一种基于梯度加权图像分割的厚度测量方法
本发明属于光学干涉测量,具体涉及一种基于梯度加权图像分割的厚度测量方法。
背景技术:
1、光学相干层析成像(optical coherence tomography,oct)凭借非接触、无损伤、高分辨率的成像能力,已广泛应用于薄膜材料、生物组织、光学器件等样品的厚度测量领域。基于oct图像的厚度测量,通常通过识别样品上下界面的光学深度位置,结合介质折射率换算得到物理厚度。
2、目前,oct图像中的厚度测量方法主要依赖人工识别与自动分割两类方式。人工识别法主观性强、重复性差、效率低,仅适用于小批量高精度实验。自动分割法因无人工误差、重复性好、速度快而被广泛采用,其中最经典的方法包括强度阈值法、梯度信息法和神经网络法。
3、强度阈值法通过设定灰度阈值定位界面位置,原理简单、计算速度快。2011年shen等人采用基于熵滤波的阈值分割方法结合形态学操作提取眼表轮廓(journal ofbiomedical optics. 2011, 16(5): 056007),但阈值分割法本质上依赖图像亮度一致性,受限于oct系统中深度相关的信噪比衰减,深层区域界面定位精度显著下降,导致厚度测量偏差增大。
4、梯度信息法利用界面处灰度剧烈变化的特性定位边界,能有效增强边缘响应。2018年张家仁课题组提出的分层分割方法(the 2nd international conference ondigital signal processing. 2018, 61-64)结合了图像平滑预处理、梯度边缘检测与形态学处理,在一定程度上提升了定位稳定性,但其本质仍以梯度主导的边界响应为判断依据,在低对比度、弱边界场景下仍存在界面深度定位偏差问题,易受散斑噪声干扰而产生虚假边界,直接影响厚度测量的稳定性。
5、神经网络法虽然测量精度较高,但是极其依赖大量训练数据且泛用能力有限,对不同材料的适应性较差。上述方法均未针对强散射场景下的厚度测量进行专门优化,多面向清晰成像场景设计,目的在于凸显结构轮廓以清晰成像,而非解决弱边界条件下的稳定厚度测量问题,因此在强散射、低信噪比、深度衰减严重的厚度测量场景下,传统方法并不适用。
6、此外,现有基于梯度的分割方法通常在全图范围内逐列搜索梯度最大值,缺乏对相邻a扫描之间界面连续性的约束,单一点噪声即可引起界面定位的显著偏移,严重影响厚度测量的稳定性和重复性。
技术实现思路
1、本发明的目的在于为克服上述技术问题,提供一种基于梯度加权图像分割的厚度测量方法。
2、本发明的目的通过如下技术方案来实现:
3、一种基于梯度加权图像分割的厚度测量方法,包括以下步骤:
4、s1:利用光学相干层析成像系统采集白光干涉信号,从而得到光学相干层析图像i(x,z),x代表横向扫描位置,z代表成像深度,将图像中的上表面进行对齐以获取上表面光学深度位置,并进行衰减校正,得到处理后的图像r(x,z);
5、s2:在图像r(x,z)中选取待测下表面区域,在选取范围内计算a扫描方向梯度矩阵l(x,z)和b扫描方向梯度矩阵c(x,z);
6、s3:分别对a扫描方向梯度矩阵l(x,z)赋予第一梯度权重、对b扫描方向梯度矩阵c(x,z)赋予第二梯度权重,并乘以图像灰度值权重,通过公式计算得到总梯度矩阵;
7、s4:根据前一列a扫描界面位置建立邻域局部约束搜索区间,逐列搜索区间梯度最大值,通过滑动平均滤波平滑边界轮廓与全域均值求解得到下表面光学深度,将所述上表面光学深度位置与所述下表面光学深度作差后除以折射率,得到介质厚度。
8、进一步地,所述步骤s1中,获取所述上表面对齐并衰减校正后的图像r(x,z)的方法为:基于朗伯-比尔定律进行指数衰减拟合的曲线拟合法,或通过反向累加计算局部衰减系数的深度分辨法。
9、进一步地,所述步骤s2中,所述a扫描方向计算的梯度矩阵中,负梯度值用零值代替,所述b扫描方向计算的梯度矩阵取绝对值;所述梯度矩阵l(x,z)、所述梯度矩阵c(x,z)和所述图像灰度值权重是在选取的所述待测下表面区域内计算的。
10、进一步地,所述步骤s3中,所述第一梯度权重记为,所述第二梯度权重记为,满足+=1,且所述的取值范围为0.5~0.9,所述的取值范围为0.1~0.5。
11、进一步地,所述=0.7,所述=0.3。
12、进一步地,步骤s4中,除首列以外的a扫描,前一列最优深度行为z(x-1),当前列下表面仅在前一列结果的局部邻域范围内搜索,即当前列下表面最优深度行为:
13、
14、其中,h为邻域约束范围,,为光源相干长度,为每行图像对应的长度;对于首列a扫描,所述最优深度行直接通过寻找所述总梯度矩阵的最大值得到。
15、进一步地,所述邻域约束范围h根据所述光学相干层析成像系统的轴向分辨率设定,h=m×(lc/p),其中,m为预设系数,lc为光源相干长度,p为图像深度方向每个像素对应的物理长度。
16、进一步地,所述m的取值范围为3~5。
17、进一步地,所述步骤s4中,所述滑动平均滤波的窗口长度为5个像素点。
18、进一步地,步骤s3中所述总梯度矩阵的计算公式为:
19、
20、其中,为第一梯度权重,为第二梯度权重,为在所述待测下表面区域内像素灰度值的最大值。
21、本发明的有益效果在于:
22、本发明通过对衰减校正后的图像添加灰度值权重,可以强化边界区域梯度响应,抑制弱信号噪声梯度,增强对散射介质弱边界的定位能力。
23、本发明建立局部邻域约束搜索区间,使当前列的下表面边界位置根据前一列a扫描界面位置寻找,增强边界定位连续性,降低局部点噪声对厚度测量的干扰。
24、本发明结合双向梯度(a扫描方向与b扫描方向)加权与灰度值权重调制,构建了具有高对比度的总梯度图,使原本淹没于噪声中的微弱界面变得可分辨,显著提升了弱边界场景下界面定位的可靠性。
25、本发明无需大量训练数据,计算量小,物理意义明确,对不同材料的适应性强,可广泛应用于芯片生产、漆层监测、医学诊断、文物鉴定等领域中高散射/高吸收介质的高精度光学厚度测量。
1.一种基于梯度加权图像分割的厚度测量方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于梯度加权图像分割的厚度测量方法,其特征在于,所述步骤s1中,获取所述上表面对齐并衰减校正后的图像r(x,z)的方法为:基于朗伯-比尔定律进行指数衰减拟合的曲线拟合法,或通过反向累加计算局部衰减系数的深度分辨法。
3.根据权利要求1所述的基于梯度加权图像分割的厚度测量方法,其特征在于,所述步骤s2中,所述a扫描方向计算的梯度矩阵中,负梯度值用零值代替,所述b扫描方向计算的梯度矩阵取绝对值;所述梯度矩阵l(x,z)、所述梯度矩阵c(x,z)和所述图像灰度值权重是在选取的所述待测下表面区域内计算的。
4.根据权利要求1所述的基于梯度加权图像分割的厚度测量方法,其特征在于,所述步骤s3中,所述第一梯度权重记为,所述第二梯度权重记为,满足+=1,且所述的取值范围为0.5~0.9,所述的取值范围为0.1~0.5。
5.根据权利要求4所述的基于梯度加权图像分割的厚度测量方法,其特征在于,所述=0.7,所述=0.3。
6.根据权利要求1所述的基于梯度加权图像分割的厚度测量方法,其特征在于,步骤s4中,除首列以外的a扫描,前一列最优深度行为z(x-1),当前列下表面仅在前一列结果的局部邻域范围内搜索,即当前列下表面最优深度行为:
7.根据权利要求6所述的基于梯度加权图像分割的厚度测量方法,其特征在于,所述邻域约束范围h根据所述光学相干层析成像系统的轴向分辨率设定,h=m×(lc/p),其中,m为预设系数,lc为光源相干长度,p为图像深度方向每个像素对应的物理长度。
8.根据权利要求7所述的基于梯度加权图像分割的厚度测量方法,其特征在于,所述m的取值范围为3~5。
9.根据权利要求1所述的基于梯度加权图像分割的厚度测量方法,其特征在于,所述步骤s4中,所述滑动平均滤波的窗口长度为5个像素点。
10.根据权利要求1所述的基于梯度加权图像分割的厚度测量方法,其特征在于,步骤s3中所述总梯度矩阵的计算公式为:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com