一种基于计算机视觉的激光损伤自动判断方法技术

本发明专利技术涉及激光损伤检测，具体涉及一种基于计算机视觉的激光损伤自动判断方法，采集待测元件的激光辐射前图像

【技术实现步骤摘要】
一种基于计算机视觉的激光损伤自动判断方法


[0001]本专利技术涉及激光损伤检测，具体涉及一种基于计算机视觉的激光损伤自动判断方法
。

技术介绍

[0002]激光损伤阈值是衡量光学元件抗激光损伤能力的重要参数之一，而能否准确地判断光学元件是否出现激光损伤则是光学元件激光损伤阈值测试的关键
。
因此，为了确定光学元件的激光损伤阈值，需要一种检测光学元件经过激光辐射后是否出现激光损伤的方法
。
[0003]对于激光损伤的检测，最初采用的方法是相衬显微镜法和等离子体闪光法
。
相衬显微法是国际标准
ISO 11254
提出的一种标准检测方法，其检测结果相对准确，但是工作量大
、
耗时长
、
效率低
。
而等离子体闪光法在检测过程中受人为因素的影响较大，并且不同材质的光学元件受到激光损伤时产生闪光情况也不相同
。
[0004]后来，业内以光学元件的光学性能是否发生改变作为标准，提出了多种具体的检测方法，如散射光强法
、
光热偏转法和光声法等，但是这些方法在直观性方面存在较大的局限性
。

技术实现思路

[0005](
一
)
解决的技术问题
[0006]针对现有技术所存在的上述缺点，本专利技术提供了一种基于计算机视觉的激光损伤自动判断方法，能够有效克服现有技术所存在的无法准确
、
高效地判断光学元件是否出现激光损伤，并直观地反映激光损伤检测结果的缺陷
。
[0007](
二
)
技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种基于计算机视觉的激光损伤自动判断方法，包括以下步骤：
[0010]S1、
采集待测元件的激光辐射前图像
、
激光辐射后图像，并对激光辐射前图像
、
激光辐射后图像进行预处理；
[0011]S2、
基于待测元件的可能损伤位置确定激光辐射前图像
、
激光辐射后图像中的感兴趣区域，并采用滑动窗口沿着激光辐射前图像
、
激光辐射后图像中的感兴趣区域同步移动；
[0012]S3、
基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标；
[0013]S4、
将相似度指标输入分类器，根据分类器输出结果判断待测元件是否出现激光损伤
。
[0014]优选地，
S1
中采集待测元件的激光辐射前图像
、
激光辐射后图像，并对激光辐射前图像
、
激光辐射后图像进行预处理，包括：
[0015]采用
3*3
的模板，移动该模板使得模板中心点与图像中各像素点重合；
[0016]获取模板覆盖区域内的像素灰度值，从小到大排序后取出中间位置的像素灰度值，将中间位置的像素灰度值赋予模板中心点处的像素点
。
[0017]优选地，
S2
中基于待测元件的可能损伤位置确定激光辐射前图像
、
激光辐射后图像中的感兴趣区域，包括：
[0018]选取一个以图像中心为中心点的矩形区域作为感兴趣区域
ROI
；
[0019]其中，感兴趣区域
ROI
的长为原始图像长度的一半，感兴趣区域
ROI
的宽为原始图像宽度的一半
。
[0020]优选地，
S2
中采用滑动窗口沿着激光辐射前图像
、
激光辐射后图像中的感兴趣区域同步移动，包括：
[0021]设置一个
300
像素
*300
像素的滑动窗口，以
80
为步长分别从激光辐射前图像
、
激光辐射后图像中的感兴趣区域
ROI
的左上角开始，按照从左到右
、
从上到下的顺序依次截取激光辐射前图像
、
激光辐射后图像中的局部窗口图像
。
[0022]优选地，
S3
中基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标，包括：
[0023]采用下式计算各滑动窗口中对应的局部窗口图像之间的相似度指标
SSIM
：
[0024]SSIM(x,y)
＝
[l(x,y)]α
[c(x,y)]β
[s(x,y)]γ
‑
λ
·
meanDiff
[0025]其中，
x、y
分别为激光辐射前图像
、
激光辐射后图像中的局部窗口图像信号；
l(x,y)
为亮度函数，
c(x,y)
为对比度函数，
s(x,y)
为结构信息函数，
α
、
β
、
γ
分别为用于调整亮度
、
对比度
、
结构信息在相似度评估中所占比重的系数，
α
、
β
、
γ
均大于0；
[0026]meanDiff
为相似度评估中的惩罚项，
meanDiff
＝
|
μ
y
‑
μ
x
|
，
μ
x
为激光辐射前图像中的局部窗口图像的灰度均值，
x
i
为激光辐射前图像中的局部窗口图像的第
i
个像素点的灰度，
μ
y
为激光辐射后图像中的局部窗口图像的灰度均值，
y
i
为激光辐射后图像中的局部窗口图像的第
i
个像素点的灰度，
N
为激光辐射前图像
、
激光辐射后图像中的局部窗口图像的像素点数量，
λ
为惩罚项系数，
λ
＝
0.01。
[0027]优选地，所述亮度函数
l(x,y)
定义为：
[0028][0029]所述对比度函数
c(x,y)
定义为：
[0030][0031]所述结构信息函数
s(x,y)
定义为：
[0032][0033]其中，
σ
x
为激光辐射前图像中的局部窗口图像的灰度标准差，
σ
y
为激光辐射后图像中的局部窗口图像的灰度标准差，
σ
x
σ
y
为激光辐射前图像
、
激光辐射后图像中的局部窗口图像之间的灰度协方差，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于计算机视觉的激光损伤自动判断方法，其特征在于：包括以下步骤：
S1、
采集待测元件的激光辐射前图像
、
激光辐射后图像，并对激光辐射前图像
、
激光辐射后图像进行预处理；
S2、
基于待测元件的可能损伤位置确定激光辐射前图像
、
激光辐射后图像中的感兴趣区域，并采用滑动窗口沿着激光辐射前图像
、
激光辐射后图像中的感兴趣区域同步移动；
S3、
基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标；
S4、
将相似度指标输入分类器，根据分类器输出结果判断待测元件是否出现激光损伤
。2.
根据权利要求1所述的基于计算机视觉的激光损伤自动判断方法，其特征在于：
S1
中采集待测元件的激光辐射前图像
、
激光辐射后图像，并对激光辐射前图像
、
激光辐射后图像进行预处理，包括：采用
3*3
的模板，移动该模板使得模板中心点与图像中各像素点重合；获取模板覆盖区域内的像素灰度值，从小到大排序后取出中间位置的像素灰度值，将中间位置的像素灰度值赋予模板中心点处的像素点
。3.
根据权利要求2所述的基于计算机视觉的激光损伤自动判断方法，其特征在于：
S2
中基于待测元件的可能损伤位置确定激光辐射前图像
、
激光辐射后图像中的感兴趣区域，包括：选取一个以图像中心为中心点的矩形区域作为感兴趣区域
ROI
；其中，感兴趣区域
ROI
的长为原始图像长度的一半，感兴趣区域
ROI
的宽为原始图像宽度的一半
。4.
根据权利要求3所述的基于计算机视觉的激光损伤自动判断方法，其特征在于：
S2
中采用滑动窗口沿着激光辐射前图像
、
激光辐射后图像中的感兴趣区域同步移动，包括：设置一个
300
像素
*300
像素的滑动窗口，以
80
为步长分别从激光辐射前图像
、
激光辐射后图像中的感兴趣区域
ROI
的左上角开始，按照从左到右
、
从上到下的顺序依次截取激光辐射前图像
、
激光辐射后图像中的局部窗口图像
。5.
根据权利要求4所述的基于计算机视觉的激光损伤自动判断方法，其特征在于：
S3
中基于相似度测量模型计算各滑动窗口中对应的局部窗口图像之间的相似度指标，包括：采用下式计算各滑动窗口中对应的局部窗口图像之间的相似度指标
SSIM
：
SSIM(x,y)
＝
[l(x,y)]
α
[c(x,y)]
β
[s(x,y)]
γ
‑
λ
·
meanDiff
其中，
x、y
分别为激光辐射前图像
、
激光辐...

【专利技术属性】
技术研发人员：黄莹莹，王秋扬，朱海波，陈坚，
申请(专利权)人：合肥利弗莫尔仪器科技有限公司，
类型：发明
国别省市：