4、光束轮廓分析：CCD/CMOS相机采集、光斑图像预处理、背景扣除与噪声抑制

光束轮廓分析，说白了就是给激光光斑“拍张照”，然后从照片里把它的能量分布、大小、形状这些关键信息提取出来。这一步做不好，后面算M²、算束腰全都是空中楼阁。我见过不少同行，在光学设计上花了大价钱，结果相机选型或者预处理随便糊弄，最后数据根本没法用。

这一章，我们就来聊聊从相机采集到图像预处理的全流程。我会把我在实验室里踩过的坑、总结的经验，都揉进这里。

4.1 相机选型：CCD vs. CMOS，谁更适合你？

先解决第一个问题：用CCD还是CMOS？

早些年，CCD在科学级成像里几乎是唯一选择。但现在CMOS进步很快，很多场景下已经可以替代CCD了。我个人的习惯是这么选的：

特性 CCD CMOS
读出噪声 低（典型1-3 e⁻） 较高（但现代全局快门CMOS已接近CCD）
动态范围 高（>70 dB） 中等（60-70 dB，高端型号可更高）
帧率 慢（受限于串行读出） 快（并行读出，轻松上百fps）
抗晕光能力 弱（过曝时容易垂直拖尾） 强（每个像素独立，不易串扰）
成本 高 低
典型应用 弱光、高精度测量 高帧率、工业在线检测
我的建议：如果你做的是连续激光器的M²测量，光强通常足够，用CMOS完全没问题，还能享受高帧率带来的实时性。但如果是超快激光或者单脉冲能量极低的情况，CCD的低噪声优势就体现出来了。

4.2 采集前的关键设置

相机选好了，别急着拍。有几个参数必须提前设对，否则后面怎么处理都救不回来。

  • 增益与曝光时间：确保光斑峰值强度不超过满阱电荷的80%。我习惯先拍一张，看直方图。如果峰值接近饱和，就降低增益或缩短曝光。千万别让光斑“冒顶”，那会直接削平你的高斯轮廓。
  • 暗电流与偏置：盖上镜头盖，拍一张全黑图像。这张图里包含了相机的固定偏置和暗电流噪声。后面做背景扣除时，这张图就是你的“基准”。
  • 像素尺寸与光斑大小：根据奈奎斯特采样定理，光斑直径至少覆盖5-7个像素。太小了，轮廓会失真；太大了，又浪费视场。我一般让光斑占整个传感器面积的1/4到1/3。
注意：如果使用衰减片，一定要确认衰减片是“中性”的，不会引入空间上的非均匀衰减。我曾经用了一片劣质衰减片，结果光斑轮廓上多了一个“驼峰”，排查了半天才发现是衰减片镀膜不均匀。

4.3 光斑图像预处理流程

拿到原始图像后，不能直接分析。需要经过一套标准的预处理流程。我把它总结为四个步骤：

  1. 暗场扣除：从原始图像中减去之前拍的全黑图像。这一步消除固定偏置和暗电流。
  2. 平场校正：如果传感器有像素响应不均匀性，需要用均匀光照（积分球）拍一张平场图像，然后用原始图像除以平场图像。这一步在光束轮廓分析中不是必须的，但如果你的相机像素一致性差，建议做。
  3. 背景扣除：从暗场校正后的图像中，减去一个“背景面”。这个背景面不是常数，而是根据图像边缘区域拟合出来的一个平面或曲面。后面会细讲。
  4. 噪声抑制：用滤波算法去除随机噪声，但要注意不能模糊光斑边缘。

下面这张图展示了整个流程的逻辑关系：

光束轮廓分析预处理流程图 原始图像 暗场扣除 平场校正 背景扣除 噪声抑制 有效光斑提取 轮廓分析 关键说明 • 暗场扣除和平场校正是硬件层面的校正，背景扣除是算法层面的校正。 • 噪声抑制必须在背景扣除之后进行，否则背景噪声会影响滤波效果。

4.4 背景扣除：从常数到曲面拟合

背景扣除是预处理里最容易被忽视、但影响最大的环节。很多人直接减一个常数，比如全黑图像的平均值。但实际中，背景往往不是均匀的——可能是环境杂散光、传感器边缘响应差异，甚至是光学系统里的散射。

我常用的方法是多项式曲面拟合。具体做法是：

  1. 在图像中圈出一个“背景区域”，这个区域必须远离光斑，且不包含任何光斑的旁瓣。
  2. 用这个区域内的像素值，拟合一个二维多项式曲面（通常用二阶或三阶就够了）。
  3. 用这个曲面去减整幅图像。

下面是一个简单的Python实现思路：

import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression

# 假设 image 是暗场校正后的图像
# bg_mask 是背景区域的掩膜（True表示背景像素）
y, x = np.mgrid[0:image.shape[0], 0:image.shape[1]]
bg_pixels = image[bg_mask]
bg_x = x[bg_mask]
bg_y = y[bg_mask]

# 构造二阶多项式特征
poly = PolynomialFeatures(degree=2)
X_bg = poly.fit_transform(np.column_stack((bg_x.ravel(), bg_y.ravel())))

# 拟合
model = LinearRegression().fit(X_bg, bg_pixels.ravel())

# 生成整个背景面
X_full = poly.fit_transform(np.column_stack((x.ravel(), y.ravel())))
bg_surface = model.predict(X_full).reshape(image.shape)

# 扣除背景
image_corrected = image - bg_surface
避坑指南：我曾经在处理一个高功率光纤激光器的光斑时，发现光斑周围总有一圈“光晕”。一开始以为是模式不纯，后来用曲面拟合做背景扣除后，才发现那其实是光纤端面的散射光。背景扣除做对了，光斑轮廓一下子就干净了。

4.5 噪声抑制：别把细节也滤掉了

噪声抑制的目标是去除随机噪声，同时保留光斑的真实结构。这里有个矛盾：滤波太强，光斑边缘会变模糊，导致计算出的束腰偏大；滤波太弱，噪声又会干扰峰值定位和二阶矩计算。

我推荐几种方法，按优先级排序：

  • 中值滤波：对椒盐噪声和孤立噪点效果极好，而且能保留边缘。核大小建议3×3或5×5，不要超过7×7。
  • 高斯滤波：适合去除高斯白噪声，但会模糊边缘。如果要用，sigma不要超过1个像素。
  • 双边滤波：既能去噪又能保边，但计算量大。适合离线分析，不适合实时系统。

我个人最常用的是中值滤波。原因很简单：它不会引入新的“假结构”。高斯滤波有时会在光斑边缘产生振铃效应，尤其是当光斑本身有陡峭的梯度时。

注意：滤波核的大小必须远小于光斑直径。如果光斑直径是50个像素，用5×5的中值滤波没问题。但如果光斑只有10个像素，用5×5的核就会严重扭曲轮廓。这种情况下，我宁可保留噪声，也不做滤波。

4.6 有效光斑提取：阈值与区域生长

预处理完成后，需要从图像中把“有效光斑”区域提取出来。这一步是为了后续计算光斑直径、质心、二阶矩等参数做准备。

常用的方法有两种：

方法 原理 优点 缺点
全局阈值 设定一个强度阈值（如最大值的1/e²），高于阈值的像素视为光斑 简单、快速 对背景不均匀敏感，阈值选择主观
区域生长 从光斑峰值点开始，向四周生长，直到强度低于某个阈值或梯度变化过大 能处理不规则光斑，抗干扰强 计算量稍大，需要种子点

我个人的习惯是：先用全局阈值做一个粗提取，然后用区域生长做精提取。这样既快又准。

小技巧：阈值不要用固定值，而是用相对值。比如取峰值强度的13.5%（对应1/e²）。这样即使光强有波动，提取出的光斑区域也是稳定的。

好了，到这里，光束轮廓分析的预处理流程就完整了。从相机选型到背景扣除，再到噪声抑制和光斑提取，每一步都有讲究。你想想看，如果这些基础没打好，后面算出来的M²因子，你敢信吗？

← 上一章 📖 返回目录 下一章 →