图像传感

图像传感（共8篇）

图像传感 篇1

摘要：本文主要介绍了光电检测系统的组成及各部分的内容，并结合光电传感器技术，介绍了CCD传感器的组成和工作原理。最后举出了两种不同结构的CCD传感器．并简述了CCO传感器的发展趋势。

关键词：光电检测技术,CCD,图像传感器

0光电检测技术

光电传感器又称图像传感器或影像传感器,是利用调制光实现对物体的检测,其作用是将接收到的光信号转变为模拟电信号[1]。光电传感器由发射器和接收器组成,通过接收器接收到的光强变化产生检测输出实现检测功能。传感器种类繁多,模式多样,主要用于切换机器动作、控制生产线运行,为零件或产品计数、检验产品、保护操作人员等等。作为生产线上的控制部件,光电传感器参与制造了成千上万种产品。光电传感器非接触地探测物体,广泛用于许多自动化领域,如管理系统、机械制造、包装工业等。光电传感器可提供高质量的探测、识别与成像以及高分辨率的静止图像等。随着科学技术的飞速发展和工业生产自动化程度的提高,高精度、高效率、非接触在线检测已成为检测行业的发展方向。它可以大大地解放劳动力,达到提高生产效率和产品质量、降低成本的目的。

所谓光电检测系统是指对待测光学广量或由非光学待测物理量转换成的光学量,通过光电变换和电路处理的方法进行检测的系统,如图一所示。光电检测为非接触检测,具有无损、远距离、抗干扰能力强、受环境影响小、检测速度快、灵敏度高、电路简单、价格低廉、测量精度高等优越性,因而应用十分广泛,尤其在高速自动化生产、生产过程的在线检测、安全运行保护等方面起到重要作用。特别是近年来,各种新型光电探测器件的出现,以及电子技术和微电脑技术的发展,使光电检测系统的内容愈加丰富,应用越来越广,目前已渗透到几乎所有工业和科研部门,是当今检测技术发展的主要方向。

1 CCD工作原理及介绍

1.1 CCD工作原理

CCD (Charge Couple Devices)即为电荷耦合器件,是固态图像传感器的敏感器件,与普通的MOS、TTL等电路一样,属于一种集成电路,但CCD具有光电转换、信号储存、转移(传输)、输出、处理以及电子快门等多种独特功能。自1969年美国贝尔实验室研制成功第一只光电荷耦合器件(Charge Coupled Device,简称CCD)以来,CCD伴随着计算机技术的迅速发展,在国防及民用工业等部门引起人们的极大关注,尤其CCD所具有的体积小、重量轻、结构简单、功耗低、便于数字化等一系列优点,更使其在检测方面的应用越来越广泛,是未来探测技术的发展方向[2]。

电荷耦合器件CCD的基本原理是在一系列MOS电容器金属电极上,加以适当的脉冲电压,排斥掉半导体衬底内的多数载流子,形成“势阱”的运动,进而达到信号电荷(少数载流子)的转移。如果所转移的信号电荷是由光像照射产生的,则CCD具备图像传感器的功能;若所转移的电荷通过外界注入方式得到的,则CCD还可以具备延时、信号处理、数据存储以及逻辑运算等功能。

CCD主要由信号输入、转移和输出三部分组成,其核心部分为电荷转移。当入射光到达光敏元件,使得光敏元件产生电子-空穴对,空穴在表面电场作用下进入衬底,电子则进入输入栅形成的势阱中存储起来。图二为CCD器件的结构原理图[3,4]。

图三展示了三相驱动CCD传感器电荷转移过程。根据能量定理电荷总是从能量高向能量低的方向运动,电极Φ2电压比电极Φ1高,在电极Φ2处形成的势阱高于电极Φ1处,电荷从电极Φ1向电极Φ2转移。只要下一时刻电极Φ3电压比电极Φ2高,电荷又将从电极Φ2向电极Φ3转移。

1.2 CCD图像传感器的介绍

电荷耦合器件CCD的基本原理与金属——氧化物——硅(MOS)电容器的物理机理密切相关。CCD的电荷(少数载流子)的产生有两种方式:电压信号注入和光信号注入。作为图像传感器,CCD接收的是光信号,即光信号注入法。当光信号照射到CCD硅片上时,在栅极附近的耗尽区吸收光子产生电子—空穴对。这时在栅极电压的作用下,多数载流子(空穴)将流入衬底,而少数载流子(电子)则被收集在势阱中,形成信号电荷存储起来。这样高于半导体禁带宽度的那些光子,就能建立起正比于光强的存储电荷。

由许多个MOS电容器排列而成的CCD,在光像照射下产生光生载流子的信号电荷,再使其具备转移信号电荷的自扫描功能,即构成固态图像传感器。

图四所示光电摄像管中,当入射光像信号照射到摄像管中间电极表面时,其上将产生与各点照射光量成比例的电位分布,若用电子束扫描中间电极,负载RL上会产生变化的放电电流。由于光量不同而使负载电流发生变化,这恰是所需的输出电信号。所用电子束的偏转或集束,是由磁场或电场控制实现的[5]。

在图五的固态图像传感器中,输出信号的产生,不需外加扫描电子束,它可以直接由自扫描半导体衬底上诸像素而获得。这样的输出电信号与其相应的像素的位置对应,无疑是更准确些,且再生图像失真度极小[5]。

通过图四和图五光导摄像管与固态图像传感器的基本原理的比较,可以看出:光导摄像管等图像传感器,由于扫描电子束偏转畸变或聚焦变化等原因所引起的再生图像的失真,往往是很难避免的。失真度极小的固态图像传感器,非常适合测试技术及图像识别技术。此外,固态图像传感器与摄像管相比,还有体积小、重量轻、坚固耐用、抗冲击、耐震动、抗电磁干扰能力强以及耗电少等许多优点,并且固态图像传感器的成本也较低。

2 CCD图像传感器的发展趋势

CCD图像传感器经过30多年的发展,从最初简单的8像素移位寄存器发展至今,已经具有数百万至上千万像素。由于CCD图像传感器具有很大的潜在市场和广阔的应用前景,因此,近年来国际上在这方面的研究工作进行的相当活跃,很多国家均投入大量的人力、物力和财力,在CCD图像传感器研究和应用方面取得瞩目的成果。从目前CCD技术的发展趋势来看,主要有以下几个方向[6]:①高分辨率:②高速度;③微型、超小型化;④新型器件结构;⑤微光CCD;⑥多光谱CCD器件;⑦超级(Super)CCD。

随着社会各行各业的先进技术的不断发展,CCD因其独有的性能和功能,在很多领域得到了广泛应用,已显示出潜在的巨大优势。

参考文献

[1]高稚允，高岳．光电检测技术[M]．北京：国防工业出版，1995．

[2]汤定元．光电器件概论[M]．上海：上海科学技术文献出版社，1989．

[3]谭朝文．超级蜂窝，CCD[J]．世界电子元器件，2000，(2)：11．

[4]董永贵．传感技术与系统[M]．北京：清华大学出版社，2006．

[5]蔡文贵．CCD技术及应用[J]．北京：电子工业出版社，1999：1．

[6]程开富．新颖CCD图像传感器最新发展及应用[J]．集成电路通讯，2006，(03)．

图像传感 篇2

摘要：μPD3575D是NEC公司生产的一种高灵敏度、低暗电流、1024像元的内置采样保持电路和放大电路的线阵CCD图像传感器。文章介绍了μPD3575D的主要特点、结构原理、引脚功能、光学/电子特性、驱动时序以及驱动电路。

关键词：μPD3575DCCD驱动脉冲图像传感器

1概述

μPD3575D是NEC公司生产的一种高灵敏度、低暗电流、1024像元的内置采样保持电路和放大电路的线阵CCD图像传感器。该传感器可用于传真、图像扫描和OCR。它内部包含一列1024像元的光敏二极管和两列525位CCD电荷转移寄存器。该器件可工作在5V驱动(脉冲)和12V电源条件下。

μPD3575D的主要特性如下：

*像敏单元数目：1024像元;

*像敏单元大小：14μm×14μm×14μm(相邻像元中心距为14μm);

*光敏区域：采用高灵敏度和低暗电流PN结作为光敏单元;

*时钟：二相(5V);

*内部电路：采样保持电路，输出放大电路;

*封装形式：20脚DIP封装。

2内部原理和引脚功能

μPD3575D的封装形式为20脚DIP封装，其引脚排列如图1所示，引脚功能如表1所列。图2为μPD3575D的内部结构原理图，中间一排是由多个光敏二极管构成的光敏阵列，有效单元为1024位，它们的作用是接收照射到CCD硅片的光，并将之转化成电荷信号，光敏阵列的两侧为转移栅和模拟寄存器。在传输门时钟φTG的作用下，像元的光电信号分别转移到两侧的CCD转移栅。然后CCD的MOS电容中的电荷信号在φIO的作用下串行从输出端口输出。上述驱动脉冲由专门的驱动电路产生。

表1μPD3575D的引脚功能

引脚名功能IO时钟TG转移时钟RO复位时钟SHO采样保持时钟G1测试端G2测试端ID测试端OV测试端VOUT信号输出RD复位漏极电压OD输出漏极电压VGC电源电压GND地NC未连接

3光电特性参数

μPD3575D的光学/电子特性参数如表2所列。表中的工作条件为：温度在25℃左右，工作电压VOD=VRD=VGC=12V，频率fSHO为0.5MHz,tint(积分时间)=10ms，光源为2856K的钨丝灯。

表2光/电子特性参数

特性符号最小值典型值最大值单位注释饱和输出电压VOUT1.52.3-V饱和曝光量SE-0.45-Ix·s白色荧光灯光响应非均匀性PRNU-510%VOUT=500mV白色荧光灯平均暗信号ADS-0.510mV遮光光响应不均匀性DSNU-0.510mV遮光功耗PN-100-mW输出阻抗Zo0.518Ω响应度R9.81418.2V/Ix·s钨丝灯R3.556.5V/Ix·s白色荧光灯峰值响应波长-550-nm输出偏移电压Vos-7.0-V转移栅输入电容CφIO-510pF复位端输入电容CφRO-510pF采样保护端输入电容CφSHO-510pF传输门输入电容CφTG-510pF反馈通过电压VR-100200mV输出上升延迟时间t3-50100ns输出上升时间t2-50100ns输出下降时间t1-50100ns

其中，饱和输出电压Vout为响应曲线失支直线形时的输出信号电压;饱和曝光量SE为输出饱和时的照度(lx)和积累时间的乘积。

输出电压不均匀性PRNU是取全部有效位输出电压的峰、谷之比值。平均暗电流ADS指的是遮光时的平均输出电流。暗信号不均匀性DSNU是遮光时的全部有效像元的输出电压最大或最小值与ADS的差。输出阻抗Zo为从外部看时输出端子的阻抗。响应度R是曝光量除以输出电压的值。值得注意的是：使用其它光源时，器件的响应度会有所变化。

4驱动时序

CCD的驱动需要四路脉冲，分别为转移栅时钟φIO、复位时钟φRO、采样保持时钟φSHO和传输门时钟φTG，将它们分别输入到CCD芯片的2脚、3脚、4脚和8脚，并在相应的管脚接上相应的电压就可以实现对CCD的驱动。

实现对CCD驱动的关键工作是如何产生以上的四路波形。图3是该四路时序波形图。

四路脉冲的作用描述如下：当传输门时钟φTG脉冲高电平到来时，正遇到φIO电极下形成深势阱，同时φTG的高电平使φIO电极下的深势阱与CMOS电容存储势阱(存储栅)沟通。于是CMS电容中的信号电荷包全部转移到φIO电极下的势阱中。当φTG变低时，φTG低电平形式的浅势阱将存储栅下势阱与φIO电极下的势阱离开，存储栅势阱进入光积分状态，而转移栅则在转移栅时钟φIO脉冲作用下使转移到φIO电极下势阱中的信号电荷逐位转称，并经过输出电路输出。采样保持时钟φSHO的作用是去掉输出信号中的调幅脉冲成分，使输出脉冲的幅度直接反映像敏单元的照度。

从以上描述和对波形的分析可以看出，复位脉冲φRO每触发一次，φIO脉冲翻转一次，并转移一个像元的信号电荷，因此φIO脉冲的周期为φRO的2倍。采样保持时间φSHO的周期和φRO的周期相同，但相位有一定的时间延迟。传输门时钟φTG脉冲控制线阵CCD整行的转移时间间隔，可作为行同步脉冲，其低电平持续的时间为φIO的整数倍，倍数由CCD的像元数决定。图4给出了μPD3575D的脉冲时序关系图，该图中为负极性逻辑，与前边图3的正极性逻辑正好相反，在编程过程中，我们可以先实现正极性逻辑，然后通过反向器将极性反过来。

从波形图可以看出，当转移时钟φIO变化(人“1”变到“0”或从“0”变到“1”)后，经过t1时间(最小值200ns，典型值300ns)，采样保持时钟φSHO从高电平变低电平，低电平维持时间为t2(最小值100ns，典型值300ns)，当φRO翻转，使之由高电平变为低电平，触发的间隔时间为t3(最小值3ns,典型值100ns)。复位脉冲φRO翻转后维持的.时间为t4(最小值30ns，典型值100ns)，当它由低电平变回高电平时，触发转移时钟φIO翻转，其触发间隔为t5(最小值0ns,典型值50ns)。这样，一个循环结束，输出一个像元。如此不断循环，直至完全输出所有的像元。

那么，如何控制循五泊开始和结束呢?传输门时钟φTG起的就是这一作用，当φTG由低电平变为高电平并经过一定的时延(最小值50ns)后，转移时钟φIO开始按周期翻转，每翻转一次，输出一个像元。所有像元输出完毕，φTG再由高电平变为低电平。图4中φTG只给出了开始部分的波形，后面表示积分时间的波形没有给出，因此后面的积分时间长短可以根据对积分时间的需要自行设定。但积分时间内的φIO数目也是有要求的。因为该CCD芯片的有效单元为1024，加上虚设单元、暗信号和空驱动等共有12613个光电二极管，由于该器件是两列并行分奇偶传输的，所以一个φTG周期至少要有630个φIO脉冲，即φTG>630φIO。

如将其准时钟频率确定为8.000MHz,即周期为125ns，那么，根据给出的最小值就可算出四路波形的周期和占空经，具体列于表3。

表3四路驱动波形的周期的占空比

φIOφTGφROφSHO周期(ns)17501313000875875占空比1/21/7516/75/7

根据各路波形的周期、占空经和它们之间存在的关系所给出的典型驱动电路如图5所示。

5CCD数据采集

CCD可用于位置、尺寸和图像的检测，根据CDD传感器视频信号应用的差异，CCD视频信号的处理有两种方法：一是对CCD视频信号进行二值化处理后，再进行数据采集;二是对CCD视频信号采样、量化编码后再采集到计算机系统。

在检测钢轨不平顺的设计中要检测运动光源的瞬时位置，只需要测定光源在CCD上的成像位置，即光源成像在第几个像元上。图6为CCD数据采集原理图，采用二值化方法。

由于线阵CCD既具有高灵敏度的光电转换功能，又具有光电信号的存储和快速读出功能，所以通过一组时序脉冲的驱动控制(驱动器)，可以实现对目标光源的实时光电转换与信号读出。当入射在CCD像元上成像时，入射光子被CCD像元吸收并产生相应数量的光生电荷。在光积分期间，光生电荷被积累并存储在彼此隔离的相应像元的势阱中，在每个像元势阱中所积累的信号电荷数与照射在该像元面上的平均照度和光积分时间的乘积成正比。在电荷转移期间，光生电荷依次转移称至输出区，通过复位脉冲的控制，在输出极形成视频信号，每次积分的输出波形代表目标光图像在CCD采样方向的瞬态强度的空间分布，输出视频信号经过低噪声宽带放大器放大处理后，每个光斑的输出波形如图7(a)所示。然后，对CCD的视频信号进行二值化处理，原理如图7(b)所示，二值化的前沿和后沿分别对应CCD像元的信号，计算出这两个像元位置的平均值，即为光线的中心位置，这即是一个检测数据。在CCD连续工作下，所有的检测数据经数据处理后，通过串行通讯电路将结果传送给单片机。

在进行CCD在线检测时，干扰光线较难克服，而且光源使用一段时间，光强也会变弱，这样会引起CCD输出信号幅度变化，从而导致测量误差，因此对上边的电路作了一定改进，即让阈值电压随CCD视频信号的幅值变化，改进后的浮动阈值电路如图8所示。当光源强度变化引起CCD视频信号变化时，可以通过电路CCD视频信号的起伏反馈到阈值上，使阈值电压随之改变，从而保证在光较弱时，二值化电路仍能输出合适的二值化信号。

多传感器图像融合技术 篇3

关键词：多传感器,信息融合,融合层次,融合算法,效果评价

0 引言

多源信息融合又称为多传感器数据融合(MultiSensor Data Fusion,MSDF),其基本原理是模拟人大脑综合处理各种信息的过程,利用计算机对获得的多源数据按照一定的规则算法进行综合、过滤、相关、识别和融合等处理,从而得到对被测对象的一致性评价及看法[1]。

近年来,图像融合的理论研究迅速发展,图像融合技术也被广泛地应用于各个领域,例如模式识别、医学影像、遥感探测、工业过程控制、安全导航、反恐检查、环境保护、交通监测等[2]。国外对图像融合技术的研究较早,目前已将图像融合技术用于卫星获得的遥感图像[3],从而获得对被测目标的进一步了解;在军事和医学领域,图像融合技术也慢慢崭露头角,如英国的CON-DOR2系统、美国的MANTIS系统以及GE公司于2001年6月推出的Discovery LS[4],都将图像融合技术成功应用其中,并因此产生了巨大的经济和社会效益。我国对图像融合技术的研究相较于国外虽然起步略晚,但随着国家和社会各界对图像融合技术越来越重视,近年来不论是在理论研究还是应用上都取得了的一定的进展。如由四川大学研究的多航管雷达数据融合系统[5],性能已达世界领先水平,而且已成功运行于多家航空港。单个传感器获得的信息通常不完整也不够精确,有时还会出现对立、模糊的情况,带有很大的不确定性,而多传感器信息融合可以有效提高所获得信息的准确性和可信性[1]。同时,图像信息相比于其他一般信号具有更高的特殊性和复杂性,研究的深度和完善程度也远不如对一般数据融合的研究,因此本文主要介绍了多传感器图像融合算法,对目前常用的融合算法及其优缺点作了分析归纳。随着小波变换被成功应用于图像处理领域,融合的效果在一定程度上也获得了很大的提升[6],但是,小波融合算法仍然存在一些问题和不足。为了使融合效果达到更优,可以将小波变换(Wavelet Transform,WT)分别与HueSaturation-Intensity(HSI)变换和主成分分析(Principal Component Analysis,PCA)变换相结合并从灰度标准差、平均灰度梯度和熵等三个方面对多种融合方法获得的图像处理结果进行了对比评估,进而又对多传感器图像融合技术做了深入阐述,并给出了总结和展望。

1 多传感器图像融合的一般处理过程

多传感器图像融合可分为图像预处理、图像配准、图像融合三个主要过程[7]。

1.1 图像预处理

图像预处理包括图像归一化(如灰度插值、灰度均衡)、图像滤波、图像色彩增强、图像边缘增强等。图像归一化的目的是为了实现图像、分辨率、灰度等的归一化;图像滤波技术主要针对于高分辨率图像,其目的是获取高分辨率图像的纹理信息;图像色彩增强主要针对低分辨率图像,其目的是增加图像的色彩反差,在保持图像原有光谱信息的基础上使得图像色彩比较明亮,把低分辨率图像的光谱信息反映到图像上;图像边缘增强主要是针对高分辨率图像,其目的是在尽可能地降低图像噪声的同时使图像层次分明、边缘清晰[8]。

1.2 图像配准

图像配准是指将参与融合的图像(可能来自不同的时间和空间)进行对应,特别是进行几何校正,最终获得的效果一般体现在像素层上。图像配准可通过坐标变换和仿射变换来实现,图像配准可分为相对配准和绝对配准,还可以分为基于区域的配准和基于特征的配准。图像配准的精度对图像融合的效果影响较大,如果出现一个像素的空间误差,融合结果就会出现重影,对融合图像的质量产生严重影响[9]。

1.3 图像融合

对传感器获得的多幅图像完成预处理和图像配准后,便可进行图像融合。图像融合是指将关于同一目标获得的多幅原始图像经过图像处理和计算机技术等,最大限度地提取原始图像中的有用信息,并将其融合成一幅新的图像,从而获得对被测目标的更可靠认识[10]。

1.3.1 多传感器图像融合的三个层次

多传感器图像融合方式按照层次由低到高可分为三个层次,像素级、特征级和决策级[11]。

(1)像素级融合。像素级融合也常称为数据级融合,属于融合的最底层,其融合主要是在传感器采集的原始数据上进行[12]。像素级图像融合是目前常用的算法,应用也最为广泛。其优点是数据损失量最少、精度相对最高,但是处理的数据量最大,抗干扰能力比较差,而且要求传感器必须是同类的。

(2)特征级融合。特征级融合属于融合的中间层,它与像素级融合最明显的差异是特征图像融合在信息融合之前需要先对传感器获得的图像信息进行特征提取,如提取图像的轮廓边缘、亮度较高区域等,然后再进行融合[13]。特征级融合优点是有效地实现了信息压缩,降低了通信带宽要求,缺点是在提取过程中因丢失部分数据使得出的结果正确率降低。

(3)决策级融合。决策级融合属于融合的最顶层,它在完成特征提取后,先基于每个传感器获得的图像得出一个初步的判定结果,再对各传感器得出的初步结果进行关联和进一步的融合,得出最终结果。决策级融合可以按照一定的准则或者是各个传感器的可信度进行协调获得全局最优决策。决策级融合的优点是具有很高的灵活性和容错性而且传输带宽要求比较低,有很高的实用性,缺点是精度在空间上和时间上都比较低。

1.3.2 三种融合方式的比较

三种融合方式各有自己的特点,实际应用中可根据对精确度、计算量等的具体要求而选取融合方式[14]。表1给出了在数据级、特征级、决策级对三种融合方式的比较。

2 图像融合算法

2.1 典型融合算法

上述三种融合方式各有不同的融合算法[15,16],下面介绍其中比较常用的几种典型算法:

(1)加权平均法:对参与融合图像的像素值选取一定的权值进行加权平均得到融合后图像的像素值。以两幅原始图像f1(x,y)和f2(x,y)融合为例,融合后获得的图像用g(x,y)表示,其基本原理为:

式中,w1和w2分别为对f1(x,y)和f2(x,y)的加权值。

加权平均法的优点是方法简单、计算量小。缺点是融合后的图像视觉效果比较差而且常包含噪声[6]。

(2)贝叶斯法。基于贝叶斯条件概率公式,把多个传感器的决策看作是样本的子空间,设将样本空间划分为A1,A2,…,An,则对任一事件B,P(B)>0,依据贝叶斯公式:

式中:P(B)表示事件B发生的概率;P(A,B)表示事件A,B同时发生的概率;P(Ai|B)表示在事件B已发生的条件下,事件Ai发生的概率。通过计算,选择可使系统具有最大后验概率的决策作为最终决策,但它要求必须要遵循概率的可加性,当出现两个相反的命题而且可信度都很小时,此法就不再适用。

(3)证据推理法或D-S(Dempster-Shafer)理论。将传感器获取的信息作为证据,计算出各个传感器的基本可信数、可信度函数和似真函数,再按照一定的合并规则,求所有传感器的基本可信数、可信度函数和似真函数,最后遵循一定的决策规则,选择具有最大支持度的目标[17]。证据推理法的优点是不需要遵循可加性原则,满足半可加性原则即可。存在的问题是不适用于处理冲突证据,因为组合规则中的归一化过程会出现违背常理的理论。

(4)金字塔融合法。主要利用多尺度表达,当图像在两个正交方向上的尺度均2倍变化时,图像的尺寸将会以4倍变换,这时的多尺度表达将会变成金字塔结构。其主要过程是将参与融合的图像都作金字塔分解,在各层上将分解结果按照一定的规则进行融合,最后利用金字塔生成的逆过程重构出原始图像。这种方法的缺点是在图像融合过程中容易引入噪声。

(5)HSI(Hue-Saturation-Intensity)变换融合法。借助HSI变换进行图像融合操作。基本思想是用有较高空间分辨率的灰度图像的亮度成分来代替HSI变换后得到的亮度分量,最后借助HSI反变换获得融合图像,融合后图像的空间分辨率大大提高,但它只能同时对3个波段的影像进行融合,而且存在严重的光谱畸变现象[18]。

(6)PCA(Principal Component Analysis)变换融合法。以PCA(主分量分析)为基础,选择待融合图像的多个波段进行PCA变换,将单波段的高分辨率图像经过灰度拉伸使其与主成分变换后得到的第一主分量图像灰度均值和方差一致。最后通过PCA反变换得到融合图像。其优点是可以较好地保留原始图像的高空间分辨率和高光谱分辨率特征,融合后的图像在细节特征方面清晰度也较高,缺点是分析的输入图像必须有两个或两个以上,而且图像第一主分量中的有用信息部分损失,最终影响融合图像的光谱分辨率[19]。

(7)小波变换融合法:利用小波分解的各子图像进行融合。小波变换的基础是序列展开、缩放函数、小波函数,最后通过小波反变换得到融合图像[15]。小波变换融合法可以比较容易地提取图像的细节信息部分和结构信息部分,其重构能力比较完善,在分解的过程中可以尽可能地减少信息损失,同时降低冗余信息。而且,对表示光谱信息的多光谱图像,小波变换融合方法可以很好地保留多光谱图像的低频信息,并把包含图像细节信息的高频部分加入全色图像当中去[20],视觉效果较好,缺点是容易出现分块模糊现象[21]。表2给出了上述融合算法在三种融合方式中的归属。

2.2 融合方法的改进:多融合方法的结合

在单一型融合方法中,每一种融合方法有各自的优点和缺点,为了达到更好的融合效果,可以考虑将单一融合方法结合起来使用。

(1)HSI变换与小波变换相结合(HSI+WT)。利用小波变换融合的图像可以很好地保留多光谱图像的光谱信息,但因为高空间分辨率图像的低频部分被舍弃,就会出现方块效应,对视觉效果会产生一定的影响[21]。HSI变换融合图像的高频信息非常丰富,但是光谱信息损失却非常大[22]。因此,将小波变换融合方法与HSI变换融合方法结合起来可以实现优势互补,融合后的图像不仅可以很好地保留多光谱图像的光谱信息,而且视觉效果也较好。

(2)PCA变换与小波变换相结合(PCA+WT)。利用PCA变换融合法获得的融合结果中原始图像的第一主分量,一些反映光谱特性的信息量有损失,将小波变换与PCA变换相结合得到的融合图像不仅清晰度较高而且可以较好地保留图像第一主分量中的光谱信息。

2.3 融合方法性能比较

为了对图像的融合结果进行客观评价,一般要从灰度标准差、平均灰度梯度和熵等方面进行衡量[19]。灰度标准差反映了各灰度相对于灰度均值的离散情况,主要是用来比较图像反差的大小,灰度标准差越小,说明图像的反差越小,图像的整体色调也就比较单一,可以观察到的信息也较少,反之亦然;平均灰度梯度与灰度标准差类似,也反映了图像的反差,但其更多的是反映图像局部的微小细节变化和纹理特征;熵是衡量一幅图像中信息量丰富程度的指标,若融合图像的熵比原始图像的熵大,说明融合图像比原始图像的信息量有所增加,反之亦然[23]。

为了更好地对比分析,本文通过图1~图3比较了三种单一的信息融合方法与两种结合型方法的灰度标准差、平均灰度梯度和熵[8]。

从图中可以看出,小波变换的灰度标准差和平均灰度梯度最小,但是熵比较大;PCA变换的灰度标准差和平均灰度梯度较大但是熵最小;HSI变换的灰度标准差和平均灰度梯度比较大但是熵较小。HSI变换与小波变换相结合的融合方法与单一的HSI变换法相比,标准差基本上一样,但是熵明显的增加,与单一的小波变换相比,灰度标准差、平均灰度梯度和熵都有所增加,这说明采用HSI和小波变换相结合得到的融合图像信息更加丰富,融合效果也要更好一些;PCA变换与小波变换相结合的融合方法与单一的PCA变换法相比,标准差相对变小,熵有明显的增加,与单一的小波变换法相比较,平均灰度梯度和熵都有明显的增加,这说明采用PCA变换与小波变换相结合得到的融合图像中包含更加丰富的信息而且清晰度有所提高。一般而言,若对融合图像的效果要求不是特别严格,根据要求选取适合的单一融合方法即可满足需要,若要求融合后的图像反应图像细节较多,就可以考虑采用PCA变换融合法;若要求融合后的图像视觉效果较好且包含较多的信息量,就可以考虑采用小波变换融合法;若要求融合后图像不仅视觉效果要好、含有较多的信息量而且对融合后图像细节要求比较高,那么就可以考虑将小波变换与PCA变换相结合的图像融合方法。

3 结语

CMOS图像传感器再见增长 篇4

资料来源:IC Insights

到2016年以前，拍照手机尽管增速放缓，但仍是图像传感器的最大应用产品，届时将独占半壁江山，占全体市场的50%，其间增速最快的则是汽车用图像传感器，2016年销售值可达18亿美元，占全体市场的17%，独立数码相机和摄像机应用的CMOS传感器因其不断取代耦合器件图像传感器而特具增长潜力，相反，改进后的拍照手机的市场规模却将相应减少。

世界图像传感器市场的发展 篇5

据i Suppli市场调研公司预测, 世界图像传感器市场2007年的出货量为10.95亿个, 比上年增长19%, 预期到2013年将增长到20亿个，年均增长率超过10%。而从出货值讲，自2006年登顶之后，在价格跌跌不休的情况下，有日渐趋缓之势。2007年市场规模为54.87亿美元，2011年将仅及46.63亿美元，平均每年以5%的速度缩小

图像传感器分C C D (电荷耦合器件) 和C I S (C M O S图像传感器) 两类。据预测，2007～2011年间CCD传感器出货量将从1.67亿个下降到1.44亿个，而同期CIS则将从9.29亿个快速上升到15.68亿个，年均增长率达14%。同期出货值前者从24.36亿美元下降到10.86亿美元, 跌幅过半;后者从30.51亿美元增加到35.77亿美元, 年均增长率也不过4%。CC D继续用于部分数码相机、数字摄像机和安全产品等, 但数量已不见增长。数码相机至少是2000万像素级的产品, 工业级超过5000万, 依然向着高像素迈进, 大约是四年翻一番, 目前还看不到头, 其中特别是小型机正是CCD用武之地。正在成长的移动电话是CIS前进的动力, 当前占其出货量的70%强, 其他电视会议等用的Web摄像机以及车载应用两类市场年出货量也在亿个以上。移动电话市场按数量计将以15.6%的年率高速增长, 预计2011年将大大超过15亿部。在数码相机市场, CIS以单反相机为主, 在小型机中CIS也正在逐渐取代CCD。CIS与CCD相比, 价格便宜, 因此在整个图像传器市场上, 2006年两者出货值各占半壁江山, 待到2009年CIS将占市场的三分之二, 2011年更将进一步提高到占77%。移动电话用CIS也将走高像素化的道路, 但想突破500万技术上还存有很大困难, 当下摩托罗拉的新型移动电话中, 有十分之一配置了130万像素的CIS, 可未获成功。

在图像传感器市场上, 以金额计Sony公司居于首位, 占有26%的份额, Micron和Sharp居次, 各占13%, ST居四, 占9%, 第五是奥姆尼比兴, 占8%。CIS市场Micron抢得头筹, 占25%, ST老二, 占17%, 随后依次为Omini Vision15.6%, Sharp12.2%, Sony5.9%。至今一直以经营CCD为主的Sony公司有很强的转向CIS之势, 这对要在市场上继读生存下去的公司而言, 一定要仔仔细细斟酌。

图像传感 篇6

光栅传感器基本结构及原理

光栅传感器的作用是能够实现精密测量, 其测量原理建立在莫尔条纹的基础上。由于光的干涉效应, 将等栅距的两块光栅以微小夹角重叠在一起, 可以看到在近似垂直栅线方向上出现明暗相间的条纹, 称为莫尔条纹, 如图1所示:B为莫尔条纹间距, W为光栅间距:

光栅线夹角θ小, 莫尔条纹宽带B越大, 相当于把W放大了1/θ倍, 大大的提高了测量灵敏度, 也方便了光电元件的放置。

本文利用长光栅的位移传感器, 借助CCD (电荷耦合器件) 图像传感器代替传统的硅光电池检测莫尔条纹, 完成了信号的细分, 并实现对位移和角度的高精度测量。因此, 若利用光栅精密测量位移或角度, 可利用光电元件测出莫尔条纹的移动, 通过脉冲计数得到度量。

测量系统结构及工作方式

以位移测量为例, 通常光栅传感器是由光路系统、一对光栅副、与指示光栅相对位置固定的光电接收元件、整形细分电路组成。当光栅副中任一光栅沿垂直于刻线方向移动时, 莫尔条纹就会沿近似垂直于光栅移动的方向运动。当光栅移动一个栅距时, 莫尔条纹就移动一个条纹间隔B。光电接收元件将莫尔条纹的明暗强弱变化转换为电量输出。该正弦波经整形为方波, 在一个完整的光栅测量系统中, 后级电路 (往往是以单片机为核心) 接收该信号后, 根据两路或多路信号的时序关系判别运动方向, 并根据方波个数判断位移。

光栅数字传感器的测量分辨率等于一个栅距。但是, 在精密检测中常常需要测量比栅距更小的位移量, 为了提高分辨率, 可以采用两种方法实现:1) 增加刻线密度来减小栅距, 但是这种方法受光栅刻线工艺的限制。2) 采用细分技术, 在莫尔条纹变化一周期时, 不只输出一个脉冲, 而是输出若干个脉冲, 以减小脉冲当量, 提高分辨力。细分的方法有多种, 如直接细分、电桥细分、锁相细分、调制信号细分和软件细分等。下面介绍论文采用的4倍直接细分的信号处理过程。

根据莫尔条纹的性质, 光电元件产生的信号近似为正弦波。A、B为两个光电元件, 使A、B的位置相距1/4B那么A、B输出的正弦信号相位差π/2, 如图2所示。设莫尔条纹移动方向为从A到B。A领先Bπ/2, A、B两路信号经整形后变为方波, 以1/4个周期为单位时间, 则在一个周期内的4个单位时间内, A依次为1、1、0、0, B依次为0、1、1、0, AB代表的二进制数为10, 11, 01、00, 即光栅移动一个栅距内, 可以得到4组信号, 根据不同的信号值从而将位移确定在1/4个栅距内, 实现了4倍细分。同时根据AB代表的系列值可以判断移动方向。

CCD图像传感器在光栅传感器中的应用

图像传感器的选用

根据以上对光栅传感器的剖析, 可以看出要想提高对莫尔条纹的细分精度, 可以采用提高光栅线的密度或放置更多路光敏元件实现对信号更高倍的细分的方法。但是由于工艺上的难度成本上的限制, 不可能无限制地提高光栅线的密度, 目前较普遍的是1mm 50～100线。也不可能精确地在保证一定的相位差下放置多路光敏元件。所以从以上两点入手试图改进光栅传感器的精度意义不大。目前的光栅传感器一般采用硅光电池, 再配以相应的后续电路完成信号处理。所以考虑采用新的图像探测器件来取代传统的光电池是另一种值得考虑的方法。

CCD图像传感器与互补金属氧化物半导体 (CMOS) 图像传感器目前已经得到大量而广泛的应用。CCD图像传感器和CMOS图像传感器都基于硅半导体材料, 但由于工作机理和结构的不同, 这两种传感器在性能上存在着很大的区别, 主要体现在集成度、读出方式、功耗、动态范围、灵敏度和价格上。虽然CMOS图像传感器的生产过程较简单、成本较低、功耗较小, 但其具有信噪比低、宽动态范小、电荷转换效率低和输出图像质量低的缺点, 而CCD图像传感器的最大优点是信噪比高、灵敏度和动态范围大、电荷转换效率高和输出图像质量高。综合以上特点, 对于光栅传感器的应用来说, CCD更适于对精度和灵敏度要求较高的莫尔条纹的检测。

CCD图像传感器的功能是把二维图像光学信号转变成一维视频信号或数字信号。从结构上分为线阵CCD和面阵CCD两大类, 从受光方式分为正面光照和背面光照两种。线阵CCD有单沟道和双沟道两种信号读出方式, 其中双沟道信号读出方式的信号转移效率高。面阵CCD的结构复杂, 常见的有帧转移 (FT) CCD、全帧转移 (FFT) CCD、隔列内线转移 (IIT) CCD、帧内线转移 (FIT) CCD、累进扫描内线转移 (PSIT) CCD等。如以帧转移 (FT) CCD面阵, CCD由成像区 (光敏区) 、暂存区和水平读出寄存器三部分构成。每个成像单元称为一个像素。假定有M个转移沟道, 每个沟道有N个成像单元, 那么整个成像区共有M×N个像素。暂存区的结构和单元数与成像区相同, 暂存区与水平读出寄存器均作遮光处理。工作时, 图像经物镜成像到光敏区, 光敏区上面的电极加有适当的偏压时, 光生电荷被收集到电极下方的势阱里, 这样就将光学图像变成了电荷包图像。当光积分周期结束时, 加到成像区和暂存区电极上的时钟脉冲使所有收集到的信号电荷迅速转移到暂存区中, 然后经由水平读出寄存器, 在时钟脉冲控制下, 经输出级逐行输出一帧信息。在第一帧读出的同时, 第二帧信息通过光积分又收集到势阱中。这样可以一帧一帧连续地读出。

系统设计

下面采用C C D图像传感器FTF4052M芯片实现对莫尔条纹的检测。DALSA公司的FTF4052M型CCD是一款全帧型CCD图像传感器, 具有22M像素 (4008×5334) 的超大分辨率全帧CCD图像传感器, 内部功能结构如图3所示。

图3中, 芯片在结构上分为3部分:⒈中间最大的区域为光敏区, 即光积分区域。每个光敏单元都有在行列方向上的地址, 行选通逻辑和列选通逻辑共同选定某光敏单元, 考虑到各像敏单元的偏置电压不均匀, 使用增益控制和平衡控制等辅助电路对信号进行校正。特别是对于处于莫尔条纹光强波谷处的像敏单元, 其信号是微弱的, 此时该校正是很必要的。⒉上下两部分为两个输出寄存器。将光积分生成的电荷水平转移到4个角的输出放大器, 输出放大器将光生电荷形成的电压信号放大并转移出CCD。C1、C2、C3为水平像素转移寄存器的时钟信号。A1、A2、A3、A4为垂直行驱动时钟信号。⒊TG是光敏区与输出寄存器之间的隔栅;OG是输出栅;SG是输出栅之前的最后一个栅;RG是输出放大器。该芯片的最大特点是将光敏区生成的图像分成W、X、Y、Z四个对称的象限, 每个象限的电荷可以以不同的方向转移, 通过四个输出端同时输出, 有效地提高了帧速率, 单端输出的帧速率为1FPS, 而四端同时输出就可以达到3.6FPSs。工作时, 莫尔条纹投射在CCD图像传感器表面, 莫尔条纹沿X轴向左或向右平移, 产生明显的莫尔条纹光强分布。

由于CCD图像传感器的同一列像元从上至下的光强分布是一致的, 莫尔条纹的光强分布只是体现在行方向上, 所以无需进行逐行扫描, 只需考察一行上的像元信号即可分析莫尔条纹的移动情况, 这样大大降低了信号处理任务。图4代表莫尔条纹在一行像敏单元上的光强分布, X轴为莫尔条纹移动方向, Y轴表示光强的大小。莫尔条纹在各行分布一致的情况仅仅是理想的情况, 实际上由于光栅线质量, 光栅间隙等工艺因素的影响, 各行情况会略有差别, 所以可以考虑选择不同位置的几行, 考察其光强分布情况, 避免信号质量差时过大的单行误差, 达到降低误差的目的。

FTF4052M和光栅传感器、DSP、MCU和PC组成测量系统时, 系统工作原理框图如图5。

系统上电后, C C D图像传感器初始化, 根据相关寄存器值控制有关参数, 确定采集图像的窗口位置、大小和工作模式;MCU通过对FTF4052M芯片发出时钟信号指令、以及对FTF4052M芯片进行时序控制, 来完成参数的配置;系统配置完后, FTF4052M芯片开始对莫尔条纹信号进行采集, 并输出同步信号给MCU, 其包括垂直同步信号、水平同步信号、数据同步信号, 判别一帧图像数据的开始和结束;DSP发出读信号请求后, MCU根据同步信号决定是否开始数据采集;采集的数据被送至RAM;DSP接收到READY信号后开始采集数据并处理;数据最终被送往PC进行处理, 得出测量结果。

结论

从信号处理的角度来说, 最简单的方法就是通过调整光栅夹角, 使莫尔条纹间隔B和CCD图像传感器最大感知图像的行方向长度一致, 设其为L。该方向有n个像素, 将L分为n份, 即细分倍数达到n倍, 对位移的分辨精度达到了W/n (以FTF4052M为例, 其分辨率为1312×1036) 。设光栅线密度为1 0 0线/m m, W=0.01mm, 故位移分辨精度为:W/n=0.01/1312≈7nm。考虑到光栅线质量问题等, 该理论值并不代表整个传感器在实际测量中能达到的精度。但经过实测, 采用CCD图像传感器对莫尔条纹的分辨精度远远高于采用传统的硅光电池和整形细分电路等对莫尔条纹的分辨精度。并且, 随着集成电路技术的提高, CCD图像传感器的性能指标也在不断的改善, 对莫尔条纹的分辨率将不断提高, 满足光栅传感器现在和未来的高精度、高分辨率等测量需求将绰绰有余, 理论上, 若提供的莫尔条纹信号质量足够高, 则可以实现纳米级的测量精度。

摘要：本文基于光栅传感器, 提出借助CCD图像传感器代替传统的硅光电池对莫尔条纹进行检测, 完成了信号的细分, 并以位移的测量为例, 实现了对位移的高精度测量。

关键词：CCD图像传感器,光栅传感器,莫尔条纹,细分,高精度测量

参考文献

[1]方平, 丁凡, 李其朋.基于线阵CCD的新型微位移传感器的研究[J].传感技术学报, 2006 (1)

[2]万峰, 范世福.以c8051F020为核心的CCD驱动与采集系统的设计[J].光学精密工程, 2005 (S1)

[3]盛翠霞, 张涛, 纪晶, 等.高分辨率CCD芯片FTF4052M的驱动系统设计.光学精密工程, 2007 (4)

[4]陈学飞, 汶德胜, 王华.基于CPLD的面阵CCD图像传感器驱动时序发生器设计.电子器件, 2007 (3)

图像传感 篇7

在数字图像水印领域, 压缩传感理论也得到了初步的应用[3,4,5,6,7]。文献[4]提出了一种基于压缩传感和LPDC码的图像水印算法。算法通过对原始图像进行线性随机投影, 得到的压缩测量值经过LDPC编码, 以水印方式嵌入到原始图像中;水印检测时, 对篡改图像同样进行线性随机投影, 得到的测量值作为边信息并进行LDPC译码。通过比较原始图像和篡改图像之间的压缩测量值实现篡改检测, 实验结果表明该算法具有较强的抗攻击能力和较好的篡改检测能力。之后, 周燕又提出一种基于哈希消息认证码的压缩传感水印算法[5]。文献[6]提出一种基于分块压缩感知的图像半脆弱零水印算法。算法先将图像划分成若干分块, 分块大小可以根据水印数据量和篡改定位精度调整。再按照压缩感知理论对各个图像块进行观测, 并将观测值作为零水印信息注册保存。实验结果表明, 该算法可以准确定位非法篡改并借助水印信息恢复被篡改的区域。文献[7]提出一种基于压缩传感的视频篡改检测水印算法。算法采用压缩传感生成I帧图像的半脆弱认证水印并嵌入到I帧图像的中高频系数中, 采用哈希运算生成P帧序号的完整性水印并嵌入到P帧的运动矢量中, 实验结果表明该算法对视频帧间篡改和帧内篡改均具有很好的检测能力, 能够精确到图像帧的子块。

针对目前基于压缩传感水印算法存在的抗几何攻击性能不足的现状, 提出了一种基于压缩传感的自同步图像水印算法。算法将水印信息和同步信号嵌入原始图像稀疏化后的观测域中, 使水印具有自同步能力。同时利用观测值局部特性, 有效提高了在观测域中搜索同步信号的效率, 较好地解决了同步信号鲁棒性和搜索量之间的矛盾。

1 压缩传感

压缩传感 (Compressive Sensing, CS) 的核心思想是对一类具有稀疏先验的信号, 经过非线性采样得到小部分观测值, 只要观测值包含足够的良好逼近信号, 则原始信号可通过一定类型的线性或非线性解码机制高概率精确重建。CS理论由信号的稀疏变换、稀疏信号的非相干测量以及稀疏信号的重建3个要素构成。其中快速稳定的重建算法是CS的主要研究内容, 也是CS走向实用化的关键。

设x∈Rn为原始信号, 通过y=Φx得到随机投影信号y∈Rm, 其中Φ∈Rm×n称为测量矩阵, 满足限制等容条件[8] (Restricted Isometry Property, RIP) 。若原始信号x是k-稀疏 (有 个非零元素) , 则压缩传感的目标是通过随机投影的测量值y精确重建原始稀疏信号x。这一目标可等价为如下的优化问题

即信号x是式 (1) 最小化问题的解。

通常, 基于线性规划的解码器求解需要c K个投影, 其中c≈lb (1+N/K) [9], 重建复杂度为O (N3) [10]。Cand和Tao[11]证明得到了限制等容条件下的稀疏恢复定理:若测量矩阵Φ具有参数 (2n, 0.2) 的等容限制条件, 则每一个n-稀疏向量x能够作为凸优化问题的唯一解从其测量Φx中被精确重建。

2 水印算法

2.1 同步信号

本文采用m序列作为同步信号。设{an}和{bn}是具有相同周期T的两个m序列, an, bn∈{-1, 1}, 则序列{an}和{bn}之间的互相关函数定义为

m序列{an}的自相关函数具有如下性质

若τ=0时, m序列{an}和{bn}的互相关系数为

式中:h为阈值, 取奇数。阈值h的含义为:如果序列{bn}最多只有 (T-h) /2个比特与{an}不相同, 则认为{bn}是一个同步信号。

2.2 水印嵌入

将水印序列和同步m序列都转换为{-1, 1}序列, 并按照图1方式构造序列{mi|mi∈{-1, 1}}, 其中同步m序列放在{mi}的前部, 水印序列放在{mi}的后部[12]。

本文算法水印嵌入流程图如图2所示。

详细的水印嵌入过程如下:

1) 将原始图像I进行小波分解, 得到稀疏小波分解系数矩阵A1。

2) 对稀疏后的小波分解系数A1乘以用户密钥生成的观测矩阵, 得到观测域压缩信号A2。

3) 将观测域压缩信号A2一维化, 根据式 (5) 进行水印嵌入[13]

式中:?」为向下取整函数;S为水印嵌入强度。

4) 将得到的含水印序列重构为二维矩阵, 采用OMP算法恢复得到含水印信息的稀疏信号A3。

5) 对A3进行小波逆变换, 得到含水印图像Iw。

2.3 水印提取

本文算法在进行水印提取时不需要原始图像, 是一种盲水印算法, 详细水印提取过程如下:

1) 将含水印图像Iw进行小波分解, 得到小波分解系数稀疏矩阵B1;

2) 对稀疏后的小波分解系数B1乘以观测矩阵, 得到观测域压缩信号B2;

3) 将观测域压缩信号B2一维化, 根据式 (7) 进行水印提取[12]

4) 从提取的序列{wi}中确定同步信号后, 然后进行水印信号的提取。

从式 (7) 可得, 在Ai发生改变d时, 即Ai*=Ai±d, 只要d∈ (n S-S/4, n S+S/4) 区间, 都能够从Ai*正确地提取到mi。

3 实验仿真

实验中使用Windows XP操作系统和MATLAB7.0作为实验仿真平台, 选用Lena, Baboon, Peppers, Barbara作为测试图像, 同步序列为周期为63的m序列, 水印序列为长度为1 024的随机序列, 详细实验结果及分析如下。

3.1 透明性测试

本文算法使用PSNR衡量算法的透明性, 定义为

式中:X为原始图像;X'为嵌入水印后的图像。

图3a~图3d为原始标准测试图像, 图3e~图3h为本文算法下的含水印图像。从图3的实验结果可见, 本文算法含水印图像的平均PSNR为33.21 d B, 满足不可见性要求。

3.2 稳健性测试

表1给出了本文算法在常见图像处理攻击下的鲁棒性, 为了比较本文算法的性能, 表1同时列出了文献[14]在相同实验条件下的实验结果。从表可见, 本文算法和文献[14]算法对常见图像处理攻击下均具有较强的鲁棒性, 同时本文算法在高斯噪声、JPEG压缩、高斯滤波等攻击下的性能优于对比文献[14]。

表2列出了本文算法抵抗几何攻击的能力, 为了便于比较, 表2同时列出了文献[14]在相同实验条件下的实验结果。从表2可见, 无论是单一几何攻击还是联合几何攻击, 本文算法的性能均优于对比文献算法。由于本文算法在进行水印嵌入时使用了同步码m序列, 有效提高了算法抵抗各种几何攻击的性能。

3.3 提取测试

本文算法的安全性取决于用户密钥生成的观测矩阵, 不同的用户密钥产生不同的高斯随机矩阵, 因而提取的水印序列也不相同。为验证算法的安全性, 随机生成1 000组用户检测密钥进行水印提取, 并设置第500组为原始用户密钥, 用户密钥与提取水印之间的相关系数NC关系如图4所示。

相关系数NC的定义为

式中, x (i) 和x' (i) 分别为原始水印序列与提取的水印序列。从图4可见本文算法对用户密钥敏感, 是一种安全的数字水印算法。

4 结论

图像传感 篇8

iVu Plus Gen2是美国邦纳公司最新推出的第二代图像传感器,功能更加强大。传统的工业智能相机设定和更改程序时需要电脑进行设定,操作比较繁琐。针对中国的视觉相机市场需求,邦纳创造性地开发了全新的不需要PC进行设定的图像传感器iVu,将触摸屏和视觉检测完美地结合在一起,用户只需通过iVu自带的触摸屏即可完成视觉检测程序的设定,操作简单方便。

iVu Plus Gen2具有多个典型特点:集多种检测功能于一体,可同时实现多区域多ROI检测;具有读码功能,可读取一维码/二维码;处理速度比第一代更快;752×480分辨率,全画面分析检测,可调成像范围;集成镜头和光源,镜头可更换等等。新产品可应用于产品标贴检测、瓶盖密封检测、汽车配件读码检测等环节。