1.本技术涉及图像处理技术领域，尤其涉及一种光斑质量判别方法、装置、设备和存储介质。
背景技术：
2.由于激光具有定向发光、高度高、颜色纯、能量密度大、高相干性等特点，被广泛应用于医学、测量、通信等领域。而以激光为基础的医疗检测设备、激光切割设备、和光电通信电子设备等都对激光精度要求较高，因此，对激光光速的质量研究显得尤为重要。
3.现有的光斑检测方法通常采用对光斑图像进行分割获取光斑轮廓信息，然后提取光斑中心点坐标来验证光斑质量，在有背景光影响的情况下，难以准确提取光斑轮廓信息，从而影响光斑质量检测结果。
技术实现要素：
4.本技术提供了一种光斑质量判别方法、装置、设备和存储介质，用于改善现有技术在有背景光影响的情况下，难以准确提取光斑轮廓信息，从而影响光斑质量检测结果。
5.有鉴于此，本技术第一方面提供了一种光斑质量判别方法，包括：通过一组正常光斑图像获取正常光斑图像矩阵，通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵；对所述正常光斑图像矩阵进行分解，得到所述正常光斑图像矩阵的多层特征矩阵，并基于先验知识从所述多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵；将所述目标层特征矩阵作为先验约束构建基于先验约束的分解模型，并通过所述基于先验的分解模型对所述混合光斑图像矩阵进行分解，得到所述混合光斑图像矩阵的系数矩阵，所述系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系数；对所述系数矩阵中的系数进行聚类，将所述系数矩阵聚类成若干类别，并提取每个类别的聚类中心；计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离，通过距离判别各待检测光斑图像的质量。
6.可选的，所述基于先验约束的分解模型为：；式中，y为混合光斑图像矩阵，ui为混合光斑图像矩阵的第i层特征矩阵，l为混合光斑图像矩阵的特征矩阵总层数，v为混合光斑图像矩阵的系数矩阵，a为正常光斑图像矩阵的目标层特征矩阵，us为混合光斑图像矩阵的目标层特征矩阵，为约束参数。
7.可选的，所述计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离，通过距离判别各待检测光斑图像的质量，包括：
通过计算各类别下的各正常光斑图像对应的系数与对应类别的聚类中心的距离确定各类别的距离阈值；计算各类别下的各待检测光斑图像对应的系数与对应类别的聚类中心的距离；当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时，则判定该待检测光斑图像为正常光斑图像；当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时，则判定该待检测光斑图像为非正常光斑图像。
8.可选的，所述通过一组正常光斑图像获取正常光斑图像矩阵，通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵，包括：将一组正常光斑图像采用矩阵的方式进行表示并进行归一化处理，得到正常光斑图像矩阵；将该组正常光斑图像和一组待检测光斑图像采用矩阵的方式进行表示并进行归一化处理，得到混合光斑图像矩阵。
9.本技术第二方面提供了一种光斑质量判别装置，包括：获取单元，用于通过一组正常光斑图像获取正常光斑图像矩阵，通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵；第一分解单元，用于对所述正常光斑图像矩阵进行分解，得到所述正常光斑图像矩阵的多层特征矩阵，并基于先验知识从所述多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵；第二分解单元，用于将所述目标层特征矩阵作为先验约束构建基于先验约束的分解模型，并通过所述基于先验的分解模型对所述混合光斑图像矩阵进行分解，得到所述混合光斑图像矩阵的系数矩阵，所述系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系数；聚类单元，用于对所述系数矩阵中的系数进行聚类，将所述系数矩阵聚类成若干类别，并提取每个类别的聚类中心；判别单元，用于计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离，通过距离判别各待检测光斑图像的质量。
10.可选的，所述基于先验约束的分解模型为：；式中，y为混合光斑图像矩阵，ui为混合光斑图像矩阵的第i层特征矩阵，l为混合光斑图像矩阵的特征矩阵总层数，v为混合光斑图像矩阵的系数矩阵，a为正常光斑图像矩阵的目标层特征矩阵，us为混合光斑图像矩阵的目标层特征矩阵，为约束参数。
11.可选的，所述判别单元具体用于：通过计算各类别下的各正常光斑图像对应的系数与对应类别的聚类中心的距离确定各类别的距离阈值；计算各类别下的各待检测光斑图像对应的系数与对应类别的聚类中心的距离；
当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时，则判定该待检测光斑图像为正常光斑图像；当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时，则判定该待检测光斑图像为非正常光斑图像。
12.可选的，所述获取单元具体用于：将一组正常光斑图像采用矩阵的方式进行表示并进行归一化处理，得到正常光斑图像矩阵；将一组正常光斑图像和一组待检测光斑图像采用矩阵的方式进行表示并进行归一化处理，得到混合光斑图像矩阵。
13.本技术第三方面提供了一种光斑质量判别设备，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的光斑质量判别方法。
14.本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码被处理器执行时实现第一方面任一种所述的光斑质量判别方法。
15.从以上技术方案可以看出，本技术具有以下优点：本技术提供了一种光斑质量判别方法，包括：通过一组正常光斑图像获取正常光斑图像矩阵，通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵；对正常光斑图像矩阵进行分解，得到正常光斑图像矩阵的多层特征矩阵，并基于先验知识从多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵；将目标层特征矩阵作为先验约束构建基于先验约束的分解模型，并通过基于先验的分解模型对混合光斑图像矩阵进行分解，得到混合光斑图像矩阵的系数矩阵，系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系数；对系数矩阵中的系数进行聚类，将系数矩阵聚类成若干类别，并提取每个类别的聚类中心；计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离，通过距离判别各待检测光斑图像的质量。
16.本技术中，通过对正常光斑图像矩阵进行分解来获取具有光斑纹理特征的目标层特征矩阵，然后将正常光斑图像矩阵的目标层特征矩阵作为先验约束来构建分解模型，以对混合光斑图像矩阵进行分解获取矩阵系数，通过对矩阵系数进行聚类来获取聚类中心，通过计算正常光斑图像对应的系数到聚类中心的距离来确定距离阈值，比较待检测光斑图像对应的系数到聚类中心的距离与距离阈值来判别待检测光斑图像的质量，无需对光斑图像进行分割处理，避免了因为背景光的影响导致难以准确提取光斑轮廓信息，改善了现有技术在有背景光影响的情况下，难以准确提取光斑轮廓信息，从而影响光斑质量检测结果。
附图说明
17.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
18.图1为本技术实施例提供的一种光斑质量判别方法的一个流程示意图；图2为本技术实施例提供的一种光斑质量判别装置的一个结构示意图。
具体实施方式
19.本技术提供了一种光斑质量判别方法、装置、设备和存储介质，用于改善现有技术在有背景光影响的情况下，难以准确提取光斑轮廓信息，从而影响光斑质量检测结果。
20.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
21.为了便于理解，请参阅图1，本技术实施例提供了一种光斑质量判别方法，包括：步骤101、通过一组正常光斑图像获取正常光斑图像矩阵，通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵。
22.读取一组正常光斑图像和一组待检测光斑图像，正常光斑图像和待检测光斑图像的大小一致，然后采用矩阵的方式对这一组正常光斑图像进行表示，再对其进行数值归一化，得到正常光斑图像矩阵x=[x
1t
,x
2t
,...,x
n1t
]
t
∈r
p
×
n1
，其中，n1为正常光斑图像的数量，x
n1
为第n1幅正常光斑图像，p为一副光斑图像的特征维度，r表示实数域，t表示矩阵的转置。采用矩阵的方式对这一组正常光斑图像和一组待检测光斑图像进行矩阵表示，然后对其进行数值归一化，得到混合光斑图像矩阵y=[y
1t
,y
2t
,...,y
mt
]∈r
p
×m，ym为第m幅光斑图像，该光斑图像为正常光斑图像或待检测光斑图像，m为正常光斑图像和待检测光斑图像的总数量，m=n1+n2，n2为待检测光斑图像的数量。
[0023]
步骤102、对正常光斑图像矩阵进行分解，得到正常光斑图像矩阵的多层特征矩阵，并基于先验知识从多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵。
[0024]
对正常光斑图像矩阵进行分解，得到正常光斑图像矩阵的多层特征矩阵，具体可以采用如下分解模型进行分解，即：；式中，为第i层特征矩阵，为分解后的系数矩阵，l为特征矩阵总层数，k0=p。
[0025]
由于wi是多层次的更新，为了更好的表达，令，，分解时，求解分解模型获得的特征矩阵wi和系数矩阵hi的更新公式为：；
；在求解得到正常光斑图像矩阵的多层特征矩阵后，通过分析多层特征矩阵，从中选取具有光斑纹理特征的特征矩阵ws，ws为第s层的特征矩阵，s=1,2,...l，将其作为目标层特征矩阵a，即a=ws。
[0026]
步骤103、将目标层特征矩阵作为先验约束构建基于先验约束的分解模型，并通过基于先验的分解模型对混合光斑图像矩阵进行分解，得到混合光斑图像矩阵的系数矩阵。
[0027]
将前述分解得到的目标层特征矩阵a作为先验约束引入上述分解模型，得到基于先验约束的分解模型，目标层特征矩阵a用于约束混合光斑图像对应的第s层特征矩阵，即混合光斑图像矩阵的目标层特征矩阵。基于先验约束的分解模型为：；式中，y为混合光斑图像矩阵，ui为混合光斑图像矩阵的第i层特征矩阵，l为混合光斑图像矩阵的特征矩阵总层数，v为混合光斑图像矩阵的系数矩阵，a为正常光斑图像矩阵的目标层特征矩阵，us为混合光斑图像矩阵的目标层特征矩阵，为frobenius范数，为约束参数，在0~1之间取值。
[0028]
在对混合光斑图像矩阵y进行分解时，可以利用聚类方法（如k-means）来初始化特征矩阵ui和系数矩阵v，经过迭代更新，最终获得混合光斑图像矩阵的系数矩阵v。从已知的正常光斑图像矩阵分解获取的目标层特征矩阵a作为约束，通过对混合光斑图像中所需求的特征层us进行约束，从而引导混合光斑图像矩阵进行分解。在更新公式中，约束项并不一定是作用于全部的特征层，为了更好的表达，令，。
[0029]
结合以上限定条件，基于先验约束的分解模型的更新公式为：通过基于先验约束的分解模型获得系数矩阵v的更新公式始终为：；而在进行特征矩阵ui的迭代过程中，根据作为先验约束的目标层特征矩阵a可以获知，在i=s时的更新公式为：；由于本技术实施例中的约束是针对目标层的特征矩阵，因此，对于未约束的特征矩阵的更新公式与上述分解模型一样，更新公式为：；
经过多次迭代更新，最终获得系数矩阵v，系数矩阵v中的系数包括正常光斑图像对应的系数和待检测光斑图像对应的系数。
[0030]
本技术实施例，将正常光斑图像矩阵的目标层特征矩阵作为约束引入混合光斑图像矩阵的分解模型中，使得先的分解模型在处理混合光斑图像矩阵时，对特定的纹理特征进行约束，从而指导混合光斑图像矩阵的分解过程，以获取所需结果。
[0031]
步骤104、对系数矩阵中的系数进行聚类，将系数矩阵聚类成若干类别，并提取每个类别的聚类中心。
[0032]
对求解得到的混合光斑图像矩阵的系数矩阵v中的系数进行聚类，将系数矩阵v聚成k类，并获取每个类别的聚类中心，k》0。具体采用何种聚类方式在此不做具体限定。
[0033]
步骤105、计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离，通过距离判别各待检测光斑图像的质量。
[0034]
计算各类别下的各正常光斑图像对应的系数与该类别的聚类中心的距离（如欧氏距离），通过各类别下的各正常光斑图像对应的系数与该类别的聚类中心的距离确定各类别的距离阈值，可以将各类别下的正常光斑图像对应的系数与对应的聚类中心的最大距离作为各类别的距离预置。计算各类别下的各待检测光斑图像对应的系数与各类别的聚类中心的距离；当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时，则判定该待检测光斑图像为正常光斑图像；当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时，则判定该待检测光斑图像为非正常光斑图像。
[0035]
本技术实施例中，通过对正常光斑图像矩阵进行分解来获取具有光斑纹理特征的目标层特征矩阵，然后将正常光斑图像矩阵的目标层特征矩阵作为先验约束来构建分解模型，以对混合光斑图像矩阵进行分解获取矩阵系数，通过对矩阵系数进行聚类来获取聚类中心，通过计算正常光斑图像对应的系数到聚类中心的距离来确定距离阈值，比较待检测光斑图像对应的系数到聚类中心的距离与距离阈值来判别待检测光斑图像的质量，无需对光斑图像进行分割处理，避免了因为背景光的影响导致难以准确提取光斑轮廓信息，改善了现有技术在有背景光影响的情况下，难以准确提取光斑轮廓信息，从而影响光斑质量检测结果。
[0036]
以上为本技术提供的一种光斑质量判别方法的一个实施例，以下为本技术提供的一种光斑质量判别装置的一个实施例。
[0037]
请参考图2，本技术实施例提供的一种光斑质量判别装置，包括：获取单元，用于通过一组正常光斑图像获取正常光斑图像矩阵，通过该组正常光斑图像和一组待检测光斑图像获取混合光斑图像矩阵；第一分解单元，用于对正常光斑图像矩阵进行分解，得到正常光斑图像矩阵的多层特征矩阵，并基于先验知识从多层特征矩阵中提取具有光斑纹理特征的目标层特征矩阵；第二分解单元，用于将目标层特征矩阵作为先验约束构建基于先验约束的分解模型，并通过基于先验的分解模型对混合光斑图像矩阵进行分解，得到混合光斑图像矩阵的系数矩阵，系数矩阵中的系数包括待检测光斑图像对应的系数和正常光斑图像对应的系
数；聚类单元，用于对系数矩阵中的系数进行聚类，将系数矩阵聚类成若干类别，并提取每个类别的聚类中心；判别单元，用于计算各类别下的各待检测光斑图像对应的系数、各正常光斑图像对应的系数与对应的聚类中心的距离，通过距离判别各待检测光斑图像的质量。
[0038]
作为进一步地改进，基于先验约束的分解模型为：；式中，y为混合光斑图像矩阵，ui为混合光斑图像矩阵的第i层特征矩阵，l为混合光斑图像矩阵的特征矩阵总层数，v为混合光斑图像矩阵的系数矩阵，a为正常光斑图像矩阵的目标层特征矩阵，us为混合光斑图像矩阵的目标层特征矩阵，为约束参数。
[0039]
可选的，判别单元具体用于：通过计算各类别下的各正常光斑图像对应的系数与对应类别的聚类中心的距离确定各类别的距离阈值；计算各类别下的各待检测光斑图像对应的系数与对应类别的聚类中心的距离；当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离小于或等于该待检测光斑图像所在类别的距离阈值时，则判定该待检测光斑图像为正常光斑图像；当待检测光斑图像对应的系数与该待检测光斑图像所在类别的聚类中心的距离大于该待检测光斑图像所在类别的距离阈值时，则判定该待检测光斑图像为非正常光斑图像。
[0040]
可选的，获取单元具体用于：将一组正常光斑图像采用矩阵的方式进行表示并进行归一化处理，得到正常光斑图像矩阵；将该组正常光斑图像和一组待检测光斑图像采用矩阵的方式进行表示并进行归一化处理，得到混合光斑图像矩阵。
[0041]
本技术实施例中，通过对正常光斑图像矩阵进行分解来获取具有光斑纹理特征的目标层特征矩阵，然后将正常光斑图像矩阵的目标层特征矩阵作为先验约束来构建分解模型，以对混合光斑图像矩阵进行分解获取矩阵系数，通过对矩阵系数进行聚类来获取聚类中心，通过计算正常光斑图像对应的系数到聚类中心的距离来确定距离阈值，比较待检测光斑图像对应的系数到聚类中心的距离与距离阈值来判别待检测光斑图像的质量，无需对光斑图像进行分割处理，避免了因为背景光的影响导致难以准确提取光斑轮廓信息，改善了现有技术在有背景光影响的情况下，难以准确提取光斑轮廓信息，从而影响光斑质量检测结果。
[0042]
本技术实施例还提供了一种光斑质量判别设备，设备包括处理器以及存储器；存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码中的指令执行前述方法实施例中的光斑质量判别方法。
[0043]
本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码被处理器执行时实现前述方法实施例中的光斑质量判别方法。
[0044]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0045]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0046]
应当理解，在本技术中，“至少一个（项）”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a，b或c中的至少一项（个），可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0047]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0048]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0049]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0050]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（英文全称：read-only memory，英文缩写：rom）、随机存取存储器（英文全称：random access memory，英文缩写：ram）、磁碟或者光盘等各种可以存储程序代码的介质。
[0051]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前
述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。