基于BLOB 区域和边缘特征分析的准直图像双光学目标识别方法

何文轩，王拯洲，魏际同，王力，弋东驰

（1 中国科学院西安光学精密机械研究所，西安 710119）（2 中国科学院大学，北京 100039）

0 引言

光束控制与诊断系统是某原型装置的一个闭环调控监视系统，具备多功能和高准确度的激光参量诊断平台［1］，该系统包含光学取样组件、探测元器件、伺服系统、监视系统和控制系统等，用于精密诊断装置输出激光光束的能量、近场、远场和时间波形等特性。在大型激光装置中，光路自动准直系统需要完成三个准直流程：光路自准直、模拟光准直和光路对接准直。光路对接准直的主要目的是通过启动光束收敛线程，结合图像识别和二维电动镜架的调整，反复迭代将主激光目标调整到相对模拟光目标的相对偏差位置。

光路对接准直图像中包含两个光学目标，即模拟光目标和主激光目标。在光束初始调控阶段，两个光学目标的位置是随机的、不确定的，存在两个光学目标粘连在一起的可能，对光束调控造成了巨大的困难。因此，光路对接准直需要解决两种情况下的图像识别问题：1）在光束初始调控阶段，当主激光束和模拟光束刚被导入时，需要采用粘连识别算法对两个光学目标的粘连状态进行识别，如果两个光学目标处于粘连状态，需要通过调整二维镜架BM6XY 电机使得两个目标完全分开；2）在两个光学目标完全分开的情况下，需要确定两个光学目标哪个是模拟光目标，哪个是主激光目标。

在光路对接准直流程［2-4］中，双目标粘连状态的无法判别是一个需要解决的问题。郭嘉富［5］针对大型激光装置［6］光路自动准直中的光学目标识别问题，提出了基于圆拟合的双光学目标识别方法，但无法对两个光学目标的粘连状态进行判别。为了应对这个问题，首先需要分析粘连图像［7］和完全分离图像的特点。对于处于粘连状态的双光学目标准直图像［7］，可以观察到以下特点：1）准直图像可能包含1 个或2 个光学目标；2）目标完全分离时，距离大于100 像素；3）目标距离较近或完全重合时，会合并为一个光斑。由以上分析可知采用适当的图像处理和分类算法来解决双目标粘连状态无法判别的问题，可成功完成光路对接准直操作。

粘连图像的识别［8-10］是指从一个待识别图像中判断是否分别包含两个单独目标的部分特征信息的过程。因此，粘连目标识别需要同时处理待识别图像和模板图像。通过观察待识别图像和模板图像的边缘轮廓特征，发现在待识别图像中包含了大部分模板图像的边缘轮廓特征［11］。基于此，将两幅图像的边缘轮廓信息作为判断待识别图像是否为粘连图像的重要特征信息。选择模拟光目标［12］作为模板图像，提取该模板图像的特征信息，记为Ef，同时在待识别图像中提取特征信息，记为Eg。通过比较两个图像特征信息的相似度，判断在待识别图像中是否包含模板图像的特征信息。如果Eg中包含Ef的特征信息大于某个阈值，则说明待识别图像中包含了模板图像，从而证明待识别图像为粘连图像。

两个完全分离的双光学目标准直［12］图像具有以下特点：1）模拟光目标为实心、目标区域连续、目标区域中心无孔洞的光学目标，边缘轮廓较为平滑，主体目标区域形成一个完整的连通域；2）主激光目标是一个非实心的光学目标，其目标区域不连续且包含许多孔洞，边缘区域轮廓非常曲折，整个目标区域包含多个连通域，且连通域内存在孔洞；3）主激光目标的光束质量较差，其光斑形状多变，纹理不规则，边缘曲折不连续明显。最明显的特征是模拟光目标仅包含一个连通域，而主激光目标则包含多个连通域。基于这个特征，通过统计和比较两种光学目标在各自的目标区域中包含的连通域个数来区分模拟光目标和主激光目标。

为了对主激光和模拟光粘连光学目标进行分离，本文提出了一种基于二进制大对象（Binary Large Object，BLOB）区域和边缘特征分析的准直图像双光学目标识别方法。该方法通过统计经过数字图像处理后的光学目标BLOB 数目，建立数学模型，以实现对主激光和模拟光目标在完全分离和粘连状态下的识别。

1 理论背景

基于BLOB 区域和边缘特征分析的准直图像双光学目标识别方法的目的是提出一个统一的图像识别算法，同时完成两个功能：1）对处于粘连状态的两个光学目标的粘连状态进行判别；2）对于完全分离的准直图像中双光学目标进行识别，并标识模拟光目标和主激光目标的识别标志。为了实现该功能，提出的基于BLOB 区域［12-13］和边缘特征分析的准直图像双光学目标识别方法的主要步骤为：1）二值化和数字形态学处理；2）BLOB 区域特征信息提取；3）基于BLOB 区域数量特征统计的双光学目标识别；4）基于边缘特征分析的粘连光学目标识别。

1.1 二值化和数字形态学处理

在光路对接准直流程中，通常采集到的准直图像包含主激光和模拟光两个光学目标，两个目标的分布特征不同。为了识别两个目标中的主激光目标和模拟光目标，需要将包含不规则纹理的主激光目标合并为一个较完整的、面积更大的连通域，对二值化图像进行膨胀运算。

假设光路对接准直图像表示为I（x，y），是尺寸为n×m的8 位位图图像（Bitmap，BMP），m=600，n=800。为了方便统计准直图像的特征信息，使用类间最大方差法（OTSU）对I（x，y）进行二值化处理，二值化图像表示为Ibin（x，y）。按照数字形态学理论，膨胀运算实质上是集合运算，A 被B 膨胀看作是所有结构单元原点位置组成的集合。选择尺寸为5×5 的结构单元，结构单元如矩阵B所示，即

经过数字形态学膨胀运算图像Imorph（x，y）为二值化图像Ibin（x，y）与矩阵B的异或运算［14］。

1.2 BLOB 区域特征信息提取

BLOB 区域［15］指图像中具有相似特征且在空间上相互连通的像素集合，也称作连通域。通过BLOB 特征分析不仅可以将目标从背景中分离出来，而且可以提取目标的特征参数，如面积、周长、形心和重心位置、水平/垂直方向轴长、边缘轮廓等。

本文目标识别方法需要对每一个BLOB 区域进行裁剪，重点关注每个BOLB 区域的水平/垂直方向轴长和重心位置。一幅准直图像的目标识别函数用公式表示为

式中，i表示BLOB 区域编号，BR 为准直目标识别函数（Blob Recognize）。

对每个BLOB 区域来说，特征信息提取的结果包括：面积areai、XY方向中心位置centerxi和centeryi、XY方向轴长lenxi和lenyi、裁剪区域从regioni.left 到regioni.bottom、粘连标志join_flagi、目标识别类别mng_flagi等。BLOB 区域编号i满足0＜=i＜blobcount，blobcount 为BLOB 区域个数，Iiblob（x，y）为第i个BLOB 区域。

将一幅准直图像提取出的每个BLOB 区域特征信息存储在BLOB 链表中，链表长度等于BLOB 区域个数blobcount，每个BLOB 区域的面积、XY方向轴长、中心坐标位置、裁剪区域、目标识别类别用公式表示为

式中，endsNumber 为链码表所对应的线段表个数，即一个BLOB 区域所包含的行数，pPoint［k］.x分别为水平线段表的起点位置和终点位置，point_sum 为一个BLOB 区域的像素个数，即面积，mng_flagi为目标识别类别，取值为0、1、2、3。

1.3 基于BLOB 区域数量特征统计的双光学目标识别方法

在正常的光路对接准直流程中，两个光学目标处理［16］处于完全分开状态，粘连标志join_flagi=0。为了实现光学对接准直流程，通过移动二维电动镜架BM6XY 使得主激光移动到相对模拟光的相对偏差位置，这需要对模拟光目标和主激光目标两个光学目标进行识别。

通过分析光路对接准直两种光学目标特点，发现两种光学目标分别包含的连通域个数不同，模拟光目标只包含一个连通域，主激光目标包含多个连通域，基于此特征，通过统计和比较两种光学目标在各自目标区域中包含的连通域个数来区分模拟光目标和主激光目标。目标识别主要分为4 个步骤：1）搜索面积最大的两个区域，将识别标志mng_flagi置为3；2）搜索每个BLOB 区域的矩形区域；3）统计每一个BLOB 中心坐标位于两个面积最大的区域内的各BLOB 个数，分别记为blobcount1 和blobcount2；4）比较blobcount1 和blobcount2 大小，对模拟光目标和主激光目标进行目标识别。

1.3.1 搜索面积最大的两个连通域

一般地，主激光目标和模拟光目标对应的两个连通域面积都是最大的，每一个BLOB 区域的详细信息，包括面积、中心位置、XY方向轴长可用式（2）获得，假设面积最大的连通域为（x，y），面积次大的连通域为（x，y），从所有的BLOB 区域中搜索面积最大和次大的两个BLOB 区域，作为主激光目标和模拟光目标的候选BLOB 区域，用公式表示为

式中，areai为第i个BLOB 区域的面积，p、q分别为面积最大和面积次大BLOB 区域所对应的区域编号。面积最大和次大的两个连通域为候选区域，将式（4）中的mng_flagi设置为3，其他连通域保持初始值mng_flagi=0不变，这样就可以将候选连通域与剩余连通域区别开来。

1.3.2 搜索两个面积最大的BLOB 区域对应的矩形区域

搜索两个面积最大的候选BLOB 区域对应的矩形区域，是为统计每一个BLOB 中心坐标位于两个面积最大的区域内的各BLOB 个数做准备。两个面积最大的BLOB 区域的对应的矩形区域，表示为［regioni.left regioni.top］ ［regioni.right regioni.bottom］，分别表示BLOB 区域的［左上X左上Y］ ［右下X右下Y］，用公式表示为

每个BLOB 区域的边界必须满足左上X和左上Y大于0，且右下X小于图像水平尺寸，右下Y小于图像尺寸的约束条件regioni.left＞=0， regioni.right＜n， regioni.top＞=0， regioni.bottom＜m。

根据以上区域计算公式，所选择的每个BLOB 区域裁剪范围是原先BLOB 区域水平和垂直轴长的2 倍。对于每个BLOB 区域来说，裁剪图像用公式表示为

1.3.3 统计每一个BLOB 中心坐标位于两个面积最大区域内的各BLOB 个数

模拟光目标和主激光目标的目标识别决策过程主要通过统计每一个BLOB 中心坐标位于两个面积最大的区域内的各BLOB 个数来实现的。该决策算法是依据光路对接准直两种光学目标特点来决定的，对模拟光目标来说，模拟光是一个实心的光斑，当模拟光目标的裁剪区域regioni水平和垂直方向被放大2 倍后，在模拟光目标的裁剪区域regioni内基本上不存在面积较小的连通域，如果原始图像中存在离散点的话，经过腐蚀运算已经被消除掉了。对主激光目标来说，由于主激光目标周围存在很多的衍射条纹，当主激光目标的裁剪区域regioni水平和垂直方向也被放大2 倍后，衍射条纹相比离散点的面积大很多，通过腐蚀运算无法将主激光目标裁剪区域regioni内的衍射条纹消除掉。两个面积最大的区域内的各BLOB 个数用公式表示为

式中，blobcount1 表示面积最大光学目标裁剪区域内包含的连通域个数， blobcount2 表示面积次大的光学目标裁剪区域内包含的连通域个数，p和q分别为面积最大和次大的BLOB 区域编号，count（i）表示每个连通域中心坐标（centerxi，centeryi）在面积最大的连通域regionm或regionn内的个数。

1.3.4 设置两个最大BLOB 区域的识别标志mng_flagi

当获得每一个BLOB 中心坐标位于两个面积最大区域内的各BLOB 个数blobcount1 和blobcount2 后，比较blobcount1 和blobcount2 大小，如果blobcount1＜blobcount2，则blobcount1 对应的最大面积BLOB 区域为模拟光目标，识别标志mng_flagi置为1，blobcount2 对应的最大面积BLOB 区域为主激光目标，识别标志mng_flagi置为1；反之blobcount1＞blobcount2，blobcount1 对应的最大面积BLOB 区域为主激光目标，识别标志mng_flagi置为2， blobcount2 对应的最大面积BLOB 区域为模拟光目标， 识别标志mng_flagi置为1。以上目标分类过程用公式表示为

对于blobcount1 等于blobcount2 的情况，需要根据面积系数area_xsi进行判断，面积系数定义为最大或者次大连通域面积与最大或者次大连通域裁剪区域面积的比值，公式为

式中，areai表示第i个BLOB 区域面积为两个面积最大连通域的裁剪图像，水平和垂直尺寸分别为2×lenxi和2×lenyi。是一个不规则的光斑区域为原始图像中的一个矩形区域（x，y）为的一个子区域，所以area_xsi面积系数小于等于1。对于模拟光目标来说，周围没有干涉条纹，只有极少的离散点，因此面积系数接近于1，对主激光目标来说，周围存在干涉条纹，面积系数远小于1。所以，当blobcount1 等于blobcount2 时，面积系数area_xsi大的为模拟光目标。将识别标志mng_flagi设置为1，面积系数area_xsi小的为主激光目标，将识别标志mng_flagi设置为2。用公式表示为

1.4 基于边缘特征分析的粘连光学目标识别方法

对于大多数粘连图像来说，由于两个光学目标处于一个视窗中，生成粘连图像的两个光学目标的位置大体可以分为4 种布局，即左和右、上和下、右上和左下、左上和右下，根据以上布局可以预见的是，在粘连图像中，50%以上的轮廓信息保持了原有模板图像的轮廓信息，只有在完全重叠区域才损失了原先图像的轮廓信息。例如，在待识别图像的轮廓特征中，左边保留了模板图像轮廓特征的100%，上面和下面分别包含了模板图像轮廓特征的50%以上。因此，从左右上下4 个方向，分别对待识别图像的轮廓进行分段检测，依次计算4 个方向模板图像轮廓与待识别图像轮廓之间的相关系数，如果有一个相关系数大于0.95，说明待识别图像为粘连图像。主要识别步骤为：1）模板图像和待识别图像轮廓特征提取；2）模板图像和待识别图像轮廓特征匹配；3）待识别图像粘连标志判断；4）从其他方向待识别图像是否为粘连图像。

1.4.1 模板图像和粘连图像轮廓特征提取

模板图像和待识别图像轮廓特征提取主要是提取边缘图像坐标序列。假设边缘图像表示为f（x，y），图像尺寸为n×m，待识别边缘图像表示为g（x，y），图像尺寸为n×m。为了从左右上下方向在待识别边缘图像中检测所包含的模板图像的边缘，需要依次从左右上下4 个方向分别检测模板边缘图像和待识别边缘图像所包含的边缘序列。其中左右方向对应X坐标序列，上下方向对应Y坐标序列。

检测边缘图像X坐标序列的原则是，从上到下扫描每一行，从左到右依次搜索，记录第一个灰度值等于255 的X坐标值，如果一行中所有的灰度值都等于0，则该行的X坐标记为0。m行全部搜索完毕，共获得m个X坐标序列。将从左边检测的模板边缘图像X坐标序列记为（y），从左边检测的待识别边缘图像X坐标序列记为gle（fty），用公式分别表示为

在使用坐标序列进行边缘特征识别时，需要剔除模板边缘图像所有灰度值全部等于0 的行所对应的坐标序列， 只保留灰度值等于255 的坐标序列，该序列为有效坐标序列。从左边检测的模板边缘图像有效X坐标序列记为fleft（y），用公式表示为

式中，x取值范围为（0，n-1），y取值范围为（0，m-1）。

假设模板图像的有效X坐标序列长度为C1， 待识别图像的X坐标序列长度为C2，通常情况下，C1＜C2，C2=m。从左边检测的模板边缘图像有效X序列fleft（y）为X序列f’left（y）的子集， 是灰度等于255 最左边X坐标序列的集合。

1.4.2 模板图像和待识别图像轮廓特征匹配

1）在待识别边缘图像坐标序列中搜索最佳匹配位置

经过以上处理，在模板边缘图像和待识别边缘图像中从左边检测到两个X坐标序列fleft（y）和gleft（y），两个序列长度不同。为了对两个序列的相似度和相关性进行比较，需要将gleft（y）裁剪成与fleft（y）长度相同的子序列。

gleft（y）裁剪后长度等于C1的子序列，记为，将获得的m-C1个子序列分别与fleft（y）做相关运算，得到m-C1个相关系数。用公式表示为

式中，corr 表示一维相关函数，i的取值范围为［0，m-C1-1］。

在m-C1个相关系数中，选择相关系数最大的子序列对应的起始位置作为最佳匹配点，记为sleft，最大相关系数记为rleft。用公式表示为

2）在待识别边缘图像坐标序列中搜索最佳匹配序列

搜索最佳匹配序列是从X坐标序列gleft（y）中裁剪起点位置为sleft、长度为C1的子序列，该序列为最佳匹配X序列，记为hleft（y），用公式表示为

将最佳匹配X序列和对应的Y方向坐标组合一起，组成最佳匹配位置，记为（hleft（y），y），y的取值范围为［sleft，sleft+C1-1］。该最佳匹配位置是一个2 维列向量，第一列表示X坐标，第二列表示Y坐标。表示在待识别边缘图像中所找到的与模板边缘图像相匹配的位置序列。

1.4.3 待识别图像粘连标志判断

待识别图像粘连标志判断是利用待识别边缘图像的最佳匹配序列判断待识别图像是否为粘连图像。通过以上处理，获得了从左边检测的待识别边缘图像的最佳匹配序列hleft（y），该最佳匹配序列是否与模板边缘图像X坐标序列fleft（y）完全相似，通过相关系数rleft来判断。由于待识别边缘图像是由主激光目标和模拟光目标重叠而成，两个序列之间的相关系数无法等于1，当相关系数rleft越接近于1，则表示两个序列越相似。根据实验结果，选定阈值Tr=0.95，当rleft＞0.95 时，说明在待识别边缘图像位置序列中包含了模板边缘图像对应的位置序列。换句话说，从左边检测结果来看，在待识别图像的边缘gleft（y）中包含了模板图像的边缘fleft（y）。由此说明，待识别图像为粘连图像。用公式表示为

式中，Tr表示图像粘连标志阈值，默认值为0.95；joinleft为粘连图像判断标志，取值0 或者1，1 表示粘连，0 表示不粘连。

1.4.4 从其他方向待识别图像是否为粘连图像

经过式（10）～（15），完成了根据从左边检测到的边缘来识别判断待识别图像是否为粘连图像。为了确保图像粘连识别结果的可靠性，需要分别从右边、上边、下边3 个方向依次来判断待识别图像是否为粘连图像，这3 个方向的检测原理与从左边检测原理相同。主要不同点是：1）从右边进行检测时，边缘图像的x下标从n-1 到0，依次减小，当f（x，y）或者g（x，y）灰度值等于255 时，记录X坐标序列，分别记为fright（y）和gright（y）；2）从上边进行检测时，从模板边缘图像f（x，y）和待识别边缘图像g（x，y）中获得坐标序列为Y方向坐标值，分别记为fup（x）和gup（x），x取值范围［0，n-1］；3）从下边进行检测时，边缘图像的y下标从n-1 到0，依次减小，当f（x，y）或者g（x，y）灰度值等于255 时，记录Y方向坐标序列，分别记为fdown（x）和gdown（x）；4）依次计算3 个方向的最佳匹配坐标序列，分别为hright（y）、hup（x）、hdown（x），相关系数分别为rright、rup和rdown，粘连标志分别为joinright、joinup和joindown。

综合4 个方向的图像粘连标识，当4 个方向中有1 个粘连标志等于1 时，判断整个待识别图像为粘连图像，整个待识别图像的粘连标志join_flag 用公式表示为

2 数据处理

在光路对接准直流程中，根据光路准直所处的阶段不同，对准直图像采用的数据处理方法不同。在起始阶段，由于主激光束和模拟光束刚被导入，需要采用粘连识别算法对两个光学目标的粘连状态进行识别，并通过调整二维镜架BM6XY 电机使得两个目标完全分开；在准直阶段，由于主激光束和模拟光束完全被分开，粘连标志为完全分开的状态，只需要对两个光学目标的类型识别，启动光束收敛线程，反复迭代将主激光目标移动到目标位置。因此，本文的识别算法在不同阶段分别实现对粘连状态和两个光学目标类型的识别。本文提出的基于BLOB 特征分析的粘连类型和光束类型识别算法处理步骤为：1）二值化；2）数字形态学处理；3）目标识别。双光学目标识别数据处理流程如图1 所示。

图1 双光学目标识别数据处理流程Fig.1 Dual optical target recognition data processing flow

2.1 双光学目标识别数据处理

2.1.1 二值化

光路对接准直原始图像如图2 所示，包含左右两个光路目标，分别为模拟光、主激光。其中模拟光目标特点为：实心、目标区域连续、目标区域中心无孔洞；主激光目标特点为：非实心、目标区域非连续、目标区域包含许多孔洞。对光路对接准直原始图像进行二值化操作，如图3 所示，使得两个光路目标特点更加明显。

图2 原始图像Fig.2 Original image

图3 二值化图像Fig.3 Binary image

2.1.2 数字形态学处理

1）腐蚀运算

对原始图像二值化处理后，需要统计二值化图像中的BLOB 信息。为了消除主激光目标周围的离散点，需要对二值化图像使用腐蚀运算进行第一次数字形态学处理，将主激光目标拆分成更多的非连通BLOB 区域，处理结果如图4 所示。

图4 第一次数字形态学处理结果Fig.4 Results of the first digital morphological processing

整个准直图像进行腐蚀运算处理结果如图4（a）所示。模拟光目标裁剪和腐蚀结果分别如4（b）和（c）所示。将模拟光目标腐蚀运算前后的图像进行比较，发现模拟光目标的形态几乎没有变化，这是因为模拟光目标是实心的，边缘几乎不存在离散像素，腐蚀运算对模拟光目标的几何形态基本没有更改。

主激光目标经过腐蚀运算前后的结果如图4（d）和（e）所示，可以发现主激光目标在形态上变化不大，但边缘区域有明显的变化。主要表现为：1）腐蚀图像中离散的像素点消失，例如图4（f）中的A和B点；2）腐蚀图像中一些BLOB 区域的面积变小，例如图4（f）中的C点和D点。主激光目标腐蚀运算前后的明显变化是由于主激光目标是非实心的，并且目标区域是非连续的，每个目标包含许多孔洞。这些明显特征对模拟光目标和主激光目标的特征提取和识别提供依据。

2）大尺寸膨胀运算

通过对腐蚀运算后的图像进行第二次数字形态学处理大尺度膨胀运算，将非连通的主激光目标膨胀成更大面积的连通区域。依据式（2）对两次数字形态学处理腐蚀和膨胀运算后各连通域的BLOB 信息进行统计，第一次和二次BLOB 详细信息比较结果如表1 所示，第一和第二次分别用First、Second 进行标识。

表1 第一次和第二次统计各BLOB 区域详细信息Table 1 First and second BLOB statistics comparison of BLOB details

由表1 数据可知经过膨胀运算，每个BLOB 区域具有两个方面的变化：1）BLOB 区域的面积变大，例如No.1 的面积10 053→10 857，No.2 的面积400→5 964，No.3 面积122→356。2）水平和垂直方向的轴长变大，例如No.1 水平方向轴长132→135，垂直方向轴长126→129；No.2 水平方向轴长95→101，垂直方向轴长86→89；No.3 水平方向轴长19→43，垂直方向轴长14→20。

大尺寸膨胀运算，用来将每个BLOB 区域进行膨胀放大。对于模拟光目标，因为模拟光目标是实心的，运算后目标周围被等比例放大，几何形态几乎没有变化。运算后主激光目标的主要变化为：1）各BLOB 区域变为面积更大的连通区域；2）几个BLOB 区域可能会合并成一个面积更大的BLOB 区域；3）每个BLOB区域内的孔洞可能变小，甚至消失。主激光目标大尺寸膨胀运算前后对比结果如图5 所示。

图5 主激光目标大尺寸膨胀运算结果Fig.5 Large expansion calculation results of the main laser target

从图5 可以看出，经过大尺寸膨胀运算后，No.2、No.3 对应的BLOB 连通区域面积变大；No.4 对应的BLOB 区域消失；No.5 对应的BLOB 区域不仅面积变大，而且BLOB 区域内的4 个孔洞消失，应的BLOB 区域特征变化最大；No.6 对应的BLOB 区域连通区域面积变大；图5（a）中No.7 与No.4 对应的BLOB 区域合并为一个更大的连通区域。即No.8 对应的BLOB 区域被合并入No.5 对应的BLOB 区域中，No.8 和No.9 对应的BLOB 区域连通区域面积变大了。

2.1.3 目标识别

目标识别是根据两次数字形态学处理获得的各个BLOB 区域的量化特征信息进行比较分析，确定哪个是主激光目标，哪个是模拟光目标。假设模拟光目标对应的中心坐标位于两个面积最大的区域内的各BLOB 个数为blobcount1，主激光目标对应的中心坐标位于两个面积最大的区域内的各BLOB 个数为blobcount2，比较blobcount1 和blobcount2 大小，如果blobcount1＜blobcount2，blobcount1 对应的最大面积BLOB 区域为模拟光目标，blobcount2 对应的最大面积BLOB 区域为主激光目标；反之亦然。

因此，目标识别主要分为4 个步骤：

1）搜索面积最大的两个BLOB 区域

根据面积最大的两个BLOB 区域的搜索结果，可以确定No.1 和No.2 对应的BLOB 区域分别作为模拟光目标和主激光目标的候选目标。将这两个BLOB 区域的mng_flagi设置为3，如表2 所示。这两个面积最大的BLOB 区域的搜索结果如图6 中第三列绿色目标所示。

表2 目标识别结果对比Table 2 Comparison of target recognition results

图6 面积最大的两个BLOB 区域详细参数Fig.6 The detailed parameters of two BLOB regions with the largest areas

2）搜索两个面积最大的BLOB 区域的对应的矩形区域

该步骤是为统计每一个BLOB 中心坐标位于两个面积最大矩形区域内所有的BLOB 区域个数做准备。两个面积最大的BLOB 区域所对应的矩形区域，表示为［left top］ ［right bottom］，依次为BLOB 区域的左上X、左上Y、右下X、右下Y坐标位置，用公式表示为：left=中心坐标X-X方向轴长，top =中心坐标Y-Y方向轴长，right=中心坐标X+X方向轴长，bottom=中心坐标Y+Y方向轴长。

如表3 所示，No.1 对应BLOB 矩形区域为［4 26］ ［274 284］，No.2 对应BLOB 矩形区域为［324 184］［526 362］。例如，No.1 对应BLOB 区域=［139-135 155-129］［139+135 155+129］=［4 26］ ［274 284］。No.1 对应BLOB 区域如图7 矩形框A 所选区域，其中A'为该BLOB 区域未放大前的原始尺寸区域，No.2 对应BLOB 区域如图7 矩形框B 所选区域，其中B'为该BLOB 区域未进行放大前的原始尺寸区域。

表3 目标识别决策过程Table 3 Decision process of target recognition

图7 目标识别过程示意图Fig.7 Schematic diagram of target recognition process

3）统计每一个BLOB 中心坐标位于两个面积最大的区域内的各BLOB 个数

模拟光目标和主激光目标的目标识别决策过程是通过统计每个BLOB 中心坐标位于两个面积最大的区域内的所有BLOB 个数来实现的。目标识别的过程如图7 和表3 所示。对于No.1 的BLOB 区域来说，在9 个BLOB 区域的中心坐标中，只有No.1 的中心坐标（139，155）位于矩形框A 内，因此面积最大的No.1 对应的中心坐标位于两个面积最大区域内的BLOB 个数blobcount1 等于1。对于No.2 的BLOB 区域来说，在9 个BLOB 区域的中心坐标中，有8 个中心坐标位于矩形框B 的范围［324 526］， ［184 362］之内，分别为No.2中心坐标（425，274）、No.3 中心坐标（416，215）、…、No.9 中心坐标（395，312）。因此，面积最大No.2 对应的中心坐标位于两个面积最大区域内所有的BLOB 个数blobcount2 等于8，如表4 最后一行所示。

表4 4 个方向判断待识别图像是否为粘连图像Table 4 Four directions to determine whether the image to be recognized is an adhered image

4）比较中心坐标位于两个最大BLOB 区域的个数

当获得每个BLOB 中心坐标位于两个面积最大区域内的BLOB 个数blobcount1 和blobcount2 后，比较blobcount1 和blobcount2 大小，如果blobcount1＜blobcount2，则blobcount1 对应的最大面积BLOB 区域为模拟光目标，blobcount2 对应的最大面积BLOB 区域为主激光目标；反之亦然。

本次实验中目标识别结果如图8 所示。模拟光目标使用红色十字叉标识，模拟光目标中心坐标为（139.4，155.1），识别标志mng_flagi置为1；主激光目标使用绿色十字叉标识，主激光目标中心坐标为（425.0，273.6），识别标志mng_flagi置为2，目标识别决策过程和识别结果如表3 所示。

2.2 粘连光学目标识别数据处理

粘连光学目标识别可以分为5 个步骤：1）预处理；2）模板图像和待识别图像轮廓特征提取；3）模板图像和待识别图像轮廓特征匹配；4）待识别图像粘连标志判断；5）从其他方向判断待识别图像是否为粘连图像。

2.2.1 预处理

为了说明基于轮廓特征提取的粘连光学目标识别算法的处理过程，选择具有代表性的粘连图像进行说明，假设边模板原始图像表示为forg（x，y），图像尺寸为n×m，待识别边缘图像表示为gorg（x，y），图像尺寸为n×m，其中m=600，n=800，模板原始图像和待识别原始图像分别如图9（a）和（b）所示。

图9 原始图像Fig.9 Original images

由于待识别原始图像和模板图像基本上都处于饱和状态，无法通过图像内部的纹理信息识别。通过分析两幅图像的边缘轮廓特征，发现在待识别图像中包含了大部分模板图像的边缘轮廓特征。所以，分别对两幅图像进行二值化和边缘检测处理，获取两幅图像的边缘特征信息，作为判断待识别图像是否为粘连图像。模板图像和待识别图像的二值化处理结果分别如图10（a）和（b）所示，边缘检测结果分别如图10（c）和（d）所示。

图10 预处理图像Fig.10 Preprocessed images

2.2.2 模板图像和待识别图像轮廓特征提取

模板图像和待识别图像轮廓特征提取主要是提取边缘图像坐标序列，对从左边方向检测边缘X坐标序列过程进行说明。从左边检测模板边缘图像有效X坐标序列fleft（y）坐标值分布曲线如图11（a）所示，在模板边缘图像上的对应表示如图11（b）所示。该序列的长度为129，保存了模板边缘图像在有效区域内每一行最左边的坐标位置，作为待识别边缘图像粘连识别的重要输入参数。

图11 从左边检测模板边缘图像结果Fig.11 Detect template edge image results from the left

从左边检测待识别边缘图像X坐标序列gleft（y）坐标值分布曲线如图12（a）所示，该序列的长度为600，保存了待识别边缘图像在有效区域内每一行最左边的坐标位置，和模板边缘图像的有效序列fleft（y）相比，没有删除X坐标为0 的序列，这是为了待识别边缘图像的所有Y方向搜寻最佳匹配序列。通过观察，发现待识别边缘图像X坐标序列坐标值一维曲线图12（a）在区间［82，210］之间与模板边缘图像有效X坐标序列坐标值一维曲线图11（a）轮廓具有极大的相似性，该区间为最佳匹配序列的潜在搜索区域。

图12 从左边检测待识别边缘图像结果Fig.12 Detect the result of the edge image to be recognized from the left

2.2.3 模板图像和待识别图像轮廓特征匹配

模板图像和待识别图像轮廓特征匹配的目的是在待识别边缘图像X坐标序列gleft（y）中搜寻与模板边缘图像X 坐标序列fleft（y）长度相同的子序列，hleft（y）和fleft（y）的相关系数最大，该子序列为最佳匹配序列hleft（y），将该子序列的起始值sleft当作最佳位置。在本次实验中，最佳匹配序列hleft（y）在图13（a）使用红色曲线进行标识，起始点和终止点分别使用字母A 和B 进行标识，其中长度=129，起始值sleft=82，最大相关系数rleft=0.999。

图13 在待识别边缘图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

为了说明待识别边缘图像最佳匹配序列的检测效果，将模板边缘图像坐标序列fleft（y）和待识别图像的最佳匹配序列hleft（y）的坐标值曲线进行比较，结果如13（b）所示。可以看出，两条曲线的轮廓相似性极大，但坐标值不同，这是因为模板图像中的光学目标距离左边界更近，而待识别图像中的光学目标距离边界更远。

在待识别边缘图像中最佳匹配序列对应位置如图13（c）所示，X坐标序列在待识别边缘图像上的位置如图13（d）所示。对比两幅图像可以看出，最佳匹配序列hleft（y）是gleft（y）子集是从左边进行检测，更加靠近图像左边界且轮廓形状与模板图像左边边缘形状最相似的子序列。在gleft（y）中被裁剪掉的子序列如图13（d）所示，使用紫色矩形框中的绿色字体1、2、3、4 进行标识。

2.2.4 待识别图像粘连标志判断

待识别图像粘连标志判断的目的是利用待识别边缘图像的最佳匹配序列判断待识别图像是否为粘连图像。根据式（15），当模板边缘图像X坐标序列fleft（y）与最佳匹配序列hleft（y）的相关系数rleft大于0.95 时，从左边检测待识别图像为粘连图像。在本次实验中，rleft=0.999＞0.95，所以joinleft=1。由此说明，从左边检测待识别图像为粘连图像。

2.2.5 从其他方向判断待识别图像是否为粘连图像

为了确保图像粘连识别结果的可靠性，需要分别从左、右、上、下4 个方向依次来判断待识别图像是否为粘连图像，处理过程如图14 所示。图14（a）为有效X/Y坐标序列（fleft（y）、gright（y）、fup（x）、fdown（x））在模板边缘图像上位置，图14（b）为X/Y坐标序列（gleft（y）、gright（y）、gup（x）、gdown（x））在待识别边缘图像上的位置，图14（c）为模板边缘图像与待识别图像的最佳匹配序列比较曲线，图14（d）为最佳匹配序列hleft（y）、hleft（y）、hleft（x）、hleft（x）在待识别边缘图像上的位置。图14（c）两条曲线的相关系数分别为rleft=0.999、rright=0.924 6、rup=0.988 5 和rdown=0.991 3。根据式（15），从4 个方向判断待粘连标志分别为joinleft=1、joinright=0、joinup=1和joindown=1。结果如表4 所示。

图14 从4 个方向判断待识别图像是否为粘连图像Fig.14 Judging whether the image to be recognized is adhesive image from four directions

经过以上处理，综合4 个方向的图像粘连标识，当4 个方向中有1 个粘连标志=1 时，判断整个待识别图像为粘连图像，因此，join_flag=1，即待识别图像为粘连图像。粘连图像区域分割效果如图15 所示，在图15（a）中，分别使用红色、绿色、蓝色曲线标识了从左、上、下3 个方向检测到的最佳匹配序列hleft（y）、hup（x）、hdown（x）在待识别边缘图像上的位置；在图15（b）中，标识了模板图像在粘连图像中重叠区域对应位置，如绿色区域所示。

图15 粘连图像区域分割效果Fig.15 Region segmentation effect of adhesive image

3 实验结果分析

3.1 基于BLOB 区域数量特征统计的双光学目标识别方法重复精度分析

实验环境为LENOVO Think Pad T410i，处理器 Intel（R） Core（TM） i5 CPU M 450@2.4 GHz，所用软件为Matlab2016b，内存4 G。

为了验证本文基于BLOB 区域数量特征统计的双光学目标识别算法的可重复性，本次实验选择5 幅不同的准直图像进行双光学目标识别处理，5 幅准直图像具有相同的特点：1）图像中包含两个光学目标，分别是主激光目标和模拟光目标；2）模拟光目标是一个实心的、边缘轮廓连续的、形状不规则的光学目标；3）主激光目标是一个非实心的、边缘轮廓曲折的、光斑中心存在很多孔洞的光学目标，而且光学目标外围区域的亮斑与中心高能量区域存在非连续、非粘连的情况。

针对以上特点的准直图像，不仅需要识别出主激光目标和模拟光目标，更重要的是在识别主激光目标时，主激光目标的外围亮斑区域与中心高能量区域必须看作同一个光学目标来处理。5 幅不同的准直图像的双光学目标识别结果如图16 和表5 所示。

表5 对于5 幅不同的对接准直图像光学目标识别结果Table 5 Optical target recognition results for 5 different butt collimation images

图16 对于5 幅不同的对接准直图像光学目标识别结果Fig.16 Optical target recognition results for 5 different butt collimation images

从表5 中可以看出，5 幅准直图像中的主激光目标和模拟光目标被全部识别出。图像1 中，No.1 对应BLOB 的面积大于No.2 对应BLOB 的面积，连通域个数blobcount 为6，在所有中心位于两个面积最大Region 内的BLOB 区域中，No.1 对应BLOB 的blobcount1 为1，No.2 对应BLOB 的blobcount2 为5，因为blobcount1＜blobcount2，所以No.1 对应BLOB 为模拟光目标，No.2 对应BLOB 为主激光目标。图像2 中，blobcount1 和blobcount2 分别等于2 和4，因为blobcount1＜blobcount2，所以No.1 对应BLOB 为模拟光目标，No.2 对应BLOB 为主激光目标。图像3、图像4 的识别结果与图像1、图像2 相同，都是No.1 对应BLOB 为模拟光目标，No.2 对应BLOB 为主激光目标。

对于图像5 来说，No.1 对应BLOB 的面积大于No.2 对应BLOB 的面积，连通域个数blobcount 为10；在所有中心位于两个面积最大Region 内的BLOB 区域中，No.1 对应BLOB 的blobcount1 为9，No.2 对应BLOB的blobcount2 为1，因为blobcount1＞blobcount2，所以No.1 对应BLOB 为主激光目标，No.2 对应BLOB 为模拟光目标。

通过以上分析说明，本文的双光学目标识别算法不仅实现了主激光目标和模拟光目标的识别，而且能够满足识别不同准直图像时对于重复精度的要求，是光路对接准直流程中用来实现双光学目标识别和判断的一个非常有效的方法。

3.2 基于BLOB 区域数量统计的双光学目标识别方法处理时间性能分析

对于双光学目标识别算法，不仅要保证算法的识别准确率和精度，同时需要保证算法的处理时间满足光路对接准直流程对于时间的要求。根据大型激光装置光路对接准直的设计指标，要求每一幅准直图像目标识别的处理时间小于1 s。一幅准直图像的目标识别过程共分为4 个步骤，分别是二值化、腐蚀运算、膨胀运算、光学目标识别。其中光学目标识别包含BLOB 特征提取和光学目标分离两个步骤。对5 幅光路准直图像进行光学目标识别，各个步骤的处理时间如表6 所示。

表6 多光学目标识别算法处理时间性能分析（单位：秒）Table 6 Processing time performance analysis of multi-optical target recognition algorithm （unit： s）

从表6 中可以看出，图像1 目标识别总时间为0.656 s，其中二值化耗时0.016 s，腐蚀运算耗时0.234 s，膨胀运算耗时0.219 s，特征提取耗时0.078 s，目标分离耗时0.109 s。耗时最长步骤为腐蚀运算和膨胀运算，二值化、特征提取和目标分离步骤耗时较少。对于其他4 幅图像来说，膨胀运算耗时较长，全部大于0.15 s，最短0.187 s，最长0.281 s。由此可见降低腐蚀和膨胀运算的耗时，是提高双光学目标识别效率，降低目标识别时间的重要措施。

对于5 幅准直图像来说，在所有的目标识别4 个步骤中，膨胀运算所消耗的平均时间最长，为0.218 4 s，二值化和BLOB 特征提取的处理时间最短，都小于0.1 s。5 幅准直图像中目标识别所消耗的最短时间为0.344 s，最长时间为0.703 s，平均时间为0.559 6 s。

由此看见，本文提出的双光学目标识别算法不仅能够实现主激光目标和模拟光目标的准确识别，而且目标识别耗时全部小于1 s，满足了大型激光装置光路对接准直流程中光学目标识别算法对于时间的要求。

3.3 粘连目标识别方法对于粘连和单独光学目标识别结果分析

粘连目标识别是指当初始阶段主激光束和模拟光束刚被导入时，由于主激光目标和模拟光目标处于同一个视窗中，两个目标可能会处于粘连状态，根据本文的粘连目标识别算法进行判断，如果两个光学目标处于粘连状态，需要通过调整二维镜架BM6XY 电机使得两个目标完全分开。粘连光学目标识别的前提条件是待识别图像中的有效光学目标个数为1，但是此时会有三种情况：1）待识别图像是一个粘连图像；2）待识别图像中只有1 个模拟光目标；3）待识别图像中只有1 个主激光目标。

为了提高粘连目标识别算法的适应性，需要对本算法在对以上三种情况的识别能力进行分析和验证。对于有效光学目标vblobcount 等于1 的待识别图像，从左、右、上、下4 个方向分别提取模板边缘图像的有效坐标序列Ef和待识别边缘图像的坐标序列Eg，搜素Ef和Eg的最大相关系数r对应的有效坐标序列Eh。以上三种情况的判断条件是：1）当4 个方向的相关系数中至少2 个大于0.95 且1 个小于0.95 时，待识别图像为粘连图像；2）当4 个方向的相关系数r全部大于0.95 时，待识别图像为模拟光目标；3）当4 个方向的相关系数r都小于0.95 时，待识别图像为主激光目标。

实验选择三幅最有代表性的图像来说明本文方法在对有效目标个数等于1 的粘连目标、单个模拟光目标、单个主激光目标图像的识别结果。单个有效目标的识别过程如图17 所示。从图17（d）可以看出，粘连图像在左、上、下三个方向上满足相关系数大于0.95，分别使用红色、绿色、蓝色曲线标识，红色和绿色有大量的重叠，红色曲线的大部分被绿色曲线所覆盖，而在右边方向上没有满足相关系数大于0.95 的边缘；模拟光图像在左、右、上、下四个方向上都满足相关系数大于0.95，分别使用红色、黄色、绿色、蓝色曲线标识；主激光图像在左、右、上、下四个方向上都不满足相关系数大于0.95，没有标识曲线。

图17 单个有效目标的识别过程和结果Fig.17 Identification process and results of a single valid target

表7 中，根据式（15），粘连图像在四个方向的粘连标志join_flag 分别为1、0、1、1，模拟光图像在四个方向上的粘连标志全部为1，主激光图像在四个方向上的粘连标志全部为0。根据式（16），粘连图像的最终粘连标志join_flag=1，模拟光图像和主激光图像的最终粘连标识为join_flag=0。粘连图像、模拟光目标、主激光目标的单目标类型single flag 分别为1、2、3。

表7 单个有效目标识别过程参数Table 7 Single valid target recognition process parameters

3.4 基于边缘特征分析的粘连光学目标识别方法重复精度分析

为了说明基于边缘特征分析的粘连光学目标识别方法对于不同粘连图像的识别重复精度，选择5 幅具有代表性的图像进行比较说明。不同粘连图像的识别过程如图18 所示。图18（a）～（e）分别为原始图像、二值化图像、边缘图像、模板图像边缘在粘连图像中对应边缘的标记结果、模板图像区域在粘连图像中对应重叠区域。识别结果如表8 所示，包含每幅图像分别为左、右、上、下四个方向上的相关系数，每幅图像分别在四个方向所获得的粘连标志，以及每幅粘连图像的最终识别结果。识别结果全部为Yes，表示每幅图像都被识别为粘连图像。

表8 不同粘连图像的识别过程参数Table 8 Recognition process parameters of different adhesive images

图18 不同粘连图像的识别过程和结果Fig.18 Identification process and results of different adhesive images

该5 幅图像与论文数据处理部分，如图9（b）中的原始图像，不是同一幅图。5 幅图可以分为三类：1）主激光目标和模拟光目标沿水平方向偏移后粘连，如Image1 和Image2；2）主激光目标和模拟光目标处于高度重叠状态，如Image3；3）主激光目标和模拟光目标沿垂直方向偏移后粘连，如Image4 和Image5。对于第一类图像来说，以Image1 为例，粘连图像在左、右、上、下4 个方向上的相关系数分别为0.999 3、0.903 9、0.855 1、0.994 6，相关系数的均值为0.938 2，均方差为0.070 7。其中左、下两个方向上满足相关系数大于0.95，分别使用红色、蓝色曲线标识，左、下两个方向相关系数均值为0.997 0，均方差为0.003 3。由于第一类粘连图像为主激光目标和模拟光目标沿水平方向偏移后形成的粘连图像，因此重叠区域主要位于粘连图像的左半区域，如图18（e）第一行所示。对于第三类图像，以Image4 为例，粘连图像在左、右、上、下4 个方向上的相关系数分别为0.967 1、0.990 0、0.999 7、0.922 4，相关系数的均值为0.969 8，均方差为0.034 4。其中左、右、上三个方向上满足相关系数大于0.95，分别使用红色、绿色、黄色曲线标识，左、右、上三个方向相关系数均值为0.985 6，均方差为0.016 7。由于第三类粘连图像为主激光目标和模拟光目标沿垂直方向偏移后形成的粘连图像，因此重叠区域主要位于粘连图像的上半区域，如图18（e）第四行所示。

本文粘连识别方法能够对处于不同粘连和重叠程度的粘连光学目标进行识别，说明该方法具有极大的适用性和鲁棒性，满足识别不同粘连图像时对于重复精度的要求，可解决光路对接准直目标识别算法对双目标粘连状态准确判别的问题。

4 结论

本文提出了一种基于BLOB 区域和边缘特征分析的准直图像双光学目标识别方法。通过建立数学模型与仿真实验，实现了对主激光和模拟光目标在完全分离和粘连状态下的识别。在实验过程中，计算全图各BLOB 区域的面积Area、中心Cxy、轴长lenxy、区域Reginxy、有效BLOB 区域个数vblobcount 等信息；对vblobcount 大于1 的完全分离双目标准直图像，统计各BLOB 区域中心分别为位于两个面积最大的BLOB区域Region 内的BLOB 数量，数量小的候选BLOB 区域为主激光目标，数量大的候选BLOB 区域为模拟光目标；对于vblobcount 等于1 的待识别图像，从左、右、上、下4 个方向分别提取模板边缘图像的有效坐标序列Ef和待识别边缘图像的坐标序列Eg，搜素Ef和Eg的最大相关系数r对应的有效坐标序列Eh，当4 个方向的相关系数r全部大于0.95 时，待识别图像为模拟光目标；当4 个方向的相关系数r都小于0.95 时，待识别图像为主激光光目标；否则待识别图像为粘连图像。所提方法不仅能够实现对完全分离的模拟光目标和主激光目标的识别，误差小于3 个像素，处理时间小于1 s，而且能够实现对处于粘连状态的光学目标和单个独立的光学目标的判别，满足光路对接准直图像识别算法对于自适应性、精度和效率的要求。