一種新的光學(xué)元件表面劃痕檢測算法

馮凱萍+呂笑文+張麗文+楊耀雨+陳良奇+江曉亮

摘要：針對(duì)光學(xué)元件表面劃痕存在的對(duì)比度低、邊界模糊等問題，提出一種基于局部熵的表面劃痕檢測方法。首先利用局部熵算法對(duì)光學(xué)元件表面缺陷進(jìn)行分割，然后結(jié)合區(qū)域填充、斷點(diǎn)連接等形態(tài)學(xué)操作對(duì)圖像進(jìn)行處理，從而得到完整連續(xù)的劃痕區(qū)域。實(shí)驗(yàn)結(jié)果證明，該算法能夠有效地識(shí)別弱劃痕，且在準(zhǔn)確性和分割效率方面有明顯的優(yōu)勢，可以滿足實(shí)際應(yīng)用的需要。

關(guān)鍵詞：光學(xué)元件；劃痕檢測；局部熵；圖像處理；形態(tài)學(xué)操作

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）01-0230-03

Abstract： Aiming at the problems of low contrast and fuzzy boundaries on the scratches of optical element surface， this paper proposed a detection method of surface scratches Based on local entropy. Firstly， the surface defects of optical element are segmented by local entropy algorithm. Then， the image is processed to get the full continuum of the scratch area by using morphological operations such as area filling， breakpoint connection. Experimental results demonstrate that the proposed method can effectively extract weak scratches and has obvious advantages in accuracy and segmentation efficiency， which can meet the needs of engineering practice.

Key words： optical element； scratch detection； local entropy； image processing； morphological operations

1 背景

在現(xiàn)實(shí)生活中，光學(xué)元件的應(yīng)用無處不在。大到航天、軍事、科學(xué)研究等精密儀器，小到眼鏡、手表、醫(yī)學(xué)、農(nóng)業(yè)等日常用品。無論光學(xué)元件應(yīng)用在哪個(gè)領(lǐng)域，其表面劃痕、麻點(diǎn)、破邊等[1]各種疵病，如圖1所示，它們所引起的衍射和散射都將嚴(yán)重降低光學(xué)系統(tǒng)的性能。為此，對(duì)光學(xué)元件表面疵病檢測技術(shù)的研究顯得尤為重要[2-3]。

現(xiàn)如今，國內(nèi)外有較多方法可以進(jìn)行精密光學(xué)元件表面疵病的檢測，主要包括目視法[4-5]、成像法[6-7]等。其中最基本、最常用的是目視法，但這種方法的缺點(diǎn)也是顯而易見的，主要包括：對(duì)觀察者的知識(shí)結(jié)構(gòu)和實(shí)踐經(jīng)驗(yàn)水平要求較高，而且無法量化疵病等級(jí)、費(fèi)時(shí)費(fèi)力、勞動(dòng)強(qiáng)度較大。

為了有效地提取光學(xué)元件的表面劃痕，提出一種基于局部熵的劃痕邊緣檢測方法。通過實(shí)驗(yàn)表明，該方法受光照不均的影響較小，處理速度較快，具有重要的理論價(jià)值與實(shí)際應(yīng)用背景。

2 局部熵算法

1948年，Shannon[8]首先提出了熵的概念，它的描述如下：設(shè)某個(gè)概率系統(tǒng)中有個(gè)事件，第個(gè)事件發(fā)生的概率是，則信息熵可被定義成：

在任一灰度圖像中，不同的像素點(diǎn)擁有不同灰度值，如果把信息熵理論引入到圖像處理算法中，即將圖像看成是一段信息的話，那么其中的像素點(diǎn)就是一個(gè)信息，灰度就是信息的不確定性。于是，可以利用信息熵計(jì)算出整幅圖像的灰度的分布，進(jìn)而對(duì)圖像進(jìn)行識(shí)別、分析或分割。

假設(shè)對(duì)于一幅圖像，圖像域中的每一個(gè)點(diǎn)都存在一個(gè)半徑為的鄰域。根據(jù)熵的定義，給出圖像局部熵的表達(dá)式如下[9]：

其中，是以為中心的一個(gè)鄰域，是鄰域中的像素，為鄰域像素灰度級(jí)的分布函數(shù)，則可以表示為：

根據(jù)香農(nóng)信息熵的定義，在圖像局部區(qū)域內(nèi)灰度值接近的地方（即同質(zhì)區(qū)域），熵值比較小；相反，在圖像邊緣或者噪聲區(qū)域時(shí)，由于灰度值變化較大，熵的值也很大。

3 基于局部熵的劃痕檢測算法

基于局部熵的劃痕檢測算法的基本流程是：首先利用局部熵算法對(duì)缺陷圖像進(jìn)行處理，然后結(jié)合二值化、斷點(diǎn)連接、區(qū)域填充等形態(tài)學(xué)操，從而來得到完整的劃痕區(qū)域。

3.1 局部熵檢測

如圖2所示，（a）為利用疵病檢測系統(tǒng)所采集的原始圖像數(shù)據(jù)，（b）是局部熵檢測結(jié)果。從圖中可以發(fā)現(xiàn)，局部熵能夠精確地找到目標(biāo)與背景之間的灰度變化邊界，即在局部熵的空間下，圖像具有明顯的背景和前景。通過局部熵操作，圖像中劃痕與背景之間的灰度差值進(jìn)一步擴(kuò)大。

3.2 二值化處理

為了更好地體現(xiàn)出劃痕的特性，需要對(duì)檢測結(jié)果進(jìn)行二值化操作[10，11]，從而得到需要顯示的那個(gè)部分，其結(jié)果如圖3所示。經(jīng)二值化處理之后劃痕等缺陷的特征更加明顯，但部分劃痕出現(xiàn)不同程度的斷裂，且在圖像中存在一些干擾因素，如灰塵、噪音等。

3.3 形態(tài)學(xué)操作

劃痕邊緣的斷裂會(huì)在一定程度上影響劃痕的精度等級(jí)，需要進(jìn)行膨脹、細(xì)化等形態(tài)學(xué)操作[12-14]，從而消除目標(biāo)不連續(xù)問題；而處理后的劃痕內(nèi)部仍然存在少數(shù)空洞，因此要利用MATLAB中的imfill函數(shù)進(jìn)行區(qū)域填充，處理后的結(jié)果如圖4所示。

3.4 去除小面

從圖4中可以發(fā)現(xiàn)，形態(tài)學(xué)操作后的圖像中存在許多白點(diǎn)，因此需要進(jìn)行去除小面積操作，其目的是為了除去灰塵、過小麻點(diǎn)（直徑小于5微米的可忽略不計(jì)）等部分干擾[15]，得到獨(dú)立的疵病信息，處理后的結(jié)果如圖5所示。endprint

3.5 剔除麻點(diǎn)

國標(biāo)中規(guī)定，長寬比大于4：1的為劃痕，小于4：1的即為麻點(diǎn)。為了提取劃痕的參數(shù)信息，首先需將連通區(qū)域進(jìn)行標(biāo)記，然后利用外接矩形的尺寸來表達(dá)它的基本形狀，如圖6所示。通過計(jì)算連通區(qū)域的長寬比來得到連通區(qū)域的各個(gè)參數(shù)，具體表達(dá)式為[16，17]：

式中，表示長寬比的值，和分別為連通區(qū)域外接矩形的長度與寬度。

根據(jù)麻點(diǎn)的形態(tài)特點(diǎn)，濾去圖像中長寬比小于4：1的區(qū)域，從而獲取獨(dú)立的劃痕缺陷信息，其處理結(jié)果如圖7所示。

從圖中可以看出，雖然劃痕與周圍鄰域的對(duì)比度不明顯，本文算法也能夠有效地提取劃痕所在的區(qū)域，且與專家觀測得到的結(jié)果非常接近。從時(shí)間上看，專家在高倍鏡下觀測疵病等級(jí)耗時(shí)較長（平均在30min左右），且無法量化疵病等級(jí)、費(fèi)時(shí)費(fèi)力、勞動(dòng)強(qiáng)度較大。而本文算法處理一張圖像所需要的時(shí)間約0.5s（若采用VC+多線程，運(yùn)行速度更快）。故本文所提出算法在精度和效率上都有一定的優(yōu)勢，便于實(shí)現(xiàn)工程應(yīng)用。

4 結(jié)束語

本文以光學(xué)元件表面圖像為對(duì)象，針對(duì)劃痕存在的對(duì)比度低、邊界模糊等問題，提出一種基于局部熵的表面劃痕檢測方法。該方法能夠有效地識(shí)別弱劃痕，受光照不均的影響較小。然而，對(duì)于曲率半徑較大的光學(xué)元件有一定的局限性，會(huì)對(duì)劃痕的檢測結(jié)果產(chǎn)生影響，這些問題仍需做更深一步的研究。

參考文獻(xiàn)：

[1] 光學(xué)零件表面疵病： GB/T 1185-2006 [S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2006.

[2] 蘇森. 大口徑光學(xué)元件表面疵病檢測[D]. 綿陽： 西南科技大學(xué)， 2017.

[3] 王蘭， 呂昊. 基于數(shù)字圖像的光學(xué)元件表面缺陷檢測[J]. 激光雜志， 2017， 38（1）：47-50.

[4] 趙麗敏. 基于機(jī)器視覺的表面缺陷定量檢測技術(shù)研究[D]. 杭州： 浙江大學(xué)， 2016.

[5] 王璠璟， 肖文， 潘鋒， 等. 光學(xué)元件表面的數(shù)字全息在線檢測[J]. 光學(xué)精密工程， 2012， 20（6）：1182-1187.

[6] Conder A， Chang J， et al. Final optics damage inspection （FODI） for the national ignition facility [J]. Optics & Photonics for Information Processing IV， 2010， 7797（1）：125-131.

[7] 王世通， 楊甬英， 趙麗敏， 等. 光學(xué)元件表面缺陷散射光成像數(shù)值模擬研究[J]. 中國激光， 2015， 42（7）：1-10.

[8] Shannon C. A Mathematical Theory of Communication[J]. The Bell System Technical Journal， 1948， 27： 379-423.

[9] Jiang X， Li B， Yuan J， Wu X. Active contour driven by local Gaussian distribution fitting and local signed difference Based on local entropy [J]. International Journal of Pattern Recognition and Artificial Intelligence. 2016， 30（3）：1655011.

[10] 張萬緒， 孟虹岐， 吳長忠， 等. 弱光背景下文本圖像二值化提取算法[J]. 西北大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2017， 47（2）：191-196.

[11] 潘梅森， 張奮， 雷超陽. 一種車牌號(hào)碼圖像二值化的新方法[J]. 計(jì)算機(jī)工程， 2008， 34（4）：209-211.

[12] 張博， 倪開灶， 王林軍， 等. 基于背景校正和圖像分割定量分析光學(xué)元件表面疵病的新算法[J]. 光學(xué)學(xué)報(bào)， 2016（9）：112-121.

[13] 于廣婷， 朱聰， 李柏林， 等. 光學(xué)圖像中一種新的邊界斷點(diǎn)連接方法[J]. 計(jì)算機(jī)應(yīng)用研究， 2014， 31（4）：1264-1266.

[14] Tao X， XU D， Zhang Z T， et al. Weak scratch detection and defect classification methods for a large aperture[J]. Optics Communications， 2017， 387： 390-400.

[15] 李璐， 楊甬英， 曹頻， 等. 大口徑光學(xué)元件表面灰塵與麻點(diǎn)自動(dòng)判別[J]. 強(qiáng)激光與粒子束， 2014， 26（1）：103-108.

[16] 朱聰， 于廣婷， 李柏林， 等. 一種新的精密光學(xué)鏡片表面疵病寬度測量方法[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2014， 31（12）：259-261.

[17] 陳少杰， 李柏林， 趙文川， 等. 一種快速魯棒的光學(xué)表面劃痕高精度檢測方法[J]. 激光技術(shù)， 2016， 40（3）：377-382.endprint