基于无线传感器的光学元件表面疵病检测

受光照影响现有方法得到的光学元件表面疵病检测结果偏差较大,并且检测耗时较长,为提高光学元件检测精度,提出基于无线传感器的光学元件表面疵病检测方法。对光学元件表面疵病特征进行提取,根据提取结果采用极差变换法对受光照散射影响产生的分散数据进行变换,划分数据子集,并计算表面疵病面积。在此基础上,基于无线传感器网络构建疵病定位模型,缩小检测范围,提高检测效率,从而实现对光学元件表面疵病的检测。实验结果表明,该方法在光照条件下能够准确检测出光学元件的表面划痕,检测结果准确性较高,且耗时较短,说明该方法的检测结果具有可靠性。     

基于光谱估计与多光谱技术的光学元件表面疵病检测

为实现精密光学元件表面疵病的高效测量和精确统计,提出了一种基于光谱估计和多光谱技术的光学元件表面疵病检测方法。该方法利用光谱估计提取白光图像中不同波长的单光谱疵病图像,并合成多光谱疵病图像,然后采用优化后的OTSU(Otsu Image Segmentation Algorithm)分别对单光谱与多光谱疵病图像进行分析。基于该方法搭建了光学元件表面疵病检测装置,获得了白光照明条件下光学元件表面疵病的图像。实验结果表明,与原始白光图像相比,合成多光谱图像的疵病检出数量提升了1.85倍,疵病检出面积最大增加了6.0倍,检测效率得到明显提高。根据光学元件表面疵病的特性选取不同波长组合来生成单光谱与多光谱图像,可更加高效精确地检测出传统检测技术不易检出的疵病信息。     

基于多特征组合的光学元件表面疵病检测

采用目前方法对光学元件表面疵病检测时,由于没有利用光谱原理技术来获取光学元件的表面图像,导致检测方法的检测精度低、图像清晰度低、准确率低和判别正确率低,因此,提出基于多特征组合的光学元件表面疵病检测方法.首先利用光谱原理获取光学元件表面的图像,再结合高斯平滑曲线进行去噪预处理,采用Plessey算法进行角点的提取和匹配完成图像的拼接融合,之后再进行疵病的特征提取,计算疵病所占面积,从而完成光学元件表面疵病检测.实验结果表明,所提方法的检测精度高、图像清晰度高、准确率高和判别正确率高.     

基于稀疏矩阵的光学元件表面疵病检测

提出了一种基于稀疏矩阵的表面疵病快速拼接方法。该方法采用环形白光光源均匀地照射到被测元件表面,光经显微散射暗场成像系统后形成暗背景下的亮疵病图像。通过对光学元件的x,y方向进行扫描,得到子孔径拼接图像。基于稀疏矩阵和图像拼接,对子孔径图像进行快速拼接,得到全孔径疵病图像。基于最小外接矩形原理,对图像疵病进行识别和分类,最终得到7个光学元件表面疵病划痕,其最大长、宽分别为15.2110 mm和0.0297 mm;麻点有5个,其最大长、宽分别为0.1089 mm和0.0967 mm。将测量得到的划痕宽度与标准划痕宽度进行对比,得到划痕宽度的相对误差范围为-5.00%～5.50%。在此基础上,对实际的光学表面进行检测,得到光学元件表面疵病信息。     

基于改进高斯混合模型的红外人体目标检测方法

针对高斯混合模型在阴影不显著情况下,容易把随光线突变而变化的背景像素点当作前景目标从而造成目标误检的缺点,提出了一种基于改进的高斯混合模型的红外人体目标检测方法。该方法引入边缘检测信息增强红外人体目标检测效果。首先,该算法利用Canny边缘检测来提取人体目标的边缘信息。然后,以此对每个像素建立高斯混合模型来完成人体目标的检测。实验结果表明,该方法能够有效消除光照突变所产生的阴影影响,提高了检测的准确性。     

基于多光谱技术的光学元件表面疵病检测

为实现对光学元件表面疵病的精确测量和计数,提出了一种基于多光谱技术的光学元件表面疵病检测方法,该方法采用不同波长的入射光源均匀照明光学元件表面,通过暗场显微成像系统获得不同波长下的表面疵病图像。基于该方法研制了多光谱光学元件表面疵病检测系统,获得了365,405,436,486,550nm单波长光以及白光照明条件下光学样品表面疵病和标准样品图形的检测实验结果。实验结果表明,相比传统的白光照明检测技术,多光谱检测技术根据不同的材料性质选用不同波长的光作为入射光源,可以明显提高系统对光学元件表面疵病的检测能力,不仅可以提高测量精度,而且可以获取白光照明下无法检测到的疵病信息。     

基于改进的混合高斯模型的运动目标检测方法

为了改善混合高斯模型在光照突变时容易产生大量误检的缺陷,采用了一种高斯模型与均值法相结合并为前景像素建立计数器的方法。在建立背景模型时,运用多帧图像求平均值的方法初始化混合高斯模型的背景;为每帧图像的前景像素数建立计数器,并以此消除被误判为前景的区域;对检测出的前景区运用数学形态学处理,得到图像真正的前景区域。结果表明,该算法不仅克服了初始背景中的干扰,而且消除了光照突变时的误检,提高了运动目标的检测率。     

基于边缘信息和混合高斯融合的运动目标检测

针对帧间差分法在目标运动较慢时无法完整的检测轮廓,混合高斯模型易受光照影响导致目标快速运动时无法辨别轮廓等问题,提出了一种更加优化的运动目标检测算法.该算法将三帧差分法与混合高斯模型相融合,利用视频中连续的三帧图像两两作差分后作或运算、二值化、形态学处理,对中间帧的进行canny边缘检测,将两次结果再进行或运算、形态学处理后得到更加完整的轮廓.用中间帧进行高斯混合模型提取前景,二值化后和边缘信息进行与运算,经过形态学处理和孔洞填充后获得运动目标.经过实验表明,该方法能够获得更加理想的运动目标.     

光学元件质量对红外光学系统信噪比的影响

基于米氏散射理论,建立了光学元件基板不同疵病等级光学元件的散射模型,进而定量分析了元件表面存在粒子污染时的基板缺陷复制引起的表面散射特性。在此基础上,以R-C光学系统为例,利用ASAP（Advanced System Analysis Program）光学分析软件,针对主镜表面存在粒子污染的情况,仿真计算和分析系统主镜基板不同疵病等级的杂散辐射特性,并根据信噪比的计算方法,对系统信噪比进行了计算和分析。结果表明:当天空背景辐射温度不变时,随着主镜基板疵病等级的增加,系统信噪比明显减小。当主镜基板疵病等级不变时,随着天空背景辐射温度的升高,主镜基板不同疵病等级对信噪比的影响逐渐减小。当天空背景温度为200 K时,对于主镜表面粒子污染为300等级（粒子表面覆盖率为0.03%）,且其基板疵病等级分别为I-10、I-20、I-30、Ⅱ和Ⅲ五种情况,计算得到系统相对信噪比（相对于理想主镜）分别为0.932、0.920、0.906、0.832和0.807。由此可见,当元件光学特性变差时,为保证微弱信号的有效探测,必须将疵病等级严格控制在Ⅱ级以内。     

视频图像中的运动目标检测

运动目标检测,是指从视频图像中将运动变化区域提取出来的检测技术,是图像处理技术的基础。在军事公安、交通管理、视频监控、医学检查等领域应用广泛。为了改进单独采用帧差法或背景减法进行运动目标检测时存在的不足,本文提出一种利用边缘信息的三帧差法与基于混合高斯模型的背景减法相结合的运动目标检测算法。该方法对视频图像中连续的三帧图像两两差分,对3个差分图像取均值,二值化,再经过形态学处理,并对中间帧进行Canny边缘提取,将二者进行"与"运算,即得到运动目标的边缘,用背景减法提取中间帧的前景,二值化,将其和目标的边缘进行"或"运算,经过形态学处理便可得到运动目标。实验结果表明,使用该方法目标检出率提高了9.7%~72.1%,误检率降低了0.090%~2.900%。这种二者相结合的方法相对于单一的检测算法能够有效、可靠地提取出运动目标。     

基于改进的混合高斯模型的红外运动目标检测

传统混合高斯模型中背景容易留下运动"虚影",同时在噪声或目标区域对比度低时会导致提取目标区域时出现断裂和空洞的现象,针对这些问题在混合高斯方法中赋予图像中运动和静止区域不同的背景更新速率,并充分利用混合高斯模型中的背景和前景信息,将背景减除的结果与高斯建模中的前景图像按照一定比例融合获得目标图像。实验结果表明:改进后的混合高斯模型运动目标检测方法,能够克服传统高斯模型目标检测中存在的问题,从复杂的背景中较完整的提取出运动目标,且具有一定的抗噪能力。     

元件缺陷对红外光学系统杂散辐射特性的影响

针对红外光学系统元件表面缺陷问题，基于米氏散射理论定量分析了不同疵病等级光学元件表面散射特性，讨论了光学元件表面双向散射分布函数（BSDF）的变化规律，进而建立光学元件不同疵病等级的散射模型。在此基础上，以双子望远镜系统为例，利用ASAP光学分析软件对其主镜在不同疵病等级的情况下，到达探测器像面上的系统自身热辐射通量及其分布进行了仿真计算，并根据有效发射率的定义，对系统杂散辐射性能进行了定量评价。研究分析发现:光学元件不同疵病等级不仅会造成系统杂散辐射特性及其在探测器像面上的辐射通量分布发生变化，而且还会导致其有效发射率发生变化。对主镜疵病等级分别为0、I-10、I-20、I-30、II和 III的情况，计算得到系统有效发射率分别为2.19%、2.34%、2.46%、2.59%、2.72%和3.08%。由此可见，随着疵病等级的增加，系统杂散辐射性能逐渐降低。实际工作中，必须严格控制光学元件表面疵病等级。     

光照突变下融合多类特征的场景分割方法

为解决场景模型在快速光照变化下失效的问题,提出了一种新的前景目标分割方法。该方法共包括三个步骤。首先,利用全局光照函数建立高斯混合模型;其次,提取当前帧中的纹理、ZNCC 及轮廓特征;最后,将提取到的特征分两阶段与高斯混合模型进行融合(第一阶段:融合纹理及ZNCC 特征;第二阶段:融合轮廓特征),得到最终的场景分割结果。实验结果表明:该算法具有较好的鲁棒性,并且相较于基于全局光照建模的方法具有更高的精度值及召回值。     

一种改进的用于视频监控的混合高斯背景建模法

本文提出一种在RGB彩色空间基于混合高斯建模的背景减算法来进行运动目标检测。鉴于场景变化对光照敏感的特点,根据,R、G、B三个分量计算像素的亮度分量,然后对,R、G、B及亮度分量分别建立高斯模型,对全局图像进行光照控制并实时更新。最后利用阴影覆盖后像素的彩色信息和区域的弱边缘特征对提取出的候选前景进行筛选,最后经过后处理用形态学运算准确提取出运动区域,实验效果良好。     

基于光学干涉法的光学元件表面粗糙度检测技术

为实现光学元件表面微小粗糙度的精准、详细检测,研究基于光学干涉法的光学元件表面粗糙度检测技术。该技术采用基于集成光学干涉成像技术对光学元件表面干涉成像,通过改进的Niblack二值化算法提取元件表面干涉图像条纹信息,并基于节点迭代的去毛刺方法细化处理干涉条纹,利用最小二乘方法拟合干涉条纹,获取最小二乘拟合直线得出评定基准,建立评定表面粗糙度的高度参数和间距参数的数学模型,完成粗糙度检测。测试结果显示:该技术干涉成像能力较强,生成的光学透镜元件干涉图像弧度与边缘较为清晰,可有效去除干涉条纹毛刺,检测光学元件表面粗糙度时的真正类率最大数值已达到1.0。     

一种抗光照突变的前景提取方法研究

针对经典前景提取算法无法在光照突变情况下正确提取前景的问题,根据LBP算子对光照不敏感的特性,提出了一种基于截尾均值的纹理特征提取算法,即通过对噪声的抑制及对平坦区域序列的稳定性处理,解决了原有LBP算子易受噪声干扰,平坦区域序列不稳定及得到的纹理图信息冗余的问题.结合高质量纹理特征,根据纹理特征的光照不变性,设计了一种能有效应对光照突变情况的背景更新模型,实验结果表明,本文提出的融合纹理特征的前景提取模型不仅能够在光照缓慢变化的情况下有效地对运动目标前景进行提取,而且在光照突变情况下仍然能够进行准确提取,前景提取的准确率相比平均背景模型提高61.7%,相比混合高斯模型提高59.3%.     

三维成像技术的光学元件表面粗糙度智能测量方法

光学元件在多个领域起着至关重要的作用，其应用性能的优劣主要由表面粗糙度决定，对此，提出三维成像技术的光学元件表面粗糙度智能测量方法。采集光学元件表面图像，并进行预处理，然后采用重构算法获取到光学元件表面三维图像，并使用最小二乘中线提取元件表面三维形貌的中面，最后在表面三维形貌中面计算出三维粗糙度评价参数，实现光学元件表面粗糙度智能测量。实验数据显示：设计方法测量的表面粗糙度因子平均误差最小值达到了0.5%,测量精度高达100%,证明本方法的光学元件表面粗糙度测量性能较佳。     

基于像素与子块的背景建模级联算法

针对子块级背景建模方法无法保证所提取前景形状的精确性及像素级背景建模方法无法有效处理非平稳场景的问题,提出了一种背景建模分层模型,首先采用文中子块级建模算法得到较为粗糙的背景区域和前景区域,然后利用混合高斯模型对特定图像区域执行像素级的前景提纯或背景模型更新操作,2种不同层次的算法通过非对称前向反馈机制进行级联。实验结果表明,所提分层模型在能够有效处理非平稳场景的同时保证了所提取前景形状的精确性,且对光照突变不敏感,建模效果优于级联算法中任一独立算法,而处理时间小于2种独立算法处理时间之和,满足了实时处理要求。     

基于高斯混合模型的运动动作跟踪研究

为提升运动动作检测及跟踪效果,文中提出基于高斯混合模型的运动动作跟踪方法,该方法利用高斯混合模型经参数初始化、参数更新、背景选取以及前景检测等步骤,确定运动动作目标前景区域,获得清晰度较高的图像运动动作检测结果;并采用卡尔曼滤波算法,经运动目标外接矩形标定、特征信息计算提取运动特征后,通过构建帧间关系矩阵,预测估计运动动作区域,实现运动动作跟踪并输出结果。经实验验证,该方法在图像预处理阶段能够获得较为清晰的待跟踪图形,且运动动作检测准确率较高,跟踪误差小,运动动作跟踪效果好。     

基于改进高斯混合模型的运动图像目标检测算法

运动图像目标检测指的是从序列图像中将变化的目标从背景中分离出来,高斯混合模型可以对视频序列图像的前景和背景进行分类,再利用背景减除实现运动目标的检测。提出一种基于改进高斯混合模型的优化背景建模方法,该方法首先利用3×3模板对序列图像帧中的像素进行类似卷积的均值计算,然后利用相邻均值的差提取均差因子自适应更新图像的均值。在此基础上,设计了自适应学习率和学习速率,利用改进高斯混合模型实现序列图像的背景建模。改进模型不仅能有效减少数据计算量,同时可以降低在相似区域像素计算的时长,大大加快背景建模速度。实验结果表明,改进模型在目标检测、算法执行速率等性能指标上都有更好的表现,能满足实时检测要求。