基于滑动窗口扫描和深度优先搜索策略的弱光级图像增强器中边界噪声的自动检测方法

《Optics and Lasers in Engineering》：Automatic detection of boundary noise in low-light-level image intensifiers based on sliding window scanning and a depth first search strategy for dominant edges

　　

• •
  高斯差分（DoG）方法有助于高效识别并去除目标图像中无关的规则缺陷。
• •
  通过结合滑动窗口扫描与局部图像块边缘检测，提升了缺陷检测的数量。
• •
  采用了深度优先搜索策略来寻找主要边缘，从而生成可能对应于目标缺陷的平行边缘对。
• •
  通过对平行边缘对应用既定的边缘几何特征约束，大幅降低了误检率。
• •
  通过分析平行边缘对的方位一致性，可自动检测出边界噪声。

引言

LLL图像增强器（也称为图像管）是一种能够将LLL图像放大到可观察程度的真空管[1]。其核心组成部分包括光电阴极、微通道板以及荧光屏。作为夜视设备中不可或缺的部分，它在国防、安全及工业领域发挥着重要作用[1,2]。有时由于设备老化或制造过程中操作不规范，荧光屏上可能会出现各类缺陷，严重影响产品的成像质量[3]。其中，结构噪声是在微通道板的物理化学处理阶段产生的缺陷，包括顶点噪声、边界噪声和图案噪声。本文重点研究边界噪声。根据图像管的通用规范，边界噪声是由于纤维束压缩过程中纤维间存在的杂质所导致的。这类缺陷会表现为荧光屏上呈簇状的线性缺陷，这些缺陷对应于纤维横截面中的六边形结构边缘（也即多丝结构）[4]。传统上，检测这类缺陷的方法是使用10倍放大镜观察荧光屏，然后主观判断是否存在具有特定规模、规律排列和线性特征的缺陷[5]。这种方法存在较大的不确定性，检测结果也不够精准。然而，边界噪声的模糊特性往往限制了现有缺陷检测技术的效果，使其难以获得理想的结果。基于深度学习的缺陷检测技术则通过构建神经网络并迭代训练分类器，从而自适应地学习缺陷特征[[6], [7], [8], [9], [10], [11]]。这类技术优点在于几乎不需要人工干预，具备较高的准确性，且具有较强的鲁棒性。例如，视觉Transformer（ViT）模型[12]通过自注意力机制来建模图像中的长距离依赖关系，从而显著提高了对小型复杂缺陷如划痕和裂纹的检测率和定位精度。不过，当应用于样本量较小的工业图像时，这类网络容易出现严重过拟合、泛化能力有限、训练不稳定，且对数据增强的依赖度很高。虽然边界噪声看起来类似线条特征，但其固有的模糊性导致传统的线条检测方法，如霍夫变换[13]、LSD[14]、FLD[15]和EDLines[16]，只能识别出许多位置、长度和倾斜度都不确定的碎片化线条段，其中大部分与目标缺陷并无关联。在应用这些技术之前，首先需要有效提取目标缺陷的主要边缘。最近，我们的研究团队提出了一种基于高斯微分滤波和形状相似度计算的边界噪声客观检测方法[17]。实践经验表明，该方法在大多数情况下（如背景不均匀、背景纹理强烈等）都能检测出边界噪声，但检测效率还有提升空间。

为了解决上述问题，本文提出了一种基于滑动窗口扫描和深度优先搜索策略的自动检测方法。该方法的基本思路是先对目标图像的有效区域进行滑动窗口扫描，然后依次对局部图像块进行边缘检测、主要边缘提取以及边缘特征分析，从而获取可能源自边界噪声的平行边缘对。最后，通过分析平行边缘对的方位一致性来检测边界噪声。与参考文献[17]中的客观检测方法相比，所提出的方法采用了更准确高效的策略来剔除无关缺陷[18]。此外，该方法还利用深度优先搜索策略从图像块中提取更多主要边缘，进而增加缺陷检测的数量。参考文献[17]中的方位一致性分析是通过边缘方位角的直方图统计来识别边界噪声的，而所提出的方法则是通过迭代去除偏离PEP方位集最远的点，直到剩余元素的方位都在指定范围内，这种方式更为简单可靠。在多个典型图像管上的测试以及与相关传统技术的对比表明，所提出的方法具有高效可靠的检测性能，与现有的客观检测方法相比，检测精度提升了约20%，检测时间则减少了10秒。

本文的其余部分结构如下：第2节介绍用于图像管的自动缺陷检测系统；第3节详细阐述基于滑动窗口扫描和深度优先搜索策略的边界噪声自动检测方法；第4节进行实验并分析结果；第5节对全文进行总结。

章节要点

用于图像管的自动缺陷检测系统

边界噪声的检测是在用于图像管的自动缺陷检测系统中实现的。该系统的机械结构如图1所示。系统采集到的含有大量边界噪声的图像管（编号为1）的输出图像如图2所示，简称为目标图像。可以看出，目标图像背景中的有效区域（EA，即目标图像背景中的圆形区域）内的边界噪声呈现出相对一致的

基于滑动窗口扫描和深度优先搜索策略的边界噪声自动检测

实际上，在有效区域内，边界噪声与许多无关缺陷共存。为了提高检测效率，必须去除这些无关缺陷。由于边界噪声局限于特定范围且分布相对离散，对整个有效区域进行全局扫描可以识别出尽可能多的缺陷。考虑到边界噪声特征的模糊性，本文提出了一种深度优先搜索策略，用于提取所有主要边缘

实验结果与分析

所提出的边界噪声自动检测方法被应用于所有已组装的直径为18毫米的T18型图像管[4]，这些图像管的多丝结构、尺寸以及有效区域大小都与本研究中的样本相当。为确保该方法的有效性，需将荧光屏和阴极的表面擦拭干净。系统的放大倍数应保证有效区域不会超出有效视野范围，且拍摄的图像需保持最佳清晰度。

结论

为了解决传统视觉识别方法存在的高不确定性以及现有客观检测方法检测效率较低的问题，本文提出了一种基于滑动窗口扫描和深度优先搜索策略的用于图像管边界噪声的自动检测方法。首先，利用现有的图像处理技术去除目标图像中的无关缺陷，然后对整个有效区域进行滑动窗口扫描，再从扫描得到的图像块中提取所有主要边缘

CRediT作者贡献说明

王 Luzi：撰写——初稿、验证、软件、资源、方法论、正式分析、概念设计。曹 Yuan：可视化、研究调查、数据整理。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究工作的已知财务利益或个人关系。

Luzi Wang|Yuan Cao