通过阈值方法获得亚瑞利分辨率
一种改进的亚像素边缘检测方法

An i mp r o v e d s u b— p i x e l e d g e d e t e c t i o n me t ho d
T ANG J i a n — g a n g ,L I N Xi n ‘ ,RE N L i n ,L I C h u n
c o mbi ni n g wi t h he t wa v e l e t t r a n s f o r m t o r e a l i z e s u b— p i x e l e dg e d e t e c t i o n. Th e a l g o it r h m ir f s t u s e s he t wa v e l e t t r a n s f o r m mo d u l u s ma x i mum p in r c i p l e f o r c o a r s e p o s i t i o n i n g, a n d t h e n u s e s Ze r n i k e mo me n t
a l g o r i t h m t o r e a l i z e s u b — p i x e l e d g e l o c a t i o n ,wi h t m ̄ i mu m e n t r o p y me ho t d t o i f g u r e o u t he t t h r e s h o l d,t o a c h i e v e he t s u b — p i x e l e d g e d e t e c t i o n or f i ma g e .I n he t e x p e i r me n t s , i t s h o w s t h i s me t h o d h a s b e t t e r
亚像素边缘提取算法

亚像素边缘提取算法随着计算机视觉技术的不断发展,边缘提取算法一直是计算机视觉领域中的一个重要问题。
在图像处理中,边缘是指图像中颜色、亮度、纹理等特征发生突变的区域。
边缘提取算法能够将图像中的边缘区域提取出来,是许多计算机视觉应用的基础。
在传统的边缘提取算法中,常用的方法是Sobel算子、Prewitt 算子、Canny算子等。
这些算法能够有效地提取图像中的边缘信息,但是它们存在一些问题。
例如,它们只能提取出粗略的边缘信息,无法提取出亚像素级别的边缘信息。
因此,在实际应用中,这些算法往往无法满足需求。
为了解决这个问题,研究人员提出了亚像素边缘提取算法。
亚像素边缘提取算法是一种能够提取出亚像素级别的边缘信息的算法。
它能够将图像中的边缘区域提取出来,并且能够提供更加精细的边缘信息,从而能够满足更多的应用需求。
亚像素边缘提取算法的基本思想是基于图像灰度值的变化率进行边缘提取。
它通过对图像中像素的灰度值进行差分计算,来得到图像中的边缘信息。
在差分计算的过程中,亚像素边缘提取算法采用了更加精细的计算方法,从而能够提取出亚像素级别的边缘信息。
亚像素边缘提取算法的具体实现方法有很多种,其中比较常用的方法是基于插值的方法。
在这种方法中,亚像素边缘提取算法会对图像中的像素进行插值处理,从而能够得到更加精确的灰度值。
这样,就能够提取出亚像素级别的边缘信息。
除了基于插值的方法外,亚像素边缘提取算法还有其他的实现方法。
例如,基于模板匹配的方法、基于概率模型的方法等。
不同的实现方法有着不同的优缺点,需要根据实际应用需求进行选择。
在实际应用中,亚像素边缘提取算法被广泛应用于计算机视觉领域中。
例如,在图像匹配中,亚像素边缘提取算法能够提供更加精确的匹配结果;在目标跟踪中,亚像素边缘提取算法能够提取出目标边缘信息,从而实现目标跟踪。
此外,亚像素边缘提取算法还可以应用于图像分割、三维重建、图像识别等领域。
总之,亚像素边缘提取算法是计算机视觉领域中的一个重要问题。
亚像素级边缘检测技术

摘要边缘指的是图像中像素值有突变的地方。
边缘检测是图像处理的重要的一部分。
边缘往往携带着一幅图像的大部分信息。
在分析对比已有边缘检测算法的基础上,设计了两种边缘检测方法。
第一种方法先用Sobel算子粗定位,然后用三次样条插值函数对灰度图像进行插值,使目标达到亚像素级,对插值后的灰度图像,利用最大类间方差确定阈值,实现亚像素级的边缘检测。
另一种方法是根据灰度矩算子在目标成像前后的矩不变特性,利用Tabatabai等人提出的前三阶灰度矩,实现了亚像素边缘检测。
通过实验对算法有效性和检测精度进行了研究和验证,给出了工件的实测尺寸对比结果。
实验表明,基于灰度矩的亚像素边缘检测算法和基于Sobel算子的亚像素级边缘检测法比传统的边缘检测算子具有更高的定位精度。
关键词:亚像素级边缘检测;基于插值法的边缘检测;灰度矩ABSTRACTEdge refers to the value of the pixel in the image mutations. Edge detection is an important part of image processing. The edges tend to carry most of the information of an image. In this paper, the design two edge detection methods, the first method first used Sobel operator rough location, and then grayscale image interpolation, cubic spline interpolation function so that the target to achieve sub-pixel level grayscale images after interpolation, the use of the maximum variance between the threshold is determined to achieve sub-pixel edge detection. Another method is the gray moment operator in the moments before and after the target imaging invariant Tabatabai, who proposed the first three gray moment, to achieve sub-pixel edge detection, through experiments the effectiveness of the algorithm and testing the accuracy of research and validation, given the comparison of measured dimensions of the workpiece. The experiments show that, based on gray-scale operator sub-pixel edge detection algorithm has a higher positioning and accuracy than the traditional operator to meet the image target to achieve sub-pixel edge detection.Key words:Sub-pixel edge detection;Edge Detection based interpolation;Gray Moment;目录第1章绪论 (1)1.1 课题研究背景及意义 (1)1.2边缘检测的研究历史和发展趋势 (2)1.3 论文研究内容,解决问题和章节安排 (4)第2章经典边缘检测算子 (6)2.1 数字图像的基本概念 (6)2.1.1 图像数字化 (6)2.2Sobel算子 (7)2.3 Prewitt算子 (9)2.4 LoG算子 (10)2.5实验结果及分析 (10)第3章基于SOBEL算子的亚像素级边缘检测 (12)3.1 Sobel算子改进算法 (12)3.2 三次样条插值 (13)3.3 最大类间方差法(Ostu) (14)3.4 算法实现 (16)3.5 实验结果 (17)3.6 实验结果分析 (18)3.7 本章小结 (19)第4章基于灰度矩的亚像素算法 (20)4.1 灰度矩算子 (20)4.2 灰度矩边缘检测算法 (21)4.2.1 灰度值h1和h2的计算 (21)4.2.2 边缘位置 的确定 (23)4.2.3 边缘方向 (24)4.2.4 边缘的判断条件 (24)4.2.5模板效应 (25)4.2.6 算法实现 (26)4.3 实验结果及分析 (27)4.4 本章小结 (30)结论 (32)参考文献 (33)致谢···································································错误!未定义书签。
复杂背景下激光条纹中心亚像素提取方法

光电工程
Article
2019 年,第 46 卷,第 2 期
DOI: 10.12086/oee.2019.180457
复杂背景下激光条纹中心 亚像素提取方法
甘 宏 1,张 超 2,李 林 1,罗文婷 1*
1 福建农林大学交通与土木工程学院,福建 福州 350100; 2 福建省高速技术咨询有限公司,福建 福州 350100
Abstract: The complex background and laser stripe noise affect laser stripe extraction. Adaptive double threshold segmentation method and the improved gray weight model are proposed in this study. First, the characteristics of the laser stripe and the source of noise in the image are investigated. Bilateral filter is applied to remove the noise of images. Subsequently, the gray histogram of laser image and the double threshold are computed. By sub-regional processing, initial stripe center and stripe width of binary images are obtained. Finally, the sub-pixel center of the laser strip is extracted by the proposed model. The double threshold segmentation method and the improved gray weight model are compared with the traditional algorithms. The results show that the double threshold method is more accuracy in extracting the laser stripe region than the extreme value method and the Otsu method. Comparing with the residual value of sub-pixel center, the improved gray weight model (0.23) has better results than the gray-gravity method (0.71), the extreme value method (0.86), and the Gaussian fitting method (0.86). The algorithms
亚像素定位方法的研究

亚像素定位方法的研究基于插值的亚像素定位是最常见和简单的方法之一、该方法通过对图像进行插值处理来提高定位精度。
最常用的插值方法是双线性插值和双立方插值。
在这些方法中,首先通过对像素值进行加权平均来计算亚像素级别的像素值,然后再进行物体位置估计。
这种方法的优点是简单快速,但在处理图像边缘和细节时可能会出现模糊和误差较大的问题。
基于优化算法的亚像素定位是一种更为精确的方法。
该方法通过在图像中物体位置来减小误差,并通过优化算法来获得更精确的定位结果。
常用的优化算法包括最大似然估计、卡尔曼滤波和粒子滤波等。
通过这些算法的迭代优化,可以达到亚像素级别的定位精度。
这种方法的优点是适用性强,精度高,但计算复杂度较高,耗时较长。
亚像素定位方法的研究涉及到很多关键技术。
首先是图像预处理技术,包括去噪、增强和尺度归一化等。
这些技术可以提高图像质量,减小误差,并为后续的亚像素定位提供更准确的输入。
其次是亚像素插值技术,这是基于插值的亚像素定位的核心技术,可以通过对像素值进行加权平均来得到亚像素级别的像素值。
还有最优化算法的选择和设计,这是基于优化算法的亚像素定位的关键技术,需要根据具体的问题来选择合适的算法,并进行算法参数的调整和优化。
亚像素定位方法在很多领域都有广泛的应用,比如机器视觉、图像测量和目标跟踪等。
在机器视觉领域,亚像素定位可以用于实现物体的准确定位和跟踪,从而实现自动识别和分析。
在图像测量领域,亚像素定位可以用于测量物体的尺寸和形状等参数,提高测量精度。
在目标跟踪领域,亚像素定位可以用于实时跟踪物体的位置和速度,实现目标跟踪和预警。
总结起来,亚像素定位方法是一种提高图像定位精度的重要技术。
通过亚像素插值和优化算法的研究和应用,可以实现更精确的物体位置测量和跟踪。
随着计算能力的提高和算法的不断优化,亚像素定位方法的研究和应用将会越来越受到关注,并有望在更多的领域发挥重要作用。
DIC(数字图像相关)亚像素位移算法

其次,总结了各种已有的图像亚像素位移定位算法,重点介绍了图像灰度插值 法、相关系数拟合(插值)法、梯度法(基于灰度的梯度法和基于相似函数的梯度法两 大类)这三种目前最常用的数字图像亚像素定位算法,并用模拟散斑图对它们进行了 比较。
亚像素精度的方法

亚像素精度的方法1.超分辨率重建:这是一种通过算法在低分辨率图像基础上重建高分辨率图像的方法。
常见的超分辨率重建方法包括插值、图像锚定、基于统计模型的方法等。
超分辨率重建可以利用图像的局部特征和统计模型,从而在亚像素级别上提供更高的分辨率。
2.亚像素运动估计:这是一种通过检测和测量图像中物体的亚像素级别运动,从而达到提高图像分辨率的目的。
亚像素运动估计可以借助于相关性检测、优化算法等方法,通过对图像序列进行分析,精确地计算物体的位置和运动。
这种方法在视频压缩、运动跟踪等领域有广泛的应用。
3.超分辨率成像:这是一种通过在成像过程中利用亚像素精度的技术,来提高图像的分辨率。
传统的光学成像系统通常受限于传感器的像素大小,而超分辨率成像则通过对物体图像进行多次成像、像素位移等方法,从而实现亚像素级别的图像重建。
超分辨率成像技术可以在医疗、航空、军事等领域中提高图像诊断和监测的精度。
4.图像去模糊:亚像素级别的图像模糊是指由于成像设备或者物体运动等原因导致图像中物体边缘模糊不清的现象。
图像去模糊技术可以通过分析图像的模糊程度和方向,从而对图像进行修复和增强。
常见的图像去模糊方法包括盲复原、基于微分方程的方法等,这些方法可以在像素级别进行图像恢复和处理。
总结起来,亚像素精度的方法包括超分辨率重建、亚像素运动估计、超分辨率成像和图像去模糊等。
这些方法可以通过算法和优化技术,从而在像素级别上提高图像分辨率和准确度。
亚像素精度的方法在图像处理、医学影像、视频压缩等领域有着广泛的应用,为提高图像质量和信息的可用性提供了有效的手段。
线结构光条纹中心亚像素自适应提取算法

第45卷 第3期2021年5月激 光 技 术LASERTECHNOLOGYVol.45,No.3May,2021 文章编号:1001 3806(2021)03 0350 07线结构光条纹中心亚像素自适应提取算法王福斌,刘贺飞,王 蕊,曾 凯(华北理工大学电气工程学院自动化系,唐山063210)摘要:为了解决传统条纹中心提取算法对物体材质及噪声敏感问题,采用自适应结构光条纹中心提取算法来提取条纹亚像素坐标。
该算法首先对图像进行预处理,利用图像掩模操作提取条纹图像感兴趣区域,通过自适应卷积模板消除噪声干扰,得到条纹区域截面宽度及条纹中心坐标的像素集合;其次根据中心坐标的像素集合采用二次加权灰度重心法求取条纹中心初始坐标值,将此作为种子点进行区域生长运算,并结合主成分分析分解特征矩阵;最终得到线结构光中心的亚像素坐标点。
结果表明,该算法能够有效快速地获取结构光条纹中心亚像素坐标,相比灰度重心法,所提算法实验结果波动性较小且标准误差也相对较小,提取速度相比基于Hessian矩阵的Steger法提高近4倍,满足工业测量系统实时性要求。
所提出的结构光条纹中心提取算法具有较高的提取精度和良好的稳健性,计算复杂度低,具有较高的实时性,可为后续3维视觉测量系统提供良好的精度保障。
关键词:图像处理;中心提取;加权灰度重心;区域生长;亚像素中图分类号:TP391.41 文献标志码:A doi:10 7510/jgjs issn 1001 3806 2021 03 015Sub pixeladaptivecenterextractionoflinestructuredlightstripeWANGFubin,LIUHefei,WANGRui,ZENGKai(DepartmentofAutomation,SchoolofElectricalEngineering,NorthChinaUniversityofScienceandTechnology,Tangshan063210,China)Abstract:Inordertosolvetheproblemthatthetraditionalstripecenterextractionalgorithmissensitivetomaterialandnoise,anadaptivestructuredlightstripecenterextractionalgorithmwasusedtoextractthefringesub pixelcoordinates.Thealgorithmfirstpreprocessestheimage,extractstheregionofinterestofthestripeimagebyusingtheimagemaskoperation,eliminatesnoiseinterferencethroughtheadaptiveconvolutiontemplate,andobtainsthepixelsetsofthestripeareacross sectionalwidthandcentercoordinates.Secondly,accordingtothepixelsetofthecentralcoordinates,theinitialcoordinatevalueofthestripecenterwascalculatedbythequadraticweightedgraycentroidmethod,whichwillbeusedastheseedpointforregionalgrowthoperation,thencombinedwithprincipalcomponentanalysistodecomposethecharacteristicmatrix,andfinallythesub pixelcoordinatepointofthecenterofthelinearstructuredlightwasobtained.Theresultsshowthatthecentersub pixelcoordinatesofthestructuredlightstripecanbeeffectivelyandquicklyobtainedbythisalgorithm.Comparedwiththegray scalebarycentermethod,theextractionresultsofthealgorithminthispaperarelessvolatileandhavearelativelysmallstandarderror.Theextractionspeedisnearly4timeshigherthanthatoftheStegermethodbasedonHessianmatrix,whichmeetsthereal timerequirementsoftheindustrialmeasurementsystem.Theproposedalgorithminthispaperhashighextractionaccuracy,goodrobustness,lowcomputationalcomplexity,andhighreal timeperformance,whichprovidesniceaccuracyguaranteeforthesubsequent3 Dvisionmeasurementsystem.Keywords:imageprocessing;centerextraction;weightedgraycentroid;regiongrow;sub pixel 基金项目:高端钢铁联合研究基金资助项目(F2019209323)作者简介:王福斌(1968 ),男,博士,副教授,硕士生导师,主要从事数字图像处理、机器视觉方面的研究。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
通过阈值方法获得亚瑞利分辨率摘要:在传统光学成像系统之中,入射光通过一有限直径的小孔而发生的衍射会使空间分辨率受到瑞利极限的限制。
我们已经证明了通过非结构性的激光束聚集扫面物体表面以及低于最高阈值条件max N 的阈值N 的动态应用使空间分辨率突破了这个极限。
实验结果表明亚瑞利分辨率提高的倍数为引言在理想的成像系统之中,成像光波的波长只会限制最小分辨的特征尺寸的大小。
然而,当一束光通过一有限的孔径时,会发生波前修正,这个修正会传播到相面上,从而会生成一个畸变图像,这就是衍射。
例如,一束激光聚集在物体表面上的形成光强模式在相面上生成的并不是一个点,而是由光束通过物体和相面之间的镜片的有限孔径而形成的散射而生成的瑞利斑。
这样一来物体上两个紧密排列的点的任何限制都回直接转移到限制一个扩展对象的图像的分辨率上。
瑞利极限就是衡量两个物点的像的分辨能力,在1879年,洛德.瑞利提出两个物点所形成的两个爱里斑,其中一个爱里斑的中心与另一个爱丽斑的第一级暗纹重合时,刚好能分辨出这两个物点的像。
在相面最小的可区分间隔为 00.61AD R M R λ= , (1) 其中(1)式中的λ代表照明光的波长,0D 代表物面到导致产生衍射的小孔之间的距离, R 是小孔的半径,M 代表像的放大倍数,对于另外一个比较著名的判据就是斯派罗判据,斯派罗判据认为,当两个爱里斑之间的合光强刚好只出现上凸时为刚可分辨的极限情况。
一个光学系统的空间分辨率能够突破这些极限会在诸多的领域具有广泛的应用,例如激光雷达和生物医学显微镜。
前期工作许多对于获得较高分辨率的提议都是建立在非经典光的基础上,例如福克态或者路径纠缠态,这些态在N 光子符合测量中提供亚光波长衍射,相应的,通过成像的波长使其分辨率突破这些极限,曾证明了通过多光子计数阵列和后期处理使N阶分辨率的增强具有可能性,认为复杂的N光子符合测量并不是获得增强分辨率的必要的因素,虽然在原则上是可以实现的,但是在前面所讲的操作步骤很难实现,因为创造一个必要的光子态是具有挑战性并且这个光子态相当敏感容易丢失。
在几组采用传统照明光源基础上的调查方法采用了不切实际的的量子态产生和操作去提高成像分辨率。
在对称替换位置上的结合处的测量时,真热光源的经典关联会产生一种亚波长双缝干涉模式,这个模式类似于由纠缠光源所产生的模式。
相干光源(激光)通过波矢关联和多普勒共振探测器进行多光子频率选择性探测可产生亚波长干涉模式。
在一个成像系统之中,利用量子增强技术和经典技术去获得亚波长分辨率的图像可以不受衍射极限的限制。
然而,在光学成像系统之中,通过有限元所产生的最小分辨尺寸要远远大于由像的波长所产生的限制。
有几种经典的方法被提议可以突破这些衍射极限。
这些方法包括多光子探测技术,点对点照明光源,后期处理或者将其结合。
Bently 和Boyd描述了在N光子吸收材料上利用光刻技术来模拟N阶谐波的产生并被CCD探测器进行光电检测,此种方法在原则上会突破瑞利极限使图像的分辨率得到极大的提升。
在生物医学领域,Hell提到利用N光子探测显微技术可以提高荧光分子的成像质量。
在近期,通过光子数分辨探测器证明了N光子探测会对一般强度成像的N次幂产生影响,会使它的峰值和谷值更加突出,使其对比度得到提高。
然而,这些作者也提到在传统的光源照明全物成像并不能突破斯派罗极限,并不会突出其图像特征。
点对点照明物体采用共焦扫描显微镜是一种普通的生物成像方法,一个生物样本通过激光的聚集扫描可产生有荧光标记的生物标志物,一个小孔被放在相面上可限制到达探测器的光源半径,这种方法通过利用一走非爱里斑中心内的光学信息去提高成像的分辨率,虽然这种方法可以提高图像的分辨率,但是仍然存在一些局限,为了提高图像的分辨率,到达相面上的光由于小孔的作用而大幅度减少,所以为了获得可接受的信噪比的图像则需要入射光的强度足够大,为了获得更好的实验结果,我们需要让小孔的中心与爱里斑的中心精密匹配。
因此小孔的中心要随着光波精确的移动,这种方法在物面和相面之间距离很小的显微技术中是可行的,若物面和相面被很好地隔离开来,会发生散射,那么此种方法是很难达到我们所想要的效果。
通过对物体进行后期处理的先前知识可以提高成像的分辨率,Pertsinidi et al这篇文章最近证明了相邻的荧光分子会呈现出亚纳米分辨率的图像。
通过利用每个分子的高度荧光对称模式以及伺服控制去稳定其成像系统,他们可以由此去确定0.5nm分辨率的质心位置。
然而,这个先前知识只能应用于特殊的领域当中。
为了突破斯派罗衍射极限使其物体的任意扩展部分都可以成像,Giovnnetti 文章提出通过结合点对点照明光源和N光子探测可以极大提高成像的分辨率。
他们技术中最显著的优点便是其扫描可以是完全无组织的扫描,只要扫描可以完全覆盖物体回波,这种方法让我们很好避免所有的先前知识,这个理论最近在文章中得到了实验证明,利用了聚焦激光束和用于图像采集的SPAD阵列探测器。
这个实验所采用的是低强度的照明光源,每个像素点每秒所探测到的最大的平均光子数为15,这个实验通过在使在每个像素的探测阵列的阈值N大于Nmax使其成像的分辨率突破了亚斯派罗极限,在低强度入射光条件下,散粒噪声很明显,以至于每个照亮区域的成千上万祯图像必须求平均值。
在此实验中图像成像分辨率的提高与理论预测()取得一致。
2 聚焦照明光源以及阈值法理论在此文中,我们对Guerrieri文章的结果进行扩展,对他们的实验聚集扫描和阈值法进行了修饰使其兼容于CCD阵列探测器。
我们可利用一标准成像装置去带以SPAD阵列探测器,因为我们需要用到高强度的照明光源使其探测器收集到足够强的光强便并使足够强光强聚集在物面上便可以忽略成泊松分布的散粒噪声,因此CCD便可复活照明区域所有有用信息,使图像取多桢平均变得不再重要。
为了定量改善此实验技术,我们将艾丽斑近似为成高斯分布的形式,其峰值为Nmax,,这是一个一般近似,这个近似允许阈值作用为一个闭式表达式, 完全是由实验装置所决定的,并且发现了在点照明光源所成的像的中心区域的真实强度分布与高斯分布只存在着很细微的差别。
因此,我们可将近中心区域的区域近似为高斯分布,那么便有(2)其中(2)式中的x 是点照明光源所成的像波峰的距离,(?)我们从下面的步骤当中选出新的宽度值N σ,一个较小的N σ会提升后期处理图像的分辨率,但是它有一个由CCD 像素尺寸大小所引起的一个下限,然而,较小的N σ值会导致较长的图像采集时间,这是因为需要大量精细的扫描才能生成完整的图像。
因此σ的选择取决于依据分辨率和采集时间的图像测量的需求,对于一个给定的 ,方程2算出我们所需要的()N N σ值,因此可以得到比率 ,在电脑的后期处理过程中我们可以通过这个比率得到我们所需要的宽度值,因此,对于一个给定的阈值,我们可以得到一个较小的半宽值,(3)只要这个值可以突破有CCD 探测器像素的大小和在物体上的聚焦照明光源的光束要所引起的分辨率极限,这个过程在图3(a )中,对于灰度物体,在不同相点上光强分布是不同的,对于每一个照明光的点 将阈值N 作为Nmax 的一个函数(将比率值去代替N 的绝对值),方便的记录这些点的光强的变化值。
因此可利用动态阈值方法去保证灰度物体成像。
3 实验3.1实验装置图一便是我们上文所描述的亚瑞利成像装置图,照明光源为532nm 的激光,聚焦在物体上的激光光束腰为20um 。
通过调整平面镜的角度对物面上的光斑进行人工的扫描,M 等于1的成像系统位于距离物面110cm 的位置上,包括一个有着衍射极限的聚焦透镜,一个中继透镜,一个CCD 阵列探测器。
聚焦透镜的焦距为25cm 可覆盖产生严格的衍射极限的半径为1mm 的小孔。
扫描镜和物之间的距离m D 足够远保证在物面上有着亮度均匀的照明光。
两个目标靶成像在传播过程中,证明了对于透明与不透明物体成像和灰度物体的成像的分辨率都会得到提高,对于前一个成像我们用的是USAF 光学分辨率检验板第二组的第二部分作为目标靶,这个目标靶包括三个相互交替的111um 长555um高的透光与不透光条纹,如图二所示,对于此实验的成像系统M=1,小孔的孔径大小为1mm,通过方程一我们可算出瑞利极限为357um。
这个数值为是相面上的特征尺寸大小111um的3.2倍。
对于灰度成像,我们所用的是四个区域的ISO-2155动态范围薄膜靶,四个区域分别标注3,5,6,9代表着77.6%,40.4%,20.9%,和1.56%的透射率。
图1利用CCD探测器的亚瑞利成像装置图图2(a) USAF光学分辨率检验板:红色箭头所指的是第二组第二个元素,条纹宽度是111um。
(b)用于灰度成像的ISO-2155动态范围薄膜靶:3,5,6和9四个区域指定透射率分别为77.6%,40.4%,20.9%和1.56%.我们所用的是12位输出的就CCD阵列探测器(型号),起像素的面积为7.4*7.4小于物的特征尺寸和物上照明光束腰,CCD探测器的散粒噪声为每50us 的曝光时间就有2次的暗计数,我们确信在我们实验中是用的制造商的13位转换效率规格。
,所有的程序用C+进行编写,并且建立在有Basler建立的数据库上,像的行成经过以下几个步骤,最初的图像会被记录并使其匹配与高斯分布,记录σ,在之前测量的物体所有零度其标准差σ,然后是设置我们所需要的宽度值N值图像的区域都会被记录,当有一阵图像需要一单一的在特定照明区域的曝光时, ,大于或等于阈值的的像素保持他们的计数而其他像素设置成0值。
然后储存的图像通过结合生成的桢中高于阈值条件像素的进行更新,这个过程会被是扫描所覆盖所有的点进行重复,每次都会生成最后图像的某一点。
3.2 实验测量方法和结果图3(a )描述的是物面上一个半径为20um 的光斑的衍射极限像上的阈值作用,在这个装置中,并没有安置靶。
黑色曲线描述的是通过衍射极限图像中心横截面的像素计数,其最大值为1050,注意到σ为21e 类高斯分布的爱里斑的半宽长。
大约为20个像素数,我们应用两个阈值,N=800(红虚线)和1000(蓝虚线)所有像素低于阈值N 需设置为0(每个像素的最初值)。
联系图3a 的每个阈值,两个垂线表示的是修饰过的点光源图像的全宽2N σ ,这个全宽由公式(3)可算出,如图3(B )所示随着阈值增加到接近最大值使Nmax ,我们可以看到点光源尺寸大小会急剧减小,另外,由于最初的点光源图像的峰是高度对称的,与原始图像相关的后期处理图像的中心值不会发生明显的转变。
图3(a)通过点光源衍射极限中心区域的横截面(黑色曲线),两个阈值代表的两个阈值,N=800(红),和N=1000(蓝)。
(b )半宽N σ作为图像(a )中阈值N 的函数图。