ICF準直系統的非正常圖像分類檢測

謝 閱，王曉東

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

現階段同類裝置中，大多采用科學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，再將結果與基準數據進行比較得到需要調整的位移.由此可見，光束中心點檢測結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直系統的效率.

在圖像采集過程中，由于采集設備故障、光學器件的粘性、步進電機的定位不準確、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，依據由非正常圖像得到的計算結果進行光路調整，將增加準直流程的循環次數，甚至導致準直任務無法在規定的時間完成.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生原因進行初步分類，為故障的快速定位提供數據支持.

1 圖像分類器的構造

分類是數據挖掘和機器學習中的一個重要研究課題［1－2］.其目標是構造1個分類器，即設計一種映射函數將實例空間的實例映射到類別空間的某個或某些類標簽［3］.通過分類器的映射，完成面向特定需求的數據分類，為數據的后期處理提供基礎.

在本文的具體應用中，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，實現對畸變圖像的檢測過濾.

要完成圖像分類器的構造，首先需要根據二維圖像數據的特點，選擇分類器模型，建立圖像數據與分類條件表之間的映射關系，并進行分類推理，創建分類條件概率表(CPTs)，從而完成分類器模型的構造.

1.1 分類器模型

當前有許多分類方法和技術可以用于分類器的構造和設計，如決策樹、神經網絡、支持向量機、貝葉斯網絡、K－最近鄰等［4－6］.由于貝葉斯分類方法具備堅實的數學理論基礎、綜合先驗信息和數據樣本信息的能力以及豐富的解釋表現能力，尤其適合于數據挖掘、故障診斷等領域，并得到廣泛應用［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 分類器構造

根據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作為映射函數完成圖像的分類.

采用灰度累計概率密度函數作為映射函數的優勢在于將二維圖像數據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資源.

首先將圖像灰度直方圖化，并根據直方圖數據得到概率密度、累計概率密度函數的值.其定義為:

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

令累計概率密度函數為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)區間內像素點占總像素的比率.

設一維向量f用于存放圖像的特征值，且f∈

RNf×1，Nf表示圖像類別數.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，即計算類結點的條件概率，對分類數據進行分類.根據實際經驗將圖像分為5類:壞黑圖像、良黑圖像，白圖像、噪聲圖像和可用圖像.設向量f的元素分別為fk，1≤k≤5，灰度級L為256.

根據特征值計算公式，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果的影響較大，需要在圖像預處理中通過各種濾波算法［10］、變換域法［11－12］、概率統計法［13－14］和偏微分方程法等技術將噪聲盡可能去除.

圖1是對幾種典型圖像的計算結果.

圖1 4種典型圖像及其對應的特征值

2 形變檢測

通過分類器的篩選，已經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.依據畸變圖像得到的位置估計必定會影響準直控制循環，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據至一維圖像特征轉換的思想，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，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驗值進行比較，若偏差在允許范圍Δe內即||≤Δe，則認為結果合格，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

二維圖像數據轉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)為坐標為(xj，yk)的像素點的灰度值.

根據圖像的畸變特點，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可通過坐標系變換的方法獲得，令新坐標為(x'，y')，將θ所對應的新坐標帶入x軸的形狀波形函數即可獲得當前角度θ時的形狀波形.

坐標變換公式為

采用此方法對良好圖像和剪切類畸變圖像進行檢測試驗，結果如圖4所示.

由結果可以看出，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內存的硬件配置.圖像采集設備采用自制CCD相機(分辨率1 280×1 024，1 000 M以太網接口，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

設定循環次數M=3，形狀檢測閾值E^=70，允許偏差Δe=6，比例因子S=2.

在實驗室模擬狀態下，對各種運行狀態的光斑圖像進行采集獲得相關實驗數據.

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

表2 測試樣本類別及數目

經實驗，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 識別率統計 %

實驗結果表明: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，準直循環不再對非正常圖像進行中心點計算及運動驅動，避免了非正常圖像對準直過程的干擾，使得準直過程中準直大循環的次數大幅減少.同時能夠根據非正常圖像的特征準確的判定故障原因.

4 結論

1)經過實驗測試，使用累計概率密度函數能夠較好的完成對圖像特征的提取，構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據，有效減少了準直循環次數，極大提高了準直效率.

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

［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.數據挖掘－概念與技術［M］.第2版.范明，孟小峰譯.北京:機械工業出版社，2006:70－75.

［3］范敏，石為人.層次樸素貝葉斯分類器構造算法及應用研究［J］.儀器儀表學報，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，FEELDERS 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.數據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.貝葉斯優化算法的發展綜述［J］.計算機工程與設計，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，FADILI 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.