CN102306331B - 一种干涉条纹智能计数方法 - Google Patents

Abstract

本发明公开了一种干涉条纹智能计数方法，包括以下具体步骤：对线阵CCD传感器采集到的数据采用自适应中值扩散滤波算法滤除随机脉冲噪声；利用非线性扩散滤波算法降高斯噪声；确定干涉条纹有效数据的参考范围；其中，计算出最大灰度值点Max、最小灰度值点Min和阈值T，阈值T指的是在已确定的有效数据的参考范围内灰度值变化最大的点；对由有效数据范围确定的曲线进行二阶求导，根据二阶导数值变化来判断干涉条纹的变化状态，实现对干涉环的自动计数。本发明利用扩散中值滤波算法对采集到的数据进行滤波去噪，通过实时判断有效参考范围内的二阶导数值变化，进一步判断干涉环的变化，提升了计数的稳定性。

Description

一种干涉条纹智能计数方法

技术领域

本发明涉及干涉环的计数，具体涉及一种基于嵌入式线阵CCD的干涉条纹智能计数方法。 

背景技术

在利用迈克尔逊干涉仪进行微距测量都需要准确计算干涉环的变化环数，传统的是用人工计数法，即人眼直接观察成像到屏幕上的干涉条纹，人手轻轻旋动微动手轮，每变动一个环，便人工记录一次，每次测量需数出“冒出”或“淹没”的干涉条纹。此方法操作简单，除了迈克尔逊干涉仪外不需要额外的测量设备，但只能适合计数小干涉环数，而实际操作时往往需要记录超过几百个以上的干涉环数，假如采用此种方法，一方面，极易造成眼睛疲劳而影响读数的准确性；另一方面测量出错后只能重新测量造成大量时间的浪费；再一方面对人眼的伤害大，非常地不人性化。 

随着近代科学技术和工业技术的迅速发展，传统的光学机械测试方法已日益不能适应近代工业和科学技术提出的高精度、高效率与自动化的测试要求。在精密测试领域中，必须注入新的活力，激光和计算机技术的出现和二者的结合为新的测试技术开辟了一条新的途径。针对人工计数的缺点，研究人员提出了关于条纹自动计数器的诸多方案，这些方案各有优点，但也存在不足。 

光电传感器测量法：如图1所示，随着光程差的变化，干涉环将交替地出现“陷入”和“冒出”，使用光电头对准迈克尔逊干涉条纹中心处，此时，光电头中的光敏管会随着光强信号的变化产生不同大小的光电流。这样就将干涉条纹的变化转变为电信号的变化，只要对电信号进行一定的处理，就可实现对干 涉条纹的计数。但也存在如下缺点：该方法对器件的摆放要求过于苛刻，且随着测量的进行，条纹的厚度也将出现变化，需随着测量的进行不断地调整器件位置，增加了实际操作的复杂性。 

线阵CCD测量法：采用线阵CCD作为光电传感器件来设计条纹计数器，但其仅对不同位置的同一点强度变化进行研究，且系统工作不可靠，误差大，数据处理不充分，其实质跟光电头测量类似，并没有充分地发挥CCD的优势。 

改进的CCD测量法：利用CCD传感器将干涉环光信号转化为电信号的图像信号捕获与转换模块，再对来自CCD传感器的电信号转化为数字信号，最后将数据送至微机进行处理。其中，该微机数据处理模块对数字信号进行数字滤波及波形图像显示，自动获取图像像素的有效参考点，并根据有效参考点的梯度的变化及干涉环中心对应像素点灰度值与阈值的比较来判断干涉环的变化，实现了对干涉环的自动计数。缺点：在数据处理方面，阈值取的是数据最大与最小值之和的中值，有一定误差；所采用的均值滤波算法无法保持真实图像的特征；设计出的迈克尔逊干涉条纹计数器是基于PC机平台的，可移动性相对较差；智能化水平还不够高。 

发明内容

针对上述现有技术存在的问题，本发明的目的在于，提供一种测量精度高的干涉条纹智能计数方法。 

为了实现上述目的，本发明的技术方案为：一种干涉条纹智能计数方法，从激光发射器发出的光波，经过迈克尔逊干涉仪出射成像到成像屏，形成圆环状的干涉条纹图像，利用线阵CCD将光信号转换成电信号，再利用数据采集及传输模块将来自线阵CCD的电信号转化为数字信号，并将采集到的数据传送给嵌入式系统平台进行数据的处理，还包括以下具体步骤： 

1.1对线阵CCD传感器采集到的数据去除随机脉冲噪声； 

1.2对线阵CCD传感器采集到的数据去除高斯噪声； 

1.3确定干涉条纹有效数据的参考范围；其中，计算出最大灰度值点Max、最小灰度值点Min和阈值T，阈值T为在已确定的有效数据的参考范围内灰度值变化最大的点； 

1.4对由有效数据范围确定的曲线进行二阶求导，根据二阶导数值变化来判断干涉条纹的变化状态，实现对干涉环的自动计数。 

优选的，所述线阵CCD传感器采集到的数据为2048个。 

进一步的，为了保证了降噪的同时保持了信号的特征，在步骤1.1和1.2中，采用自适应中值扩散滤波算法AMDF去除噪声，算法表达式如下： 

$\left\{\begin{array}{c}\frac{\∂u}{\∂t}=\frac{\∂u}{\∂x}(c\left(\right|\▿\left(\mathrm{AMF}{u}_x\right)\left|\right)\▿u_x)\\ u(x,0)=u_0\end{array}\right.$

其中，u₀为采集到的原始信号，u₀＝{x₀，x₁，x₂，...，x_i，...}；为差分算子，c(·)为扩散系数，AMF(·)为自适应中值滤波算法；x指的是灰度值序列，u_x指的是第n次迭代后的信号灰度值序列； 

扩散系数c(·)的算法如下： 

$\left\{\begin{array}{c}c\left(\right|\▿u_x\left|\right)=\frac{1}{1+{\mathrm{\θ}}^{*}K{\left(i\right)}^{*}|\▿u_x|}\\ \▿u_x=x_{i+1}-x_i(i=\mathrm{0,1,2},...)\\ K\left(i\right)=\mathrm{Max}\left\{\right|u\left(i\right)-u_{\mathrm{med}}\left|\right\}\\ =\mathrm{Max}\left\{\right|u_{\max }-u_{\mathrm{med}}|,|u_{\min }-u_{\mathrm{med}}\left|\right\}\end{array}\right.$

其中，θ为常数；u_med、u_max、u_min分别为关于点i对称的区间内所有点的中值、最大值、最小值；K(i)为最大中值差， 

当K(i)的值为0-20时，的值大，扩散程度大，像素灰度值变化小，信号在平滑区域内； 

当K(i)的值大于200时，

的值小，扩散程度小，像素灰度值变化大，信号在边缘区域； 

当K(i)的值适中为20-200时，扩散程度适中，经过多次迭代运算滤除高斯噪声； 

自适应中值扩散滤波算法的具体步骤如下： 

(1)对线阵CCD传感器采集到的2048个数据wdata[0：2047]利用自适应中值滤波算法AMF去噪随机脉冲噪声得到wdata_amf[0：2047]。 

(2)由(1)处理后的2048个数据wdata_amf[0：2047]进行一阶求导得到 $\mathrm{wdata}\_\mathrm{amf}\_1d[0:2047]=|\▿u_x|,$ 将其代入公式 

其中θ取0.01，得到2048个数据wdata_amf_c[0：2047]，将wdata_amf_c[0：2047]乘以wdata_amf_1d[0：2047]得到wdata_amf_A[0：2047]； 

(3)将(2)得到的2048个数据wdata_amf_A[0：2047]进行一阶求导得到wdata_amf_2d[0：2047]，将上次迭代的灰度值序列加上wdata_amf_2d[0：2047]即为一次滤波迭代，并将结果保存为wdata_amdf[0：2047]； 

(4)重复步骤(1)、(2)、(3)，重复次数为至少50次。更进一步的，所述θ为0.01。 

更进一步的，所述自适应中值滤波算法AMF中先引入避免将高频信号点误判为噪声的自适应变化的阈值thr(i)： 

$\mathrm{thr}\left(i\right)=\frac{1}{A_i}{\left\{\underset{-\left(\frac{A_i-1}{2}\right)}{\overset{\frac{A_i-1}{2}}{\mathrm{\Σ}}}\right[f_{i+n}-f_{\mathrm{med}}\left]\right\}}^{\frac{1}{2}}$

其中，i为图像像素点的下标；f_i为点(i)的像素值，为去噪后的输出值；A_i为当前窗口大小；f_med为当前窗口的中值；n指上述公式中的n＝-((A_i-1)/2))； 

中值滤波算法AMF的具体步骤如下： 

5.1初始化当前窗口的大小A_i＝3； 

5.2求当前窗口的像素点灰度的最大值f_max、当前窗口的像素点灰度的最小值f_min和当前窗口的中值f_med； 

5.3利用公式 $\mathrm{thr}\left(i\right)=\frac{1}{A_i}{\left\{\underset{-\left(\frac{A_i-1}{2}\right)}{\overset{\frac{A_i-1}{2}}{\mathrm{\Σ}}}\right[f_{i+n}-f_{\mathrm{med}}\left]\right\}}^{\frac{1}{2}}$ 计算出自适应变化的阈值thr(i)； 

5.4假如f_min＜f_med＜f_max，则跳至步骤5.5，否则A_i＝A_i+2；假如A_i＜A_max，跳至步骤5.2；其中，A_max为最大允许窗口大小； 

5.5假如|f_i-f_med|＜thr(i)，则点i不是噪声点，输出f_i，否则f_i＝f_med。 

优选的，在步骤1.3中，计算出最大灰度值点Max、最小灰度值点Min和阈 值T的下标，其中，最大灰度下标Max_x的确定通过求线阵CCD传感器采集到的数据的最大值得到，其中，对每次线阵CCD采集的2048个数据值进行排序由此得到最大值进而得出其下标； 

最小灰度值点下标Min_x的确定通过下式求出： 

Min_x＝{i|wData[i-1]-wData[i]＞0，i＝Max_x，Max_x-1，Max_x-2，...} 

其中，从最大灰度值点下标Max_x出发，向左循环对原始数据wData[]进行一阶差分运算直至wData[i-1]-wData[i]＞0时停止，i即为最小灰度值点下标Min_x； 

阈值T下标的确定通过下式求出： 

T_x＝{i|DerData[i-1]-DerData[i]＜0，i＝Max_x，Max_x-1，Max_x-2，...} 

其中，在确定了最大灰度点下标Max_x的基础上，先对线阵CCD传感器采集到的数据进行一阶求导得到DerData[i]，再从最大灰度点下标Max_x出发，向左循环进行一阶差分运算直至首次出现DerData[i-1]-DerData[i]＜0时停止即为阈值T。 

优选的，采用二阶差分计数方法计算干涉条纹，对一维图像信号序列x_j(j＝1，2，3，...n)及其领域选为3×1区域，一维干涉条纹数据的二阶差分通过下式求出： 

$\▿x_j=\frac{{\∂}^{2}u}{\∂x^2}=x_{j+1}+x_{j-1}-{2x}_j$

其中，

对应序列x_j在下标j处的二阶导数，j＝1，2，3，...； 

定义Sum_L为Min_x到T_x范围内的二阶导数值之和，Sum_R为 T_x到Max_x范围内的二阶导数值之和，当Sum_L＞0且Sum_R＜0时，干涉环由亮变暗；当Sum_L＜0且Sum_R＞0时，干涉环由暗变亮； 

判断Sum_L和Sum_R同时变化的状态，每经历一个循环状态，计数值加1，直到干涉环状态不再变化，计数器停止计数。 

与现有技术相比较，本发明具有以下优点：本发明利用扩散中值滤波算法对采集到的数据进行滤波去噪，通过实时判断有效参考范围内的二阶导数值变化，进一步判断干涉环的变化，提升了计数的稳定性；改进的滤波算法不但能有效地去噪，而且很好地保持了信号特征，滤波效果较好；提出了自动定位干涉条纹有效数据范围的算法，避免了较大运算量的计算，有利于算法在嵌入式系统平台中高效率运行。 

附图说明

图1为现有技术条纹计数器的结构框图； 

图2为本发明基于的嵌入式迈克尔逊干涉条纹处理系统结构示意图； 

图3为未滤波的干涉条纹波形图； 

图4为滤波后的干涉条纹波形图； 

图5为干涉条纹及其对应波形图； 

图6为本发明实施例的有效数据范围确定及其二阶求导波形图； 

图7为干涉条纹及其二阶求导波形图。 

具体实施方式

下面结合附图对本发明作进一步详细描述： 

如图2所示，从激光发射器发出的光波，经过迈克尔逊干涉仪出射成像到成像屏，形成圆环状的干涉条纹图像，利用线阵CCD将光信号转换成电信号，再利用数据采集及传输模块将来自线阵CCD的电信号转化为数字信号，并将采 集到的数据传送给嵌入式系统平台进行数据的处理。线阵CCD采集到的干涉条纹数据中含有多种噪声，包括有分别来自散射X光子的椒盐噪声、CCD的暗电流噪声和读出噪声等。在上述的几种噪声中，随机脉冲噪声和高斯噪声对图像的污染最为严重，对图像数据的后期处理即干涉条纹计数的影响很大。为此，本发明一种干涉条纹智能计数方法针对随机脉冲噪声和高斯噪声，先经过改进的自适应中值扩散滤波算法对随机噪声进行降噪，再利用非线性扩散方程(PDE)滤波算法滤除高斯噪声，在有效降噪的同时，很好地保持了信号的特征。对应一维信号，改进的自适应中值扩散滤波方程的表达式为： 

$\left\{\begin{array}{c}\frac{\∂u}{\∂t}=\frac{\∂u}{\∂x}(c\left(\right|\▿\left(\mathrm{AMF}{u}_x\right)\left|\right)\▿u_x)\\ u(x,0)=u_0\end{array}\right.---\left(1\right)$

式1中，u₀为采集到的原始信号，u₀＝{x₀，x₁，x₂，...，x_i，...}；

为差分算子，c(·)为扩散系数。AMF(·)为自适应中值滤波算法，中值滤波对于随机噪声具有非常理想的降噪效果，考虑到CCD图像脉冲噪声的特点，即绝大部分属于随机噪声，采用了自适应中值滤波算法。式1实际是先对采样的信号正则化后再“喂入”偏微分扩散方程以进一步滤除信号中的高斯噪声，达到既平滑信号噪声又保持信号边缘细节特征的目的。 

本发明提出的滤波方案中的扩散滤波实质是基于经典PM模型的改进，其思想是将去噪声的过程用一个随时间演化的扩散方程来描述，通过调整扩散系数来保证去噪声的同时能保持信号特征： 

$\left\{\begin{array}{c}c\left(\right|\▿u_x\left|\right)=\frac{1}{1+{\mathrm{\θ}}^{*}K{\left(i\right)}^{*}|\▿u_x|}\\ \▿u_x=x_{i+1}-x_i(i=\mathrm{0,1,2},...)\\ K\left(i\right)=\mathrm{Max}\left\{\right|u\left(i\right)-u_{\mathrm{med}}\left|\right\}\\ =\mathrm{Max}\left\{\right|u_{\max }-u_{\mathrm{med}}|,|u_{\min }-u_{\mathrm{med}}\left|\right\}\end{array}\right.---\left(2\right)$

式2中，θ是一个常数，须根据经验进行调节。u_med、u_max、u_min分别为关于点i对称的区间内所有点的中值、最大值、最小值。K(i)为最大中值差，Max{·}是找出关于点i对称的窗口内最大值和最小值与中点的差的绝对值中较大者，这样可有效简化计算。 

当K(i)的值为0-20时，

的值大，扩散程度大，像素灰度值变化小，信号在平滑区域内； 

当K(i)的值大于200时，

的值小，扩散程度小，像素灰度值变化大，信号在边缘区域； 

当K(i)的值适中为20-200时，扩散程度适中，经过多次迭代运算滤除高斯噪声。 

自适应中值扩散滤波算法的具体步骤如下： 

(1)对CCD采集到的2048个数据wdata[0：2047]利用自适应中值滤波算法AMF去噪随机脉冲噪声得到wdata_amf[0：2047]。 

(2)由(1)处理后的2048个数据wdata_amf[0：2047]进行一阶求导得到wdata_amf_1d[0：2047]，即

，将其代入公式 

其中θ取0.01，得到2048个数据wdata_amf_c[0：2047]，将wdata_amf_c[0：2047]乘以 wdata_amf_1d[0：2047]得到wdata_amf_A[0：2047]。 

(3)将(2)得到的2048个数据wdata_amf_A[0：2047]进行一阶求导得到wdata_amf_2d[0：2047]，将上次迭代的灰度值序列加上wdata_amf_2d[0：2047]即为一次滤波迭代，并将结果保存为wda ta_amdf[0：2047]。 

(4)重复步骤(1)、(2)、(3)，重复次数为50次，即可达到滤除噪声的同时很好地保持信号特征的效果。 

为了避免将高频信号点误判为噪声，引入了自适应变化的阈值thr(i)。设图像某像素点下标为i，其自适应中值滤波阈值的表达式为： 

$\mathrm{thr}\left(i\right)=\frac{1}{A_i}{\left\{\underset{-\left(\frac{A_i-1}{2}\right)}{\overset{\frac{A_i-1}{2}}{\mathrm{\Σ}}}\right[f_{i+n}-f_{\mathrm{med}}\left]\right\}}^{\frac{1}{2}}$

其中，i为图像像素点的下标；f_i为点(i，j)的像素值，为去噪后的输出值；A_i为当前窗口大小；f_med为当前窗口的中值；n指上述公式中的n＝-((A_i-1)/2))。具体步骤为： 

1、初始化当前窗口的大小A_i＝3； 

2、求当前窗口的像素点灰度的最大值f_max、当前窗口的像素点灰度的最小值f_min和当前窗口的中值f_med。 

3、利用公式 $\mathrm{thr}\left(i\right)=\frac{1}{A_i}{\left\{\underset{-\left(\frac{A_i-1}{2}\right)}{\overset{\frac{A_i-1}{2}}{\mathrm{\Σ}}}\right[f_{i+n}-f_{\mathrm{med}}\left]\right\}}^{\frac{1}{2}}$ 计算出自适应变化的阈值thr(i)； 

4、假如f_min＜f_med＜f_max，则跳至步骤5.5，否则A_i＝A_i+2；假如A_i＜A_max，跳至步骤5.2；其中，A_max为最大允许窗口大小； 

5、假如|f_i-f_med|＜thr(i)，则点i不是噪声点，输出f_i，否则f_i＝f_med。 

如图3、图4所示，分别为未滤波的干涉条纹图和滤波后的干涉条纹图。由滤波后的干涉条纹图可以看到，利用上述算法不但能有效去噪，而且很好地保持了图像的边缘细节信息。 

如图5所示，为干涉环“冒出”状态和“陷入”状态及其经去噪预处理后对应的波形图，由图可知，干涉环的中间环信号最明显，检测干涉条纹的中间环则可大大减少计算量，且能达到准确计数的效果，因此，对干涉条纹的计数工作则可转为确定干涉条纹有效数据的范围，再进一步对有效数据进行处理。 

如图6所示，标出了干涉环中心附近处从最小灰度值点到最大灰度值对应点之间连续的曲线，在数据处理时，将每次采集到的2048个数据将存于数组wData[2048]中，只要计算出最大灰度值点Max和最小灰度值点Min以及阈值T的下标即可实现确定有效数据范围。其中， 

最大灰度下标Max_x的确定通过求线阵CCD传感器采集到的数据的最大值得到。 

最小灰度值点下标Min_x的确定通过下式求出： 

Min_x＝{i|wData[i-1]-wData[i]＞0，i＝Max_x，Max_x-1，Max_x-2，...} 

即从最大灰度值点下标Max_x出发，向左循环对原始数据wData[]进行一阶差分运算直至wData[i-1]-wData[i]＞0时停止，i即为最小灰度值点下标Min_x。 

阈值T下标的的确定通过下式求出： 

T_x＝{i|DerData[i-1]-DerData[i]＜0，i＝Max_x，Max_x-1，Max_x-2，...} 

即在确定了最大灰度点的基础上，先对线阵CCD传感器采集到的2048个数据进行一阶求导得到DerData[2048]，再从最大灰度点下标Max_x出发，向左循环进行一阶差分运算直至首次出现DerData[i-1]-DerData[i]＜0时停止即为阈值T的下标T_x。有效数据参考范围的确定在实际实现过程中仅需进行一次。 

如图7所示，为对应干涉环“冒出”状态、“陷入”状态数据波形及其对应的二阶求导波形图。对该一维图像信号序列x_i(i＝1，2，3，...n)及其领域选为3×1区域，一维干涉条纹数据的二阶差分通过下式求出： 

$\▿x_i=\frac{{\∂}^{2}u}{\∂x^2}=x_{i+1}+x_{i-1}-{2x}_i$

式中，

对应序列x_i在下标i处的二阶导数； 

定义Sum_L为Min_x到T_x范围内的二阶导数值之和，Sum_R为T_x到Max_x范围内的二阶导数值之和，当Sum_L＞0且Sum_R＜0时，干涉环由亮变暗(“冒出，，状态)；当Sum_L＜0且Sum_R＞0时，干涉环由暗变亮(“陷入”状态)；判断Sum_L和Sum_R同时变化的状态，每经历一个循环状态，计数值加1，直到干涉环状态不再变化，计数器停止计数，并将计数值返回。 

如下表所示为采用本发明干涉条纹智能计数方法测量干涉环个数与实际测量干涉环个数的对照数据： 

由实验数据表明，该干涉条纹智能计数方法得出的结果与实际测量的结果基本一致，相对误差为0.00192，存在微小的误差的主要原因是试验过程中外界环境因素，比如干扰声音，使迈克尔逊干涉仪产生轻微的震动，引起了干涉条纹的波动，导致计数存在极小的差异。 

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解，依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换，而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。 

Claims (4)

1.一种干涉条纹智能计数方法，从激光发射器发出的光波，经过迈克尔逊干涉仪出射成像到成像屏，形成圆环状的干涉条纹图像，利用线阵CCD将光信号转换成电信号，再利用数据采集及传输模块将来自线阵CCD的电信号转化为数字信号，并将采集到的数据传送给嵌入式系统平台进行数据的处理，其特征在于，还包括以下具体步骤： 

1.1对线阵CCD传感器采集到的数据去除随机脉冲噪声； 

1.2对线阵CCD传感器采集到的数据去除高斯噪声； 

1.3确定干涉条纹有效数据的参考范围；其中，计算出最大灰度值点Max、最小灰度值点Min和阈值T，阈值T为在已确定的有效数据的参考范围内灰度值变化最大的点； 

1.4对由有效数据范围确定的曲线进行二阶求导，根据二阶导数值变化来判断干涉条纹的变化状态，实现对干涉环的自动计数； 

所述线阵CCD传感器采集到的数据为2048个 ；

在步骤1.1和1.2中，采用自适应中值扩散滤波算法AMDF去除噪声，算法表达式如下： 

其中，u₀为采集到的原始信号，u₀={x₀,x₁,x₂,…,x_i,…}；

为差分算子，c(·)为扩散系数，AMF(·)为自适应中值滤波算法；x指的是灰度值序列，u_x指的是第n次迭代后的信号灰度值序列； 

扩散系数c(·)的算法如下： 

其中，θ为常数；u_med、u_max、u_min分别为关于点i对称的区间内所有点的中值、最大值、最小值；K(i)为最大中值差， 

当K(i)的值为0-20时，

的值大，扩散程度大，像素灰度值变化小，信号在平滑区域内； 

当K(i)的值大于200时，

的值小，扩散程度小，像素灰度值变化大，信号在边缘区域； 

当K(i)的值适中为20-200时，扩散程度适中，经过多次迭代运算滤除高斯噪声； 

自适应中值扩散滤波算法AMDF的具体步骤如下： 

（1）对线阵CCD传感器采集到的2048个数据wdata[0:2047]利用自适应中值滤波算法AMF去噪随机脉冲噪声得到wdata_amf[0:2047] ；

（2）由（1）处理后的2048个数据wdata_amf[0:2047]进行一阶求导得到 

将其代入公式

其中θ取0.01，得到2048个数据wdata_amf_c[0:2047]，将wdata_amf_c[0:2047]乘以wdata_amf_1d[0:2047]得到wdata_amf_A[0:2047]； 

（3）将(2)得到的2048个数据wdata_amf_A[0:2047]进行一阶求导得到wdata_amf_2d[0:2047],将上次迭代的灰度值序列加上wdata_amf_2d[0:2047]即为一次滤波迭代，并将结果保存为wdata_amdf[0:2047]； 

（4）重复步骤（1）、（2）、（3），重复次数为至少50次。 

2.根据权利要求1所述的干涉条纹智能计数方法，其特征在于，所述自适应中值滤波算法AMF中先引入避免将高频信号点误判为噪声的自适应变化的阈值thr(i)： 

其中，i为图像像素点的下标；f_i为点(i)的像素值，为去噪后的输出值；A_i为当前窗口大小；f_med为当前窗口的中值；n指上述公式中的n=-((A_i-1)/2)； 

自适应中值滤波算法AMF的具体步骤如下： 

2.1初始化当前窗口的大小A_i=3； 

2.2求当前窗口的像素点灰度的最大值f_max、当前窗口的像素点灰度的最小 值f_min和当前窗口的中值f_med； 

2.3利用公式

计算出自适应变化的阈值thr(i)； 

2.4假如f_min<f_med<f_max，则跳至步骤2.5，否则A_i=A_i+2；假如A_i<A_max，跳至步骤2.2；其中,A_max为最大允许窗口大小； 

2.5假如|f_i-f_med|<thr(i)，则点i不是噪声点，输出f_i,否则f_i=f_med。 

3.根据权利要求2所述的干涉条纹智能计数方法，其特征在于，在步骤1.3中，计算出最大灰度值点Max、最小灰度值点Min和阈值T的下标，其中，最大灰度下标Max_x的确定通过求线阵CCD传感器采集到的数据的最大值得到，其中，对每次线阵CCD采集的2048个数据值进行排序由此得到最大值进而得出其下标； 

最小灰度值点下标Min_x的确定通过下式求出： 

Min_x={i|wData[i-1]-wData[i]>0,i=Max_x,Max_x-1,Max_x-2,…} 

其中，从最大灰度值点下标Max_x出发，向左循环对原始数据wData[]进行一阶差分运算直至wData[i-1]-wData[i]>0时停止，i即为最小灰度值点下标Min_x； 

阈值T下标的确定通过下式求出： 

T_x={i|DerData[i-1]-DerData[i]<0,i=Max_x,Max_x-1,Max_x-2,…} 

其中，在确定了最大灰度点下标Max_x的基础上，先对线阵CCD传感器采集到的数据进行一阶求导得到DerData[i]，再从最大灰度点下标Max_x出发，向左循环进行一阶差分运算直至首次出现DerData[i-1]-DerData[i]<0时停止即为阈值T。 

4.根据权利要求3所述的干涉条纹智能计数方法，其特征在于，在步骤1.4中，采用二阶差分计数方法计算干涉条纹，对一维图像信号序列x_j(j=1,2,3,…n)及其领域选为3×1区域，一维干涉条纹数据的二阶差分通过下式求出： 

其中，对应序列x_j在下标j处的二阶导数； 

定义Sum_L为Min_x到T_x范围内的二阶导数值之和，Sum_R为T_x到Max_x范围内的二姐导数值之和，当Sum_L>0且Sum_R<0时，干涉环由亮变暗；当Sum_L<0 且Sum_R>0时，干涉环由暗变亮； 

判断Sum_L和Sum_R同时变化的状态，每经历一个循环状态，计数值加1，直到干涉环状态不再变化，计数器停止计数。 

Images