CN110136215A - 一种磁流变抛光斑提取方法 - Google Patents
一种磁流变抛光斑提取方法 Download PDFInfo
- Publication number
- CN110136215A CN110136215A CN201910430190.3A CN201910430190A CN110136215A CN 110136215 A CN110136215 A CN 110136215A CN 201910430190 A CN201910430190 A CN 201910430190A CN 110136215 A CN110136215 A CN 110136215A
- Authority
- CN
- China
- Prior art keywords
- spot
- indicates
- indicate
- polishing spot
- polishing
- 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.)
- Granted
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 210000002569 neuron Anatomy 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract 2
- 230000008485 antagonism Effects 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004040 coloring Methods 0.000 claims description 10
- 230000008284 neuronal mechanism Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 241001062009 Indigofera Species 0.000 claims description 3
- 244000174681 Michelia champaca Species 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 108091008695 photoreceptors Proteins 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000003708 edge detection Methods 0.000 abstract description 4
- 210000004556 brain Anatomy 0.000 abstract description 3
- 210000000857 visual cortex Anatomy 0.000 abstract description 3
- 238000007517 polishing process Methods 0.000 abstract description 2
- 230000001405 anti-neuronal effect Effects 0.000 abstract 1
- 239000003086 colorant Substances 0.000 abstract 1
- 238000004886 process control Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种磁流变抛光斑提取方法，本发明的方法利用人类大脑视觉皮层中的双拮抗神经元的色彩和空间对抗机制对磁流变抛光斑进行边缘检测并进行提取，并利用该神经元的空间稀疏反应约束特点来抑制磁流变抛光斑中的噪声信号和其他干扰信息；本发明解决了目前人工手动提取磁流变抛光斑存在精度不够高、提取效率低问题，具有鲁棒性好、自动化程度高优点，提高了抛光工艺过程控制的准确性和可靠性。
Description
技术领域
本发明涉及基于计算机图像处理的光学制造技术领域，具体地，涉及一种基于双拮抗神经元机制和稀疏约束的磁流变抛光斑自动提取方法。
背景技术
磁流变抛光技术是一种利用磁流变抛光液的可控流变特性，保持抛光过程的稳定性，精确控制抛光头的运动轨迹和驻留时间实现确定量抛光的先进光学制造技术。其中，抛光斑的提取是磁流变抛光中驻留时间求解的前提条件，抛光斑提取的精度是影响抛光精度的关键因素。
目前，磁流变抛光过程中，磁流变抛光斑提取主要采用人工手动提取的方式，即分别通过激光干涉仪测量采斑样片采斑前后的面形数据，然后对采斑前后的面形数据相减，获得含有抛光斑和一定背景噪声信号的数据，最后通过相应软件手动框选想要提取的抛光斑。磁流变抛光斑在采集过程中由于受到抛光液流量波动、测量误差的影响，会引入噪声误差。手动提取抛光斑方式不能精准选择抛光斑区域和消除噪声误差影响，因而存在精度不够高、提取效率低等问题，影响了磁流变加工精度和效率。非专利文献如《Advancedtechniques for computer-controlled polishing》及《大口径光学元件磁流变抛光工艺软件设计》对抛光斑的提取过程进行了简单描述，但均未提出抛光斑自动提取的方法。
鉴于现有磁流变抛光斑提取方法的问题，亟需一种磁流变抛光斑高精度自动提取方法。
发明内容
针对现有磁流变抛光斑手动提取精度差、效率低问题，本发明提出了一种基于双拮抗神经元机制和稀疏约束的磁流变抛光斑自动提取方法。
本发明的技术方案为：基于双拮抗神经元机制和稀疏约束的磁流变抛光斑自动提取方法，包括以下步骤：
S1、获取采斑件面形数据：选取采斑样片，测量样片的初始面形，按照加工工艺参数对样片进行采斑，测量采斑后面形，并与初始面形测量数据进行差动法处理，获得面形误差相减后的采斑数据。
S2、采斑件面形数据向图像数据转换：将采斑件面形数据转化为图像数据，使用MATLAB 中的Imagesec函数将采斑数据矩阵按数值大小转化为对应的颜色值，并在坐标轴对应位置处以对应颜色染色，形成一幅彩色图像。
S3、分离出图像中的RGB三色分量：根据视觉系统锥形光感受器的颜色信息处理机制，将输入的彩色图像分离成三个部分，分别是红色分量IR(x,y),绿色分量IG(x,y)，蓝色分量IB(x,y)。
S4、利用双拮抗神经元机制提取抛光斑边缘特征：人类大脑视觉皮层中的双拮抗神经元具有中心-外周拮抗感受野的特点，因此我们可以采用如下公式(1)-(10)来提取抛光斑的边缘特征，即：
Ck(x,y；σ)＝Ik(x,y)*gf(x,y；σ)；k∈{r,g,b,y} (1)
其中，*表示卷积操作；Ik(x，y)表示(x，y)坐标下像素值；Ck(x，y；σ)表示高斯卷积计算； gf(x,y；σ)表示二维高斯卷积核；σ表示感受野尺度系数，σ的值恒定为1.1；r,g,b分别表示图像中的RGB三色分量。
Srg(x,y)＝ω1·Cr(x,y；σ)+ω2·Cg(x,y；σ) (3)
其中，ω1和ω2表示连接权值，ω1和ω2是一对相反数且绝对值在[0,1]之间的数值； Srg(x,y)表示双拮抗神经元对图像中的红色分量和绿色分量的响应；Cr(x,y；σ)表示红色分量下的二维高斯卷积计算；Cg(x,y；σ)表示绿色分量下的二维高斯卷积计算。
抛光斑信息具有颜色和空间上的特征，因此利用二维高斯偏导函数来提取颜色和空间特征，其计算公式可由(4)-(6)表示：
其中，γ表示控制椭圆形的高斯函数的空间纵横比；θ表示朝向；V(x,y；θ,σ)表示对 f(x,y；θ,σ)一阶高斯偏导；f(x,y；θ,σ)表示二维高斯函数；表示偏导方向；x表示在极坐标下沿着θ角x轴方向的变化值；表示在极坐标下沿着θ角轴y方向的变化值。
空间特征可以进一步使用定向信息来描述，感受野滤波器具有定向的特点，可由公式 (7)-(10)来表示：
Drg(x,y；θi,σ)＝Srg(x,y)*RF1(x,y；θi,σ)-Srg(x,y)*RF2(x,y；θi,σ) (7)
RF1(x,y；θi,σ)＝H(V(x,y；θi,σ)) (8)
RF2(x,y；θi,σ)＝H(-V(x,y；θi,σ)) (9)
其中，*表示卷积操作；θi的取值范围是[0，2π)；Drg(x,y；θi,σ)表示双拮抗神经元方向响应；RF1(x,y；θi,σ)表示正向感受野滤波器；RF2(x,y；θi,σ)表示反向感受野滤波器；s等于 V(x,y；θ,σ)；H(s)表示阈值计算，超过0则直接输出s的值，小于或等于则为0。
进一步增强方向信息可由最大池化操作来实现，如公式(11)所示：
表示双拮抗神经元方向的最大响应值；Nθ表示不同角度。
S5、利用空间稀疏约束抑制噪声纹理信息：S2步骤中还无法抑制图像中的噪声信息，因此基于人类视觉系统自然感知原理我们提出来一种空间稀疏约束方法来抑制这种噪声信息, 方法如下式(12)-(15)所示：
其中，表示图像的直方图；表示的均值；n表示的维度；表示稀疏约束后的响应；urg(x,y)表示位置化的稀疏约束；λ(x,y)表示位置系数；SDrg(x,y；σ)表示双拮抗神经元响应稀疏化的程度。
S6、抛光斑几何特征提取：完成抛光斑几何特征提取需要通过以下几步来完成:
S6.1利用如式(16)所示，分离出已提取出来的抛光斑轮廓图像与背景图像。
O(x，y，σ)＝max{SDc(x，yσ)|c∈{rg，gr，by，yb}} (16)
O(x,y；σ)表示双拮抗神经元响应稀疏化程度的最大值；rg表示红绿通道；gr表示绿红通道；by表示蓝黄通道；yb表示黄蓝通道。
S6.2基于抛光斑轮廓图像提取光斑的几何特征，比如面积，长，宽，高，质心等数据。
S6.3将分离出来的抛光斑轮廓图像与原始图像叠加形成一幅新的RGB图像，作为最终结果输出。
S7抛光斑文件输出：将提取的抛光斑保存成用户需要的的文件格式。
进一步的，步骤S4所述的提取空间和色彩特征中θ的取值范围为[0，2π]的所有实数。
进一步的，步骤S4所述的提取空间和色彩特征中σ的取值范围为[0,+∞)的所有实数。
进一步的，步骤S5所述的直方图中n的取值范围为[0,+∞)的所有整数。
本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明的方法利用双拮抗神经元机制对磁流变抛光斑图像边缘进行提取，有效利用了该神经元机制的颜色和空间上的特征，增强了边缘提取的效果，并且通过稀疏约束机制，增强了边缘检测的抗噪声干扰能力，提升算法的鲁棒性，边缘检测的准确性，由于没有训练过程，可对图像进行实时处理，提高了图像处理的效率。基于本发明的算法可嵌入相关磁流变抛光机床工艺软件中，应用到不同型号机床环境中。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；
图1为本发明实施磁流变抛光斑自动提取的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
磁流变抛光斑图像中往往包含不同类型噪声信息，如噪声纹理，噪声点，毛刺等不利于抛光斑边缘检测的像素点，且不同抛光斑具有不同的颜色和形状特征。基于此，本发明提出了一种基于双拮抗神经元机制和稀疏约束的磁流变抛光斑自动提取方法，如图1所示，包括以下步骤：
S1、获取采斑件面形数据：选取采斑样片，测量样片的初始面形，按照加工工艺参数对样片进行采斑，测量采斑后面形，并与初始面形测量数据进行差动法处理，获得面形误差相减后的采斑件面形数据。
S2、采斑件面形数据向图像数据转换：将S1的采斑数据按照图像化变换处理，获得一幅大小为551×552，具有噪声纹理，毛刺等特征的磁流变抛光斑面形彩色图像。
S3、分离出图像中的RGB三色分量：根据视觉系统锥形光感受器的颜色信息处理机制，将输入的彩色图像分离成三个部分，分别是红色分量IR(x,y),绿色分量IG(x,y)，蓝色分量IB(x,y)，具体以S2得到的图像中像素坐标为(118,114)的像素为准，分离出的红色分量IR(x,y),绿色分量IG(x,y)，蓝色分量IB(x,y)的值为(0,0.7176,0.7882)。
S4、利用双拮抗神经元机制提取抛光斑边缘特征：人类大脑视觉皮层中的双拮抗神经元具有中心-外周拮抗感受野的特点，因此我们可以采用如下公式(1)-(10)来提取抛光斑的边缘特征，即：
Ck(x,y；σ)＝Ik(x,y)*gf(x,y；σ)；k∈{r,g,b,y} (1)
其中*表示卷积操作,(x，y)表示像素的坐标信息；Ik(x，y)表示(x，y)坐标下像素值； Ck(x，y；σ)表示高斯卷积计算；gf(x,y；σ)表示二维高斯卷积核；σ表示感受野尺度系数，这里σ取值为1.8；r,g,b分别表示图像中的RGB三色分量。
Srg(x,y)＝ω1·Cr(x,y；σ)+ω2·Cg(x,y；σ) (3)
其中，ω1和ω2表示连接权值，ω1和ω2是一对相反数且绝对值在[0,1]之间的数值，这里取ω1为-0.7，ω2为0.7,；Srg(x,y)表示双拮抗神经元对图像中的红色分量和绿色分量的响应； Cr(x,y；σ)表示红色分量下的二维高斯卷积计算；Cg(x,y；σ)表示绿色分量下的二维高斯卷积计算。将S3中RGB值代入式(3)得到(0.0941,0.0.0784,0.0784)。
抛光斑信息具有颜色和空间上的特征，因此利用二维高斯偏导函数来提取颜色和空间特征，其计算公式可由(4)-(6)表示：
其中，γ表示控制椭圆形的高斯函数的空间纵横比；θ表示朝向，令其为0.04π；V(x,y；θ,σ) 表示对f(x,y；θ,σ)一阶高斯偏导；f(x,y；θ,σ)表示二维高斯函数；表示偏导方向；x表示在极坐标下沿着θ角x轴方向的变化值；表示在极坐标下沿着θ角轴y方向的变化值。通常设置为γ＝0.5，将以上参数代入公式(4)中进行计算，可得到一组高斯二阶偏导后的大小为 39×39的矩阵。空间特征可以进一步使用定向信息来描述，感受野滤波器具有定向的特点，可由公式(7)-(10)来表示：
Drg(x,y；θi,σ)＝Srg(x,y)*RF1(x,y；θi,σ)-Srg(x,y)*RF2(x,y；θi,σ) (7)
RF1(x,y；θi,σ)＝H(V(x,y；θi,σ)) (8)
RF2(x,y；θi,σ)＝H(-V(x,y；θi,σ)) (9)
其中，*表示卷积操作；θi的取值范围是[0，2π)，,这里取0.04π；Drg(x,y；θi,σ)表示双拮抗神经元方向响应；RF1(x,y；θi,σ)表示正向感受野滤波器；RF2(x,y；θi,σ)表示反向感受野滤波器；s等于V(x,y；θ,σ)；H(s)表示阈值计算，超过0则直接输出s的值，小于或等于则为0。
利用公式(4)计算的结果，将其代入公式(7)，结合输入抛光斑图像作为例子，可得到一个大小为28×28的数据矩阵。进一步增强方向信息可由最大池化操作来实现，如公式(11) 所示：
表示双拮抗神经元方向的最大响应值；Nθ表示不同角度。
利用公式(7)计算出的结果，可由公式(11)计算坐标位于(118,114)像素点处的结果为 0.0361。
S5、利用空间稀疏约束抑制噪声纹理信息：S2-S4步骤中还无法抑制图像中的噪声信息，因此基于人类视觉系统自然感知原理我们提出来一种空间稀疏约束方法来抑制这种噪声信息, 方法如下公式(12)-(15)所示:
其中，表示图像的直方图；表示的均值；n表示的维度；表示稀疏约束后的响应；urg(x,y)表示位置化的稀疏约束；λ(x,y)表示位置系数；SDrg(x,y；σ)表示双拮抗神经元响应稀疏化的程度。这里的实施例中n的取值为 50。利用输入抛光斑图像结合公式(11)计算出的结果，进一步代入到公式(12)中对噪声进行抑制，计算出的结果为0，则表明该坐标点(118,114)处的噪声得到了有效抑制。
S6、抛光斑几何特征提取：完成抛光斑几何特征提取需要通过以下几步来完成:
S6.1利用如公式(16)所示，分理出已提取出来的抛光斑轮廓图像与背景图像。
O(x,y；σ)＝max{SDc(x,y；σ)|c∈{rg,gr,by,yb}} (16)
O(x,y；σ)表示双拮抗神经元响应稀疏化程度的最大值；rg表示红绿通道；gr表示绿红通道；by表示蓝黄通道；yb表示黄蓝通道。这里具体以像素坐标(118,114)为准，得到的新的值为(0.094,0.094,0.094)。
S6.2基于抛光斑轮廓图像提取抛光斑的几何特征，比如面积，长，宽，高，质心等数据。其面积数据分别为8631,11887,7662,8938,12613,8624。
S6.3将分离出来的抛光斑轮廓图像与原始图像叠加形成一幅新的RGB图像作为最终结果输出,这里取像素坐标(118,114)，其RGB值分别为(0.094,0.8076,0.8922)。
S7抛光斑文件输出：将提取的抛光斑保存成用户需要的文件格式。
其中，在本申请实施例中，步骤S4所述的提取空间和色彩特征中θ的取值范围为[0，2π]的所有实数。
其中，在本申请实施例中，步骤S4所述的提取空间和色彩特征中σ的取值范围为[0,+∞) 的所有实数。
其中，在本申请实施例中，步骤S5所述的直方图中n的取值范围为[0,+∞)的所有整数。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种磁流变抛光斑提取方法，其特征在于，所述方法包括：
步骤S1、获取采斑件面形数据；
步骤S2、将采斑件面形数据向图像数据转换；
步骤S3、分离出图像数据中的RGB三色分量；
步骤S4、分别对分离出的图像数据中的RGB三色分量，利用双拮抗神经元机制提取出抛光斑边缘特征；
S5、对提取出的抛光斑边缘特征，利用空间稀疏约束抑制抛光斑中的噪声纹理信息：
S6、对抛光斑中的噪声纹理信息处理后的抛光斑图像进行几何特征提取。
2.根据权利要求1所述的磁流变抛光斑提取方法，其特征在于，所述步骤S1具体包括：选取采斑样片，测量样片的初始面形，按照加工工艺参数对样片进行采斑，测量采斑后面形，并与初始面形测量数据进行差动法处理，获得面形误差相减后的采斑件面形数据。
3.根据权利要求1所述的磁流变抛光斑提取方法，其特征在于，步骤S2具体包括：将采斑件面形数据矩阵按数值大小转化为对应的颜色值，并在坐标轴对应位置处以对应颜色染色，形成一幅彩色图像。
4.根据权利要求1所述的磁流变抛光斑提取方法，其特征在于，所述步骤S3具体包括：根据视觉系统锥形光感受器的颜色信息处理机制，将输入的彩色图像分离成三个部分，分别是红色分量IR(x,y)，绿色分量IG(x,y)，蓝色分量IB(x,y)，(x，y)表示像素的坐标位置。
5.根据权利要求1所述的磁流变抛光斑提取方法，其特征在于，采用如下公式(1)-(10)来提取抛光斑的边缘特征，即：
Ck(x,y；σ)＝Ik(x,y)*gf(x,y；σ)；k∈{r,g,b,y} (1)
其中，*表示卷积操作；Ik(x，y)表示(x，y)坐标下像素值；σ表示感受野尺度大小；Ck(x，y；σ)表示高斯卷积计算；gf(x,y；σ)表示二维高斯卷积核；r,g,b分别表示图像中的RGB三色分量；
Srg(x,y)＝ω1·Cr(x,y；σ)+ω2·Cg(x,y；σ) (3)
其中，ω1和ω2表示连接权值，ω1和ω2是一对相反数且绝对值在[0,1]之间的数值；Srg(x,y)表示双拮抗神经元对图像中的红色分量和绿色分量的响应；Cr(x,y；σ)表示红色分量下的二维高斯卷积计算；Cg(x,y；σ)表示绿色分量下的二维高斯卷积计算；
利用二维高斯偏导函数来提取抛光斑中的颜色和空间特征，计算公式可由(4)-(6)表示：
其中，γ表示控制椭圆形的高斯函数的空间纵横比；θ表示朝向；V(x,y；θ,σ)表示对f(x,y；θ,σ)一阶高斯偏导；f(x,y；θ,σ)表示二维高斯函数；表示偏导方向；x表示在极坐标下沿着θ角x轴方向的变化值；表示在极坐标下沿着θ角轴y方向的变化值；
空间特征进一步使用定向信息来描述，由公式(7)-(10)来表示：
Drg(x,y；θi,σ)＝Srg(x,y)*RF1(x,y；θi,σ)-Srg(x,y)*RF2(x,y；θi,σ) (7)
RF1(x,y；θi,σ)＝H(V(x,y；θi,σ)) (8)
RF2(x,y；θi,σ)＝H(-V(x,y；θi,σ)) (9)
其中，*表示卷积操作；θi的取值范围是[0，2π)；Drg(x,y；θi,σ)表示双拮抗神经元方向响应；RF1(x,y；θi,σ)表示正向感受野滤波器；RF2(x,y；θi,σ)表示反向感受野滤波器；s等于V(x,y；θ,σ)；H(s)表示阈值计算，超过0则直接输出s的值，小于或等于则为0。
6.根据权利要求5所述的磁流变抛光斑提取方法，其特征在于，进一步增强方向信息可由最大池化操作来实现，如公式(11)所示：
表示双拮抗神经元方向的最大响应值；Nθ表示不同角度。
7.根据权利要求1所述的磁流变抛光斑提取方法，其特征在于，利用空间稀疏约束方法来抑制这种噪声信息，方法如公式(12)-(15)所示：
其中，表示图像的直方图；表示的均值；n表示的维度；表示稀疏约束后的响应；urg(x,y)表示位置化的稀疏约束；λ(x,y)表示位置系数；SDrg(x,y；σ)表示双拮抗神经元响应稀疏化的程度。
8.根据权利要求1所述的磁流变抛光斑提取方法，其特征在于，抛光斑几何特征提取具体包括：
S6.1利用公式(16)所示，分离出已提取出来的抛光斑轮廓图像与背景图像；
O(x,y；σ)＝max{SDc(x,y；σ)|c∈{rg,gr,by,yb}} (16)
O(x,y；σ)表示双拮抗神经元响应稀疏化程度的最大值；rg表示红绿通道；gr表示绿红通道；by表示蓝黄通道；yb表示黄蓝通道；
S6.2基于抛光斑轮廓图像提取抛光斑的几何特征；
S6.3将分离出来的抛光斑轮廓图像与原始图像叠加形成一幅新的RGB图像，作为最终结果输出。
9.根据权利要求5所述的磁流变抛光斑提取方法，其特征在于，步骤S4所述的提取空间和色彩特征中θ的取值范围为[0，2π]的所有实数；步骤S4所述的提取空间和色彩特征中σ的取值范围为[0,+∞)的所有实数。
10.根据权利要求7所述的磁流变抛光斑提取方法，其特征在于，所述方法还包括步骤S7、抛光斑文件输出：将提取的抛光斑保存成预设文件格式输出；步骤S5所述的直方图中n的取值范围为[0,+∞)的所有整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910430190.3A CN110136215B (zh) | 2019-05-22 | 2019-05-22 | 一种磁流变抛光斑提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910430190.3A CN110136215B (zh) | 2019-05-22 | 2019-05-22 | 一种磁流变抛光斑提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110136215A true CN110136215A (zh) | 2019-08-16 |
| CN110136215B CN110136215B (zh) | 2021-11-02 |
Family
ID=67572533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910430190.3A Active CN110136215B (zh) | 2019-05-22 | 2019-05-22 | 一种磁流变抛光斑提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110136215B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6626742B2 (en) * | 2000-05-04 | 2003-09-30 | Mpm Ltd. | Polishing method and device |
| CN102225517A (zh) * | 2011-04-25 | 2011-10-26 | 中国科学院光电技术研究所 | 一种复合式回转对称去除函数的磁流变抛光工具 |
| CN102303224A (zh) * | 2011-05-31 | 2012-01-04 | 哈尔滨工业大学 | 一种光学零件加工与检测一体化制造装置及制造方法 |
| CN102990480A (zh) * | 2012-12-19 | 2013-03-27 | 中国人民解放军国防科学技术大学 | 基于离子束抛光的光学元件表面清洗方法 |
| CN103386640A (zh) * | 2013-07-29 | 2013-11-13 | 中国科学院长春光学精密机械与物理研究所 | 大口径反射镜加工机床精确对准方法 |
| CN104132944A (zh) * | 2014-07-11 | 2014-11-05 | 西安交通大学 | 一种检测球面光学元件亚表面损伤程度表征参数的方法 |
| CN106228547A (zh) * | 2016-07-15 | 2016-12-14 | 华中科技大学 | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 |
| CN106373132A (zh) * | 2016-08-30 | 2017-02-01 | 刘广海 | 基于抑制性中间神经元的边缘检测方法 |
| CN107175559A (zh) * | 2017-03-30 | 2017-09-19 | 中国工程物理研究院激光聚变研究中心 | 一种流体动压抛光方法及装置 |
| US20180017372A1 (en) * | 2016-07-12 | 2018-01-18 | Uchicago Argonne, Llc | Precision surface measurement in a vacuum |
| CN108942560A (zh) * | 2018-07-18 | 2018-12-07 | 江阴大手印精密材料科技发展有限公司 | 一种抛光装置 |
-
2019
- 2019-05-22 CN CN201910430190.3A patent/CN110136215B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6626742B2 (en) * | 2000-05-04 | 2003-09-30 | Mpm Ltd. | Polishing method and device |
| CN102225517A (zh) * | 2011-04-25 | 2011-10-26 | 中国科学院光电技术研究所 | 一种复合式回转对称去除函数的磁流变抛光工具 |
| CN102303224A (zh) * | 2011-05-31 | 2012-01-04 | 哈尔滨工业大学 | 一种光学零件加工与检测一体化制造装置及制造方法 |
| CN102990480A (zh) * | 2012-12-19 | 2013-03-27 | 中国人民解放军国防科学技术大学 | 基于离子束抛光的光学元件表面清洗方法 |
| CN103386640A (zh) * | 2013-07-29 | 2013-11-13 | 中国科学院长春光学精密机械与物理研究所 | 大口径反射镜加工机床精确对准方法 |
| CN104132944A (zh) * | 2014-07-11 | 2014-11-05 | 西安交通大学 | 一种检测球面光学元件亚表面损伤程度表征参数的方法 |
| US20180017372A1 (en) * | 2016-07-12 | 2018-01-18 | Uchicago Argonne, Llc | Precision surface measurement in a vacuum |
| CN106228547A (zh) * | 2016-07-15 | 2016-12-14 | 华中科技大学 | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 |
| CN106373132A (zh) * | 2016-08-30 | 2017-02-01 | 刘广海 | 基于抑制性中间神经元的边缘检测方法 |
| CN107175559A (zh) * | 2017-03-30 | 2017-09-19 | 中国工程物理研究院激光聚变研究中心 | 一种流体动压抛光方法及装置 |
| CN108942560A (zh) * | 2018-07-18 | 2018-12-07 | 江阴大手印精密材料科技发展有限公司 | 一种抛光装置 |
Non-Patent Citations (7)
| Title |
|---|
| KAI-FU YANG ET AL.: "Boundary Detection Using Double-Opponency and Spatial Sparseness Constraint", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| MARKUS SCHINHAERL 等: "Advanced techniques for computer-controlled polishing", 《SPIE》 * |
| 康桂文 等: "磁流变抛光光学表面加工面形控制技术研究", 《金刚石与磨料磨具工程》 * |
| 张云 等: "磁流变抛光工具及其去除函数", 《清华大学学报(自然科学版)》 * |
| 杨航 等: "通用磁流变抛光斑空间确定性创成方法", 《组合机床与自动化加工技术》 * |
| 赵子渊 等: "熔石英光学元件亚表面损伤评价与磁流变抛光抑制方法", 《激光杂志》 * |
| 郑楠 等: "大口径光学元件磁流变抛光工艺软件设计", 《强激光与粒子束》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110136215B (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Underwater image enhancement using adaptive retinal mechanisms | |
| JP4598778B2 (ja) | 画像の顕著性マップを生成する装置および方法 | |
| CN105869166B (zh) | 一种基于双目视觉的人体动作识别方法及系统 | |
| Kotwal et al. | Joint desmoking and denoising of laparoscopy images | |
| CN107798661A (zh) | 一种自适应的图像增强方法 | |
| JPWO2020003991A1 (ja) | 医療画像学習装置、方法及びプログラム | |
| CN101966083A (zh) | 异常皮肤面积计算系统及其计算方法 | |
| Mousavi et al. | Analysis of a robust edge detection system in different color spaces using color and depth images | |
| CN102982517A (zh) | 基于光谱与空间局部相关的遥感影像融合方法 | |
| US20150273336A1 (en) | Image Construction Game | |
| Fang et al. | From stereogram to surface: how the brain sees the world in depth. | |
| Wang et al. | Underwater color disparities: Cues for enhancing underwater images toward natural color consistencies | |
| CN102222231B (zh) | 一种基于背侧通路引导的视觉注意信息计算装置及其处理方法 | |
| CN112330790A (zh) | 基于对抗学习与自适应色度修正的ct图像自动着色方法 | |
| CN106251376A (zh) | 一种面向彩色结构光编码与边缘提取方法 | |
| CN114549669B (zh) | 一种基于图像融合技术的彩色三维点云获取方法 | |
| CN114897882A (zh) | 一种基于加权平均曲率滤波分解的遥感图像融合方法 | |
| Yang et al. | Research on digital camouflage pattern generation algorithm based on adversarial autoencoder network | |
| Clamens et al. | Real-time Multispectral Image Processing and Registration on 3D Point Cloud for Vineyard Analysis. | |
| CN110910480A (zh) | 基于颜色模式映射关系的环境监测图像渲染方法 | |
| CN110136215A (zh) | 一种磁流变抛光斑提取方法 | |
| CN108399617A (zh) | 一种动物健康状况的检测方法和装置 | |
| CN109035137A (zh) | 一种基于最优传输理论的多模态医学图像融合方法 | |
| CN108537852A (zh) | 一种基于图像局部对比度的自适应颜色恒常性方法 | |
| Huang et al. | Attention-based for multiscale fusion underwater image enhancement |
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 |