基于灰度自適應增強的 DKDP 晶體損傷檢測

余健　史晉芳　邱榮　郭德成　周磊　周強

摘要：在磷酸二氫鉀（KDP）及磷酸二氘鉀（DKDP）晶體損傷研究中需要對圖像中損傷點進行統計，為了解決損傷圖像中弱小損傷點的低對比度導致統計不準確的問題，提出一種基于局部直方圖灰度自適應增強的損傷點檢測方法。首先利用圖像差分去除高頻背景，然后根據圖像中每個像素鄰域的灰度與方差和整幅圖像的灰度與方差之間的差異性，篩選出待增強像素，并通過鄰域最大灰度值與全局最大灰度值得出灰度調節系數，對圖像進行自適應增強，最后對增強后的圖像進行閾值分割及目標分離。實驗結果表明該增強算法可以使弱小損傷點的信噪比得到提升，更利于檢測出圖像中的弱小損傷點，提高 DKDP 晶體損傷研究中損傷點統計的準確性。

關鍵詞：損傷檢測圖像增強圖像分割邊界跟蹤 DKDP 晶體

中圖分類號：TN247? 文獻標志碼：A? 文章編號：1671-8755（2024）01-0093-09

Damage Detection of DKDP Crystals Based onGrayscale Adaptive Enhancement

YU Jian1 ， SHI Jinfang1 ， QIU Rong2 ， GUO Decheng2 ， ZHOU Lei2 ， ZHOU Qiang2

（1. School ofManufacturing Science and Engineering ， Southwest University ofScience and Technology ，Mianyang 621010 ， Sichuan ， China;2. Joint Laboratory for Extreme Conditions Matter Properties ， School ofMathematics and Physics ， Southwest University ofScience and Technology ， Mianyang 621010 ， Sichuan ， China ）

Abstract： In KDP&DKDP crystal damage studies ， it is necessary to count the damage points in the image . In order to solve the problem of statistical inaccuracy caused by low contrast of weak damage points in damaged images ， damage points detection method based on local histogram grayscale adaptive enhancement was proposed . Firstly ， the high-frequency background was removed by image difference ， and secondly ， according to the difference between gray scale and variance of each pixel neighborhood in the image and the gray and variance of the entire image ， the pixels to be enhanced was screened out ， and through the neighborhood maximum gray scale and the global maximum gray scale to get the gray adjustment coefficient ， the image was adaptively enhanced ， finally ， the enhanced image was segmented by threshold and target separation . The experimental results show that the SNR of weak damage points can be improved by the enhancement algorithm ， which is more conducive to detecting weak damage points in the image and improving the accuracy of DKDP crystal damage statistics .

Keywords ： Damage detection; Image enhancement; Image segmentation; Border following; DKDP crystals

磷酸二氫鉀（KDP）和磷酸二氘鉀（DKDP）晶體具有較大的非線性光學系數及能生長出大口徑的單晶體等優勢[1-2] ， 常用作高功率大口徑激光裝置中的電光開關元件和頻率轉換器件[3-4]。在持續激光輻照下，晶體中會出現破壞現象，被稱之為激光誘導損傷（Laser-induced damage ， LID） ， 簡稱損傷（ Dam- age）。損傷的出現會影響整個光路系統的運行，需要及時對晶體中的損傷進行處理分析[5]。晶體損傷是制約高功率激光裝置輸出能力的原因之一[6]。在 KDP/DKDP 晶體中，損傷點密度是評價晶體質量、損傷程度、遮光率以及晶體能否繼續使用的標準之一[7]。隨著輻照激光能量密度及輻照次數增加，損傷增長主要體現為損傷點密度增加和損傷點損傷程度增加。通過分析損傷點的密度和損傷程度，有助于了解晶體的損傷機理以及損傷特性。在損傷探測方法中，散射法作為一種識別晶體損傷的手段，將損傷測試區域光散射的增強解析為晶體內部或表面性質被損傷機理改變的直接結果[8]。損傷呈現為一種針點狀形貌，可以通過統計圖像中損傷點的數目來統計晶體的損傷密度，進而研究晶體抗損傷特性。

目前，針對大型激光系統的在線損傷檢測系統，國內外學者對其涉及的圖像處理技術已開展多年研究。美國國家點火中心Kegelmeyer等[9]模擬人眼從局部環境中識別突出像素點的機制，提出局部信噪比（Local area signal noise ratio ， LASNR）方法，通過對圖像每個局部塊進行噪聲與信號的比值計算來評估每個區域的信號質量及噪聲水平。馮博等[10] 在 LASNR 算法的基礎上提出了局部信號強度比（Local area signal strength ratio ， LASSR）算法，利用 LASSR 方法的策略進行區域生長法中種子點的選取，但是在 LASSR 生成圖像的過程中背景與目標的灰度同樣得到了抑制。為改進 LASSR 算法中對圖像灰度削弱的情況，田玉婷等[11]提出局部信號強度比增強（ Improved local area signal strength ratio ， ILASSR）算法，構造一類篩選像素點的濾波模板，對圖像中的損傷點進行增強。董瑞等[12]為增強晶體損傷中熒光圖像與散射圖像的信號，提出了局部對比度增強 （ Local adaptive contrast enhancement ， LACE ）算法。

損傷圖像中，有一類損傷點由于雜散光的存在或者散射過弱的情況，其灰度值與周圍背景幾乎沒有差距，很容易引起檢測誤差，被稱之為弱小損傷點[13]。上述晶體損傷點檢測方法是利用損傷點信號與背景信號之間的不同差異性將損傷點從圖像中提取出來。LASNR 僅對噪聲進行估計，因此無法增強圖像中損傷點的信號。LASSR 中利用圖像差分的思想在削弱噪聲信號的同時，也大幅削弱了損傷點的信號。ILASSR 方法通過構造一類濾波模板對圖像中損傷信號進行增強，但是需要進行復雜的計算，并且增強效果有限。LACE 方法具有增強效果，但其增益系數為自設常數，不具備自適應性，易造成圖像增強效果不足。本文提出一種基于局部直方圖灰度自適應增強算法，通過進一步增強弱小損傷點的信號強度來提高損傷點的檢測精度。

1 實驗光路及損傷點檢測流程

1.1 DKDP 晶體損傷檢測光路

DKDP 晶體損傷檢測光路如圖1所示，為激光合束系統。通過 Nd∶YAG 激光器（Spectra - Physics ， LAB -190-10）產生基頻（1ω， 1064 nm ， 約12ns ）、二倍頻（2ω， 532 nm ， 約10 ns ）和三倍頻（3ω， 355 nm ， 約9 ns ）激光，激光運行頻率為1 Hz 。半波片與偏振片組成光路前端的能量調節系統用以控制實驗所需能量。每束激光采用透鏡（熔石英，2500 mm ）調節靶面光斑大小，并采用分光鏡進行激光合束。光束質量監控系統通過探測主光路中經由平面鏡前表面反射的光束對光斑重疊情況及光束質量進行分析，其中光束質量分析儀（Newport ， LBP2- HR - VIS2）的光敏面與激光作用靶面共軛。采用 He - Ne激光作為照明光源，與實驗激光同軸。實驗過程中DKDP 晶體的損傷圖像由 CCD1（度申科技， MGS1201M - H2）采集，CCD2與 CCD3分別用于監控 DKDP 晶體前后表面。實驗樣品為金剛石表面飛切加工后的 DKDP 晶體（50 mm ×30 mm ×10 mm ）。電控平移臺用于放置并移動實驗樣品，以方便更換實驗區域。

通過 CCD1采集實時損傷圖像，接著進行圖像預處理、連通域優化、損傷點提取，具體流程如圖2所示。

首先，利用圖像差分算法對背景進行抑制以削弱背景噪聲。根據每個像素鄰域局部直方圖信息與整幅圖像的直方圖信息篩選待增強像素，對圖像灰度進行自適應增強，以提高圖像中弱小損傷點的信號強度，然后進行損傷點的分離。在增強后的圖像中提取損傷區域最小外接矩形區域，在每個區域內部使用一維最大熵方法[14]對閾值進行分割，以迭代中值濾波[15]及形態學閉運算方法規避分割帶來的偽目標、斷裂、圖像噪點等問題。最后，利用 Canny 算子進行邊緣檢測[16]。利用邊界跟蹤算法[17]對所有閉合邊緣進行提取，以圖像中的閉合連通區域個數作為圖像中損傷點的數量提取。

1.2 圖像預處理

為了突出背景與圖像中損傷點之間的差異性，首先利用開運算方法對原始圖像進行形態學處理。通過開運算可以模糊圖像中的小尺寸損傷點，同時也能保持圖像整體的灰度分布信息，如式（1）所示：

式中：I（ x ， y）表示原始損傷圖像；A 表示開運算操作的結構元；！和①分別表示腐蝕和膨脹。對原圖像 I（ x ， y）進行先腐蝕后膨脹得到經開運算過后的圖像Iopen （ x ， y）。

雙邊濾波作為一種具有邊緣保護效應的濾波器，能很好地對圖像中的背景進行平滑，并對損傷點的輪廓進行保護[18]。通過對開運算后圖像Iopen （ x ， y）進行雙邊濾波，并利用圖像差分算法得到背景被抑制后的圖像 G（ x ， y） ， 如式（2）、式（3）所示：

雙邊濾波中的窗口大小應根據噪聲鄰域大小進行估計，空間域的權重σs 及像素域σr 的權重需要根據所要提取損傷點的大致范圍進行確定。

對圖像進行背景抑制之后，會使圖像中損傷點灰度值同樣得到抑制，導致圖像中的弱小損傷點更加難以被檢測出來，因此設計一種篩選的算法對圖像中損傷點的強度進行增強，且保證背景不受影響。圖像的直方圖包含了灰度均值與灰度方差兩個最基本的圖像信息，可以根據每個像素鄰域塊的直方圖信息與整幅圖像的直方圖信息進行比對來對需要增強的像素進行篩選。在損傷區域外緣，鄰域灰度均值大于周圍背景，且灰度波動劇烈；在損傷區域的中心，灰度均值大于損傷區域的外緣，灰度波動平穩；在背景區域中，經過圖像差分以后，鄰域灰度均值低，灰度波動同樣也低。根據這3個不同性質，可以篩選出圖像中屬于弱小損傷點的像素點，并對其進行灰度自適應增強，降低后續步驟的檢測難度。主要步驟為：

（1）計算整幅圖像的灰度均值 m G ， 方差σG（2）及最大灰度值 m max ;

（2）確定鄰域像素尺寸Sxy ， 根據損傷區域分布性質一般取3×3或者5×5像素大??；

（3）計算每個像素鄰域的灰度均值 mS 與方差分布σS ， 并計算鄰域最大灰度值 mS? ;

（4）為防止灰度溢出，增強系數為 m max /mS? ;xymax

（5）根據式（4）篩選出待增強區域，并根據增強系數進行灰度自適應增強。

式中：k0為鄰域灰度均值與全局灰度均值的比較系數；k1 為鄰域方差與全局方差的比較系數，k0 與 k1的取值需要針對實驗采集圖片進行調試；圖像差分后的低信噪比圖像可以認為低于 k0 m G 的像素為圖像中的背景；k1σG（2）則代表了背景方差的波動。通過灰度與方差的不同，將損傷區域的像素點從圖像中篩選出來并進行增強。為了提升增強效果，在式（4）條件1的情況下，當鄰域中心像素點的灰度值fS （ x ， y）低于鄰域均值 mS 時，則將其原本灰度值替換為鄰域最大灰度值fS? （ x ， y）進行增強。

1.3 連通域優化

在完成對高頻背景的抑制及對圖像中弱小損傷點的增強之后，需要將損傷點從圖像中與背景進行分割。為了保證提取信息量足夠大且分割迅速，對增強后的圖像進行最小外接矩形擬合用以尋找目標區域，并對每個 ROI 區域（Region of interest）采用一維最大熵分割法。由信息論可知，圖像熵越大，則圖像中含有更多信息，對于任意一幅尺寸為 M ×N 的圖像，f（ x ， y） 表示點（ x ， y）處的灰度值，f（ x ， y）=[0 ， L]的灰度集合，設 pi 表示第i個灰度級出現的概率，給定一個閾值 t （ t =[0 ， L]）分割出目標 A 區與背景 B 區，則Pt =Σi（t）=0p i表示從0到 t 的灰度級概率之和。圖像熵 H 的定義為：

當目標熵 H（A）和背景熵 H（B）總和 H最大時，此時分割的 t 即認為是最佳分割。A 區：

B 區：

目標熵 H（A）為：

背景熵 H（B）為：

定義目標與背景熵之和ψ（ s ）為：

當選取的 t 使得ψ（ s ）最大時，選取此時的 t 值作為分割可獲得最大信息量。

在完成分割工作后，因存在部分噪聲，圖像連通域呈現不規則形狀，需要對其后處理以消除其帶來分割不準確問題。去除圖像中小的孔洞或細小的物體，同時保留圖像中較大的連通區域，以供后續步驟分析。對于圖像中的椒鹽噪聲采用中值濾波器進行濾除。為防止中值濾波過度模糊化圖像且噪點去除不足，采用迭代中值濾波方法去除圖像椒鹽噪點，同時該方法也能對邊緣進行優化，去除內部偽點。由于通過圖像中的連通區域來對損傷點數目進行判斷，而圖像中單目標斷裂將影響損傷點提取過程中的準確度問題。通過形態學閉運算來消弭此類問題，如式（11）所示：

為了不更改連通區域的位置和形狀，其結構元 A 通常選擇矩形結構。

1.4 損傷點提取

完成對損傷點的連通區域優化之后，利用 Canny 算法提取出細化邊緣，采用邊界跟蹤算法對每個閉合輪廓邊緣進行跟蹤，以此統計損傷圖像中連通域的個數，對于每一個提取出來的連通域具備重心、周長、面積等特性，通過圖像一階矩確定重心位置，并以最小外接橢圓對提取到的連通域進行擬合，擬合得到的信息作為圖像中損傷點的特性，如連通域個數、面積和位置。

2 實驗結果分析

本文實驗硬件平臺基于2.90 GHz Intel C ore i5 CPU ， 16 GB RAM 計算機；軟件開發基于 Win1064位操作系統，開發工具為 Qt 5.15.2+ OpenCV 4.5.1。

2.1 圖像預處理結果分析

經過圖像差分之后，高頻背景得到削弱，同時整幅圖的灰度也得到了削弱。圖3中左側部分圖像的平均灰度值在圖像差分前后分別為16.94 ， 5.36。圖3中編號1-編號4所示的弱小損傷點，其灰度水平基本與周圍背景相當，檢測過程中很容易被忽略。本文通過對損傷區域進行圖像差分來抑制高頻背景，以提高弱小損傷點的信號，方便后續步驟的分離。

為說明背景抑制的效果，對損傷點的三維分布圖進行分析，圖4（ a ）-圖 4（d）分別對應圖3中數字編號1- 編號4的點。從圖4可以看出，相比于原始圖像的背景水平，高頻背景均下降了一定高度，同時可以看出峰值的灰度水平也出現了下降的情況，因此下一步需要對圖像像素進行篩選增強。

在 ILASSR 方法中構造了一類濾波模板對圖像進行增強，LACE 方法的增益系數選取為常數3 ， 本文采用局部塊與整幅圖像灰度方差之間的差異性進行待增強像素點的篩選并對灰度進行自適應增強。圖5比較了 ILASSR ， LACE 與本文增強方法的差異性。在 ILASSR 方法中出現了灰度溢出的情況，增強損傷區域的同時，周圍區域的噪點也得到了一定程度的增強，LACE 方法雖然具備增強效果，但是對于弱小損傷點的增強并不明顯。為進一步比較不同方法的增強結果，對圖像中的信噪比進行計算分析。信噪比（Signal noise ratio ， SNR）是衡量信號與噪聲強弱關系的度量，在圖像存在背景灰度的情況下，點目標的檢測常使用局部最小方差法來計算圖像的信噪比[19] ， 其定義如式（12）所示：

在局部最小方差方法中，通常對圖像塊為3×3或者5×5像素大小的方差進行計算，式（12）中σx 表示局部方差中的最大值，將其作為信號值，σn 表示局部方差的最小值，將其作為噪聲值，最終計算的 SNR 值根據經驗公式進行修正。

如表1所示，3種方法均對信噪比 SNR 帶來提升效果。表1中例圖為不同方法處理后的結果展示，可以看見弱小損傷點對比度均得到明顯提升。以原始圖像信噪比為基準，計算3種方法對4個弱小損傷點的平均提升倍數，ILASSR ， LACE 以及本文方法提升效果分別為1.65 ， 1.70 ， 1.94倍。本文方法能一定程度上提高信噪比，且提高效果優于 ILASSR 與 LACE 方法，能有效提升圖像中損傷點信號，更利于準確提取出損傷點目標。

為了直觀展示本文方法的提升效果，對圖3中數字編號1-編號4的點繪制三維灰度圖，如圖6、圖7所示。從圖6、圖7觀察到，圖像中弱小損傷點灰度值得到了提升，與周圍的背景形成對比，更有利于后續的圖像處理步驟中損傷點的分離。

2.2 連通域優化分析

對增強后圖像進行分割之后會帶來隨機噪聲，對單個損傷點，可能會出現斷裂、偽點等情況，以至于統計過程中出現誤判斷的情況。因此，需對分割之后的連通域進行優化，優化策略為迭代中值濾波結合形態學閉運算。圖8（ a ）中的點來自于圖3中編號為字母 a 的點，圖8（ b）為最大熵分割后的結果，為原圖中一個損傷點的二值化圖像。從圖8（b）可看出損傷點連通域出現噪點、斷裂，其內部產生部分偽點。圖8（ c ）-圖8（ e ）依次表示從迭代1次開始的中值濾波迭代運行的次數，圖8（f）為利用閉運算彌合損傷點斷裂區域的過程。圖8展示了整個連通域的優化流程，原始圖像經熵分割結合迭代中值濾波濾除椒鹽噪聲及閉運算處理后最終得到圖8（f）的優化后連通域，可以一定程度上避免對損傷點的誤判斷問題，提高檢測準確度。

2.3 損傷點提取結果分析

在完成了對連通域的優化之后，圖9為損傷點提取示意圖。圖9中的提取結果來自于圖3左側部分圖像的提取結果，每個損傷點的重心利用實心圓進行標注，原始驗證圖像尺寸為2400×1000像素，截取放大區域圖像尺寸為530×450像素。

在圖像上存在能夠由 CCD 探測到的弱小損傷點，利用增強算法對圖像中弱小損傷點進行增強之后，可以將圖3中對比度極低的弱小損傷點準確檢測出來，有效提升了 DKDP 晶體損傷檢測過程中的準確度。

表2中的數據來源于圖9的提取結果，以圖像中可提取到的連通域信息作為損傷點本身的特性，并對相機進行標定，可以獲得損傷點個數、坐標、面積信息，用以實驗分析。

2.4 檢測結果分析

選取 DKDP 晶體損傷測試中的4組損傷區域圖像，將其標號為 A1 ， A2 ， A3 ， A4 ， 對其檢測最小面積及單幀圖像運行時間進行分析。由表3分析可知，該流程算法的平均運行時間為0.81 s ， 滿足激光頻率要求，能在激光脈沖間隔內完成圖像采集及處理工作。

3 結論

本文結合圖像處理方法，完成對 DKDP 晶體損傷圖像中損傷點的提取分析工作。（1）采用的圖像增強方法提升效果優于 ILASSR 與 LACE 方法，能有效提高檢測下限。（2）損傷圖像中連通域的優化策略能提升圖像中損傷點分離與提取準確度。（3）該算法能有效提取出圖像中損傷點的信息，可用于晶體損傷特性測試中的損傷點檢測。

參考文獻

[1] BAISDEN P A ， ATHERTON L J ， HAWLEY R A ， et al. Large optics for the national ignition facility[ J]. Fusion Science and Technology ， 2016 ， 69（1）：295-351.

[2] 李云飛，史晉芳，邱榮，等.355 nm 和1064 nm 雙波長預處理對 DKDP 晶體損傷性質的影響[ J].強激光與粒子束，2022 ， 34（6）：17-22.

[3] BURNHAM A K ， HACKEL L A ， WEGNER P J ， et al. Improving 351 nm damage performance of large-aperture fused silica and DKDP optics [ C]∥Proceedings of SPIE： the International Society for Optical Engineering. SPIE ， 2002.

[4] CARR C W ， AUERBACH J M . Effect of multiple wave-tals [J]. Optics Letters ， 2006 ， 31（5）：595-597.

[5] 李勇，李建郎，李展，等．光學元件損傷的檢測和修復：傳統與深度學習[ J].光子學報，2022 ， 51（10）：391-403.

[6] 李香草. KDP 晶體紫外激光輻照損傷研究[ D].北京：北京科技大學，2021.

[7] 邱榮．強激光誘導光學元件損傷的研究[ D]. 四川綿陽：中國工程物理研究院，2013.

[8] 激光器和激光相關設備激光損傷閾值測試方法第4部分：檢查、探測和測量：GB/T16601.4—2017[ S].北京：中國標準出版社，2017.

[9] KEGELMEYER L ， FONG P ， GLENN S ， et al. Local ar- ea signal-to-noise ratio （ LASNR） algorithm for image segmentation [C]∥Proceedings of SPIE： the Internation- al Society for Optical Engineering ， 2007 ， 6696：836-844.

[10]馮博，劉炳國，陳鳳東，等．光學元件損傷在線檢測圖像處理技術[ J].強激光與粒子束，2013 ， 25（7）：1697-1700.

[11] 田玉婷，鄔融，楊野．基于局域信號增強的光學元件損傷檢測[J].中國激光，2018 ， 45（11）：137-144.

[12]董瑞．熔石英光學元件亞表面缺陷檢測技術研究[D].重慶：重慶理工大學，2022.

[13]馮博．慣性約束聚變終端光學元件損傷在線檢測技術研究[D].哈爾濱：哈爾濱工業大學，2014.

[14]劉天舒，房建東，趙于東．基于圖像分割的目標檢測方法對比研究[J].計算機時代，2022（1）：14-18.

[15]王拓，王洪雁，裴炳南．一種消除椒鹽噪聲的迭代自適應中值濾波算法[ J].電光與控制，2019 ， 26（2）：23-27.

[16]杜緒偉，陳東，馬兆昆，等．基于 Canny 算子的改進圖像邊緣檢測算法[ J].計算機與數字工程，2022 ， 50（2）：410-413 ， 457.

[17]許珊珊．靜態圖像中多目標的邊界跟蹤方法研究[D].湖南湘潭：湘潭大學，2018.

[18]賈亮，王貴宇，于昊充．基于噪聲檢測和自適應方差的雙邊濾波算法[J].電子設計工程，2022 ， 30（19）：144-148.

[19]王學偉，王春歆，張玉葉．點目標圖像信噪比計算方法[J].電光與控制，2010 ， 17（1）：18-21.