基于光柵圖像識別的目標定位優(yōu)化方法研究

馬海蓉 丁飛 章華濤 張海濤 莊衡衡 張登銀

摘要：高精度光柵測量系統(tǒng)和光譜識別定標對于大口徑空間天文望遠鏡觀測至關(guān)重要，將圖像的智能識別與光柵測量系統(tǒng)相結(jié)合，可以解決傳統(tǒng)光柵測試過程中目標識別困難和特征難以提取的問題。由于目標光源點光譜成像的特點以及背景噪聲的干擾，圖像目標的自動識別和位置提取精度受限。該文設(shè)計并構(gòu)建基于觀測圖像識別的光柵測試分析系統(tǒng)，利用光柵的分光特性，結(jié)合圖像傳感器進行光電轉(zhuǎn)換和特征識別，通過分析目標光柵圖像的關(guān)鍵特征，利用圖像預處理算法對光柵圖像進行反色和模糊去噪，獲得更清晰的光斑特征，通過密度質(zhì)心法提取光斑中心，再由高斯曲面擬合提取光柵圖像的目標中心和像素分布特征。實驗結(jié)果表明，相比傳統(tǒng)密度質(zhì)心法，該文方法能夠準確提取光柵圖像中多目標的中心，像素幅值識別精度提升1個像素以上。

關(guān)鍵詞：光柵測試;圖像識別;密度質(zhì)心法;高斯曲面擬合

中圖分類號： TP391.4文獻標志碼： A文章編號：1674–5124（2021）12–0029–05

Research on optimization method of target location based on raster image recognition

MA Hairong1，2，DING Fei1，2，ZHANG Huatao3，4，ZHANG Haitao1，2，ZHUANG Hengheng1，2，ZHANG Dengyin1，2

（1. Jiangsu Key Laboratory of Broadband Wireless Communication and Internet of Things， Nanjing University of Postsand Telecommunications， Nanjing 210003， China;2. School of Internet of Things， Nanjing University of Posts andTelecommunications， Nanjing 210003， China;3. Nanjing Institute of Astronomical Optics &Technology，NationalAstronomical Observatories， CAS， Nanjing 210042， China;4. Key Laboratory of Astronomical Optics & Technology，CAS， Nanjing 210042， China）

Abstract： High-precision raster measurement system and spectral recognition calibration are essential for large- aperture space telescope observations. Combining intelligent image recognition with the raster measurement system can solve the problem of difficulty in target recognition and feature extraction in the traditionalraster process. Due to the characteristics of spectral imaging of target light source points and the interference ofbackground noise， the accuracy of automatic identification and location extraction of image targets is limited.This paper designs and constructs araster test and analysis system based on observation image recognition. It usesthespectralcharacteristicsof therasterandcombinestheimagesensortoperformphotoelectric conversionandfeature recognition. Byanalyzing the keyfeaturesof the targetgratingimage， theimage preprocessing algorithm is used to perform the raster image. Reverse color and blur and denoise to obtain a clearer spot feature. The spot center is extracted by the density centroid method， and then the target center and pixel distribution characteristics of the raster image are extracted by Gaussian surface fitting. Experimental results show that compared with the traditional density centroid method， this method can accurately extract the center of multiple targets in the raster image， and the pixel amplitude recognition accuracy is improved by more than 1 pixel.

Keywords： raster test; image recognition; density centroid method; Gaussian surface fitting

0引言

光柵是一種把入射光束的振幅、相位或兩者同時加上一個周期性的空間調(diào)制的光學裝置，具有抗干擾性強、體積小、耐腐蝕等突出優(yōu)點[1]。光的波動性引起的衍射現(xiàn)象最早由意大利的弗朗西斯科·格里馬第發(fā)現(xiàn)[2]。光柵測量系統(tǒng)常用于激光光源波段特性分析，如波長測量和光柵常數(shù)測量等，其基本原理是光源透過光柵發(fā)生色散，投影到圖像傳感器上實現(xiàn)成像，再對采集到的光柵圖像進行圖像識別[3]。

圖像傳感器是將光信號轉(zhuǎn)換為電信號的裝置，選擇一款合適的圖像傳感器來將光柵分出的光進行光電轉(zhuǎn)換是非常重要的[4]。CMOS 圖像傳感器采用了 CMOS 工藝，可將圖像采集單元和信號處理單元集成到同一塊芯片上，完成復雜的光電信號處理功能。隨著CMOS 工藝的不斷發(fā)展，CMOS 圖像傳感器的性能也在不斷提高[5]。

在圖像識別技術(shù)方面，目前已有多種光斑中心的亞像素提取方法，常用的有中心法、質(zhì)心法、擬合法等單一方法，也有共同使用幾種單一方法的組合方法，如互相關(guān)和高斯曲面擬合相結(jié)合的方法[6]。王敏等[7]提出，質(zhì)心法可以看成是以灰度為權(quán)值的加權(quán)方法，只有灰度分布對稱的目標才能獲得理想的效果。原玉磊等[8]提出，由于光學成像帶來的離軸星像具有非對稱性，因此使用質(zhì)心法計算單個星像的位置中心精度難以獲得很大提高。擬合法主要有多項式擬合、高斯曲面擬合和橢圓擬合等。馮新星等[9]提出利用高斯曲面擬合法進行星圖分析，利用高斯函數(shù)模擬成像過程的點擴展函數(shù) PSF（ Point Spread Function ）[10]，從而進行目標中心定位，該方法可以獲得較精確的目標中心位置，同時具有較高的穩(wěn)定性。

傳統(tǒng)算法在檢測速度、抗干擾性和精度上各自都存在一定的不足。例如經(jīng)典的質(zhì)心法適用于光斑形狀規(guī)則和灰度比較均勻等場景下的特征識別，否則識別出的光斑中心會與實際位置存在一定的誤差。由于目標光源點光譜成像的特點以及背景噪聲干擾，造成了目標光斑中心存在偏離的情況。在本文介紹的 CMOS 光柵系統(tǒng)中，由于 CMOS 相機拍攝的光柵圖像存在底噪，圖像中的光斑灰度分布函數(shù)可近似看作高斯分布，為了更好的增強光柵圖像中的光斑特征并獲取較為精準的光斑位置，采用密度質(zhì)心法和高斯曲面擬合組合的圖像識別方法。首先通過密度質(zhì)心法進行圖像預處理，然后采用高斯曲面擬合的方法提取光柵圖像中的單個或多個目標的中心，從而為光源特性分析奠定良好基礎(chǔ)。

1光柵測試分析系統(tǒng)設(shè)計

本文提出的基于觀測圖像識別的光柵測試分析系統(tǒng)包括4個功能模塊，分別是：五自由度機械連桿平臺、光源、光柵面、CMOS 相機，系統(tǒng)組成如圖1所示。

光源、光柵面和 CMOS 相機三者的空間位姿由五自由度機械連桿平臺和相機導軌進行協(xié)同控制，從而對三者之間的空間姿態(tài)關(guān)系進行微調(diào)及標定。五自由度機械連桿平臺將光源驅(qū)動至預定空間點位，光源發(fā)射的多波段光線經(jīng)光柵面折射，將在 CMOS 相機拍攝的圖像中產(chǎn)生光斑特征。通過對光斑圖像進行處理，提取光斑圖像中的光斑特征，從而為光源的多波段特性分析奠定基礎(chǔ)。

如圖2所示，從功能邏輯來看，基于觀測圖像識別的光柵測試分析系統(tǒng)分為控制層和分析層，控制層負責光源預定點位的驅(qū)動、光柵面的控制以及 CMOS 相機的配置與拍攝控制等;分析層負責 CMOS 光斑圖像的處理、特征識別及光斑的中心定位優(yōu)化分析等。圖中五自由度機械連桿平臺為獨立系統(tǒng)，生成的控制策略用于獲取光柵面 X 軸向參數(shù)，關(guān)于五自由度機械連桿平臺的功能不做具體描述。

系統(tǒng)控制功能模塊及業(yè)務(wù)流程如下：

1）設(shè)置光源的初始位置，通過五自由度組合電機的正向和逆向運動進行空間點位驅(qū)動，經(jīng)過空間的轉(zhuǎn)換獲取出光源坐標。

2）光柵面 X 軸的軸向控制策略同步于五自由度組合電機的控制策略，即五自由度的控制策略確定了光源的空間點位和光柵面的空間位置。

3）CMOS 相機進行參數(shù)配置和標定后，其空間位置由高精密位移臺進行驅(qū)動。

當光柵測試分析系統(tǒng)的控制部分執(zhí)行完成后，執(zhí)行光柵圖像分析部分的功能，包括：

1）通過 CMOS 相機采集光源經(jīng)過光柵面折射的光波，輸出CMOS 光柵圖像。

2）設(shè)計光柵圖像識別算法，對圖像中的光斑特征進行識別。

2光柵圖像識別方法

2.1光柵圖像識別框架

光柵圖像目標識別的算法框架如圖3所示。考慮到 CMOS 相機拍攝的光柵圖像存在底噪，為了獲得較優(yōu)的光斑識別性能，本文采用基于密度質(zhì)心法[11-13]的圖像預處理和高斯曲面擬合[14-16]的組合方法。

首先采用 VS 和 Open CV[17]環(huán)境實現(xiàn)基于密度質(zhì)心法的圖像預處理，對光柵原始圖像進行灰度化和反色，然后進行模糊去噪，消除圖像底噪和不均勻特征，最后進行閾值選擇，從而獲得更清晰的光斑區(qū)域。圖像經(jīng)密度質(zhì)心法預處理后提取光斑中心區(qū)域，通過高斯曲面擬合對特征光斑進行中心提取，并獲得光斑的像素分布特征，從而獲得光柵圖像的增強特征。

2.2光柵圖像高斯曲面擬合

采用高斯曲面擬合方法確定光斑的前提是：目標在圖像中有較亮的斑點，受傳感器的限制、成像特性以及大氣的干擾等，成像過程具有 PSF 模糊效應(yīng)。受 PSF 模糊的影響，目標表現(xiàn)出從中心向四周灰度逐漸降低的彌散效應(yīng)。

高斯曲面擬合法基本原理[18-19]：高斯曲面擬合法將成像過程的 PSF 使用高斯函數(shù)擬合，假定 f （x，y）為圖像中位于（x，y）的亮度值，（x0 ，y0）為目標中心，則目標的彌散處的像元亮度為

式中：A——幅值;

x0，y0——理論上的中心坐標;

x，y——成像光斑的位置坐標;

x， y——X方向和Y方向的標準差。

對式（1）兩邊分別取對數(shù)并簡化為多項式，即可得到下式：

其中各參數(shù)對應(yīng)關(guān)系為：

通過最小二乘法求解，使殘差的平方和系數(shù)最小，取殘差為"：

根據(jù)最小二乘法原理，a，b，c，d，e可由下式確定：

從而可求出高斯函數(shù)的各項參數(shù)，獲得高斯曲面的極值點，該極值點即可看成成像光斑的中心位置。

3 系統(tǒng)實驗與分析

本系統(tǒng)通過光柵圖像預處理算法對光柵原始圖像進行矩陣化，通過反色和模糊去噪處理獲得清晰的光斑區(qū)域。為了更好地呈現(xiàn)圖中的連續(xù)光斑點，在圖像處理環(huán)節(jié)剔除了零極點光斑。在此基礎(chǔ)上，通過中值濾波去噪[20-22]、密度質(zhì)心法分別提取光柵圖像的光斑特征，識別對比結(jié)果如圖 4 所示，其中圖 4（a） 是原始局部圖像，圖 4（b） 和 4（c） 分別是中值濾波去噪和密度質(zhì)心法特征提取效果圖，可以看出，密度質(zhì)心法的光斑中心提取性能優(yōu)于中值濾波去噪方法。進一步，通過高斯曲面擬合獲取光斑中心和像素分布，識別結(jié)果如圖4（d）所示，其中光斑中的黑色小方塊是密度質(zhì)心法獲得的光斑中心，紅色五角星是高斯曲面擬合獲得的光斑中心，從圖中可看出，由于光斑的非規(guī)則特征（即非標準圓形），密度質(zhì)心法和高斯曲面擬合法獲得的光斑中心位置不重合。

下面對光柵圖像的單光斑場景進行進一步對比，基于密度質(zhì)心檢測法和高斯曲面擬合檢測法分別提取光斑的特征，二者對單個光斑的二維和三維特征識別結(jié)果分別如圖5所示。從圖5（b）中標注可以看出，密度質(zhì)心法和高斯曲面擬合提取的光斑中心不重合，并且高斯曲面擬合可以更準確表達光斑的像素分布特征，其獲得的光斑中心位置更能準確的反映識別效果。

為了驗證本文算法的精度，選用圖4（d）中12個光斑來進行密度質(zhì)心法和高斯曲面擬合的數(shù)據(jù)檢測，并計算出兩種不同方案獲得的光斑中心結(jié)果的誤差，如圖6所示。可以看出，各個光斑在 X 軸向的識別誤差為藍色實線與虛線之間的偏離距離，各個光斑在 Y 軸向的識別誤差為小圓圈和叉號之間的偏離距離。本文方法可以將識別精度提升至少1個像素以上。

4結(jié)束語

在本文介紹的基于觀測圖像識別的光柵檢測分析系統(tǒng)中，首先采用密度質(zhì)心法對 CMOS 相機圖像進行灰度化、反色和模糊去噪等預處理，增強光斑特征，其次通過高斯曲面擬合方法提取光斑中心。實驗結(jié)果證明，與中值濾波去噪方法相比，經(jīng)過密度質(zhì)心法進行預處理后的光斑特征更加明顯;由于光斑的非規(guī)則特征，相比于傳統(tǒng)密度質(zhì)心法，高斯曲面擬合法提取光斑中心位置結(jié)果更加精準，同時還可以獲得光斑像素的分布特征?，F(xiàn)有研究成果為下一步光源特性的進一步分析及天文觀測系統(tǒng)建設(shè)奠定了良好基礎(chǔ)，在光柵測試系統(tǒng)中的光柵常數(shù)測量、系統(tǒng)誤差校準等方面研究都能夠有廣泛的應(yīng)用，也可以為衍射和散斑測量、光譜分析等光電測試系統(tǒng)研究提供有價值的參考。

參考文獻

[1]馬游春， 馬子光， 蘇慶慶， 等.基于光柵傳感器的空間靶標定位技術(shù)研究[J].中國測試， 2019， 45（6）：109-113.

[2] HALLAR. Beyondthefringe： diffractionasseenbyGrimaldi， Fabri， Hooke and Newton[J]. Notes and Records of the Royal Society of London （1938-1996）， 1990， 44（1）：13-23.

[3]于海， 萬秋華， 孫瑩， 等.一種自適應(yīng)安裝的高精度圖像式角位移測量裝置[J].中國光學， 2020， 13（3）：510-516.

[4] ElGAMALA，ELTOUKHYH. CMOSimagesensors [J].Circuits& Devices Magazine IEEE， 2005， 21（3）：6-20.

[5]姚立斌.低照度 CMOS 圖像傳感器技術(shù)[J].紅外技術(shù)，2013， 35（3）：125-132.

[6]連月勇， 張超， 謝宗特.星點亞像元細分定位精度分析[J].測繪科學技術(shù)學報， 2015， 32（6）：578-582.

[7]王敏， 趙金宇， 陳濤.基于各向異性高斯曲面擬合的星點質(zhì)心提取算法[J].光學學報， 2017， 37（5）：218-227.

[8]原玉磊， 鄭勇， 杜蘭.星點中心高精度質(zhì)心定位算法[J].測繪科學技術(shù)學報， 2012， 29（2）：122-126.

[9]馮新星， 張麗艷， 葉南， 等.二維高斯分布光斑中心快速提取算法研究[J].光學學報， 2012（5）：70-77.

[10]賈瑞明， 馬曉蕾， 郝云彩.基于偏正態(tài)分布的星點細分定位方法研究[J].激光與光電子學進展， 2016， 53（5）：140-147.

[11]張小艷， 王曉強，， .白福忠等基于改進灰度重心法的光帶中心提取算法[J].激光與紅外， 2016， 46（5）：622-626.[12]唐冠群.幾種激光光斑中心定位算法的比較[J].北京機械工業(yè)學院學報， 2009， 24（1）：61-64.

[13]周中亮， 周冰，何永強， 等.成像型激光探測系統(tǒng)中光斑精確定位方法研究[J].激光技術(shù)， 2008（3）：248-251.

[14]范新坤， 張磊， 佟首峰， 等.一種改進的相機靈敏度測試系統(tǒng)[J].中國測試， 2017， 43（6）：65-69.

[15] ANTHONY S M， GRANICK S. Image analysis with rapid and accuratetwo-dimensionalGaussianfitting[J]. Langmuir：the ACS journal of surfaces and colloids， 2009， 25-.（14）：815260

[16] WAN X， WANG G， WEI X， et al. Star centroiding based on fastgaussianfittingforstarsensors [J]. Sensors （Basel， ?????? land）Switzer， 2018， 18（9）：2836.

[17]秦小文， 溫志芳， 喬維維.基于 OpenCV 的圖像處理[J].電子測試， 2011（7）：39-41.

[18]李為民， 俞巧云， 胡紅專， 等.光點定位中的曲面擬合迭代算法[J].光學技術(shù)， 2004（1）：33-35.

[19]王麗麗， 胡中文， 季杭馨.基于高斯擬合的激光光斑中心定位算法[J].應(yīng)用光學， 2012， 33（5）：985-990.

[20]曹遠佳， 尉廣軍， 李先龍.激光光斑的圖像處理及邊緣檢測的改進[J].激光與紅外， 2016， 46（9）：1160-1164.

[21] SINGHKM，BORAP. Adaptivevectormedianfilterfor removalofimpulsenoisefromcolorimages[J]. Istanbul University- Journalof Electrical & Electronics Engineering，2011（1）：1063-1072.

[22]張愛玲， 李鵬， 劉晟.基于粒子群算法的圖像椒鹽噪聲去除算法[J].計算機科學， 2017， 44（8）：301-305.

（編輯：劉楊）