何文軒,王拯洲,魏際同,王力,弋東馳
(1 中國科學(xué)院西安光學(xué)精密機(jī)械研究所,西安 710119)(2 中國科學(xué)院大學(xué),北京 100039)
光束控制與診斷系統(tǒng)是某原型裝置的一個閉環(huán)調(diào)控監(jiān)視系統(tǒng),具備多功能和高準(zhǔn)確度的激光參量診斷平臺[1],該系統(tǒng)包含光學(xué)取樣組件、探測元器件、伺服系統(tǒng)、監(jiān)視系統(tǒng)和控制系統(tǒng)等,用于精密診斷裝置輸出激光光束的能量、近場、遠(yuǎn)場和時間波形等特性。在大型激光裝置中,光路自動準(zhǔn)直系統(tǒng)需要完成三個準(zhǔn)直流程:光路自準(zhǔn)直、模擬光準(zhǔn)直和光路對接準(zhǔn)直。光路對接準(zhǔn)直的主要目的是通過啟動光束收斂線程,結(jié)合圖像識別和二維電動鏡架的調(diào)整,反復(fù)迭代將主激光目標(biāo)調(diào)整到相對模擬光目標(biāo)的相對偏差位置。
光路對接準(zhǔn)直圖像中包含兩個光學(xué)目標(biāo),即模擬光目標(biāo)和主激光目標(biāo)。在光束初始調(diào)控階段,兩個光學(xué)目標(biāo)的位置是隨機(jī)的、不確定的,存在兩個光學(xué)目標(biāo)粘連在一起的可能,對光束調(diào)控造成了巨大的困難。因此,光路對接準(zhǔn)直需要解決兩種情況下的圖像識別問題:1)在光束初始調(diào)控階段,當(dāng)主激光束和模擬光束剛被導(dǎo)入時,需要采用粘連識別算法對兩個光學(xué)目標(biāo)的粘連狀態(tài)進(jìn)行識別,如果兩個光學(xué)目標(biāo)處于粘連狀態(tài),需要通過調(diào)整二維鏡架BM6XY 電機(jī)使得兩個目標(biāo)完全分開;2)在兩個光學(xué)目標(biāo)完全分開的情況下,需要確定兩個光學(xué)目標(biāo)哪個是模擬光目標(biāo),哪個是主激光目標(biāo)。
在光路對接準(zhǔn)直流程[2-4]中,雙目標(biāo)粘連狀態(tài)的無法判別是一個需要解決的問題。郭嘉富[5]針對大型激光裝置[6]光路自動準(zhǔn)直中的光學(xué)目標(biāo)識別問題,提出了基于圓擬合的雙光學(xué)目標(biāo)識別方法,但無法對兩個光學(xué)目標(biāo)的粘連狀態(tài)進(jìn)行判別。為了應(yīng)對這個問題,首先需要分析粘連圖像[7]和完全分離圖像的特點(diǎn)。對于處于粘連狀態(tài)的雙光學(xué)目標(biāo)準(zhǔn)直圖像[7],可以觀察到以下特點(diǎn):1)準(zhǔn)直圖像可能包含1 個或2 個光學(xué)目標(biāo);2)目標(biāo)完全分離時,距離大于100 像素;3)目標(biāo)距離較近或完全重合時,會合并為一個光斑。由以上分析可知采用適當(dāng)?shù)膱D像處理和分類算法來解決雙目標(biāo)粘連狀態(tài)無法判別的問題,可成功完成光路對接準(zhǔn)直操作。
粘連圖像的識別[8-10]是指從一個待識別圖像中判斷是否分別包含兩個單獨(dú)目標(biāo)的部分特征信息的過程。因此,粘連目標(biāo)識別需要同時處理待識別圖像和模板圖像。通過觀察待識別圖像和模板圖像的邊緣輪廓特征,發(fā)現(xiàn)在待識別圖像中包含了大部分模板圖像的邊緣輪廓特征[11]?;诖耍瑢煞鶊D像的邊緣輪廓信息作為判斷待識別圖像是否為粘連圖像的重要特征信息。選擇模擬光目標(biāo)[12]作為模板圖像,提取該模板圖像的特征信息,記為Ef,同時在待識別圖像中提取特征信息,記為Eg。通過比較兩個圖像特征信息的相似度,判斷在待識別圖像中是否包含模板圖像的特征信息。如果Eg中包含Ef的特征信息大于某個閾值,則說明待識別圖像中包含了模板圖像,從而證明待識別圖像為粘連圖像。
兩個完全分離的雙光學(xué)目標(biāo)準(zhǔn)直[12]圖像具有以下特點(diǎn):1)模擬光目標(biāo)為實(shí)心、目標(biāo)區(qū)域連續(xù)、目標(biāo)區(qū)域中心無孔洞的光學(xué)目標(biāo),邊緣輪廓較為平滑,主體目標(biāo)區(qū)域形成一個完整的連通域;2)主激光目標(biāo)是一個非實(shí)心的光學(xué)目標(biāo),其目標(biāo)區(qū)域不連續(xù)且包含許多孔洞,邊緣區(qū)域輪廓非常曲折,整個目標(biāo)區(qū)域包含多個連通域,且連通域內(nèi)存在孔洞;3)主激光目標(biāo)的光束質(zhì)量較差,其光斑形狀多變,紋理不規(guī)則,邊緣曲折不連續(xù)明顯。最明顯的特征是模擬光目標(biāo)僅包含一個連通域,而主激光目標(biāo)則包含多個連通域?;谶@個特征,通過統(tǒng)計(jì)和比較兩種光學(xué)目標(biāo)在各自的目標(biāo)區(qū)域中包含的連通域個數(shù)來區(qū)分模擬光目標(biāo)和主激光目標(biāo)。
為了對主激光和模擬光粘連光學(xué)目標(biāo)進(jìn)行分離,本文提出了一種基于二進(jìn)制大對象(Binary Large Object,BLOB)區(qū)域和邊緣特征分析的準(zhǔn)直圖像雙光學(xué)目標(biāo)識別方法。該方法通過統(tǒng)計(jì)經(jīng)過數(shù)字圖像處理后的光學(xué)目標(biāo)BLOB 數(shù)目,建立數(shù)學(xué)模型,以實(shí)現(xiàn)對主激光和模擬光目標(biāo)在完全分離和粘連狀態(tài)下的識別。
基于BLOB 區(qū)域和邊緣特征分析的準(zhǔn)直圖像雙光學(xué)目標(biāo)識別方法的目的是提出一個統(tǒng)一的圖像識別算法,同時完成兩個功能:1)對處于粘連狀態(tài)的兩個光學(xué)目標(biāo)的粘連狀態(tài)進(jìn)行判別;2)對于完全分離的準(zhǔn)直圖像中雙光學(xué)目標(biāo)進(jìn)行識別,并標(biāo)識模擬光目標(biāo)和主激光目標(biāo)的識別標(biāo)志。為了實(shí)現(xiàn)該功能,提出的基于BLOB 區(qū)域[12-13]和邊緣特征分析的準(zhǔn)直圖像雙光學(xué)目標(biāo)識別方法的主要步驟為:1)二值化和數(shù)字形態(tài)學(xué)處理;2)BLOB 區(qū)域特征信息提?。?)基于BLOB 區(qū)域數(shù)量特征統(tǒng)計(jì)的雙光學(xué)目標(biāo)識別;4)基于邊緣特征分析的粘連光學(xué)目標(biāo)識別。
在光路對接準(zhǔn)直流程中,通常采集到的準(zhǔn)直圖像包含主激光和模擬光兩個光學(xué)目標(biāo),兩個目標(biāo)的分布特征不同。為了識別兩個目標(biāo)中的主激光目標(biāo)和模擬光目標(biāo),需要將包含不規(guī)則紋理的主激光目標(biāo)合并為一個較完整的、面積更大的連通域,對二值化圖像進(jìn)行膨脹運(yùn)算。
假設(shè)光路對接準(zhǔn)直圖像表示為I(x,y),是尺寸為n×m的8 位位圖圖像(Bitmap,BMP),m=600,n=800。為了方便統(tǒng)計(jì)準(zhǔn)直圖像的特征信息,使用類間最大方差法(OTSU)對I(x,y)進(jìn)行二值化處理,二值化圖像表示為Ibin(x,y)。按照數(shù)字形態(tài)學(xué)理論,膨脹運(yùn)算實(shí)質(zhì)上是集合運(yùn)算,A 被B 膨脹看作是所有結(jié)構(gòu)單元原點(diǎn)位置組成的集合。選擇尺寸為5×5 的結(jié)構(gòu)單元,結(jié)構(gòu)單元如矩陣B所示,即
經(jīng)過數(shù)字形態(tài)學(xué)膨脹運(yùn)算圖像Imorph(x,y)為二值化圖像Ibin(x,y)與矩陣B的異或運(yùn)算[14]。
BLOB 區(qū)域[15]指圖像中具有相似特征且在空間上相互連通的像素集合,也稱作連通域。通過BLOB 特征分析不僅可以將目標(biāo)從背景中分離出來,而且可以提取目標(biāo)的特征參數(shù),如面積、周長、形心和重心位置、水平/垂直方向軸長、邊緣輪廓等。
本文目標(biāo)識別方法需要對每一個BLOB 區(qū)域進(jìn)行裁剪,重點(diǎn)關(guān)注每個BOLB 區(qū)域的水平/垂直方向軸長和重心位置。一幅準(zhǔn)直圖像的目標(biāo)識別函數(shù)用公式表示為
式中,i表示BLOB 區(qū)域編號,BR 為準(zhǔn)直目標(biāo)識別函數(shù)(Blob Recognize)。
對每個BLOB 區(qū)域來說,特征信息提取的結(jié)果包括:面積areai、XY方向中心位置centerxi和centeryi、XY方向軸長lenxi和lenyi、裁剪區(qū)域從regioni.left 到regioni.bottom、粘連標(biāo)志join_flagi、目標(biāo)識別類別mng_flagi等。BLOB 區(qū)域編號i滿足0<=i<blobcount,blobcount 為BLOB 區(qū)域個數(shù),Iiblob(x,y)為第i個BLOB 區(qū)域。
將一幅準(zhǔn)直圖像提取出的每個BLOB 區(qū)域特征信息存儲在BLOB 鏈表中,鏈表長度等于BLOB 區(qū)域個數(shù)blobcount,每個BLOB 區(qū)域的面積、XY方向軸長、中心坐標(biāo)位置、裁剪區(qū)域、目標(biāo)識別類別用公式表示為
式中,endsNumber 為鏈碼表所對應(yīng)的線段表個數(shù),即一個BLOB 區(qū)域所包含的行數(shù),pPoint[k].x分別為水平線段表的起點(diǎn)位置和終點(diǎn)位置,point_sum 為一個BLOB 區(qū)域的像素個數(shù),即面積,mng_flagi為目標(biāo)識別類別,取值為0、1、2、3。
在正常的光路對接準(zhǔn)直流程中,兩個光學(xué)目標(biāo)處理[16]處于完全分開狀態(tài),粘連標(biāo)志join_flagi=0。為了實(shí)現(xiàn)光學(xué)對接準(zhǔn)直流程,通過移動二維電動鏡架BM6XY 使得主激光移動到相對模擬光的相對偏差位置,這需要對模擬光目標(biāo)和主激光目標(biāo)兩個光學(xué)目標(biāo)進(jìn)行識別。
通過分析光路對接準(zhǔn)直兩種光學(xué)目標(biāo)特點(diǎn),發(fā)現(xiàn)兩種光學(xué)目標(biāo)分別包含的連通域個數(shù)不同,模擬光目標(biāo)只包含一個連通域,主激光目標(biāo)包含多個連通域,基于此特征,通過統(tǒng)計(jì)和比較兩種光學(xué)目標(biāo)在各自目標(biāo)區(qū)域中包含的連通域個數(shù)來區(qū)分模擬光目標(biāo)和主激光目標(biāo)。目標(biāo)識別主要分為4 個步驟:1)搜索面積最大的兩個區(qū)域,將識別標(biāo)志mng_flagi置為3;2)搜索每個BLOB 區(qū)域的矩形區(qū)域;3)統(tǒng)計(jì)每一個BLOB 中心坐標(biāo)位于兩個面積最大的區(qū)域內(nèi)的各BLOB 個數(shù),分別記為blobcount1 和blobcount2;4)比較blobcount1 和blobcount2 大小,對模擬光目標(biāo)和主激光目標(biāo)進(jìn)行目標(biāo)識別。
1.3.1 搜索面積最大的兩個連通域
一般地,主激光目標(biāo)和模擬光目標(biāo)對應(yīng)的兩個連通域面積都是最大的,每一個BLOB 區(qū)域的詳細(xì)信息,包括面積、中心位置、XY方向軸長可用式(2)獲得,假設(shè)面積最大的連通域?yàn)椋▁,y),面積次大的連通域?yàn)椋▁,y),從所有的BLOB 區(qū)域中搜索面積最大和次大的兩個BLOB 區(qū)域,作為主激光目標(biāo)和模擬光目標(biāo)的候選BLOB 區(qū)域,用公式表示為
式中,areai為第i個BLOB 區(qū)域的面積,p、q分別為面積最大和面積次大BLOB 區(qū)域所對應(yīng)的區(qū)域編號。面積最大和次大的兩個連通域?yàn)楹蜻x區(qū)域,將式(4)中的mng_flagi設(shè)置為3,其他連通域保持初始值mng_flagi=0不變,這樣就可以將候選連通域與剩余連通域區(qū)別開來。
1.3.2 搜索兩個面積最大的BLOB 區(qū)域?qū)?yīng)的矩形區(qū)域
搜索兩個面積最大的候選BLOB 區(qū)域?qū)?yīng)的矩形區(qū)域,是為統(tǒng)計(jì)每一個BLOB 中心坐標(biāo)位于兩個面積最大的區(qū)域內(nèi)的各BLOB 個數(shù)做準(zhǔn)備。兩個面積最大的BLOB 區(qū)域的對應(yīng)的矩形區(qū)域,表示為[regioni.left regioni.top] [regioni.right regioni.bottom],分別表示BLOB 區(qū)域的[左上X左上Y] [右下X右下Y],用公式表示為
每個BLOB 區(qū)域的邊界必須滿足左上X和左上Y大于0,且右下X小于圖像水平尺寸,右下Y小于圖像尺寸的約束條件regioni.left>=0, regioni.right<n, regioni.top>=0, regioni.bottom<m。
根據(jù)以上區(qū)域計(jì)算公式,所選擇的每個BLOB 區(qū)域裁剪范圍是原先BLOB 區(qū)域水平和垂直軸長的2 倍。對于每個BLOB 區(qū)域來說,裁剪圖像用公式表示為
1.3.3 統(tǒng)計(jì)每一個BLOB 中心坐標(biāo)位于兩個面積最大區(qū)域內(nèi)的各BLOB 個數(shù)
模擬光目標(biāo)和主激光目標(biāo)的目標(biāo)識別決策過程主要通過統(tǒng)計(jì)每一個BLOB 中心坐標(biāo)位于兩個面積最大的區(qū)域內(nèi)的各BLOB 個數(shù)來實(shí)現(xiàn)的。該決策算法是依據(jù)光路對接準(zhǔn)直兩種光學(xué)目標(biāo)特點(diǎn)來決定的,對模擬光目標(biāo)來說,模擬光是一個實(shí)心的光斑,當(dāng)模擬光目標(biāo)的裁剪區(qū)域regioni水平和垂直方向被放大2 倍后,在模擬光目標(biāo)的裁剪區(qū)域regioni內(nèi)基本上不存在面積較小的連通域,如果原始圖像中存在離散點(diǎn)的話,經(jīng)過腐蝕運(yùn)算已經(jīng)被消除掉了。對主激光目標(biāo)來說,由于主激光目標(biāo)周圍存在很多的衍射條紋,當(dāng)主激光目標(biāo)的裁剪區(qū)域regioni水平和垂直方向也被放大2 倍后,衍射條紋相比離散點(diǎn)的面積大很多,通過腐蝕運(yùn)算無法將主激光目標(biāo)裁剪區(qū)域regioni內(nèi)的衍射條紋消除掉。兩個面積最大的區(qū)域內(nèi)的各BLOB 個數(shù)用公式表示為
式中,blobcount1 表示面積最大光學(xué)目標(biāo)裁剪區(qū)域內(nèi)包含的連通域個數(shù), blobcount2 表示面積次大的光學(xué)目標(biāo)裁剪區(qū)域內(nèi)包含的連通域個數(shù),p和q分別為面積最大和次大的BLOB 區(qū)域編號,count(i)表示每個連通域中心坐標(biāo)(centerxi,centeryi)在面積最大的連通域regionm或regionn內(nèi)的個數(shù)。
1.3.4 設(shè)置兩個最大BLOB 區(qū)域的識別標(biāo)志mng_flagi
當(dāng)獲得每一個BLOB 中心坐標(biāo)位于兩個面積最大區(qū)域內(nèi)的各BLOB 個數(shù)blobcount1 和blobcount2 后,比較blobcount1 和blobcount2 大小,如果blobcount1<blobcount2,則blobcount1 對應(yīng)的最大面積BLOB 區(qū)域?yàn)槟M光目標(biāo),識別標(biāo)志mng_flagi置為1,blobcount2 對應(yīng)的最大面積BLOB 區(qū)域?yàn)橹骷す饽繕?biāo),識別標(biāo)志mng_flagi置為1;反之blobcount1>blobcount2,blobcount1 對應(yīng)的最大面積BLOB 區(qū)域?yàn)橹骷す饽繕?biāo),識別標(biāo)志mng_flagi置為2, blobcount2 對應(yīng)的最大面積BLOB 區(qū)域?yàn)槟M光目標(biāo), 識別標(biāo)志mng_flagi置為1。以上目標(biāo)分類過程用公式表示為
對于blobcount1 等于blobcount2 的情況,需要根據(jù)面積系數(shù)area_xsi進(jìn)行判斷,面積系數(shù)定義為最大或者次大連通域面積與最大或者次大連通域裁剪區(qū)域面積的比值,公式為
式中,areai表示第i個BLOB 區(qū)域面積為兩個面積最大連通域的裁剪圖像,水平和垂直尺寸分別為2×lenxi和2×lenyi。是一個不規(guī)則的光斑區(qū)域?yàn)樵紙D像中的一個矩形區(qū)域(x,y)為的一個子區(qū)域,所以area_xsi面積系數(shù)小于等于1。對于模擬光目標(biāo)來說,周圍沒有干涉條紋,只有極少的離散點(diǎn),因此面積系數(shù)接近于1,對主激光目標(biāo)來說,周圍存在干涉條紋,面積系數(shù)遠(yuǎn)小于1。所以,當(dāng)blobcount1 等于blobcount2 時,面積系數(shù)area_xsi大的為模擬光目標(biāo)。將識別標(biāo)志mng_flagi設(shè)置為1,面積系數(shù)area_xsi小的為主激光目標(biāo),將識別標(biāo)志mng_flagi設(shè)置為2。用公式表示為
對于大多數(shù)粘連圖像來說,由于兩個光學(xué)目標(biāo)處于一個視窗中,生成粘連圖像的兩個光學(xué)目標(biāo)的位置大體可以分為4 種布局,即左和右、上和下、右上和左下、左上和右下,根據(jù)以上布局可以預(yù)見的是,在粘連圖像中,50%以上的輪廓信息保持了原有模板圖像的輪廓信息,只有在完全重疊區(qū)域才損失了原先圖像的輪廓信息。例如,在待識別圖像的輪廓特征中,左邊保留了模板圖像輪廓特征的100%,上面和下面分別包含了模板圖像輪廓特征的50%以上。因此,從左右上下4 個方向,分別對待識別圖像的輪廓進(jìn)行分段檢測,依次計(jì)算4 個方向模板圖像輪廓與待識別圖像輪廓之間的相關(guān)系數(shù),如果有一個相關(guān)系數(shù)大于0.95,說明待識別圖像為粘連圖像。主要識別步驟為:1)模板圖像和待識別圖像輪廓特征提??;2)模板圖像和待識別圖像輪廓特征匹配;3)待識別圖像粘連標(biāo)志判斷;4)從其他方向待識別圖像是否為粘連圖像。
1.4.1 模板圖像和粘連圖像輪廓特征提取
模板圖像和待識別圖像輪廓特征提取主要是提取邊緣圖像坐標(biāo)序列。假設(shè)邊緣圖像表示為f(x,y),圖像尺寸為n×m,待識別邊緣圖像表示為g(x,y),圖像尺寸為n×m。為了從左右上下方向在待識別邊緣圖像中檢測所包含的模板圖像的邊緣,需要依次從左右上下4 個方向分別檢測模板邊緣圖像和待識別邊緣圖像所包含的邊緣序列。其中左右方向?qū)?yīng)X坐標(biāo)序列,上下方向?qū)?yīng)Y坐標(biāo)序列。
檢測邊緣圖像X坐標(biāo)序列的原則是,從上到下掃描每一行,從左到右依次搜索,記錄第一個灰度值等于255 的X坐標(biāo)值,如果一行中所有的灰度值都等于0,則該行的X坐標(biāo)記為0。m行全部搜索完畢,共獲得m個X坐標(biāo)序列。將從左邊檢測的模板邊緣圖像X坐標(biāo)序列記為(y),從左邊檢測的待識別邊緣圖像X坐標(biāo)序列記為gle(fty),用公式分別表示為
在使用坐標(biāo)序列進(jìn)行邊緣特征識別時,需要剔除模板邊緣圖像所有灰度值全部等于0 的行所對應(yīng)的坐標(biāo)序列, 只保留灰度值等于255 的坐標(biāo)序列,該序列為有效坐標(biāo)序列。從左邊檢測的模板邊緣圖像有效X坐標(biāo)序列記為fleft(y),用公式表示為
式中,x取值范圍為(0,n-1),y取值范圍為(0,m-1)。
假設(shè)模板圖像的有效X坐標(biāo)序列長度為C1, 待識別圖像的X坐標(biāo)序列長度為C2,通常情況下,C1<C2,C2=m。從左邊檢測的模板邊緣圖像有效X序列fleft(y)為X序列f’left(y)的子集, 是灰度等于255 最左邊X坐標(biāo)序列的集合。
1.4.2 模板圖像和待識別圖像輪廓特征匹配
1)在待識別邊緣圖像坐標(biāo)序列中搜索最佳匹配位置
經(jīng)過以上處理,在模板邊緣圖像和待識別邊緣圖像中從左邊檢測到兩個X坐標(biāo)序列fleft(y)和gleft(y),兩個序列長度不同。為了對兩個序列的相似度和相關(guān)性進(jìn)行比較,需要將gleft(y)裁剪成與fleft(y)長度相同的子序列。
gleft(y)裁剪后長度等于C1的子序列,記為,將獲得的m-C1個子序列分別與fleft(y)做相關(guān)運(yùn)算,得到m-C1個相關(guān)系數(shù)。用公式表示為
式中,corr 表示一維相關(guān)函數(shù),i的取值范圍為[0,m-C1-1]。
在m-C1個相關(guān)系數(shù)中,選擇相關(guān)系數(shù)最大的子序列對應(yīng)的起始位置作為最佳匹配點(diǎn),記為sleft,最大相關(guān)系數(shù)記為rleft。用公式表示為
2)在待識別邊緣圖像坐標(biāo)序列中搜索最佳匹配序列
搜索最佳匹配序列是從X坐標(biāo)序列g(shù)left(y)中裁剪起點(diǎn)位置為sleft、長度為C1的子序列,該序列為最佳匹配X序列,記為hleft(y),用公式表示為
將最佳匹配X序列和對應(yīng)的Y方向坐標(biāo)組合一起,組成最佳匹配位置,記為(hleft(y),y),y的取值范圍為[sleft,sleft+C1-1]。該最佳匹配位置是一個2 維列向量,第一列表示X坐標(biāo),第二列表示Y坐標(biāo)。表示在待識別邊緣圖像中所找到的與模板邊緣圖像相匹配的位置序列。
1.4.3 待識別圖像粘連標(biāo)志判斷
待識別圖像粘連標(biāo)志判斷是利用待識別邊緣圖像的最佳匹配序列判斷待識別圖像是否為粘連圖像。通過以上處理,獲得了從左邊檢測的待識別邊緣圖像的最佳匹配序列hleft(y),該最佳匹配序列是否與模板邊緣圖像X坐標(biāo)序列fleft(y)完全相似,通過相關(guān)系數(shù)rleft來判斷。由于待識別邊緣圖像是由主激光目標(biāo)和模擬光目標(biāo)重疊而成,兩個序列之間的相關(guān)系數(shù)無法等于1,當(dāng)相關(guān)系數(shù)rleft越接近于1,則表示兩個序列越相似。根據(jù)實(shí)驗(yàn)結(jié)果,選定閾值Tr=0.95,當(dāng)rleft>0.95 時,說明在待識別邊緣圖像位置序列中包含了模板邊緣圖像對應(yīng)的位置序列。換句話說,從左邊檢測結(jié)果來看,在待識別圖像的邊緣gleft(y)中包含了模板圖像的邊緣fleft(y)。由此說明,待識別圖像為粘連圖像。用公式表示為
式中,Tr表示圖像粘連標(biāo)志閾值,默認(rèn)值為0.95;joinleft為粘連圖像判斷標(biāo)志,取值0 或者1,1 表示粘連,0 表示不粘連。
1.4.4 從其他方向待識別圖像是否為粘連圖像
經(jīng)過式(10)~(15),完成了根據(jù)從左邊檢測到的邊緣來識別判斷待識別圖像是否為粘連圖像。為了確保圖像粘連識別結(jié)果的可靠性,需要分別從右邊、上邊、下邊3 個方向依次來判斷待識別圖像是否為粘連圖像,這3 個方向的檢測原理與從左邊檢測原理相同。主要不同點(diǎn)是:1)從右邊進(jìn)行檢測時,邊緣圖像的x下標(biāo)從n-1 到0,依次減小,當(dāng)f(x,y)或者g(x,y)灰度值等于255 時,記錄X坐標(biāo)序列,分別記為fright(y)和gright(y);2)從上邊進(jìn)行檢測時,從模板邊緣圖像f(x,y)和待識別邊緣圖像g(x,y)中獲得坐標(biāo)序列為Y方向坐標(biāo)值,分別記為fup(x)和gup(x),x取值范圍[0,n-1];3)從下邊進(jìn)行檢測時,邊緣圖像的y下標(biāo)從n-1 到0,依次減小,當(dāng)f(x,y)或者g(x,y)灰度值等于255 時,記錄Y方向坐標(biāo)序列,分別記為fdown(x)和gdown(x);4)依次計(jì)算3 個方向的最佳匹配坐標(biāo)序列,分別為hright(y)、hup(x)、hdown(x),相關(guān)系數(shù)分別為rright、rup和rdown,粘連標(biāo)志分別為joinright、joinup和joindown。
綜合4 個方向的圖像粘連標(biāo)識,當(dāng)4 個方向中有1 個粘連標(biāo)志等于1 時,判斷整個待識別圖像為粘連圖像,整個待識別圖像的粘連標(biāo)志join_flag 用公式表示為
在光路對接準(zhǔn)直流程中,根據(jù)光路準(zhǔn)直所處的階段不同,對準(zhǔn)直圖像采用的數(shù)據(jù)處理方法不同。在起始階段,由于主激光束和模擬光束剛被導(dǎo)入,需要采用粘連識別算法對兩個光學(xué)目標(biāo)的粘連狀態(tài)進(jìn)行識別,并通過調(diào)整二維鏡架BM6XY 電機(jī)使得兩個目標(biāo)完全分開;在準(zhǔn)直階段,由于主激光束和模擬光束完全被分開,粘連標(biāo)志為完全分開的狀態(tài),只需要對兩個光學(xué)目標(biāo)的類型識別,啟動光束收斂線程,反復(fù)迭代將主激光目標(biāo)移動到目標(biāo)位置。因此,本文的識別算法在不同階段分別實(shí)現(xiàn)對粘連狀態(tài)和兩個光學(xué)目標(biāo)類型的識別。本文提出的基于BLOB 特征分析的粘連類型和光束類型識別算法處理步驟為:1)二值化;2)數(shù)字形態(tài)學(xué)處理;3)目標(biāo)識別。雙光學(xué)目標(biāo)識別數(shù)據(jù)處理流程如圖1 所示。
圖1 雙光學(xué)目標(biāo)識別數(shù)據(jù)處理流程Fig.1 Dual optical target recognition data processing flow
2.1.1 二值化
光路對接準(zhǔn)直原始圖像如圖2 所示,包含左右兩個光路目標(biāo),分別為模擬光、主激光。其中模擬光目標(biāo)特點(diǎn)為:實(shí)心、目標(biāo)區(qū)域連續(xù)、目標(biāo)區(qū)域中心無孔洞;主激光目標(biāo)特點(diǎn)為:非實(shí)心、目標(biāo)區(qū)域非連續(xù)、目標(biāo)區(qū)域包含許多孔洞。對光路對接準(zhǔn)直原始圖像進(jìn)行二值化操作,如圖3 所示,使得兩個光路目標(biāo)特點(diǎn)更加明顯。
圖2 原始圖像Fig.2 Original image
圖3 二值化圖像Fig.3 Binary image
2.1.2 數(shù)字形態(tài)學(xué)處理
1)腐蝕運(yùn)算
對原始圖像二值化處理后,需要統(tǒng)計(jì)二值化圖像中的BLOB 信息。為了消除主激光目標(biāo)周圍的離散點(diǎn),需要對二值化圖像使用腐蝕運(yùn)算進(jìn)行第一次數(shù)字形態(tài)學(xué)處理,將主激光目標(biāo)拆分成更多的非連通BLOB 區(qū)域,處理結(jié)果如圖4 所示。
圖4 第一次數(shù)字形態(tài)學(xué)處理結(jié)果Fig.4 Results of the first digital morphological processing
整個準(zhǔn)直圖像進(jìn)行腐蝕運(yùn)算處理結(jié)果如圖4(a)所示。模擬光目標(biāo)裁剪和腐蝕結(jié)果分別如4(b)和(c)所示。將模擬光目標(biāo)腐蝕運(yùn)算前后的圖像進(jìn)行比較,發(fā)現(xiàn)模擬光目標(biāo)的形態(tài)幾乎沒有變化,這是因?yàn)槟M光目標(biāo)是實(shí)心的,邊緣幾乎不存在離散像素,腐蝕運(yùn)算對模擬光目標(biāo)的幾何形態(tài)基本沒有更改。
主激光目標(biāo)經(jīng)過腐蝕運(yùn)算前后的結(jié)果如圖4(d)和(e)所示,可以發(fā)現(xiàn)主激光目標(biāo)在形態(tài)上變化不大,但邊緣區(qū)域有明顯的變化。主要表現(xiàn)為:1)腐蝕圖像中離散的像素點(diǎn)消失,例如圖4(f)中的A和B點(diǎn);2)腐蝕圖像中一些BLOB 區(qū)域的面積變小,例如圖4(f)中的C點(diǎn)和D點(diǎn)。主激光目標(biāo)腐蝕運(yùn)算前后的明顯變化是由于主激光目標(biāo)是非實(shí)心的,并且目標(biāo)區(qū)域是非連續(xù)的,每個目標(biāo)包含許多孔洞。這些明顯特征對模擬光目標(biāo)和主激光目標(biāo)的特征提取和識別提供依據(jù)。
2)大尺寸膨脹運(yùn)算
通過對腐蝕運(yùn)算后的圖像進(jìn)行第二次數(shù)字形態(tài)學(xué)處理大尺度膨脹運(yùn)算,將非連通的主激光目標(biāo)膨脹成更大面積的連通區(qū)域。依據(jù)式(2)對兩次數(shù)字形態(tài)學(xué)處理腐蝕和膨脹運(yùn)算后各連通域的BLOB 信息進(jìn)行統(tǒng)計(jì),第一次和二次BLOB 詳細(xì)信息比較結(jié)果如表1 所示,第一和第二次分別用First、Second 進(jìn)行標(biāo)識。
表1 第一次和第二次統(tǒng)計(jì)各BLOB 區(qū)域詳細(xì)信息Table 1 First and second BLOB statistics comparison of BLOB details
由表1 數(shù)據(jù)可知經(jīng)過膨脹運(yùn)算,每個BLOB 區(qū)域具有兩個方面的變化:1)BLOB 區(qū)域的面積變大,例如No.1 的面積10 053→10 857,No.2 的面積400→5 964,No.3 面積122→356。2)水平和垂直方向的軸長變大,例如No.1 水平方向軸長132→135,垂直方向軸長126→129;No.2 水平方向軸長95→101,垂直方向軸長86→89;No.3 水平方向軸長19→43,垂直方向軸長14→20。
大尺寸膨脹運(yùn)算,用來將每個BLOB 區(qū)域進(jìn)行膨脹放大。對于模擬光目標(biāo),因?yàn)槟M光目標(biāo)是實(shí)心的,運(yùn)算后目標(biāo)周圍被等比例放大,幾何形態(tài)幾乎沒有變化。運(yùn)算后主激光目標(biāo)的主要變化為:1)各BLOB 區(qū)域變?yōu)槊娣e更大的連通區(qū)域;2)幾個BLOB 區(qū)域可能會合并成一個面積更大的BLOB 區(qū)域;3)每個BLOB區(qū)域內(nèi)的孔洞可能變小,甚至消失。主激光目標(biāo)大尺寸膨脹運(yùn)算前后對比結(jié)果如圖5 所示。
圖5 主激光目標(biāo)大尺寸膨脹運(yùn)算結(jié)果Fig.5 Large expansion calculation results of the main laser target
從圖5 可以看出,經(jīng)過大尺寸膨脹運(yùn)算后,No.2、No.3 對應(yīng)的BLOB 連通區(qū)域面積變大;No.4 對應(yīng)的BLOB 區(qū)域消失;No.5 對應(yīng)的BLOB 區(qū)域不僅面積變大,而且BLOB 區(qū)域內(nèi)的4 個孔洞消失,應(yīng)的BLOB 區(qū)域特征變化最大;No.6 對應(yīng)的BLOB 區(qū)域連通區(qū)域面積變大;圖5(a)中No.7 與No.4 對應(yīng)的BLOB 區(qū)域合并為一個更大的連通區(qū)域。即No.8 對應(yīng)的BLOB 區(qū)域被合并入No.5 對應(yīng)的BLOB 區(qū)域中,No.8 和No.9 對應(yīng)的BLOB 區(qū)域連通區(qū)域面積變大了。
2.1.3 目標(biāo)識別
目標(biāo)識別是根據(jù)兩次數(shù)字形態(tài)學(xué)處理獲得的各個BLOB 區(qū)域的量化特征信息進(jìn)行比較分析,確定哪個是主激光目標(biāo),哪個是模擬光目標(biāo)。假設(shè)模擬光目標(biāo)對應(yīng)的中心坐標(biāo)位于兩個面積最大的區(qū)域內(nèi)的各BLOB 個數(shù)為blobcount1,主激光目標(biāo)對應(yīng)的中心坐標(biāo)位于兩個面積最大的區(qū)域內(nèi)的各BLOB 個數(shù)為blobcount2,比較blobcount1 和blobcount2 大小,如果blobcount1<blobcount2,blobcount1 對應(yīng)的最大面積BLOB 區(qū)域?yàn)槟M光目標(biāo),blobcount2 對應(yīng)的最大面積BLOB 區(qū)域?yàn)橹骷す饽繕?biāo);反之亦然。
因此,目標(biāo)識別主要分為4 個步驟:
1)搜索面積最大的兩個BLOB 區(qū)域
根據(jù)面積最大的兩個BLOB 區(qū)域的搜索結(jié)果,可以確定No.1 和No.2 對應(yīng)的BLOB 區(qū)域分別作為模擬光目標(biāo)和主激光目標(biāo)的候選目標(biāo)。將這兩個BLOB 區(qū)域的mng_flagi設(shè)置為3,如表2 所示。這兩個面積最大的BLOB 區(qū)域的搜索結(jié)果如圖6 中第三列綠色目標(biāo)所示。
表2 目標(biāo)識別結(jié)果對比Table 2 Comparison of target recognition results
圖6 面積最大的兩個BLOB 區(qū)域詳細(xì)參數(shù)Fig.6 The detailed parameters of two BLOB regions with the largest areas
2)搜索兩個面積最大的BLOB 區(qū)域的對應(yīng)的矩形區(qū)域
該步驟是為統(tǒng)計(jì)每一個BLOB 中心坐標(biāo)位于兩個面積最大矩形區(qū)域內(nèi)所有的BLOB 區(qū)域個數(shù)做準(zhǔn)備。兩個面積最大的BLOB 區(qū)域所對應(yīng)的矩形區(qū)域,表示為[left top] [right bottom],依次為BLOB 區(qū)域的左上X、左上Y、右下X、右下Y坐標(biāo)位置,用公式表示為:left=中心坐標(biāo)X-X方向軸長,top =中心坐標(biāo)Y-Y方向軸長,right=中心坐標(biāo)X+X方向軸長,bottom=中心坐標(biāo)Y+Y方向軸長。
如表3 所示,No.1 對應(yīng)BLOB 矩形區(qū)域?yàn)椋? 26] [274 284],No.2 對應(yīng)BLOB 矩形區(qū)域?yàn)椋?24 184][526 362]。例如,No.1 對應(yīng)BLOB 區(qū)域=[139-135 155-129][139+135 155+129]=[4 26] [274 284]。No.1 對應(yīng)BLOB 區(qū)域如圖7 矩形框A 所選區(qū)域,其中A'為該BLOB 區(qū)域未放大前的原始尺寸區(qū)域,No.2 對應(yīng)BLOB 區(qū)域如圖7 矩形框B 所選區(qū)域,其中B'為該BLOB 區(qū)域未進(jìn)行放大前的原始尺寸區(qū)域。
表3 目標(biāo)識別決策過程Table 3 Decision process of target recognition
圖7 目標(biāo)識別過程示意圖Fig.7 Schematic diagram of target recognition process
3)統(tǒng)計(jì)每一個BLOB 中心坐標(biāo)位于兩個面積最大的區(qū)域內(nèi)的各BLOB 個數(shù)
模擬光目標(biāo)和主激光目標(biāo)的目標(biāo)識別決策過程是通過統(tǒng)計(jì)每個BLOB 中心坐標(biāo)位于兩個面積最大的區(qū)域內(nèi)的所有BLOB 個數(shù)來實(shí)現(xiàn)的。目標(biāo)識別的過程如圖7 和表3 所示。對于No.1 的BLOB 區(qū)域來說,在9 個BLOB 區(qū)域的中心坐標(biāo)中,只有No.1 的中心坐標(biāo)(139,155)位于矩形框A 內(nèi),因此面積最大的No.1 對應(yīng)的中心坐標(biāo)位于兩個面積最大區(qū)域內(nèi)的BLOB 個數(shù)blobcount1 等于1。對于No.2 的BLOB 區(qū)域來說,在9 個BLOB 區(qū)域的中心坐標(biāo)中,有8 個中心坐標(biāo)位于矩形框B 的范圍[324 526], [184 362]之內(nèi),分別為No.2中心坐標(biāo)(425,274)、No.3 中心坐標(biāo)(416,215)、…、No.9 中心坐標(biāo)(395,312)。因此,面積最大No.2 對應(yīng)的中心坐標(biāo)位于兩個面積最大區(qū)域內(nèi)所有的BLOB 個數(shù)blobcount2 等于8,如表4 最后一行所示。
表4 4 個方向判斷待識別圖像是否為粘連圖像Table 4 Four directions to determine whether the image to be recognized is an adhered image
4)比較中心坐標(biāo)位于兩個最大BLOB 區(qū)域的個數(shù)
當(dāng)獲得每個BLOB 中心坐標(biāo)位于兩個面積最大區(qū)域內(nèi)的BLOB 個數(shù)blobcount1 和blobcount2 后,比較blobcount1 和blobcount2 大小,如果blobcount1<blobcount2,則blobcount1 對應(yīng)的最大面積BLOB 區(qū)域?yàn)槟M光目標(biāo),blobcount2 對應(yīng)的最大面積BLOB 區(qū)域?yàn)橹骷す饽繕?biāo);反之亦然。
本次實(shí)驗(yàn)中目標(biāo)識別結(jié)果如圖8 所示。模擬光目標(biāo)使用紅色十字叉標(biāo)識,模擬光目標(biāo)中心坐標(biāo)為(139.4,155.1),識別標(biāo)志mng_flagi置為1;主激光目標(biāo)使用綠色十字叉標(biāo)識,主激光目標(biāo)中心坐標(biāo)為(425.0,273.6),識別標(biāo)志mng_flagi置為2,目標(biāo)識別決策過程和識別結(jié)果如表3 所示。
粘連光學(xué)目標(biāo)識別可以分為5 個步驟:1)預(yù)處理;2)模板圖像和待識別圖像輪廓特征提??;3)模板圖像和待識別圖像輪廓特征匹配;4)待識別圖像粘連標(biāo)志判斷;5)從其他方向判斷待識別圖像是否為粘連圖像。
2.2.1 預(yù)處理
為了說明基于輪廓特征提取的粘連光學(xué)目標(biāo)識別算法的處理過程,選擇具有代表性的粘連圖像進(jìn)行說明,假設(shè)邊模板原始圖像表示為forg(x,y),圖像尺寸為n×m,待識別邊緣圖像表示為gorg(x,y),圖像尺寸為n×m,其中m=600,n=800,模板原始圖像和待識別原始圖像分別如圖9(a)和(b)所示。
圖9 原始圖像Fig.9 Original images
由于待識別原始圖像和模板圖像基本上都處于飽和狀態(tài),無法通過圖像內(nèi)部的紋理信息識別。通過分析兩幅圖像的邊緣輪廓特征,發(fā)現(xiàn)在待識別圖像中包含了大部分模板圖像的邊緣輪廓特征。所以,分別對兩幅圖像進(jìn)行二值化和邊緣檢測處理,獲取兩幅圖像的邊緣特征信息,作為判斷待識別圖像是否為粘連圖像。模板圖像和待識別圖像的二值化處理結(jié)果分別如圖10(a)和(b)所示,邊緣檢測結(jié)果分別如圖10(c)和(d)所示。
圖10 預(yù)處理圖像Fig.10 Preprocessed images
2.2.2 模板圖像和待識別圖像輪廓特征提取
模板圖像和待識別圖像輪廓特征提取主要是提取邊緣圖像坐標(biāo)序列,對從左邊方向檢測邊緣X坐標(biāo)序列過程進(jìn)行說明。從左邊檢測模板邊緣圖像有效X坐標(biāo)序列fleft(y)坐標(biāo)值分布曲線如圖11(a)所示,在模板邊緣圖像上的對應(yīng)表示如圖11(b)所示。該序列的長度為129,保存了模板邊緣圖像在有效區(qū)域內(nèi)每一行最左邊的坐標(biāo)位置,作為待識別邊緣圖像粘連識別的重要輸入?yún)?shù)。
圖11 從左邊檢測模板邊緣圖像結(jié)果Fig.11 Detect template edge image results from the left
從左邊檢測待識別邊緣圖像X坐標(biāo)序列g(shù)left(y)坐標(biāo)值分布曲線如圖12(a)所示,該序列的長度為600,保存了待識別邊緣圖像在有效區(qū)域內(nèi)每一行最左邊的坐標(biāo)位置,和模板邊緣圖像的有效序列fleft(y)相比,沒有刪除X坐標(biāo)為0 的序列,這是為了待識別邊緣圖像的所有Y方向搜尋最佳匹配序列。通過觀察,發(fā)現(xiàn)待識別邊緣圖像X坐標(biāo)序列坐標(biāo)值一維曲線圖12(a)在區(qū)間[82,210]之間與模板邊緣圖像有效X坐標(biāo)序列坐標(biāo)值一維曲線圖11(a)輪廓具有極大的相似性,該區(qū)間為最佳匹配序列的潛在搜索區(qū)域。
圖12 從左邊檢測待識別邊緣圖像結(jié)果Fig.12 Detect the result of the edge image to be recognized from the left
2.2.3 模板圖像和待識別圖像輪廓特征匹配
模板圖像和待識別圖像輪廓特征匹配的目的是在待識別邊緣圖像X坐標(biāo)序列g(shù)left(y)中搜尋與模板邊緣圖像X 坐標(biāo)序列fleft(y)長度相同的子序列,hleft(y)和fleft(y)的相關(guān)系數(shù)最大,該子序列為最佳匹配序列hleft(y),將該子序列的起始值sleft當(dāng)作最佳位置。在本次實(shí)驗(yàn)中,最佳匹配序列hleft(y)在圖13(a)使用紅色曲線進(jìn)行標(biāo)識,起始點(diǎn)和終止點(diǎn)分別使用字母A 和B 進(jìn)行標(biāo)識,其中長度=129,起始值sleft=82,最大相關(guān)系數(shù)rleft=0.999。
圖13 在待識別邊緣圖像中搜索最佳匹配序列Fig.13 Searching for the best matching sequence in the edge image to be recognized
為了說明待識別邊緣圖像最佳匹配序列的檢測效果,將模板邊緣圖像坐標(biāo)序列fleft(y)和待識別圖像的最佳匹配序列hleft(y)的坐標(biāo)值曲線進(jìn)行比較,結(jié)果如13(b)所示??梢钥闯?,兩條曲線的輪廓相似性極大,但坐標(biāo)值不同,這是因?yàn)槟0鍒D像中的光學(xué)目標(biāo)距離左邊界更近,而待識別圖像中的光學(xué)目標(biāo)距離邊界更遠(yuǎn)。
在待識別邊緣圖像中最佳匹配序列對應(yīng)位置如圖13(c)所示,X坐標(biāo)序列在待識別邊緣圖像上的位置如圖13(d)所示。對比兩幅圖像可以看出,最佳匹配序列hleft(y)是gleft(y)子集是從左邊進(jìn)行檢測,更加靠近圖像左邊界且輪廓形狀與模板圖像左邊邊緣形狀最相似的子序列。在gleft(y)中被裁剪掉的子序列如圖13(d)所示,使用紫色矩形框中的綠色字體1、2、3、4 進(jìn)行標(biāo)識。
2.2.4 待識別圖像粘連標(biāo)志判斷
待識別圖像粘連標(biāo)志判斷的目的是利用待識別邊緣圖像的最佳匹配序列判斷待識別圖像是否為粘連圖像。根據(jù)式(15),當(dāng)模板邊緣圖像X坐標(biāo)序列fleft(y)與最佳匹配序列hleft(y)的相關(guān)系數(shù)rleft大于0.95 時,從左邊檢測待識別圖像為粘連圖像。在本次實(shí)驗(yàn)中,rleft=0.999>0.95,所以joinleft=1。由此說明,從左邊檢測待識別圖像為粘連圖像。
2.2.5 從其他方向判斷待識別圖像是否為粘連圖像
為了確保圖像粘連識別結(jié)果的可靠性,需要分別從左、右、上、下4 個方向依次來判斷待識別圖像是否為粘連圖像,處理過程如圖14 所示。圖14(a)為有效X/Y坐標(biāo)序列(fleft(y)、gright(y)、fup(x)、fdown(x))在模板邊緣圖像上位置,圖14(b)為X/Y坐標(biāo)序列(gleft(y)、gright(y)、gup(x)、gdown(x))在待識別邊緣圖像上的位置,圖14(c)為模板邊緣圖像與待識別圖像的最佳匹配序列比較曲線,圖14(d)為最佳匹配序列hleft(y)、hleft(y)、hleft(x)、hleft(x)在待識別邊緣圖像上的位置。圖14(c)兩條曲線的相關(guān)系數(shù)分別為rleft=0.999、rright=0.924 6、rup=0.988 5 和rdown=0.991 3。根據(jù)式(15),從4 個方向判斷待粘連標(biāo)志分別為joinleft=1、joinright=0、joinup=1和joindown=1。結(jié)果如表4 所示。
圖14 從4 個方向判斷待識別圖像是否為粘連圖像Fig.14 Judging whether the image to be recognized is adhesive image from four directions
經(jīng)過以上處理,綜合4 個方向的圖像粘連標(biāo)識,當(dāng)4 個方向中有1 個粘連標(biāo)志=1 時,判斷整個待識別圖像為粘連圖像,因此,join_flag=1,即待識別圖像為粘連圖像。粘連圖像區(qū)域分割效果如圖15 所示,在圖15(a)中,分別使用紅色、綠色、藍(lán)色曲線標(biāo)識了從左、上、下3 個方向檢測到的最佳匹配序列hleft(y)、hup(x)、hdown(x)在待識別邊緣圖像上的位置;在圖15(b)中,標(biāo)識了模板圖像在粘連圖像中重疊區(qū)域?qū)?yīng)位置,如綠色區(qū)域所示。
圖15 粘連圖像區(qū)域分割效果Fig.15 Region segmentation effect of adhesive image
實(shí)驗(yàn)環(huán)境為LENOVO Think Pad T410i,處理器 Intel(R) Core(TM) i5 CPU M 450@2.4 GHz,所用軟件為Matlab2016b,內(nèi)存4 G。
為了驗(yàn)證本文基于BLOB 區(qū)域數(shù)量特征統(tǒng)計(jì)的雙光學(xué)目標(biāo)識別算法的可重復(fù)性,本次實(shí)驗(yàn)選擇5 幅不同的準(zhǔn)直圖像進(jìn)行雙光學(xué)目標(biāo)識別處理,5 幅準(zhǔn)直圖像具有相同的特點(diǎn):1)圖像中包含兩個光學(xué)目標(biāo),分別是主激光目標(biāo)和模擬光目標(biāo);2)模擬光目標(biāo)是一個實(shí)心的、邊緣輪廓連續(xù)的、形狀不規(guī)則的光學(xué)目標(biāo);3)主激光目標(biāo)是一個非實(shí)心的、邊緣輪廓曲折的、光斑中心存在很多孔洞的光學(xué)目標(biāo),而且光學(xué)目標(biāo)外圍區(qū)域的亮斑與中心高能量區(qū)域存在非連續(xù)、非粘連的情況。
針對以上特點(diǎn)的準(zhǔn)直圖像,不僅需要識別出主激光目標(biāo)和模擬光目標(biāo),更重要的是在識別主激光目標(biāo)時,主激光目標(biāo)的外圍亮斑區(qū)域與中心高能量區(qū)域必須看作同一個光學(xué)目標(biāo)來處理。5 幅不同的準(zhǔn)直圖像的雙光學(xué)目標(biāo)識別結(jié)果如圖16 和表5 所示。
表5 對于5 幅不同的對接準(zhǔn)直圖像光學(xué)目標(biāo)識別結(jié)果Table 5 Optical target recognition results for 5 different butt collimation images
圖16 對于5 幅不同的對接準(zhǔn)直圖像光學(xué)目標(biāo)識別結(jié)果Fig.16 Optical target recognition results for 5 different butt collimation images
從表5 中可以看出,5 幅準(zhǔn)直圖像中的主激光目標(biāo)和模擬光目標(biāo)被全部識別出。圖像1 中,No.1 對應(yīng)BLOB 的面積大于No.2 對應(yīng)BLOB 的面積,連通域個數(shù)blobcount 為6,在所有中心位于兩個面積最大Region 內(nèi)的BLOB 區(qū)域中,No.1 對應(yīng)BLOB 的blobcount1 為1,No.2 對應(yīng)BLOB 的blobcount2 為5,因?yàn)閎lobcount1<blobcount2,所以No.1 對應(yīng)BLOB 為模擬光目標(biāo),No.2 對應(yīng)BLOB 為主激光目標(biāo)。圖像2 中,blobcount1 和blobcount2 分別等于2 和4,因?yàn)閎lobcount1<blobcount2,所以No.1 對應(yīng)BLOB 為模擬光目標(biāo),No.2 對應(yīng)BLOB 為主激光目標(biāo)。圖像3、圖像4 的識別結(jié)果與圖像1、圖像2 相同,都是No.1 對應(yīng)BLOB 為模擬光目標(biāo),No.2 對應(yīng)BLOB 為主激光目標(biāo)。
對于圖像5 來說,No.1 對應(yīng)BLOB 的面積大于No.2 對應(yīng)BLOB 的面積,連通域個數(shù)blobcount 為10;在所有中心位于兩個面積最大Region 內(nèi)的BLOB 區(qū)域中,No.1 對應(yīng)BLOB 的blobcount1 為9,No.2 對應(yīng)BLOB的blobcount2 為1,因?yàn)閎lobcount1>blobcount2,所以No.1 對應(yīng)BLOB 為主激光目標(biāo),No.2 對應(yīng)BLOB 為模擬光目標(biāo)。
通過以上分析說明,本文的雙光學(xué)目標(biāo)識別算法不僅實(shí)現(xiàn)了主激光目標(biāo)和模擬光目標(biāo)的識別,而且能夠滿足識別不同準(zhǔn)直圖像時對于重復(fù)精度的要求,是光路對接準(zhǔn)直流程中用來實(shí)現(xiàn)雙光學(xué)目標(biāo)識別和判斷的一個非常有效的方法。
對于雙光學(xué)目標(biāo)識別算法,不僅要保證算法的識別準(zhǔn)確率和精度,同時需要保證算法的處理時間滿足光路對接準(zhǔn)直流程對于時間的要求。根據(jù)大型激光裝置光路對接準(zhǔn)直的設(shè)計(jì)指標(biāo),要求每一幅準(zhǔn)直圖像目標(biāo)識別的處理時間小于1 s。一幅準(zhǔn)直圖像的目標(biāo)識別過程共分為4 個步驟,分別是二值化、腐蝕運(yùn)算、膨脹運(yùn)算、光學(xué)目標(biāo)識別。其中光學(xué)目標(biāo)識別包含BLOB 特征提取和光學(xué)目標(biāo)分離兩個步驟。對5 幅光路準(zhǔn)直圖像進(jìn)行光學(xué)目標(biāo)識別,各個步驟的處理時間如表6 所示。
表6 多光學(xué)目標(biāo)識別算法處理時間性能分析(單位:秒)Table 6 Processing time performance analysis of multi-optical target recognition algorithm (unit: s)
從表6 中可以看出,圖像1 目標(biāo)識別總時間為0.656 s,其中二值化耗時0.016 s,腐蝕運(yùn)算耗時0.234 s,膨脹運(yùn)算耗時0.219 s,特征提取耗時0.078 s,目標(biāo)分離耗時0.109 s。耗時最長步驟為腐蝕運(yùn)算和膨脹運(yùn)算,二值化、特征提取和目標(biāo)分離步驟耗時較少。對于其他4 幅圖像來說,膨脹運(yùn)算耗時較長,全部大于0.15 s,最短0.187 s,最長0.281 s。由此可見降低腐蝕和膨脹運(yùn)算的耗時,是提高雙光學(xué)目標(biāo)識別效率,降低目標(biāo)識別時間的重要措施。
對于5 幅準(zhǔn)直圖像來說,在所有的目標(biāo)識別4 個步驟中,膨脹運(yùn)算所消耗的平均時間最長,為0.218 4 s,二值化和BLOB 特征提取的處理時間最短,都小于0.1 s。5 幅準(zhǔn)直圖像中目標(biāo)識別所消耗的最短時間為0.344 s,最長時間為0.703 s,平均時間為0.559 6 s。
由此看見,本文提出的雙光學(xué)目標(biāo)識別算法不僅能夠?qū)崿F(xiàn)主激光目標(biāo)和模擬光目標(biāo)的準(zhǔn)確識別,而且目標(biāo)識別耗時全部小于1 s,滿足了大型激光裝置光路對接準(zhǔn)直流程中光學(xué)目標(biāo)識別算法對于時間的要求。
粘連目標(biāo)識別是指當(dāng)初始階段主激光束和模擬光束剛被導(dǎo)入時,由于主激光目標(biāo)和模擬光目標(biāo)處于同一個視窗中,兩個目標(biāo)可能會處于粘連狀態(tài),根據(jù)本文的粘連目標(biāo)識別算法進(jìn)行判斷,如果兩個光學(xué)目標(biāo)處于粘連狀態(tài),需要通過調(diào)整二維鏡架BM6XY 電機(jī)使得兩個目標(biāo)完全分開。粘連光學(xué)目標(biāo)識別的前提條件是待識別圖像中的有效光學(xué)目標(biāo)個數(shù)為1,但是此時會有三種情況:1)待識別圖像是一個粘連圖像;2)待識別圖像中只有1 個模擬光目標(biāo);3)待識別圖像中只有1 個主激光目標(biāo)。
為了提高粘連目標(biāo)識別算法的適應(yīng)性,需要對本算法在對以上三種情況的識別能力進(jìn)行分析和驗(yàn)證。對于有效光學(xué)目標(biāo)vblobcount 等于1 的待識別圖像,從左、右、上、下4 個方向分別提取模板邊緣圖像的有效坐標(biāo)序列Ef和待識別邊緣圖像的坐標(biāo)序列Eg,搜素Ef和Eg的最大相關(guān)系數(shù)r對應(yīng)的有效坐標(biāo)序列Eh。以上三種情況的判斷條件是:1)當(dāng)4 個方向的相關(guān)系數(shù)中至少2 個大于0.95 且1 個小于0.95 時,待識別圖像為粘連圖像;2)當(dāng)4 個方向的相關(guān)系數(shù)r全部大于0.95 時,待識別圖像為模擬光目標(biāo);3)當(dāng)4 個方向的相關(guān)系數(shù)r都小于0.95 時,待識別圖像為主激光目標(biāo)。
實(shí)驗(yàn)選擇三幅最有代表性的圖像來說明本文方法在對有效目標(biāo)個數(shù)等于1 的粘連目標(biāo)、單個模擬光目標(biāo)、單個主激光目標(biāo)圖像的識別結(jié)果。單個有效目標(biāo)的識別過程如圖17 所示。從圖17(d)可以看出,粘連圖像在左、上、下三個方向上滿足相關(guān)系數(shù)大于0.95,分別使用紅色、綠色、藍(lán)色曲線標(biāo)識,紅色和綠色有大量的重疊,紅色曲線的大部分被綠色曲線所覆蓋,而在右邊方向上沒有滿足相關(guān)系數(shù)大于0.95 的邊緣;模擬光圖像在左、右、上、下四個方向上都滿足相關(guān)系數(shù)大于0.95,分別使用紅色、黃色、綠色、藍(lán)色曲線標(biāo)識;主激光圖像在左、右、上、下四個方向上都不滿足相關(guān)系數(shù)大于0.95,沒有標(biāo)識曲線。
圖17 單個有效目標(biāo)的識別過程和結(jié)果Fig.17 Identification process and results of a single valid target
表7 中,根據(jù)式(15),粘連圖像在四個方向的粘連標(biāo)志join_flag 分別為1、0、1、1,模擬光圖像在四個方向上的粘連標(biāo)志全部為1,主激光圖像在四個方向上的粘連標(biāo)志全部為0。根據(jù)式(16),粘連圖像的最終粘連標(biāo)志join_flag=1,模擬光圖像和主激光圖像的最終粘連標(biāo)識為join_flag=0。粘連圖像、模擬光目標(biāo)、主激光目標(biāo)的單目標(biāo)類型single flag 分別為1、2、3。
表7 單個有效目標(biāo)識別過程參數(shù)Table 7 Single valid target recognition process parameters
為了說明基于邊緣特征分析的粘連光學(xué)目標(biāo)識別方法對于不同粘連圖像的識別重復(fù)精度,選擇5 幅具有代表性的圖像進(jìn)行比較說明。不同粘連圖像的識別過程如圖18 所示。圖18(a)~(e)分別為原始圖像、二值化圖像、邊緣圖像、模板圖像邊緣在粘連圖像中對應(yīng)邊緣的標(biāo)記結(jié)果、模板圖像區(qū)域在粘連圖像中對應(yīng)重疊區(qū)域。識別結(jié)果如表8 所示,包含每幅圖像分別為左、右、上、下四個方向上的相關(guān)系數(shù),每幅圖像分別在四個方向所獲得的粘連標(biāo)志,以及每幅粘連圖像的最終識別結(jié)果。識別結(jié)果全部為Yes,表示每幅圖像都被識別為粘連圖像。
表8 不同粘連圖像的識別過程參數(shù)Table 8 Recognition process parameters of different adhesive images
圖18 不同粘連圖像的識別過程和結(jié)果Fig.18 Identification process and results of different adhesive images
該5 幅圖像與論文數(shù)據(jù)處理部分,如圖9(b)中的原始圖像,不是同一幅圖。5 幅圖可以分為三類:1)主激光目標(biāo)和模擬光目標(biāo)沿水平方向偏移后粘連,如Image1 和Image2;2)主激光目標(biāo)和模擬光目標(biāo)處于高度重疊狀態(tài),如Image3;3)主激光目標(biāo)和模擬光目標(biāo)沿垂直方向偏移后粘連,如Image4 和Image5。對于第一類圖像來說,以Image1 為例,粘連圖像在左、右、上、下4 個方向上的相關(guān)系數(shù)分別為0.999 3、0.903 9、0.855 1、0.994 6,相關(guān)系數(shù)的均值為0.938 2,均方差為0.070 7。其中左、下兩個方向上滿足相關(guān)系數(shù)大于0.95,分別使用紅色、藍(lán)色曲線標(biāo)識,左、下兩個方向相關(guān)系數(shù)均值為0.997 0,均方差為0.003 3。由于第一類粘連圖像為主激光目標(biāo)和模擬光目標(biāo)沿水平方向偏移后形成的粘連圖像,因此重疊區(qū)域主要位于粘連圖像的左半?yún)^(qū)域,如圖18(e)第一行所示。對于第三類圖像,以Image4 為例,粘連圖像在左、右、上、下4 個方向上的相關(guān)系數(shù)分別為0.967 1、0.990 0、0.999 7、0.922 4,相關(guān)系數(shù)的均值為0.969 8,均方差為0.034 4。其中左、右、上三個方向上滿足相關(guān)系數(shù)大于0.95,分別使用紅色、綠色、黃色曲線標(biāo)識,左、右、上三個方向相關(guān)系數(shù)均值為0.985 6,均方差為0.016 7。由于第三類粘連圖像為主激光目標(biāo)和模擬光目標(biāo)沿垂直方向偏移后形成的粘連圖像,因此重疊區(qū)域主要位于粘連圖像的上半?yún)^(qū)域,如圖18(e)第四行所示。
本文粘連識別方法能夠?qū)μ幱诓煌尺B和重疊程度的粘連光學(xué)目標(biāo)進(jìn)行識別,說明該方法具有極大的適用性和魯棒性,滿足識別不同粘連圖像時對于重復(fù)精度的要求,可解決光路對接準(zhǔn)直目標(biāo)識別算法對雙目標(biāo)粘連狀態(tài)準(zhǔn)確判別的問題。
本文提出了一種基于BLOB 區(qū)域和邊緣特征分析的準(zhǔn)直圖像雙光學(xué)目標(biāo)識別方法。通過建立數(shù)學(xué)模型與仿真實(shí)驗(yàn),實(shí)現(xiàn)了對主激光和模擬光目標(biāo)在完全分離和粘連狀態(tài)下的識別。在實(shí)驗(yàn)過程中,計(jì)算全圖各BLOB 區(qū)域的面積Area、中心Cxy、軸長lenxy、區(qū)域Reginxy、有效BLOB 區(qū)域個數(shù)vblobcount 等信息;對vblobcount 大于1 的完全分離雙目標(biāo)準(zhǔn)直圖像,統(tǒng)計(jì)各BLOB 區(qū)域中心分別為位于兩個面積最大的BLOB區(qū)域Region 內(nèi)的BLOB 數(shù)量,數(shù)量小的候選BLOB 區(qū)域?yàn)橹骷す饽繕?biāo),數(shù)量大的候選BLOB 區(qū)域?yàn)槟M光目標(biāo);對于vblobcount 等于1 的待識別圖像,從左、右、上、下4 個方向分別提取模板邊緣圖像的有效坐標(biāo)序列Ef和待識別邊緣圖像的坐標(biāo)序列Eg,搜素Ef和Eg的最大相關(guān)系數(shù)r對應(yīng)的有效坐標(biāo)序列Eh,當(dāng)4 個方向的相關(guān)系數(shù)r全部大于0.95 時,待識別圖像為模擬光目標(biāo);當(dāng)4 個方向的相關(guān)系數(shù)r都小于0.95 時,待識別圖像為主激光光目標(biāo);否則待識別圖像為粘連圖像。所提方法不僅能夠?qū)崿F(xiàn)對完全分離的模擬光目標(biāo)和主激光目標(biāo)的識別,誤差小于3 個像素,處理時間小于1 s,而且能夠?qū)崿F(xiàn)對處于粘連狀態(tài)的光學(xué)目標(biāo)和單個獨(dú)立的光學(xué)目標(biāo)的判別,滿足光路對接準(zhǔn)直圖像識別算法對于自適應(yīng)性、精度和效率的要求。