【《激光管加工质量视觉检测成像方案设计》15000字】

[10]。从某种程度上说，该方法成功绕开了通道分解等复杂问题，比较关注图像的结构信息，实现简单且应用性强。对于图像像素的位置任意的排列组合的失真图像，SSIM的分析结果比MSE和PSNR要准确很多。SSIM算法的开发者认为人类对图像的主观质量评价主要源于图像中的结构信息，SSIM算法对于图像质量评价领域的研究起到了很大的推进作用，和MSE与PSNR算法相比：SSIM算法不再将注意力聚焦与单个像素点，而是聚焦与以单个像素点为中心的块状区域，注意的是图像整体的结构信息；SSIM算法不止是简单的对于像素灰度值的分析，而进一步的分析图像的亮度，对比度与结构信息，这为各像素点灰度值的均值，方差和协方差赋予了物理意义；SSIM在数据的对比方式上，鄙弃了单调的差分值，转而使用更为全面的结构特性。SSIM的公式如下，C1、C2、C3是常数，作用在于防止分母为0并且调节各种特征之间的比重，SSIM值的范围为[0,1]，越接近1，表示图像失真程度越小。lcsSSIMSSIM算法提出后引来了很多人的研究，其中FSIM（特征相似性）就是对SSIM的其中一种较为成功的变种，FSIM算法对SSIM算法的改进在于，FSIM算法认为图像中的各个像素对于物体成像结果的结构分析的重要性是不同的，位于物体边缘区域的像素对于物体成像质量的影响是最为重要的，假使把这些像素点和位于背景区域的像素点一同处理，那对于最终物体成像质量评价的结果的准确性是有影响的，因此FSIM算法给每一个像素加上了相位一致性的权重，因为某些相位一致性在人类的大脑中可以表示图像的特征信息。FSIM算法比SSIM算法更合理的地方在于，它使用图像特征代替了SSIM算法中的统计特征。同时由于图像梯度幅值也可以用来衡量图像的对比度信息，所以FSIM算法，选取了图像特征和图像梯度幅值两个量来作为评价图像质量的指标。在之后的发展中，又结合了颜色特征建立了FSIMc算法，这使得图像质量评价的结果更加全面完善，但与此同时，这也降低了算法的运算效率。PC相位一致的计算：GG采用的是Scharr算子计算GM：GM=SSSSL(x)的两个指数取1时，图像的所有像素权重一样，PC值可以做为权重衡量因子，并且图像中每个像素的位置的重要性也和它的PC值息息相关。PC加上权重之后的FSIM的值，如上式。为FSIM值的最终结果。FSIM=2014年LinZhang提出了VSI（视觉显著性指数），VSI这一指标主要注重于图像显著图的失真，通过图像显著图的变化来研究图像质量失真，VSI指数的开发者认为图像显著图发生变化时，图像在人眼中的视觉显著性也会随之变化，从而人类主观会感受到图像失真。超阈值的失真会对图像的显著图产生很大的影响，VSI将FSIMc中的相位一致性特征用显著图特性替代，该算法同时涉及了颜色和图像的特征两个方面，但VSI算法目前为止效率仍然很低。2014年WufengXue提出了GMSD（梯度幅相似性偏差），GMSD算法被开发出来之前，还出现过许多其他的算法（如VIF算法等），当时许多算法具有的普遍缺点是运行效率低。GMSD算法的开发者在对图像的特征指标进行选择时，把重点放在了能契合人感知能力的逻辑简单的图像指标。在之前对图像质量评价方法的研究基础上，GMSD算法最终决定选用的评价指标是图像的梯度信息。选择图像的梯度信息的原因是，梯度信息是对图像质量具有很大影响的底层特征，并且人类对于图像的梯度信息的敏感度也非常高。因此GMSD算法的运行效率比先前的图像质量评价算法都要好。GMSD算法的实现过程如下：选用prewitt算子，在x方向和y方向对图像进行内卷积运算，得到两幅图像r和d在水平方向和垂直方向的梯度幅值，将每个像素的位置用i表示，通过梯度幅值的计算得到GMG(i)函数，计算GMS(i)的平均值GMSM，使用梯度函数GMS的偏差GMSD来作为最终的评价指标。hGMSGMSD=2016年IEEEAccess期刊发布的MDSI算法，是除了少数基于深度学习相关的全参考图像质量评价方法之外，目前综合性能最高的算法。MDSI算法是在GMSD算法的基础上，加上颜色特征，MDSI算法是梯度、颜色和方差卷积运算的集大成者，虽然MDSI算法并没有为图像质量评价领域带来一些新的想法，但是该算法的效率还是很高效。目前图像质量评价算法领域的现状，并不缺乏一些新的想法，但是却始终没有一种有效的且普适性高的算法出现。图像质量评价方法中，客观质量评价算法的准确程度始终无法与主观质量评价方法的准确程度相当，因此图像质量评价算法最终可能还是需要使用模拟人类感知的深度学习，来达到最好的图像质量评价效果，人工设计的各种图像质量特征虽然可以在某些指定的特征上达到很好的评价效果，但还是很难在普适情况下做到完整全面地对图像进行质量评价。3.2.1算法可行性分析根据参考文献“ImageQualityAssessment:FromErrorVisibilitytoStructuralSimilarity”中LIVE数据集中的PSNR的实验结果，选用同样的三组JPEG2000压缩失真类型图片，使用编写的PSNR算法对三组图形进行质量评价。结果如下表所示：图像及结果来源文献的评价结果本文的评价结果PSNR=23.46dBPSNR=23.63dBPSNR=34.56dBPSNR=33.11dBPSNR=33.47dBPSNR=31.34dB由上表可知，本文所编写的PSNR算法与文献中的算法虽有细微差距，但在误差允许的范围之内，因为PSNR运算结果和MSE的运算结果有相关性，故本文编写的PSNR算法与MSE算法均合理，具有可行性。根据参考文献“评价图像质量的新方式SSIM”中对不同失真类型的图像进行SSIM评价的实验结果，将不同的图片从文献的资料中分割处理，将得到的图片使用编写的SSIM算法对图像进行质量评价。结果如下表所示：图像及结果来源文献的评价结果本文的评价结果（原图）SSIM=1SSIM=1SSIM=0.998SSIM=0.970SSIM=0.913SSIM=0.910由上表可知，本文所编写的SSIM算法与文献中的算法结果虽有误差，但误差在允许的范围之内，故本文编写的SSIM算法合理，具有可行性。根据参考文献“Gradientmagnitudesimilaritydeviation:Ahighlyefficientperceptualimagequalityindex”中的LIVE数据集GMSD评价的实验结果，在LIVE数据库中选取三组与文献图片失真程度最相近的图片，使用编写的GMSD算法对图像进行质量评价。结果如下表所示：图像及结果来源文献中的评价结果本文的评价结果差值/文献结果(%)模糊GMSD=0.082GMSD=0.0820JPEG压缩GMSD=0.095GMSD=0.0869.47%JPEG2000压缩GMSD=0.157GMSD=0.1495.09%AVERAGE4.85%由上表可知，本文所编写的GMSD算法与文献中的算法有一定的差值，因为无法获得文献中作者使用的失真图像的完整参数，故本文的GMSD算法所选用的失真图像为LIVE数据集中可以获得的最接近文献中作者所使用图像失真程度的图像，从算法复现的效果来看，本文编写的GMSD算法运算结果合理，具有可行性。3.2.2实验验证针对该项目宏观结构和微观结构的成像结果，我选择了MSE，PSNR，SSIM，GMSD四种全参考图像质量评价指标对不同的成像方案进行了图像质量评价。1.MSE均方误差和PSNR峰值信噪比使用MSE和PSNR作为评价指标，来对图像压缩前后的失真程度进行评价。因为在实际生产实践过程中，为了提高检测效率，提高数字图片信息的传递速度，会在一些情况下对图像进行压缩，同时，由于图像具有高度的结构性，度图像进行压缩可以去除一些冗余的数据和信息，对数字图像的传递，储存都有很大的帮助。在实验过程中，首先对一张微观结构显微成像结果的图像进行了不同程度的压缩，得到了多张内存不同的图片，然后我通过算法对这组图片进行分析，计算MSE值和PSNR值的大小。运算结果如下图所示：实验结果显示当图像JPEG压缩品质为20时，图像的内存约为原图像的67%，图像的质量与原图像相差不大，此时虽然图像质量有一定的损坏但是图像信息缺失并大多；当压缩品质低于10后，图像质量下降得很快，但是内存的压缩却很难再有大的进展。结论：对图像进行JPEG压缩处理时，压缩品质最好不要低于20。2.SSIM结构相似性使用SSIM作为评价指标，对图像的亮度、对比度、以及图像的结构特征方面进行评价。在实验过程中，我使用了控制变量法，首先我将成像系统中光源的光照强度设置为最大值255，在聚焦清晰的条件下，通过改变相机曝光时间的长短，获得三张在最大光照强度下，不同曝光时间的图像；接下来我选定了其中两张图像中曝光时间的数值，保持确定的曝光时间，在聚焦清晰的条件下，对光源的光照强度进行不同程度的改变。这一实验过程是在模拟生产实践过程中光线对图像的亮度、对比度以及图像结构特征的影响，选用了对检测目标的光线成像结果中的两类影响因素，即光源的产生，相机对检测目标上光线的采集。之后，在三张相同光照条件，不同曝光时间的图像中，我选用了主观评价中，图像质量最高的图像作为参考图像，两张图像作为测试图片，对两组对比图像组通过算法进行分析；对两组相同曝光时间，不同光照条件的图像组，同样也通过算法进行分析。（图一：光照强度为最大255，曝光时间分别为67759μs和196773μs的两张图像的SSIM值）（图二：光照强度为最大255，曝光时间分别为67759μs和333628μs的两张图像的SSIM值）（图三：曝光时间为333628μs，光照强度分别为80和155，的两张图像的SSIM值）（图四：曝光时间为333628μs，光照强度分别为80和255，的两张图像的SSIM值）实验结果显示，提高曝光时间和光照强度都会提高成像结果的SSIM指标，在成像结果的亮度对比度方面，曝光时间比光照强度对成像质量的影响效果更显著；在成像结果的噪声方面，提高光照强度在提高图像质量的同时，对图像的降噪效果更好。虽然单纯地从SSIM值的角度来评价图像质量，单纯提高曝光时间就可以在很大程度上优化图像质量，但是，当曝光时间过高时，会产生过曝，损坏图像内容，会使图像的噪点增多，锐度降低，图像质量下降。对成像方案设计过程的指导：在结合PSNR值的情况下，可以在适当降低曝光时间的同时，提高光照强度，这样既可以在亮度对比度方面提高图像质量，也可以在图像的噪声方面，对图像进行优化。在实践中发现，SSIM值对于成像结果相差不大的成像系统或同一成像系统的不同成像条件下的成像结果，具有较好的评价效果，但对于成像结果相差较大的成像方案的评价，则会产生失真的问题，原因可能为背景像素的权重与物体像素的权重一致，导致背景像素对于SSIM值的影响较大，故最终结果失真。3.GMSD梯度幅相似性偏差使用GMSD作为评价指标，在对图像的亮度，对比度，以及图像的结构特征方面进行评价的同时，对于图像不同局部结构的不同权重的分配更为合理。为了解决SSIM算法对于成像结果相差较大的成像方案评价失真的情况，选取微观结构的两种成像方案中垂直和倾斜方向的成像结果，使用GMSD算法进行分析，在使用C#对GMSD算法进行编程的过程中，由于图像在内存中是以字节数组的形式进行储存的，所以需要先将图像转化为小数类型的数组，再和x，y方向的卷积核进行卷积运算。实验结果如下：实验结果显示，对于同一检测物体，不同成像系统所得的不同成像结果的评价值，与SSIM值相比，GMSD值不会出现失真的情况，计算结果更为可靠；GMSD算法对图像在内容方面的特征具有一定的识别能力。GMSD值在成像方案的设计过程中，可以对不同成像方案之间的成像结果质量进行较为可靠的评价。从先前的实验结论可知，在微观结构的成像方案设计中，对于LD芯片的成像部分，显微成像方案的成像结果的质量更好，所以以显微成像方案为参考图像，选取了两张远心成像方案中，六倍镜和八倍镜的成像结果，构成了两个实验组，使用GMSD算法进行分析。实验结果如下：由实验结果可知，远心镜头八倍镜的成像效果比六倍镜的成像效果更好。对成像方案设计过程的指导：在满足视野要求和其他不可变的条件之下，选择更高倍率的镜头对成像效果有利。4结论随着机器视觉，视觉检测行业的快速发展，对于不同检测目标的成像系统的设计问题的研究越来越深入，但是设计方面的问题是依据不同的检测目标的不同需求进行解决的，并且根据成像方案在实验过程中遇到的问题进行不断优化的，这使得成像系统的设计过程以实验优化为主，以理论分析为辅。随着我国各光学仪器制造企业的发展，在成像系统的设计过程中对成像设备的选用更加方便快捷，这在一定程度上提高了视觉检测成像方案设计的效率。在图像质量评价方面，现有的传统图像质量评价方法可以对成像系统的设计过程中各成像设备和参数的调整提供帮助。为了设计出更为合理和完善的芯片宏观结构成像方案和微观结构成像方案，本文首先调查研究不同成像设备的特点，然后通过分析检测目标的检测需求，选取了市面上已有的几款相对合适的成像设备，然后实验发现问题，解决问题，优化成像方案，并对不同设计阶段的成像方案的成像结果进行质量评价，并在图像质量评价算法的指导下，进一步改善成像方案，最终获得适合于检测目标的较为完善的成像方案。本文选取的图像质量评价指标，从不同角度对成像方案的改进提出了意见，SMD和SMD2指标结合检测目标的检测需求，在远心成像方案和显微成像方案中，通过分析得出，显微成像方案对LD芯片的检测成像效果更好；MSE和PSNR指标对图像质量分析后指出，可以对图像进行JPEG压缩品质不大于20的压缩，这可以在去掉一下图像中的冗余的数据，且对图像质量的损坏在可接受范围之内的情况下，对图像的所占内存进行压缩67%；SSIM和PSRN指标通过控制变量法实验得出，在亮度，对比度和噪声方面综合来看，提高图像的质量，可以在适当降低曝光时间的同时，提高光照强度，来对成像质量进行提高；GMSD指标可以对不同成像系统成像结果的内容信息进行比较，该指标通过对比实验得出，在其他已知的条件下，选择更高倍率的镜头对成像效果有利。这些传统的评价方法不能完全准确的和人的主观评价结果相符，由于人类视觉系统的不断发展进化，客观图像质量评价将会不断进行改善。本文中设计的芯片微观结构的成像方案，在自动化方面仍然存在一定的不足；所用到的图像质量评价算法，使用的是C#语言进行编程的，算法的稳定性更高，但是由于时间有限，本文中的算法仍然存在一定的缺陷，还可以做如下深入研究：1本文设计的只是在静态条件下的微观成像方案，所有成像结果的显示，均依靠人工主观对芯片位置进行调整，但是在实际的生产过程中，检测过程是自动化的过程，在自动化的检测过程中，因为芯片微观结构检测视场的范围仅为宏观结构检测视场的范围的几十分之一，故对芯片的精准定位过程仍需深入研究探讨。2本文设计的图像质量评价算法对成像结果进行检测时，检测的效率很低，一方面这和图像自身的分辨率较大有关，另一方面，算法结构也有待改进，现阶段算法的检测效率并不高，无法满足实际生产生活的需要。参考文献WANGZhou,BOVIKAC,SHEIKHHR,eta1.Imagequalityas.sessment:fromerrorvisibilitytostructuralsimilarity[J].IEEETransonImageProcessing,2004,13(4):600-612袁莉.基于视觉感知的梯度结构相似度图像质量评价方法[D].安徽大学,2016.王志明.无参考图像质量评价综述[J].自动化学报,2015,41(6):1062-1079申勤.数字图像清晰度评价函数的研究与改进[J].微型机与应用,2011,30(1):32-33李郁峰.一种快速高灵敏度聚焦评价函数[J].计算机应用研究,2010,27(4):1534-1536AVCIBASI,SANBURB,SAYOODK.Statisticalevaluation0fimagequalitymeasures[J].JournalofElectronicImaging,2002.11(2):206—213GIRODB.What’swrongwithmean-squaredeITor[M]//DigitalImagesandHumanVision.Cambridge:MITPress,1993:207—22ESKICIOGLUAM,FISHERPS.Imagequalitymeasuresandtheirperformance[J].IEEETransonCommunications,1995,43(12):2959—2965褚江.全参考图像质量评价综述[J].计算机应用研究,2014,31(1):13-22WANGZhou,BOVIKAC.Auniversalimagequalityindex[J].IEEETransSignalPrecessing,2002,9(3):91-94LIUZheng,LAGANIRER.Phasecongruencemeasurementforimagesimilarityassessment[J].PatternRecognition,2007,28(1):l66-172ZHANGLin,ZHANGLei,MOUXuan.qin,eta1.FSIM:afeaturesimilarityindexforimagequalityassessment[J].IEEETransonImageProcessing,2011,20(8):2378-238Bovik,AlanConrad.Auto