的特征组成的特征集记为锚点光斑特征集,其中,锚点光斑特征集具体可表示为:
S2、构建所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第一低秩相似度矩阵。
基于步骤S1得到的参考光斑特征集和锚点光斑特征集,通过低秩离散谱分解,构建所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,将上述参考光斑特征集和锚点光斑特征集的低秩相似度矩阵记为第一低秩相似度矩阵。
S3、获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵。
本实施例中,将对第一低秩相似度矩阵的图拉普拉斯矩阵进行低秩谱分解转化为对降维后的第一低秩相似度矩阵进行特征向量和特征值求解,得到降维第一低秩相似度矩阵的特征向量矩阵和特征值矩阵,这种求解方式更加快速有效。
S4、基于所述第一低秩相似度矩阵、所述特征向量矩阵和所述特征值矩阵确定所述参考光斑的低秩谱嵌入矩阵和线性投影矩阵。
具体的,先根据特征向量矩阵和特征值矩阵确定参考光斑的线性投影矩阵,进一步,根据第一低秩相似度矩阵确定参考光斑的低秩谱嵌入矩阵。
S5、根据所述低秩谱嵌入矩阵构建所述参考光斑的二值编码库。
将步骤S4得到的低秩谱嵌入矩阵进行二值化处理,可得到所有参考光斑的二值编码,基于所有参考光斑的二值编码,可以构建参考光斑的二值编码库;
在一个具体的实施例中,对低秩谱嵌入矩阵进行二值化处理具体为:
其中,B表示参考光斑的二值编码库,表示第i个参考光斑的二值编码,H表示参考光斑的低秩谱嵌入矩阵,n表示参考光斑的数量,i表示第i个参考光斑,l表示期望编码长度,表示符号函数,对于正数输入,输出1,反之输出-1。
S6、基于所述线性投影矩阵确定待检测光斑的二值编码。
本实施例中,待检测光斑的数量若干,首先基于多个待检测光斑构建待检测光斑特征集,然后构建所述待检测光斑特征集和前述锚点光斑特征集的低秩相似度矩阵,记所述待检测光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第二低秩相似度矩阵,进一步,基于所述第二低秩相似度矩阵和所述参考光斑图像的线性投影矩阵获取待检测光斑的二值编码构。上述过程与前述获取所有参考光斑的二值编码的过程相似,具体过程将在后续实施例进行说明。
S7、基于预先构建的匹配函数和所述参考光斑的二值编码库,计算所述待检测光斑与所述参考光斑的匹配值,基于所述匹配值获取所述待检测光斑的检定值,判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑。
需要说明的是,步骤S7中,计算所述待检测光斑与所述参考光斑的匹配值,实际上是计算参考光斑的二值编码和待检测光斑的二值编码的汉明距离。
基于前述步骤可知,待检测光斑的数量有多个,对应的,待检测光斑的二值编码也有多个,同时,参考光斑的二值编码库中也包含多个参考光斑的二值编码。以其中一个待检测光斑为例,步骤S7通计算待检测光斑的二值编码和所有参考光斑的二值编码的汉明距离,选取汉明距离最大时对应的参考光斑为高度相似参考光斑,遍历所有待检测光斑,获取与待检测光斑数量一致的高度相似参考光斑,然后根据所有所述高度相似参考光斑的状态值计算得到(这一批)待检测光斑检定值,并根据检定值判断(这一批)待检测光斑的质量。
步骤S7在进行待检测光斑的质量判别时,首先采用编码匹配快速筛选出与待检测光斑高度相似的参考光斑,然后通过(已知质量的)参考光斑得到待检测光斑检定值即可对待检测光斑进行质量判断,无需进一步对待检测进行操作,相较于传统的基于实值表示的欧式距离度量方式,本实施提供的大规模光斑质量快速判别方法有效提升了光斑质量判别的效率。
实施例1提供的一种大规模光斑质量快速判别方法,通过低秩离散谱分解高效建立大规模参考光斑和锚点光斑的相关性,获得参考光斑特征集和锚点光斑特征集的低秩相似度矩阵,并通过低秩特征值分解得到参考光斑的谱嵌入矩阵和线性投影矩阵;在对光斑质量进行判别时,采用二值离散编码匹配的方式,通过线性投影矩阵和二值离散化获得待检测光斑的二值编码以及参考光斑的二值编码库,并通过待检测光斑编码和参考光斑的二值编码库之间的编码匹配实现快速有效的待检测光斑的质量判别,解决了现有基于实值特征学习方法进行大规模光斑质量判别,判别效率及判别准确率低的技术问题。
以上为本申请提供的一种大规模光斑质量快速判别方法的一个实施例,以下为本申请提供的一种大规模光斑质量快速判别方法的另一个实施例。
实施例2,步骤S2中第一低秩相似度矩阵的计算方式具体如下:
其中,S表示第一低秩相似度矩阵,,表示实数集,n表示参考光斑的数量,m表示锚点光斑的数量,表示第i个参考光斑的特征向量,表示第j个锚点光斑的特征向量,表示第i个参考光斑的特征向量和第j个锚点光斑的特征向量之间的互信息,表示第i个参考光斑的特征向量和第i个参考光斑的特征向量在锚点光斑中的近邻向量之间的互信息,表示第i个参考光斑的特征向量在锚点光斑中的近邻向量,表示第i个参考光斑的特征向量在锚点光斑中的个近邻向量构成的集合,表示参考光斑的特征向量在锚点光斑中的近邻向量的个数。
以上为本申请提供的一种大规模光斑质量快速判别方法的一个实施例,以下为本申请提供的一种大规模光斑质量快速判别方法的另一个实施例。
实施例3,步骤S3中,获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵,具体可通过下述步骤实现:
S31、计算所述第一低秩相似度矩阵的对角矩阵:
基于预设特征值分解函数获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵:
其中,M表示降维第一低秩相似度矩阵,表示第一低秩相似度矩阵的对角矩阵,表示第一低秩相似度矩阵,表示第一低秩相似度矩阵的转置矩阵,表示实数集,m表示锚点光斑的数量,l表示期望编码长度,V表示降维第一低秩相似度矩阵的特征向量矩阵,表示降维第一低秩相似度矩阵的第个特征向量,表示降维第一低秩相似度矩阵的特征值矩阵,表示降维第一低秩相似度矩阵的第个特征向量的特征值,表示预设特征值分解函数,表示对角矩阵构建函数。
需要说明的是,l既表示期望编码长度,也可以表示降维第一低秩相似度矩阵的特征向量个数,期望编码长度值与降维第一低秩相似度矩阵的特征向量个数值相等。
以上为本申请提供的一种大规模光斑质量快速判别方法的一个实施例,以下为本申请提供的一种大规模光斑质量快速判别方法的另一个实施例。
实施例4,步骤S4中:
参考光斑的低秩谱嵌入矩阵的计算方式具体为:
其中,H表示参考光斑的低秩谱嵌入矩阵,表示第一低秩相似度矩阵,P表示参考光斑的线性投影矩阵,表示第一低秩相似度矩阵的对角矩阵,V表示降维第一低秩相似度矩阵的特征向量矩阵,表示降维第一低秩相似度矩阵的特征值矩阵,表示实数集,m表示锚点光斑的数量,n表示参考光斑的数量,l表示期望编码长度。
以上为本申请提供的一种大规模光斑质量快速判别方法的一个实施例,以下为本申请提供的一种大规模光斑质量快速判别方法的另一个实施例。
实施例5,步骤S5中,根据所述低秩谱嵌入矩阵构建所述参考光斑的二值编码库,具体可通过下述步骤实现:
S51、对所述参考光斑的低秩谱嵌入矩阵进行二值化,得到所述参考光斑的二值编码。
基于前述实施例可知,参考光斑的数量有多个,在一个具体的实施例中,参看光斑的数量可以为n,对应的,对n个参考光斑的低秩谱嵌入矩阵进行二值化,可以得到n个参考光斑的二值编码。
S52、基于所述参考光斑的二值编码构建参考光斑的二值编码库。
也即,基于步骤S51中得到的n个参考光斑的二值编码构建参考光斑的二值编码库,得到的参考光斑的二值编码库包含n个参考光斑的二值编码。
其中,B表示参考光斑的二值编码库,表示第i个参考光斑的二值编码,H表示参考光斑的低秩谱嵌入矩阵,n表示参考光斑的数量,i表示第i个参考光斑,l表示期望编码长度,表示符号函数,对于正数输入,输出1,反之输出-1。
以上为本申请提供的一种大规模光斑质量快速判别方法的一个实施例,以下为本申请提供的一种大规模光斑质量快速判别方法的另一个实施例。
实施例6,步骤S6中,基于所述线性投影矩阵确定待检测光斑的二值编码,具体可通过下述步骤实现:
S61、基于多个待检测光斑构建待检测光斑特征集,其中,所述待检测光斑特征集具体为:
任一待检测光斑的特征向量的元素数量;
S62、构建所述待检测光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述待检测光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第二低秩相似度矩阵;其中,所述第二低秩相似度矩阵的计算方式具体为:
其中,表示第二低秩相似度矩阵,,表示实数集,t表示待检测光斑的数量,m表示锚点光斑的数量,表示第q个待检测光斑的特征向量,表示第j个锚点光斑的特征向量,表示第q个待检测光斑的特征向量和第j个锚点光斑的特征向量之间的互信息,表示第q个待检测光斑的特征向量和第q个待检测光斑的特征向量在锚点光斑中的近邻向量之间的互信息,表示第q个待检测光斑的特征向量在锚点光斑中的近邻向量,表示第q个待检测光斑的特征向量在锚点光斑中的个近邻向量构成的集合,表示待检测光斑的特征向量在锚点光斑中的近邻向量的个数;
S63、基于所述第二低秩相似度矩阵和所述参考光斑图像的线性投影矩阵获取待检测光斑的二值编码,其中,所述待检测光斑的二值编码具体为:
其中,表示待检测光斑的二值编码,表示第q个待检测光斑的二值编码,表示第二低秩相似度矩阵,P表示参考光斑图像的线性投影矩阵,表示实数集,t表示待检测光斑的数量,l表示期望编码长度,表示符号函数,对于正数输入,输出1,反之输出-1。
以上为本申请提供的一种大规模光斑质量快速判别方法的一个实施例,以下为本申请提供的一种大规模光斑质量快速判别方法的另一个实施例。
实施例7,步骤S7中,基于预先构建的匹配函数和所述参考光斑的二值编码库,计算所述待检测光斑与所述参考光斑的匹配值,基于所述匹配值获取所述待检测光斑的检定值,判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑,具体可通过下述步骤实现:
S71、对所述参考光斑的二值编码库中的参考光斑进行标记:
可以理解的是,参考光斑是已知质量的光斑构成,因此,参考光斑的二值编码库中,每个参考光斑的二值编码对应的参考光斑均有明确的状态(异常/正常)。遍历参考光斑的二值编码库中所有参考光斑的二值编码对应的参考光斑,对参考光斑进行状态标记。
S72、基于预先构建的匹配函数,根据所述参考光斑的二值编码库计算所述待检测光斑的二值编码的匹配值,其中所述预先构建的匹配函数具体为:
需要说明的是,计算所述待检测光斑与所述参考光斑的匹配值,实际上是计算参考光斑的二值编码和待检测光斑的二值编码的汉明距离。
已知待检测光斑的数量有多个,对应的,待检测光斑的二值编码也有多个,同时,参考光斑的二值编码库中也包含多个参考光斑的二值编码。在一个具体的实施例中,待检测光斑的数量可以为t,参考光斑的数量可以为n,
以第q个待检测光斑为例,步骤S72通计算第q个待检测光斑的二值编码和n个参考光斑的二值编码的汉明距离,可以得到n个匹配值,选取n个匹配值中匹配值最大时对应的参考光斑为第q个待检测光斑的高度相似参考光斑;进一步,遍历所有t个待检测光斑,获取与待检测光斑数量一致的t个高度相似参考光斑。
S73、基于所述匹配值和所述参考光斑的状态值构建二元组,基于所有所述二元组构建二元组矩阵:
其中,D表示匹配值和参考光斑的状态值的二元组矩阵,表示第q个待检测光斑的二值编码与第个参考光斑二值编码的匹配值,表示第个参考光斑的状态值,表示基于所述匹配值和所述参考光斑的状态值构建的二元组,n表示参考光斑的数量,t表示待检测光斑的数量,i表示第i个参考光斑,q表示第q个待检测光斑;
基于步骤S72可知,匹配值的数量有多个,每个匹配值均有对应的(高度相似的)参考光斑,且步骤S71已经对参考光斑进行了状态标记,因此,每个匹配值均有对应的(参考光斑的)状态值,一个匹配值和与之对应的状态值构成一个二元组,多个二元组构成二元组矩阵。
需要说明的是,同一个待检测光斑可以同时成为多个待检测光斑的高度相似参考光斑。
S74、从所有所述二元组中,获取匹配值从大到小的前预置奇数个二元组,将所述前预置奇数个二元组的参考光斑的状态值相加,得到所述多个待检测光斑的检定值;
将二元组矩阵中的所有二元组(元素)按照匹配值从大到小进行排列,获取匹配值较大的前奇数个二元组,将奇数个二元组中的参考光斑的状态值相加,得到多个待检测光斑的检定值。
可以理解的是,步骤S74并未将二元组矩阵中的所有二元组的状态值相加作为多个待检测光斑的检定值,而是选择匹配值较大的预置奇数个二元组中的状态值作为多个待检测光斑的检定值的计算依据,一方面可以降低计算量,另一方面,选取匹配值较大的二元组中的状态值作为多个待检测光斑的检定值的计算依据,可以增加了最终判定结果准确性,避免由于参考光斑的二值编码库中不包含与待检测光斑相似的参看光斑带来的判定误差。
需要注意的是,上述选择奇数个二元组,是为了避免出现状态值求和为0的情况。
在一个优选的实施例中,上述获取匹配值从大到小的前预置奇数个二元组,也可以用下述方式代替:获取匹配值大于阈值匹配阈值的预置奇数个二元组,当二元组的数量为偶数时,向匹配值增大的方向减少一个二元组,或向匹配值减小的方向增加一个二元组。
S75、判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑。
在一个优选的实施例中,预设检定阈值可以为0,当检定值大于0时,则认为多个待检测光斑(这一批待检测光斑)为正常光斑,当检定值小于0时,则认为多个待检测光斑(这一批待检测光斑)为异常光斑。
当然,预设检定阈值也可以根据需要进行设定,预设检定阈值越大,说明判定标准越严格,本领域技术人员可以根据需要进行设置。
本申请提供的一种大规模光斑质量快速判别方法,不依赖于光斑轮廓信息,通过低秩离散谱分解高效建模大规模参考光斑和锚点光斑的相关性,并通过低秩特征值分解得到参考光斑的谱嵌入矩阵和线性投影矩阵;在对光斑质量进行判别时,采用二值离散编码匹配的方式,通过线性投影矩阵和二值离散化获得待检测光斑的二值编码以及参考光斑的二值编码库,并通过待检测光斑编码和参考光斑的二值编码库之间的编码匹配,实现对大规模光斑的质量判别,解决了现有基于实值特征学习方法进行光斑质量判别,判别效率及判别准确率低的技术问题。
以上为本申请提供的一种大规模光斑质量快速判别方法的一个实施例,以下为本申请提供的一种大规模光斑质量快速判别装置的一个实施例,参见图2。
实施例8,一种大规模光斑质量快速判别装置,包括:参考光斑预处理模块1、判别前处理模块2和判别模块3;
所述参考光斑预处理模块包括特征集构建模块和低秩相似度矩阵构建模块,其中:
所述特征集构建模块用于基于预先获取的参考光斑构建参考光斑特征集和锚点光斑特征集;
所述低秩相似度矩阵构建模块用于构建所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第一低秩相似度矩阵;
所述判别前处理模块包括矩阵获取模块、矩阵构建模块和编码库构建模块,其中:
所述矩阵获取模块用于获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵;
所述矩阵构建模块用于基于所述第一低秩相似度矩阵、所述特征向量矩阵和所述特征值矩阵确定所述参考光斑的低秩谱嵌入矩阵和线性投影矩阵;
所述编码库构建模块用于根据所述低秩谱嵌入矩阵构建所述参考光斑的二值编码库;
所述判别模块包括待检测光斑预处理模块和待检测光斑质量判别模块,其中:
所述待检测光斑预处理模块用于基于所述线性投影矩阵确定待检测光斑的二值编码;
所述待检测光斑质量判别模块用于基于预先构建的匹配函数和所述参考光斑的二值编码库,计算所述待检测光斑与所述参考光斑的匹配值,基于所述匹配值获取所述待检测光斑的检定值,判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种大规模光斑质量快速判别方法,其特征在于,包括:
S1、基于预先获取的参考光斑构建参考光斑特征集和锚点光斑特征集;
S2、构建所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第一低秩相似度矩阵;
S3、获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵;
S4、基于所述第一低秩相似度矩阵、所述特征向量矩阵和所述特征值矩阵确定所述参考光斑的低秩谱嵌入矩阵和线性投影矩阵;
S5、根据所述低秩谱嵌入矩阵构建所述参考光斑的二值编码库;
S6、基于所述线性投影矩阵确定待检测光斑的二值编码;
S7、基于预先构建的匹配函数和所述参考光斑的二值编码库,计算所述待检测光斑与所述参考光斑的匹配值,基于所述匹配值获取所述待检测光斑的检定值,判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑。
2.根据权利要求1所述的大规模光斑质量快速判别方法,其特征在于,所述参考光斑中包括若干正常光斑和若干异常光斑。
3.根据权利要求2所述的大规模光斑质量快速判别方法,其特征在于,步骤S1中,基于预先获取的参考光斑构建锚点光斑特征集,具体包括:
从所述若干正常光斑中提取预设比例的正常光斑,从所述若干异常光斑图像中提取所述预设比例的异常光斑,基于所述预设比例的正常光斑和所述预设比例的异常光斑构建锚点光斑特征集;
其中,所述参考光斑特征集具体为:
其中,所述锚点光斑特征集具体为:
5.根据权利要求4所述的大规模光斑质量快速判别方法,其特征在于,步骤S3具体包括:
计算所述第一低秩相似度矩阵的对角矩阵:
基于预设特征值分解函数获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵:
8.根据权利要求7所述的大规模光斑质量快速判别方法,其特征在于,步骤S6具体包括:
基于多个待检测光斑构建待检测光斑特征集,其中,所述待检测光斑特征集具体为:
构建所述待检测光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述待检测光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第二低秩相似度矩阵;其中,所述第二低秩相似度矩阵的计算方式具体为:
其中,表示第二低秩相似度矩阵,,表示实数集,t表示待检测光斑的数量,m表示锚点光斑的数量,表示第q个待检测光斑的特征向量,表示第j个锚点光斑的特征向量,表示第q个待检测光斑的特征向量和第j个锚点光斑的特征向量之间的互信息,表示第q个待检测光斑的特征向量和第q个待检测光斑的特征向量在锚点光斑中的近邻向量之间的互信息,表示第q个待检测光斑的特征向量在锚点光斑中的近邻向量,表示第q个待检测光斑的特征向量在锚点光斑中的个近邻向量构成的集合,表示待检测光斑的特征向量在锚点光斑中的近邻向量的个数;
基于所述第二低秩相似度矩阵和所述参考光斑图像的线性投影矩阵获取待检测光斑的二值编码,其中,所述待检测光斑的二值编码具体为:
9.根据权利要求8所述的大规模光斑质量快速判别方法,其特征在于,步骤S7具体包括:
对所述参考光斑的二值编码库中的参考光斑进行标记:
基于预先构建的匹配函数,根据所述参考光斑的二值编码库计算所述待检测光斑的二值编码的匹配值,其中所述预先构建的匹配函数具体为:
基于所述匹配值和所述参考光斑的状态值构建二元组,基于所有所述二元组构建二元组矩阵:
其中,D表示匹配值和参考光斑的状态值的二元组矩阵,表示第q个待检测光斑的二值编码与第个参考光斑二值编码的匹配值,表示第个参考光斑的状态值,表示基于所述匹配值和所述参考光斑的状态值构建的二元组,n表示参考光斑的数量,t表示待检测光斑的数量,i表示第i个参考光斑,q表示第q个待检测光斑;
从所有所述二元组中,获取匹配值从大到小的前预置奇数个二元组,将所述前预置奇数个二元组的参考光斑的状态值相加,得到所述多个待检测光斑的检定值;
判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑。
10.一种大规模光斑质量快速判别装置,其特征在于,包括:参考光斑预处理模块、判别前处理模块和判别模块;
所述参考光斑预处理模块包括特征集构建模块和低秩相似度矩阵构建模块,其中:
所述特征集构建模块用于基于预先获取的参考光斑构建参考光斑特征集和锚点光斑特征集;
所述低秩相似度矩阵构建模块用于构建所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵,记所述参考光斑特征集和所述锚点光斑特征集的低秩相似度矩阵为第一低秩相似度矩阵;
所述判别前处理模块包括矩阵获取模块、矩阵构建模块和编码库构建模块,其中:
所述矩阵获取模块用于获取所述第一低秩相似度矩阵的特征向量矩阵和特征值矩阵;
所述矩阵构建模块用于基于所述第一低秩相似度矩阵、所述特征向量矩阵和所述特征值矩阵确定所述参考光斑的低秩谱嵌入矩阵和线性投影矩阵;
所述编码库构建模块用于根据所述低秩谱嵌入矩阵构建所述参考光斑的二值编码库;
所述判别模块包括待检测光斑预处理模块和待检测光斑质量判别模块,其中:
所述待检测光斑预处理模块用于基于所述线性投影矩阵确定待检测光斑的二值编码;
所述待检测光斑质量判别模块用于基于预先构建的匹配函数和所述参考光斑的二值编码库,计算所述待检测光斑与所述参考光斑的匹配值,基于所述匹配值获取所述待检测光斑的检定值,判断所述检定值是否满足预设检定阈值,若否,则判定所述待检测光斑为异常光斑;若是,则判定所述待检测光斑为正常光斑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044473.0A CN115797334B (zh) | 2023-01-30 | 2023-01-30 | 一种大规模光斑质量快速判别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044473.0A CN115797334B (zh) | 2023-01-30 | 2023-01-30 | 一种大规模光斑质量快速判别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797334A CN115797334A (zh) | 2023-03-14 |
CN115797334B true CN115797334B (zh) | 2023-04-28 |
Family
ID=85429124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310044473.0A Active CN115797334B (zh) | 2023-01-30 | 2023-01-30 | 一种大规模光斑质量快速判别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797334B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103974076A (zh) * | 2014-05-19 | 2014-08-06 | 华为技术有限公司 | 图像编解码方法和设备、系统 |
CN112816187A (zh) * | 2021-01-06 | 2021-05-18 | 北京工业大学 | 一种激光光斑的质量判定方法 |
CN114708264A (zh) * | 2022-06-06 | 2022-07-05 | 广东工业大学 | 一种光斑质量判别方法、装置、设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102010378B1 (ko) * | 2014-09-24 | 2019-08-13 | 삼성전자주식회사 | 객체를 포함하는 영상의 특징을 추출하는 방법 및 장치 |
-
2023
- 2023-01-30 CN CN202310044473.0A patent/CN115797334B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103974076A (zh) * | 2014-05-19 | 2014-08-06 | 华为技术有限公司 | 图像编解码方法和设备、系统 |
CN112816187A (zh) * | 2021-01-06 | 2021-05-18 | 北京工业大学 | 一种激光光斑的质量判定方法 |
CN114708264A (zh) * | 2022-06-06 | 2022-07-05 | 广东工业大学 | 一种光斑质量判别方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
陈君航等.《基于正交约束的广义可分离非负矩阵分解》.《计算机工程》.2022,第1-10页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115797334A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108737406B (zh) | 一种异常流量数据的检测方法及系统 | |
CN111027069B (zh) | 恶意软件家族检测方法、存储介质和计算设备 | |
CN109063055B (zh) | 同源二进制文件检索方法和装置 | |
CN110659665B (zh) | 一种异维特征的模型构建方法及图像识别方法、装置 | |
CN106503727B (zh) | 一种高光谱图像分类的方法及装置 | |
CN112307820B (zh) | 文本识别方法、装置、设备和计算机可读介质 | |
CN108460400B (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
CN111144548A (zh) | 抽油机井工况的识别方法及装置 | |
TW201730757A (zh) | 字串距離計算方法和裝置 | |
CN114708264B (zh) | 一种光斑质量判别方法、装置、设备和存储介质 | |
CN105930873A (zh) | 一种基于子空间的自步跨模态匹配方法 | |
CN110197213B (zh) | 基于神经网络的图像匹配方法、装置和设备 | |
CN114547365A (zh) | 一种图像检索方法和设备 | |
CN116108219B (zh) | 图像检索方法、装置、电子设备和存储介质 | |
CN115797334B (zh) | 一种大规模光斑质量快速判别方法及装置 | |
CN116824138A (zh) | 基于点击点影响增强的交互式图像分割方法及设备 | |
CN116958809A (zh) | 一种特征库迁移的遥感小样本目标检测方法 | |
CN114266914A (zh) | 一种异常行为检测方法及装置 | |
CN112149566A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN114609163A (zh) | 基于色差识别的岩石微观结构射线成像探测法 | |
CN110147824B (zh) | 一种图像的自动分类方法及装置 | |
CN113420699A (zh) | 一种人脸匹配方法、装置及电子设备 | |
CN113239999A (zh) | 数据异常检测方法、装置和电子设备 | |
WO2019127504A1 (zh) | 一种相似度的度量方法、装置及存储装置 | |
CN111192271A (zh) | 一种图像分割方法及装置 |
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 |