基于数字微镜成像系统的像素级映射方法 下载: 932次
1 引言
光电成像设备评价的重要指标之一就是动态范围,普通光电成像设备的可探测动态范围一般在48 dB以上,但难以满足空间目标成像探测和科学成像应用100 dB以上的需求。CCD或CMOS图像传感器是目前主要的空间目标探测应用成像器件,其成像动态范围仍不能达到科学探测的要求。因此,如何提高成像系统的动态范围是目前光学探测成像设备亟待解决的关键问题之一。
近年来,随着新型的成像前光学调制技术的出现,在成像前利用数字微镜器件(DMD)芯片进行光学调制,使得视觉测量系统能够实现更广的视觉空间范围、更宽的成像动态范围以及更高的测量精度和测量效率[1-2]。DMD与CCD像元之间的匹配精度会影响调光区域的对准精度,只有实现上述两者的高匹配度,才能使掩模达到高精度匹配[3],因此选择精度高的映射算法就显得十分重要。
由于结构设计的限制以及光路共轴度等因素的影响,成像系统不可避免地存在畸变现象,映射算法的合理设计,可以有效减少系统畸变对成像质量的影响。目前关于匹配映射算法的研究较少,如电容式触摸屏和LCD之间的像素映射方法[4]、基于像素角度映射的摄像机标定算法[5]等。虽然它们能够实现空间上的映射关系,但是对于DMD与CCD所需要后续匹配的情况并不十分适用。
为实现DMD微镜对CCD像素的精确调制,根据DMD高动态范围成像系统的特征,本文提出了三种像素级映射方案,分别对其进行了理论分析,并应用到本文系统中;通过实验验证比较三种算法的精度,选择了误差尽可能小的算法,得到了DMD微镜对CCD像素的像素级映射匹配关系。
2 系统概述
2.1 系统基本原理
基于微电子机械系统(MEMS)的DMD,是将若干个可转动的微型反射镜以阵列菱形的排布形式集成在芯片上。每个微反射镜以对角线为轴实现正负角度偏转,达到调制光线的目的[6]。
根据DMD芯片的成像原理,设计光路以确定CCD相机与DMD芯片的相对位置,并依据测量物体光线的进入位置,设计出整个光路,最终得到完整的高动态范围成像系统。
由于成像系统存在二次成像过程,且DMD像面与CCD像面之间的距离有限,导致难以直接进行角度折叠的设计,因此选择添加全部内反射(TIR)棱镜改变光路方向。添加之后整体光路将会产生角度折叠,转变为两个垂直方向的光路。其光路成像过程为:被测物光线先后经镜头L1和TIR棱镜成像于芯片DMD像面上,反射光线经过DMD芯片表面的反射后,回到TIR中发生全反射,再通过镜头L2到达CCD相机并成像,如
2.2 DMD与CCD映射关系
在整个光路系统中,DMD位于CCD之前,被测物的光线先经过DMD后反射到CCD上[7],因此,DMD与CCD具有一定的对应关系,即映射关系。DMD每个微镜的开关状态决定了CCD上对应像元位置的明暗程度,为降低高动态场景中特定区域亮度,需要CCD上过曝光部分所对应的DMD微镜处于适当的关闭状态。因此,需要设计像素级的映射算法,精确地解算出DMD微镜与CCD像素之间的映射关系,才能够精确地调制成像系统中各区域的入射光强,实现高动态范围成像。
3 像素级映射算法设计
根据DMD与CCD的位置关系,考虑光路设计和畸变情况,设计出三种映射算法:直接线性变换(DLT)算法[8]、非线性多项式畸变拟合映射算法和基于反向传播(BP)神经网络的映射算法。
3.1 DLT映射算法
由于系统光路结构近线性,选择DLT算法进行映射。DLT是在齐次坐标下将对应点成像关系写成透视投影的形式,计算式为
式中
消去
通过格拉布斯准则剔除变换误差较大的点对,然后利用剩余的点对求取最优解的
式中
像机标定的目标就是寻找合适的
给出约束
式中
此时,
3.2 非线性多项式畸变拟合映射算法
在基于DMD的高动态范围成像系统中,采集到的图像会受各种因素的限制,存在成像畸变。而后期的畸变校正可能会影响系统像元的映射精度,因此,提出了一种非线性多项式畸变拟合映射算法,以弥补成像系统的畸变造成的映射误差[9]。
畸变大体可以分为径向畸变
以矩形标定板进行倾斜畸变校正,提取特征点与理想特征点建立相应的映射函数
完整的映射模型为
设DMD上载图片特征点坐标为(
式中
这种算法对于倾斜畸变的映射环节具有一定的适用性,针对本文的高动态成像系统,在拟合畸变的基础上实现了映射环节的建立。
3.3 基于BP神经网络的映射算法
考虑到系统内部畸变的不可控部分,将系统内部环节视为全部未知,以神经网络学习方法进行拟合[11],也可得到相应映射关系。BP神经网络是一种非线性不确定性的数学模型和监督式的学习方法,具有连续传递函数的多层前馈人工神经网络,将BP算法作为基本训练方式,高精度地拟合数据[12],如
设输入层神经元为{
在信息的正向传递过程中,隐含层的神经元为
输出层神经元
对于误差的逆向传播,算出期望输出与实际输出的均方根误差
由于系统为较简单的近线性结构,因此选择三层学习方法,即只有一个隐含层。输入层、隐含层与输出层之间通过相互作用关系拟合成近似函数,从而得到系统的映射关系。以上载图片角点像素坐标作为输入量,CCD接收图像角点坐标为输出量,拆开坐标
4 映射精度验证及分析
为分别验证三种算法的精度,设计如
图 3. 标定图片。(a) DMD上载图片; (b) CCD接收图像
Fig. 3. Calibration images. (a) DMD upload image; (b) image received by CCD
应用Harris算子解算出
对测试图片进行检测,得到角点位置坐标,将畸变和理想图像数据分别代入多项式,通过回归拟合,求得各项系数,得到多项式算法的各项参数为
完成参数标定后需要进行误差分析,以验证各算法的映射精度。通过设计DMD误差标定检测图像(
图 4. 误差标定检测图片。(a) DMD上载图片; (b) CCD接收图像
Fig. 4. Error calibration test images. (a) DMD upload image; (b) image received by CCD
误差检测以均方根误差作为评价标准,均方根误差的值越小表示测量结果的精度越高,其表达式为
对于DLT算法和多项式算法,先进行初步标定然后用误差检测图片进行角点数据验证,应用格拉布斯准则剔除粗大误差,然后分别求出每个点的误差平均值
由
由
对于BP神经网络算法,以9×16棋盘格标点板,以上载图片角点像素坐标作为输入量
表 1. DLT算法误差
Table 1. Error of DLT algorithm
|
表 2. 多项式算法误差
Table 2. Error of polynomial algorithm
|
表 3. 神经网络BP算法误差
Table 3. Error of neural network BP algorithm
|
由
综上所述,三种算法各有其特点,DLT算法的匹配效果较差、误差较大,但是对于精度要求不高或者光路简单的系统,DLT算法更为直观且易于理解,能够实现良好的映射匹配。多项式畸变拟合算法表达式相对复杂,但是拟合了相关畸变,匹配精度高且易于实现,适用于有一定畸变且系统不过于复杂的结构,如添加TIR棱镜的光路系统以及其他类似存在一定畸变的高动态成像系统中的映射环节。BP神经网络算法需经过较为复杂的学习过程,匹配效果一般,但是能够很好地适应系统的各种变化,在系统内部未知情况下有很好的应用,同时对于为了提高动态范围再叠加DMD的情况或者基于DMD的关联成像[14]等较为复杂的系统,该方法适应性更强。综合三种方法的理论和实验结果,结合本文系统的特征,最终采用精度最高的多项式畸变拟合算法实现映射,进行后续计算。
5 结论
针对基于DMD的高动态范围成像系统中的DMD与CCD的高精度映射问题,提出并实现了包括DLT直接线性算法、非线性多项式畸变拟合算法和BP神经网络算法等可行方案。通过实验测试都能够完成匹配映射关系,其中多项式算法有较好的精度,且能校正部分畸变使得最终误差为1.02 pixel,满足成像系统像素级映射的需求。
[1] 都琳, 孙华燕, 张廷华, 等. 基于相机响应曲线的高动态范围图像融合[J]. 计算机工程与科学, 2015, 37(7): 1331-1337.
都琳, 孙华燕, 张廷华, 等. 基于相机响应曲线的高动态范围图像融合[J]. 计算机工程与科学, 2015, 37(7): 1331-1337.
Du Lin, Sun Huayan, Zhang Tinghua, et al. High dynamic range image fusion based on camera response function[J]. Computer Engineering and Science, 2015, 37(7): 1331-1337.
[4] 胡思捷, 耿卫东, 商广辉, 等. 一种电容式触摸屏和LCD之间的像素映射方法[J]. 液晶与显示, 2010, 25(6): 812-816.
胡思捷, 耿卫东, 商广辉, 等. 一种电容式触摸屏和LCD之间的像素映射方法[J]. 液晶与显示, 2010, 25(6): 812-816.
[5] 江晟, 曲昭伟, 胡宏宇, 等. 基于像素-角度映射的摄像机标定算法[J]. 哈尔滨工业大学学报, 2012, 44(8): 130-135.
江晟, 曲昭伟, 胡宏宇, 等. 基于像素-角度映射的摄像机标定算法[J]. 哈尔滨工业大学学报, 2012, 44(8): 130-135.
Jiang Sheng, Qu Zhaowei, Hu Hongyu, et al. Camera calibration based on pixel-angel reflection model[J]. Journal of Harbin Industrial University, 2012, 44(8): 130-135.
[6] Florence JM, Yoder LA. Display system architectures for digital micromirror device (DMD)-based projectors[C]. Proceedings of SPIE, International Society for Optics Engineering, 1996, 2650: 193- 208.
Florence JM, Yoder LA. Display system architectures for digital micromirror device (DMD)-based projectors[C]. Proceedings of SPIE, International Society for Optics Engineering, 1996, 2650: 193- 208.
[7] 周望. 基于数字微镜器件技术提高面阵CCD相机动态范围的研究[J]. 光学学报, 2009, 29(3): 638-642.
周望. 基于数字微镜器件技术提高面阵CCD相机动态范围的研究[J]. 光学学报, 2009, 29(3): 638-642.
[8] 陈怀章. 实现像素级光强调制的微镜阵列控制方法研究[D]. 长春: 中国科学院长春光学精密机械与物理研究所, 2013.
陈怀章. 实现像素级光强调制的微镜阵列控制方法研究[D]. 长春: 中国科学院长春光学精密机械与物理研究所, 2013.
ChenHuaizhang. The pixel intensity modulation of the micro mirror array control method research[D]. Changchun: Changchun Institute of Optics, Fine Mechanics and Physics,Chinese Academy of Sciences, 2013.
ChenHuaizhang. The pixel intensity modulation of the micro mirror array control method research[D]. Changchun: Changchun Institute of Optics, Fine Mechanics and Physics,Chinese Academy of Sciences, 2013.
[9] 陈卫兵. 实时图仿真中畸变模型的分析与建立[J]. 计算机工程与应用, 2011, 47(6): 168-171.
陈卫兵. 实时图仿真中畸变模型的分析与建立[J]. 计算机工程与应用, 2011, 47(6): 168-171.
Chen Weibing. Distortion model analysis and establishment for real-time image simulation[J]. Computer Engineering and Applications, 2011, 47(6): 168-171.
[10] 吴培, 王延杰, 孙宏海, 等. 高动态调光成像系统畸变的自校正[J]. 光学精密工程, 2015, 23(10): 2997-3003.
吴培, 王延杰, 孙宏海, 等. 高动态调光成像系统畸变的自校正[J]. 光学精密工程, 2015, 23(10): 2997-3003.
[11] 焦李成, 杨淑媛, 刘芳, 等. 神经网络七十年: 回顾与展望[J]. 计算机学报, 2016, 39(8): 1697-1716.
焦李成, 杨淑媛, 刘芳, 等. 神经网络七十年: 回顾与展望[J]. 计算机学报, 2016, 39(8): 1697-1716.
Jiao Licheng, Yang Shuyuan. Liu fang, et al. Seventy years beyond neural networks: Retrospect and Prospect[J]. Chinese Journal of Computers, 2016, 39(8): 1697-1716.
[12] 刘春艳, 凌建春, 寇林元, 等. GA-BP神经网络与BP神经网络性能比较[J]. 中国卫生统计, 2013, 30(2): 173-181.
刘春艳, 凌建春, 寇林元, 等. GA-BP神经网络与BP神经网络性能比较[J]. 中国卫生统计, 2013, 30(2): 173-181.
Liu Chunyan, Ling Jianchun, Kou Linyuan, et al. GA-BP neural network and BP neural network[J]. Chinese Journal of Health Statistics, 2013, 30(2): 173-181.
[13] Srinivas N, Deb K. Multiobjective optimization using nondominated sorting in genetic algorithms[J]. Evolutionary Computation, 1994, 2(3): 221-248.
Srinivas N, Deb K. Multiobjective optimization using nondominated sorting in genetic algorithms[J]. Evolutionary Computation, 1994, 2(3): 221-248.
[14] 唐文哲, 曹正文, 石剑虹, 等. 基于数字微镜器件的“后视”关联成像[J]. 光学学报, 2015, 35(5): 0511004.
唐文哲, 曹正文, 石剑虹, 等. 基于数字微镜器件的“后视”关联成像[J]. 光学学报, 2015, 35(5): 0511004.
Article Outline
王惟婧, 张福民, 冯维, 曲兴华. 基于数字微镜成像系统的像素级映射方法[J]. 光学学报, 2017, 37(12): 1211001. Weijing Wang, Fumin Zhang, Wei Feng, Xinghua Qu. Pixel-Level Mapping Method Based on Digital Micromirror Imaging System[J]. Acta Optica Sinica, 2017, 37(12): 1211001.