謝 閱，王曉東

(中國(guó)工程物理研究院計(jì)算機(jī)應(yīng)用研究所，621900四川綿陽(yáng)，xiey@caep.ac.cn)

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

在圖像采集過(guò)程中，由于采集設(shè)備故障、光學(xué)器件的粘性、步進(jìn)電機(jī)的定位不準(zhǔn)確、2次高斯脈沖干擾等原因，都會(huì)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(jì)算結(jié)果進(jìn)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(wú)法在規(guī)定的時(shí)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(jì)算之前增加圖像分類檢測(cè)功能，完成對(duì)光斑圖像的快速分類篩選.并對(duì)非正常圖像的產(chǎn)生原因進(jìn)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(jī)器學(xué)習(xí)中的一個(gè)重要研究課題［1－2］.其目標(biāo)是構(gòu)造1個(gè)分類器，即設(shè)計(jì)一種映射函數(shù)將實(shí)例空間的實(shí)例映射到類別空間的某個(gè)或某些類標(biāo)簽［3］.通過(guò)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(duì)特殊的畸變光斑圖像檢測(cè)，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(shí)現(xiàn)對(duì)畸變圖像的檢測(cè)過(guò)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(diǎn)，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(jìn)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(jì)，如決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、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(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)、綜合先驗(yàn)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(cè)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(guò)某對(duì)象的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，即該對(duì)象屬于某一類的概率，選擇具有最大后驗(yàn)概率的類作為該對(duì)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(diǎn).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(jì)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(jì)概率密度函數(shù)作為映射函數(shù)的優(yōu)勢(shì)在于將二維圖像數(shù)據(jù)的灰度累計(jì)概率密度映射成一維的圖像特征值，在簡(jiǎn)化判定條件的同時(shí)，還降低了檢測(cè)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(jì)概率密度函數(shù)的值.其定義為:

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

令累計(jì)概率密度函數(shù)為Pr(an)，表示從灰度值0～an的像素點(diǎn)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(shí)際意義表示圖像中灰度值在(am，an)區(qū)間內(nèi)像素點(diǎn)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(shí)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(jì)算類結(jié)點(diǎn)的條件概率，對(duì)分類數(shù)據(jù)進(jìn)行分類.根據(jù)實(shí)際經(jīng)驗(yàn)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(jí)L為256.

根據(jù)特征值計(jì)算公式，對(duì)典型的5類圖像進(jìn)行計(jì)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(duì)分類結(jié)果的影響較大，需要在圖像預(yù)處理中通過(guò)各種濾波算法［10］、變換域法［11－12］、概率統(tǒng)計(jì)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(duì)幾種典型圖像的計(jì)算結(jié)果.

圖1 4種典型圖像及其對(duì)應(yīng)的特征值

2 形變檢測(cè)

通過(guò)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(jì)必定會(huì)影響準(zhǔn)直控制循環(huán)，因此需要進(jìn)行形變檢測(cè)剔除這類畸變圖像.

形變檢測(cè)基于二維圖像數(shù)據(jù)至一維圖像特征轉(zhuǎn)換的思想，計(jì)算獲得圖像的一維特征——形狀因子E，通過(guò)對(duì)形狀因子所處區(qū)間進(jìn)行判定，檢測(cè)光斑圖像中是否存在畸變.具體思路是對(duì)所有圖像點(diǎn)的灰度值進(jìn)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(yàn)值進(jìn)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(cè)原理

二維圖像數(shù)據(jù)轉(zhuǎn)化為一維形狀波形的計(jì)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(diǎn)的灰度值.

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

圖3 生成形狀波形過(guò)程中的4個(gè)檢測(cè)方向

各方向形狀波形函數(shù)可通過(guò)坐標(biāo)系變換的方法獲得，令新坐標(biāo)為(x'，y')，將θ所對(duì)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(shí)的形狀波形.

坐標(biāo)變換公式為

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

由結(jié)果可以看出，良好圖像4個(gè)檢測(cè)方向的脈寬寬度與理論光斑直徑偏差的絕對(duì)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(cè)

3 結(jié)果及分析

實(shí)驗(yàn)過(guò)程在下述硬件平臺(tái)上進(jìn)行:圖像處理計(jì)算機(jī)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(jī)(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(zhǎng)的激光光源.

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

分類檢測(cè)流程如圖5所示.

圖5 圖像分類檢測(cè)流程

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

在實(shí)驗(yàn)室模擬狀態(tài)下，對(duì)各種運(yùn)行狀態(tài)的光斑圖像進(jìn)行采集獲得相關(guān)實(shí)驗(yàn)數(shù)據(jù).

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

表2 測(cè)試樣本類別及數(shù)目

經(jīng)實(shí)驗(yàn)，完成了對(duì)圖像檢測(cè)識(shí)別能力進(jìn)行驗(yàn)證，表3中記錄了對(duì)各類圖像的識(shí)別率.

檢測(cè)能力采用識(shí)別率來(lái)衡量.識(shí)別率=正確識(shí)別樣本

表3 識(shí)別率統(tǒng)計(jì) %

實(shí)驗(yàn)結(jié)果表明:貝葉斯分類器對(duì)五類光斑圖像的分類判定成功率＞95%;采用形狀因子對(duì)畸變圖像檢測(cè)成功率＞90%;對(duì)非正常圖像的平均檢測(cè)成功率＞97%.

通過(guò)統(tǒng)計(jì)可以看出對(duì)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(cè)能力;對(duì)于畸變圖像也具有較強(qiáng)的檢測(cè)能力.

增加非正常圖像的分類檢測(cè)功能后，準(zhǔn)直循環(huán)不再對(duì)非正常圖像進(jìn)行中心點(diǎn)計(jì)算及運(yùn)動(dòng)驅(qū)動(dòng)，避免了非正常圖像對(duì)準(zhǔn)直過(guò)程的干擾，使得準(zhǔn)直過(guò)程中準(zhǔn)直大循環(huán)的次數(shù)大幅減少.同時(shí)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(guò)實(shí)驗(yàn)測(cè)試，使用累計(jì)概率密度函數(shù)能夠較好的完成對(duì)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(guò)形狀因子的判定能夠較好的實(shí)現(xiàn)對(duì)畸變圖像的檢測(cè)，通過(guò)對(duì)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(guò)對(duì)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(jī)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(bào)，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(jì)算機(jī)工程與設(shè)計(jì)，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.