基于BLOB 區域和邊緣特征分析的準直圖像雙光學目標識別方法

何文軒，王拯洲，魏際同，王力，弋東馳

（1 中國科學院西安光學精密機械研究所，西安 710119）（2 中國科學院大學，北京 100039）

0 引言

光束控制與診斷系統是某原型裝置的一個閉環調控監視系統，具備多功能和高準確度的激光參量診斷平臺［1］，該系統包含光學取樣組件、探測元器件、伺服系統、監視系統和控制系統等，用于精密診斷裝置輸出激光光束的能量、近場、遠場和時間波形等特性。在大型激光裝置中，光路自動準直系統需要完成三個準直流程：光路自準直、模擬光準直和光路對接準直。光路對接準直的主要目的是通過啟動光束收斂線程，結合圖像識別和二維電動鏡架的調整，反復迭代將主激光目標調整到相對模擬光目標的相對偏差位置。

光路對接準直圖像中包含兩個光學目標，即模擬光目標和主激光目標。在光束初始調控階段，兩個光學目標的位置是隨機的、不確定的，存在兩個光學目標粘連在一起的可能，對光束調控造成了巨大的困難。因此，光路對接準直需要解決兩種情況下的圖像識別問題：1）在光束初始調控階段，當主激光束和模擬光束剛被導入時，需要采用粘連識別算法對兩個光學目標的粘連狀態進行識別，如果兩個光學目標處于粘連狀態，需要通過調整二維鏡架BM6XY 電機使得兩個目標完全分開；2）在兩個光學目標完全分開的情況下，需要確定兩個光學目標哪個是模擬光目標，哪個是主激光目標。

在光路對接準直流程［2-4］中，雙目標粘連狀態的無法判別是一個需要解決的問題。郭嘉富［5］針對大型激光裝置［6］光路自動準直中的光學目標識別問題，提出了基于圓擬合的雙光學目標識別方法，但無法對兩個光學目標的粘連狀態進行判別。為了應對這個問題，首先需要分析粘連圖像［7］和完全分離圖像的特點。對于處于粘連狀態的雙光學目標準直圖像［7］，可以觀察到以下特點：1）準直圖像可能包含1 個或2 個光學目標；2）目標完全分離時，距離大于100 像素；3）目標距離較近或完全重合時，會合并為一個光斑。由以上分析可知采用適當的圖像處理和分類算法來解決雙目標粘連狀態無法判別的問題，可成功完成光路對接準直操作。

粘連圖像的識別［8-10］是指從一個待識別圖像中判斷是否分別包含兩個單獨目標的部分特征信息的過程。因此，粘連目標識別需要同時處理待識別圖像和模板圖像。通過觀察待識別圖像和模板圖像的邊緣輪廓特征，發現在待識別圖像中包含了大部分模板圖像的邊緣輪廓特征［11］?；诖?，將兩幅圖像的邊緣輪廓信息作為判斷待識別圖像是否為粘連圖像的重要特征信息。選擇模擬光目標［12］作為模板圖像，提取該模板圖像的特征信息，記為Ef，同時在待識別圖像中提取特征信息，記為Eg。通過比較兩個圖像特征信息的相似度，判斷在待識別圖像中是否包含模板圖像的特征信息。如果Eg中包含Ef的特征信息大于某個閾值，則說明待識別圖像中包含了模板圖像，從而證明待識別圖像為粘連圖像。

兩個完全分離的雙光學目標準直［12］圖像具有以下特點：1）模擬光目標為實心、目標區域連續、目標區域中心無孔洞的光學目標，邊緣輪廓較為平滑，主體目標區域形成一個完整的連通域；2）主激光目標是一個非實心的光學目標，其目標區域不連續且包含許多孔洞，邊緣區域輪廓非常曲折，整個目標區域包含多個連通域，且連通域內存在孔洞；3）主激光目標的光束質量較差，其光斑形狀多變，紋理不規則，邊緣曲折不連續明顯。最明顯的特征是模擬光目標僅包含一個連通域，而主激光目標則包含多個連通域?；谶@個特征，通過統計和比較兩種光學目標在各自的目標區域中包含的連通域個數來區分模擬光目標和主激光目標。

為了對主激光和模擬光粘連光學目標進行分離，本文提出了一種基于二進制大對象（Binary Large Object，BLOB）區域和邊緣特征分析的準直圖像雙光學目標識別方法。該方法通過統計經過數字圖像處理后的光學目標BLOB 數目，建立數學模型，以實現對主激光和模擬光目標在完全分離和粘連狀態下的識別。

1 理論背景

基于BLOB 區域和邊緣特征分析的準直圖像雙光學目標識別方法的目的是提出一個統一的圖像識別算法，同時完成兩個功能：1）對處于粘連狀態的兩個光學目標的粘連狀態進行判別；2）對于完全分離的準直圖像中雙光學目標進行識別，并標識模擬光目標和主激光目標的識別標志。為了實現該功能，提出的基于BLOB 區域［12-13］和邊緣特征分析的準直圖像雙光學目標識別方法的主要步驟為：1）二值化和數字形態學處理；2）BLOB 區域特征信息提??；3）基于BLOB 區域數量特征統計的雙光學目標識別；4）基于邊緣特征分析的粘連光學目標識別。

1.1 二值化和數字形態學處理

在光路對接準直流程中，通常采集到的準直圖像包含主激光和模擬光兩個光學目標，兩個目標的分布特征不同。為了識別兩個目標中的主激光目標和模擬光目標，需要將包含不規則紋理的主激光目標合并為一個較完整的、面積更大的連通域，對二值化圖像進行膨脹運算。

假設光路對接準直圖像表示為I（x，y），是尺寸為n×m的8 位位圖圖像（Bitmap，BMP），m=600，n=800。為了方便統計準直圖像的特征信息，使用類間最大方差法（OTSU）對I（x，y）進行二值化處理，二值化圖像表示為Ibin（x，y）。按照數字形態學理論，膨脹運算實質上是集合運算，A 被B 膨脹看作是所有結構單元原點位置組成的集合。選擇尺寸為5×5 的結構單元，結構單元如矩陣B所示，即

經過數字形態學膨脹運算圖像Imorph（x，y）為二值化圖像Ibin（x，y）與矩陣B的異或運算［14］。

1.2 BLOB 區域特征信息提取

BLOB 區域［15］指圖像中具有相似特征且在空間上相互連通的像素集合，也稱作連通域。通過BLOB 特征分析不僅可以將目標從背景中分離出來，而且可以提取目標的特征參數，如面積、周長、形心和重心位置、水平/垂直方向軸長、邊緣輪廓等。

本文目標識別方法需要對每一個BLOB 區域進行裁剪，重點關注每個BOLB 區域的水平/垂直方向軸長和重心位置。一幅準直圖像的目標識別函數用公式表示為

式中，i表示BLOB 區域編號，BR 為準直目標識別函數（Blob Recognize）。

對每個BLOB 區域來說，特征信息提取的結果包括：面積areai、XY方向中心位置centerxi和centeryi、XY方向軸長lenxi和lenyi、裁剪區域從regioni.left 到regioni.bottom、粘連標志join_flagi、目標識別類別mng_flagi等。BLOB 區域編號i滿足0＜=i＜blobcount，blobcount 為BLOB 區域個數，Iiblob（x，y）為第i個BLOB 區域。

將一幅準直圖像提取出的每個BLOB 區域特征信息存儲在BLOB 鏈表中，鏈表長度等于BLOB 區域個數blobcount，每個BLOB 區域的面積、XY方向軸長、中心坐標位置、裁剪區域、目標識別類別用公式表示為

式中，endsNumber 為鏈碼表所對應的線段表個數，即一個BLOB 區域所包含的行數，pPoint［k］.x分別為水平線段表的起點位置和終點位置，point_sum 為一個BLOB 區域的像素個數，即面積，mng_flagi為目標識別類別，取值為0、1、2、3。

1.3 基于BLOB 區域數量特征統計的雙光學目標識別方法

在正常的光路對接準直流程中，兩個光學目標處理［16］處于完全分開狀態，粘連標志join_flagi=0。為了實現光學對接準直流程，通過移動二維電動鏡架BM6XY 使得主激光移動到相對模擬光的相對偏差位置，這需要對模擬光目標和主激光目標兩個光學目標進行識別。

通過分析光路對接準直兩種光學目標特點，發現兩種光學目標分別包含的連通域個數不同，模擬光目標只包含一個連通域，主激光目標包含多個連通域，基于此特征，通過統計和比較兩種光學目標在各自目標區域中包含的連通域個數來區分模擬光目標和主激光目標。目標識別主要分為4 個步驟：1）搜索面積最大的兩個區域，將識別標志mng_flagi置為3；2）搜索每個BLOB 區域的矩形區域；3）統計每一個BLOB 中心坐標位于兩個面積最大的區域內的各BLOB 個數，分別記為blobcount1 和blobcount2；4）比較blobcount1 和blobcount2 大小，對模擬光目標和主激光目標進行目標識別。

1.3.1 搜索面積最大的兩個連通域

一般地，主激光目標和模擬光目標對應的兩個連通域面積都是最大的，每一個BLOB 區域的詳細信息，包括面積、中心位置、XY方向軸長可用式（2）獲得，假設面積最大的連通域為（x，y），面積次大的連通域為（x，y），從所有的BLOB 區域中搜索面積最大和次大的兩個BLOB 區域，作為主激光目標和模擬光目標的候選BLOB 區域，用公式表示為

式中，areai為第i個BLOB 區域的面積，p、q分別為面積最大和面積次大BLOB 區域所對應的區域編號。面積最大和次大的兩個連通域為候選區域，將式（4）中的mng_flagi設置為3，其他連通域保持初始值mng_flagi=0不變，這樣就可以將候選連通域與剩余連通域區別開來。

1.3.2 搜索兩個面積最大的BLOB 區域對應的矩形區域

搜索兩個面積最大的候選BLOB 區域對應的矩形區域，是為統計每一個BLOB 中心坐標位于兩個面積最大的區域內的各BLOB 個數做準備。兩個面積最大的BLOB 區域的對應的矩形區域，表示為［regioni.left regioni.top］ ［regioni.right regioni.bottom］，分別表示BLOB 區域的［左上X左上Y］ ［右下X右下Y］，用公式表示為

每個BLOB 區域的邊界必須滿足左上X和左上Y大于0，且右下X小于圖像水平尺寸，右下Y小于圖像尺寸的約束條件regioni.left＞=0， regioni.right＜n， regioni.top＞=0， regioni.bottom＜m。

根據以上區域計算公式，所選擇的每個BLOB 區域裁剪范圍是原先BLOB 區域水平和垂直軸長的2 倍。對于每個BLOB 區域來說，裁剪圖像用公式表示為

1.3.3 統計每一個BLOB 中心坐標位于兩個面積最大區域內的各BLOB 個數

模擬光目標和主激光目標的目標識別決策過程主要通過統計每一個BLOB 中心坐標位于兩個面積最大的區域內的各BLOB 個數來實現的。該決策算法是依據光路對接準直兩種光學目標特點來決定的，對模擬光目標來說，模擬光是一個實心的光斑，當模擬光目標的裁剪區域regioni水平和垂直方向被放大2 倍后，在模擬光目標的裁剪區域regioni內基本上不存在面積較小的連通域，如果原始圖像中存在離散點的話，經過腐蝕運算已經被消除掉了。對主激光目標來說，由于主激光目標周圍存在很多的衍射條紋，當主激光目標的裁剪區域regioni水平和垂直方向也被放大2 倍后，衍射條紋相比離散點的面積大很多，通過腐蝕運算無法將主激光目標裁剪區域regioni內的衍射條紋消除掉。兩個面積最大的區域內的各BLOB 個數用公式表示為

式中，blobcount1 表示面積最大光學目標裁剪區域內包含的連通域個數， blobcount2 表示面積次大的光學目標裁剪區域內包含的連通域個數，p和q分別為面積最大和次大的BLOB 區域編號，count（i）表示每個連通域中心坐標（centerxi，centeryi）在面積最大的連通域regionm或regionn內的個數。

1.3.4 設置兩個最大BLOB 區域的識別標志mng_flagi

當獲得每一個BLOB 中心坐標位于兩個面積最大區域內的各BLOB 個數blobcount1 和blobcount2 后，比較blobcount1 和blobcount2 大小，如果blobcount1＜blobcount2，則blobcount1 對應的最大面積BLOB 區域為模擬光目標，識別標志mng_flagi置為1，blobcount2 對應的最大面積BLOB 區域為主激光目標，識別標志mng_flagi置為1；反之blobcount1＞blobcount2，blobcount1 對應的最大面積BLOB 區域為主激光目標，識別標志mng_flagi置為2， blobcount2 對應的最大面積BLOB 區域為模擬光目標， 識別標志mng_flagi置為1。以上目標分類過程用公式表示為

對于blobcount1 等于blobcount2 的情況，需要根據面積系數area_xsi進行判斷，面積系數定義為最大或者次大連通域面積與最大或者次大連通域裁剪區域面積的比值，公式為

式中，areai表示第i個BLOB 區域面積為兩個面積最大連通域的裁剪圖像，水平和垂直尺寸分別為2×lenxi和2×lenyi。是一個不規則的光斑區域為原始圖像中的一個矩形區域（x，y）為的一個子區域，所以area_xsi面積系數小于等于1。對于模擬光目標來說，周圍沒有干涉條紋，只有極少的離散點，因此面積系數接近于1，對主激光目標來說，周圍存在干涉條紋，面積系數遠小于1。所以，當blobcount1 等于blobcount2 時，面積系數area_xsi大的為模擬光目標。將識別標志mng_flagi設置為1，面積系數area_xsi小的為主激光目標，將識別標志mng_flagi設置為2。用公式表示為

1.4 基于邊緣特征分析的粘連光學目標識別方法

對于大多數粘連圖像來說，由于兩個光學目標處于一個視窗中，生成粘連圖像的兩個光學目標的位置大體可以分為4 種布局，即左和右、上和下、右上和左下、左上和右下，根據以上布局可以預見的是，在粘連圖像中，50%以上的輪廓信息保持了原有模板圖像的輪廓信息，只有在完全重疊區域才損失了原先圖像的輪廓信息。例如，在待識別圖像的輪廓特征中，左邊保留了模板圖像輪廓特征的100%，上面和下面分別包含了模板圖像輪廓特征的50%以上。因此，從左右上下4 個方向，分別對待識別圖像的輪廓進行分段檢測，依次計算4 個方向模板圖像輪廓與待識別圖像輪廓之間的相關系數，如果有一個相關系數大于0.95，說明待識別圖像為粘連圖像。主要識別步驟為：1）模板圖像和待識別圖像輪廓特征提??；2）模板圖像和待識別圖像輪廓特征匹配；3）待識別圖像粘連標志判斷；4）從其他方向待識別圖像是否為粘連圖像。

1.4.1 模板圖像和粘連圖像輪廓特征提取

模板圖像和待識別圖像輪廓特征提取主要是提取邊緣圖像坐標序列。假設邊緣圖像表示為f（x，y），圖像尺寸為n×m，待識別邊緣圖像表示為g（x，y），圖像尺寸為n×m。為了從左右上下方向在待識別邊緣圖像中檢測所包含的模板圖像的邊緣，需要依次從左右上下4 個方向分別檢測模板邊緣圖像和待識別邊緣圖像所包含的邊緣序列。其中左右方向對應X坐標序列，上下方向對應Y坐標序列。

檢測邊緣圖像X坐標序列的原則是，從上到下掃描每一行，從左到右依次搜索，記錄第一個灰度值等于255 的X坐標值，如果一行中所有的灰度值都等于0，則該行的X坐標記為0。m行全部搜索完畢，共獲得m個X坐標序列。將從左邊檢測的模板邊緣圖像X坐標序列記為（y），從左邊檢測的待識別邊緣圖像X坐標序列記為gle（fty），用公式分別表示為

在使用坐標序列進行邊緣特征識別時，需要剔除模板邊緣圖像所有灰度值全部等于0 的行所對應的坐標序列， 只保留灰度值等于255 的坐標序列，該序列為有效坐標序列。從左邊檢測的模板邊緣圖像有效X坐標序列記為fleft（y），用公式表示為

式中，x取值范圍為（0，n-1），y取值范圍為（0，m-1）。

假設模板圖像的有效X坐標序列長度為C1， 待識別圖像的X坐標序列長度為C2，通常情況下，C1＜C2，C2=m。從左邊檢測的模板邊緣圖像有效X序列fleft（y）為X序列f’left（y）的子集， 是灰度等于255 最左邊X坐標序列的集合。

1.4.2 模板圖像和待識別圖像輪廓特征匹配

1）在待識別邊緣圖像坐標序列中搜索最佳匹配位置

經過以上處理，在模板邊緣圖像和待識別邊緣圖像中從左邊檢測到兩個X坐標序列fleft（y）和gleft（y），兩個序列長度不同。為了對兩個序列的相似度和相關性進行比較，需要將gleft（y）裁剪成與fleft（y）長度相同的子序列。

gleft（y）裁剪后長度等于C1的子序列，記為，將獲得的m-C1個子序列分別與fleft（y）做相關運算，得到m-C1個相關系數。用公式表示為

式中，corr 表示一維相關函數，i的取值范圍為［0，m-C1-1］。

在m-C1個相關系數中，選擇相關系數最大的子序列對應的起始位置作為最佳匹配點，記為sleft，最大相關系數記為rleft。用公式表示為

2）在待識別邊緣圖像坐標序列中搜索最佳匹配序列

搜索最佳匹配序列是從X坐標序列gleft（y）中裁剪起點位置為sleft、長度為C1的子序列，該序列為最佳匹配X序列，記為hleft（y），用公式表示為

將最佳匹配X序列和對應的Y方向坐標組合一起，組成最佳匹配位置，記為（hleft（y），y），y的取值范圍為［sleft，sleft+C1-1］。該最佳匹配位置是一個2 維列向量，第一列表示X坐標，第二列表示Y坐標。表示在待識別邊緣圖像中所找到的與模板邊緣圖像相匹配的位置序列。

1.4.3 待識別圖像粘連標志判斷

待識別圖像粘連標志判斷是利用待識別邊緣圖像的最佳匹配序列判斷待識別圖像是否為粘連圖像。通過以上處理，獲得了從左邊檢測的待識別邊緣圖像的最佳匹配序列hleft（y），該最佳匹配序列是否與模板邊緣圖像X坐標序列fleft（y）完全相似，通過相關系數rleft來判斷。由于待識別邊緣圖像是由主激光目標和模擬光目標重疊而成，兩個序列之間的相關系數無法等于1，當相關系數rleft越接近于1，則表示兩個序列越相似。根據實驗結果，選定閾值Tr=0.95，當rleft＞0.95 時，說明在待識別邊緣圖像位置序列中包含了模板邊緣圖像對應的位置序列。換句話說，從左邊檢測結果來看，在待識別圖像的邊緣gleft（y）中包含了模板圖像的邊緣fleft（y）。由此說明，待識別圖像為粘連圖像。用公式表示為

式中，Tr表示圖像粘連標志閾值，默認值為0.95；joinleft為粘連圖像判斷標志，取值0 或者1，1 表示粘連，0 表示不粘連。

1.4.4 從其他方向待識別圖像是否為粘連圖像

經過式（10）～（15），完成了根據從左邊檢測到的邊緣來識別判斷待識別圖像是否為粘連圖像。為了確保圖像粘連識別結果的可靠性，需要分別從右邊、上邊、下邊3 個方向依次來判斷待識別圖像是否為粘連圖像，這3 個方向的檢測原理與從左邊檢測原理相同。主要不同點是：1）從右邊進行檢測時，邊緣圖像的x下標從n-1 到0，依次減小，當f（x，y）或者g（x，y）灰度值等于255 時，記錄X坐標序列，分別記為fright（y）和gright（y）；2）從上邊進行檢測時，從模板邊緣圖像f（x，y）和待識別邊緣圖像g（x，y）中獲得坐標序列為Y方向坐標值，分別記為fup（x）和gup（x），x取值范圍［0，n-1］；3）從下邊進行檢測時，邊緣圖像的y下標從n-1 到0，依次減小，當f（x，y）或者g（x，y）灰度值等于255 時，記錄Y方向坐標序列，分別記為fdown（x）和gdown（x）；4）依次計算3 個方向的最佳匹配坐標序列，分別為hright（y）、hup（x）、hdown（x），相關系數分別為rright、rup和rdown，粘連標志分別為joinright、joinup和joindown。

綜合4 個方向的圖像粘連標識，當4 個方向中有1 個粘連標志等于1 時，判斷整個待識別圖像為粘連圖像，整個待識別圖像的粘連標志join_flag 用公式表示為

2 數據處理

在光路對接準直流程中，根據光路準直所處的階段不同，對準直圖像采用的數據處理方法不同。在起始階段，由于主激光束和模擬光束剛被導入，需要采用粘連識別算法對兩個光學目標的粘連狀態進行識別，并通過調整二維鏡架BM6XY 電機使得兩個目標完全分開；在準直階段，由于主激光束和模擬光束完全被分開，粘連標志為完全分開的狀態，只需要對兩個光學目標的類型識別，啟動光束收斂線程，反復迭代將主激光目標移動到目標位置。因此，本文的識別算法在不同階段分別實現對粘連狀態和兩個光學目標類型的識別。本文提出的基于BLOB 特征分析的粘連類型和光束類型識別算法處理步驟為：1）二值化；2）數字形態學處理；3）目標識別。雙光學目標識別數據處理流程如圖1 所示。

圖1 雙光學目標識別數據處理流程Fig.1 Dual optical target recognition data processing flow

2.1 雙光學目標識別數據處理

2.1.1 二值化

光路對接準直原始圖像如圖2 所示，包含左右兩個光路目標，分別為模擬光、主激光。其中模擬光目標特點為：實心、目標區域連續、目標區域中心無孔洞；主激光目標特點為：非實心、目標區域非連續、目標區域包含許多孔洞。對光路對接準直原始圖像進行二值化操作，如圖3 所示，使得兩個光路目標特點更加明顯。

圖2 原始圖像Fig.2 Original image

圖3 二值化圖像Fig.3 Binary image

2.1.2 數字形態學處理

1）腐蝕運算

對原始圖像二值化處理后，需要統計二值化圖像中的BLOB 信息。為了消除主激光目標周圍的離散點，需要對二值化圖像使用腐蝕運算進行第一次數字形態學處理，將主激光目標拆分成更多的非連通BLOB 區域，處理結果如圖4 所示。

圖4 第一次數字形態學處理結果Fig.4 Results of the first digital morphological processing

整個準直圖像進行腐蝕運算處理結果如圖4（a）所示。模擬光目標裁剪和腐蝕結果分別如4（b）和（c）所示。將模擬光目標腐蝕運算前后的圖像進行比較，發現模擬光目標的形態幾乎沒有變化，這是因為模擬光目標是實心的，邊緣幾乎不存在離散像素，腐蝕運算對模擬光目標的幾何形態基本沒有更改。

主激光目標經過腐蝕運算前后的結果如圖4（d）和（e）所示，可以發現主激光目標在形態上變化不大，但邊緣區域有明顯的變化。主要表現為：1）腐蝕圖像中離散的像素點消失，例如圖4（f）中的A和B點；2）腐蝕圖像中一些BLOB 區域的面積變小，例如圖4（f）中的C點和D點。主激光目標腐蝕運算前后的明顯變化是由于主激光目標是非實心的，并且目標區域是非連續的，每個目標包含許多孔洞。這些明顯特征對模擬光目標和主激光目標的特征提取和識別提供依據。

2）大尺寸膨脹運算

通過對腐蝕運算后的圖像進行第二次數字形態學處理大尺度膨脹運算，將非連通的主激光目標膨脹成更大面積的連通區域。依據式（2）對兩次數字形態學處理腐蝕和膨脹運算后各連通域的BLOB 信息進行統計，第一次和二次BLOB 詳細信息比較結果如表1 所示，第一和第二次分別用First、Second 進行標識。

表1 第一次和第二次統計各BLOB 區域詳細信息Table 1 First and second BLOB statistics comparison of BLOB details

由表1 數據可知經過膨脹運算，每個BLOB 區域具有兩個方面的變化：1）BLOB 區域的面積變大，例如No.1 的面積10 053→10 857，No.2 的面積400→5 964，No.3 面積122→356。2）水平和垂直方向的軸長變大，例如No.1 水平方向軸長132→135，垂直方向軸長126→129；No.2 水平方向軸長95→101，垂直方向軸長86→89；No.3 水平方向軸長19→43，垂直方向軸長14→20。

大尺寸膨脹運算，用來將每個BLOB 區域進行膨脹放大。對于模擬光目標，因為模擬光目標是實心的，運算后目標周圍被等比例放大，幾何形態幾乎沒有變化。運算后主激光目標的主要變化為：1）各BLOB 區域變為面積更大的連通區域；2）幾個BLOB 區域可能會合并成一個面積更大的BLOB 區域；3）每個BLOB區域內的孔洞可能變小，甚至消失。主激光目標大尺寸膨脹運算前后對比結果如圖5 所示。

圖5 主激光目標大尺寸膨脹運算結果Fig.5 Large expansion calculation results of the main laser target

從圖5 可以看出，經過大尺寸膨脹運算后，No.2、No.3 對應的BLOB 連通區域面積變大；No.4 對應的BLOB 區域消失；No.5 對應的BLOB 區域不僅面積變大，而且BLOB 區域內的4 個孔洞消失，應的BLOB 區域特征變化最大；No.6 對應的BLOB 區域連通區域面積變大；圖5（a）中No.7 與No.4 對應的BLOB 區域合并為一個更大的連通區域。即No.8 對應的BLOB 區域被合并入No.5 對應的BLOB 區域中，No.8 和No.9 對應的BLOB 區域連通區域面積變大了。

2.1.3 目標識別

目標識別是根據兩次數字形態學處理獲得的各個BLOB 區域的量化特征信息進行比較分析，確定哪個是主激光目標，哪個是模擬光目標。假設模擬光目標對應的中心坐標位于兩個面積最大的區域內的各BLOB 個數為blobcount1，主激光目標對應的中心坐標位于兩個面積最大的區域內的各BLOB 個數為blobcount2，比較blobcount1 和blobcount2 大小，如果blobcount1＜blobcount2，blobcount1 對應的最大面積BLOB 區域為模擬光目標，blobcount2 對應的最大面積BLOB 區域為主激光目標；反之亦然。

因此，目標識別主要分為4 個步驟：

1）搜索面積最大的兩個BLOB 區域

根據面積最大的兩個BLOB 區域的搜索結果，可以確定No.1 和No.2 對應的BLOB 區域分別作為模擬光目標和主激光目標的候選目標。將這兩個BLOB 區域的mng_flagi設置為3，如表2 所示。這兩個面積最大的BLOB 區域的搜索結果如圖6 中第三列綠色目標所示。

表2 目標識別結果對比Table 2 Comparison of target recognition results

圖6 面積最大的兩個BLOB 區域詳細參數Fig.6 The detailed parameters of two BLOB regions with the largest areas

2）搜索兩個面積最大的BLOB 區域的對應的矩形區域

該步驟是為統計每一個BLOB 中心坐標位于兩個面積最大矩形區域內所有的BLOB 區域個數做準備。兩個面積最大的BLOB 區域所對應的矩形區域，表示為［left top］ ［right bottom］，依次為BLOB 區域的左上X、左上Y、右下X、右下Y坐標位置，用公式表示為：left=中心坐標X-X方向軸長，top =中心坐標Y-Y方向軸長，right=中心坐標X+X方向軸長，bottom=中心坐標Y+Y方向軸長。

如表3 所示，No.1 對應BLOB 矩形區域為［4 26］ ［274 284］，No.2 對應BLOB 矩形區域為［324 184］［526 362］。例如，No.1 對應BLOB 區域=［139-135 155-129］［139+135 155+129］=［4 26］ ［274 284］。No.1 對應BLOB 區域如圖7 矩形框A 所選區域，其中A'為該BLOB 區域未放大前的原始尺寸區域，No.2 對應BLOB 區域如圖7 矩形框B 所選區域，其中B'為該BLOB 區域未進行放大前的原始尺寸區域。

表3 目標識別決策過程Table 3 Decision process of target recognition

圖7 目標識別過程示意圖Fig.7 Schematic diagram of target recognition process

3）統計每一個BLOB 中心坐標位于兩個面積最大的區域內的各BLOB 個數

模擬光目標和主激光目標的目標識別決策過程是通過統計每個BLOB 中心坐標位于兩個面積最大的區域內的所有BLOB 個數來實現的。目標識別的過程如圖7 和表3 所示。對于No.1 的BLOB 區域來說，在9 個BLOB 區域的中心坐標中，只有No.1 的中心坐標（139，155）位于矩形框A 內，因此面積最大的No.1 對應的中心坐標位于兩個面積最大區域內的BLOB 個數blobcount1 等于1。對于No.2 的BLOB 區域來說，在9 個BLOB 區域的中心坐標中，有8 個中心坐標位于矩形框B 的范圍［324 526］， ［184 362］之內，分別為No.2中心坐標（425，274）、No.3 中心坐標（416，215）、…、No.9 中心坐標（395，312）。因此，面積最大No.2 對應的中心坐標位于兩個面積最大區域內所有的BLOB 個數blobcount2 等于8，如表4 最后一行所示。

表4 4 個方向判斷待識別圖像是否為粘連圖像Table 4 Four directions to determine whether the image to be recognized is an adhered image

4）比較中心坐標位于兩個最大BLOB 區域的個數

當獲得每個BLOB 中心坐標位于兩個面積最大區域內的BLOB 個數blobcount1 和blobcount2 后，比較blobcount1 和blobcount2 大小，如果blobcount1＜blobcount2，則blobcount1 對應的最大面積BLOB 區域為模擬光目標，blobcount2 對應的最大面積BLOB 區域為主激光目標；反之亦然。

本次實驗中目標識別結果如圖8 所示。模擬光目標使用紅色十字叉標識，模擬光目標中心坐標為（139.4，155.1），識別標志mng_flagi置為1；主激光目標使用綠色十字叉標識，主激光目標中心坐標為（425.0，273.6），識別標志mng_flagi置為2，目標識別決策過程和識別結果如表3 所示。

2.2 粘連光學目標識別數據處理

粘連光學目標識別可以分為5 個步驟：1）預處理；2）模板圖像和待識別圖像輪廓特征提??；3）模板圖像和待識別圖像輪廓特征匹配；4）待識別圖像粘連標志判斷；5）從其他方向判斷待識別圖像是否為粘連圖像。

2.2.1 預處理

為了說明基于輪廓特征提取的粘連光學目標識別算法的處理過程，選擇具有代表性的粘連圖像進行說明，假設邊模板原始圖像表示為forg（x，y），圖像尺寸為n×m，待識別邊緣圖像表示為gorg（x，y），圖像尺寸為n×m，其中m=600，n=800，模板原始圖像和待識別原始圖像分別如圖9（a）和（b）所示。

圖9 原始圖像Fig.9 Original images

由于待識別原始圖像和模板圖像基本上都處于飽和狀態，無法通過圖像內部的紋理信息識別。通過分析兩幅圖像的邊緣輪廓特征，發現在待識別圖像中包含了大部分模板圖像的邊緣輪廓特征。所以，分別對兩幅圖像進行二值化和邊緣檢測處理，獲取兩幅圖像的邊緣特征信息，作為判斷待識別圖像是否為粘連圖像。模板圖像和待識別圖像的二值化處理結果分別如圖10（a）和（b）所示，邊緣檢測結果分別如圖10（c）和（d）所示。

圖10 預處理圖像Fig.10 Preprocessed images

2.2.2 模板圖像和待識別圖像輪廓特征提取

模板圖像和待識別圖像輪廓特征提取主要是提取邊緣圖像坐標序列，對從左邊方向檢測邊緣X坐標序列過程進行說明。從左邊檢測模板邊緣圖像有效X坐標序列fleft（y）坐標值分布曲線如圖11（a）所示，在模板邊緣圖像上的對應表示如圖11（b）所示。該序列的長度為129，保存了模板邊緣圖像在有效區域內每一行最左邊的坐標位置，作為待識別邊緣圖像粘連識別的重要輸入參數。

圖11 從左邊檢測模板邊緣圖像結果Fig.11 Detect template edge image results from the left

從左邊檢測待識別邊緣圖像X坐標序列gleft（y）坐標值分布曲線如圖12（a）所示，該序列的長度為600，保存了待識別邊緣圖像在有效區域內每一行最左邊的坐標位置，和模板邊緣圖像的有效序列fleft（y）相比，沒有刪除X坐標為0 的序列，這是為了待識別邊緣圖像的所有Y方向搜尋最佳匹配序列。通過觀察，發現待識別邊緣圖像X坐標序列坐標值一維曲線圖12（a）在區間［82，210］之間與模板邊緣圖像有效X坐標序列坐標值一維曲線圖11（a）輪廓具有極大的相似性，該區間為最佳匹配序列的潛在搜索區域。

圖12 從左邊檢測待識別邊緣圖像結果Fig.12 Detect the result of the edge image to be recognized from the left

2.2.3 模板圖像和待識別圖像輪廓特征匹配

模板圖像和待識別圖像輪廓特征匹配的目的是在待識別邊緣圖像X坐標序列gleft（y）中搜尋與模板邊緣圖像X 坐標序列fleft（y）長度相同的子序列，hleft（y）和fleft（y）的相關系數最大，該子序列為最佳匹配序列hleft（y），將該子序列的起始值sleft當作最佳位置。在本次實驗中，最佳匹配序列hleft（y）在圖13（a）使用紅色曲線進行標識，起始點和終止點分別使用字母A 和B 進行標識，其中長度=129，起始值sleft=82，最大相關系數rleft=0.999。

圖13 在待識別邊緣圖像中搜索最佳匹配序列Fig.13 Searching for the best matching sequence in the edge image to be recognized

為了說明待識別邊緣圖像最佳匹配序列的檢測效果，將模板邊緣圖像坐標序列fleft（y）和待識別圖像的最佳匹配序列hleft（y）的坐標值曲線進行比較，結果如13（b）所示?？梢钥闯?，兩條曲線的輪廓相似性極大，但坐標值不同，這是因為模板圖像中的光學目標距離左邊界更近，而待識別圖像中的光學目標距離邊界更遠。

在待識別邊緣圖像中最佳匹配序列對應位置如圖13（c）所示，X坐標序列在待識別邊緣圖像上的位置如圖13（d）所示。對比兩幅圖像可以看出，最佳匹配序列hleft（y）是gleft（y）子集是從左邊進行檢測，更加靠近圖像左邊界且輪廓形狀與模板圖像左邊邊緣形狀最相似的子序列。在gleft（y）中被裁剪掉的子序列如圖13（d）所示，使用紫色矩形框中的綠色字體1、2、3、4 進行標識。

2.2.4 待識別圖像粘連標志判斷

待識別圖像粘連標志判斷的目的是利用待識別邊緣圖像的最佳匹配序列判斷待識別圖像是否為粘連圖像。根據式（15），當模板邊緣圖像X坐標序列fleft（y）與最佳匹配序列hleft（y）的相關系數rleft大于0.95 時，從左邊檢測待識別圖像為粘連圖像。在本次實驗中，rleft=0.999＞0.95，所以joinleft=1。由此說明，從左邊檢測待識別圖像為粘連圖像。

2.2.5 從其他方向判斷待識別圖像是否為粘連圖像

為了確保圖像粘連識別結果的可靠性，需要分別從左、右、上、下4 個方向依次來判斷待識別圖像是否為粘連圖像，處理過程如圖14 所示。圖14（a）為有效X/Y坐標序列（fleft（y）、gright（y）、fup（x）、fdown（x））在模板邊緣圖像上位置，圖14（b）為X/Y坐標序列（gleft（y）、gright（y）、gup（x）、gdown（x））在待識別邊緣圖像上的位置，圖14（c）為模板邊緣圖像與待識別圖像的最佳匹配序列比較曲線，圖14（d）為最佳匹配序列hleft（y）、hleft（y）、hleft（x）、hleft（x）在待識別邊緣圖像上的位置。圖14（c）兩條曲線的相關系數分別為rleft=0.999、rright=0.924 6、rup=0.988 5 和rdown=0.991 3。根據式（15），從4 個方向判斷待粘連標志分別為joinleft=1、joinright=0、joinup=1和joindown=1。結果如表4 所示。

圖14 從4 個方向判斷待識別圖像是否為粘連圖像Fig.14 Judging whether the image to be recognized is adhesive image from four directions

經過以上處理，綜合4 個方向的圖像粘連標識，當4 個方向中有1 個粘連標志=1 時，判斷整個待識別圖像為粘連圖像，因此，join_flag=1，即待識別圖像為粘連圖像。粘連圖像區域分割效果如圖15 所示，在圖15（a）中，分別使用紅色、綠色、藍色曲線標識了從左、上、下3 個方向檢測到的最佳匹配序列hleft（y）、hup（x）、hdown（x）在待識別邊緣圖像上的位置；在圖15（b）中，標識了模板圖像在粘連圖像中重疊區域對應位置，如綠色區域所示。

圖15 粘連圖像區域分割效果Fig.15 Region segmentation effect of adhesive image

3 實驗結果分析

3.1 基于BLOB 區域數量特征統計的雙光學目標識別方法重復精度分析

實驗環境為LENOVO Think Pad T410i，處理器 Intel（R） Core（TM） i5 CPU M 450@2.4 GHz，所用軟件為Matlab2016b，內存4 G。

為了驗證本文基于BLOB 區域數量特征統計的雙光學目標識別算法的可重復性，本次實驗選擇5 幅不同的準直圖像進行雙光學目標識別處理，5 幅準直圖像具有相同的特點：1）圖像中包含兩個光學目標，分別是主激光目標和模擬光目標；2）模擬光目標是一個實心的、邊緣輪廓連續的、形狀不規則的光學目標；3）主激光目標是一個非實心的、邊緣輪廓曲折的、光斑中心存在很多孔洞的光學目標，而且光學目標外圍區域的亮斑與中心高能量區域存在非連續、非粘連的情況。

針對以上特點的準直圖像，不僅需要識別出主激光目標和模擬光目標，更重要的是在識別主激光目標時，主激光目標的外圍亮斑區域與中心高能量區域必須看作同一個光學目標來處理。5 幅不同的準直圖像的雙光學目標識別結果如圖16 和表5 所示。

表5 對于5 幅不同的對接準直圖像光學目標識別結果Table 5 Optical target recognition results for 5 different butt collimation images

圖16 對于5 幅不同的對接準直圖像光學目標識別結果Fig.16 Optical target recognition results for 5 different butt collimation images

從表5 中可以看出，5 幅準直圖像中的主激光目標和模擬光目標被全部識別出。圖像1 中，No.1 對應BLOB 的面積大于No.2 對應BLOB 的面積，連通域個數blobcount 為6，在所有中心位于兩個面積最大Region 內的BLOB 區域中，No.1 對應BLOB 的blobcount1 為1，No.2 對應BLOB 的blobcount2 為5，因為blobcount1＜blobcount2，所以No.1 對應BLOB 為模擬光目標，No.2 對應BLOB 為主激光目標。圖像2 中，blobcount1 和blobcount2 分別等于2 和4，因為blobcount1＜blobcount2，所以No.1 對應BLOB 為模擬光目標，No.2 對應BLOB 為主激光目標。圖像3、圖像4 的識別結果與圖像1、圖像2 相同，都是No.1 對應BLOB 為模擬光目標，No.2 對應BLOB 為主激光目標。

對于圖像5 來說，No.1 對應BLOB 的面積大于No.2 對應BLOB 的面積，連通域個數blobcount 為10；在所有中心位于兩個面積最大Region 內的BLOB 區域中，No.1 對應BLOB 的blobcount1 為9，No.2 對應BLOB的blobcount2 為1，因為blobcount1＞blobcount2，所以No.1 對應BLOB 為主激光目標，No.2 對應BLOB 為模擬光目標。

通過以上分析說明，本文的雙光學目標識別算法不僅實現了主激光目標和模擬光目標的識別，而且能夠滿足識別不同準直圖像時對于重復精度的要求，是光路對接準直流程中用來實現雙光學目標識別和判斷的一個非常有效的方法。

3.2 基于BLOB 區域數量統計的雙光學目標識別方法處理時間性能分析

對于雙光學目標識別算法，不僅要保證算法的識別準確率和精度，同時需要保證算法的處理時間滿足光路對接準直流程對于時間的要求。根據大型激光裝置光路對接準直的設計指標，要求每一幅準直圖像目標識別的處理時間小于1 s。一幅準直圖像的目標識別過程共分為4 個步驟，分別是二值化、腐蝕運算、膨脹運算、光學目標識別。其中光學目標識別包含BLOB 特征提取和光學目標分離兩個步驟。對5 幅光路準直圖像進行光學目標識別，各個步驟的處理時間如表6 所示。

表6 多光學目標識別算法處理時間性能分析（單位：秒）Table 6 Processing time performance analysis of multi-optical target recognition algorithm （unit： s）

從表6 中可以看出，圖像1 目標識別總時間為0.656 s，其中二值化耗時0.016 s，腐蝕運算耗時0.234 s，膨脹運算耗時0.219 s，特征提取耗時0.078 s，目標分離耗時0.109 s。耗時最長步驟為腐蝕運算和膨脹運算，二值化、特征提取和目標分離步驟耗時較少。對于其他4 幅圖像來說，膨脹運算耗時較長，全部大于0.15 s，最短0.187 s，最長0.281 s。由此可見降低腐蝕和膨脹運算的耗時，是提高雙光學目標識別效率，降低目標識別時間的重要措施。

對于5 幅準直圖像來說，在所有的目標識別4 個步驟中，膨脹運算所消耗的平均時間最長，為0.218 4 s，二值化和BLOB 特征提取的處理時間最短，都小于0.1 s。5 幅準直圖像中目標識別所消耗的最短時間為0.344 s，最長時間為0.703 s，平均時間為0.559 6 s。

由此看見，本文提出的雙光學目標識別算法不僅能夠實現主激光目標和模擬光目標的準確識別，而且目標識別耗時全部小于1 s，滿足了大型激光裝置光路對接準直流程中光學目標識別算法對于時間的要求。

3.3 粘連目標識別方法對于粘連和單獨光學目標識別結果分析

粘連目標識別是指當初始階段主激光束和模擬光束剛被導入時，由于主激光目標和模擬光目標處于同一個視窗中，兩個目標可能會處于粘連狀態，根據本文的粘連目標識別算法進行判斷，如果兩個光學目標處于粘連狀態，需要通過調整二維鏡架BM6XY 電機使得兩個目標完全分開。粘連光學目標識別的前提條件是待識別圖像中的有效光學目標個數為1，但是此時會有三種情況：1）待識別圖像是一個粘連圖像；2）待識別圖像中只有1 個模擬光目標；3）待識別圖像中只有1 個主激光目標。

為了提高粘連目標識別算法的適應性，需要對本算法在對以上三種情況的識別能力進行分析和驗證。對于有效光學目標vblobcount 等于1 的待識別圖像，從左、右、上、下4 個方向分別提取模板邊緣圖像的有效坐標序列Ef和待識別邊緣圖像的坐標序列Eg，搜素Ef和Eg的最大相關系數r對應的有效坐標序列Eh。以上三種情況的判斷條件是：1）當4 個方向的相關系數中至少2 個大于0.95 且1 個小于0.95 時，待識別圖像為粘連圖像；2）當4 個方向的相關系數r全部大于0.95 時，待識別圖像為模擬光目標；3）當4 個方向的相關系數r都小于0.95 時，待識別圖像為主激光目標。

實驗選擇三幅最有代表性的圖像來說明本文方法在對有效目標個數等于1 的粘連目標、單個模擬光目標、單個主激光目標圖像的識別結果。單個有效目標的識別過程如圖17 所示。從圖17（d）可以看出，粘連圖像在左、上、下三個方向上滿足相關系數大于0.95，分別使用紅色、綠色、藍色曲線標識，紅色和綠色有大量的重疊，紅色曲線的大部分被綠色曲線所覆蓋，而在右邊方向上沒有滿足相關系數大于0.95 的邊緣；模擬光圖像在左、右、上、下四個方向上都滿足相關系數大于0.95，分別使用紅色、黃色、綠色、藍色曲線標識；主激光圖像在左、右、上、下四個方向上都不滿足相關系數大于0.95，沒有標識曲線。

圖17 單個有效目標的識別過程和結果Fig.17 Identification process and results of a single valid target

表7 中，根據式（15），粘連圖像在四個方向的粘連標志join_flag 分別為1、0、1、1，模擬光圖像在四個方向上的粘連標志全部為1，主激光圖像在四個方向上的粘連標志全部為0。根據式（16），粘連圖像的最終粘連標志join_flag=1，模擬光圖像和主激光圖像的最終粘連標識為join_flag=0。粘連圖像、模擬光目標、主激光目標的單目標類型single flag 分別為1、2、3。

表7 單個有效目標識別過程參數Table 7 Single valid target recognition process parameters

3.4 基于邊緣特征分析的粘連光學目標識別方法重復精度分析

為了說明基于邊緣特征分析的粘連光學目標識別方法對于不同粘連圖像的識別重復精度，選擇5 幅具有代表性的圖像進行比較說明。不同粘連圖像的識別過程如圖18 所示。圖18（a）～（e）分別為原始圖像、二值化圖像、邊緣圖像、模板圖像邊緣在粘連圖像中對應邊緣的標記結果、模板圖像區域在粘連圖像中對應重疊區域。識別結果如表8 所示，包含每幅圖像分別為左、右、上、下四個方向上的相關系數，每幅圖像分別在四個方向所獲得的粘連標志，以及每幅粘連圖像的最終識別結果。識別結果全部為Yes，表示每幅圖像都被識別為粘連圖像。

表8 不同粘連圖像的識別過程參數Table 8 Recognition process parameters of different adhesive images

圖18 不同粘連圖像的識別過程和結果Fig.18 Identification process and results of different adhesive images

該5 幅圖像與論文數據處理部分，如圖9（b）中的原始圖像，不是同一幅圖。5 幅圖可以分為三類：1）主激光目標和模擬光目標沿水平方向偏移后粘連，如Image1 和Image2；2）主激光目標和模擬光目標處于高度重疊狀態，如Image3；3）主激光目標和模擬光目標沿垂直方向偏移后粘連，如Image4 和Image5。對于第一類圖像來說，以Image1 為例，粘連圖像在左、右、上、下4 個方向上的相關系數分別為0.999 3、0.903 9、0.855 1、0.994 6，相關系數的均值為0.938 2，均方差為0.070 7。其中左、下兩個方向上滿足相關系數大于0.95，分別使用紅色、藍色曲線標識，左、下兩個方向相關系數均值為0.997 0，均方差為0.003 3。由于第一類粘連圖像為主激光目標和模擬光目標沿水平方向偏移后形成的粘連圖像，因此重疊區域主要位于粘連圖像的左半區域，如圖18（e）第一行所示。對于第三類圖像，以Image4 為例，粘連圖像在左、右、上、下4 個方向上的相關系數分別為0.967 1、0.990 0、0.999 7、0.922 4，相關系數的均值為0.969 8，均方差為0.034 4。其中左、右、上三個方向上滿足相關系數大于0.95，分別使用紅色、綠色、黃色曲線標識，左、右、上三個方向相關系數均值為0.985 6，均方差為0.016 7。由于第三類粘連圖像為主激光目標和模擬光目標沿垂直方向偏移后形成的粘連圖像，因此重疊區域主要位于粘連圖像的上半區域，如圖18（e）第四行所示。

本文粘連識別方法能夠對處于不同粘連和重疊程度的粘連光學目標進行識別，說明該方法具有極大的適用性和魯棒性，滿足識別不同粘連圖像時對于重復精度的要求，可解決光路對接準直目標識別算法對雙目標粘連狀態準確判別的問題。

4 結論

本文提出了一種基于BLOB 區域和邊緣特征分析的準直圖像雙光學目標識別方法。通過建立數學模型與仿真實驗，實現了對主激光和模擬光目標在完全分離和粘連狀態下的識別。在實驗過程中，計算全圖各BLOB 區域的面積Area、中心Cxy、軸長lenxy、區域Reginxy、有效BLOB 區域個數vblobcount 等信息；對vblobcount 大于1 的完全分離雙目標準直圖像，統計各BLOB 區域中心分別為位于兩個面積最大的BLOB區域Region 內的BLOB 數量，數量小的候選BLOB 區域為主激光目標，數量大的候選BLOB 區域為模擬光目標；對于vblobcount 等于1 的待識別圖像，從左、右、上、下4 個方向分別提取模板邊緣圖像的有效坐標序列Ef和待識別邊緣圖像的坐標序列Eg，搜素Ef和Eg的最大相關系數r對應的有效坐標序列Eh，當4 個方向的相關系數r全部大于0.95 時，待識別圖像為模擬光目標；當4 個方向的相關系數r都小于0.95 時，待識別圖像為主激光光目標；否則待識別圖像為粘連圖像。所提方法不僅能夠實現對完全分離的模擬光目標和主激光目標的識別，誤差小于3 個像素，處理時間小于1 s，而且能夠實現對處于粘連狀態的光學目標和單個獨立的光學目標的判別，滿足光路對接準直圖像識別算法對于自適應性、精度和效率的要求。