針對光暈導致的光斑圖像邊緣模糊的特點,采用Niblack局部閾值分割得到光斑目標區(qū)域,并提取光斑的幾何特征;以Niblack分割得到的圖像邊緣對原始光斑圖像進行裁剪,得到去除光暈影響的光斑目標灰度圖像,在此基礎上提取該區(qū)域光斑圖像亮度,結合光斑幾何特征構造6維特征矩陣。分別采用BP神經網(wǎng)絡、線性局部切空間排列LLTSA-BP網(wǎng)絡、局部保持投影LPP-BP模型對燒蝕功率進行識別;進一步采用極限學習機（ELM-Extreme Learning Machine）、LLTSA-ELM和LPP-ELM降維模型,基于降維后的特征矩陣進行燒蝕功率分類。對比研究發(fā)現(xiàn)BP神經網(wǎng)絡在對6維特征矩陣分類時收斂時間比ELM分類模型短,所需隱含層神經元個數(shù)少。而流形學習-ELM模型則在對降維之后的數(shù)據(jù)分類時表現(xiàn)較優(yōu),所需時間遠遠小于BP神經網(wǎng)絡模型的處理時間,其中LPP-ELM模型對光斑的分類效果最優(yōu)。 

【文章來源】：激光與紅外. 2020,50(01)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

光斑圖像的Niblack局部閾值分割

依據(jù)光斑圖像的特點本文提出基于Niblack光斑分割后,疊加在原始圖像上獲得光斑目標區(qū)域,在剩余光斑目標區(qū)域內對圖像進行亮度特征提取。圖2為通過疊加去除光暈影響的光斑圖像。圖2(a)為原始光斑的亮度特征區(qū)域,傳統(tǒng)求亮度平均值的思想是從全圖考慮,包括所有的像素,引入了光暈亮度的干擾。圖2(b)為通過分割、疊加后保留的亮度區(qū)域,從圖中可以發(fā)現(xiàn),該方法剔除了光暈部分,可實現(xiàn)對特定光斑目標區(qū)域的亮度特征提取。3 光斑序列圖像特征分類

選取50 mW、20 mW及10 mW燒蝕功率光斑圖像各300幅,提取亮度和幾何特征得到900×6的特征矩陣,矩陣的每一行表示一個樣本特征。隨機抽選840個特征作為訓練樣本,60個為測試樣本,隱含層節(jié)點為7的BP神經網(wǎng)絡對其預測,迭代次數(shù)為13,預測分類結果如圖3所示。圖3中可以看出,有一個圓圈標記的實際值和星號標記的預測值沒有重合,表明有一個測試樣本沒有被正確預測。經多次試驗統(tǒng)計,BP算法分類預測正確率最優(yōu)為98.33 %,平均訓練時間為0.30624 s,預測時間在0.01 s左右,有較好的分類效果。進一步擴大數(shù)據(jù)集,減少特殊樣本的干擾,將每種圖像的特征擴大到1000個,總計3000個樣本,從中隨機選出2940個樣本做訓練集,剩余60個做測試集,預測結果如圖4所示。

【參考文獻】：
期刊論文
[1]基于區(qū)域生長法和BP神經網(wǎng)絡的紅外圖像識別[J]. 陳躍偉,彭道剛,夏飛,錢玉良.  激光與紅外. 2018(03)
[2]基于卷積神經網(wǎng)絡的材質分類識別研究[J]. 劉昊,李喆,石晶,辛敏思,蔡紅星,高雪,譚勇.  激光與紅外. 2017(08)
[3]基于光譜梯度角的高光譜影像流形學習降維法[J]. 向英杰,楊桄,張儉峰,王琪.  激光技術. 2017(06)
[4]基于流形學習的網(wǎng)絡數(shù)據(jù)流異常檢測[J]. 唐斯琪,潘志松.  濟南大學學報(自然科學版). 2017(02)



本文編號：3211352