基于光晕的微通道板黑点检测方法

丁姝晨, 钱芸生, 林焱剑, 赵慧民

丁姝晨, 钱芸生, 林焱剑, 赵慧民. 基于光晕的微通道板黑点检测方法[J]. 应用光学, 2022, 43(6): 1145-1152. DOI: 10.5768/JAO202243.0604014
引用本文: 丁姝晨, 钱芸生, 林焱剑, 赵慧民. 基于光晕的微通道板黑点检测方法[J]. 应用光学, 2022, 43(6): 1145-1152. DOI: 10.5768/JAO202243.0604014
DING Shuchen, QIAN Yunsheng, LIN Yanjian, ZHAO Huimin. Halo-based black point detection method of microchannel plate[J]. Journal of Applied Optics, 2022, 43(6): 1145-1152. DOI: 10.5768/JAO202243.0604014
Citation: DING Shuchen, QIAN Yunsheng, LIN Yanjian, ZHAO Huimin. Halo-based black point detection method of microchannel plate[J]. Journal of Applied Optics, 2022, 43(6): 1145-1152. DOI: 10.5768/JAO202243.0604014

基于光晕的微通道板黑点检测方法

基金项目: 装备预研兵器工业应用创新项目(627011103)
详细信息
    作者简介:

    丁姝晨(1998—),女,硕士研究生,主要从事光电检测研究。E-mail:dingshuchen1206@163.com

    通讯作者:

    钱芸生(1968—),男,博士,教授,主要从事光电成像器件、系统与相关检测技术研究。E-mail:yshqian2015@163.com

  • 中图分类号: TN223

Halo-based black point detection method of microchannel plate

  • 摘要:

    根据微通道板黑点检测原理与黑点光晕特征设计了一种检测方法,该方法利用圆提取技术实现荧光屏图像的半径和圆心提取,通过高斯拉普拉斯算子实现目标黑点粗检测。基于黑点在不同电压下外围呈现光晕的特征,利用对比度受限的直方图均衡化并结合阈值分割的光晕检测法实现黑点光晕的提取。测试结果表明,该方法可以将荧光屏划痕、灰尘与微通道板黑点有效区分,从而实现黑点的自动提取。

    Abstract:

    According to the black spot detection principle and black spot halo characteristics of the microchannel plate, a detection method was designed. The circle extraction technology was used to realize the radius and circle center extraction of the fluorescent screen image, and the gaussian Laplacian was used to realize the coarse detection of the target black spot. Based on the characteristics of black spot presenting halo in the periphery at different voltages, the black spot halo was extracted by using the histogram equalization with restricted contrast and combined with the threshold segmentation of the halo detection method. The test results show that the proposed method can effectively distinguish the fluorescent screen scratches, dust and black spots of microchannel plate, so as to realize the automatic extraction of black spots.

  • 微通道板(microchannel plate, MCP)是一种多通道二维电子倍增器件,因其高增益、低噪声、较强时间和空间分辨率等特性广泛应用于质谱、表面分析、天体物理、微光图像增强、光电探测等领域[1-5]。MCP由玻璃材料制成,在玻璃熔炼、拉丝、抛光等阶段不可避免会产生表面缺陷(疵病)[6],其中黑点是主要疵病之一。在高场强测试条件下,MCP黑点可能会造成荧光屏与MCP之间电击穿,严重影响MCP面板质量与电极质量。即便不导致放电,依据其所在位置及其大小,也会影响MCP的成像质量。因此,针对MCP黑点的检测方法成为研究重点之一。

    目前,像增强器荧光屏的疵病检测方法引起了国内外的高度重视。2 014年,Kamalapriya等人提出一种新的视觉缺陷检测方法[7],结合霍夫圆变换和形状分类器连通域的方法对像增强器表面疵病进行检测。2 017年,Fu等人建立了紫外像增强器疵病检测系统[8]。2 021年,Wang等人提出了一种自动评估微光像增强器阳极表面顶点结构缺陷的方法[9]。而关于MCP黑点检测的方法研究较少,且MCP的黑点检测目前仍然主要依靠人工目视的主观经验,不仅效率低,而且存在因荧光屏划痕、灰尘干扰而造成主观误判等问题。

    为了解决该问题,本文拟提出一种基于光晕的MCP黑点检测方法。首先,高斯拉普拉斯算子(Laplacian of Gaussian, LoG)[10]斑点检测方法实现目标黑点的粗检测;其次,针对黑点在不同电压作用下其外围带有光晕,且光晕随着MCP工作电压的增加而变大这一特征,利用对比度受限的直方图均衡化(contrast limited adaptive histogram equalization, CLAHE)以及阈值分割的方法,实现不同工作电压下黑点光晕的检测,将荧光屏上的划痕、灰尘与MCP黑点进行有效区分,最终实现黑点的自动提取。

    MCP黑点在目视性能测试条件下呈现为灰度低于完好区域的黑色斑点且周围呈现光晕。基于低灰度值与黑点光晕这两大特征提出一种基于光晕的黑点检测方法。通过对采集的荧光屏图像进行分析,对图像进行圆提取,实现像素尺寸与实际尺寸之间的计算;针对黑点呈现为灰度值较低的圆形黑点这一特征,利用LoG算子实现黑点的粗检测。荧光屏上的灰尘、划痕与黑点灰度值差别较小,在粗检测之后利用黑点外围光晕这一特征,结合对比度受限的直方图均衡化以及阈值分割的方法实现不同MCP板压下黑点光晕的提取。

    在切片成型、抛光、腐蚀等工艺阶段不可避免造成MCP表面疵病的产生,主要疵病类型有:发射点、黑点、网格、亮暗区等疵病。其中黑点是本文讨论的重点,黑点如图1(a)所示。图1(a)中的黑点和图1(b)划痕与图1(c)中的灰尘斑点相比,黑点光晕特征较为明显,而划痕和灰尘在荧光屏上所呈现的斑点外围不存在光晕。

    图  1  荧光屏划痕、灰尘图以及MCP黑点图
    Figure  1.  Diagram of fluorescent screen scratches, dust and black spots of microchannel plate

    图2所示,荧光屏在图像上呈现为灰度值较高的圆形,需要通过圆提取方法提取出亮圆区域的圆心以及半径。先对图像进行边缘检测,再对其二值图像寻找上、下、左、右侧第1个像素为1的点,从而求得圆心和半径大小。表1对比了Canny[11]、Prewitt、Roberts、Sobel算子的运算时间以及检测结果,4种方法提取出的圆心坐标以及半径结果相差不大且Sobel算子检测所用的时间最短,所以采用Sobel算子进行圆提取。实际圆提取图如图2(a)所示,根据提取出的圆心坐标以及半径信息,使用Matlab绘制的目标圆如图2(b)所示,其坐标与2(a)图片坐标相同。

    图  2  Sobel圆提取结果图
    Figure  2.  Diagram of circle extraction results by Sobel
    表  1  各边缘检测算子检测结果
    Table  1.  Detection results of each edge detection operator
    检测方法检测时间/s圆心坐标半径
    Canny1.324(2 556,1 900)1 651
    Sobel0.433(2 556,1 902)1 651
    Prewitt0.728(2 556,1 902)1 652
    Roberts0.688(2 558,1 901)1 651
    下载: 导出CSV 
    | 显示表格

    在进行圆提取后,对荧光屏图像进行黑点的粗检测,利用LoG[12-13]算子检测斑点是一种常用的方法。图像与高斯拉普拉斯函数的卷积实际是求图像与高斯拉普拉斯函数的相似性,当图像中的斑点尺寸与LoG函数的尺度趋于一致时,图像的拉普拉斯响应达到最大。LoG算子首先使用Gaussian滤波对图像进行平滑处理,呈正态分布的二维高斯平滑函数表达式为

    $$ G{\text{(}}x,y{\text{) = }}\dfrac{1}{{2{\text{π }}{\sigma ^2}}}\exp \Bigg( - \dfrac{{{x^2} + {y^2}}}{{2{\sigma ^2}}}\Bigg) $$ (1)

    式中$ \sigma $是方差(也称为尺度),其大小决定平滑程度的大小,改变$ \sigma $可以实现对不同半径斑点的粗检测。$ G{\text{(}}x,y{\text{)}} $和原图像$ f{\text{(}}x,y{\text{)}} $进行卷积得到高斯平滑后的图像,对平滑图像进行Laplacian边缘检测[14],图像高斯平滑与Laplacian微分运算可合并为一个卷积算子:

    $$ \nabla G(x,y) = \dfrac{1}{{2{\text{π }}{\sigma ^4}}}\Bigg(\dfrac{{{x^2} + {y^2}}}{{{\sigma ^2}}} - 2\Bigg)\exp \Bigg(\dfrac{{{x^2} + {y^2}}}{{2{\sigma ^2}}}\Bigg) $$ (2)

    式中$ \nabla G(x, y) $是LoG算子。图3(a)给出了$ \sigma $为2的LoG滤波器二维灰度图,图3(b)为其对应的三维图。

    图  3  LoG的图像表示和三维图
    Figure  3.  Grey diagram and 3D diagram of LoG operator

    图4(a)所示为黑点检测结果局部图。如图4(b)所示,除了检测出的黑点,检测出的点中还包含一些与黑点颜色、形态相似的点,这些点有可能是荧光屏上的划痕或者灰尘,所以还需对这些目标点进行进一步的光晕检测。

    图  4  LoG算子检测结果图
    Figure  4.  Diagram of detection results for LoG operator

    通过人眼实时对荧光屏图像以及计算机采集图像进行分析,黑点外围呈现出光晕且光晕会随着MCP电压升高而增大,而荧光屏划痕、灰尘外围无光晕且其形状、颜色与MCP电压改变无关。因此通过光晕信息可以对划痕、灰尘以及黑点进行区分。由图4(a)可知,黑点外围有明显的光晕,且光晕呈圆环或者扇形环状。本文通过圆环分析法以及CLAHE增强结合阈值分割[15-17]的方法实现黑点光晕的检测。

    圆环分析法如图5(a)所示,以目标点为中心,截取3030图像块进行圆环分割。从中心点外延,依次生成内外径相差2个像素点的圆环区域,并计算每个圆环区域平均灰度值。黑点所在图像块的圆环分割后均值变化趋势如图5(b)所示,由中心向外沿均值逐渐增大,光晕所在的圆环区域均值最大,之后下降并逐渐趋于平缓。如图5(c)所示,非黑点图像块的分割结果并没有明显的先上升、后下降并趋于平缓的趋势。

    图  5  圆环分割结果图
    Figure  5.  Diagram of ring segmentation results

    在对单个荧光屏图像进行光晕检测后,需要对不同电压下的荧光屏图像进行判断,目标点变化是否符合随着电压降低光晕随之变小的特征。考虑到部分黑点、光晕以及背景三者灰度值较小,很难通过具体的灰度值比例或者阈值进行光晕大小形态的提取。因此,采用CLAHE与阈值分割结合的方法对光晕进行提取。传统的全局直方图均衡化容易造成图像中噪声放大,局部区域细节损失等问题,导致图像增强过度或者增强不足。以自适应直方图均衡化(apative histogram equalization, AHE)为基础,针对噪声放大问题,限制对比度概念被提出。CLAHE既有效改善了对比度,又抑制噪声的产生。把图像分为$m \times n$个大小相同且互不重叠的矩形子块,受限制$ {T_{\lim }} $表达式为

    $$ {T_{\lim }} = {{c}} \times \dfrac{{{n_x}{n_y}}}{K} $$ (3)

    式中:$ {n_x} $表示子块x方向像素个数;$ {n_y} $表示子块y方向像素个数; K为灰度级数;c为受限系数。裁剪直方图,像素点重新分配,被裁剪子块直方图$ h(x) $受限制值$ {T_{\lim }} $的约束,超出$ {T_{\lim }} $部分像素点平均分配到其他灰度级。S为超过$ {T_{\lim }} $的像素总数,令$ {A_{{\rm{ave}}}} $为每个灰度级分配到的像素个数,则满足:

    $$ \begin{split} S = &\displaystyle\sum\nolimits_{x = 0}^{K - 1} {\left\{ {\max \left[ {h(x) - {T_{\lim }}} \right],0} \right\}}\\ {A_{{\text{ave}}}} =& S/K\\[-10pt] \end{split}$$ (4)

    像素点重新分配后的直方图满足:

    $$ h'(x) =\left\{ {\begin{array}{*{20}{l}}{ {{T_{\lim }} + {A_{{\text{ave}}}}} }&{ {h(x) + {A_{{\text{ave}}}}} }\\ { {h(x) \geqslant {T_{\lim }}} }&{ {h(x) < {T_{\lim }}} }\end{array}} \right. $$ (5)

    将子块直方图均衡化,最后采用双线性差值对图像每个点做差值处理有效避免块状产生。如图6(a)为未经处理的黑点图像;图6(b)为对比度增强后的黑点图,与原黑点图相比光晕形态更为清晰。对图6(b)进行Canny检测,黑点轮廓图如图6(c)所示。阈值分割的结果如图6(d)所示,黑点光晕被标记。如图7所示,非黑点的斑点光晕检测的结果呈现零星分布状态,与图6(d)中相比,黑点的光晕形态较为完整且集中。

    图  6  光晕检测结果图
    Figure  6.  Diagram of halo detection results
    图  7  非黑点光晕检测结果图
    Figure  7.  Diagram of non-black spot halo detection results

    MCP黑点检测系统包括均匀面电子源产生系统、高压系统、待测MCP、伺服系统、真空控制系统、图像采集系统和计算机。被测微通道板位于真空腔体内,可由CCD透过观察窗采集荧光屏图像。MCP黑点检测系统结构原理如图8所示。

    图  8  MCP黑点检测系统结构原理图
    Figure  8.  Schematic of MCP black spot detection system

    均匀面电子源系统由电子枪、栅网、聚焦环以及直流电源组成,电子枪由圆形罩和灯丝构成,通过直流电源给灯丝加热从而发射电子;在罩筒上方装有圆形栅网,以保证出射电子的均匀性,在聚焦环上加以一定的电压,使电子聚焦并进入微通道板的输入面,从而形成均匀的面电子源。自研的MCP测试专用高压电源产生0~10 000 V稳定无过冲的电压,在真空度达到测试条件后,使得电子经过MCP倍增轰击荧光屏成像。在判断MCP成像性能时,发射点、黑点直径非常小,直接观察无法检测疵点,因此需要在显微镜和高分辨率相机的配合下,进行目标图像的采集。如图9(a)所示为真空腔实物图,顶盖可打开关闭。真空腔顶盖上有用于观察样品的观察窗。如图9(b)所示的MCP样品测试工作台位于真空腔内,工作台共有40个测试工位。通过伺服系统控制测试工位的转动,CCD透过观察窗采集每个工位的荧光屏图像。

    图  9  真空腔实物图
    Figure  9.  Physical drawing of vacuum cavity

    为验证MCP黑点检测方法的有效性,本文基于Matlab 2015b和Visual Studio 2013平台,对不同板号的微通道板进行黑点检测。多线程开发系统可实现图像采集与图像显示同时进行,并将采集的图像信息进行实时的处理分析。通过Visual Studio中MFC(microsoft foundation classes)实现在一个操作界面完成图像采集、测试参数设置、图像数据处理与结果显示等功能。

    在实验过程中提前开启真空系统确保真空压力下降到$2 \times {10^{ - 3}}$ Pa以下,并提前预热均匀面电子源。将显微镜与相机对准观察窗并手动调焦,MCP阴极电压设置为1 000 V、阳极电压6 000 V,改变MCP板压,分别为700 V、800 V、900 V、1 000 V。均匀面电子源通过MCP倍增电子轰击荧光屏成像,不同板压下的荧光屏图像通过USB传输并保存。表2中对比了文献[9]中的缺陷检测方法、Canny边缘检测方法以及本文检测方法的检测时间、检测出疑似点个数、以及疑似点中是否包含目标黑点,其中表中T/F列,T表示疑似点中包含所有目标黑点,F则表示目标黑点未被检测出来。由表2分析可知,文献[9]中微光像增强器阳极表面顶点结构缺陷的粗检测方法可以应用于黑点粗检测阶段,且检测结果与本文方法检测结果相差不大。但是文献[9]中检测时间高于本文方法,且文献[9]中的方法检测出的疑似黑点的个数远远高于本文LoG边缘检测出的疑似黑点数量,增加了后续光晕检测处理数据,降低了检测效率。通过Canny检测与本文LoG边缘检测相比,Canny检测时间较少,但是会出现黑点未被检测出且后续光晕检测会出现漏检的情况。

    表  2  三种方法粗检测结果
    Table  2.  Coarse detection results of three methods
    序号文献9方法Canny检测本文方法
    时间/ s数量T/F时间/ s数量T/F时间/ s数量T/F
    1 30.273 6 186 T 9.800 285 F 21.412 133 T
    2 32.518 9 937 T 9.102 286 T 22.230 493 T
    3 34.190 12 093 T 9.161 701 T 22.152 277 T
    4 29.725 4 619 T 9.296 78 F 21.742 37 T
    下载: 导出CSV 
    | 显示表格

    在已知微通道板型号的基础上,通过像素个数与实际尺寸的换算可以得到疵病的实际尺寸。通过对荧光屏图像的处理可以很好地排除荧光上划痕信息的干扰、实现黑点的定位。如图10(a)所示,LoG算子可以很好地进行黑点的粗检测,与之同时,荧光屏上与黑点形态、灰度、大小相近的划痕与灰尘也被检测出来。如图10(b)所示,利用黑点外围呈现光晕并且光晕形态随着MCP板压升高而扩大这一特点实现黑点的精确定位,剔除划痕与灰尘等信息。如图11所示,利用CLAHE与阈值结合的办法可以很好地检测出黑点光晕在1 000 V、900 V、800 V、700 V电压下大小变化,随着电压的降低,光晕的大小随之变小。

    图  10  黑点检测结果图
    Figure  10.  Diagram of black-spot detection results
    图  11  不同电压下黑点光晕提取图
    Figure  11.  Extraction diagram of black-spot halo under different voltages

    实验采集150张图片作为样本,表3中为随机抽取12个图像并对其进行人工检测,发现该方法与人工检测结果十分吻合。已知所采集微通道板直径为D mm,通过Sobel边缘检测间接算得半径为R个像素点,所以一个像素代表的实际长度为${{L}} = {{D/(2}} \times {{R)}}$ mm。

    表  3  疵点检测结果表
    Table  3.  Detection results of defects
    序号疵病类型半径/ μm机器检测结果人工检测结果序号疵病类型半径/μm机器检测结果人工检测结果
    1 黑点 96 小黑点 小黑点 7 正常 0
    2 正常 0 8 黑点 160 大黑点 大黑点
    3 黑点 84 小黑点 小黑点 9 黑点 125 小黑点 小黑点
    4 黑点 91 小黑点 小黑点 10 黑点 96 小黑点 小黑点
    5 黑点 79 小黑点 小黑点 11 黑点 136 小黑点 小黑点
    6 正常 0 12 黑点 124 小黑点 小黑点
    下载: 导出CSV 
    | 显示表格

    当MCP实际外径小于36 mm时,黑点直径小于150 μm判定为小黑点,大于150 μm判定为大黑点。在MCP板压为1 000 V、900 V、800 V、700 V的条件下,对检测出黑点的区域进行最小外接圆的计算,取不同测试条件下黑点最小外接圆平均直径等效为MCP黑点的直径,根据圆提取结果与实际MCP尺寸的换算得到黑点实际的尺寸。最小外接圆计算结果如图12所示。

    图  12  最小外接圆结果图
    Figure  12.  Results diagram of minimum circumscribed circle

    针对当前MCP黑点人工目视检测工作量大、效率低等问题,通过LoG边缘检测与光晕检测结合的方法对MCP黑点进行检测。本文利用黑点呈现为灰度值较低的圆形斑点这一特点,通过LoG边缘检测对荧光屏图像进行黑点粗检测。结果表明,LoG边缘检测在黑点粗检测阶段可以有效地将所有疑似的黑点检测出来,与文献[9]中的方法相比,本文检测时间更短,并且可以有效减少后续光晕检测所分析的数据量,提高检测效率。黑点粗检测后,再基于黑点外围呈现出光晕,并且光晕随着电压增加而变大这一特点,通过CLAHE对黑点所在图像区域进行图像增强,对增强后的图像进行阈值分割。光晕检测结果表明,CLAHE与阈值结合的方法可以实现不同电压条件下MCP黑点外围光晕的提取。测试结果表明,基于光晕的微通道板黑点检测方法可以有效区分荧光屏划痕、灰尘与微通道板黑点,提高黑点检测效率,为黑点智能检测提供一种有效测试手段。

  • 图  1   荧光屏划痕、灰尘图以及MCP黑点图

    Figure  1.   Diagram of fluorescent screen scratches, dust and black spots of microchannel plate

    图  2   Sobel圆提取结果图

    Figure  2.   Diagram of circle extraction results by Sobel

    图  3   LoG的图像表示和三维图

    Figure  3.   Grey diagram and 3D diagram of LoG operator

    图  4   LoG算子检测结果图

    Figure  4.   Diagram of detection results for LoG operator

    图  5   圆环分割结果图

    Figure  5.   Diagram of ring segmentation results

    图  6   光晕检测结果图

    Figure  6.   Diagram of halo detection results

    图  7   非黑点光晕检测结果图

    Figure  7.   Diagram of non-black spot halo detection results

    图  8   MCP黑点检测系统结构原理图

    Figure  8.   Schematic of MCP black spot detection system

    图  9   真空腔实物图

    Figure  9.   Physical drawing of vacuum cavity

    图  10   黑点检测结果图

    Figure  10.   Diagram of black-spot detection results

    图  11   不同电压下黑点光晕提取图

    Figure  11.   Extraction diagram of black-spot halo under different voltages

    图  12   最小外接圆结果图

    Figure  12.   Results diagram of minimum circumscribed circle

    表  1   各边缘检测算子检测结果

    Table  1   Detection results of each edge detection operator

    检测方法检测时间/s圆心坐标半径
    Canny1.324(2 556,1 900)1 651
    Sobel0.433(2 556,1 902)1 651
    Prewitt0.728(2 556,1 902)1 652
    Roberts0.688(2 558,1 901)1 651
    下载: 导出CSV

    表  2   三种方法粗检测结果

    Table  2   Coarse detection results of three methods

    序号文献9方法Canny检测本文方法
    时间/ s数量T/F时间/ s数量T/F时间/ s数量T/F
    1 30.273 6 186 T 9.800 285 F 21.412 133 T
    2 32.518 9 937 T 9.102 286 T 22.230 493 T
    3 34.190 12 093 T 9.161 701 T 22.152 277 T
    4 29.725 4 619 T 9.296 78 F 21.742 37 T
    下载: 导出CSV

    表  3   疵点检测结果表

    Table  3   Detection results of defects

    序号疵病类型半径/ μm机器检测结果人工检测结果序号疵病类型半径/μm机器检测结果人工检测结果
    1 黑点 96 小黑点 小黑点 7 正常 0
    2 正常 0 8 黑点 160 大黑点 大黑点
    3 黑点 84 小黑点 小黑点 9 黑点 125 小黑点 小黑点
    4 黑点 91 小黑点 小黑点 10 黑点 96 小黑点 小黑点
    5 黑点 79 小黑点 小黑点 11 黑点 136 小黑点 小黑点
    6 正常 0 12 黑点 124 小黑点 小黑点
    下载: 导出CSV
  • [1] 张小东, 欧阳晓平, 何军章, 等. 微通道板的增益研究[J]. 核技术,2019,42(10):50-54. doi: 10.11889/j.0253-3219.2019.hjs.42.100403

    ZHANG Xiaodong, OUYANG Xiaoping, HE Junzhang, et al. The study on the gain of microchannel plate[J]. Nuclear Techniques,2019,42(10):50-54. doi: 10.11889/j.0253-3219.2019.hjs.42.100403

    [2] 刘术林, 李翔, 邓广绪, 等. 低噪声、高增益微通道板的研制[J]. 应用光学,2006,27(6):552-557. doi: 10.3969/j.issn.1002-2082.2006.06.019

    LIU Shulin, LI Xiang, DENG Guangxu, et al. Development of low-noise, high-gain microchannel plate[J]. Journal of Applied Optics,2006,27(6):552-557. doi: 10.3969/j.issn.1002-2082.2006.06.019

    [3] 宋娟, 赵宝升, 盛立志, 等. 基于MCP大面阵X射线探测器共享阳极的研究[J]. 光子学报,2014,43(8):43-48.

    SONG Juan, ZHAO Baosheng, SHENG Lizhi, et al. Research on shared anode used for the large area array MCP detector[J]. Acta Photonica Sinica,2014,43(8):43-48.

    [4] 刘永安, 赵菲菲, 胡慧君, 等. 采用金阴极的光子计数成像探测器的性能[J]. 光学学报,2011,31(1):225-230.

    LIU Yongan, ZHAO Feifei, HU Huijun, et al. Properties of photon counting imaging detector with Au photocathode[J]. Acta Optica Sinica,2011,31(1):225-230.

    [5] 冉建玲, 卢小龙, 马占文, 等. 基于微通道板的快中子像探测器转换器的模拟研究[J]. 核技术,2015,38(9):33-39. doi: 10.11889/j.0253-3219.2015.hjs.38.090401

    RAN Jianling, LU Xiaolong, MA Zhanwen, et al. Simulation study on the converter of fast neutron imaging detector based on micro-channel plates[J]. Nuclear Techniques,2015,38(9):33-39. doi: 10.11889/j.0253-3219.2015.hjs.38.090401

    [6] 司曙光, 金睦淳, 王兴超, 等. “日盲”紫外微通道板型光电倍增管研究[J]. 红外技术,2020,42(8):722-728. doi: 10.3724/SP.J.7102614852

    SI Shuguang, JIN Muchun, WANG Xingchao, et al. “solar blind” ultraviolet microchannel plate photomultiplier[J]. Infrared Technology,2020,42(8):722-728. doi: 10.3724/SP.J.7102614852

    [7]

    KAMALAPRIYA M, THILAGAVATHI V. Automatic detection of visual defects in image intensifiers[C]//2012 National Conference on Communications (NCC). Kharagpur, India. USA: IEEE, 2012: 1-5.

    [8]

    FU Rongguo, WEI Yifang, YANG Qi, et al. The analysis of the defects of the view field of the UV image intensifier[J]. SPIE,2017,10196:19-26.

    [9]

    WANG Luzi, TAN Shuai, QIAN Yunsheng, et al. Automatic evaluation of vertex structural defects on the anode surface of a low-light-level image intensifier based on proposed individual image processing strategies[J]. Applied Optics,2021,60(23):6888-6901. doi: 10.1364/AO.427353

    [10] 吕侃徽, 张大兴. 基于自适应直方图均衡化耦合拉普拉斯变换的红外图像增强算法[J]. 光学技术,2021,47(6):747-753. doi: 10.13741/j.cnki.11-1879/o4.2021.06.018

    LYU Kanhui, ZHANG Daxing. Infrared image enhancement algorithm based on adaptive histogram equalization coupled with Laplace transform[J]. Optical Technique,2021,47(6):747-753. doi: 10.13741/j.cnki.11-1879/o4.2021.06.018

    [11] 刘宇涵, 闫河, 陈早早, 等. 强噪声下自适应Canny算子边缘检测[J]. 光学 精密工程,2022,30(3):350-362.

    LIU Yuhan, YAN He, CHEN Zaozao, et al. Adaptive Canny operator edge detection under strong noise[J]. Optics and Precision Engineering,2022,30(3):350-362.

    [12] 纵宝宝, 李朝锋, 桑庆兵. 基于Log-Gabor滤波与显著图融合优化的3D显著性检测[J]. 激光与光电子学进展,2019,56(8):109-115.

    ZONG Baobao, LI Chaofeng, SANG Qingbing. 3D image saliency detection based on log-Gabor filtering and saliency map fusion optimization[J]. Laser & Optoelectronics Progress,2019,56(8):109-115.

    [13]

    REISENHOFER R, KING E J. Edge, ridge, and blob detection with symmetric molecules[J]. SIAM Journal on Imaging Sciences,2019,12(4):1585-1626. doi: 10.1137/19M1240861

    [14] 孙慧涛, 李木国. 多尺度光斑中心的快速检测[J]. 光学 精密工程,2017,25(5):1348-1356. doi: 10.3788/OPE.20172505.1348

    SUN Huitao, LI Muguo. Fast and accurate detection of multi-scale light spot centers[J]. Optics and Precision Engineering,2017,25(5):1348-1356. doi: 10.3788/OPE.20172505.1348

    [15]

    YU Miao, SONG Dalong, SHI Weili, et al. Application of the CLAHE Algorithm Based on optimized bilinear interpolation in near infrared vein image enhancement[C]// Proceedings of the 2nd International Conference on Computer Science and Application Engineering, New York. United States: Association for Computing Machinery, 2018, 102: 1-6.

    [16] 袁小翠, 吴禄慎, 陈华伟. 基于Otsu方法的钢轨图像分割[J]. 光学 精密工程,2016,24(7):1772-1781. doi: 10.3788/OPE.20162407.1772

    YUAN Xiaocui, WU Lushen, CHEN Huawei. Rail image segmentation based on Otsu threshold method[J]. Optics and Precision Engineering,2016,24(7):1772-1781. doi: 10.3788/OPE.20162407.1772

    [17]

    LIU Hao, LI Ce, ZHANG Dong, et al. Enhanced image no-reference quality assessment based on colour space distribution[J]. IET Image Processing,2020,14(5):807-817. doi: 10.1049/iet-ipr.2019.0856

  • 期刊类型引用(2)

    1. 任晓楠,李广. 改进暗通道原理下视觉图像光晕消除算法. 现代电子技术. 2025(01): 60-64 . 百度学术
    2. 刘峰阁,苏天宁,刘倍宏,成帅,朱荣胜,姬明,肖杰,赵航,张理淞,常乐. 基于离散系数与Harris角点的微光像增强器闪烁噪声测试方法. 红外技术. 2024(10): 1154-1161 . 百度学术

    其他类型引用(0)

图(12)  /  表(3)
计量
  • 文章访问数:  237
  • HTML全文浏览量:  115
  • PDF下载量:  41
  • 被引次数: 2
出版历程
  • 收稿日期:  2022-08-03
  • 修回日期:  2022-09-03
  • 网络出版日期:  2022-09-18
  • 刊出日期:  2022-11-14

目录

/

返回文章
返回