CC BY
39
УДК 621.384.3
А.Н. Малов, А.Н. Онацкий
Цифровая регистрация и обработка лазерных изображений
Рассмотрен способ построения пространства признаков для анализа шероховатых поверхностей по их лазерным спекл-изображениям. Способ основан на нелинейной регистрации монохроматического лазерного изображения цветной ПЗС-матрицей. Ключевые слова: лазер, изображение, ПЗС-матрица, корреляция, сенситометрия, спекл, фильтрация, пространство признаков, спектр.
Коммерчески доступные для различных применений ПЗС-матрицы, устанавливаемые в веб-камерах и цифровых фотоаппаратах, обычно предназначены для получения цветных (в RGB-стандарте) цифровых изображений. Сенситометрические параметры фоторегистратора обычно представляются в виде характеристической кривой (кривой ХиД), и для ПЗС-матрицы они имеют вид, показанный на рис. 1.
В современных ПЗС-матрицах цвето- -О деление на RGB-компоненты выполняется с помощью пленочных фильтров. имеющих остаточное светопропускание на «чужих» компонентах. Поэтому регистрация монохромного лазерного, например красного, изображения обеспечивает «засветку» зеленых и голубых цифровых компонент [1]. Поэтому применение ПЗС-матриц в лазерных системах требует анализа их сенситометрических характеристик. Другой особенностью цифровой регистрации лазерных интерферограмм и спекл-картин являются высокая яркость и контрастность изображения, проявляющиеся в эффекте блюминга (расплывание изображения) и засвечивании соседних (чужих по цвету) субпикселей.
На рис. 2 приведены примеры изображений и их RGB-гистограммы при равномерной засветке матрицы полупроводниковым лазерным диодом. Очевидно, что разные экспозиционные режимы будут обусловливать неодинаковое изменение сенситометрических параметров для каждого из цветовых компонентов (что, впрочем, характерно и для цветных фотоэмульсий). Можно отметить, что подобные вариации сенситометрических параметров при изменении экспозиции аналогичны вариациям кривой ХиД в классической фотографии при изменении времени проявления или химического состава проявителя [2].
H
Рис. 1. Характеристические кривые ПЗС матрицы для RGB-компонентов. D - соответствует оптической плотности фотографического изображения, И - энергия экспозиции
Рис. 2. RGB-гистограммы равномерной засветки ПЗС-матрицы при различных временах экспозиции
Конкретная геометрическая структура ПЗС-матрицы и ее цветоделительных фильтров обусловливает также зависимость RGB-гистограмм регистрируемого цифрового изображения от пространственной частоты (угла падения на матрицу) оптического изображения.
При регистрации когерентных изображений также возникают различные интерференционные структуры из-за переотражений на элементах конструкции матрицы, что также влияет на величину сигнала от фотоэлементов, и, как следствие, на сенситометрические характеристики. Таким образом, при использовании данной конкретной матрицы в лазерных измерительных системах необходимо знать (измерять перед использованием) ее сенситометрические параметры для условий применяемой оптической схемы.
В случае применения ПЗС-матриц для анализа спекл-изображений, являющихся по своей природе разновидностью шума, использование компьютерных структурных методов распознавания не всегда эффективно. Если для первичной обработки лазерных спекл-изображений шероховатых объектов использовать нелинейные свойства цветной ПЗС-матрицы, то при компьютерном анализе по синим и зеленым RGB-компонентам можно построить пространство признаков - рассчитать центральные статистические моменты гистограмм распределения яркости в цветовых плоскостях. Для распознавания спекл-изображений с наименьшей вероятностью ошибки необходимо анализировать не только статистические характеристики, но и спектральные - наилучший результат достигается при анализе как всех трех RGB-компонент, так и основного изображения.
На первом этапе выполняется пространственная фильтрация цветных изображений, которая заключается в повышении резкости с помощью линейного пространственного Лапласиан-фильтра (рис. 3).
Затем выполняется цветовая сегментация -выделение объектов на изображении RGB, цвет которых лежит в определенном диапазоне. Обладая некоторой репрезентативной выборкой векторов, имеющих интересующий цвет, определяется оценка «среднего» цвета, который необходимо выделить. Задача сегментации состоит в том, чтобы классифицировать каждый RGB-пиксель изображения и определить, принадлежит он выделенному «среднему» цветовому классу или нет. В результате сегментации получим бинарное изображение, характеризующее распределение «среднего» цвета. На рис. 4 представлены спекл-изображения и их сегментированные представления двух различных классов. Из рисунков видно, что визуальная похожесть исходных изображений достаточно велика, однако их сегментированные аналоги имеют текстуру различного характера. Подобный результат можно достичь только в случае наличия RGB-компонентов. Данный метод обладает адаптивными возможностями.
а б
Рис. 3. Исходное спекл-изображение (а) и результат Лаплас-фильтрации (б)
а б
Рис. 4. Спекл-изображения (слева) двух различных классов (а, б) и их сегментированные представления (справа)
Эта особенность позволяет применить корреляционные методы распознавания спекл-изображений по их сегментированным представлениям. Расчет двумерных коэффициентов корреляции для исходных изображений, принадлежащих различным классам, дает 0,84-0,93, а для соответствующих сегментированных - 0,32-0,46, что говорит о возможности выбора более широкой разделяющей границы между классами. Применяя корреляционный метод распознавания к цветовым плоскостям изображений различных классов (см. рис. 4) получим вектор К = [0,6740; 0,5041; 0,6070], а между изображениями одного
класса - К = [0,964; 0,8634; 0,967].
Дальнейший анализ спекл-изображений основан на изучении характеристик внутренней текстуры. Первый метод основан на статистических свойствах гистограмм яркости. Вектор признаков выглядит следующим образом:
Т = [т, ст, R, ц3> и, е], где т = ХыО^гР^г) - среднее значение; ст =л1стСТ2 - стандартное отклонение;
R = 1 -1/(1 + ст2) - гладкости; цз = Хы)1(;гг _т)3Р(2г) - третий момент; и = р2(2г) -
однородность; е ^Х^о Р(21 )1°^2 Р(21) - энтропия.
Спектральная мера текстуры основана на спектре Фурье, который идеально подходит для описания направленности присутствующих в изображении периодических или квазипериодических двумерных текстур, которые присущи спекл-изображениям. Для обнаружения спектральных признаков перейдем к полярным координатам, в которых спектральная функция выражается в виде S(r,6), где 6 и г - переменные в этой системе координат. Анализ функции вб (г) при фиксированном 6 дает представление о поведении спектра по направлению радиуса из начала координат, а исследуя вб (г) при фиксированном г , получаем поведение спектральной функции по окружности с центром в начале координат. Общее описание получается при интегрировании этих функций:
л Д0
Б(г) =Х вб (г), в(6) =Х (6),
6=0 г=1
где До - радиус круга с центром в начале координат. Результатом вычислений является пара значений [5(г),в(6)], для каждой точки спектра с координатами (г,6). Варьируя эти координаты, можно построить две одномерные функции в(г) и в(6) , описывающие текстуру всего изображения в терминах энергии спектра (рис. 5).
Из рис. 5 видно, что спектральные характеристики RGB-текстуры спекл-изображений различаются по расположению максимумов, форме и другим параметрам. Таким образом, формируется комплексный вектор признаков для дальнейшего распознавания спекл-изображений:
W = [Д, Т, Б(г), в(6)].
Рис. 5. Исходные изображения первого и второго классов - а; графики функций в(г) - б; графики функций в(6) - в соответственно для первого и второго классов
В дальнейшем, имея достаточный статистический материал, можно на основе данных интегральных преобразований спекл-картин сформировать поля признаков, позволяющие анализировать образцы разных классов и разделять их на группы внутри одного класса.
Таким образом, использование ПЗС в оптоэлектронных системах требует специальной сенситометрической аттестации различных типов ПЗС-матриц. При этом возникает возможность управления характеристической кривой (ХК) и возможность построения пространства признаков в сочетании интегральных преобразований с нелинейной оптической фильтрацией цветной ПЗС-матрицы.
Литература
1. Малов А.Н. Сравнительные характеристики сенситометрических параметров фотоэмульсий и мозаичных фотоприемников / А.Н. Малов, А.Н. Онацкий // Физика: Фундаментальные и прикладные исследования, образование. - Благовещенск: Амурский гос. ун-т, 2009. - С. 296-300.
2. Зернов В.А. Фотографическая сенситометрия. - М.: Искусство, 1980. - 351 с.
Малов Александр Николаевич
Д-р физ.-мат. наук, проф. каф. электроники твёрдого тела Иркутского государственного университета (ИрГУ) Тел.: (395-2) 22-99-53 Эл. почта: cohol2007@yandex.ru
Онацкий Александр Николаевич
Канд. техн. наук, доцент, зам. директора средней школы № 76 г. Иркутска, докторант каф. электроники твёрдого тела ИрГУ Тел.: (395-2) 50-62-62 Эл. почта: on62@yandex.ru
Malov A.N., Onatsky A.N.
Digital registration and processing of laser images
A technique of indication space construction for analysis of the rough surfaces by means of their laser speckle-images is considered. The technique is based on the nonlinear registration of monochromic laser image with the use of color CCD-matrix.
Keywords: laser, image, CCD- matrix, correlation, sensitometry, speckle filtration, indication space, spectrum.
