一种大口径光学元件表面灰尘与麻点识别方法
【专利摘要】本发明公开了一种大口径光学元件表面灰尘与麻点识别方法，该方法包括如下步骤：利用图像采集装置在明场条件下采集大口径光学元件表面损伤图像作为样本图像，同时标记出每个样本图像对应的损伤类别；对于采集得到的样本图像提取特征向量；对得到的特征向量进行预处理；将预处理后的特征向量作为模式识别分类器的输入变量，相应的损伤类别标签作为所述模式识别分类器的输出变量，得到输入变量与输出变量之间的映射关系；基于映射关系，对于测试样本的损伤类别进行识别，并将识别结果输出。本发明采用模式识别方法从明场图像纹理特征入手，解决了大口径光学元件表面灰尘与麻点的自动判别问题。
【专利说明】一种大口径光学元件表面灰尘与麻点识别方法
【技术领域】
[0001]本发明涉及模式识别【技术领域】，尤其是一种大口径光学元件表面灰尘与麻点识别方法。
【背景技术】
[0002]大口径光学元件广泛应用在以现代激光技术为代表的高光能流密度的光机系统、以红外夜视光学系统为代表的微光成像领域和以晶圆表面加工检测为代表的半导体加工制造领域。大口径光学元件在生成、加工、洁净和运输等过程中会产生各类疵病，例如麻点、划痕、包边、潮解班、霉斑、纤维、水溃、擦痕等，这些表面疵病都会对光学系统的性能造成影响，而且不同类型和尺寸的疵病对系统的影响也不一样。
[0003]目前对大口径光学元件表面损伤检测方法很多，但是都不具备麻点和灰尘的自动识别功能，麻点和灰尘形态相似，不易区分，而麻点和灰尘又是检测者最为关心的损伤信息之一，因此对麻点和分类快速有效的识别是非常重要的。
【发明内容】
[0004]本发明针对当前检测功能的不足，提供了一种大口径光学元件表面灰尘与麻点识别方法，本发明通过采集光学元件表面的明场图像，对图像分析处理，利用模式识别方法快速对灰尘与麻点进行有效分类和识别，正确率高达98%以上。
[0005]本发明提供的大口径光学元件表面灰尘与麻点识别方法包括以下步骤:
[0006]步骤1:利用图像采集装置在明场条件下采集大口径光学元件表面损伤图像作为样本图像，同时标记出每个样本图像对应的损伤类别；
[0007]步骤2:对于采集得到的样本图像提取特征向量；
[0008]步骤3:对得到的特征向量进行预处理；
[0009]步骤4:将预处理后的特征向量作为模式识别分类器的输入变量，相应的损伤类别标签作为所述模式识别分类器的输出变量，得到输入变量与输出变量之间的映射关系；
[0010]步骤5:基于所述步骤4得到的映射关系，对于测试样本的损伤类别进行识别，并将识别结果输出。
[0011]其中，所述图像采集装置包括显微镜头和面阵CXD相机。
[0012]其中，所述步骤I中，采用同轴光照明的方式采集样本图像。
[0013]其中，所述特征向量包括但不限于:图像灰度平均值、图像灰度方差、图像梯度参数、对比度、能量、熵、同质度。
[0014]其中，所述预处理至少包括归一化处理。
[0015]其中，所述模式识别分类器的类别包括灰尘和麻点。
[0016]其中，根据核化的正则化最小二乘回归模型得到输入变量与输出变量之间的映射关系。
[0017]其中，假定给定d维空间中的η个输入变量Xl，x2，…，Xn及输出变量yu y2，...，yn e Rc, c<d,存在一个线性变换W e Rdxc将输入变量x映射为输出变量y，使得y = WTx+b,其中，b e Re为偏置量，则映射关系W应满足:
η2
J(W) = x^Y\wTx,+b-yi\ +/1|Μ|:，其中，J(W)表示以W为变量的代价函数，λ表示取
η ' ?=1 2
值为正的正则化参数，I |w| |F表示w的F范数。
[0018]其中，所述步骤5中，首先将测试样本Xi带入所述映射关系，得到与测试样本对应的输出向量= W1Xi ;然后对所述正则化最小二乘回归模型进行核化，得到核化后的输出向量yk/ ;然后将得到的输出变量其映射到高维空间中；最后在高维空间中利用最近邻分类器对核化后的输出向量进行分类，最终得到测试样本的损伤类别标签。
[0019]其中，所述核化函数为径向基函数K(x，X'):
(卜-T'f)
[0020]!〈 (X, x) = e 2cr 。
RBF
[0021]本发明方法能够快速对光学元件表面的灰尘与麻点进行自动识别分类。本发明是基于明场成像图片的灰尘与麻点分类，避免暗场图像采集的复杂过程，而且排除暗场条件下非线性因素对图像采集的影响。同时，本发明还提出了一种新的分类算法:KRR算法，与常用的其他3种模式识别算法相比，本发明具有最高的分类正确率。
【专利附图】
【附图说明】
[0022]图1是本发明大口径光学元件表面灰尘与麻点识别方法的流程图。
[0023]图2是本发明方法步骤I中采集的麻点和灰尘的明场图像示例，其中，图2a)为灰尘明场图像，图2b)为麻点明场图像。
【具体实施方式】
[0024]为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
[0025]图1是本发明大口径光学元件表面灰尘与麻点识别方法的流程图，如图1所示，所述大口径光学元件表面灰尘与麻点识别方法包括以下步骤:
[0026]步骤1:利用图像采集装置在明场条件下采集大口径光学元件表面损伤图像作为样本图像，同时标记出每个样本图像对应的损伤类别；
[0027]在本发明一实施例中，所述图像采集装置包括显微镜头和面阵C⑶相机，采集得到的灰尘和麻点的明场图像示例如图2所示,其中，图2a)为灰尘明场图像，图2b)为麻点明场图像。需要注意的是，在采集样本图像时需采用同轴光照明的方式，使视场明亮，而不是利用光的散射效应。
[0028]步骤2:对于采集得到的样本图像提取特征向量；
[0029]在本发明一实施例中，所述特征向量包括但不限于下列7种分类特征:图像灰度平均值、图像灰度方差、图像梯度参数、对比度、能量、熵、同质度，其中:
[0030]图像灰度平均值的计算方式为:
[0031]
Kkn=-Yy
ni j
[0032]其中，f(i, j)为图像中点(i，j)的灰度值，n为图像中像素点的个数。
[0033]图像灰度方差的计算方式为:
[0034]=~ΣΣ ⑴'' 'i) - Meun 卜，
η i T
[0035]图像梯度参数的计算方式为:
M y
[0036]Cl U = / MNH g(x, >')，
i~i j=\
[0037]其中，g(x，y)为经过Sobel算子运算得到的边缘灰度图中点(x, y)的灰度值,M和N分别为图像的行数和列数。
[0038]对比度的计算方式为:
[0039](on-j)2
i J,
[0040]其中，P为灰度共生矩阵。
[0041]熵的计算方式为:
[0042]i^1 = YYjH-JfPi1.,])
1 J ,
[0043]能量的计算方式为:
[0044]1 =-ΥΣη<,.?)\θ^ P(LJ)
1 J ,
[0045]同质度的计算方式为:
[0046]Hom = ΣΣ,1。
[0047]其中，考虑到损伤图像的纹理特征为随机纹理特征，不具有明显的方向性，因此先求出0°、45°、90°、135° 4个方向的灰度共生矩阵，再由灰度共生矩阵计算出对比度、能量、熵、同质度这4个纹理特征量，最后将4个方向上计算的特征量进行平均，每个纹理特征值的平均值作为最终的纹理特征值。
[0048]步骤3:对得到的特征向量进行预处理；
[0049]在本发明一实施例中，所述预处理至少包括归一化处理:
— Xj - min(x:)
[0050]! max{x:) - min(x:)
1 1 ，
[0051]其中，Xi表示待处理的特征向量，X1表示归一化后的特征向量，Xi e [O, I]。
[0052]步骤4:将预处理后的特征向量作为模式识别分类器的输入变量，相应的损伤类别标签作为所述模式识别分类器的输出变量，得到输入变量与输出变量之间的映射关系；
[0053]其中，所述模式识别分类器的类别包括灰尘和麻点两类。
[0054]在本发明一实施例中，根据核化的正则化最小二乘回归模型(KRR)得到输入变量与输出变量之间的映射关系，即通过样本图像的特征向量和损伤类别标签，计算得到正则化最小二乘回归模型的最优变换W，即得到输入变量与输出变量之间的映射关系。
[0055]其中，最优变换W的计算具体为:假定给定d维空间中的η个输入变量&，&，...，1及输出变量71，72，...，711 e Rc, C〈d，存在一个线性变换W e Rdxe将输入变量X映射为输出变量y，使得y = WTx+b，其中，b e Re为偏置量，那么最优变换W应满足:
2
J{W) = vmnY\wTx1+b-y\ +2||<，其中，J(W)表示以W为变量的代价函数，λ表示取
，2
值为正的正则化参数，I |w| |F表示w的F范数。
[0056]步骤5:基于所述步骤4得到的映射关系，对于测试样本的损伤类别进行识别，并将识别结果输出。
[0057]该步骤中，首先将测试样本Xi带入所述映射关系，得到与测试样本对应的输出向量= WTXi ;然后对所述正则化最小二乘回归模型进行核化，得到核化后的输出向量ykZ，在本发明一实施例中，采用的核化函数为径向基函数
Kγ'、.K [X^Xf) = C 2?Τ.然后将得到的输出变量其映射到闻维空间中；最后在闻
RBFRBF
维空间中利用最近邻分类器(KNN)对核化后的输出向量进行分类，最终得到测试样本的损伤类别标签。
[0058]其中，所述径向基函数中的参数Oi选取为标准差，选取分类正确率最高的Oi值:
[0059]σ =-^7(/ = -3,-2,...,2,3)，
[0060]其中，σ。为标准差。
[0061]为了验证本发明的有效性，选取了 400组数据进行训练，对采集的每一张明场图像样本按照步骤2计算得到7个分类特征，对分类特征进行归一化后带入步骤3中的KRR分类器中进行分类器训练，并选取200组测试数据进行分类测试，表一所示为训练和测试分类器所采集的样本数。
[0062]表一
[0063]
~mm~训练样本测试样本特征数B 类别数百灰麻灰麻
占占
_I—?y、、、_I—?;、、、
明场图像 200 200 120 120 72
[0064]表二为选取不同核化函数中参数σ i时分类的正确率，从表二中可以看出，核化函数中的参数Oi应该取I
[0065]表二
[0066]
【权利要求】
1.一种大口径光学元件表面灰尘与麻点识别方法，其特征在于，该方法包括以下步骤: 步骤1:利用图像采集装置在明场条件下采集大口径光学元件表面损伤图像作为样本图像，同时标记出每个样本图像对应的损伤类别； 步骤2:对于采集得到的样本图像提取特征向量； 步骤3:对得到的特征向量进行预处理； 步骤4:将预处理后的特征向量作为模式识别分类器的输入变量，相应的损伤类别标签作为所述模式识别分类器的输出变量，得到输入变量与输出变量之间的映射关系； 步骤5:基于所述步骤4得到的映射关系，对于测试样本的损伤类别进行识别，并将识别结果输出。
2.根据权利要求1所述的方法，其特征在于，所述图像采集装置包括显微镜头和面阵CCD相机。
3.根据权利要求1所述的方法，其特征在于，所述步骤I中，采用同轴光照明的方式采集样本图像。
4.根据权利要求1所述的方法，其特征在于，所述特征向量包括但不限于:图像灰度平均值、图像灰度方差、图像梯度参数、对比度、能量、熵、同质度。
5.根据权利要求1所述的方法，其特征在于，所述预处理至少包括归一化处理。
6.根据权利要求1所述的方法，其特征在于，所述模式识别分类器的类别包括灰尘和麻点。
7.根据权利要求1所述的方法，其特征在于，根据核化的正则化最小二乘回归模型得到输入变量与输出变量之间的映射关系。
8.根据权利要求7所述的方法，其特征在于，假定给定d维空间中的η个输入变量&，&，...，1及输出变量71，72，...，711 e Rc, C〈d，存在一个线性变换W e Rdxe将输入变量X映射为输出变量y，使得y = WTx+b，其中，b e Re为偏置量，则映射关系W应满足: ? 2J(W) = rmnY\wTx1+b-yl\ +H-，其中，J(W)表示以W为变量的代价函数，λ表示取 η，/-12值为正的正则化参数，I |w| |F表示w的F范数。
9.根据权利要求7所述的方法，其特征在于，所述步骤5中，首先将测试样本Xi带入所述映射关系，得到与测试样本对应的输出向量y/ = W1Xi ;然后对所述正则化最小二乘回归模型进行核化，得到核化后的输出向量yki,;然后将得到的输出变量其映射到高维空间中；最后在高维空间中利用最近邻分类器对核化后的输出向量进行分类，最终得到测试样本的损伤类别标签。
10.根据权利要求9所述的方法，其特征在于，所述核化函数为径向基函数K(x，X'):
【文档编号】G06K9/62GK104200215SQ201410427310
【公开日】2014年12月10日 申请日期:2014年8月27日 优先权日:2014年8月27日
【发明者】熊召, 刘长春, 袁晓东, 周海, 徐旭, 陈海平, 陶显, 张正涛, 张峰, 史亚莉 申请人:中国工程物理研究院激光聚变研究中心, 中国科学院自动化研究所