大口径反射镜表面颗粒污染物暗场检测算法研究 下载: 1200次
1 引言
大口径反射镜是高功率固体激光装置中的一个重要光学元件,具有改变激光束方向的作用。在使用过程中,颗粒污染物会被吸附在反射镜表面,这不仅会造成激光束质量下降,而且会缩短反射镜使用寿命[1-2]。因此,需要采取一定的方法获得反射镜表面的洁净状态,以便指导污染物的去除和对去除效果的评估。光学元件表面颗粒污染物检测方法主要有机械收集式检测法[3-4]、声光信号传感式检测法[5-6]以及机器视觉暗场检测法[7-9]三类。相比于前两种方法,机器视觉暗场检测法可实现实时检测并可获得污染物位置、尺寸信息。因此,目前国内外学者主要采用该方法进行光学元件表面污染物检测。
Shi等[7]基于暗场检测方式检测光学基板表面的抛光粉颗粒污染物,采用基于最大类间方差的二值化算法提取污染物,并用八连通区域生长的方式求取面积等信息;楚红雨等[8]基于暗场检测原理设计出光学元件表面洁净度检测仪,采用边缘提取的方式得到污染物区域,采用关联向量机算法对污染物进行分类。Ding等[9]设计出一种便携的污染物暗场检测系统,通过外部电机与机械结构实现了自动聚焦功能。目前,国内外对大口径反射镜的暗场检测主要存在以下问题:1)由于反射镜表面污染物尺寸小、数量少,自动聚焦算法受图像背景影响严重;2)已有的研究未综合考虑镜头制造误差与成像系统安装误差引起的成像畸变;3)在千万级像素图像中,污染物成像范围为1~50 pixel,且图像背景复杂,污染物提取算法易造成漏检与误检。
针对以上问题,本文主要研究适用于反射镜表面成像特点的污染物暗场检测算法,包括图像采集过程中的自动聚焦算法和图像处理过程中的畸变校正、污染物提取算法。
2 暗场检测算法原理
本研究利用暗场光学显微成像实现表面污染物颗粒的检测,检测原理如
2.1 自动聚焦算法原理
相机的自动聚焦是利用图像信息作为反馈,控制镜头上的聚焦马达的运动,使物体成像在焦平面上以获得清晰的图像,其具体流程如
清晰度评价函数性能可由性能评价指标定量描述,本文采用清晰度比值[10]、陡峭度[10]、平坦区波动量[10]作为清晰度评价函数的评价指标。曲线清晰度比值与陡峭度越大,则评价函数对图像清晰度变化越敏感,判断离焦图像的能力越强。平坦区波动量越小,则评价函数抵抗噪声的能力越强。
表 1. 清晰度评价函数性能指标
Table 1. Sharpness evaluation function performance indicators
|
由
式中:f(x,y)为二维图像;Tx,Ty为Sobel算子,且
为提高搜索算法的效率和准确度,防止搜索陷入局部极值点,本研究提出粗-精结合的峰值搜索算法。粗调过程采用全局搜索法[11]提高搜索抗噪能力,搜索步长选择大步长以提高搜索效率。精调是以粗调结果为起点进行搜索,由于粗调结果在峰值附近,清晰度评价函数满足单峰性的要求,因此精调过程采用爬山法[12]来保证搜索效率与搜索精度。然而,对于表面洁净度较高且通光域口径(537 mm×380 mm)较大的反射镜,其表面颗粒污染物密度较小且分布随机,若选择整幅图片作为聚焦窗口,则背景信息会对聚焦过程产生较大影响,若选择局部图片作为聚焦窗口,则可能包含的污染物颗粒较少,不能得到正确的聚焦结果。因此提出一种基于多聚焦窗口的精调方法,将整幅图像均分为N×N个聚焦窗口,在利用爬山法进行精调的过程中,分别计算N×N个聚焦窗口的清晰度评价函数值f1(xi),f2(xi),…,fk(xi),…,fN×N(xi),若其中半数以上的聚焦窗口满足fk(xi)>fk(xi-1),则聚焦马达继续沿当前方向运动,否则,聚焦马达改变运动方向。自动聚焦算法具体流程如下:
1) 粗调
(1) 聚焦马达从初始位置x0=0开始,以步长Ssize=1000采集图像并计算压缩后图像的Tenengrad函数值,直到到达聚焦马达终点位置为16383;
(2) 寻找Tenengrad函数值峰值,记录峰值对应的聚焦马达位置xmax0。
2) 精调
(1) 聚焦马达运动到x0=xmax0,采集图像并将其分为4×4的子图像,分别计算Tenengrad函数值:f1(x0),f2(x0),…,fk(x0),…,f16(x0),并设置初始步长为Ssize=100;
(2) 聚焦马达运动到x1=x0+Ssize,采集图像并分别计算16个子图像的Tenengrad函数值:f1(x1),f2(x1),…,fk(x1),…,f16(x1),若fk(x1)>fk(x0)的子窗口个数大于8,步长保持不变,否则,Ssize=-Ssize×0.7;
(3) 令x0=x1,fk(x0)=fk(x1),并重复精调过程中的步骤(2),直到步长变化小于1时停止搜索,当前位置即为评价函数峰值位置。
2.2 污染物图像处理算法原理
污染物图像处理过程是利用图像处理算法将污染物准确地从图像中提取出来,包括图像的畸变校正、背景去除以及二值化算法。为获得污染物在反射镜表面准确的位置、尺寸信息,理想情况下,采集图像时相机光轴应与反射镜垂直且不能失真。但由于采集过程中存在镜头制造误差以及成像系统安装误差,物体成像后在图像中的坐标与理想成像坐标存在偏差,需要对图像畸变进行校正。在反射镜的实际工作环境中:反射镜后表面以及周围环境的反射光较强,所以要求背景去除算法能够消除背景光与反射光的影响;反射镜表面的污染物尺寸较小,成像范围为1~50 pixel,所以要求二值化算法应对小尺寸污染物具有分辨能力。
2.2.1 图像畸变校正
图像畸变校正主要是对镜头制造误差以及成像系统安装误差引起的畸变进行校正,使校正后的坐标逼近理想坐标。
镜头制造误差引起的畸变为非线性畸变,包括径向畸变、离心畸变与薄棱镜畸变[13]。一阶、二阶径向畸变与切向畸变在畸变模型中起主导作用[14],高阶径向与切向畸变可忽略不计,薄棱镜畸变较小,也可忽略。故畸变模型可简化为
式中:(u0,v0)为畸变中心;(ud,vd)为畸变图像坐标;(up,vp)为非畸变图像坐标;k1,k2为径向畸变系数;p1,p2为切向畸变系数。
通过建立约束方程求解出径向与切向畸变系数以及畸变中心,即可对镜头畸变进行校正。本文基于透视投影过程中图像的交比不变性[14]以及共线特性[15]求解畸变系数。在
在高精度标定板中,相邻两点距离相等,则存在约束方程:
设qk,l表示直线l上的第k个点,m×n为棋盘格行列数,约束方程数为m(n-3)+n(m-3),基于交比不变性,可得代价函数
由A、B、C三点共线,可得约束方程
约束方程个数为m(n-2)+n(m-2),基于共线特征的代价函数为
基于图像交比不变性以及共线特性的总的代价函数可表示为
采用LM(Levenberg-Marquardt)优化算法使得总代价函数最小,即可求得标定板角点的理想成像坐标估计值,迭代初值选取标定板成像后的角点坐标值。
将标定板角点理想成像坐标估计值与实际成像后的角点坐标值代入畸变模型,可得
式中:i=1,2,…,mn。
将畸变中心(u0,v0)取为图像中心,可得径向与切向畸变系数k1,k2,p1,p2的最小二乘初始估计值,将其作为k1,k2,p1,p2初值,将图像中心作为畸变中心(u0,v0)的初值,应用LM优化可得优化后的畸变中心坐标以及畸变系数。优化算法代价函数为
在成像系统安装过程中,反射镜表面与相机光轴不一定严格垂直,使图像产生畸变,该畸变为线性畸变,本质上是图像之间的射影变换。畸变投影模型如
假设反射镜表面存在齐次坐标表示的点M=[X Y 1]T,对应图像中点m=[u v 1]T,则有
式中:λ为比例因子;A为相机内参数矩阵;[r1r2t]为外参数矩阵。
当反射镜表面与相机光轴严格垂直时,假设M投影到像平面上点为m'=[u' v' 1]T,则
式中:r'1=[1 0 0]T,r'2=[0 1 0]T。忽略比例因子,则可得
式中:H为单应矩阵。
(14)式等价于m'×Hm=0,设H=[h1h2h3]T,则可得
每组观测点对应给出关于H的3个方程,但仅有2个方程相互独立,故若给出4组对应点,则可得到H的一维解集,即相差一个非零尺度因子意义下的精确解。由于每组点的坐标在观测时都会存在噪声,即求解的精确解并不是真实的单应矩阵,故可给出4组以上的点求解H的近似解。求解方法可采用LM优化,代价函数可采用对称转移误差,即
式中:d(x,y)表示非齐次点x,y之间的欧式距离,初始值可由上述齐次方程组的最小二乘解确定。
线性畸变校正模型见
为最大程度保存原图像信息,校正前图像中的一个像素应至少被映射到校正后图像的一个像素。校正后图像分辨率应满足如下条件[16]:
式中:
2.2.2 图像背景去除技术
在进行二值化之前需要对图像进行预处理以消除背景信息的影响。采用灰度级形态学算法中的顶帽变换去除图像背景。顶帽变换是开操作与图像相减的组合,其表达式为
式中:b为执行开操作的矩形结构元;为开操作。
选择20×20的矩形结构元对图像进行开操作,可去除较小的污染物目标而只保留背景。原图像与开操作结果相减即可获得去除背景的图像。顶帽变换前后图像灰度分布如
图 7. 顶帽变换前后图像灰度分布对比。(a)原图灰度分布图;(b)顶帽变换结果灰度分布图
Fig. 7. Comparison before and after top hat transformation. (a) Grayscale map of original image; (b) grayscale map of transformation results
2.2.3 二值化算法设计
反射镜表面污染物在千万级像素的灰度图像中的成像范围为1~50 pixel,针对小尺寸物体的检测问题,本文提出拉普拉斯算子加权的自适应阈值计算方法,拉普拉斯算子为二阶微分算子,运用拉普拉斯算子对图像进行高通滤波,能够锐化图像,且二阶算子在响应图像细节方面强于一阶算子,因而该方法对于小尺寸物体有较好的响应。
二维图像f(x,y)的拉普拉斯算子加权自适应二值化算法步骤:
1) 计算权值ω:
式中:L为拉普拉斯算子模板。
2) 计算自适应阈值T(x,y):
式中:(2m+1)×(2n+1)为加权邻域尺寸;η为常量。
3) 计算二值化图像fb(x,y):
3 实验结果与分析
本文的算法验证实验在污染物暗场检测实验平台上进行,相机选用Vieworks公司VC-71MC-M/C4,镜头选用Canon公司EF 24-70 mm f/2.8L II USM,镜头搭载有环形USM超声波马达,用于实现镜头聚焦位置的调节。马达控制通过Birger engineering电动接圈实现,可实现在0~16383的步长范围内的聚焦位置调节。
3.1 自动聚焦实验结果与分析
由2.1节分析可知,自动聚焦评价函数选择Tenengrad函数,峰值搜索算法选择本文提出的粗-精结合的搜索方法。自动聚焦曲线如
图 8. 自动聚焦曲线。(a)粗调过程Tenengrad函数曲线;(b)精调过程超声马达位置曲线;(c)精调过程子窗Tenengrad函数曲线
Fig. 8. Autofocus curve. (a) Tenengrad function curve of coarse adjustment; (b) focusing motor position curve of accurate adjustment; (c) sub-window Tenengrad function curve of accurate adjustment
在验证实验中,为便于对污染物的观察和测量,制备了标定板并将其放置在反射镜表面,在标定板上预置了不同尺寸的二氧化硅颗粒作为污染物。相机聚焦前后采集的反射镜表面图像如
图 9. 自动聚焦前后图像对比。(a)自动聚焦前图像;(b)自动聚焦后图像
Fig. 9. Image contrast before and after autofocusing. (a) Image before autofocusing; (b) image after autofocusing
3.2 畸变校正实验结果与分析
畸变校正首先基于标定板角点的交比不变性和共线特性校正镜头制造误差引起的图像畸变,然后根据射影变换校正成像系统安装位置误差引起的线性畸变。
基于本文提出的畸变校正方法获得的畸变系数为:p1=7.58×10-10,p2=1.49×10-9, k1=1.48×10-10,k2=-7.24×10-18,畸变中心(u0,v0)=(5000,3584),单应矩阵为
标定结果方均根误差表示为
式中:(u'ij,v'ij)为理想的标定板角点坐标;(
3.3 污染物提取实验结果与分析
污染物提取实验中,采用不同的二值化算法对顶帽变化后的图像进行提取,为便于观察,对区域1和区域2的二值化结果取反色显示,对比结果如
图 10. 二值化算法对比。(a)原图;(b)Otsu算法;(c)最大熵算法;(d)均值算子加权自适应二值化;(e)拉普拉斯算子加权自适应二值化
Fig. 10. Binarization algorithm comparison. (a) Original image; (b) Otsu algorithm; (c) maximum entropy model; (d) mean weighted adaptive binarization algorithm; (e) Laplacian weighted adaptive binarization algorithm
图 11. 超景深显微镜检测结果。(a)区域1显微图像;(b)区域2显微图像
Fig. 11. Results of ultra-depth microscope. (a) Microscopic image of area 1; (b) microscopic image of area 2
利用超景深显微镜对标定板上污染物进行检测,统计得到几种算法的检测数量误差与运行时间,见
表 2. 污染物提取算法性能对比
Table 2. Performance comparison of pollutant extraction algorithms
|
4 结论
本文以Tenengrad函数作为清晰度评价函数,提出粗-精结合的峰值搜索算法,实现了图像采集过程中的自动对焦。建立了相机成像畸变模型,并求取畸变系数实现了畸变校正,校正结果的方均根误差为3.3092 pixel。通过顶帽变换消除了背景信息的影响,提出了拉普拉斯加权自适应二值化算法,实验表明采用该算法可以克服光照不均匀的影响,且对小尺寸污染物具有较高的分辨能力,检测结果数量误差为7%。本文提出的暗场检测算法实现了对反射镜表面清晰图像的采集以及对复杂背景下小尺寸污染物的精确提取。通过该算法可对反射镜表面洁净状态进行在线评估,为反射镜在高功率固体激光装置中的稳定运行提供保障。
[1] 孙腾飞. 颗粒污染光学镜面激光传输损耗的特性研究[D]. 烟台: 烟台大学, 2014: 1- 3.
Sun TF. Study on characteristics of laser transmission loss of particle contaminated optical mirror[D]. Yantai: Yantai University, 2014: 1- 3.
[2] 苗心向. 金属污染诱导熔石英表面损伤机理研究[D]. 绵阳: 中国工程物理研究院, 2009: 2- 6.
Miao XX. Study on mechanism of surface damage induced by metal pollution in fused silica[D]. Mianyang: China Academy Of Engineering Physics, 2009: 2- 6.
[3] Stowers I F. Optical cleanliness specifications and cleanliness verification[J]. Proceedings of SPIE, 1999, 3782: 525-530.
[4] Hogue P, Coopersmith J D. Development of an automated optical inspection system for determining percent area coverage for spacecraft contamination control[J]. Proceedings of SPIE, 2004, 5526: 156-163.
[5] Bilmes G M, Lencina A. New method for real-time surface cleanliness measurement[J]. Proceedings of SPIE, 2005, 5856: 980-986.
[6] 卫正统. 微纳光纤倏逝场特性及微污染传感技术研究[D]. 长沙: 国防科学技术大学, 2013: 62- 64.
Wei ZT. The evanescence character of optical microfiber and research on micropollutant detection[D]. Changsha: National University of Defense Technology, 2013: 62- 64.
[8] 楚红雨, 谢志江, 邵延华, 等. 基于机器视觉的光学元件表面洁净度检测仪研制[J]. 现代科学仪器, 2010( 3): 17- 20.
Chu HY, Xie ZJ, Shao YH, et al. Development of surface-cleanliness inspection instrument for optical element based on machine vision[J].Modern Scientific Instruments, 2010( 3): 17- 20.
[9] Ding W D, Zhang Z T, Zhang D P, et al. An effective on-line surface particles inspection instrument for large aperture optical element[J]. International Journal of Automation and Computing, 2017, 14(4): 420-431.
[10] 翟永平, 周东翔, 刘云辉, 等. 聚焦函数性能评价指标设计及最优函数选取[J]. 光学学报, 2011, 31(4): 0418002.
[11] 朱彦宇. 高清自动聚焦及其在网络一体机上的应用研究[D]. 杭州: 浙江大学, 2017: 41- 47.
Zhu YY. High definition auto focus and its application research in the network integrated camera[D]. Hangzhou: Zhejiang University, 2017: 41- 47.
[12] He H, Zhou R Z, Hong Z L. Modified fast climbing search auto-focus algorithm with adaptive step size searching technique for digital camera[J]. IEEE Transactions on Consumer Electronics, 2003, 49(2): 257-262.
[13] Hou Y, Zhang H Y, Zhao J Y, et al. Camera lens distortion evaluation and correction technique based on a colour CCD moiré method[J]. Optics and Lasers in Engineering, 2018, 110: 211-219.
[14] Ricolfe-Viala C. Sánchez-Salmerón A J. Robust metric calibration of non-linear camera lens distortion[J]. Pattern Recognition, 2010, 43(4): 1688-1699.
[15] 周子卿, 赵鹏, 李勃, 等. 基于共线向量的非量测镜头畸变校正[J]. 光学学报, 2014, 34(10): 1015001.
[17] Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.
[18] 李淼. 基于二维直方图的图像阈值分割法研究[D]. 湘潭: 湘潭大学, 2014: 9- 11.
LiM. Image thresholding segmentation algorithm based on two dimentional histogram[D]. Xiangtan: Xiangtan University, 2014: 9- 11.
[19] PeuwnuanK, WoraratpanyaK, PasupaK. Modified adaptive thresholding using integral image[C]∥2016 13th International Joint Conference on Computer Science and Software Engineering (JCSSE), July 13-15, 2016. Khon Kaen, Thailand. New York: IEEE, 2016: 1- 5.
Article Outline
尹朝阳, 张德志, 赵林杰, 陈明君, 程健, 蒋晓东, 苗心向, 牛龙飞. 大口径反射镜表面颗粒污染物暗场检测算法研究[J]. 光学学报, 2020, 40(7): 0711003. Zhaoyang Yin, Dezhi Zhang, Linjie Zhao, Mingjun Chen, Jian Cheng, Xiaodong Jiang, Xinxiang Miao, Longfei Niu. A Dark-Field Detection Algorithm to Detect Surface Contamination in Large-Aperture Reflectors[J]. Acta Optica Sinica, 2020, 40(7): 0711003.