謝 閱，王曉東

(中國工程物理研究院計算機應(yīng)用研究所，621900四川綿陽，xiey@caep.ac.cn)

現(xiàn)階段同類裝置中，大多采用科學(xué)級相機采集光束的光斑圖像，并對圖像進行處理和分析，得到光斑的中心點，再將結(jié)果與基準(zhǔn)數(shù)據(jù)進行比較得到需要調(diào)整的位移.由此可見，光束中心點檢測結(jié)果的精度將直接影響到定位的精度，中心點檢測的效率也將直接影響準(zhǔn)直系統(tǒng)的效率.

在圖像采集過程中，由于采集設(shè)備故障、光學(xué)器件的粘性、步進電機的定位不準(zhǔn)確、2次高斯脈沖干擾等原因，都會造成與正常圖像相差較大的非正常圖像，依據(jù)由非正常圖像得到的計算結(jié)果進行光路調(diào)整，將增加準(zhǔn)直流程的循環(huán)次數(shù)，甚至導(dǎo)致準(zhǔn)直任務(wù)無法在規(guī)定的時間完成.為克服這一困難，本文提出了一種新的解決方法，在圖像分析計算之前增加圖像分類檢測功能，完成對光斑圖像的快速分類篩選.并對非正常圖像的產(chǎn)生原因進行初步分類，為故障的快速定位提供數(shù)據(jù)支持.

1 圖像分類器的構(gòu)造

分類是數(shù)據(jù)挖掘和機器學(xué)習(xí)中的一個重要研究課題［1－2］.其目標(biāo)是構(gòu)造1個分類器，即設(shè)計一種映射函數(shù)將實例空間的實例映射到類別空間的某個或某些類標(biāo)簽［3］.通過分類器的映射，完成面向特定需求的數(shù)據(jù)分類，為數(shù)據(jù)的后期處理提供基礎(chǔ).

在本文的具體應(yīng)用中，針對特殊的畸變光斑圖像檢測，引入光斑圖像形狀因子作為光斑圖像形狀的判定參數(shù)，實現(xiàn)對畸變圖像的檢測過濾.

要完成圖像分類器的構(gòu)造，首先需要根據(jù)二維圖像數(shù)據(jù)的特點，選擇分類器模型，建立圖像數(shù)據(jù)與分類條件表之間的映射關(guān)系，并進行分類推理，創(chuàng)建分類條件概率表(CPTs)，從而完成分類器模型的構(gòu)造.

1.1 分類器模型

當(dāng)前有許多分類方法和技術(shù)可以用于分類器的構(gòu)造和設(shè)計，如決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機、貝葉斯網(wǎng)絡(luò)、K－最近鄰等［4－6］.由于貝葉斯分類方法具備堅實的數(shù)學(xué)理論基礎(chǔ)、綜合先驗信息和數(shù)據(jù)樣本信息的能力以及豐富的解釋表現(xiàn)能力，尤其適合于數(shù)據(jù)挖掘、故障診斷等領(lǐng)域，并得到廣泛應(yīng)用［7］，因此選擇貝葉斯分類器作為非正常圖像分類檢測工具.

貝葉斯分類模型是由Pearl［8］提出的，是一種結(jié)合了概率論和圖論的模型.它主要反映了各變量間的概率關(guān)系.其分類工作原理是通過某對象的先驗概率，利用貝葉斯公式計算出其后驗概率，即該對象屬于某一類的概率，選擇具有最大后驗概率的類作為該對象所屬的類［9］.

1.2 分類器構(gòu)造

根據(jù)不同類型光斑圖像灰度分布不同的特點.選擇圖像灰度值作為二維圖像的特征值，灰度值分布范圍情況作為分類條件，采用累計概率密度函數(shù)作為映射函數(shù)完成圖像的分類.

采用灰度累計概率密度函數(shù)作為映射函數(shù)的優(yōu)勢在于將二維圖像數(shù)據(jù)的灰度累計概率密度映射成一維的圖像特征值，在簡化判定條件的同時，還降低了檢測功能占用的系統(tǒng)資源.

首先將圖像灰度直方圖化，并根據(jù)直方圖數(shù)據(jù)得到概率密度、累計概率密度函數(shù)的值.其定義為:

設(shè):圖像共包括L級灰度，圖像中像素點的總數(shù)NT，像素灰度值為an的個數(shù)表示為N(an)，令灰度概率密度函數(shù)為p(an).

令累計概率密度函數(shù)為Pr(an)，表示從灰度值0～an的像素點的累積概率密度.公式為

灰度值在(am，an)的累積概率密度函數(shù)為

式中:m，n=0，1，…，L－1.

其實際意義表示圖像中灰度值在(am，an)區(qū)間內(nèi)像素點占總像素的比率.

設(shè)一維向量f用于存放圖像的特征值，且f∈

RNf×1，Nf表示圖像類別數(shù).特征向量f實際上就是圖像的特征值的集合.

1.3 分類推理

分類推理，即計算類結(jié)點的條件概率，對分類數(shù)據(jù)進行分類.根據(jù)實際經(jīng)驗將圖像分為5類:壞黑圖像、良黑圖像，白圖像、噪聲圖像和可用圖像.設(shè)向量f的元素分別為fk，1≤k≤5，灰度級L為256.

根據(jù)特征值計算公式，對典型的5類圖像進行計算，建立分類器判定表如表1所示.按照貝葉斯分類原理，圖像所屬類別由特征向量f中數(shù)值最大的分量元素fk決定.

表1 圖像分類條件概率表

這里需要特別指出的是第4類圖像——含有噪聲的圖像對分類結(jié)果的影響較大，需要在圖像預(yù)處理中通過各種濾波算法［10］、變換域法［11－12］、概率統(tǒng)計法［13－14］和偏微分方程法等技術(shù)將噪聲盡可能去除.

圖1是對幾種典型圖像的計算結(jié)果.

圖1 4種典型圖像及其對應(yīng)的特征值

2 形變檢測

通過分類器的篩選，已經(jīng)將大部分的非正常圖像去除.但在“可用圖像”中，仍存在被干擾影響的畸變圖像.依據(jù)畸變圖像得到的位置估計必定會影響準(zhǔn)直控制循環(huán)，因此需要進行形變檢測剔除這類畸變圖像.

形變檢測基于二維圖像數(shù)據(jù)至一維圖像特征轉(zhuǎn)換的思想，計算獲得圖像的一維特征——形狀因子E，通過對形狀因子所處區(qū)間進行判定，檢測光斑圖像中是否存在畸變.具體思路是對所有圖像點的灰度值進行垂直投影，灰度累積情況即為形狀波形函數(shù)，形狀波形的脈寬即為形狀因子.形狀因子與光斑圖像直徑的理論值或經(jīng)驗值進行比較，若偏差在允許范圍Δe內(nèi)即||≤Δe，則認(rèn)為結(jié)果合格，否則，判定存在變形，圖像不可用.原理如圖2所示.

圖2 變形檢測原理

二維圖像數(shù)據(jù)轉(zhuǎn)化為一維形狀波形的計算公式為(以沿x軸的形狀波形函數(shù)為例)

式中:S為比例因子，其取值決定幅值和形狀波形上升沿、下降沿的斜率;I(xj，yk)為坐標(biāo)為(xj，yk)的像素點的灰度值.

根據(jù)圖像的畸變特點，選擇增加45°、90°和135°方向的形狀檢測，即得到其在θ={0°，45°，90°，135°}4個方向的形狀波形，其中0°方向即為x軸方向.4個檢測方向如圖3所示.

圖3 生成形狀波形過程中的4個檢測方向

各方向形狀波形函數(shù)可通過坐標(biāo)系變換的方法獲得，令新坐標(biāo)為(x'，y')，將θ所對應(yīng)的新坐標(biāo)帶入x軸的形狀波形函數(shù)即可獲得當(dāng)前角度θ時的形狀波形.

坐標(biāo)變換公式為

采用此方法對良好圖像和剪切類畸變圖像進行檢測試驗，結(jié)果如圖4所示.

由結(jié)果可以看出，良好圖像4個檢測方向的脈寬寬度與理論光斑直徑偏差的絕對值較小.畸變圖像1在135°方向的偏差較大，畸變圖像2在 90°、135°方向上偏差較大.

圖4 圖像變形檢測

3 結(jié)果及分析

實驗過程在下述硬件平臺上進行:圖像處理計算機采用Intel Core2 Quad CPU、4 G DDRII內(nèi)存的硬件配置.圖像采集設(shè)備采用自制CCD相機(分辨率1 280×1 024，1 000 M以太網(wǎng)接口，幀頻20 fps、)及600 nm波長的激光光源.

分類檢測軟件采用VC++2003、LabVIEW 8.5混合編程，運行環(huán)境為WindowsXP+SP3.

分類檢測流程如圖5所示.

圖5 圖像分類檢測流程

設(shè)定循環(huán)次數(shù)M=3，形狀檢測閾值E^=70，允許偏差Δe=6，比例因子S=2.

在實驗室模擬狀態(tài)下，對各種運行狀態(tài)的光斑圖像進行采集獲得相關(guān)實驗數(shù)據(jù).

各類采集樣本總數(shù) 550個，實驗次數(shù)為10組，每組實驗從各類別中隨機選取1/5數(shù)量的圖像，并混合作為1次實驗數(shù)據(jù).如表2所示.總樣本數(shù) .

表2 測試樣本類別及數(shù)目

經(jīng)實驗，完成了對圖像檢測識別能力進行驗證，表3中記錄了對各類圖像的識別率.

檢測能力采用識別率來衡量.識別率=正確識別樣本

表3 識別率統(tǒng)計 %

實驗結(jié)果表明:貝葉斯分類器對五類光斑圖像的分類判定成功率＞95%;采用形狀因子對畸變圖像檢測成功率＞90%;對非正常圖像的平均檢測成功率＞97%.

通過統(tǒng)計可以看出對于由CCD故障、光路影響做造成的非正常圖像(壞黑、良黑、白、噪聲圖像)，具備比較滿意的檢測能力;對于畸變圖像也具有較強的檢測能力.

增加非正常圖像的分類檢測功能后，準(zhǔn)直循環(huán)不再對非正常圖像進行中心點計算及運動驅(qū)動，避免了非正常圖像對準(zhǔn)直過程的干擾，使得準(zhǔn)直過程中準(zhǔn)直大循環(huán)的次數(shù)大幅減少.同時能夠根據(jù)非正常圖像的特征準(zhǔn)確的判定故障原因.

4 結(jié)論

1)經(jīng)過實驗測試，使用累計概率密度函數(shù)能夠較好的完成對圖像特征的提取，構(gòu)建的貝葉斯分類器能靈活地完成圖像分類.

2)通過形狀因子的判定能夠較好的實現(xiàn)對畸變圖像的檢測，通過對圖像的分類篩選，為圖像后處理提供合格的圖像數(shù)據(jù)，有效減少了準(zhǔn)直循環(huán)次數(shù)，極大提高了準(zhǔn)直效率.

3)通過對不合格圖像的分析、判斷，為故障定位、排除提供了數(shù)據(jù)支持，有效降低了發(fā)生事故的概率.

［1］XI X，KEOGH E，SHELTON C L，et al.Fast time series classification using numerosity reduction［C］//Proceedings of the 23rd International Conference on Machine Learning.New York，NY:ACM，2006.1033－1040.

［2］HAN Jiawei，KAMBER M.數(shù)據(jù)挖掘－概念與技術(shù)［M］.第2版.范明，孟小峰譯.北京:機械工業(yè)出版社，2006:70－75.

［3］范敏，石為人.層次樸素貝葉斯分類器構(gòu)造算法及應(yīng)用研究［J］.儀器儀表學(xué)報，2010，31(4):20.

［4］HAN J，KAMBER M.Data Mining:Concepts and Techniques［M］.Beijing:China Higher Education Press，2001:51－56.

［5］EGMONT-PETERSEN M，F(xiàn)EELDERS A，BAESENS B.Confidence intervals for probabilistic network classifiers［J］.Computational Statistics and Data Analysis，2005，49(4):998－1019.

［6］張海笑，徐小明.數(shù)據(jù)挖掘中分類方法研究［M］.太原:山西出版社，2005:8－16.

［7］HECKERMAN D.Bayesian networks for data mining［J］.Data Mining and Knowledge Discovery，1997，1(1):79－119.

［8］BHAHRAMANI Z.An introduction to hidden markov models and Bayesian networks［J］.International Joumal of Patten Recognition and Artificial Intelligence，2001，15(1):9－42.

［9］江敏，陳一民.貝葉斯優(yōu)化算法的發(fā)展綜述［J］.計算機工程與設(shè)計，2010，31(14):3254－3259.

［10］ZHANG Ming，GUNTURK B K.Multiresolution bilateral filtering for image denoising［J］.IEEE Transactions on Image Processing，2008，17(12):2324－2333.

［11］PORTILLA J，STRELA V，WAINWRIGHT M J，et al. Image denoising using scale mixtures of Gaussians in the wavelet domain［J］.IEEE Transactions on Image Processing，2003，12(11):1338－1351.

［12］ZHANG Bo，F(xiàn)ADILI J M，STARCK J.Wavelets，ridgeLets，and curvelets for Poisson noise removal［J］.IEEE Transactions on Image Processing，2008，17(7): 1093－1108.

［13］MALFAIT M，ROOSE D.Wavelet-based image denoising using a Markov random field a priori mode［J］.IEEE Transactions on Image Processing，1997，6(4): 549－565.

［14］GOOSSENS B，PIZURICA A，PHILIOS W.Image denoising using mixtures of projected Gaussian scale mixtures［J］.IEEE Transactions on Image Processing，2009，18(8):1689－1702.