為研究強脈沖輻射源的輻射變化規(guī)律,針對輻射源焦斑圖像,設計了一種基于像質分析的強脈沖輻射源焦斑圖像分割方法。首先,在分析輻射源焦斑圖像一般特點并總結常見圖像分割方法的基礎上,提出了適合于焦斑的圖像分割方法。其次,采用圖像信噪比、圖像灰度最大值及圖像模糊度3個圖像質量評價參數(shù)對輻射源焦斑圖像進行了定量化像質分析。最后,在經(jīng)典OTSU閾值分割方法的基礎上,提出了根據(jù)像質分析結果動態(tài)調節(jié)分割算法的計算策略。仿真實驗結果表明,本文算法顯著提高了圖像的分割效果和計算的穩(wěn)定性,證明了該方法的正確和有效。 

【文章來源】：現(xiàn)代應用物理. 2020,11(03)

【文章頁數(shù)】：7 頁

【部分圖文】：

實測輻射源焦斑圖像示例

通過仿真實驗分析,本文選取閾值分割技術用于強脈沖輻射源焦斑圖像的分割,圖2為計算流程圖。首先,在獲取一幅圖像后,需進行圖像預處理。針對椒鹽噪聲污染的圖像,本文采用經(jīng)典的中值濾波和形態(tài)學計算對圖像進行降噪處理。

利用模擬及實測的強脈沖輻射焦斑對本文算法的有效性分別進行驗證與分析。模擬實驗在CPU為Intel(R) Core(TM)i5-4200H、主頻為2.8 GHz、內(nèi)存為8 GB的PC機上進行,利用Python 3.6.9及Opencv 3.3.1軟件進行編程。采用LED陣列光源模擬焦斑輻射,CCD相機模擬觀測傳感器,模擬得到的強脈沖輻射焦斑如圖3所示。圖4給出了使用不同分割方法對圖3的分割結果。其中,圖4(a)為圖3添加椒鹽噪聲后的結果;圖4(b)為采用固定閾值分割的結果,固定閾值取150;圖4(c)為采用經(jīng)典OTSU方法分割的結果;圖4(d)為采用分水嶺算法分割的結果;圖4(e)為采用k均值聚類方法分割的結果;圖4(f)為采用snake模型分割的結果;圖4(g)為采用最大熵方法分割的結果;圖4(h)為采用本文方法分割的結果。由圖4可見,經(jīng)典閾值分割方法、經(jīng)典OTSU方法、分水嶺算法及最大熵方法雖然在一定程度上能較好地分割焦斑外側邊緣,但對焦斑中心的黑斑分割效果較差; k均值聚類方法可分割出焦斑中心的黑斑,但需要人為指定聚類個數(shù)及聚類中心,在實際應用中具有一定的困難;本文提出的基于圖像質量分析的改進OTSU分割方法可較好地分割出焦斑邊緣及內(nèi)側黑斑。


本文編號：3416845