一种基于图像特征描述的散斑图像质量识别方法及系统与流程

本发明涉及图像处理技术领域，具体涉及一种基于图像特征描述的散斑图像质量识别方法及系统。

背景技术：

在信息飞速产生与交流的今天，图像是获取信息的主要途径之一。随着电子计算机的发明以来，图像处理技术也得到了迅速的发展，其应用也越来越广泛。图像技术在科学研究、工业生产、国防科技、航空航天、医疗卫生、交通管理等各个领域中都有广泛应用。

然而直接获取的图像往往不能满足特定需求，因此需要对图像进行处理和分类标识，这就是图像处理。通常所说的图像处理主要是指数字图像处理，也就是利用计算机技术对数字图像进行处理。随着计算机和电子技术的快速发展，图像的获取和使用越来越方便，海量图像信息的分析和处理也显得愈加重要，对图像进行标识和分类具有重要的研究价值和意义。

散斑现象早在牛顿那个时代就被人们发现，但是散斑的存在仅仅被误认为是一种全息技术里的光学噪声，严重的影响了全息图的质量。1996年，Burch和Ennos在实验的过程中发现激光散斑具有一定的可测光强和确定的相位分布，从而为散斑的应用奠定了基础。之后兴起的散斑干涉测量技术是现在一种重要的干涉测量方法，该技术检测速度快，测量精度高对环境防震要求低，广泛应用到各个领域。该技术的原理是在被测物体上覆盖散斑图，当被测物体产生的形变或位移时，分别记录变形前后的散斑图，通过比较与计算就可以得到物体的变形或者位移信息。

然后目前由于散斑图携带了物体的形变信息，因此散斑制作过程中大量因素都会影响散斑图的质量，影响了物体的变形或位移信息的检测结果，因此，如何准确有效的识别散斑图的质量，是亟待解决的问题。

技术实现要素：

针对现有技术中的缺陷，本发明提供一种基于图像特征描述的散斑图像质量识别方法及系统，识别精度高、运算量少且运算速度块，准确且有效的实现对散斑图像的质量识别，进而使得对散斑干涉测量的检测结果精确且可靠，为物体的变形或位移信息的检测应用研究提供了精确的技术支撑。

为解决上述技术问题，本发明提供以下技术方案：

一方面，本发明提供了一种基于图像特征描述的散斑图像质量识别方法，包括：

步骤1.采集目标散斑图像；

步骤2.根据各所述目标散斑图像的来源对所述目标散斑图像进行预处理；

步骤3.提取预处理后的目标散斑图像的图像特征，并根据提取的图像特征对各所述目标散斑图像进行直方图特征描述及主成分分析特征描述，得到标准散斑图像及标准参数向量；

步骤4.将所述目标散斑图像与标准散斑图像或标准参数向量进行对比识别，得到所述目标散斑图像的图像质量识别结果。

进一步的，所述步骤1包括：

批量读取目标散斑图像，其中，各所述目标散斑图像的符号均为被计算机识别及运算的符号。

进一步的，所述步骤2包括：

步骤2-1.判断所述目标散斑图像是否全部为由计算机程序生成的模拟散斑图像；

若是，则进入步骤2-3；

若否，则进入步骤2-2；

步骤2-2.将非计算机程序生成的各所述目标散斑图像进行去除噪声、加强图像数据信息及复原的预处理操作，得到预处理后的目标散斑图像，进入步骤2-3；

步骤2-3.将所述目标散斑图像转换为灰度矩阵，用矩阵或向量表示所述目标散斑图像中的二维或一维波形，并存入数组中。

进一步的，所述步骤3中的所述根据提取的图像特征对各所述目标散斑图像进行直方图特征描述，得到标准散斑图像，包括：

步骤3a-1.生成所述目标散斑图像的理想高斯函数；

步骤3a-2.根据直方图的函数与所述理想高斯函数，确定所述目标散斑图像的识别标准。

进一步的，所述步骤3a-1包括：

获取n个标准散斑图像，其中，n为大于4的正整数；

将n个标准散斑图像依次与高斯函数进行拟合，得到所述高斯函数的求解参数；

求取全部的所述求解参数的平均值，得到所述理想高斯函数。

进一步的，所述步骤3a-2包括：

获取各数组中的前n个目标散斑图像；

根据直方图的函数及所述理想高斯函数。得到各目标散斑图像的n×m个差值向量，其中，m为数组的总数；

分别求取各数组中的n个差值向量的平均值，得到m个平均差值向量；

按各平均差值的数值大小对m个平均差值向量依次进行排序，得到所述目标散斑图像的识别标准。

进一步的，所述步骤3中的所述根据提取的图像特征对各所述目标散斑图像进行主成分分析特征描述，包括：

步骤3b-1.获取各数组中的前n个目标散斑图像，并将目标散斑图像存入图像库；

步骤3b-2.对图像库中的所有目标散斑图像进行K-L变换，得到并存储各图像的标准参数向量。

进一步的，所述步骤4中的所述将描述得到的直方图特征描述图像及主成分分析特征描述图像与标准散斑图进行对比识别，得到所述目标散斑图像的图像质量识别结果，包括：

步骤4a-1.获取待识别的目标散斑图像；

步骤4a-2.根据所述直方图的函数与理想高斯函数，得到待识别的目标散斑图像的差值向量；

步骤4a-3.计算待识别的目标散斑图像的差值向量与m个所述平均差值向量的差值，得到差值最小的待识别的目标散斑图像；

步骤4a-4.判断所述目标散斑图像与标准散斑图进行对比识别，得到所述目标散斑图像的图像质量识别结果。

进一步的，所述步骤4中的所述将描述得到的主成分分析特征描述图像与标准散斑图进行对比识别，得到所述目标散斑图像的图像质量识别结果，包括：

步骤4b-1.对待识别的目标散斑图像进行K-L变换，得到所述待识别的目标散斑图像的参数向量；

步骤4b-2.将所述待识别的目标散斑图像的参数向量与所述图像库中各图像的标准参数向量依次进行比较，得到所述图像库中与所述待识别的目标散斑图像的参数向量之间的差值最小的标准参数向量，进而获取标准参数向量所在数组；

步骤4b-3.根据所述标准参数向量所在数组，对待识别的目标散斑图像进行对比识别，得到所述目标散斑图像的图像质量识别结果。

另一方面，本发明还提供了一种基于图像特征提取的散斑图像质量识别系统，包括：

采集模块，用于采集目标散斑图像；

预处理模块，用于根据各所述目标散斑图像的来源对所述目标散斑图像进行预处理；

标准获取模块，用于提取预处理后的目标散斑图像的图像特征，并根据提取的图像特征对各所述目标散斑图像进行直方图特征描述及主成分分析特征描述，得到标准散斑图像及标准参数向量；

识别模块，用于将所述目标散斑图像与标准散斑图像或标准参数向量进行对比识别，得到所述目标散斑图像的图像质量识别结果。

由上述技术方案可知，本发明所述的一种基于图像特征描述的散斑图像质量识别方法及系统，识别精度高、运算量少且运算速度块，准确且有效的实现对散斑图像的质量识别，进而使得对散斑干涉测量的检测结果精确且可靠，为物体的变形或位移信息的检测应用研究提供了精确的技术支撑；针对散斑图像的质量评测的具体需求，研究以散斑图为对象的特征提取技术，为自动评级技术提出新的解决方法，也为特征提取技术的实际应用扩展到新的领域。

附图说明

为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种基于图像特征描述的散斑图像质量识别方法的流程示意图；

图2是本发明的识别方法中步骤200的流程图；

图3是本发明的识别方法中步骤300中的直方图特征描述的流程图；

图4是本发明的识别方法中步骤300中的主成分分析特征描述的流程图；

图5是本发明的识别方法中步骤400中的应用直方图特征描述进行识别的流程图；

图6是本发明的识别方法中步骤400中的应用主成分分析特征描述进行识别的流程图；

图7是本发明的具体实例中的识别方法中预处理及特征提取的流程示意图；

图8是本发明的一种基于图像特征描述的散斑图像质量识别系统示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例一提供了一种基于图像特征描述的散斑图像质量识别方法，参见图1，该识别方法具体包括如下步骤：

步骤100：采集目标散斑图像。

在本步骤中，批量读取目标散斑图像，各目标散斑图像的符号均为被计算机识别及运算的符号，为了使计算机能够对各种现象进行分类识别，要用计算机可以运算的符号来表示所研究的对象。通过测量、采样和量化，可以用矩阵或向量表示二维或一维波形。这就是数据获取的过程。

步骤200：根据各目标散斑图像的来源对目标散斑图像进行预处理。

在本步骤中，预处理的目的是去除噪声，加强有用的信息，并对输入测量仪器或其他因素所造成的退化现象进行复原；外界获取的图像由于会受到各种因素的干扰和影响，导致图像质量的影响，从而降低图像特征提取的精准性，因而在特征提取前需要进行预处理从而有效地提出所需特征。而由程序生成的模拟散斑图因没有外界因素干扰，所以在特征提取之前不需要对图像进行预处理。

步骤300：提取各目标散斑图像的图像特征，并根据提取的图像特征对各目标散斑图像进行直方图特征描述及主成分分析特征描述，得到标准散斑图像及标准参数向量。

在本步骤中，由图像或波形所获得的数据量是相当大的。为了有效的实现分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征，这就是特征提取和选择的过程。一般我们把原始数据组成的空间叫测量空间，把分类识别赖以进行的空间叫特征空间，通过变换，可以把维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式。在特征空间中的一个模式通常也叫做一个样本，它往往可以表示为一个向量，即特征空间中的一个点。分类决策就是在特征空间中用统计方法把识对象归为某一类别。基本做法是在样本训练集基础上确定某个判决规则，使按这种规则对被识别对象进行分类错误识别率最小或引起的损失最小。

步骤400：将目标散斑图像与标准散斑图像或标准参数向量进行对比识别，得到目标散斑图像的图像质量识别结果。

在本步骤中，利用两种特征描述方法与已知的较好的散斑图进行对比识别，从而实现对散斑图的质量评价，并通过实验对两种特征的评价结果进行对比。

从上述描述可知，本实施例的一种基于图像特征描述的散斑图像质量识别方法，识别精度高、运算量少且运算速度块，准确且有效的实现对散斑图像的质量识别，进而使得对散斑干涉测量的检测结果精确且可靠。

本发明实施例二提供了上述步骤200的一种具体实现方式。参见图2，步骤200具体包括如下步骤：

步骤201：判断目标散斑图像是否全部为由计算机程序生成的模拟散斑图像；若是，则进入步骤203，若否，则进入步骤202。

步骤202：将非计算机程序生成的各目标散斑图像进行去除噪声、加强图像数据信息及复原的预处理操作，得到预处理后的目标散斑图像，进入步骤203。

步骤203：将目标散斑图像转换为灰度矩阵，用矩阵或向量表示目标散斑图像中的二维或一维波形，并存入数组中。

从上述描述可知，本实施例从直方图特征量描述可以看出，针对一幅图片单纯的提取器灰度直方图特征是没有太大意义，因此在直方图特征提取的基础上，结合了函数拟合与高斯函数相结合进行特征提取分析，为后续识别提供了准确且有效的数据基础。

本发明实施例三提供了上述步骤300中的根据提取的图像特征对各目标散斑图像进行直方图特征描述，得到标准散斑图像的一种具体实现方式。参见图3，步骤300具体包括如下步骤：

步骤3a-1：生成目标散斑图像的理想高斯函数，如下：

获取n个标准散斑图像，其中，n为大于4的正整数；将n个标准散斑图像依次与高斯函数进行拟合，得到高斯函数的求解参数；求取全部的求解参数的平均值，得到理想高斯函数。

步骤3a-2：根据直方图的函数与理想高斯函数，确定目标散斑图像的识别标准，如下：

获取各数组中的前n个目标散斑图像；根据直方图的函数及理想高斯函数。得到各目标散斑图像的n×m个差值向量，其中，m为数组的总数；分别求取各数组中的n个差值向量的平均值，得到m个平均差值向量；按各平均差值的数值大小对m个平均差值向量依次进行排序，得到目标散斑图像的识别标准。

本发明实施例四提供了上述步骤300中的根据提取的图像特征对各目标散斑图像进行主成分分析特征描述的一种具体实现方式。参见图4，步骤300具体包括如下步骤：

步骤3b-1：获取各数组中的前n个目标散斑图像，并将目标散斑图像存入图像库。

步骤3b-2：对图像库中的所有目标散斑图像进行K-L变换，得到并存储各图像的标准参数向量。

本发明实施例五提供了上述步骤400中应用直方图特征描述进行识别的一种具体实现方式。参见图5，步骤400具体包括如下步骤：

步骤4a-1：获取待识别的目标散斑图像。

步骤4a-2：根据直方图的函数与理想高斯函数，得到待识别的目标散斑图像的差值向量。

步骤4a-3：计算待识别的目标散斑图像的差值向量与m个平均差值向量的差值，得到差值最小的待识别的目标散斑图像。

步骤4a-4：判断目标散斑图像与标准散斑图进行对比识别，得到目标散斑图像的图像质量识别结果。

本发明实施例六提供了上述步骤400中应用主成分分析特征描述进行识别的一种具体实现方式。参见图6，步骤400具体包括如下步骤：

步骤4b-1：对待识别的目标散斑图像进行K-L变换，得到待识别的目标散斑图像的参数向量。

步骤4b-2：将待识别的目标散斑图像的参数向量与图像库中各图像的标准参数向量依次进行比较，得到图像库中与待识别的目标散斑图像的参数向量之间的差值最小的标准参数向量，进而获取标准参数向量所在数组。

步骤4b-3：根据标准参数向量所在数组，对待识别的目标散斑图像进行对比识别，得到目标散斑图像的图像质量识别结果。

为更进一步地说明本方案，本发明还提供一种基于图像特征描述的散斑图像质量识别方法的具体实例，具体内容如下：

S1：对所需图像进行批量读入转换为灰度矩阵并放在同一数组中，预处理及特征提取的流程如图7所示：

1)数据获取：为了使计算机能够对各种现象进行分类识别，要用计算机可以运算的符号来表示所研究的对象。通过测量、采样和量化，可以用矩阵或向量表示二维或一维波形。这就是数据获取的过程。

2)预处理：预处理的目的是去除噪声，加强有用的信息，并对输入测量仪器或其他因素所造成的退化现象进行复原。

外界获取的图像，由于会受到各种因素的干扰和影响，导致图像质量的影响，从而降低图像特征提取的精准性，因而在特征提取前需要进行预处理从而有效地提出所需特征。而本文所用到的散斑图像均由程序生成的模拟散斑图，没有外界因素干扰，所以在特征提取之前不需要对图像进行预处理。

3)特征提取和选择：由图像或波形所获得的数据量是相当大的。为了有效的实现分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征，这就是特征提取和选择的过程。一般我们把原始数据组成的空间叫测量空间，把分类识别赖以进行的空间叫特征空间，通过变换，可以把维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式。在特征空间中的一个模式通常也叫做一个样本，它往往可以表示为一个向量，即特征空间中的一个点。

4)分类决策：分类决策就是在特征空间中用统计方法把识对象归为某一类别。基本做法是在样本训练集基础上确定某个判决规则，使按这种规则对被识别对象进行分类错误识别率最小或引起的损失最小。

S2：分别采用直方图特征和主成分分析特征对散斑图像进行特征描述。

其中，直方图特征量描述：因为一个质量不错的散斑图的直方图形状接近正态分布，而高斯函数是一种特殊的正太分布，所以将这一特点作为特征提取已知质量不错的散斑图的直方图，用该直方图与高斯函数做拟合，得到一个理想的高斯函数的参数，用多张理想散斑图做以上处理后得到多个参数，求得均值后生成理想的高斯函数。再将每组图片取前五张生成直方图后与理想的高斯函数逐个做逐点相减，得到差值向量后每组向量求均值，每组得到一个均值向量，一共是十组，也就是有十组向量，将这十组向量从大到小排序后得到图片质量的十个分类。将得到的分类和质量等级生成对应的一个表格，可以方便之后的查找。于是这五十张图片便构成了训练样本。

将被测图形导入后生成直方图与所得理想高斯函数逐点做差，得到该图片与高斯函数的差值向量，用这个向量与训练样本的十组向量排序前和排序后逐个相减比较，差值最小则认为离该组最为接近，即判定为该组。得到系统判断的所属分类后，对应分类等级对应表便可以看出此次试验是否正确以及如果正确的情况下对应的质量等级。

其中，主成分分析特征描述：

第一步：搜集要识别散斑图像，取每组前5张作为训练样本，建立图像库

第二步：对图像库中的所有图像进行K-L变换，从而得到每幅图像的参数向量并将每幅图的参数向量存起来

第三步：先对一张所输入的图像进行K-L变换分析，得到其参数向量

第四步：将这个参数向量与库中每幅图的参数向量进行比较，找到最相似的参数向量，也就等于找到最相似的分组，从而认为所输入的图像就是库内该组的一张图像,完成了识别过程。

第五步：通过计算得到输出所在组以及对应的质量等级。

S3：利用两种特征描述方法与已知的较好的散斑图进行对比识别，从而实现对散斑图的质量评价，并通过实验对两种特征的评价结果进行对比。

为更进一步地说明本方案，本发明还提供一种基于图像特征描述的散斑图像质量识别系统的实施例。参见图8，具体内容如下：

采集单元10，用于采集目标散斑图像。

预处理单元20，用于根据各目标散斑图像的来源对目标散斑图像进行预处理。

标准获取单元30，用于提取各目标散斑图像的图像特征，并根据提取的图像特征对各目标散斑图像进行直方图特征描述及主成分分析特征描述，得到标准散斑图像及标准参数向量。

识别单元40，用于将目标散斑图像与标准散斑图像或标准参数向量进行对比识别，得到目标散斑图像的图像质量识别结果。

从上述描述可知，本实施例的散斑图像质量识别系统，针对散斑图像的质量评测的具体需求，研究以散斑图为对象的特征提取技术，为自动评级技术提出新的解决方法，也为特征提取技术的实际应用扩展到新的领域。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。