[发明专利]一种光学元件体缺陷的提取方法

权利要求书

1.一种光学元件体缺陷的提取方法，其特征在于，包括：

(1)采用两台出射光线横截面为矩形的激光光源分别发出光线，依次经过分光镜、反射镜照射入光学元件内部，交汇并形成各部分均匀的方形光斑对光学元件内部均匀照明，光束经过光学元件内部体缺陷散射后进入光学显微镜和CCD，得到待测光学元件体缺陷的二维图像；

(2)对体缺陷各层次进行扫描并分别成像，得到体缺陷不同层次处的二维图像；逐层图像进行初步的二值化后，针对每相邻两张图中光斑外接矩形的交并比，判断相邻两层的光斑是否属于同一个体缺陷，如果属于同一个体缺陷，则继续下一步处理；如果不属于，则上一层为上一个体缺陷的最后一层，后一层为下一个体缺陷的第一层，得到包含体缺陷的所有层数的二维缺陷图；

(3)根据CCD成像的离焦、对焦各个区域的光信号强度不同，使用阈值法提取每个体缺陷灰度图中灰度强的光斑，并将成像最弱的离焦部分首先剔除掉；

使用阈值法提取每个体缺陷灰度图中灰度强的光斑具体步骤为：

针对多层二维图像，将属于同一个体缺陷的区域统计灰度值，取灰度阈值，公式如下：

其中，G_thre为本步骤中使用的灰度阈值，G_max为这一区域中像素灰度最大值，G_ave为这一区域中像素灰度的平均值，G_min为这一区域中像素灰度的最小值；

由此筛选出较暗的离焦及多余光斑，首先将这部分进行初步剔除，剩余部分离焦和所有的聚焦区域；

(4)然后在剩余部分灰度高的区域划分出感兴趣区域，在其中的每层二维图像中设置3*3大小的滑窗，在滑窗中使用多种清晰度评价算子分别逐点计算清晰度数值；

(5)根据投票法判断滑窗处的清晰度，剔除部分清晰度较弱的离焦区域；具体过程为：

选择Tenengrad评价函数、Laplacian评价函数和基于频率域的双高斯混合模型进行共同判定；将滑窗中的三种清晰度数值与全局图像进行对比，设置阈值分别判断滑窗内部是否为对焦清晰图像，如果是，则投票数加1，如果票数超过评价函数种类的一半，则最终认为滑窗处为对焦清晰图像，并将其以外的光斑部分剔除；

设置阈值分别判断滑窗内部是否为对焦清晰图像的具体方法为：

当Tenengrad评价函数和Laplacian评价函数针对全局图像的评价数值分别是局部图像评价数值的0.6-0.7倍时，判断滑窗内部是否为对焦清晰图像；双高斯混合模型中，在局部图像的方差σ₁是全局图像的1.3倍时，判断滑窗内部是否为对焦清晰图像；

(6)对剩余的感兴趣区域，逐层计算亮斑的外接矩形长宽比，判断真实体缺陷光斑的位置，并将真实体缺陷光斑两端由于离焦产生的模糊光斑剔除，剩余的多层二维图像则为纯净的体缺陷扫描图像；

其中，判断真实体缺陷光斑的位置规则为：根据对同一个体缺陷逐层扫描之后的多层图像，靠近一端的一层二维图像中光斑外接矩形的长宽比较大，靠近另一端二维图像中光斑外接矩形的长宽比较小，这两端的二维图像的中间部分为真实体缺陷光斑。

2.根据权利要求1所述的光学元件体缺陷的提取方法，其特征在于，步骤(1)中，所述分光镜、反射镜的工作波长相同，均为400-700nm，包含了激光光源的出射光波长。

3.根据权利要求1所述的光学元件体缺陷的提取方法，其特征在于，步骤(4)的具体过程为：

(4-1)将剩余图像进行二值化，得到多个连通域，将每个连通域的横纵坐标区间作为所提取矩形感兴趣区域的边缘；

(4-2)在步骤(2)得到的灰度图中从感兴趣区域的左上角开始进行窗口滑动，步长为1进行扫描，一直滑动到窗口的右下角；

(4-3)在每个窗口内部使用多种清晰度评价算子逐点计算清晰度数值，并与全局图像的清晰度进行比较。

4.根据权利要求3所述的光学元件体缺陷的提取方法，其特征在于，步骤(4)中，清晰度评价算子选择Tenengrad评价函数、Laplacian评价函数和基于频率域的双高斯混合模型进行共同判定；

其中，Tenengrad评价函数是基于Sobel算子的清晰度评价函数，其利用Sobel算子计算水平和垂直方向的梯度值，数学表达式如下：

式中，S代表图像中单个像素与Sobel算子的卷积，S_x为Sobel算子在x方向上的分量与单个像素的卷积，S_y为Sobel算子在y方向上的分量与单个像素的卷积；

Laplacian评价函数是基于Laplacian算子的清晰度评价函数，其数学表达式如下：

I_Laplacian＝∑_Height∑_Weight{4f(x,y)-f(x,y+1)-f(x,y-1)-f(x+1,y)-f(x-1,y)}²

式中，f(x,y)为Laplacian算子卷积的图像中某一像素点的灰度值；

基于频率域的双高斯混合模型是通过分析频谱曲线得到图像的清晰度，使用双高斯混合模型拟合图像的梯度密度分布曲线，双高斯函数的表达式如下：

G＝pG₀(x,μ₀,σ₀)+qG₁(x,μ₁,σ₁)

式中，G₀和G₁均为高斯分布，对于一个高斯分布，μ为高斯分布尖峰位置的坐标，σ为标准方差；在上式中，σ值越大，代表梯度分布范围越广，说明图像中存在越多的锐利边缘；σ值越小，代表梯度分布的范围越窄，说明图像中的锐利边缘越少，较为模糊；p、q为对应的拟合系数；采用双高斯函数评价图像的清晰度时，首先需要计算图像中的梯度密度分布，采用双高斯函数进行曲线拟合，计算出其中的p、q、μ₀、σ₀、μ₁、σ₁，最后根据衡量锐利边缘的G₁高斯函数的方差σ₁来衡量图像的清晰度情况。