1 中国科学院西安光学精密机械研究所,西安 710119
2 中国科学院大学,北京 100039
针对光路对接准直目标识别算法对双目标粘连状态无法判别的问题,提出了基于二进制大对象(Binary Large Object,BLOB)区域和边缘特征分析的准直图像双光学目标识别方法。首先,对二值化图像进行数字形态学处理,计算全图各BLOB区域的面积、中心、轴长、区域、有效BLOB区域个数等信息。其次,对有效BLOB区域个数大于1的完全分离双目标准直图像,统计各BLOB区域中心分别为位于两个面积最大的BLOB区域内的BLOB数量,数量小的候选BLOB区域为主激光目标,数量大的候选BLOB区域为模拟光目标。然后,对于有效BLOB区域个数等于1的待识别图像,从左、右、上、下4个方向分别提取模板边缘图像的有效坐标序列和待识别边缘图像坐标序列,搜索有效坐标序列和待识别边缘图像坐标序列的最大相关系数对应的有效坐标序列。当4个方向的相关系数全部大于0.95时,待识别图像为模拟光目标;当4个方向的相关系数都小于0.95时,待识别图像为主激光目标;否则待识别图像为粘连图像。实验结果表明:提出的双光学目标识别算法,不仅能够识别完全分离的模拟光目标和主激光目标,误差小于3个像素,处理时间小于1 s,而且能够判别处于粘连状态的光学目标和单个独立的光学目标,满足光路对接准直图像识别算法对于自适应性、精度和效率的要求。
光路对接准直 BLOB区域 边缘特征分析 双光学目标识别 粘连图像识别 Optical path docking collimation BLOB region Edge feature analysis Dual optical target recognition Adhesion image recognition
中国科学院西安光学精密机械研究所先进光学仪器研究室,陕西 西安 710119
针对基于旁瓣光束衍射反演的强激光远场焦斑测量无法提取旁瓣图像更外围最小可测信号的问题,笔者提出了基于邻域向量主成分分析(NVPCA)图像增强的旁瓣弱光信号区域波峰参数检测方法。采取的主要优化措施为:首先,将旁瓣图像中的每个像素和它的8邻域像素看作一个列向量,构建一个9维数据立方体,选择主成分分析变换后的第1维数据为NVPCA图像;其次,通过角度变换转化检测对象,检测所有方向上一维旁瓣曲线的各个波峰参数,获得旁瓣弱光信号区域能量的量化分布;然后,搜索每个旁瓣波峰在所有方向上的极大值位置点,连接对应位置点生成每个旁瓣波峰的极大值圆环,计算各极大值圆环的灰度均值;最后,选择大于局域对比度方法(LCM)目标分离阈值且最小的极大值圆环的灰度均值作为整个旁瓣光束的最小可测信号。实验结果表明,采用基于NVPCA图像增强的旁瓣弱光信号检测方法能够从旁瓣图像的第5波峰环分离和提取最小可测信号,动态范围比值提升至原来的1.528倍,各旁瓣波峰参数满足精度要求,为未来大型激光装置强激光远场的精确测量奠定了基础。
远场测量 邻域向量主成分分析 旁瓣光束衍射反演 角度变换 旁瓣波峰参数检测
中国科学院西安光学精密机械研究所, 西安710119
针对基于纹影的高动态范围远场焦斑测量数学模型没有考虑噪声对测量结果影响的缺点,本文对基于纹影的远场焦斑测量方法从三个方面进行优化.首先,改进基于纹影的远场焦斑测量数学模型,将噪声作为影响实验结果的重要因素引入数学模型中,使该数学模型和真实的实验环境相匹配,提高了该数学模型的实用性和理论支撑作用;其次,将基于卷积神经网络的去噪算法(DnCNN)引入主瓣和旁瓣CCD图像去噪处理中,并改进该去噪算法存在的不足,使得能够有效去除主瓣和旁瓣12位图像、不同级别(0~75 dB)的噪声;最后,完整仿真了远场焦斑测量实验的全过程,包括分光、衰减、加噪声、纹影小球遮挡、去噪、衰减倍率放大、焦斑重构等,获得了有效的焦斑重构实验结果,其中重构焦斑图像和理论焦斑图像的相关系数为0.998 9,重构焦斑动态范围与理论焦斑动态范围之间误差为3.22%.仿真实验结果表明,通过该数学模型和DnCNN去噪算法的改进措施,验证了改进的数学模型必要性和DnCNN去噪算法在提高重构焦斑二维分布和动态范围精度方面的优越性能,提高了基于纹影的高动态范围远场焦斑测量的可信度,满足了高动态范围远场焦斑测量对于精度和效率的要求.
远场焦斑测量 纹影法 焦斑重构 DnCNN 去噪方法 Measurement of far-field focal spot Schlieren method Reconstruct of focal-spot DnCNN Denoising method
中国科学院 西安光学精密机械研究所, 陕西 西安 710119
为了解决局域对比度方法(LCM)无法检测局部亮区损伤目标和分离效率低的问题, 本文提出了基于邻域向量内积局部对比度图像增强的光学元件损伤目标检测方法。首先, 将图像中的每一个点的3×3邻域生成一个9维邻域向量, 并将邻域内的最大值扩展成一个9维度极值向量, 计算邻域向量与极值向量的内积; 其次, 计算每个像素的邻域向量内积对比度值(NVDC); 然后, 计算每个像素的邻域向量内积局部对比度, 即在一个较大的区域内(5×5)搜索当前像素所有邻域向量内积对比度的最大值, 作为当前像素的邻域向量内积局部对比度值(NVDLC); 最后, 对NVDLC图像进行二值化和目标分离。实验结果表明, 通过本文的增强方法使得损伤图像的信噪比从3.775提高到12.445, 损伤目标信号得到极大的增强。在经过邻域向量内积局部对比度方法图像增强后, 能够直接使用自适应阈值公式将小于2 pixel的损伤目标从背景中分离出来, 满足了弱对比度损伤目标检测对于精度和效率的要求。
损伤检测 图像增强 临域向量 局域对比度方法 邻域向量内积对比度 damage detection image enhancement neighborhood vector Local Contrast Method(LCM) Neighborhood Vector Dot Contrast(NVDC) 光学 精密工程
2019, 27(12): 2668