基于灰度自适应增强的 DKDP 晶体损伤检测

余健　史晋芳　邱荣　郭德成　周磊　周强

摘要：在磷酸二氢鉀（KDP）及磷酸二氘钾（DKDP）晶体损伤研究中需要对图像中损伤点进行统计，为了解决损伤图像中弱小损伤点的低对比度导致统计不准确的问题，提出一种基于局部直方图灰度自适应增强的损伤点检测方法。首先利用图像差分去除高频背景，然后根据图像中每个像素邻域的灰度与方差和整幅图像的灰度与方差之间的差异性，筛选出待增强像素，并通过邻域最大灰度值与全局最大灰度值得出灰度调节系数，对图像进行自适应增强，最后对增强后的图像进行阈值分割及目标分离。实验结果表明该增强算法可以使弱小损伤点的信噪比得到提升，更利于检测出图像中的弱小损伤点，提高 DKDP 晶体损伤研究中损伤点统计的准确性。

关键词：损伤检测图像增强图像分割边界跟踪 DKDP 晶体

中图分类号：TN247  文献标志码：A  文章编号：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

磷酸二氢钾（KDP）和磷酸二氘钾（DKDP）晶体具有较大的非线性光学系数及能生长出大口径的单晶体等优势[1-2] ， 常用作高功率大口径激光装置中的电光开关元件和频率转换器件[3-4]。在持续激光辐照下，晶体中会出现破坏现象，被称之为激光诱导损伤（Laser-induced damage ， LID） ， 简称损伤（ Dam- age）。损伤的出现会影响整个光路系统的运行，需要及时对晶体中的损伤进行处理分析[5]。晶体损伤是制约高功率激光装置输出能力的原因之一[6]。在 KDP/DKDP 晶体中，损伤点密度是评价晶体质量、损伤程度、遮光率以及晶体能否继续使用的标准之一[7]。随着辐照激光能量密度及辐照次数增加，损伤增长主要体现为损伤点密度增加和损伤点损伤程度增加。通过分析损伤点的密度和损伤程度，有助于了解晶体的损伤机理以及损伤特性。在损伤探测方法中，散射法作为一种识别晶体损伤的手段，将损伤测试区域光散射的增强解析为晶体内部或表面性质被损伤机理改变的直接结果[8]。损伤呈现为一种针点状形貌，可以通过统计图像中损伤点的数目来统计晶体的损伤密度，进而研究晶体抗损伤特性。

目前，针对大型激光系统的在线损伤检测系统，国内外学者对其涉及的图像处理技术已开展多年研究。美国国家点火中心Kegelmeyer等[9]模拟人眼从局部环境中识别突出像素点的机制，提出局部信噪比（Local area signal noise ratio ， LASNR）方法，通过对图像每个局部块进行噪声与信号的比值计算来评估每个区域的信号质量及噪声水平。冯博等[10] 在 LASNR 算法的基础上提出了局部信号强度比（Local area signal strength ratio ， LASSR）算法，利用 LASSR 方法的策略进行区域生长法中种子点的选取，但是在 LASSR 生成图像的过程中背景与目标的灰度同样得到了抑制。为改进 LASSR 算法中对图像灰度削弱的情况，田玉婷等[11]提出局部信号强度比增强（ Improved local area signal strength ratio ， ILASSR）算法，构造一类筛选像素点的滤波模板，对图像中的损伤点进行增强。董瑞等[12]为增强晶体损伤中荧光图像与散射图像的信号，提出了局部对比度增强 （ Local adaptive contrast enhancement ， LACE ）算法。

损伤图像中，有一类损伤点由于杂散光的存在或者散射过弱的情况，其灰度值与周围背景几乎没有差距，很容易引起检测误差，被称之为弱小损伤点[13]。上述晶体损伤点检测方法是利用损伤点信号与背景信号之间的不同差异性将损伤点从图像中提取出来。LASNR 仅对噪声进行估计，因此无法增强图像中损伤点的信号。LASSR 中利用图像差分的思想在削弱噪声信号的同时，也大幅削弱了损伤点的信号。ILASSR 方法通过构造一类滤波模板对图像中损伤信号进行增强，但是需要进行复杂的计算，并且增强效果有限。LACE 方法具有增强效果，但其增益系数为自设常数，不具备自适应性，易造成图像增强效果不足。本文提出一种基于局部直方图灰度自适应增强算法，通过进一步增强弱小损伤点的信号强度来提高损伤点的检测精度。

1 实验光路及损伤点检测流程

1.1 DKDP 晶体损伤检测光路

DKDP 晶体损伤检测光路如图1所示，为激光合束系统。通过 Nd∶YAG 激光器（Spectra - Physics ， LAB -190-10）产生基频（1ω， 1064 nm ， 约12ns ）、二倍频（2ω， 532 nm ， 约10 ns ）和三倍频（3ω， 355 nm ， 约9 ns ）激光，激光运行频率为1 Hz 。半波片与偏振片组成光路前端的能量调节系统用以控制实验所需能量。每束激光采用透镜（熔石英，2500 mm ）调节靶面光斑大小，并采用分光镜进行激光合束。光束质量监控系统通过探测主光路中经由平面镜前表面反射的光束对光斑重叠情况及光束质量进行分析，其中光束质量分析仪（Newport ， LBP2- HR - VIS2）的光敏面与激光作用靶面共轭。采用 He - Ne激光作为照明光源，与实验激光同轴。实验过程中DKDP 晶体的损伤图像由 CCD1（度申科技， MGS1201M - H2）采集，CCD2与 CCD3分别用于监控 DKDP 晶体前后表面。实验样品为金刚石表面飞切加工后的 DKDP 晶体（50 mm ×30 mm ×10 mm ）。电控平移台用于放置并移动实验样品，以方便更换实验区域。

通过 CCD1采集实时损伤图像，接着进行图像预处理、连通域优化、损伤点提取，具体流程如图2所示。

首先，利用图像差分算法对背景进行抑制以削弱背景噪声。根据每个像素邻域局部直方图信息与整幅图像的直方图信息筛选待增强像素，对图像灰度进行自适应增强，以提高图像中弱小损伤点的信号强度，然后进行损伤点的分离。在增强后的图像中提取损伤区域最小外接矩形区域，在每个區域内部使用一维最大熵方法[14]对阈值进行分割，以迭代中值滤波[15]及形态学闭运算方法规避分割带来的伪目标、断裂、图像噪点等问题。最后，利用 Canny 算子进行边缘检测[16]。利用边界跟踪算法[17]对所有闭合边缘进行提取，以图像中的闭合连通区域个数作为图像中损伤点的数量提取。

1.2 图像预处理

为了突出背景与图像中损伤点之间的差异性，首先利用开运算方法对原始图像进行形态学处理。通过开运算可以模糊图像中的小尺寸损伤点，同时也能保持图像整体的灰度分布信息，如式（1）所示：

式中：I（ x ， y）表示原始损伤图像；A 表示开运算操作的结构元；！和①分别表示腐蚀和膨胀。对原图像 I（ x ， y）进行先腐蚀后膨胀得到经开运算过后的图像Iopen （ x ， y）。

双边滤波作为一种具有边缘保护效应的滤波器，能很好地对图像中的背景进行平滑，并对损伤点的轮廓进行保护[18]。通过对开运算后图像Iopen （ x ， y）进行双边滤波，并利用图像差分算法得到背景被抑制后的图像 G（ x ， y） ， 如式（2）、式（3）所示：

双边滤波中的窗口大小应根据噪声邻域大小进行估计，空间域的权重σs 及像素域σr 的权重需要根据所要提取损伤点的大致范围进行确定。

对图像进行背景抑制之后，会使图像中损伤点灰度值同样得到抑制，导致图像中的弱小损伤点更加难以被检测出来，因此设计一种筛选的算法对图像中损伤点的强度进行增强，且保证背景不受影响。图像的直方图包含了灰度均值与灰度方差两个最基本的图像信息，可以根据每个像素邻域块的直方图信息与整幅图像的直方图信息进行比对来对需要增强的像素进行筛选。在损伤区域外缘，邻域灰度均值大于周围背景，且灰度波动剧烈；在损伤区域的中心，灰度均值大于损伤区域的外缘，灰度波动平稳；在背景区域中，经过图像差分以后，邻域灰度均值低，灰度波动同样也低。根据这3个不同性质，可以筛选出图像中属于弱小损伤点的像素点，并对其进行灰度自适应增强，降低后续步骤的检测难度。主要步骤为：

（1）计算整幅图像的灰度均值 m G ， 方差σG（2）及最大灰度值 m max ;

（2）确定邻域像素尺寸Sxy ， 根据损伤区域分布性质一般取3×3或者5×5像素大小；

（3）计算每个像素邻域的灰度均值 mS 与方差分布σS ， 并计算邻域最大灰度值 mS  ;

（4）为防止灰度溢出，增强系数为 m max /mS  ;xymax

（5）根据式（4）筛选出待增强区域，并根据增强系数进行灰度自适应增强。

式中：k0为邻域灰度均值与全局灰度均值的比较系数；k1 为邻域方差与全局方差的比较系数，k0 与 k1的取值需要针对实验采集图片进行调试；图像差分后的低信噪比图像可以认为低于 k0 m G 的像素为图像中的背景；k1σG（2）则代表了背景方差的波动。通过灰度与方差的不同，将损伤区域的像素点从图像中筛选出来并进行增强。为了提升增强效果，在式（4）条件1的情况下，当邻域中心像素点的灰度值fS （ x ， y）低于邻域均值 mS 时，则将其原本灰度值替换为邻域最大灰度值fS  （ x ， y）进行增强。

1.3 连通域优化

在完成对高频背景的抑制及对图像中弱小损伤点的增强之后，需要将损伤点从图像中与背景进行分割。为了保证提取信息量足够大且分割迅速，对增强后的图像进行最小外接矩形拟合用以寻找目标区域，并对每个 ROI 区域（Region of interest）采用一维最大熵分割法。由信息论可知，图像熵越大，则图像中含有更多信息，对于任意一幅尺寸为 M ×N 的图像，f（ x ， y） 表示点（ x ， y）处的灰度值，f（ x ， y）=[0 ， L]的灰度集合，设 pi 表示第i个灰度级出现的概率，给定一个阈值 t （ t =[0 ， L]）分割出目标 A 区与背景 B 区，则Pt =Σi（t）=0p i表示从0到 t 的灰度级概率之和。图像熵 H 的定义为：

当目标熵 H（A）和背景熵 H（B）总和 H最大时，此时分割的 t 即认为是最佳分割。A 区：

B 区：

目标熵 H（A）为：

背景熵 H（B）为：

定义目标与背景熵之和ψ（ s ）为：

当选取的 t 使得ψ（ s ）最大时，选取此时的 t 值作为分割可获得最大信息量。

在完成分割工作后，因存在部分噪声，图像连通域呈現不规则形状，需要对其后处理以消除其带来分割不准确问题。去除图像中小的孔洞或细小的物体，同时保留图像中较大的连通区域，以供后续步骤分析。对于图像中的椒盐噪声采用中值滤波器进行滤除。为防止中值滤波过度模糊化图像且噪点去除不足，采用迭代中值滤波方法去除图像椒盐噪点，同时该方法也能对边缘进行优化，去除内部伪点。由于通过图像中的连通区域来对损伤点数目进行判断，而图像中单目标断裂将影响损伤点提取过程中的准确度问题。通过形态学闭运算来消弭此类问题，如式（11）所示：

为了不更改连通区域的位置和形状，其结构元 A 通常选择矩形结构。

1.4 损伤点提取

完成对损伤点的连通区域优化之后，利用 Canny 算法提取出细化边缘，采用边界跟踪算法对每个闭合轮廓边缘进行跟踪，以此统计损伤图像中连通域的个数，对于每一个提取出来的连通域具备重心、周长、面积等特性，通过图像一阶矩确定重心位置，并以最小外接椭圆对提取到的连通域进行拟合，拟合得到的信息作为图像中损伤点的特性，如连通域个数、面积和位置。

2 实验结果分析

本文实验硬件平台基于2.90 GHz Intel C ore i5 CPU ， 16 GB RAM 计算机；软件开发基于 Win1064位操作系统，开发工具为 Qt 5.15.2+ OpenCV 4.5.1。

2.1 图像预处理结果分析

经过图像差分之后，高频背景得到削弱，同时整幅图的灰度也得到了削弱。图3中左侧部分图像的平均灰度值在图像差分前后分别为16.94 ， 5.36。图3中编号1-编号4所示的弱小损伤点，其灰度水平基本与周围背景相当，检测过程中很容易被忽略。本文通过对损伤区域进行图像差分来抑制高频背景，以提高弱小损伤点的信号，方便后续步骤的分离。

为说明背景抑制的效果，对损伤点的三维分布图进行分析，图4（ a ）-图 4（d）分别对应图3中数字编号1- 编号4的点。从图4可以看出，相比于原始图像的背景水平，高频背景均下降了一定高度，同时可以看出峰值的灰度水平也出现了下降的情况，因此下一步需要对图像像素进行筛选增强。

在 ILASSR 方法中构造了一类滤波模板对图像进行增强，LACE 方法的增益系数选取为常数3 ， 本文采用局部块与整幅图像灰度方差之间的差异性进行待增强像素点的筛选并对灰度进行自适应增强。图5比较了 ILASSR ， LACE 与本文增强方法的差异性。在 ILASSR 方法中出现了灰度溢出的情况，增强损伤区域的同时，周围区域的噪点也得到了一定程度的增强，LACE 方法虽然具备增强效果，但是对于弱小损伤点的增强并不明显。为进一步比较不同方法的增强结果，对图像中的信噪比进行计算分析。信噪比（Signal noise ratio ， SNR）是衡量信号与噪声强弱关系的度量，在图像存在背景灰度的情况下，点目标的检测常使用局部最小方差法来计算图像的信噪比[19] ， 其定义如式（12）所示：

在局部最小方差方法中，通常对图像块为3×3或者5×5像素大小的方差进行计算，式（12）中σx 表示局部方差中的最大值，将其作为信号值，σn 表示局部方差的最小值，将其作为噪声值，最终计算的 SNR 值根据经验公式进行修正。

如表1所示，3种方法均对信噪比 SNR 带来提升效果。表1中例图为不同方法处理后的结果展示，可以看见弱小损伤点对比度均得到明显提升。以原始图像信噪比为基准，计算3种方法对4个弱小损伤点的平均提升倍数，ILASSR ， LACE 以及本文方法提升效果分别为1.65 ， 1.70 ， 1.94倍。本文方法能一定程度上提高信噪比，且提高效果优于 ILASSR 与 LACE 方法，能有效提升图像中损伤点信号，更利于准确提取出损伤点目标。

为了直观展示本文方法的提升效果，对图3中数字编号1-编号4的点绘制三维灰度图，如图6、图7所示。从图6、图7观察到，图像中弱小损伤点灰度值得到了提升，与周围的背景形成对比，更有利于后续的图像处理步骤中损伤点的分离。

2.2 連通域优化分析

对增强后图像进行分割之后会带来随机噪声，对单个损伤点，可能会出现断裂、伪点等情况，以至于统计过程中出现误判断的情况。因此，需对分割之后的连通域进行优化，优化策略为迭代中值滤波结合形态学闭运算。图8（ a ）中的点来自于图3中编号为字母 a 的点，图8（ b）为最大熵分割后的结果，为原图中一个损伤点的二值化图像。从图8（b）可看出损伤点连通域出现噪点、断裂，其内部产生部分伪点。图8（ c ）-图8（ e ）依次表示从迭代1次开始的中值滤波迭代运行的次数，图8（f）为利用闭运算弥合损伤点断裂区域的过程。图8展示了整个连通域的优化流程，原始图像经熵分割结合迭代中值滤波滤除椒盐噪声及闭运算处理后最终得到图8（f）的优化后连通域，可以一定程度上避免对损伤点的误判断问题，提高检测准确度。

2.3 损伤点提取结果分析

在完成了对连通域的优化之后，图9为损伤点提取示意图。图9中的提取结果来自于图3左侧部分图像的提取结果，每个损伤点的重心利用实心圆进行标注，原始验证图像尺寸为2400×1000像素，截取放大区域图像尺寸为530×450像素。

在图像上存在能够由 CCD 探测到的弱小损伤点，利用增强算法对图像中弱小损伤点进行增强之后，可以将图3中对比度极低的弱小损伤点准确检测出来，有效提升了 DKDP 晶体损伤检测过程中的准确度。

表2中的数据来源于图9的提取结果，以图像中可提取到的连通域信息作为损伤点本身的特性，并对相机进行标定，可以获得损伤点个数、坐标、面积信息，用以实验分析。

2.4 检测结果分析

选取 DKDP 晶体损伤测试中的4组损伤区域图像，将其标号为 A1 ， A2 ， A3 ， A4 ， 对其检测最小面积及单帧图像运行时间进行分析。由表3分析可知，该流程算法的平均运行时间为0.81 s ， 满足激光频率要求，能在激光脉冲间隔内完成图像采集及处理工作。

3 结论

本文结合图像处理方法，完成对 DKDP 晶体损伤图像中损伤点的提取分析工作。（1）采用的图像增强方法提升效果优于 ILASSR 与 LACE 方法，能有效提高检测下限。（2）损伤图像中连通域的优化策略能提升图像中损伤点分离与提取准确度。（3）该算法能有效提取出图像中损伤点的信息，可用于晶体损伤特性测试中的损伤点检测。

参考文献

[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] 李云飞，史晋芳，邱荣，等.355 nm 和1064 nm 双波长预处理对 DKDP 晶体损伤性质的影响[ J].强激光与粒子束，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．光学元件损伤的检测和修复：传统与深度学习[ J].光子学报，2022 ， 51（10）：391-403.

[6] 李香草. KDP 晶体紫外激光辐照损伤研究[ D].北京：北京科技大学，2021.

[7] 邱荣．强激光诱导光学元件损伤的研究[ D]. 四川绵阳：中国工程物理研究院，2013.

[8] 激光器和激光相关设备激光损伤阈值测试方法第4部分：检查、探测和测量：GB/T16601.4—2017[ S].北京：中国标准出版社，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]冯博，刘炳国，陈凤东，等．光学元件损伤在线检测图像处理技术[ J].强激光与粒子束，2013 ， 25（7）：1697-1700.

[11] 田玉婷，邬融，杨野．基于局域信号增强的光学元件损伤检测[J].中国激光，2018 ， 45（11）：137-144.

[12]董瑞．熔石英光学元件亚表面缺陷检测技术研究[D].重庆：重庆理工大学，2022.

[13]冯博．惯性约束聚变终端光学元件损伤在线检测技术研究[D].哈尔滨：哈尔滨工业大学，2014.

[14]刘天舒，房建东，赵于东．基于图像分割的目标检测方法对比研究[J].计算机时代，2022（1）：14-18.

[15]王拓，王洪雁，裴炳南．一种消除椒盐噪声的迭代自适应中值滤波算法[ J].电光与控制，2019 ， 26（2）：23-27.

[16]杜绪伟，陈东，马兆昆，等．基于 Canny 算子的改进图像边缘检测算法[ J].计算机与数字工程，2022 ， 50（2）：410-413 ， 457.

[17]许珊珊．静态图像中多目标的边界跟踪方法研究[D].湖南湘潭：湘潭大学，2018.

[18]贾亮，王贵宇，于昊充．基于噪声检测和自适应方差的双边滤波算法[J].电子设计工程，2022 ， 30（19）：144-148.

[19]王学伟，王春歆，张玉叶．点目标图像信噪比计算方法[J].电光与控制，2010 ， 17（1）：18-21.