1 引言

高功率激光驱动器集成了数量众多的大口径终端光学元件。由于光束自聚焦等原因,高通量激光辐照会诱导光学元件表面产生损伤,严重影响装置运行^[1]。美国利弗莫尔实验室研制了缺陷识别与表征系统(FICS)来检测上线前元件表面疵病质量,研制了终端光学检视系统(FODI) 来在线监测元件表面损伤的变化增长状况,并研究了相关图像处理技术^[2-3]。国内大型激光系统对疵病检测技术的研究较少^[4-7],相关图像处理技术的研究尚处于起步阶段^[8-11]。随着更大型激光装置的规划,需要发展更精细、便利的离在线检测技术,相应的检测系统追求10¹~10² μm的分辨力^[12-15]。由于待检元件尺寸高达300~400 mm,工程实现极具挑战,美国FICS和FODI的检测目标为50 μm以上尺寸的损伤点。

基于平板光学元件的全内反射原理在暗场环境下自元件侧壁导入条形LED光源可形成暗背景上的亮疵病图像,解决了相邻光学元件上的损伤归属判别难题^[16]。全内反射暗场侧向照明技术可获得高信噪比疵病图像,但少量杂散光仍然会在疵病图像中形成局域亮背景^[8,17],以全局亮度信息为检测依据的传统算法不再适用。美国国家点火装置(NIF)检测系统采用基于局部信噪比(LASNR)的损伤检测方法^[18],通过模拟人眼识别物体的机制,以每个像素点的局域信噪比作为检测依据来实现损伤识别。哈尔滨工业大学的冯博等^[17,19]在LASNR算法的基础上,提出了局部信号强度比(LASSR)算法。LASSR算法的主要思想是逐一考察每一像素点在其局域内的目标信号强度与背景强度的比值,若比值高于阈值,则将此像素点设为种子生长基准点,最后进行区域生长获得完整疵病区域。LASSR算法能高准确率地识别出复杂高亮背景中的疵病,同时具有较强稳健性。但是,LASSR算法在计算局部信号图像时,对复杂高亮背景抑制的同时也削弱了疵病灰度值,每个疵病目标被削弱的程度不同且与其周围局域内的背景灰度值呈正相关关系。而处于局域高亮背景中的微弱疵病被严重削弱之后可能造成疵病信号强度值过低。

针对上述问题,为进一步降低微弱疵病的漏检率,本文设计了一种改进的局部信号强度比算法,利用局部信号图像中微弱疵病信号强度通常高于邻域非疵病区域强度的特点,构造一类滤波模板对信号图像进行自适应局域增强,大幅提高疵病信号强度值,显著增强信号图像中疵病信噪比。最后对种子点进行筛选与自适应增长,并进行精确提取完成损伤区域的完整分割。改进后的局部信号强度比算法拥有更优异的识别微小疵病的能力,且漏检率更低,为构建高功率激光装置光学元件表面质量的离在线检测系统打下了基础。

2 改进的局部信号强度比分割方法

部分疵病亮度虽然可能低于视场中某局域亮背景,但在疵病所处的局域内,疵病目标与邻域背景之间通常存在一定的对比度信息,故能快速准确地为人眼所察觉。基于人类视觉特性的LASSR算法通过模拟人眼对视场信息的处理机制,以局域对比度信息作为检测依据,可以较好地识别复杂背景下的低信噪比微小疵病。

2.1 背景图像和信号图像的生成

LASSR算法^[17,19]首先对原始疵病图像进行灰度形态学开运算^[20],弱化明亮的疵病目标,同时保持整体灰度级和较大的明亮背景相对不变,对原始疵病图像先腐蚀再膨胀,得到图像:

Iopen(x,y)=maxminI(x,y),(1)

式中I(x,y)为原始疵病图像。使用高斯低通滤波器得到局部背景图像^[17,19]:

v(x,y)=Iopen2(x,y)·12πσ1exp-x2+y22σ12。(2)

根据对噪声邻域大小的估计决定高斯滤波器标准差σ₁。对I_open(x,y)进行高斯滤波,再将I(x,y)与高斯滤波后的图像相减得到锐化突出的差分图像,即为局部信号图像^[17,19]:

u(x,y)=I(x,y)-Iopen(x,y)·12πσ2exp-x2+y22σ22,(3)

式中标准差σ₂取值应小于感兴趣的最小目标。

2.2 信号图像的自适应局域增强

如(3)式所示,信号图像u(x,y)为差分图像,疵病目标的灰度值也被削减。当疵病所处局域的背景较暗时,削弱程度较低;当疵病所处局域的背景较亮时,削弱程度较大。处于局域高亮背景中的微弱疵病将被严重削弱,而微弱疵病的亮度通常只略高于其周围局域背景,削弱之后疵病信号强度值过低。为进一步提高疵病识别率,对目标信号进行自适应局域增强。利用信号图像中目标信号强度通常高于邻域非目标信号强度的特点,构造一类滤波模板对信号图像进行自适应局域增强,可大幅提高目标信号强度值,显著增强疵病信噪比。此滤波器的构造方法为:1)将滤波模板等分为9个子模板,并应用于信号图像;2)求取中央子模板的最大灰度值,计算周围8个子模板的加权均值;3)将最大灰度值与加权均值的比值作为中央子模板的中心像素点[图1(a)中红色标记像素点]的增强系数;4)将增强系数与最大灰度值的乘积作为红色标记像素的输出值。

图 1. 滤波模板。(a)结构图;(b)模板作用域下的图像子块

Fig. 1. Filtering template. (a) Structural diagram; (b) image patches in scope of template

下载图片 查看所有图片

图1(a)为滤波模板w,设w的尺寸为3M×3M,M为图1(a)中方形子模板的像素宽度。信号图像自适应局域增强的具体过程如下。

1) 将窗口w应用于信号图像u(x,y),得到以(x,y)为中心的尺寸为3M×3M的图像子块,如图1(b)所示。

2) 将此图像子块等划分为9个子块,每个子块的尺寸均为M×M。定义m_i为第i个子块的灰度均值,即:

mi=1N∑j=1NIji,(4)

式中N为子块像素总数, Iji为第i个子块的第j个像素的灰度值。

3) 计算图1(b)中由数字0标识的中心子块的最大灰度值

L=maxj=1,2,…,N(Ij0)。(5)

4) 计算邻域8个子块的加权平均灰度值

m=∑i=18εi·mi,(6)

式中ε_i为第i个子块的权值,与中心子块越相似则分配越大的权值。R_i为第i个子块与中心子块的相似度度量,按照模板匹配的差值平方和算法定义如下:

Ri=∑j=1N(Iji-Ij0)2,(7)

权值ε_i定义如下:

εi=1/Ri∑i=18(1/Ri)。(8)

5) 将L/m作为增强系数,计算中心子块中心像素点(x,y)增强后的值,即

u'(x,y)=L·Lm=L2m。(9)

6) 按照从左到右、从上到下的顺序,逐个像素点地在信号图像上移动窗口w,得到一系列图像子块,对每个子块重复步骤 2)到步骤 5),直到信号图像的所有像素点全部计算完毕,得到新信号矩阵u'(x,y)。

该滤波器能增强疵病信号强度的原因在于,疵病信号强度通常高于周围暗场区域强度,故当中心M×M子块包含疵病,而邻域子块为暗场时,L高于邻域加权均值,L/m大于1,则

L2m>L。(10)

由于(3)式求出的信号图像已对复杂背景进行了抑制,信号图像的非疵病区域已较均匀且强度值较低,故当中心子块为非疵病区域时,通常L/m不会大于1,有

L2m≤L。(11)

当中心子块处于疵病周边暗场时,则L小于邻域加权均值,L/m小于1,疵病边缘外近处强度值得到一定抑制。由上述可知,疵病信号强度值将得到放大,信噪比显著增强,利于后续疵病识别;选用不同大小的模板可实现不同尺寸疵病的增强。理想情况下,图1(a)中包含红色标记像素点的中心窗口尺寸应与疵病大小一致,可根据疵病的尺寸范围估计设定模板的数量与尺寸范围,不同模板对信号图像分别进行增强,综合所有模板的滤波结果选峰值作为输出信号值。

漏检疵病通常为微小疵病,增强微小疵病的信号强度能降低漏检率,故实验中为了提高计算速度,选用单一小尺寸窗口对信号图像进行一次局域增强。微小疵病尺寸通常只有几个甚至单个像素,实验中令M=3。疵病信号强度从中心至边缘一般呈衰减趋势,当图1(a)中的中心窗口尺寸小于疵病尺寸时,疵病中心区域的增强系数L/m略高于1,偏离疵病中心的边缘区域,由于边缘附近存在暗场,故边缘增强系数将高于中心增强系数。故在小尺寸滤波窗口的作用下,大尺寸疵病边缘区域的信号强度也能得到小幅度增强。

2.3 种子筛选

定义局部信号强度比矩阵^[17,19]为

M(x,y)=u'(x,y)2v(x,y)2,(12)

将上式两边平方,以避免(2)式中v(x,y)的平方根运算。LASSR算法以局域内目标信号强度与背景强度的差异为检测依据,疵病灰度值通常高于其周围局域背景灰度值,对信号图像u'(x,y)和背景图像v(x,y)进行平方非线性映射后,u'(x,y)的放大倍数将高于v(x,y)中相应像素的放大倍数,故可在不影响检测准确性下避免平方根运算。以往的M(x,y)定义中分子为对比度较低的信号图像,这里将分子替换为局域增强后的信号图像,可获得比值更高的M(x,y)。

对M(x,y)按照(13)式进行分割形成种子图像Γ(x,y),大于阈值φ的点被赋值为1,其他为0。每一组为1的像素,其原始疵病图像对应像素点作为种子储存。种子分割门限φ由一维最大熵算法获得。

Γ(x,y)=0,M(x,y)<φ1,M(x,y)≥φ。(13)

2.4 自适应种子生长与精确提取

得到种子图像后,需进行区域生长实现疵病完整区域的确定。区域生长的原理是将图像中具有相似属性的像素点结合在一起构成一个整体区域^[21]。传统种子生长法以固定阈值作为生长规则,先计算种子区域的平均灰度值,再计算种子邻域像素点与均值之差,若差值小于阈值则将该点加入种子区域,随着区域生长其均值也不断更新,重复以上步骤直至不再满足生长规则。

传统种子生长法的不足是由于采用固定阈值(例如初始种子区域的均值或者最大值的一半)作为生长规则,当阈值低于目标与背景的边界(图2中的虚线C)时,背景将被认为是目标的一部分,使得目标生长结果比实际物体偏大^[18];当阈值高于目标与背景的边界(图2中的虚线A)时,目标生长结果比实际物体偏小。

为解决上述问题,采用文献[ 12]中的自适应种子生长法,对每一个种子点,采用一系列生长阈值进行传统种子生长,得到生长阈值与生长面积的曲线,该曲线变化最快的地方即为目标与背景的交界处。采用该处的种子生长阈值,可得到期望的目标分割边界。此自适应种子生长法的原理为:在执行种子生长时,逐渐增加生长阈值,种子区域灰度均值下降,总面积逐渐增加;当阈值低于目标与背景的边界(图2中的虚线B)时,面积急剧增大,可将该阈值作为生长终止条件。

图 2. 疵病局域截面图

Fig. 2. Cross-section of damage

下载图片 查看所有图片

信号图像的自适应局域增强采用了L²/m的计算方法,L为中心小窗口最大值,故会导致疵病“膨胀”效果,利于微小疵病探测,后续实验部分将展示其“膨胀”效果。通常疵病边缘外近处的背景灰度值也较高,产生“虚光”现象。上述自适应种子生长法在保证疵病尺寸偏差不至于太高的前提下,仍可能会将疵病周围的少量背景像素点也加入种子区域。信号图像的局域增强和种子生长这两个环节可能会导致尺寸略高问题。为实现疵病的精确提取,设计如下解决方法,即在自适应种子生长结束后,提取每个疵病的水平最小外接矩形作为感兴趣区域(ROI),在每个ROI内分别进行Otsu分割。

3 实验结果及分析

图3(a)为高功率激光装置终端某块光学元件原始疵病图像部分区域,图3(b)为其强度分布三维图。图4为图3(a)中红色矩形框的放大显示,为方便观察,将其中低对比度疵病区域用红色圆圈进行标识。

3.1 信号图像的局域增强结果

图5(a)为图3(a)的信号图像u(x,y)。采用2.2节算法对u(x,y)进行自适应局域增强后得到新信号图像u'(x,y),如图5(b)所示。图5(c)和图5(d)分别为图5(a)和图5(b)的三维形貌。对比图3(b)和图5(c)可知,(1)式和(3)式在抑制背景的同时,信号图像u(x,y)相比原始疵病图像I(x,y)整体灰度值有所下降,疵病区域强度也被削减。每个疵病的削减程度不同且与其周围邻域背景有关,当疵病所处局域背景较亮时,削减幅度较高,处于局域高亮背景中的微弱疵病被严重削弱,可能造成过低的疵病信号强度值,故需要对信号图像u(x,y)进行增强以降低漏检率。如图5(d)所示,信号图像自适应局域增强后疵病信号得到了放大,信噪比显著增强。

由于增强系数除了与中心小窗口最大灰度值和周围邻域加权均值的比值有关,还与滤波模板和疵病的尺寸有关,故每个疵病的增强系数并不相同。观察可知,大尺寸疵病增强系数呈现中心低、边缘高的特点。如2.2小节所述,由于窗口尺寸M设为3,当大疵病尺寸高于此值时,疵病中心区域的增强效果不明显,而偏离中心的边缘区域附近有暗场,故边缘增强系数较高。

图 3. LASSR算法改进前后的分割结果比较。(a)原始疵病图像;(b)原始疵病图像强度分布三维图;(c)改进后的结果;(d)改进前的结果

Fig. 3. Segmentation results before and after improvement of LASSR algorithm. (a) Original damage image; (b) three-dimensional intensity distribution of original damage image; (c) result after improvement; (d) result before improvement

下载图片 查看所有图片

图 4. 图3(a)矩形区域的放大显示

Fig. 4. Enlarged view of rectangular area in Fig. 3(a)

下载图片 查看所有图片

图5(d)数值范围太大且疵病数量过多,为方便观察,选取图4中由数字标识的4个疵病,分别显示其信号图像自适应局域增强前后的强度分布三维图,如图6所示。由图6可知,信号图像局域增强后,疵病目标尺寸变大,产生了“膨胀”效果,利于微小疵病的探测,疵病目标强度增强4~50倍不等,信噪比得到了显著提高。

图 5. 信号图像。(a)自适应局域增强前;(b)自适应局域增强后;(c)(d)对应(a)(b)的三维形貌

Fig. 5. Signal images. (a) Before adaptive local enhancement; (b) after adaptive local enhancement; (c)(d) three-dimensional morphologies corresponding to (a) and (b), respectively

下载图片 查看所有图片

图 6. 信号图像自适应局域增强前后的强度分布图。(a)~(d)分别对应图4中编号1~4疵病

Fig. 6. Intensity distributions of signal images before and after adaptive local enhancement. (a)-(d) Corresponding to damages numbered by 1-4 in Fig. 4

下载图片 查看所有图片

3.2 分割结果

对图3(a)采用本文设计的改进局部信号强度比算法进行分割,得到结果如图3(c)所示。采用原始局部信号强度比算法进行分割,种子门限采用一维最大熵算法获得,得到分割结果如图3(d)所示。对比图3(c)、图3(d)和图4可知,改进后的LASSR算法由于对信号图像进行了局域增强,疵病信号强度得到放大并且信噪比显著提高,与原始LASSR算法相比,具有更低的漏检率,可将对比度极低的微小疵病检测出来,具有更加优异的识别微小疵病能力。与离线平台的检测结果进行比对,该局域内漏检率为0。

3.3 检测分辨力

图7(a)为原始损伤图像的局域显示,将其中4个对比度极低且能被CCD探测到的微弱疵病用红色圆圈进行标识,采用改进后的LASSR算法进行分割得到结果如图7(b)所示。为方便观察,均已作放大显示。观察可知,该算法将其中4个微弱疵病准确分割了出来。

图 7. 原始损伤图像与分割结果。(a)原始损伤图像;(b)分割结果

Fig. 7. Original damage image and its segmentation result.(a) Original damage image; (b) segmentation result

下载图片 查看所有图片

采用显微镜(KH-8700,Hirox公司,日本)检测上述区域,结果如图8所示,标记为1~5的疵病有效等价圆直径分别为259.574,28.451,32.394,34.409,44.121 μm。改进后的LASSR算法具有优异的微弱疵病检测效果,可识别出约30 μm的微小疵病。由图7和图8(a)可知,此局域内尺寸更小的疵病因向外散射的光通量过低而被漏检,实验中瞄准50 μm以上疵病点的检测。

图 8. 显微镜测量结果。(a)光学元件的局部区域;(b)~(f)分别为标记1~5的损伤点在高倍显微镜下的测量结果

Fig. 8. Measurement results under microscope. (a) Local area of optical element; (b) - (f) corresponding to measurement results of damage points numbered by 1-5 under high magnification microscope

下载图片 查看所有图片

选取3块已下线的终端大口径光学元件作为待测样品No.1~No.3,对其使用文中设计的改进LASSR算法进行分割,将人工检测结果与算法分割结果进行比对评估,统计50 μm以上的尺寸的损伤的漏检率。由于待测元件上损伤点数量众多,选取元件的某局域进行人工比对分析,将比对分析结果作为此元件的损伤漏检率参考,得到结果如表1所示。结果表明,样品的漏检率均低于0.4%。

4 结论

利用改进后的LASSR算法,即利用信号图像中目标信号强度通常高于周围邻域非目标强度的特点,构造了一类滤波模板对信号图像进行自适应局域增强,进而大幅提高疵病目标信号强度值,显著增强信号图像的疵病信噪比。信号图像在局域增强的同时,产生了疵病“膨胀”效果,利于微弱疵病的检测。改进后的LASSR算法具有更加优异的识别低信噪比微小疵病能力,可识别出约30 μm的疵病。与现有的LASSR算法相比,改进后的LASSR算法具有更低的漏检率,可获得等价圆直径50 μm以上疵病点小于0.4%的漏检率,对高功率激光驱动器中的终端大口径光学元件损伤检测的后续研究具有重要意义。