基于圖像處理的光學瞄具故障診斷

吳韓飛，于正林，宋 慶，齊 凱

（長春理工大學機電工程學院，吉林 長春130022）

0 引言

隨著科學技術的不斷發展，光學瞄具的類型越來越多樣化，現在世界各國對光學瞄具的發展都很重視，軍用光學瞄具性能取決于其成像質量以及瞄準和測量的精度。光學瞄具的故障主要體現在成像質量下降和圖像能量變化2類，共4種故障：黑斑、亮點、閃光和忽明忽暗［1］，這不利于對目標像的判別。因而必須對其進行嚴格檢測，傳統的光學瞄具檢測一直沒有擺脫靠人眼觀察判斷的方法。這種檢測方法精度低、速度慢、主觀誤差大和檢測結果不能數字化顯示，直接影響產品的生產成本和成品質量。隨著數字圖像處理技術的不斷發展以及模式識別技術的廣泛應用，結合數字圖像處理技術、模式識別技術、CCD技術和現代光電子技術，提出一種新的光學瞄具故障診斷方法，利用數字圖像處理手段，識別光學瞄具的故障，并根據模式識別理論給出故障的種類特征。基于數字圖像法光學瞄具故障診斷，實現對微光瞄準鏡各種光學和光電性能參數的準確、快速、簡便、高效的測試，適應新武器和高科技工程對光學和光電性能參數測試的需求。

1 檢測系統組成及工作原理

系統可以完成實時采集、故障判斷與分類功能。能同時攝取和處理4路視頻圖像，通過圖像處理，自動判別、提取圖像故障（黑斑、亮點、閃光和忽明忽暗）。系統軟件主要由獲取標準圖像、圖像采集和圖像故障判斷等模塊組成。工作流程如圖1所示。

圖1 圖像采集與處理計算機軟件流程

故障診斷系統如圖2所示。整個系統裝置由4臺CCD相機、圖像采集卡和計算機系統組成。分為成像和識別2個主要部分。有光、電、熱應力系統為被測微光瞄準鏡提供需要的微光環境，被測瞄準鏡成像在該像增強器的熒光屏上，由被試瞄準鏡出瞳處的CCD攝像機監測其工作狀況，并經圖像采集把圖像信息送給計算機，進行識別和處理，實現對微光瞄準鏡故障的自動判別。

圖2 微光瞄具故障診斷系統結構

2 故障的自動檢測和識別

光學瞄具圖片由瞄具出瞳處的CCD相機攝取，并將其存儲在計算機的數據緩沖區，然后對灰度圖像進行預處理，主要包括去噪、閾值分割、圖像二值化和圖像復原等。之后再應用故障識別算法，將各種故障一一檢出并提取。根據以上的理論，光學瞄具識別過程如圖3所示。

圖3 光學瞄具故障識別過程

2.1 圖像預處理

2.1.1 平滑處理

圖像平滑處理主要目的是去除噪聲干擾。實驗在獲取圖像過程中由于采集設備本身受到外界干擾（震動、不穩定的電磁信號等）使得拍攝的圖像中部分像素點發生畸變最終形成離散的點噪聲，這種噪聲的特點是分布無規律，但每個噪聲面積較小，一般是由1個或幾個像素點構成。這種噪聲稱為離散點噪聲，中值濾波器對處理這類脈沖噪聲非常有效。

中值濾波［2］是一種非線性數字濾波器技術，它將圖像中每個像素值的灰度值用其相鄰像素的灰度中值代替。中值濾波原理如圖4所示。

圖4 中值濾波原理

圖4所示的3×3的方格中，每一個方格中的數值代表1個像素點的灰度值。使用中值濾波時，窗口正中間小方格的灰度值將是運算的目標，而周圍的其余8個方格就是定義中所提到的“鄰域窗口”。首先，將這9個數進行排序，得到下面的灰度值序列：3，6，7，9，12，18，32，45。至于是升序排列還是降序排列，對于中值濾波器沒有任何影響，因為需要的是序列正中間的數值。排序以后，選擇序列的中間值，即12，它將作為中間方格的新灰度值替換掉原來的6，其他點灰度值不變。

2.1.2 開操作

開操作［3］是由腐蝕操作和膨脹操作組成，先腐蝕后膨脹稱為開操作。腐蝕和膨脹這2種操作是形態學處理的基礎，去除無用部分，簡化圖形的數據結構。設二值圖像F，結構元素為B，B′代表B關于原點（0，0）對稱的結構元素。圖像F被結構元素膨脹的定義為：

腐蝕的定義為：

膨脹的作用是使孔洞收縮，目標擴大，對消除圖像目標中的小顆粒噪聲和填補凹陷是非常有效的；腐蝕的作用是目標收縮，孔洞擴大，對消除圖像小顆粒噪聲和目標間的粘連非常的有效。由于圖像中存在噪聲斑，噪聲斑形成原因與表現形式與離散點噪聲相類似，不同的是噪聲斑與點噪聲相比一般規模較大，但是數量較少。在濾噪時噪聲斑濾除的難度要比點噪聲大。開操作可以有效地去除噪聲斑的影響。開操作經常用于去除較小的明亮細節，同時相對地保持整體的灰度級和較大的明亮區域不變；開操作的最終結果是除去或減少人為亮和暗的因素或噪聲。

2.1.3 圖像分割及二值化

在圖像的特征提取過程中需要對圖像進行二值分析來獲取圖像的集合特征。圖像閾值化分割［4］是一種最常用，同時也是最簡單的圖像分割方法，它特別適用于目標和背景占據不同灰度級范圍的圖像。閾值分割法是一種基于區域的圖像分割技術，其基本原理是，通過設定不同的特征閾值，把圖像像素點分為若干類。

設原始圖像f（x，y），以一定的準則在f（x，y）中找出一個合適的灰度值作為閾值t，則按上述方法分割后的圖像g（x，y）為：

由此可見，閾值的選取至關重要。系統選用模糊閾值分割算法［5］。其基本思想是，先將一幅圖像看做一個模糊點陣，然后通過計算圖像的模糊率和模糊熵來確定最佳閾值。

將一幅M×N大小，具有L個灰度級的數字圖像X看作為一個模糊點陣，μ定義為該L個灰度級熵的資格函數，像素（m，n）灰度值為xm，n。根據信息論的基本理論，可得到圖像X的模糊率V（x）和模糊熵E（x）為：

其中，香濃函數定義為：

在模糊閾值算法中，以模糊率V（x）進行閾值選擇，采用模糊熵E（x）也得到同樣的結論。模糊集理論較好地描述了人類視覺中的模糊性和隨機性，因此，在圖像閾值化領域中受到廣泛的關注。

2.1.4 圖像減法運算

對2幅圖像f（x，y）與h（x，y）進行減法運算［5］，即將這2幅圖像所有對應像素點的灰度值相減得：

圖像減法運算最主要的作用就是獲取2幅圖像的差異信息，用于消除背景，故障檢測。實驗中將被測圖像與標準圖像相減，將其與亮閾值圖像和暗閾值圖像比較進行故障識別。

2.1.5 圖像平均化

多幅圖像平均法是將獲取的同一景物多幅圖像相加去平均，以便消弱噪聲影響。設理想圖像f（x，y）所受到的噪聲η（x，y）為加性噪聲，M 幅有噪圖像經平均后得到：

多幅圖像取平均處理常用于攝像機的進圖中，實驗中由于環境的變化用于故障識別的標準圖像不唯一，故應用圖像平均法對多幅圖像取平均得到標準圖像。

3 圖像故障的識別及故障特征提取

3.1 故障特征提取

特征提取目的就是要找出將各區域分開的特征，適當地選取特征是非常重要的，因為在識別對象時它是唯一的依據。這里主要是各區域的灰度不同，圖像中故障部分的灰度與背景灰度有明顯的差別。依據故障像素點的個數來對各個故障進行識別和分類，即

M為測量窗口中像素點總數；N（a，b）表示故障像素點的個數。

3.2 故障模式識別

圖像故障的識別采用模板匹配識別法。模板匹配即拿采集到的圖像與已知的暗閾值圖像和亮閾值圖像去對比。

系統采用高速模板匹配方法SSDA法［6］，計算圖像f（x，y）在像素（μ，v）的非相似度m（μ，v）作為匹配尺度。（μ，v）表示的不是模板與圖像重合部分的中心坐標，而是重合部分左上角的像素坐標。模板的大小為n×m。

如果在圖像（μ，v）處有和模板一致的圖案，則m（μ，v）值很小，相反則較大。由于m（μ，v）只是加減運算，而且這一計算在大多數位置中途便停止了，因此，能大幅度的縮短計算時間，提高匹配速度。

4 結果分析

4.1 主要技術指標

a.亮點。比標準圖像平均亮度≥25%。

b.黑斑。目鏡出瞳處視角≥8，比標準圖像平均亮度≤25%。

c.閃光。與標準圖像平均亮度差≥25%，閃光頻率≤6次／s。

d.忽明忽暗。平均全視場亮度與標準圖像亮度變化≥25%，變化頻率≤6次／s。

4.2 實驗結果分析

實驗中采集的光學瞄具原始圖像如圖5a所示。對圖像進行處理過程分別如圖5b～5f所示。

圖5 圖像處理過程

5 結束語

基于圖像處理和模式識別理論開發的光學瞄具故障檢測系統，準確有效地實現了光學瞄具故障模式的識別與診斷。故障診斷系統檢測精度高，準確性好，保證了光學瞄具的產品質量。另外自動化程度高，生產效率高，而且操作簡單可靠，價格低。利用計算機進行光學瞄具故障檢測，除具有檢測速度快和檢測準確等特點外，還具有生產數據統計和故障圖片存檔等強大輔助功能，能適應新武器和高科技工程對光學和光電性能參數測試的需求。

［1］ 杜麗婷.槍用光學瞄準鏡可靠性實驗設備——光、電應力系統設計［D］.長春：長春理工大學，2002.

［2］ 丁亞軍，謝可夫.改進型中值濾波和形態學組合降噪方法［J］.計算機與現代化，2007，（2）：41－43.

［3］ Gonzalez R C，Woods R E，Eddins S L.數字圖像處理.2版［M］.阮秋琦，譯.北京：電子工業出版社，2014.

［4］ 劉小力.機器人視覺伺服系統的圖像處理和標定技術研究［D］.南京：東南大學，2006.

［5］ 陰國富.基于閾值法的圖像分割技術［J］.現代電子技術，2007，（23）：107－108.

［6］ 劉直芳，王運瓊，朱 敏.數字圖像處理與分析［M］.北京：清華大學出版社，2006.