CN107316039B - 一种基于主成分分析法的叉形干涉图像特征提取方法 - Google Patents
一种基于主成分分析法的叉形干涉图像特征提取方法 Download PDFInfo
- Publication number
- CN107316039B CN107316039B CN201710397514.9A CN201710397514A CN107316039B CN 107316039 B CN107316039 B CN 107316039B CN 201710397514 A CN201710397514 A CN 201710397514A CN 107316039 B CN107316039 B CN 107316039B
- Authority
- CN
- China
- Prior art keywords
- fork
- interference image
- principal component
- shaped interference
- image
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Abstract
本发明属于数字图像处理技术领域,提出一种基于主成分分析法的叉形干涉图像特征提取方法。叉形干涉图像由将存在相位差的两条光强相同的光束在分光板处发生干涉形成,通过主成分分析法把叉形干涉图像中多个变量最终转化为两个主成分,这两个主成分能够反映原始变量85%以上的信息,进而提取出叉形干涉图像的特征点,得出叉形干涉图像特征点与两束光相位差的对应关系。不同于传统图像特征提取方法,这种方法提取到的叉形干涉图像特征明显,能准确反映叉形图像变化信息,将广泛应用于数字图像处理技术领域。
Description
技术领域
本发明属于数字图像处理技术领域,涉及一种基于主成分分析法的叉形干涉图像特征提取方法。
背景技术
随着计算机技术的发展和相关理论的不断完善,数字图像处理技术广泛应用光学测量、遥感图像分析、医学诊断、通信工程等各领域。数字图像处理技术应用于精密测量领域形成了一种新的测量技术—图像检测技术。图像检测技术是近年来在测量领域发展起来的新型检测技术,是一种以图像为信息载体并从中提取有用信息的现代化测量方法。所谓图像检测就是测量被测对象时,把图像当作检测和传递信息的手段或载体加以利用的测量方法,目的是从图像中提取有用的信息。目前,在光学检测中经常要对干涉图像进行分析研究,分析干涉图像中包含的物理量信息,利用干涉图像进行测量具有十分重要的意义。图像测量方法具有高速、动态范围大、信息量丰富和自动化等优点,但在工程测量中获得的干涉图像往往信噪比低且不为常值,干涉条纹存在抖动,这使干涉图像的处理变得更加困难,间接导致提取的图像特征信息含有误差,严重影响测量精度,不适用于实际工程中。因此,提出一种有实际应用价值、高精度、快速、准确的图像特征提取方法具有重要意义。
发明内容
本发明的目的是克服已有干涉图像特征提取方法不足之处,提出一种具有实际应用价值的干涉图像特征提取方法,通过主成分分析法把叉形干涉图像中多个变量最终转化为两个主成分,这两个主成分能够反映原始变量85%以上的信息,进而提取出叉形干涉图像的特征点,得出叉形干涉图像特征点与两束光相位差的对应关系。满足高精度、快速、准确获取干涉图像信息的需求。
为达到上述目的,采用如下技术方案:一种基于主成分分析法的叉形干涉图像特征提取方法,包括以下步骤:
步骤一:将存在相位差的两条光强相同的光束在分光板处发生干涉形成叉形干涉图像,所述分光板的透反比为1:1;读取叉形干涉图像并显示;
步骤二:读取干涉图像并显示,利用主成分分析法减少叉形干涉图像中的原变量,即选取累计贡献率达到85%以上的前两个成分作为主成分,其中贡献率较大的为第一主成分,贡献率较小的为第二主成分;,这样既能使损失原有信息较少,又能达到减少原变量起到降低维数的作用;
步骤三:在两个不同相位差下,第一主成分的强度变化曲线的交点为叉形干涉图像的特征点,其中一个相位差的取值区间为[0°,180°),另一个相位差的取值区间为(180°,360°];
步骤四:将叉形干涉图像的特征点对应于不同相位差下第二主成分的强度变化曲线,从而确定两束光相位差与叉形干涉图像的对应关系。
进一步地,步骤一所述的两条光束,分别为平面波光束与涡旋光束。
进一步地,将步骤一中读取得到的叉形干涉图像依次进行中值滤波、均值滤波和图像增强处理后再应用于步骤二,其中,中值滤波的模板尺寸为3×3、5×5或者9×9;均值滤波的模板尺寸为3×3、5×5或者9×9;图像增强处理过程中校正灰度系数为0.5~1.0。中值滤波能消除叉形干涉图像中孤立的噪声点,在去除噪声的同时也能较好保护图像边缘细节信息;均值滤波能平滑叉形干涉图像,以便对其进一步处理;图像增强处理能够改善图像的视觉效果,提高图像的可读性,便于分析和处理;
进一步地,上述中值滤波的模板尺寸为3×3,均值滤波的模板尺寸为3×3,图像增强处理过程中校正灰度系数为0.9。
本发明具有以下有益效果:
(1)本发明的一种基于主成分分析法的叉形干涉图像特征提取方法,提取到的图像特征信息明显,能快速、准确获取图像特征信息,具有高精度、动态范围大等优点,更适用于实际工程应用中;
(2)本发明的一种基于主成分分析法的叉形干涉图像特征提取方法,利用两束光的干涉原理,当两束光的相位差变化时,导致叉形干涉图像发生移动,此方法可用于提取两束光干涉后的叉形干涉图像信息,使数字图像处理技术更加广泛的应用于精密测量领域;
(3)本发明的一种基于主成分分析法的叉形干涉图像特征提取方法,引入主成分分析法,在验证过程中又引入中值滤波、均值滤波、图像增强等图像处理技术来改善图像特征提取的准确性,解决传统干涉图像信噪比低、提取误差大,导致其应用场合受限的问题;
(4)本发明的一种基于主成分分析法的叉形干涉图像特征提取方法,图像特征提取过程中简单方便,与其他方法相比无需复杂的算法,减小了图像特征提取的难度。
附图说明
图1为本发明所述一种基于主成分分析法的叉形干涉图像特征提取方法的叉形干涉图像示意图;
图2(a)为理论上光束2与光束1之间的相位差为90°时的叉形干涉图像;图2(b)为理论上光束2与光束1之间的相位差为180°时的叉形干涉图像;图2(c)为理论上光束2与光束1之间的相位差为270°时的叉形干涉图像;
图3为利用主成分分析法得到的各主成分贡献率情况,左侧纵坐标值表示各主成分对应的特征值,右侧纵坐标表示各主成分对应的贡献率;
图4(a)为进行主成分分析后不同相位差下的强度变化,图中上侧两相交曲线为第一主成分,下侧曲线为第二主成分;图4(b)为第二主成分在不同相位差下的强度变化;图4(c)为光束2与光束1相位差与叉形干涉图像强度变化关系;
图5(a)为实验过程中得到的叉形干涉图像;图5(b)为中值滤波、均值滤波后的叉形干涉图像;图5(c)为图像增强后的叉形干涉图像;
图6(a)为利用主成分分析法对实验过程中得到的叉形干涉图像进行分析得到的各主成分贡献率情况;图6(b)为对实验图像进行主成分分析后不同相位差下的强度变化,图中上侧两相交曲线为第一主成分,下侧曲线为第二主成分;图6(c)为实验图像下光束2与光束1相位差与叉形干涉图像强度变化关系。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述。
实施例1
本发明提出一种基于主成分分析法的叉形干涉图像特征提取方法,并对实验过程中的叉形干涉图像进行分析,验证了这种干涉图像特征提取方法的可行性。
如图1所示为一种基于主成分分析法的叉形干涉图像特征提取方法的叉形干涉图像示意图。叉形干涉图像是由平面波光束1和涡旋光束2同时入射到分光板上发生干涉形成,光束2与光束1之间存在相位差。
图2(a)-(c)为光束2与光束1之间的相位差分别为90°、180°、270°时的叉形干涉图样。随着相位差的增加,干涉图像分叉点不断向左移动,分叉点两侧强度值不断变化,如图2(a)-(c)所示。为准确提取出叉形干涉图样所包含的信息,本方案采用主成分分析法对叉形干涉图像进行分析。
读取干涉图像并显示,利用主成分分析法对叉形干涉图像中原变量加以改造,在不损失原变量85%以上信息情况下尽可能地降低原变量的维数,把多个变量转化为少数几个主成分,这些主成分能够反映原始变量的信息,利用主成分分析法得到各主成分贡献率如图3所示。图3中左侧纵坐标值表示各主成分对应的特征值,右侧纵坐标表示各主成分对应的贡献率,贡献率越大表明反映叉形干涉图像信息能力越强。通常条件下,选取主成分累计贡献率达到85%以上,这样既能使损失信息较少,又达到减少变量的目的。由图3可知,第一主成分和第二主成分贡献率之和为97.1%,故选取前第一、第二主成分对叉形干涉图像进一步分析,分析结果如图4所示。
图4(a)为进行主成分分析后不同相位差下的强度变化,图中上侧两相交曲线为第一主成分曲线,下侧曲线为第二主成分曲线,当光束2和光束1之间的相位差为90°和270°时,利用主成分分析法对这两种情况下得到的叉形干涉图像进行分析,所得到的两条第一主成分曲线有1个交点。当两束光相位差为90°时,干涉图像右半侧沿y轴方向强度变化为由上及下,左半侧由下及上,分叉点两侧强度变化趋势相反,此时分叉点略偏右,故其整体变化趋势为由上及下;同理可得,当两束光相位差为270°时,干涉图像沿y轴方向强度变化为由下及上。因此,两条第一主成分曲线的交点即为叉形干涉图像的特征点。
叉形干涉图像的特征点对应第二主成分曲线上强度值的变化,不同相位差下叉形干涉图像的特征点对应第二主成分曲线上的强度值不同,如图4(b)所示。根据叉形干涉图像的特征点对应于不同相位差下第二主成分的强度变化曲线,从而确定两束光相位差与叉形干涉图像的对应关系,如图4(c)所示。由图4(c)可得,光束2与光束1之间的相位差与叉形干涉图像特征点的对应关系。
为验证本方法的合理性和可行性,对实验过程中得到的叉形干涉图像进行主成分分析。图5(a)为实验过程中得到的叉形干涉图像。为保证图像特征提取的准确性,对实验中的叉形干涉图像进行中值滤波、均值滤波等处理,上述中值滤波的模板尺寸为3×3,均值滤波的模板尺寸为3×3,图像增强处理过程中校正灰度系数为0.9,在最大限度的保持图像精度的基础上去除图像噪声,保证图像的清晰度,处理结果如图5(b)所示。图5(c)为图像增强后的叉形干涉图像,提高图像的可读性和处理性。
在此基础上,利用主成分分析法对实验过程中得到的叉形干涉图像进行分析,得到的各主成分贡献率情况如图6(a)所示。由图6(a)可知,第一主成分和第二主成分累积贡献率为94.1%,故选取前第一主成分、第二主成分进行分析,分析结果如图6(b)所示。参考图4理论分析过程可知,图6(b)中两条第一主成分曲线的交点即为叉形干涉图像的特征点,它对应第二主成分曲线上强度值的变化。根据此原理,得到两束光相位差与叉形干涉图像的对应关系如图6(c)所示。由图6(c)可知,实验条件下光束2与光束1相位差与叉形干涉图像特征点之间的对应关系,且线性度较好。根据以上分析,通过仿真和实验条件下的叉形干涉图像处理结果可知,理论与实验结果基本一致,进一步验证本发明提出的一种基于主成分分析法的叉形干涉图像特征提取方法的可行性。
由于采用了上述技术方案,本发明提供的一种基于主成分分析法的叉形干涉图像特征提取方法,提取到的图像特征信息明显,能快速、准确获取图像特征信息,具有高精度、动态范围大等优点,更适用于实际工程应用中;利用两束光的干涉原理,当两束光的相位差变化时,导致叉形干涉图像发生移动,此方法可用于提取两束光干涉后的叉形干涉图像信息,使数字图像处理技术更加广泛的应用于精密测量领域;引入主成分分析法,在验证过程中又引入中值滤波、均值滤波、图像增强等图像处理技术来改善图像特征提取的准确性,解决传统干涉图像信噪比低、提取误差大,导致其应用场合受限的问题;图像特征提取过程中简单方便,与其他方法相比无需复杂的算法,减小了图像特征提取的难度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于主成分分析法的叉形干涉图像特征提取方法,其特征在于,包括以下步骤:
步骤一:将存在相位差的两条光强相同的光束在分光板处发生干涉形成叉形干涉图像,所述分光板的透反比为1:1;读取叉形干涉图像并显示;
步骤二:利用主成分分析法减少叉形干涉图像中的原变量,即选取累计贡献率达到85%以上的前两个成分作为主成分,其中贡献率大的为第一主成分,贡献率小的为第二主成分;
步骤三:在两个不同相位差下,第一主成分的强度变化曲线的交点为叉形干涉图像的特征点,其中一个相位差的取值区间为[0°,180°),另一个相位差的取值区间为(180°,360°];
步骤四:将叉形干涉图像的特征点对应于不同相位差下第二主成分的强度变化曲线,从而确定两束光相位差与叉形干涉图像的对应关系。
2.根据权利要求1所述的一种基于主成分分析法的叉形干涉图像特征提取方法,其特征在于,步骤一所述的两条光束,分别为平面波光束与涡旋光束。
3.根据权利要求1或2所述的一种基于主成分分析法的叉形干涉图像特征提取方法,其特征在于,将步骤一中读取得到的叉形干涉图像依次进行中值滤波、均值滤波和图像增强处理后再应用于步骤二。
4.根据权利要求3所述的一种基于主成分分析法的叉形干涉图像特征提取方法,其特征在于,中值滤波的模板尺寸为3×3、5×5或者9×9;均值滤波的模板尺寸为3×3、5×5或者9×9;图像增强处理过程中校正灰度系数为0.5~1.0。
5.根据权利要求4所述的一种基于主成分分析法的叉形干涉图像特征提取方法,其特征在于,图像增强处理过程中校正灰度系数为0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710397514.9A CN107316039B (zh) | 2017-06-02 | 2017-06-02 | 一种基于主成分分析法的叉形干涉图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710397514.9A CN107316039B (zh) | 2017-06-02 | 2017-06-02 | 一种基于主成分分析法的叉形干涉图像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316039A CN107316039A (zh) | 2017-11-03 |
CN107316039B true CN107316039B (zh) | 2020-07-24 |
Family
ID=60181534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710397514.9A Expired - Fee Related CN107316039B (zh) | 2017-06-02 | 2017-06-02 | 一种基于主成分分析法的叉形干涉图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316039B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011132586A1 (ja) * | 2010-04-23 | 2011-10-27 | 浜松ホトニクス株式会社 | 細胞観察装置および細胞観察方法 |
CN103778650A (zh) * | 2013-10-25 | 2014-05-07 | 南京农业大学 | 主成分分析相位恢复算法 |
CN106441082A (zh) * | 2016-10-08 | 2017-02-22 | 南方科技大学 | 一种相位恢复方法及装置 |
CN106529545A (zh) * | 2016-09-26 | 2017-03-22 | 北京林业大学 | 一种基于图像特征描述的散斑图像质量识别方法及系统 |
CN106683080A (zh) * | 2016-12-15 | 2017-05-17 | 广西师范大学 | 一种视网膜眼底图像预处理方法 |
-
2017
- 2017-06-02 CN CN201710397514.9A patent/CN107316039B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011132586A1 (ja) * | 2010-04-23 | 2011-10-27 | 浜松ホトニクス株式会社 | 細胞観察装置および細胞観察方法 |
CN103778650A (zh) * | 2013-10-25 | 2014-05-07 | 南京农业大学 | 主成分分析相位恢复算法 |
CN106529545A (zh) * | 2016-09-26 | 2017-03-22 | 北京林业大学 | 一种基于图像特征描述的散斑图像质量识别方法及系统 |
CN106441082A (zh) * | 2016-10-08 | 2017-02-22 | 南方科技大学 | 一种相位恢复方法及装置 |
CN106683080A (zh) * | 2016-12-15 | 2017-05-17 | 广西师范大学 | 一种视网膜眼底图像预处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107316039A (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580480B (zh) | 基于图像处理的表计读数识别方法 | |
CN105260709B (zh) | 基于图像处理的水表检定方法、装置及系统 | |
CN108955734B (zh) | 一种光纤f-p温度/压力复合传感器的腔长解调方法 | |
CN104634460B (zh) | 一种分布式fbg传感网络多峰自适应精确寻峰方法 | |
CN106651828B (zh) | 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法 | |
CN102032875B (zh) | 一种基于图像处理的电缆护套厚度测量方法 | |
CN102944252B (zh) | 一种基于平移不变量小波的fbg信号处理方法 | |
CN108759709A (zh) | 一种适用于表面形貌检测的白光干涉三维重建方法 | |
CN106813596A (zh) | 一种自标定阴影莫尔三维轮廓测量方法 | |
CN102799867A (zh) | 基于图像处理的仪表指针转角识别方法 | |
CN103455813A (zh) | 一种ccd图像测量系统光斑中心定位的方法 | |
CN106643965B (zh) | 一种利用模板匹配精确识别液位的方法 | |
CN103400388A (zh) | 一种利用RANSAC消除Brisk关键点错误匹配点对的方法 | |
CN111181634B (zh) | 一种分布式光纤振动信号快速定位方法 | |
CN111260776A (zh) | 一种自适应正态分析的三维形貌重建方法 | |
CN107316039B (zh) | 一种基于主成分分析法的叉形干涉图像特征提取方法 | |
CN111415378B (zh) | 用于汽车玻璃检测的图像配准方法及汽车玻璃检测方法 | |
CN111964586A (zh) | 一种基于随机噪声修正的白光干涉信号处理方法 | |
WO2023124867A1 (zh) | 基于伪Wigner-Ville分布的白光扫描干涉三维重建方法 | |
CN110907984A (zh) | 一种基于自回归移动平均模型的震前红外长波辐射异常信息探测方法 | |
CN105783785A (zh) | 一种小波脊相位提取方法 | |
CN105868750B (zh) | 基于先验信息的表盘指针识别方法 | |
CN104279956A (zh) | 一种岩石结构面表面基准面的确定方法 | |
CN106780562A (zh) | 一种基于像差图图像处理的主轴回转误差新算法 | |
CN108008398A (zh) | 一种应用于激光雷达的计时方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200724 |