CN105426855A - 一种基于双树复小波变换的光学镜片中频误差评定方法 - Google Patents

一种基于双树复小波变换的光学镜片中频误差评定方法 Download PDF

Info

Publication number
CN105426855A
CN105426855A CN201510830258.9A CN201510830258A CN105426855A CN 105426855 A CN105426855 A CN 105426855A CN 201510830258 A CN201510830258 A CN 201510830258A CN 105426855 A CN105426855 A CN 105426855A
Authority
CN
China
Prior art keywords
high frequency
frequency
coefficient
signal
error
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510830258.9A
Other languages
English (en)
Inventor
任志英
罗德海
吴清飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201510830258.9A priority Critical patent/CN105426855A/zh
Publication of CN105426855A publication Critical patent/CN105426855A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

本发明涉及一种基于双树复小波变换的光学镜片中频误差评定方法，通过对传统DT-CWT分解系数和重构系数的修正，可以有效地对光学表面中频误差进行全空间频率内更加精确的分离与识别；其中，中频误差提取方法以DT-CWT为核心，通过重构时加入自适应影响因子，成功地分离了各频段的面形误差，有效地改进了加工工艺，优化了工艺流程。

Description

一种基于双树复小波变换的光学镜片中频误差评定方法
技术领域
本发明涉及光学镜片领域，特别是一种基于双树复小波变换的光学镜片中频误差评定方法。
背景技术
光学元件在紫外和x射线光学以及高功率激光损伤阈值等领域的应用越加广泛与频繁，因此对于光学元件表面质量也提出了更高的要求。加工表面质量影响因素除了光学元件自身材料外，主要是光学元件在机加工过程中残留的面形误差，它分为三种，即属于高频段面形误差的粗糙度、属于中频段面形误差的表面波纹度和属于低频段面形误差的几何轮廓形位误差。这些面形误差对光束的调制作用会严重影响光束质量。因此在光学表面质量评定中对各频段面形误差的正确提取是一个关键环节，其目标是在保持原有信号细节的基础上最大限度地分离开高中低频信号，目前国内外学者做了不少研究，有从光学表面属于非平稳空间信号的角度出发，提出了基于经验模态分解的精密光学表面中频误差提取和识别方法，有通过理论分析Winger分布函数与功率谱密度之间的关系，得到了局部波前畸变的评价方法和指标。但这些方法对高中低频段分离并没有严格区分各个频段范围内的成分是否完全分离，特别是中频信号的分离，往往使一些属于中频段的重要信息隐藏到其它频段中，最终使中频的细节特征变得模糊。这将为后续的评价带来误差，甚至可能得到错误的结论。另一方面中频信号是数控小刀具在抛光过程中留下的一些波纹，其受到加工温度、刀具及抛光液等影响，属于非平稳空间信号。
发明内容
有鉴于此，本发明的目的是提供一种基于双树复小波变换的光学镜片中频误差评定方法，利用双树复小波变换（DT-CWT）的多分辨分析、方向性好和良好的时频局部化分析能力的特点，对实测的抛光光学元件表面进行DT-CWT的多尺度分解，并在重构时加入自适应影响因子，成功地分离了各频段的面形误差，有效地改进了加工工艺，优化了工艺流程。
本发明采用以下方案实现：一种基于双树复小波变换的光学镜片中频误差评定方法，包括以下步骤：
步骤S1：设定高频系数自适应影响因子，并设置tj=1，n=1；
步骤S2：将原始光学镜片表面信号进行DT-CWT的层分解，得到最底层的低频系数以及各层的高频系数；
步骤S3：对分解得到具有细节信号的高频系数进行重构，得到高频误差信号，公式如下：
；
步骤S4：将具有细节信号的高频系数全部置零处理，并对低频系数进行重构，得到低频误差信号，记作：
；
步骤S5：根据得到的高频误差信号计算瞬时频率与平均波长；若，则改变第层高频系数自适应影响因子，令n=n+1，返回步骤S2，若，则进入步骤S6；
步骤S6：分离中频面形误差，得到剩余信号，公式如下:
。
进一步地，所述高频误差信号的瞬时频率为
，
所述瞬时频率的离散形式为：
，式中为采样间距。
所述瞬时频率的平均值为：
，
则多尺度下重构得到高频误差信号的平均波长为：
。
与现有技术相比，本发明通过对传统DT-CWT分解系数和重构系数的修正，可以有效地对光学表面中频误差进行全空间频率内更加精确的分离与识别。其中，中频误差提取方法以DT-CWT为核心，通过重构时加入自适应影响因子，成功地分离了各频段的面形误差，有效地改进了加工工艺，优化了工艺流程。
附图说明
图1为基于自适应DT-CWT分离光学表面面形误差流程图。
图2为抛光光学元件子午线测量曲线。
图3为高频系数重构得到的面形误差。
图4为低频系数重构得到的面形误差。
图5为抛光光学表面DT-CWT自适应分离各频段面形误差。
图6为抛光光学表面DT-CWT分离各频段面形误差。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施提供一种基于双树复小波变换的光学镜片中频误差评定方法，如图1所述，包括以下步骤：
步骤S1：设定高频系数自适应影响因子，并设置tj=1，n=1；
步骤S2：将原始光学镜片表面信号进行DT-CWT的层分解，得到最底层的低频系数以及各层的高频系数；
步骤S3：对分解得到具有细节信号的高频系数进行重构，得到高频误差信号，公式如下：
；
步骤S4：将具有细节信号的高频系数全部置零处理，并对低频系数进行重构，得到低频误差信号，记作：
；
步骤S5：根据得到的高频误差信号计算瞬时频率与平均波长；若，则改变第层高频系数自适应影响因子，令n=n+1，返回步骤S2，若，则进入步骤S6；
步骤S6：分离中频面形误差，得到剩余信号，公式如下:
。
在本实施例中，所述高频误差信号的瞬时频率为
，
所述瞬时频率的离散形式为：
，式中为采样间距。
所述瞬时频率的平均值为：
，
则多尺度下重构得到高频误差信号的平均波长为：
。
在本实施例中，光学球面常采用子午线来确定光学元件的面形,子午线影响着光学的焦斑、像散以及屈光度等性能，因此选择对抛光光学元件的子午线进行测量，测量所得到的曲线如图2所示。然后采用本实施例提供的方法进行抛光光学球面子午线数据的多尺度分解，得到多尺度分解下高频系数与低频系数重构后的面形误差，如图3和图4所示。同时分别对高频系数面形误差进行瞬时频率与平均波长的计算，得到多尺度分解下高频系数重构面形误差平均波长，表1所示。并与传统的DT-CWT进行对比分析，分别见图3和图4。
表1
分解层 平均波长
第一层 0.0031
第二层 0.0088
第三层 0.0228
第四层 0.0484
第五层 0.1152
第六层 0.2488
由图3和图4中可看出，随着分解尺度的增加，低频系数重构面形误差变化微小，而高频系数重构面形误差变化较大，结合表1可知，当分解尺度第五层，其波长在界定范围的边缘波长区域；当分解尺度到达第六层时，第六层高频系数重构的面形误差已出现了实际属于中频波纹度面形误差，说明其高频系数包含一定的中频波纹度误差成分。所以若采用DT-CWT直接分离法存在分离不彻底现象，对于后续的表征将存在影响。故本实施例通过改变多尺度下第五层及后面层数的自适应系数，调整DT-CWT分解尺度下的系数比例，得到经过自适应多尺度分解高频系数重构面形误差的平均波长，如表2所示。
表2
分解层 平均波长
第一层 0.0031
第二层 0.0088
第三层 0.0228
第四层 0.0484
第五层 0.1152
第六层（自适应处理） 0.1200
第七层 0.3621
从表2可看出，经过自适应处理完第六层高频系数重构面形误差平均波长恰好等于0.12mm。故将前五层高频系数进行重构得到高频段面形误差，对第六层及以上高频系数进行重构得到中频段面形误差，同时用DT-CWT提取低频系数并重构得到低频段面形误差，最后得到各频段面形误差，如图5。为能更好地说明方法的优越性，本实施例将DT-CWT直接分离法与DT-CWT自适应分离法分别计算各频段面形误差平均波长如表3所示。用DT-CWT直接分离法对高中低频面形误差进行重构，如图6所示。
表3
从表3中可看出，基于DT-CWT自适应分离法得到的中频面形误差平均波长刚好为0.12mm，实现了将光学元件表面的高频与中频面形误差完全分离。且对比图6，可发现图5中得到的中频面形误差曲线包含的信息较多，能最大限度地反映了原始信号本身的性质，十分有利于接下来要进行的加工特征识别及表面参数评定工作。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (2)

1.一种基于双树复小波变换的光学镜片中频误差评定方法，其特征在于：包括以下步骤：
步骤S1：设定高频系数自适应影响因子，并设置tj=1，n=1；
步骤S2：将原始光学镜片表面信号进行DT-CWT的层分解，得到最底层的低频系数以及各层的高频系数；
步骤S3：对分解得到具有细节信号的高频系数进行重构，得到高频误差信号，公式如下：
；
步骤S4：将具有细节信号的高频系数全部置零处理，并对低频系数进行重构，得到低频误差信号，记作：
；
步骤S5：根据得到的高频误差信号计算瞬时频率与平均波长；若，则改变第层高频系数自适应影响因子，令n=n+1，返回步骤S2，若，则进入步骤S6；
步骤S6：分离中频面形误差，得到剩余信号，公式如下:
。
2.根据权利要求1所述的一种基于双树复小波变换的光学镜片中频误差评定方法，其特征在于：所述高频误差信号的瞬时频率为
，
所述瞬时频率的离散形式为：
，式中为采样间距；
所述瞬时频率的平均值为：
，
则多尺度下重构得到高频误差信号的平均波长为：
。
CN201510830258.9A 2015-11-25 2015-11-25 一种基于双树复小波变换的光学镜片中频误差评定方法 Pending CN105426855A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510830258.9A CN105426855A (zh) 2015-11-25 2015-11-25 一种基于双树复小波变换的光学镜片中频误差评定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510830258.9A CN105426855A (zh) 2015-11-25 2015-11-25 一种基于双树复小波变换的光学镜片中频误差评定方法

Publications (1)

Publication Number Publication Date
CN105426855A true CN105426855A (zh) 2016-03-23

Family

ID=55505054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510830258.9A Pending CN105426855A (zh) 2015-11-25 2015-11-25 一种基于双树复小波变换的光学镜片中频误差评定方法

Country Status (1)

Country Link
CN (1) CN105426855A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800056A (zh) * 2012-06-30 2012-11-28 浙江大学 双树复小波域的邻域自适应贝叶斯收缩图像去噪方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800056A (zh) * 2012-06-30 2012-11-28 浙江大学 双树复小波域的邻域自适应贝叶斯收缩图像去噪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张培林等: ""润滑油磨粒超声回波信号的双树复小波自适应降噪"", 《北京理工大学学报》 *
徐建程等: ""基于Wigner分布函数的光学元件评价方法"", 《强激光与粒子束》 *
林建兴等: ""精密光学元件表面中频误差的提取研究"", 《机械制造与自动化》 *
毕果等: ""基于经验模态分解的精密光学表面中频误差识别方法"", 《机械工程学报》 *

Similar Documents

Publication Publication Date Title
AU2019368520B2 (en) Three-dimensional finger vein feature extraction method and matching method therefor
WO2022083202A1 (zh) 基于U-net神经网络的精细水体提取方法
CN102063708B (zh) 基于Treelet和非局部均值的图像去噪
CN109035163A (zh) 一种基于深度学习的自适应图像去噪方法
CN103198322A (zh) 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法
CN103440505B (zh) 空间邻域信息加权的高光谱遥感图像分类方法
CN109961470B (zh) 一种基于激光点云的活立木叶属性精准估测方法
CN103268485A (zh) 基于稀疏正则化的实现多波段人脸图像信息融合的人脸识别方法
CN104732493A (zh) 一种基于Primal Sketch分类和SVD域改进MMSE估计的SAR图像去噪算法
CN116580308B (zh) 一种土壤修复的监测方法及监测装置
CN112270746B (zh) 基于邻域协方差特征参数阈值的铝合金3d打印点云精简算法
CN114781457B (zh) 基于自动编码器的时频域干扰抑制方法
CN110991493A (zh) 一种协同表示和异常剔除的高光谱异常检测方法
CN114550260B (zh) 一种基于对抗数据增强的三维人脸点云识别方法
CN114387207A (zh) 基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型
CN107277773A (zh) 联合多种情景模式的自适应定位方法
CN104200434B (zh) 一种基于噪声方差估计的非局部均值图像去噪方法
CN103913765A (zh) 一种核素能谱寻峰方法
CN112597865A (zh) 热轧带钢边部缺陷智能识别方法
CN111833275A (zh) 一种基于低秩分析的图像去噪方法
CN114863223A (zh) 结合去噪自编码器与场景增强的高光谱弱监督分类方法
CN105426855A (zh) 一种基于双树复小波变换的光学镜片中频误差评定方法
CN104978716A (zh) 一种基于线性最小均方误差估计的sar图像降噪方法
CN103117823B (zh) 一种短波信道模型建模方法
CN104732498A (zh) 一种基于非下采样Contourlet变换的阈值化图像去噪方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160323

RJ01 Rejection of invention patent application after publication