CN110245384A - 一种基于特征频谱带阻滤波的寄生条纹消除方法及装置 - Google Patents
一种基于特征频谱带阻滤波的寄生条纹消除方法及装置 Download PDFInfo
- Publication number
- CN110245384A CN110245384A CN201910407038.3A CN201910407038A CN110245384A CN 110245384 A CN110245384 A CN 110245384A CN 201910407038 A CN201910407038 A CN 201910407038A CN 110245384 A CN110245384 A CN 110245384A
- Authority
- CN
- China
- Prior art keywords
- frequency spectrum
- data
- parasitic striped
- striped
- parasitic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Instruments For Measurement Of Length By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征频谱带阻滤波的寄生条纹消除方法及装置，该方法包括：获取含有寄生条纹的干涉仪采斑测量面形数据矩阵f(x,y)；计算寄生条纹的相关参数和所述面形数据矩阵f(x,y)频谱放大倍数N；根据所述相关参数和放大倍数N，对寄生条纹的频谱和频域特征进行处理，生成频谱数据；对所述频谱数据进行FFT反变换，得到消除寄生条纹的面形数据。该方法只消除寄生条纹的频谱，完全保留去除函数自身频谱，不会改变去除函数自身形态，使得在滤除寄生条纹的同时，去除函数自身形态得到了保持，提高了磁流变去除函数的提取精度。
Description
技术领域
本发明涉及光学加工领域，具体是一种基于特征频谱带阻滤波的寄生条纹消除方法及装置。
背景技术
磁流变抛光技术是一种高确定性、高精度的光学超精密加工技术，广泛用于大口径平面光学元件的抛光、连续位相板(CPP)的成型、非球面光学元件的精抛。磁流变去除函数提取的准确程度是决定磁流变加工精度与效率的一个关键因素。目前磁流变去除函数制作流程通常是首先采用平板小基片在磁流变液机床进行采斑，然后用光学干涉仪检测采斑基片的反射或透射面形，然后将检测数据中的去除函数进行提取，最终生成可用于磁流变抛光的去除函数。
由于采斑所用的小基片是平板型光学元件，采用干涉仪进行面形检测时，极易引入寄生条纹，引入寄生条纹后会降低去除函数的提取精度，造成去除函数体积去除效率变化，影响磁流变加工的确定性，同时引入了寄生条纹的去除函数含有复杂的中高频结构，严重影响对去除函数修形能力的评价，因此为了实现磁流变去除函数准确提取必须要消除去除函数中的寄生条纹。
传统抑制干涉检测中寄生条纹的方法是反射测量时在元件背面均匀涂抹凡士林，这难以消除寄生条纹；透射测量时将后标准镜与将待测元件形成一定楔角，但是由于做斑基片口径小，能够允许的楔角很小，难以抑制寄生条纹；采用短相干干涉测量的方法可以消除寄生条纹，如采用4D PhaseCam2000型干涉仪，但是由于其动态测量时对比度较低，倍率放大导致对比度太低而无法测量，使得基片测量时只能采用低倍率，导致检测面形有效数据点很少，难以准确提取去除函数。
采用FFT频域带阻滤波的方法可以实现寄生条纹的滤除，但是磁流变去除函数的频谱和寄生条纹的频谱往往有部分混叠，采用传统频域带阻滤波去除寄生条纹时，往往会明显改变去除函数的形态，使得最终获得的去除函数失真。
因此，如何有效消除去除函数中的寄生条纹，而不改变去除函数自身的形态是同行从业人员亟待解决的问题。
发明内容
鉴于上述问题，本发明的目的是为了解决磁流变去除函数干涉仪检测中引入寄生条纹降低去除函数提取精度和干扰去除函数修形能力评价的问题。
本发明实施例提供一种基于特征频谱带阻滤波的寄生条纹消除方法，包括：
获取含有寄生条纹的干涉仪采斑测量面形数据矩阵f(x,y)；
计算寄生条纹的相关参数和所述面形数据矩阵f(x,y)频谱放大倍数N；
根据所述相关参数和放大倍数N，对寄生条纹的频谱和频域特征进行处理，生成频谱数据；
对所述频谱数据进行FFT反变换，得到消除寄生条纹的面形数据。
在一个实施例中，提取所述面形数据矩阵f(x,y)中的局部数据，所述局部数据为：含有寄生条纹，且不含有去除函数形状；计算所述寄生条纹的空间周期T和相对于X轴的角度α；
计算所述面形数据矩阵f(x,y)频谱放大倍数N。
在一个实施例中，对所述面形数据矩阵f(x,y)进行Quad Flip操作；
采用复调制细化频谱算法，根据频谱放大倍率为N，计算Quad Flip操作后的面形数据矩阵qf(x,y)的频谱数据QF(x,y)；
根据所述寄生条纹相对于X轴的角度α，在所述频谱数据QF(x,y)中，查找寄生条纹的频域特征；
将所述寄生条纹的频域特征区域置零，得到处理后的频谱数据QF1(x,y)；
采用快速傅立叶变换，进行频域位置匹配，生成频谱数据QF4(x,y)。
在一个实施例中，采用快速傅立叶变换，计算所述面形数据矩阵qf(x,y)频谱，得到QF2(x,y)；
将去除寄生条纹频谱的数据QF1(x,y)进行缩小，缩小倍数为N，得到QF3(x,y)；
将QF2(x,y)中心位置区域第一预设范围内的数据替换为QF3(x,y)，得到频谱位置匹配后的数据QF4(x,y)。
在一个实施例中，将所述QF4(x,y)频谱数据进行FFT反变换得到qf4(x,y)面形数据，提取第二预设范围内的数据，得到消除寄生条纹的面形检测数据qf5(x,y)。
第二方面，本发明还提供一种基于特征频谱带阻滤波的寄生条纹消除装置，包括：
获取模块，用于获取含有寄生条纹的干涉仪采斑测量面形数据矩阵f(x,y)；
计算模块，用于计算寄生条纹的相关参数和所述面形数据矩阵f(x,y)频谱放大倍数N；
生成模块，用于根据所述相关参数和放大倍数N，对寄生条纹的频谱和频域特征进行处理，生成频谱数据；
反变换模块，用于对所述频谱数据进行FFT反变换，得到消除寄生条纹的面形数据。
在一个实施例中，所述计算模块，具体用于提取所述面形数据矩阵f(x,y)中的局部数据，所述局部数据为：含有寄生条纹，且不含有去除函数形状；计算所述寄生条纹的空间周期T和相对于X轴的角度α；计算所述面形数据矩阵f(x,y)频谱放大倍数N。
在一个实施例中，所述生成模块，包括：
操作子模块，用于对所述面形数据矩阵f(x,y)进行Quad Flip操作；
计算子模块，用于采用复调制细化频谱算法，根据频谱放大倍率为N，计算QuadFlip操作后的面形数据矩阵qf(x,y)的频谱数据QF(x,y)；
查找子模块，用于根据所述寄生条纹相对于X轴的角度α，在所述频谱数据QF(x,y)中，查找寄生条纹的频域特征；
置零子模块，用于将所述寄生条纹的频域特征区域置零，得到处理后的频谱数据QF1(x,y)；
生成子模块，用于采用快速傅立叶变换，进行频域位置匹配，生成频谱数据QF4(x,y)。
在一个实施例中，所述生成子模块，包括：
计算单元，用于采用快速傅立叶变换，计算所述面形数据矩阵qf(x,y)频谱，得到QF2(x,y)；
缩小单元，用于将去除寄生条纹频谱的数据QF1(x,y)进行缩小，缩小倍数为N，得到QF3(x,y)；
替换单元，用于将QF2(x,y)中心位置区域第一预设范围内的数据替换为QF3(x,y)，得到频谱位置匹配后的数据QF4(x,y)。
在一个实施例中，所述反变换模块，具体用于将所述QF4(x,y)频谱数据进行FFT反变换得到qf4(x,y)面形数据，提取第二预设范围内的数据，得到消除寄生条纹的面形检测数据qf5(x,y)。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的一种基于特征频谱带阻滤波的寄生条纹消除方法，本方法针对寄生条纹频谱特征，只消除寄生条纹的频谱，完全保留去除函数自身频谱，不会改变去除函数自身形态，使得在滤除寄生条纹的同时，去除函数自身形态得到了保持。同时，本方法计算快捷、寄生条纹去除准确，适用范围广，对于传统频域带阻滤波无法解决的寄生条纹和原始数据频谱混叠的情况，仍然适用，是一种较好的寄生条纹去除方法，可以有效应用于磁流变去除函数寄生条纹的消除，也可以较好的用于其它超精密加工方式(如气囊抛光、离子束抛光等)的去除函数寄生条纹的消除，便于推广应用。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于特征频谱带阻滤波的寄生条纹消除方法的流程图；
图2为本发明实施例提供的步骤S103的流程图；
图3为含有寄生条纹的磁流变去除函数检测数据；
图4为计算寄生条纹周期T和倾角α示意图；
图5为检测面形数据进行Quad Flip操作；
图6为ZOOMFFT算法进行频谱放大及寄生条纹频谱特征；
图7为滤除寄生条纹后的去除函数数据；
图8为从原始数据中滤除掉的寄生条纹数据；
图9为本发明实施例提供的基于特征频谱带阻滤波的寄生条纹消除装置的框图；
图10为本发明实施例提供的生成模块93的框图；
图11为本发明实施例提供的生成子模块935的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示，本发明实施例提供的一种基于特征频谱带阻滤波的寄生条纹消除方法，该方法包括：步骤S101～S104；
S101、获取含有寄生条纹的干涉仪采斑测量面形数据矩阵f(x,y)；其中数据宽度像素数为m，数据高度像素数为n，像素尺寸为pix mm；
S102、计算寄生条纹的相关参数和所述面形数据矩阵f(x,y)频谱放大倍数N；
S103、根据所述相关参数和放大倍数N，对寄生条纹的频谱和频域特征进行处理，生成频谱数据；
S104、对所述频谱数据进行FFT反变换，得到消除寄生条纹的面形数据。
本实施例中，针对去除函数中寄生条纹频谱特征，只消除寄生条纹的频谱，完全保留去除函数自身频谱，不会改变去除函数自身形态，使得在滤除寄生条纹的同时，去除函数自身形态得到了保持，提高了磁流变去除函数的提取精度。同时，本方法计算快捷、寄生条纹去除准确，适用范围广，便于推广应用。
进一步的，计算面形数据矩阵频谱放大倍数:
首先，采用尺寸约为面形矩阵尺寸的1/5矩形mask(一般翻译为掩码，作用是定位作用区域，表示只对mask所在区域的数据产生作用，mask是具有一定大小的几何区域，常见的形状是矩形、方形、椭圆等)，截取面形数据中不含有去除函数形状但是含有寄生条纹的局部数据，观察寄生条纹正截面轮廓结构，计算寄生条纹的空间周期T和寄生条纹相对于X轴(水平轴，向右为正向)的角度α；
其次，为了能够清晰显示面形数据矩阵f(x,y)在频域中寄生条纹频谱的位置和形态，需要对标准的FFT频谱进行放大，放大倍率N计算公式为：
在一个实施例中，参照图2所示，上述步骤S103中根据所述相关参数和放大倍数N，对寄生条纹的频谱和频域特征进行处理，生成频谱数据，包括：
S1031、对所述面形数据矩阵f(x,y)进行Quad Flip操作；
S1032、采用复调制细化频谱算法，根据频谱放大倍率为N，计算Quad Flip操作后的面形数据矩阵qf(x,y)的频谱数据QF(x,y)；
S1033、根据所述寄生条纹相对于X轴的角度α，在所述频谱数据QF(x,y)中，查找寄生条纹的频域特征；
S1034、将所述寄生条纹的频域特征区域置零，得到处理后的频谱数据QF1(x,y)；
S1035、采用快速傅立叶变换，进行频域位置匹配，生成频谱数据QF4(x,y)。
本实施例中，通过对寄生条纹频谱和频域特征进行处理，实现了在寄生条纹频谱和去除函数频谱存在非完全混叠的情况下寄生条纹频谱特征的有效辨识，频谱滤波时采用了Quad Flip操作和误差函数滤波窗，有效减小了FFT变换时因输入数据边缘的突然截断而在频域产生Gibb’s噪声，有效抑制了传统FFT频域滤波中数据中引入的畸变数据，提高了滤波的精度。
在步骤S1031中，对面形数据矩阵f(x,y)进行Quad Flip操作，方法是对输入面形数据进行左右和上下的镜像翻折复制，形成尺寸为原始数据2倍的扩展面形数据qf(x,y)，实现输入数据的空域延拓，减小在傅立叶变换时因输入数据边缘的突然截断而在频域产生Gibbs噪声。
上述Gibbs噪声为：离散傅立叶变换固有特征时，由于输入数据是有限的(比如矩阵大小1000入数据是有)，相当于在定义域(负无穷～到正无穷)内只截了部分元素(0～1000)，在截断处造成不连续，FFT变换后就会在不连续处产生呈现高频震荡，在频谱图形中表现为产生了周期性的细小条纹，即Gibbs噪声，这对频谱分析是有害的。
在本步骤中，采用了Quad Flip操作和误差函数滤波窗进行频谱滤波，有效减小了FFT变换时因输入数据边缘的突然截断而在频域产生Gibb’s噪声，有效抑制了传统FFT频域滤波中数据中引入的畸变数据，提高了滤波的精度。
在步骤S1032中，采用复调制细化频谱算法(ZOOMFFT算法)，设置频谱放大倍率为N，计算Quad Flip操作后的面形数据矩阵qf(x,y)的频谱数据QF(x,y)，QF(x,y)频谱矩阵尺寸为2m×2n，该矩阵可以完整清晰显示寄生条纹频谱结构。ZOOMFFT算法的具体步骤i～iv如下：
i低通滤波，采用标准FFT进行低通滤波，滤波器采用误差函数窗，其定义为：
其中，fx和fy分别表示频域内X、Y方向频率，erf表示误差函数，flc和fhc分别表示低、高截止频率，滤波时输入数据为qf(x,y)，flc为0，fhc为1/N，得到滤波后数据qf2(x,y)；
ii重采样，将qf2(x,y)数据按照行、列方向间隔N点提取数据，得到重采样的后数据qf3(x,y)；
iii FFT变换，将数据qf3(x,y)进行FFT变换得到频谱数据；
iv循环移位，此时得到的频谱数据低频数据在频谱矩阵的四个边角，通过循环移位操作，将低频数据移动到中心频谱位置，最终得到频谱数据QF(x,y)；
在步骤S1033中，频谱数据QF(x,y)中查找寄生条纹的频域特征，寄生条纹频谱的位置坐标X、Y的计算方法为：
寄生条纹的频谱特征通常表现为存在对称的4个亮斑，当寄生条纹角度α等于0度时，4个亮斑将重合为Y轴方向对称的2个亮斑，当寄生条纹角度α等于90度时，4个亮斑将重合为X轴方向对称的2个亮斑。
在步骤S1034中，不同于传统带阻滤波滤除特定频段的所有数据，为了尽可能不改变去除函数自身频谱有效数据，本方法只针对寄生条纹频谱进行处理；通过采用ZOOMFFT方法对频谱进行放大，实现了在寄生条纹频谱和去除函数频谱存在非完全混叠的情况下寄生条纹频谱特征的有效辨识。进一步的，根据寄生条纹的特点采用矩形、圆形或椭圆形mask将该区域置零，即将该区域的频谱强度数据频谱设置为零，得到处理后的频谱数据QF1(x,y)。
在步骤S1035中，采用快速傅里叶变换计算上述面形数据矩阵qf(x,y)频谱，得到QF2(x,y)，其频谱矩阵尺寸为2m×2n，(2m表示m×2，2n表示n×2)将已经去除寄生条纹频谱的数据QF1(x,y)进行缩小，缩小倍数为N，得到QF3(x,y)，其频谱矩阵尺寸为2m/N×2n/N，将QF2(x,y)中心位置区域为2m/N×2n/N范围内的数据替换为QF3(x,y)，得到频谱位置匹配后的数据QF4(x,y)。
进一步的，将QF4(x,y)频谱数据进行FFT反变换得到qf4(x,y)面形数据，其矩阵尺寸为2m×2n数据，提取左上角m×n范围内的数据，即得到去除了寄生条纹的面形检测数据qf5(x,y)。
下面通过一个完整的实施例来说明基于特征频谱带阻滤波的寄生条纹消除方法的。
实施例1：
比如磁流变去除函数采用ZYGO静态干涉仪测量，采斑基片为Φ50mm，，检测数据通光口径为Φ48mm，材料为熔石英，在干涉检测过程中引入了较为明显的寄生条纹。
具体的，获取含有寄生条纹的干涉仪采斑测量面形数据矩阵，数据宽度像素数m＝864，数据高度像素数n＝864，像素尺寸为pix＝0.052mm，如图3所示。
根据步骤i～ii来计算面形数据矩阵频谱放大倍数：
i计算寄生条纹的空间周期T＝1.07mm和寄生条纹相对于X轴(水平轴，向右为正向)的角度α＝38度，如图4所示；
ii计算放大倍率
对面形数据矩阵f(x,y)进行Quad Flip操作，如图5所示。
采用复调制细化频谱算法(ZOOMFFT算法)，设置频谱放大倍率为4，计算Quad Flip操作后的面形数据矩阵qf(x,y)的频谱数据QF(x,y)，如图6所示。
查找寄生条纹的频域特征及位置，位置坐标为(单位为1/mm)：
如图6中的矩形mask框内的亮斑就是寄生条纹的频谱特征，共4个关于频谱中心对称。
将矩形mask框内数据置零，处理后的频谱数据QF1(x,y)，如图6所示。
采用标准FFT变换(即快速傅里叶变换)计算面形数据矩阵qf(x,y)频谱，得到QF2(x,y)，其频谱矩阵尺寸为1728×1728，将已经消除寄生条纹频谱的数据QF1(x,y)进行缩小，缩小倍数为4，得到QF3(x,y)，其频谱矩阵尺寸为432×432，将QF2(x,y)中心位置区域为432×432范围内的数据替换为QF3(x,y)，得到频谱位置匹配后的数据QF4(x,y)。
将QF4(x,y)频谱数据进行FFT反变换得到qf4(x,y)面形数据，其矩阵尺寸为1728×1728，提取左上角864×864左上角矩范围内的数据，即得到去除了寄生条纹的面形检测数据qf5(x,y)，如图7所示。
采用本发明方法进行操作，面形数据中的寄生条纹得到消除而去除函数自身形态得到了完整保持，具有较好的效果，图8是分离出的寄生条纹，可见计生条纹得到了完整的剥离，因此本发明所述方法可以较好的消除寄生条纹，去除函数形态、去除效率符更加合实际，最终提高了去除函数的提取精度。
基于同一发明构思，本发明实施例还提供了一种基于特征频谱带阻滤波的寄生条纹消除装置，由于该装置所解决问题的原理与前述基于特征频谱带阻滤波的寄生条纹消除方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。
本发明实施例提供了一种基于特征频谱带阻滤波的寄生条纹消除装置，参照图9所示，包括：
获取模块91，用于获取含有寄生条纹的干涉仪采斑测量面形数据矩阵f(x,y)；
计算模块92，用于计算寄生条纹的相关参数和所述面形数据矩阵f(x,y)频谱放大倍数N；
生成模块93，用于根据所述相关参数和放大倍数N，对寄生条纹的频谱和频域特征进行处理，生成频谱数据；
反变换模块94，用于对所述频谱数据进行FFT反变换，得到消除寄生条纹的面形数据。
在一个实施例中，所述计算模块92，具体用于提取所述面形数据矩阵f(x,y)中的局部数据，所述局部数据为：含有寄生条纹，且不含有去除函数形状；计算所述寄生条纹的空间周期T和相对于X轴的角度α；计算所述面形数据矩阵f(x,y)频谱放大倍数N。
在一个实施例中，所述生成模块93，包括：
操作子模块931，用于对所述面形数据矩阵f(x,y)进行Quad Flip操作；
计算子模块932，用于采用复调制细化频谱算法，根据频谱放大倍率为N，计算QuadFlip操作后的面形数据矩阵qf(x,y)的频谱数据QF(x,y)；
查找子模块933，用于根据所述寄生条纹相对于X轴的角度α，在所述频谱数据QF(x,y)中，查找寄生条纹的频域特征；
置零子模块934，用于将所述寄生条纹的频域特征区域置零，得到处理后的频谱数据QF1(x,y)；
生成子模块935，用于采用快速傅立叶变换，进行频域位置匹配，生成频谱数据QF4(x,y)。
在一个实施例中，所述生成子模块935，包括：
计算单元9351，用于采用快速傅立叶变换，计算所述面形数据矩阵qf(x,y)频谱，得到QF2(x,y)；
缩小单元9352，用于将去除寄生条纹频谱的数据QF1(x,y)进行缩小，缩小倍数为N，得到QF3(x,y)；
替换单元9353，用于将QF2(x,y)中心位置区域第一预设范围内的数据替换为QF3(x,y)，得到频谱位置匹配后的数据QF4(x,y)。
在一个实施例中，所述反变换模块94具体用于将所述QF4(x,y)频谱数据进行FFT反变换得到qf4(x,y)面形数据，提取第二预设范围内的数据，得到消除寄生条纹的面形检测数据qf5(x,y)。
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)
1.一种基于特征频谱带阻滤波的寄生条纹消除方法，其特征在于，包括：
获取含有寄生条纹的干涉仪采斑测量面形数据矩阵f(x,y)；
计算寄生条纹的相关参数和所述面形数据矩阵f(x,y)频谱放大倍数N；
根据所述相关参数和放大倍数N，对寄生条纹的频谱和频域特征进行处理，生成频谱数据；
对所述频谱数据进行FFT反变换，得到消除寄生条纹的面形数据。
2.如权利要求1所述的一种基于特征频谱带阻滤波的寄生条纹消除方法，其特征在于，计算寄生条纹的相关参数和所述面形数据矩阵f(x,y)频谱放大倍数N，包括：
提取所述面形数据矩阵f(x,y)中的局部数据，所述局部数据为：含有寄生条纹，且不含有去除函数形状；计算所述寄生条纹的空间周期T和相对于X轴的角度α；
计算所述面形数据矩阵f(x,y)频谱放大倍数N。
3.如权利要求1所述的一种基于特征频谱带阻滤波的寄生条纹消除方法，其特征在于，根据所述相关参数和放大倍数N，对寄生条纹的频谱和频域特征进行处理，生成频谱数据，包括：
对所述面形数据矩阵f(x,y)进行Quad Flip操作；
采用复调制细化频谱算法，根据频谱放大倍率为N，计算Quad Flip操作后的面形数据矩阵qf(x,y)的频谱数据QF(x,y)；
根据所述寄生条纹相对于X轴的角度α，在所述频谱数据QF(x,y)中，查找寄生条纹的频域特征；
将所述寄生条纹的频域特征区域置零，得到处理后的频谱数据QF1(x,y)；
采用快速傅立叶变换，进行频域位置匹配，生成频谱数据QF4(x,y)。
4.如权利要求3所述的一种基于特征频谱带阻滤波的寄生条纹消除方法，其特征在于，采用快速傅立叶变换，进行频域位置匹配，生成频谱数据QF4(x,y)，包括：
采用快速傅立叶变换，计算所述面形数据矩阵qf(x,y)频谱，得到QF2(x,y)；
将去除寄生条纹频谱的数据QF1(x,y)进行缩小，缩小倍数为N，得到QF3(x,y)；
将QF2(x,y)中心位置区域第一预设范围内的数据替换为QF3(x,y)，得到频谱位置匹配后的数据QF4(x,y)。
5.如权利要求1所述的一种基于特征频谱带阻滤波的寄生条纹消除方法，其特征在于，对所述频谱数据进行FFT反变换，得到消除寄生条纹的面形数据，包括：
将所述QF4(x,y)频谱数据进行FFT反变换得到qf4(x,y)面形数据，提取第二预设范围内的数据，得到消除寄生条纹的面形检测数据qf5(x,y)。
6.一种基于特征频谱带阻滤波的寄生条纹消除装置，其特征在于，包括：
获取模块，用于获取含有寄生条纹的干涉仪采斑测量面形数据矩阵f(x,y)；
计算模块，用于计算寄生条纹的相关参数和所述面形数据矩阵f(x,y)频谱放大倍数N；
生成模块，用于根据所述相关参数和放大倍数N，对寄生条纹的频谱和频域特征进行处理，生成频谱数据；
反变换模块，用于对所述频谱数据进行FFT反变换，得到消除寄生条纹的面形数据。
7.如权利要求6所述的一种基于特征频谱带阻滤波的寄生条纹消除装置，其特征在于，所述计算模块，具体用于提取所述面形数据矩阵f(x,y)中的局部数据，所述局部数据为：含有寄生条纹，且不含有去除函数形状；计算所述寄生条纹的空间周期T和相对于X轴的角度α；计算所述面形数据矩阵f(x,y)频谱放大倍数N。
8.如权利要求6所述的一种基于特征频谱带阻滤波的寄生条纹消除装置，其特征在于，所述生成模块，包括：
操作子模块，用于对所述面形数据矩阵f(x,y)进行Quad Flip操作；
计算子模块，用于采用复调制细化频谱算法，根据频谱放大倍率为N，计算Quad Flip操作后的面形数据矩阵qf(x,y)的频谱数据QF(x,y)；
查找子模块，用于根据所述寄生条纹相对于X轴的角度α，在所述频谱数据QF(x,y)中，查找寄生条纹的频域特征；
置零子模块，用于将所述寄生条纹的频域特征区域置零，得到处理后的频谱数据QF1(x,y)；
生成子模块，用于采用快速傅立叶变换，进行频域位置匹配，生成频谱数据QF4(x,y)。
9.如权利要求8所述的一种基于特征频谱带阻滤波的寄生条纹消除装置，其特征在于，所述生成子模块，包括：
计算单元，用于采用快速傅立叶变换，计算所述面形数据矩阵qf(x,y)频谱，得到QF2(x,y)；
缩小单元，用于将去除寄生条纹频谱的数据QF1(x,y)进行缩小，缩小倍数为N，得到QF3(x,y)；
替换单元，用于将QF2(x,y)中心位置区域第一预设范围内的数据替换为QF3(x,y)，得到频谱位置匹配后的数据QF4(x,y)。
10.如权利要求6所述的一种基于特征频谱带阻滤波的寄生条纹消除装置，其特征在于，所述反变换模块，具体用于将所述QF4(x,y)频谱数据进行FFT反变换得到qf4(x,y)面形数据，提取第二预设范围内的数据，得到消除寄生条纹的面形检测数据qf5(x,y)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910407038.3A CN110245384B (zh) | 2019-05-16 | 2019-05-16 | 一种基于特征频谱带阻滤波的寄生条纹消除方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910407038.3A CN110245384B (zh) | 2019-05-16 | 2019-05-16 | 一种基于特征频谱带阻滤波的寄生条纹消除方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110245384A true CN110245384A (zh) | 2019-09-17 |
| CN110245384B CN110245384B (zh) | 2022-03-08 |
Family
ID=67884163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910407038.3A Active CN110245384B (zh) | 2019-05-16 | 2019-05-16 | 一种基于特征频谱带阻滤波的寄生条纹消除方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110245384B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5502688A (en) * | 1994-11-23 | 1996-03-26 | At&T Corp. | Feedforward neural network system for the detection and characterization of sonar signals with characteristic spectrogram textures |
| CN1529122A (zh) * | 2003-10-09 | 2004-09-15 | 四川大学 | 用双色光栅模板产生π相移实现傅里叶变换轮廓术的方法 |
| CN101126776A (zh) * | 2007-08-24 | 2008-02-20 | 中国科学院紫金山天文台 | 宽带和高分辨率毫米波亚毫米波信号检测方法 |
| CN103322944A (zh) * | 2013-06-14 | 2013-09-25 | 上海大学 | 同轴照明镜像莫尔测量装置及方法 |
| CN104296676A (zh) * | 2014-09-29 | 2015-01-21 | 中国科学院光电研究院 | 基于低频差声光移频器移相的外差点衍射干涉仪 |
| CN105243650A (zh) * | 2015-11-16 | 2016-01-13 | 成都神州数码索贝科技有限公司 | 一种基于小波变换和傅里叶变换的条纹噪声去除方法及系统 |
| CN105787887A (zh) * | 2014-12-24 | 2016-07-20 | 晶通电子科技有限公司 | 一种去除dr图像静态滤线栅栅影的方法 |
| CN106802136A (zh) * | 2017-01-16 | 2017-06-06 | 暨南大学 | 一种基于勒让德傅立叶多项式的圆柱干涉拼接方法和系统 |
| CN107481205A (zh) * | 2017-08-23 | 2017-12-15 | 电子科技大学 | 一种太赫兹图像条纹噪声处理方法及系统 |
-
2019
- 2019-05-16 CN CN201910407038.3A patent/CN110245384B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5502688A (en) * | 1994-11-23 | 1996-03-26 | At&T Corp. | Feedforward neural network system for the detection and characterization of sonar signals with characteristic spectrogram textures |
| CN1529122A (zh) * | 2003-10-09 | 2004-09-15 | 四川大学 | 用双色光栅模板产生π相移实现傅里叶变换轮廓术的方法 |
| CN101126776A (zh) * | 2007-08-24 | 2008-02-20 | 中国科学院紫金山天文台 | 宽带和高分辨率毫米波亚毫米波信号检测方法 |
| CN103322944A (zh) * | 2013-06-14 | 2013-09-25 | 上海大学 | 同轴照明镜像莫尔测量装置及方法 |
| CN104296676A (zh) * | 2014-09-29 | 2015-01-21 | 中国科学院光电研究院 | 基于低频差声光移频器移相的外差点衍射干涉仪 |
| CN105787887A (zh) * | 2014-12-24 | 2016-07-20 | 晶通电子科技有限公司 | 一种去除dr图像静态滤线栅栅影的方法 |
| CN105243650A (zh) * | 2015-11-16 | 2016-01-13 | 成都神州数码索贝科技有限公司 | 一种基于小波变换和傅里叶变换的条纹噪声去除方法及系统 |
| CN106802136A (zh) * | 2017-01-16 | 2017-06-06 | 暨南大学 | 一种基于勒让德傅立叶多项式的圆柱干涉拼接方法和系统 |
| CN107481205A (zh) * | 2017-08-23 | 2017-12-15 | 电子科技大学 | 一种太赫兹图像条纹噪声处理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘欢欢: "基于N位旋转测量的光学平面绝对检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110245384B (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rudin | Images, numerical analysis of singularities and shock filters | |
| Vo et al. | Hyper-accurate flexible calibration technique for fringe-projection-based three-dimensional imaging | |
| CN104006765B (zh) | 单幅载频干涉条纹相位提取方法及检测装置 | |
| CN108227187A (zh) | 一种扩展光学成像景深的方法及系统 | |
| CN103913293A (zh) | 编码结构光系统中的光学传递模型测量方法 | |
| CN113589409A (zh) | 基于超表面器件的全光图像处理系统及处理方法 | |
| Qieni et al. | High-accuracy simultaneous measurement of particle size and location using interferometric out-of-focus imaging | |
| Wei et al. | Calibration approach for structured-light-stripe vision sensor based on the invariance of double cross-ratio | |
| Béarzi et al. | Wavejets: A local frequency framework for shape details amplification | |
| Truchetet et al. | Subpixel edge detection for dimensional control by artificial vision | |
| CN114943774B (zh) | 一种红外双目相机温度补偿计算方法 | |
| CN110245384A (zh) | 一种基于特征频谱带阻滤波的寄生条纹消除方法及装置 | |
| Shi et al. | Analysis of the influence of installation tilt error on the tool setting accuracy by laser diffraction | |
| Burr | Sharpening of observational data in two dimensions | |
| Zhong et al. | Noise reduction in modulation measurement profilometry based on the wavelet transform method | |
| Wang et al. | Comparison of spacing detection algorithms for optical straight fringes images | |
| Zhou et al. | Fourier transform profilometry based on convolution neural network | |
| Hannemose et al. | Superaccurate camera calibration via inverse rendering | |
| Patorski et al. | Tilt-shift error detection in phase-shifting interferometry | |
| Li et al. | Research on three-dimensional reconstruction technology of line laser scanning scene based on Otsu method | |
| Chugui | Optical dimensional metrology for 3D objects of constant thickness | |
| CN106780562A (zh) | 一种基于像差图图像处理的主轴回转误差新算法 | |
| Liu et al. | Comparison study of three camera calibration methods considering the calibration board quality and 3D measurement accuracy | |
| Fu et al. | Design of the detection system for the position of the crankshaft flange hole group based on vision measurement technology | |
| Pu et al. | Improvements on sampling of point spread function in optical transfer function measurement |
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 |