基于像质分析的强脉冲辐射源焦斑图像分割

发布时间：2021-09-30 23:38

　　为研究强脉冲辐射源的辐射变化规律,针对辐射源焦斑图像,设计了一种基于像质分析的强脉冲辐射源焦斑图像分割方法。首先,在分析辐射源焦斑图像一般特点并总结常见图像分割方法的基础上,提出了适合于焦斑的图像分割方法。其次,采用图像信噪比、图像灰度最大值及图像模糊度3个图像质量评价参数对辐射源焦斑图像进行了定量化像质分析。最后,在经典OTSU阈值分割方法的基础上,提出了根据像质分析结果动态调节分割算法的计算策略。仿真实验结果表明,本文算法显著提高了图像的分割效果和计算的稳定性,证明了该方法的正确和有效。 

【文章来源】：现代应用物理. 2020,11(03)

【文章页数】：7 页

【部分图文】：

实测辐射源焦斑图像示例

通过仿真实验分析,本文选取阈值分割技术用于强脉冲辐射源焦斑图像的分割,图2为计算流程图。首先,在获取一幅图像后,需进行图像预处理。针对椒盐噪声污染的图像,本文采用经典的中值滤波和形态学计算对图像进行降噪处理。

利用模拟及实测的强脉冲辐射焦斑对本文算法的有效性分别进行验证与分析。模拟实验在CPU为Intel(R) Core(TM)i5-4200H、主频为2.8 GHz、内存为8 GB的PC机上进行,利用Python 3.6.9及Opencv 3.3.1软件进行编程。采用LED阵列光源模拟焦斑辐射,CCD相机模拟观测传感器,模拟得到的强脉冲辐射焦斑如图3所示。图4给出了使用不同分割方法对图3的分割结果。其中,图4(a)为图3添加椒盐噪声后的结果;图4(b)为采用固定阈值分割的结果,固定阈值取150;图4(c)为采用经典OTSU方法分割的结果;图4(d)为采用分水岭算法分割的结果;图4(e)为采用k均值聚类方法分割的结果;图4(f)为采用snake模型分割的结果;图4(g)为采用最大熵方法分割的结果;图4(h)为采用本文方法分割的结果。由图4可见,经典阈值分割方法、经典OTSU方法、分水岭算法及最大熵方法虽然在一定程度上能较好地分割焦斑外侧边缘,但对焦斑中心的黑斑分割效果较差; k均值聚类方法可分割出焦斑中心的黑斑,但需要人为指定聚类个数及聚类中心,在实际应用中具有一定的困难;本文提出的基于图像质量分析的改进OTSU分割方法可较好地分割出焦斑边缘及内侧黑斑。


本文编号：3416845