• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    ICF準(zhǔn)直系統(tǒng)的非正常圖像分類檢測

    2011-03-14 06:48:30王曉東
    關(guān)鍵詞:光斑畸變貝葉斯

    謝 閱,王曉東

    (中國工程物理研究院計(jì)算機(jī)應(yīng)用研究所,621900四川綿陽,xiey@caep.ac.cn)

    現(xiàn)階段同類裝置中,大多采用科學(xué)級(jí)相機(jī)采集光束的光斑圖像,并對(duì)圖像進(jìn)行處理和分析,得到光斑的中心點(diǎn),再將結(jié)果與基準(zhǔn)數(shù)據(jù)進(jìn)行比較得到需要調(diào)整的位移.由此可見,光束中心點(diǎn)檢測結(jié)果的精度將直接影響到定位的精度,中心點(diǎn)檢測的效率也將直接影響準(zhǔn)直系統(tǒng)的效率.

    在圖像采集過程中,由于采集設(shè)備故障、光學(xué)器件的粘性、步進(jìn)電機(jī)的定位不準(zhǔn)確、2次高斯脈沖干擾等原因,都會(huì)造成與正常圖像相差較大的非正常圖像,依據(jù)由非正常圖像得到的計(jì)算結(jié)果進(jìn)行光路調(diào)整,將增加準(zhǔn)直流程的循環(huán)次數(shù),甚至導(dǎo)致準(zhǔn)直任務(wù)無法在規(guī)定的時(shí)間完成.為克服這一困難,本文提出了一種新的解決方法,在圖像分析計(jì)算之前增加圖像分類檢測功能,完成對(duì)光斑圖像的快速分類篩選.并對(duì)非正常圖像的產(chǎn)生原因進(jìn)行初步分類,為故障的快速定位提供數(shù)據(jù)支持.

    1 圖像分類器的構(gòu)造

    分類是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)中的一個(gè)重要研究課題[1-2].其目標(biāo)是構(gòu)造1個(gè)分類器,即設(shè)計(jì)一種映射函數(shù)將實(shí)例空間的實(shí)例映射到類別空間的某個(gè)或某些類標(biāo)簽[3].通過分類器的映射,完成面向特定需求的數(shù)據(jù)分類,為數(shù)據(jù)的后期處理提供基礎(chǔ).

    在本文的具體應(yīng)用中,針對(duì)特殊的畸變光斑圖像檢測,引入光斑圖像形狀因子作為光斑圖像形狀的判定參數(shù),實(shí)現(xiàn)對(duì)畸變圖像的檢測過濾.

    要完成圖像分類器的構(gòu)造,首先需要根據(jù)二維圖像數(shù)據(jù)的特點(diǎn),選擇分類器模型,建立圖像數(shù)據(jù)與分類條件表之間的映射關(guān)系,并進(jìn)行分類推理,創(chuàng)建分類條件概率表(CPTs),從而完成分類器模型的構(gòu)造.

    1.1 分類器模型

    當(dāng)前有許多分類方法和技術(shù)可以用于分類器的構(gòu)造和設(shè)計(jì),如決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯網(wǎng)絡(luò)、K-最近鄰等[4-6].由于貝葉斯分類方法具備堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)、綜合先驗(yàn)信息和數(shù)據(jù)樣本信息的能力以及豐富的解釋表現(xiàn)能力,尤其適合于數(shù)據(jù)挖掘、故障診斷等領(lǐng)域,并得到廣泛應(yīng)用[7],因此選擇貝葉斯分類器作為非正常圖像分類檢測工具.

    貝葉斯分類模型是由Pearl[8]提出的,是一種結(jié)合了概率論和圖論的模型.它主要反映了各變量間的概率關(guān)系.其分類工作原理是通過某對(duì)象的先驗(yàn)概率,利用貝葉斯公式計(jì)算出其后驗(yàn)概率,即該對(duì)象屬于某一類的概率,選擇具有最大后驗(yàn)概率的類作為該對(duì)象所屬的類[9].

    1.2 分類器構(gòu)造

    根據(jù)不同類型光斑圖像灰度分布不同的特點(diǎn).選擇圖像灰度值作為二維圖像的特征值,灰度值分布范圍情況作為分類條件,采用累計(jì)概率密度函數(shù)作為映射函數(shù)完成圖像的分類.

    采用灰度累計(jì)概率密度函數(shù)作為映射函數(shù)的優(yōu)勢(shì)在于將二維圖像數(shù)據(jù)的灰度累計(jì)概率密度映射成一維的圖像特征值,在簡化判定條件的同時(shí),還降低了檢測功能占用的系統(tǒng)資源.

    首先將圖像灰度直方圖化,并根據(jù)直方圖數(shù)據(jù)得到概率密度、累計(jì)概率密度函數(shù)的值.其定義為:

    設(shè):圖像共包括L級(jí)灰度,圖像中像素點(diǎn)的總數(shù)NT,像素灰度值為an的個(gè)數(shù)表示為N(an),令灰度概率密度函數(shù)為p(an).

    令累計(jì)概率密度函數(shù)為Pr(an),表示從灰度值0~an的像素點(diǎn)的累積概率密度.公式為

    灰度值在(am,an)的累積概率密度函數(shù)為

    式中:m,n=0,1,…,L-1.

    其實(shí)際意義表示圖像中灰度值在(am,an)區(qū)間內(nèi)像素點(diǎn)占總像素的比率.

    設(shè)一維向量f用于存放圖像的特征值,且f∈

    RNf×1,Nf表示圖像類別數(shù).特征向量f實(shí)際上就是圖像的特征值的集合.

    1.3 分類推理

    分類推理,即計(jì)算類結(jié)點(diǎn)的條件概率,對(duì)分類數(shù)據(jù)進(jìn)行分類.根據(jù)實(shí)際經(jīng)驗(yàn)將圖像分為5類:壞黑圖像、良黑圖像,白圖像、噪聲圖像和可用圖像.設(shè)向量f的元素分別為fk,1≤k≤5,灰度級(jí)L為256.

    根據(jù)特征值計(jì)算公式,對(duì)典型的5類圖像進(jìn)行計(jì)算,建立分類器判定表如表1所示.按照貝葉斯分類原理,圖像所屬類別由特征向量f中數(shù)值最大的分量元素fk決定.

    表1 圖像分類條件概率表

    這里需要特別指出的是第4類圖像——含有噪聲的圖像對(duì)分類結(jié)果的影響較大,需要在圖像預(yù)處理中通過各種濾波算法[10]、變換域法[11-12]、概率統(tǒng)計(jì)法[13-14]和偏微分方程法等技術(shù)將噪聲盡可能去除.

    圖1是對(duì)幾種典型圖像的計(jì)算結(jié)果.

    圖1 4種典型圖像及其對(duì)應(yīng)的特征值

    2 形變檢測

    通過分類器的篩選,已經(jīng)將大部分的非正常圖像去除.但在“可用圖像”中,仍存在被干擾影響的畸變圖像.依據(jù)畸變圖像得到的位置估計(jì)必定會(huì)影響準(zhǔn)直控制循環(huán),因此需要進(jìn)行形變檢測剔除這類畸變圖像.

    形變檢測基于二維圖像數(shù)據(jù)至一維圖像特征轉(zhuǎn)換的思想,計(jì)算獲得圖像的一維特征——形狀因子E,通過對(duì)形狀因子所處區(qū)間進(jìn)行判定,檢測光斑圖像中是否存在畸變.具體思路是對(duì)所有圖像點(diǎn)的灰度值進(jìn)行垂直投影,灰度累積情況即為形狀波形函數(shù),形狀波形的脈寬即為形狀因子.形狀因子與光斑圖像直徑的理論值或經(jīng)驗(yàn)值進(jìn)行比較,若偏差在允許范圍Δe內(nèi)即||≤Δe,則認(rèn)為結(jié)果合格,否則,判定存在變形,圖像不可用.原理如圖2所示.

    圖2 變形檢測原理

    二維圖像數(shù)據(jù)轉(zhuǎn)化為一維形狀波形的計(jì)算公式為(以沿x軸的形狀波形函數(shù)為例)

    式中:S為比例因子,其取值決定幅值和形狀波形上升沿、下降沿的斜率;I(xj,yk)為坐標(biāo)為(xj,yk)的像素點(diǎn)的灰度值.

    根據(jù)圖像的畸變特點(diǎn),選擇增加45°、90°和135°方向的形狀檢測,即得到其在θ={0°,45°,90°,135°}4個(gè)方向的形狀波形,其中0°方向即為x軸方向.4個(gè)檢測方向如圖3所示.

    圖3 生成形狀波形過程中的4個(gè)檢測方向

    各方向形狀波形函數(shù)可通過坐標(biāo)系變換的方法獲得,令新坐標(biāo)為(x',y'),將θ所對(duì)應(yīng)的新坐標(biāo)帶入x軸的形狀波形函數(shù)即可獲得當(dāng)前角度θ時(shí)的形狀波形.

    坐標(biāo)變換公式為

    采用此方法對(duì)良好圖像和剪切類畸變圖像進(jìn)行檢測試驗(yàn),結(jié)果如圖4所示.

    由結(jié)果可以看出,良好圖像4個(gè)檢測方向的脈寬寬度與理論光斑直徑偏差的絕對(duì)值較小.畸變圖像1在135°方向的偏差較大,畸變圖像2在 90°、135°方向上偏差較大.

    圖4 圖像變形檢測

    3 結(jié)果及分析

    實(shí)驗(yàn)過程在下述硬件平臺(tái)上進(jìn)行:圖像處理計(jì)算機(jī)采用Intel Core2 Quad CPU、4 G DDRII內(nèi)存的硬件配置.圖像采集設(shè)備采用自制CCD相機(jī)(分辨率1 280×1 024,1 000 M以太網(wǎng)接口,幀頻20 fps、)及600 nm波長的激光光源.

    分類檢測軟件采用VC++2003、LabVIEW 8.5混合編程,運(yùn)行環(huán)境為WindowsXP+SP3.

    分類檢測流程如圖5所示.

    圖5 圖像分類檢測流程

    設(shè)定循環(huán)次數(shù)M=3,形狀檢測閾值E^=70,允許偏差Δe=6,比例因子S=2.

    在實(shí)驗(yàn)室模擬狀態(tài)下,對(duì)各種運(yùn)行狀態(tài)的光斑圖像進(jìn)行采集獲得相關(guān)實(shí)驗(yàn)數(shù)據(jù).

    各類采集樣本總數(shù) 550個(gè),實(shí)驗(yàn)次數(shù)為10組,每組實(shí)驗(yàn)從各類別中隨機(jī)選取1/5數(shù)量的圖像,并混合作為1次實(shí)驗(yàn)數(shù)據(jù).如表2所示.總樣本數(shù) .

    表2 測試樣本類別及數(shù)目

    經(jīng)實(shí)驗(yàn),完成了對(duì)圖像檢測識(shí)別能力進(jìn)行驗(yàn)證,表3中記錄了對(duì)各類圖像的識(shí)別率.

    檢測能力采用識(shí)別率來衡量.識(shí)別率=正確識(shí)別樣本

    表3 識(shí)別率統(tǒng)計(jì) %

    實(shí)驗(yàn)結(jié)果表明:貝葉斯分類器對(duì)五類光斑圖像的分類判定成功率>95%;采用形狀因子對(duì)畸變圖像檢測成功率>90%;對(duì)非正常圖像的平均檢測成功率>97%.

    通過統(tǒng)計(jì)可以看出對(duì)于由CCD故障、光路影響做造成的非正常圖像(壞黑、良黑、白、噪聲圖像),具備比較滿意的檢測能力;對(duì)于畸變圖像也具有較強(qiáng)的檢測能力.

    增加非正常圖像的分類檢測功能后,準(zhǔn)直循環(huán)不再對(duì)非正常圖像進(jìn)行中心點(diǎn)計(jì)算及運(yùn)動(dòng)驅(qū)動(dòng),避免了非正常圖像對(duì)準(zhǔn)直過程的干擾,使得準(zhǔn)直過程中準(zhǔn)直大循環(huán)的次數(shù)大幅減少.同時(shí)能夠根據(jù)非正常圖像的特征準(zhǔn)確的判定故障原因.

    4 結(jié)論

    1)經(jīng)過實(shí)驗(yàn)測試,使用累計(jì)概率密度函數(shù)能夠較好的完成對(duì)圖像特征的提取,構(gòu)建的貝葉斯分類器能靈活地完成圖像分類.

    2)通過形狀因子的判定能夠較好的實(shí)現(xiàn)對(duì)畸變圖像的檢測,通過對(duì)圖像的分類篩選,為圖像后處理提供合格的圖像數(shù)據(jù),有效減少了準(zhǔn)直循環(huán)次數(shù),極大提高了準(zhǔn)直效率.

    3)通過對(duì)不合格圖像的分析、判斷,為故障定位、排除提供了數(shù)據(jù)支持,有效降低了發(fā)生事故的概率.

    [1]XI X,KEOGH E,SHELTON C L,et al.Fast time series classification using numerosity reduction[C]//Proceedings of the 23rd International Conference on Machine Learning.New York,NY:ACM,2006.1033-1040.

    [2]HAN Jiawei,KAMBER M.數(shù)據(jù)挖掘-概念與技術(shù)[M].第2版.范明,孟小峰譯.北京:機(jī)械工業(yè)出版社,2006:70-75.

    [3]范敏,石為人.層次樸素貝葉斯分類器構(gòu)造算法及應(yīng)用研究[J].儀器儀表學(xué)報(bào),2010,31(4):20.

    [4]HAN J,KAMBER M.Data Mining:Concepts and Techniques[M].Beijing:China Higher Education Press,2001:51-56.

    [5]EGMONT-PETERSEN M,F(xiàn)EELDERS A,BAESENS B.Confidence intervals for probabilistic network classifiers[J].Computational Statistics and Data Analysis,2005,49(4):998-1019.

    [6]張海笑,徐小明.數(shù)據(jù)挖掘中分類方法研究[M].太原:山西出版社,2005:8-16.

    [7]HECKERMAN D.Bayesian networks for data mining[J].Data Mining and Knowledge Discovery,1997,1(1):79-119.

    [8]BHAHRAMANI Z.An introduction to hidden markov models and Bayesian networks[J].International Joumal of Patten Recognition and Artificial Intelligence,2001,15(1):9-42.

    [9]江敏,陳一民.貝葉斯優(yōu)化算法的發(fā)展綜述[J].計(jì)算機(jī)工程與設(shè)計(jì),2010,31(14):3254-3259.

    [10]ZHANG Ming,GUNTURK B K.Multiresolution bilateral filtering for image denoising[J].IEEE Transactions on Image Processing,2008,17(12):2324-2333.

    [11]PORTILLA J,STRELA V,WAINWRIGHT M J,et al. Image denoising using scale mixtures of Gaussians in the wavelet domain[J].IEEE Transactions on Image Processing,2003,12(11):1338-1351.

    [12]ZHANG Bo,F(xiàn)ADILI J M,STARCK J.Wavelets,ridgeLets,and curvelets for Poisson noise removal[J].IEEE Transactions on Image Processing,2008,17(7): 1093-1108.

    [13]MALFAIT M,ROOSE D.Wavelet-based image denoising using a Markov random field a priori mode[J].IEEE Transactions on Image Processing,1997,6(4): 549-565.

    [14]GOOSSENS B,PIZURICA A,PHILIOS W.Image denoising using mixtures of projected Gaussian scale mixtures[J].IEEE Transactions on Image Processing,2009,18(8):1689-1702.

    猜你喜歡
    光斑畸變貝葉斯
    我愛塵世的輕煙和光斑
    都市(2023年6期)2023-12-28 07:56:54
    光斑
    詩歌月刊(2023年1期)2023-03-22 14:06:24
    有趣的光斑
    有趣的光斑
    在Lightroom中校正鏡頭與透視畸變
    貝葉斯公式及其應(yīng)用
    基于貝葉斯估計(jì)的軌道占用識(shí)別方法
    一種基于貝葉斯壓縮感知的說話人識(shí)別方法
    電子器件(2015年5期)2015-12-29 08:43:15
    輻射誘導(dǎo)染色體畸變的快速FISH方法的建立
    IIRCT下負(fù)二項(xiàng)分布參數(shù)多變點(diǎn)的貝葉斯估計(jì)
    璧山县| 济宁市| 福安市| 疏附县| 张掖市| 响水县| 揭阳市| 安溪县| 安阳市| 齐齐哈尔市| 玛曲县| 大埔区| 蓝田县| 新闻| 尖扎县| 昂仁县| 安顺市| 益阳市| 泸水县| 望谟县| 确山县| 安岳县| 浦江县| 呼伦贝尔市| 河津市| 洛南县| 抚松县| 广西| 拉孜县| 茶陵县| 甘谷县| 托克逊县| 长汀县| 柘荣县| 丰都县| 泰安市| 西华县| 大安市| 宁远县| 土默特左旗| 汶川县|