CN110084265B - 机器学习低质量大变化密度光学条纹图信息提取方法 - Google Patents

机器学习低质量大变化密度光学条纹图信息提取方法 Download PDF

Info

Publication number
CN110084265B
CN110084265B CN201910177872.8A CN201910177872A CN110084265B CN 110084265 B CN110084265 B CN 110084265B CN 201910177872 A CN201910177872 A CN 201910177872A CN 110084265 B CN110084265 B CN 110084265B
Authority
CN
China
Prior art keywords
density
sub
window
fringe pattern
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.)
Active
Application number
CN201910177872.8A
Other languages
English (en)
Other versions
CN110084265A (zh
Inventor
唐晨
陈明明
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201910177872.8A priority Critical patent/CN110084265B/zh
Publication of CN110084265A publication Critical patent/CN110084265A/zh
Application granted granted Critical
Publication of CN110084265B publication Critical patent/CN110084265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B9/00Measuring instruments characterised by the use of optical techniques
    • G01B9/02Interferometers
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B9/00Measuring instruments characterised by the use of optical techniques
    • G01B9/02Interferometers
    • G01B9/02094Speckle interferometers, i.e. for detecting changes in speckle pattern
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及光学检测和光信息处理技术领域,为提出基于机器学习提出新的光条纹图信息提取方法,包括新的条纹方向和密度计算方法和新的条纹图去噪方法,用于提取低质量大变化密度光条纹图信息。为此,本发明采取的技术方案是:机器学习低质量大变化密度光学条纹图信息提取方法,通过机器学习的方法将一幅大变化密度条纹图分为两幅或更多幅密度均匀的子图像,然后,选择合适的光信息提取方法分别处理密度均匀的图像,从而降低大变化密度光条纹图信息提取的难度,提高大变化密度光条纹图信息提取的精度。本发明主要应用于光学检测和光信息处理场合。

Description

机器学习低质量大变化密度光学条纹图信息提取方法
技术领域
本发明涉及光学检测和光信息处理技术领域,具体讲,涉及一种基于机器学习的低质量大变化密度光学条纹图信息提取方法。
背景技术
光学测量技术具有全场、非接触、精度高等优点,在实验力学、材料力学、航空航天、微机电系统等领域得到广泛应用。基于光学干涉技术的光学测试技术是光学测试技术中的关键技术,光学干涉技术主要有:云纹干涉法、全息干涉法、电子散斑干涉法、剪切电子散斑干涉测试技术。光学干涉技术利用光的干涉原理对被测物体进行精密测量,测量精度达到波长级别。测量的结果最终以光学干涉条纹图的形式呈现,被测物理量包含在光学干涉条纹图中,因此,对光学干涉条纹图的分析是提取被测物体信息的主要手段。然而,随着现代科学技术的飞速发展,从工程及应用科学方面提出的测试问题越来越多,产生的条纹图也越来越复杂。尽管目前光条纹图信息提取方法取得了很大进展,但对低质量大变化密度的光条纹图信息提取依然是光学测试领域的难点,现有的方法在对低质量大变化密度条纹图进行处理时很难保证兼顾粗细条纹信息均高质量地提取出来。
如今,机器学习领域的研究与应用取得了巨大进展。机器学习是指通过计算机学习数据中的内在规律性信息,获得新的经验和知识,以提高计算机的智能性,使计算机能够像人那样去决策。根据处理的数据是否存在人为标注主要分为监督学习和无监督学习。监督学习常用于分类问题和回归问题,常见算法有Logistic Regression(逻辑回归)和BackPropagation Neural Network(反向传递神经网络);无监督学习主要用于关联规则和聚类问题,常见算法有Apriori(关联规则)和Fuzzy C-means clustering(模糊C均值聚类)。
低密度大变化密度光条纹图信息提取远比一般密度光条纹图困难,甚至比高密度光条纹图信息提取困难,是具有挑战性的问题,而机器学习是目前应用前景非常广阔的方法。因此,基于机器学习提出更先进的光条纹图信息提取方法,让光信息提取更智能,更准确,对推动光测技术的发展具有非常重要的意义。
发明内容
为克服现有技术的不足,本发明旨在提出基于机器学习提出新的光条纹图信息提取方法,包括新的条纹方向和密度计算方法和新的条纹图去噪方法,用于提取低质量大变化密度光条纹图信息。为此,本发明采取的技术方案是:机器学习低质量大变化密度光学条纹图信息提取方法,通过机器学习的方法将一幅大变化密度条纹图分为两幅或更多幅密度均匀的子图像,然后,选择合适的光信息提取方法分别处理密度均匀的图像,从而降低大变化密度光条纹图信息提取的难度,提高大变化密度光条纹图信息提取的精度。本发明方法的具体步骤如下:
(1)输入一幅大变化密度图像f;
(2)利用机器学习方法将f分为密度均匀的子图像fi,i=1,2,…,C,C为子图像的个数;
(3)选取合适的条纹方向的计算方法分别提取子图像fi的方向信息oi,将各子图像的方向信息叠加得到输入图像f的方向信息O=o1+o2+…+oC
(4)选取合适的条纹密度的计算方法分别提取子图像fi的密度信息qi,将各子图像的密度信息叠加得到输入图像f的密度信息Q=q1+q2+…+qC
(5)选取合适的条纹图滤波方法对子图像fi分别进行滤波处理得滤波图像Fi,将各子图像的滤波结果叠加得到输入图像f的滤波结果F=F1+F2+…+FC
进一步地具体步骤如下:
(1)输入一幅低质量大变化密度电子散斑干涉图f(x,y),x=1,…,m;y=1,…,n,m,n为图像f(x,y)的尺寸;
(2)以像素点(x,y)为中心,x=1,…,m;y=1,…,n,建立a1×b1的窗口,a1,b1为窗口长和宽,计算窗口内所有像素点的灰度共生矩阵,
Figure BDA0001990244990000021
其中,S为a1×b1的窗口中具有特定空间联系的像素对的集合,g1和g2分别代表两种灰度级,(x1,y1),(x2,y2)代表窗口内两个不同的像素位置坐标,&表示逻辑并运算,#(·)代表集合中元素的个数。生成方向分别为0°,45°,90°,135°,生成步长为1;
(3)计算以像素点(x,y)为中心窗口内纹理特征量W,
Figure BDA0001990244990000022
WCon为对比度,WHom为同质度,WCor为相关性和WEne为能量,每个特征量为该窗口内计算所得该特征量的均值,W即为像素点(x,y)的特征量:
Figure BDA0001990244990000023
Figure BDA0001990244990000024
Figure BDA0001990244990000025
其中,
Figure BDA0001990244990000026
Figure BDA0001990244990000027
Figure BDA0001990244990000028
(4)利用Fuzzy C-means clustering算法将纹理特征量W进行聚类,按照聚类的结果将输入图像自动分为两个或多个密度均匀的子图;
(5)利用快速傅里叶法求每个子图像方向信息:
对图像fi(x,y),i=1,…,C,选取一个大小为a2×b2像素、中心点为(x,y)的矩形窗,(l,r)为窗口内的像素点,a2,b2为窗口的长和宽:
Figure BDA0001990244990000031
其中,角度θl,r=tan-1(l,r),E(ξlr)为功率谱,(ξkr)代表窗内离散的空间频率,则输入图像f(x,y)的方向O=o1+o2+…+oC
(6)利用累积平方差方法求每个子图像密度信息:
对图像fi(x,y),i=1,…,C,选取一个大小为a3×b3像素、中心点为(x,y)的矩形窗,(l,r)为窗口内的像素点,a3,b3为窗口的长和宽:
Figure BDA0001990244990000032
其中f00、f45、f90和f135分别代表像素点(l,r)沿四个方向0°、45°、90°和135°的灰度方差,则输入图像f(x,y)的密度为Q=q1+q2+…+qC
(7)利用二阶单方向偏微分方程法对子图像进行滤波:
Figure BDA0001990244990000033
fxx,fyy,fxy是f(x,y)的二阶偏导数,θ表示条纹的切线方向与x轴的夹角,
F=F1+F2+…+Fn
步骤(4)细化如下:
设W=(wxy)m×n,wxy表示像素(x,y)处的特征值,m×n=N,假设把W分为C类(2≤C≤m),其分类结果可用一个C×N阶的矩阵U来表示;
(4-1):初始化隶属矩阵U=(uij)C×N,其中uij满足
Figure BDA0001990244990000034
且uij∈[0,1],j=1,2,…,N;
(4-2):计算C个聚类中心ci,其中
Figure BDA0001990244990000035
(4-3):计算泛函
Figure BDA0001990244990000036
其中dij=||ci-wj||为第i个聚类中心与第j个样本点间的欧几里得距离,如果J相对于上次泛函值的改变量小于某个阈值,则计算停止,否则重新计算U,
Figure BDA0001990244990000041
返回步骤(4-2);
(4-4):分类
将U的每个行向量ui,i=1,…,C转换为m×n阶矩阵Ai=(axy)m×n=reshape(ui),x=1,…,m;y=1,…,n.如果a(x,y)∈Ci,则f(x,y)∈Ci,即把输入大变化密度图像分为C个密度均匀的子图像fi(x,y),i=1,…,C。
本发明的特点及有益效果是:
可以把一幅低质量大变化密度光学条纹图像通过机器学习的方法分为两幅或更多幅密度均匀的子图像,然后选择合适的方法分别对子图像进行信息提取,此方法大大的降低了大变化密度条纹图信息提取的难度,提高大变化密度条纹图信息提取的精度,使光条纹图信息处理更简单,更智能。
附图说明:
图1方法流程图;
图2电子散斑干涉模拟图;
图3不同密度子图;
图4方向图;
图5密度图;
图6滤波结果;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合具体实施方式对本发明作进一步详细地描述,该实施例中条纹图选择电子散斑干涉条纹图,机器学习方法选择Fuzzy C-means clustering,纹理特征选择灰度共生矩阵的特征量(对比度,同质度,相关性和能量)来描述,子图像条纹图方向计算方法选择快速傅里叶法(Fast FourierTransform Method,简称FFT),密度计算方法选择各累积平方差方法(AccumulateDifferences Method,简称ADM),滤波方法选择二阶单方向偏微分方程法(Second-OrderOriented Partial Differential Equation,简称SOOPDE)。
实施例具体步骤如下:
(1)输入一幅低质量大变化密度电子散斑干涉图f(x,y),x=1,…,m;y=1,…,n。m,n为图像f(x,y)的尺寸;
(2)以像素点(x,y)为中心,x=1,…,m;y=1,…,n,建立a1×b1的窗口,a1,b1为窗口长和宽,计算窗口内所有像素点的灰度共生矩阵,
Figure BDA0001990244990000051
其中,S为a1×b1的窗口中具有特定空间联系的像素对的集合,g1和g2分别代表两种灰度级,(x1,y1),(x2,y2)代表窗口内两个不同的像素位置坐标,&表示逻辑并运算,#(·)代表集合中元素的个数。生成方向分别为0°,45°,90°,135°,生成步长为1。
(3)计算以像素点(x,y)为中心窗口内纹理特征量W,
Figure BDA0001990244990000052
WCon为对比度,WHom为同质度,WCor为相关性和WEne为能量,每个特征量为该窗口内计算所得该特征量的均值。W即为像素点(x,y)的特征量。
Figure BDA0001990244990000053
Figure BDA0001990244990000054
Figure BDA0001990244990000055
其中,
Figure BDA0001990244990000056
Figure BDA0001990244990000057
Figure BDA0001990244990000058
(4)利用Fuzzy C-means clustering算法将纹理特征量W进行聚类,按照聚类的结果将输入图像自动分为两个或多个密度均匀的子图,具体步骤如下:
设W=(wxy)m×n,wxy表示像素(x,y)处的特征值。m×n=N假设把W分为C类(2≤C≤m),其分类结果可用一个C×N阶的矩阵U来表示。
(4-1):初始化隶属矩阵U=(uij)C×N,其中uij满足
Figure BDA0001990244990000059
且uij∈[0,1],j=1,2,…,N;
(4-2):计算C个聚类中心ci,其中
Figure BDA00019902449900000510
一般取模糊指数m=2;
(4-3):计算泛函
Figure BDA00019902449900000511
其中dij=||ci-wj||为第i个聚类中心与第j个样本点间的欧几里得距离。如果J相对于上次泛函值的改变量小于某个阈值,则计算停止。否则重新计算U,
Figure BDA0001990244990000061
返回步骤(4-2)。
(4-4):分类
将U的每个行向量ui,i=1,…,C转换为m×n阶矩阵Ai=(axy)m×n=reshape(ui),x=1,…,m;y=1,…,n.如果a(x,y)∈Ci,则f(x,y)∈Ci,即可把输入大变化密度图像分为C个密度均匀的子图像fi(x,y),i=1,…,C。
(5)利用快速傅里叶法求每个子图像方向信息:
对图像fi(x,y),i=1,…,C,选取一个大小为a2×b2像素、中心点为(x,y)的矩形窗,(l,r)为窗口内的像素点,a2,b2为窗口的长和宽。
Figure BDA0001990244990000062
其中,θl,r=tan-1(l,r),E(ξlr)为功率谱,(ξlr)代表窗内离散的空间频率。则输入图像f(x,y)的方向O=o1+o2+…+oC
(6)利用累积平方差方法求每个子图像密度信息:
对图像fi(x,y),i=1,…,C,选取一个大小为a3×b3像素、中心点为(x,y)的矩形窗,(l,r)为窗口内的像素点,a3,b3为窗口的长和宽:
Figure BDA0001990244990000063
其中f00、f45、f90和f135分别代表像素点(l,r)沿四个方向0°、45°、90°和135°的灰度方差。则输入图像f(x,y)的密度为Q=q1+q2+…+qC
(7)利用二阶单方向偏微分方程法对子图像进行滤波:
Figure BDA0001990244990000064
fxx,fyy,fxy是f(x,y)的二阶偏导数,θ表示条纹的切线方向与x轴的夹角,
F=F1+F2+…+Fn
下面结合具体的附图对实施例1中的方案进行可行性验证,详见下文描述:
采用本发明实施提供的方向、密度计算方法及滤波方法可以将大变化密度的电子散斑干涉条纹图(如图2(a)(b)所示)进行相应的信息提取,图3是经过聚类将图2(a)和(b)分别分为高密度子图和低密度子图。图4是对图2(a)(b)计算条纹方向的结果,图5是对图2(a)(b)计算条纹密度的结果,图6是对图2(a)(b)滤波后的结果。由图3-6可以看出,本发明所提出的方法可以准确的计算出大变化密度条纹图的方向、密度,并可以取得良好的滤波效果,这里需要指出的是,本发明目的在于将大变化密度条纹图通过聚类算法分为密度均匀的子图像,然后分别对子图像进行信息提取,提取的效果根据所选择的提取方法不同而有所不同,本发明的方法效果亦可随着更先进的光信息提取方法的提出而提高。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (1)

1.一种机器学习低质量大变化密度光学条纹图信息提取方法,其特征是,通过机器学习的方法将一幅大变化密度条纹图分为两幅或更多幅密度均匀的子图像,然后,选择合适的光信息提取方法分别处理密度均匀的图像,从而降低大变化密度光条纹图信息提取的难度,提高大变化密度光条纹图信息提取的精度;具体步骤细化如下:
(1)输入一幅大变化密度图像f;
(2)利用机器学习方法将f分为密度均匀的子图像fi,i=1,2,,C,C为子图像的个数;
(3)选取合适的条纹方向的计算方法分别提取子图像fi的方向信息oi,将各子图像的方向信息叠加得到输入图像f的方向信息O=o1+o2+…+oC
(4)选取合适的条纹密度的计算方法分别提取子图像fi的密度信息qi,将各子图像的密度信息叠加得到输入图像f的密度信息Q=q1+q2+…+qC
(5)选取合适的条纹图滤波方法对子图像fi分别进行滤波处理得滤波图像Fi,将各子图像的滤波结果叠加得到输入图像f的滤波结果F=F1+F2++FC
进一步地具体步骤如下:
(1)输入一幅低质量大变化密度电子散斑干涉图f(x,y),x=1,,m;y=1,,n,m,n为图像f(x,y)的尺寸;
(2)以像素点(x,y)为中心,x=1,,m;y=1,,n,建立a1×b1的窗口,a1,b1为窗口长和宽,计算窗口内所有像素点的灰度共生矩阵,
Figure FDA0004153038640000011
其中,S为a1×b1的窗口中具有特定空间联系的像素对的集合,g1和g2分别代表两种灰度级,(x1,y1),(x2,y2)代表窗口内两个不同的像素位置坐标,&表示逻辑并运算,#(·)代表集合中元素的个数;生成方向分别为0°,45°,90°,135°,生成步长为1;
(3)计算以像素点(x,y)为中心窗口内纹理特征量W,
Figure FDA0004153038640000012
WCon为对比度,WHom为同质度,WCor为相关性和WEne为能量,每个特征量为该窗口内计算所得该特征量的均值,W即为像素点(x,y)的特征量:
Figure FDA0004153038640000013
Figure FDA0004153038640000014
Figure FDA0004153038640000015
其中,
Figure FDA0004153038640000021
Figure FDA0004153038640000022
Figure FDA0004153038640000023
(4)利用Fuzzy C-means clustering算法将纹理特征量W进行聚类,按照聚类的结果将输入图像自动分为两个或多个密度均匀的子图;
(5)利用快速傅里叶法求每个子图像方向信息:
对图像fi(x,y),i=1,,C,选取一个大小为a2×b2像素、中心点为(x,y)的矩形窗,(l,r)为窗口内的像素点,a2,b2为窗口的长和宽:
Figure FDA0004153038640000024
其中,角度θl,r=tan-1(l,r),E(ξlr)为功率谱,(ξkr)代表窗内离散的空间频率,则输入图像f(x,y)的方向O=o1+o2+…+oC
(6)利用累积平方差方法求每个子图像密度信息:
对图像fi(x,y),i=1,,C,选取一个大小为a3×b3像素、中心点为(x,y)的矩形窗,(l,r)为窗口内的像素点,a3,b3为窗口的长和宽:
Figure FDA0004153038640000025
其中f00、f45、f90和f135分别代表像素点(l,r)沿四个方向0°、45°、90°和135°的灰度方差,则输入图像f(x,y)的密度为Q=q1+q2+…+qC
(7)利用二阶单方向偏微分方程法对子图像进行滤波:
Figure FDA0004153038640000026
fxx,fyy,fxy是f(x,y)的二阶偏导数,θ表示条纹的切线方向与x轴的夹角,
F=F1+F2+…+Fn
步骤(4)细化如下:
设W=(wxy)m×n,wxy表示像素(x,y)处的特征值,m×n=N,假设把W分为C类,2≤C≤m,其分类结果可用一个C×N阶的矩阵U来表示;
(4-1):初始化隶属矩阵U=(uij)C×N,其中uij满足
Figure FDA0004153038640000031
且uij∈[0,1],j=1,2,…,N;
(4-2):计算C个聚类中心ci,其中
Figure FDA0004153038640000032
(4-3):计算泛函
Figure FDA0004153038640000033
其中dij=||ci-wj||为第i个聚类中心与第j个样本点间的欧几里得距离,如果J相对于上次泛函值的改变量小于某个阈值,则计算停止,否则重新计算U,
Figure FDA0004153038640000034
返回步骤(4-2);
(4-4):分类
将U的每个行向量ui,i=1,,C转换为m×n阶矩阵Ai=(axy)m×n=reshape(ui),x=1,…,m;y=1,…,n,如果a(x,y)∈Ci,则f(x,y)∈Ci,即把输入大变化密度图像分为C个密度均匀的子图像fi(x,y),i=1,…,C。
CN201910177872.8A 2019-03-10 2019-03-10 机器学习低质量大变化密度光学条纹图信息提取方法 Active CN110084265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910177872.8A CN110084265B (zh) 2019-03-10 2019-03-10 机器学习低质量大变化密度光学条纹图信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910177872.8A CN110084265B (zh) 2019-03-10 2019-03-10 机器学习低质量大变化密度光学条纹图信息提取方法

Publications (2)

Publication Number Publication Date
CN110084265A CN110084265A (zh) 2019-08-02
CN110084265B true CN110084265B (zh) 2023-06-09

Family

ID=67412367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910177872.8A Active CN110084265B (zh) 2019-03-10 2019-03-10 机器学习低质量大变化密度光学条纹图信息提取方法

Country Status (1)

Country Link
CN (1) CN110084265B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657587A (zh) * 2015-01-08 2015-05-27 华中科技大学 一种激光条纹中心线的提取方法
CN106289051A (zh) * 2016-08-02 2017-01-04 天津大学 大变化密度电子散斑干涉条纹图的方向和密度处理方法
CN106767427A (zh) * 2016-11-11 2017-05-31 山东师范大学 利用涡旋光阵列奇异特性测量物体离面位移的方法及系统
CN106780584A (zh) * 2016-11-28 2017-05-31 国家海洋局第二海洋研究所 基于灰度共生矩阵的纹理方向精细估算方法
CN108986112A (zh) * 2018-07-04 2018-12-11 天津大学 基于剪切波变换和机器学习的不连续条纹滤波方法
CN109003296A (zh) * 2018-05-31 2018-12-14 南京航空航天大学 一种表征复原图像振铃效应的特征提取方法
CN109341548A (zh) * 2018-12-21 2019-02-15 福州大学 基于变密度条纹的三维振动视觉测量系统和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8876290B2 (en) * 2009-07-06 2014-11-04 Wavetec Vision Systems, Inc. Objective quality metric for ocular wavefront measurements

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657587A (zh) * 2015-01-08 2015-05-27 华中科技大学 一种激光条纹中心线的提取方法
CN106289051A (zh) * 2016-08-02 2017-01-04 天津大学 大变化密度电子散斑干涉条纹图的方向和密度处理方法
CN106767427A (zh) * 2016-11-11 2017-05-31 山东师范大学 利用涡旋光阵列奇异特性测量物体离面位移的方法及系统
CN106780584A (zh) * 2016-11-28 2017-05-31 国家海洋局第二海洋研究所 基于灰度共生矩阵的纹理方向精细估算方法
CN109003296A (zh) * 2018-05-31 2018-12-14 南京航空航天大学 一种表征复原图像振铃效应的特征提取方法
CN108986112A (zh) * 2018-07-04 2018-12-11 天津大学 基于剪切波变换和机器学习的不连续条纹滤波方法
CN109341548A (zh) * 2018-12-21 2019-02-15 福州大学 基于变密度条纹的三维振动视觉测量系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Variational image decomposition for estimation of fringe orientation and density from electronic speckle pattern interferometry fringe patterns with greatly variable density";Xia Chen 等;《Optics and Lasers in Engineering》;20160617;197-205页 *
"基于变分图像分解的ESPI与FPP条纹分析新方法研究";朱新军等;《中国博士学位论文全文数据库信息科技辑》;20160815;全文23-137页 *

Also Published As

Publication number Publication date
CN110084265A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
Mei et al. An unsupervised-learning-based approach for automated defect inspection on textured surfaces
Luo et al. Decomposition algorithm for depth image of human health posture based on brain health
CN109859245B (zh) 视频目标的多目标跟踪方法、装置及存储介质
US9002072B2 (en) System for detection of non-uniformities in web-based materials
Timm et al. Non-parametric texture defect detection using Weibull features
Li et al. Fabric defect detection based on biological vision modeling
CN110930387A (zh) 基于深度可分离卷积神经网络的织物疵点检测方法
CN109711437A (zh) 一种基于yolo网络模型的变压器部件识别方法
CN107622277B (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
Xie et al. Fabric defect detection method combing image pyramid and direction template
Meister et al. Cross-evaluation of a parallel operating SVM–CNN classifier for reliable internal decision-making processes in composite inspection
Peng et al. Automated product boundary defect detection based on image moment feature anomaly
Liang et al. Automatic defect detection of texture surface with an efficient texture removal network
Yang et al. A method for wafer defect detection using spatial feature points guided affine iterative closest point algorithm
Jin et al. Defect detection of printed circuit boards using efficientdet
Boss et al. Mammogram image segmentation using fuzzy clustering
Zahra et al. Efficient utilization of deep learning for the detection of fabric defects
Fan et al. Digital 3D system for classifying fabric pilling based on improved active contours and neural network
Tao et al. Anomaly detection for fabricated artifact by using unstructured 3D point cloud data
Chen et al. Wafer defect recognition method based on multi-scale feature fusion
Xin et al. Accurate and complete line segment extraction for large-scale point clouds
Jiang et al. Classification of surface defects based on improved Gabor filter
Liu et al. Neighbor reweighted local centroid for geometric feature identification
Liu et al. Automated phase segmentation and quantification of high-resolution TEM image for alloy design
CN110084265B (zh) 机器学习低质量大变化密度光学条纹图信息提取方法

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