基于光谱角度填图的纹影法远场测量焦斑自动重构方法与流程

本发明涉及一种纹影法远场测量焦斑重构方法。

背景技术：

神光iii主机装置参数测量综合诊断系统的目的是为了使用纹影法对高功率激光装置产生的远场焦斑分布进行测量[1]。当综合诊断快速自动准置系统完成光路的瞄准后，就可以在打靶阶段分别获得主瓣光斑和中心被精确遮挡的旁瓣，为最终高动态范围远场焦斑的测量提供了重要保障。激光参数综合诊断系统是一个多功能、高精度的激光参数诊断系统，主要功能是在装置运行的发射期间，完成激光束能量、近场、远场、脉冲时间波形和光谱等参数的精密诊断，获得全面、精确的装置运行参数。高动态范围远场焦斑[2]是综合诊断系统对三倍频激光焦斑的重要测量点，也是大型激光装置参数诊断的难点，是高功率物理实验中迫切需要解决的关键技术。

由于综合诊断系统中远场焦斑测量所要求的动态范围高达1000:1，目前的单块探测器难以达到如此高的动态范围要求。因为打靶时能量高达10kj，如果不对光路进行大倍率衰减，则ccd完全饱和；如果衰减过大，虽然能够测到远场焦斑，但是焦斑底部全部被噪声淹没。因此，要实现完整光斑分布的测量，必须采用弱光取样、分束放大成像的探测方法，即纹影法[3]。纹影法是目前最流行的用来测量强激光远场焦斑分布的方法，即主瓣、旁瓣分开测量，用纹影小球挡光测旁瓣，主瓣放大，拼接实现高动态范围的焦斑测量的方法。

纹影法测量远场焦斑光路如图1所示。光束经过分光镜后分成两束，将纹影小球放在旁瓣光路的焦点位置以挡住光斑中心，旁瓣ccd得到的光斑是纹影小球周围的光斑信息，称为“旁瓣”。而将光束经过适当衰减，主瓣ccd得到的是没有遮挡的光斑，称为“主瓣”。再将一个望远镜系统和望远小球放在分光镜前的光路中，用来标定主瓣光强放大系数k和光斑放大系数b，最后通过对主瓣和旁瓣光斑的重构，得到焦斑相对强度的完整分布。

纹影法测量远场焦瓣存在两个难点：一是主瓣和旁瓣光路存在漂移，采集到的主瓣和旁瓣图像质量差，无法准确拼接；二是对于采用主瓣和旁瓣分开测量方法获得质量较好图像都是采用手工的方法进行拼接，没有自动的重构方法[4-6]，实验效率低。

技术实现要素：

为了通过综合诊断系统实现高动态范围激光焦斑的测量，提高远场焦斑的重构精度，本发明提出一种基于光谱角度填图的纹影法远场测量焦斑自动重构方法。

本发明的技术方案如下：

首先，使用最小二乘法来拟合旁斑图像的纹影小球中心，误差精度小于1个像素。

其次，对主瓣图像和旁瓣图像分别进行裁剪，新裁剪图像为大小300×300，分别记为cutzb和cutpb；再将主瓣裁减图像中扣除一个和纹影小球大小的圆后的图像cutzb’和旁瓣裁减图像cutpb分别转换成两个列向量；

然后，计算两个向量之间的光谱角度填图(sam)值，当两个向量相似性达到最大值时，则cutzb’图像的左上角位置为最佳匹配点；

最后，以最佳匹配点为参考，使用图像cutzb'和旁斑裁减图像cutpb对焦斑进行重构，并在最终的图像拼接过程中使用采用加权平均法对拼接边界进行融合。

本发明具有以下有益效果：

本发明能够提高动态范围远场焦斑测量的准确性和实现远场焦斑的自动重构。因为最佳匹配点是通过图像处理的方法而不是传统的基于手工拼接的方式来获得的，这个方法对于焦斑重构精度性不敏感，而能够获得较高的实验精度。

附图说明

图1为纹影测量远场焦斑示意图。

图2为本发明的处理流程图。

图3为原始光斑；其中，(a)主瓣图像，(b)旁瓣图像。

图4为第一次裁剪图像；其中，(a)主瓣裁减图像，(b)旁瓣裁减图像。

图5为计算旁瓣图像纹影小球中心的示意图；其中，(a)数字形态学方法处理旁瓣裁减图像，(b)使用sobel算子对二值化图像进行边缘检测，(c)首次拟合结果，(d)将拟合圆外的边缘点灰度值置为0后的二次拟合结果，(e)检测得到真正的纹影小球边缘和圆拟合结果，(f)将拟合得到的纹影小球圆心和半径显示在旁瓣图像中。

图6为搜寻纹影小球中心在主瓣图像中最佳匹配点的示意图；其中，(a)旁瓣裁减图像cutpb，(b)主瓣裁减图像cutzb，(c)主瓣扣除小球后最佳匹配图像，(d)旁瓣裁剪三维图像，(e)裁剪的主瓣三维图像，(f)主瓣扣除小球后最佳匹配三维图像。

图7为计算cutzb和cutpb的sam值的示意图；其中，(a)二次主瓣裁剪图像的裁剪区域，(b)找到最佳匹配点的主瓣裁剪和扣除小球的图。

图8为100×100内旁瓣cutpb和所有cutzb主瓣图像的sam值三维示意图。

图9为合并图像512×512；其中，(a)直接合并图像拉伸效果，(b)边界融合后图像拉伸效果，(c)最终三维重构图像。

图10为重构焦斑水平方向二维灰度曲线；其中，(a)原始曲线，(b)取log10后的曲线。

图11为拼接区域特征分析；其中，(a)拼接环的位置，(b)拼接特征区域，(c)三维重构图像。

图12为重构焦斑图像各参数间的相互关系示意图，其中，(a)k≈1，(b)k>>1。

图13为90dl计算结果。

具体实施方式

本发明是以纹影测量远场焦斑数学模型[2]为理论依据，并按照纹影法测量远场焦瓣的原理[3]选用了两台12位科学ccd分别采集主瓣光斑和中心遮挡的旁瓣光斑。首先，对主瓣图像和旁瓣图像分别进行裁剪，将主瓣裁减图像中扣除一个和纹影小球大小的圆后的图像cutzb’和旁瓣裁减图像cutpb分别转换成两个列向量；其次，计算两个向量之间的光谱角度填图(sam)值，当两个向量相似性达到最大值时，则cutzb’图像的左上角位置为最佳匹配点；最后，使用最小二乘法来拟合旁斑图像的纹影小球中心，误差精度小于1个像素；并在最终的图像拼接过程中使用采用加权平均法对拼接边界进行融合。实验结果表明，该方法能够实现高动态范围远场焦斑的精确测量和自动重构，对于纹理清晰的旁瓣图像的拼接误差小于1个像素，满足了打靶实验的对于实验精度和效率的要求，对于综合诊断系统获得全面、精确的装置运行参数具有十分重要的意义。

传统方法计算主斑和旁斑图像的最佳匹配点时采用自相关匹配法，每幅图像是使用矩阵方式进行运算，计算量较大。本发明提出基于光谱角映射的自动重构算法，其思想是将两个需要进行相关匹配的图像分别转换成两个列向量，然后通过计算两个向量之间的光谱角度填图(spectralangelmapping,sam)[7]值，即两个向量之间的角度值来判断两幅图像的相似性。两个向量之间的角度值计算用公式(1)表示

式中：vp——旁瓣裁减图像所生成的列向量，vz——主瓣裁减图像中心扣除一个同纹影小球大小的圆后并生成的列向量，n——裁减图像宽和高的乘积，也是向量包含的元素个数。

假设原始旁瓣表示为orgp,中心表示为(opx,opy),原始主瓣图像为orgz，中心表示为(ozx,ozy)，原始主瓣图像和旁瓣图像的尺寸都是512×512。裁减后的旁瓣图像用cutp表示，将纹影小球的中心正好处于旁瓣裁减图像cutp的中心，用(cpx,cpy)表示，实际值为(151,151),裁减后的主瓣裁减图像用cutz表示，裁减后的主瓣和旁瓣图像尺寸为300×300。设最佳匹配点的目标函数为：

f(m,l)＝min(sam(vz,vp))(2)

基于光谱角度填图的自动重构算法实现步骤如下：

1)获得旁瓣裁减图像cutp，在orgp图像中，以(opx,opy)为中心裁减尺寸为300*300的图像cutp＝orgp(opy-150:opy+150,opx-150:opx+150-1)。

2)获得纹影小球映射矩阵pc

然后将该矩阵转换为列向量，pc＝pc(:)，r为纹影小球半径。

3)从orgz图像中得到尺寸为300×300的主瓣裁减图像cutz＝orgz(ozy-150+m:ozy+150+m,ozx-150+l:ozx+150-1+l)，中心点位于(ozx+l,ozy+m)，其中l值的取值范围为-50≤l<50，m值的取值范围为-50≤m<50，l和m是相对于100×100矩形区域中心的坐标。

4)获得cutz图像矩阵的转置矩阵vz'＝cutz^t，将转置矩阵表示为列向量形式vz'＝vz'(:)，获得主瓣图像扣除纹影小球大小圆后的图像列向量表示形式vz＝vz'.*pc^t；获得cutp图像矩阵的转置矩阵vp＝cutp^t，将转置矩阵表示为列向量形式vp＝vp(:)。

5)计算向量vp和vz的sam值，即sam(vz,vp)。

6)重复3－4步骤，直到计算完矩形区域100×100所有m和l的值为止。

7)通过目标函数公式(2)获得最佳匹配点。

纹影自动重构算法包含几个重要的步骤：1)预处理；2)使用纹影法计算纹影小球中心；3)寻找纹影小球中心在主瓣光斑上的最佳匹配点；4)图像合并。这些步骤中，最重要的步骤是寻找纹影小球中心在主瓣光斑上的最佳匹配点。自动重构算法的数据处理流程图如图2所示。

1预处理

在对图像进行重构处理前，首先要对原始的主瓣和旁瓣图像分别减本底。其次，要对图像进行裁剪，因为在icf打靶实验时，不同类型ccd采集的图像尺寸不同，其中有大小1024×1024、12位的科学级ccd采集的图像和2048×2048、16位的科学级ccd采集的图像。图3为原始的主瓣和旁瓣图像。

因为主瓣和旁瓣光斑相对较小，通过裁剪可以减少搜寻纹影小球中心在主瓣上的最佳匹配点过程中的计算量。统一将主瓣和旁瓣图像裁剪为512×512尺寸的图像，分别记为orgzb和orgpb，尽量让主瓣和旁瓣光斑位于图像中心位置。第一次裁剪结果图4所示。

2计算纹影小球中心

为了计算纹影小球中心，首先使用sobel算子[8]获得纹影小球边缘,然后利用最小二乘法进行圆拟合，以提高拟合精度。

设目标函数表示为：

式中：n——参与拟合计算的特征点的个数。这是一个非线性最小二乘问题，当点o(x0,y0)在坐标原点附近时，常以式(2)代替：

假设所有边界的点个数为n,(xi,yi)为图像的边界坐标，拟合出的圆心坐标(x0,y0)和半径r的表达式为[9]：

式中：n——边缘点总数，(xi,yi)——旁瓣图像的边缘坐标，r——半径，(x0,y0)——纹影小球中心坐标；使用圆拟合公式获得的旁瓣图像中纹影小球中心和半径为(opx,opy)和okr,旁瓣图像中在纹影小球之内的像素值全部置为0。为了计算纹影小球半径，首先必须检测到纹影小球的真正边缘，本文使用反复迭代拟合的方法检测纹影小球的边缘，检测纹影小球真正边缘和计算纹影小球中心的步骤如下:

1)使用二值化和数字形态学方法处理旁瓣裁减图像[10],结果如图5(a)所示。

2)使用sobel算子检测旁瓣图像的边缘[8],结果如图5(b)所示。

3)使用图5(b)的边缘图像使用最小二乘法拟合圆心和半径，首次拟合结果如图5(c)所示，并统计灰度值等于255的像素点个数，记为allcount。

4)将处于拟合圆外的边缘点灰度值置为0，结果如图5(d)所示，统计拟合圆内灰度值等于255的像素个数，记为count。

5)计算xs＝count/allcount，如果xs小于0.995，继续执行步骤3)和4)。否则，真正的纹影小球边缘则被检测出来，最终的纹影小球边缘检测结果和拟合的纹影小球的圆心和半径如图5(e)所示。

6)将拟合得到的纹影小球圆心和半径显示在旁瓣图像中，结果图5(f)所示。

在以上检测纹影小球真正边缘和计算纹影小球中心的步骤中，从步骤3)到5)通过反复迭代拟合圆心半径，迭代结束的条件是小于本次拟合圆心而且灰度等于255的像素个数/所有灰度为255的像素个数，即xs＝count/allcount大于0.995。通过反复迭代，比例系数从0.509增大到0.997。得到的纹影小球真正边缘如图5(e)所示，最终拟合的圆心为(250.55,256.17)，半径为88.53。

表1反复迭代拟合圆心和半径结果

3寻找纹影小球中心在主瓣上的最佳匹配点

为了在主瓣图像上快速寻找纹影小球中心在主瓣上的最佳匹配点，主瓣图像和旁瓣图像必须经过二次裁减，被裁减的图像大小为300×300，分别用cutzb和cutpb表示，如图6(a)和6(b)所示。

识别最佳匹配点的步骤如下:

1)获得orgzb图像的重心，表示为(ozx,ozy),使用最小二乘法获得orgpb图像中纹影小球中心和半径，分别表示为(opx,opy)和okr。.

2)获得尺寸300×300的旁瓣裁减图像，表示为cutpb,cutpb图像从orgpb图像中裁减得到，中心位于(opx,opy)。旁瓣裁减图像cutpb的中心表示为(cpx,cpy),真实值为(150,150),旁瓣裁减图像如图6(a)所示。

3)在cutpb图像中得到大小为300×300的一个矩形矩阵来标识纹影小球区域，表示为pcir,将(i,j)位于纹影小球区域内像素的灰度值设置为0，即pcir(i,j)＝0，将(i,j)位于纹影小球区域外像素的灰度值设置为1，即pcir(i,j)＝1。

4)从orgzb图像中得到尺寸为300×300的主瓣裁减图像cutzb图像，中心点位于(ozx+l,ozy+m)，其中l值的取值范围为-50≤l<50，m值的取值范围为-50≤m<50，l和m是相对于100×100矩形区域中心的坐标。

如图7(a)的白色矩形区域是cutzb图像在orgzb上的真实区域，图7(b)的白色矩形区域是cutpb图像在orgpb上的真实区域，大小尺寸都是300×300。在新的cutzb图像中扣除一个圆形区域。当pcir(i,j)等于0时，将cutzb(i,j)中的像素值也设置为0。

将cutzb和cutpb分别转换为列向量，分别表示为cutz和cutp，使用公式(1)计算cutz和cutp的光谱角度填图值sam，改变l和m的值(-50≤l<50，-50≤m<50)，当sam最小时,在orgzb图像上的最佳匹配点相对坐标为(ozx+l,ozy+m)，最小sam值为0.5631。因此，在主瓣图像中被白色矩形包围的图像就是最佳匹配图像cutzb，相对坐标为m,l,如图7(b)所示。最终的主瓣裁减图像大小为300×300，被表示为cutzb'，在cutzb'中纹影小球中心为(cxzb,cyzb)。

将cutpb图像和所有以(ozx+m,ozy+m)为中心的所有cutzb图像sam值生成一个100×100的矩阵，将所有sam值组成的100×100矩阵生成的三维图像。当sam值取最小值时，相对坐标位置m和l的取值分别为-16和1，如图8所示。

4图像合并

图像合并的步骤如下：

1)填充cutpb图像的纹影小球区域，cutpb图像位于纹影小球区域内的数据，即当pcir(i,j)＝1的区域用cutzb’数据放大k倍数后进行替换，被命名为cutpb’。

2)orgpb图像中的cutpb区域使用最终数据cutpb’进行替换，因此新的orgpb图像为最终的合并图像，被命名为imerge。

3)使用加权平均法[13]对拼接边界进行融合，结果如图9(b)所示。

因为纹影小球边缘不是很规则，真实的拼接半径相对于okr被增加5个像素,用于消除合并图像中的拼接痕迹。直接拼接的合并图像如图9(a)所示，经过边缘融合[14]后的合并图像如图9(b),最终的三维重构图像如图9(c)所示。

重构后图像的水平方向二维灰度曲线显示如图10所示。

在纹影重构过程，由于焦斑分布很不规则，出现纹影小球无法准确挡住旁瓣图像中心的情况，这样就使得旁瓣图像的边缘部分出现饱和，因为ccd具有饱和溢出效应，如果中心饱和的情况下，饱和溢出区域的图像数据也不准确，所以将纹影小球边缘部分的饱和区域以及周围区域用相应位置的主瓣图像数据乘以光强放大系数后进行替换，以尽可能保证拼接图像的真实性。

以下对本发明的效果进行分析。

a、对于具有特征的纹理区域进行分析

对于主瓣和旁瓣图像的自动重构结果，首先根据拼接边缘处的纹理特征进行分析，在图11(a)中为重构图像的拼接环，圆环内由主瓣图像填充所得，圆环外由旁瓣图像填充所得。从图11(b)中可以看出，6个所选区域的纹理十分吻合，其中区域1左右拼接误差小于1个像素，区域2和3上下拼接误差小于1个像素，区域5-6纹理走向完全符合，说明重构拼接精度满足实验要求。

为了验证图像重构拼接的准确性，在k＝1时，重构后的合并图像和主瓣图像之间的相关系数为0.997，说明重构图像的准确率将达到99％，由此可以确定，该重构算法是真实可靠的。重构图像和主瓣图像之间的均值分别为34.62、35.73，方差分别为65.81、65.10，说明两个图像之间具有极大的相似性。

b、使用圆拟合算法提高纹影小球中心精度

表2为5次打靶实验过程中，分别使用圆拟合法和重心法计算纹影小球圆心时，两种算法与实际标定圆心之间的误差比较，其中真实圆心和半径是通过人工判读的方法定标的。从表2中可以看出，通过圆拟合法计算圆心和真实圆心的误差为(0.3,0.36)，而重心法和真实圆心的误差为(1.7,1.5)，由此可以看出，圆拟合算法比重心法算法更优，计算得到的旁瓣图像中心更准确，更能保证重构图像的真实性。而且本方法进行圆拟合时只要对边界点循环一次就可以计算出圆心和半径，时间复杂度为o(n)，整个算法耗时为0.8秒，为整个重构过程节省了时间。

表2圆拟合法和重心法与真实圆心之间的误差比较(单位:像素)

综合诊断系统对于纹影小球中心的获得存在一定的不足，即每次使用纹影小球遮挡旁瓣光斑中心时都是让纹影小球处于一个固定位置，这样纹影小球都不能完全准确遮挡纹影小球中心，这就需要设计一个自动准直系统使得纹影小球准确挡住旁瓣光斑的中心，提高纹影小球的定位精度，从而获得遮挡完好的旁瓣图像。

c、分析纹影小球中心在主瓣图像上的对应点

计算纹影小球中心在主瓣图像的对应点是保证纹影重构精度的决定性因素，通常计算对应点的方法有重心法[11]、几何中心法[12]、标定法[5]、光谱角填图法。四种算法的重构误参数如表3所示，在本次打靶实验数据中对应点的理论值为(249.38272.68)，四种方法所获得的对应点与理论值误差，其中重心法、几何中心法误差最大，垂直方向大于10个像素；标定法较小，但大于1个像素，而自相关匹配法最小，小于1个像素。

为了验证图像重构拼接的准确性，在k＝1时，先分别使用四种方法获得纹影小球中心在主瓣图像的对应点，然后完成图像重构，最后计算得到重构图像与主瓣图像之间的相关系数，分别为0.629、0.615、0.806、0.994，其中自相关匹配法相关系数达到0.994，说明重构图像的准确率将达到99％，由此可以确定，基于自相关匹配的自动重构算法是真实可靠的。重构图像和主瓣图像之间的均值分别为34.62、35.74，方差分别为65.81、65.10，说明两个图像之间具有极大的相似性。

表3四种方法的重构误差比较

在以往的打靶实验中，在主瓣图像中寻找旁瓣小球中心对应的最佳匹配点时，一般采用标定法[5]和重心法，这两种方法有着明显的缺陷。对于标定法来说，由于打靶时往往具有很大震动，存在大气扰动，所以打靶实验光路和标定光路的实验条件完全不同，使用标定光路中获得的拼接点代替实际打靶的拼接点存在一定的误差。而对于重心法来说，主瓣光斑分布越不均匀，则重心和最佳拼接点的误差越大。而本文的基于最佳匹配点拼接算法具有以下优点：1)能够自动寻找拼接位置。2)减少了拼接误差。3)边界融合算法消除了拼接位置的拼接痕迹。

d、动态范围分析

拼接算法能够测到的动态范围[14]不但与两ccd本身的动态范围有关，而且与它们的相对能量衰减系数k(k>1)有关，k越小，动态范围越低，边界融合部分越平滑，如图12(a)所示；k越大，动态范围也越大，边界融合部分会出现断层，该部分误差偏大，拼接图像越不平滑，如图12(b)所示，随着k的增大，两ccd线性重叠区域开始变小，重构后的动态范围也越大，但线性重叠区域向主瓣ccd的线性下限移动，因此边界融合部分的误差变大，拼接图像越不光滑。可以这样理解：在b＝1的情况下，当k＝1时，两ccd线性区域完全重叠，在没有挡板的情况下主旁瓣获取的图像是一致的，拼接图像各区域的噪声本底分布完全一致，这时拼接的图像最平滑；当k>1时，随着k的增大，两ccd线性重叠区域开始变小，重构后的动态范围也越大，但线性重叠区域向主瓣ccd的线性下限移动，因此边界融合部分的误差变大，拼接图像越不光滑，图像有可能出现明显的拼接痕迹。

使用纹影法对远场光斑进行测量时，重构算法的误差主要受到主瓣和旁瓣相对拼接位置的影响。为了提高图像拼接精度，设计了主瓣和旁瓣光路横向放大系数相同而衰减系数不同的光学系统。这要求使用同样的型号的ccd进行采集，主瓣和旁瓣的焦斑横向放大系数完全相同，而主瓣和旁瓣光强放大系数则不同，即b＝1和k>1。这样，主瓣光斑和旁瓣光斑每个像素之间一一对应，具体标定方法参考文献[2]。

为了降低标定光源的强度、光束质量对测量结果的影响，需对相关系数的标定值进行统计平均。利用在线标定γ的方法可以将两ccd探测面内的任意对应点的偏差控制在1个像素内。此外，纹影小球中心的准确计算也可以提高重构图像的精度，因为只有确定旁瓣纹影小球中心和半径以及主瓣和旁瓣光斑之间各个像素的对应关系，才能确定在旁瓣光斑中纹影小球区域需要替换的主瓣光斑数据，通过圆拟合算法计算纹影小球中心坐标使得偏差小于1个像素。

重构图像的动态范围是重构图像的最大值与旁瓣图像最小信号之间的比值，其中旁瓣图像的最小信号定义为90dl(靶点位置1dl＝6.7μm，对应600μm靶点)，是介于纹影小球半径1.5倍和1.5倍加5个象素时间灰度的平均值，如图13所示。三组实验数据的动态范围测试结果如表4所示：

表4动态范围测试结果比较

从表中可以看出，4次实验都实现了高动态范围远场焦斑的测量，所测动态范围都大于1000：1，但是不同位数ccd光强衰减系数k差别巨大，实验1和实验2的光强衰减系数是实验3光强衰减系数的10倍，这是因为使用纹影法对远场光斑的测量主要受到科学ccd动态范围的限制。使用12位科学ccd进行测量时，最大灰度值为4095，动态范围仅仅为100:1。要测量到最大灰度为十万灰度级或者几十万灰度级的远场光斑，主瓣的衰减将达到25～250倍。在拼接时，主瓣光强将放大25～250，这样重构图像将失真严重。实验研究表明，主瓣光强放大1～10倍之间，失真最小，拼接效果最好。而使用16位科学ccd进行测量时候，最大灰度为65535，要测量到最大灰度为十万灰度级或者几十万灰度级的远场光斑，主瓣的衰减将达到仅仅为1～10倍，重构图像的失真很小，拼接效果最好。但是16位的科学ccd都是从国外进口，价格昂贵，而且打靶实验能量很大，如果衰减不当，16位的科学ccd将会被损毁，实验代价太大。

本发明以纹影测量远场焦斑数学模型[2]为纹影理论依据，通过计算主瓣裁减图像中扣除一个和纹影小球大小的圆后的图像和旁瓣裁减图像的光谱较填图(sam)值[7]，寻找两个图像之间的光谱填图值最小的点为最佳匹配点，实现了对主瓣图像和旁瓣图像的自动拼接，再采用加权平均法对拼接边界进行融合。此外，本文使用基于光谱角度填图算法搜寻主瓣图像和旁瓣图像之间最佳匹配点，提高了最佳匹配点的搜索精度。

通过对实验结果，该方法能够实现高动态范围的激光焦斑测量中对焦斑的自动重构，重构图像在拼接区域纹理上有极佳的吻合度，拼接误差小于1个像素，测量动态范围接近4个数量，不但能够获得完整的远场焦斑图像，而且满足了打靶实验对于实验效率的要求，对于综合诊断系统获得全面、精确的激光参数具有十分重要的指导意义。

参考文献：

[1]刘维宝，郑万国，朱启华等.神光-ⅲ激光装置的总体集成及探索[j].国防科技，2014，34(12)：30-36.

[2]王拯洲，王伟，夏彦文.高动态范围激光焦斑测量数学模型研究[j].光子学报，2014，43(10)，1010002-1～10100002-7.

[3]程娟，秦兴武，陈波等.纹影法测量远场焦斑实验研究[j].强激光与粒子束，2006，(18)，4，612－614.

[4]haynamca,wegnerpj,auerbachjm,bowersmw,dixitsn,erbertgv,etal.nationalignitionfacilitylaserperformancestatus.appliedoptics.2007,46(16):3276-3303.

[5]duxw.factorforevaluatingbeamgualityofarealhighpowerlaseronthetargetsurfaceinfarfield.chinesejournaloflasers.1997,24:327-332.

[6]张铮，王艳平等.数字图像处理与机器视觉--visualc++与matlab实现[m].北京：人民邮电出版社.2013：428-433.

[7]张兵，高连如.高光谱图像分类与目标探测[m].北京：科学出版社，2011，179－185.

[8]赵春江.数字图像处理算法经典实例[m].北京：人民邮电出版社，2009.

[9]孔兵，王昭，谭玉山.基于圆拟合的激光光斑中心检测算法[j].红外与激光工程，2001，31(3)：275－279.

[10]章毓晋.图像工程图像分析(中册第二版)[m].北京：清华大学出版社，2005：222－223.

[11]williamswh,auerbachjm,henesianma,jancaitisks,maneskr,mehtanc,etal.opticalpropagationmodelingforthenationalignitionfacility.procofspie.2004,5341:66-72.

[12]maxiaoyu,raochanghui,zhenghanqing.erroranalysisofccd-basedpointsourcecentroidcomputationunderthebackgroundlight[j].opticsexpress.2009,17(10):8525-8541.

[13]邵向鑫.数字图像拼接核心算法研究[d].吉林：吉林大学，2010.

[14]yangpl,fenggb,wangzb,wangqs,fengg,zhangtq.detectorarrayformeasuringfar-fieldpowerdensitydistributionofmid-infraredlaser.chinesej.lasers.2010,37(2):521-525.

[15]张铮，王艳平等.数字图像处理与机器视觉--visualc++与matlab实现[m].北京：人民邮电出版社.2013：428-433.