CN111220092A - 一种光学测量中条纹滤波器的构造方法 - Google Patents

一种光学测量中条纹滤波器的构造方法 Download PDF

Info

Publication number
CN111220092A
CN111220092A CN201911260110.0A CN201911260110A CN111220092A CN 111220092 A CN111220092 A CN 111220092A CN 201911260110 A CN201911260110 A CN 201911260110A CN 111220092 A CN111220092 A CN 111220092A
Authority
CN
China
Prior art keywords
value
equal
tau
filter
calculation
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
Application number
CN201911260110.0A
Other languages
English (en)
Other versions
CN111220092B (zh
Inventor
王辰星
任海东
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201911260110.0A priority Critical patent/CN111220092B/zh
Publication of CN111220092A publication Critical patent/CN111220092A/zh
Application granted granted Critical
Publication of CN111220092B publication Critical patent/CN111220092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G01B11/254—Projection of a pattern, viewing through a pattern, e.g. moiré

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种光学测量中条纹滤波器的构造方法，该滤波器属于空间滤波器，采用一种正弦辅助的筛分计算方法，通过设置合适的滤波尺寸，直接将条纹分量从图像中分离出来，首先，在空域中对条纹图像进行二维自相关计算，提取自相关系数的横、纵中心轴，将两者进行相关性计算，得到的系数涵盖横、纵方向的共同周期信息；其次，提取相关性系数中的周期信息，并分析其变化情况和趋势，进而估算出条纹分量中对应于最大局部变形的最大截止空间周期，用该周期作为条纹滤波器的尺寸；最后，通过正弦辅助的筛分计算直接滤出含有重要信息的条纹分量，以用于后续的计算处理。本发明的有益效果在于：该方法简单、速度快、鲁棒性好，非常具有实用的潜力。

Description

一种光学测量中条纹滤波器的构造方法
技术领域
本发明涉及光学、计算机视觉和人工智能技术领域，尤其涉及一种光学测量中条纹滤波 器的构造方法。
背景技术
光栅投影三维测量技术已经实现对静态或慢速运动物体的有效测量，但该技术对动态快 速物体的测量还始终处于研究阶段。动态快速测量最重要的一点就是对单个条纹图像的处理， 其计算方法还受计算精度、速度等的综合影响。
传统的基于傅里叶思想的方法能够实现对单帧条纹图像的有效测量，但是会受到低频的 背景环境光所带来的干扰，使得频域滤波变得极为困难和不准确，而为了改善该问题，出现 了各种时频分析方法，如窗口傅里叶变换、小波变换等等，可这些方法均需要较大计算量且 需要预先设置参数，不适于实际应用。近年来的深度学习是一种新兴的技术手段，来实现条 纹图的快速动态提取，可是目前为止，大部分基于深度学习的方法仍需要输入至少两幅不同 频率的条纹图像来保证精度，如果仅用一张图像，则还是需要事先去除背景光干扰。
为了去除背景光，提取条纹分量，出现了不少基于傅里叶思想等的技术，它们仍然面临 参数预置、计算量大等问题。经验模态分解近些年被大量用于条纹图的预先处理，可是这种 方法通常采用先将条纹图分解成很多单模函数，然后再将分解所得的单模函数进行分类，从 而提取其中的条纹分量。这种做法需要大量的迭代计算，非常浪费时间，并且实际应用情况 复杂，对单模函数的组合分类很难做到非常鲁棒。本发明的条纹滤波器则是打破传统的先分 解再分类的思维习惯，而是直接分析出所要提取的条纹分量的周期变动范围，找到最大的截 止周期，用该周期值作为经验模态分解中筛分方法的尺寸，从而实现一次性分解，既不会迭 代计算，也不再需要额外的分类组合工作，大大提高了工作效率和精度，保证了鲁棒性。
发明内容
技术问题：
条纹图像的背景光滤除很难做到自适应、快速且具有鲁棒性；基于傅里叶思想的时频分 析方法容易受到频谱混叠、计算量大、需要预置很多参数等问题；基于经验模态分解的方法 容易却受到先分解、再分类的思想禁锢，会产生大量的迭代计算，分类规则需要设置的极其 复杂却仍难以保证鲁棒性。针对这些问题，本发明提出一种构造光学测量中条纹滤波器的方 法，通过空间统计方法分析出条纹分量的统计周期范围，从而估算出滤波器的尺寸，结合基 于正弦辅助的筛分过程可以一次性将条纹分量准确、快速地提取出来，方法简单、有效，且 能保证鲁棒性，具有较好的应用前景。
技术方案：
一种光学测量中条纹滤波器的构造方法，基于正弦辅助的筛分计算，可自适应地设置滤 波器的尺寸，从而快速、有效地直接提取出有用的条纹分量，其特征在于，具体步骤为：
步骤1：对条纹图像进行自相关计算，提取横、纵方向的自相关系数值，进一步计算两者 的相关性系数，截取有用的系数部分并从中提取出代表正弦条纹周期的信息；
步骤2：分析所提取周期的变化情况和变化趋势，估算出条纹滤波器的尺寸；
步骤3：使用基于正弦辅助的筛分计算，直接滤取有用的条纹信息。
进一步的，所述步骤1对长度为r、高度为c的二维条纹图像I(x，y)进行如式(1)的二维自 相关函数的计算：
Figure BDA0002311375540000021
其中，τ1和τ2为自相关系数A(τ1，τ2)的坐标，取值范围分别为-c+1≤τ1≤c-1和-r+1≤τ1≤r-1。
选取A(τ1，τ2)的中心横轴A(0，τ2)和中心纵轴A(τ1，0)，分别对它们进行差分计算以突出两 者的正弦波动，即得：
Figure BDA0002311375540000022
计算ΔA(τ1)和ΔA(τ2)的相关性系数如下：
R(τ)＝∑ΔA(τ2)ΔA(τ1-τ)，
其中τ为相关性系数R(τ)的坐标，其坐标范围为-(c+r)+1≤τ≤(c+r)-1。
对R(τ)进行差分计算以突出正弦波动，可得：
ΔR(τ)＝R(τ+1)-R(τ).
找到ΔR(τ)的最小值，记为Min[ΔR(τ)](Min[·]代表求最小值的运算符号)，以该值为起始， 向右截取坐标长度为Min[(r，c)]/2的ΔR(τ)值，作为相关性最大、最能体现正弦波动的相关性 系数，写作ΔR0(τ0)，其中τ0代表新的坐标，取值范围为1≤τ0≤Min[(r，c)]/2+1。
对ΔR0(τ0)求所有极小值点，求这些极小值点两两之间的距离作为正弦波动的统计周期值， 写作P(i)，1≤i≤L，L代表统计周期值的个数。
进一步的，所述步骤2分析所提取统计周期值的变化情况和变化趋势，估算滤波器的尺 寸，具体步骤为：
1)判断下式所示条件是否满足：
Figure BDA0002311375540000031
如果满足，则设置滤波器尺寸T为：
T＝P(1)，
否则，设置滤波器尺寸为：
Figure BDA0002311375540000032
其中，κ为比例系数，i1为分割第一组变化趋势一样的统计周期的坐标序数。
2)计算上式中的比例系数κ。通过下式判断统计周期值序列P(i)是否呈整体增长趋势：
Figure BDA0002311375540000033
如果是，则令
Figure BDA0002311375540000034
否则，则令κ＝1。
3)确定式(7)中的坐标序数i1。首先，找到P(i)的第一个极值点，令该极值点的坐标序 数为i1；如果P(i)不存在极值点，则找出P(i)中最大周期值对应的序数为i1；其次，分析P(i1) 临近的周期值情况来进一步修正确认i1，具体做法为：
I)如果P(i1+1)也是一个极值点，并且满足一下三种情况中的任意一个，则修改i1＝i1+1， 三种情况为：
情况1：P(i1)是极小值而P(i1+1)是极大值且P(i1+1)≥P(1)；
情况2：极大值而P(i1+1)是极小值且P(i1+1)≤P(1)；
情况3：从P(1)到P(i1)都是相等值，而P(i1+1)也是个极值或者P(i1+1)＝P(i1+2)。
II)如果P(i1+1)不是极值点但P(i1+2)≥P(1)，则修改i1＝i1+1。
III)如果P(i1+1)不是极值点，但P(i1+1)与P(i1)相等且P(i1)是极小值，则修改i1＝i1-1。
进一步的，所述步骤3使用基于正弦辅助的筛分计算，直接滤取有用的条纹信息，具体 步骤为：
1.1)对I(x，y)使用快速经验模态分解法(EFEMD)进行单层尺度的分解，其中EFEMD单层分解函数的输入为I(x，y)以及步骤2所得的滤波尺寸T，输出为BIMF(x，y)，根据 BIMF(x，y)的幅值和频率，设计二维正弦分布图s(x，y)＝a cos(2πfx)·cos(2πfy)，其中，幅值a＝max(|BIMF(x，y)|)，max(·)为求最大值操作，频率
Figure BDA0002311375540000035
1.2)将二维正弦分布图s(y,x)与初始分解图BIMF(x,y)分别进行相加和相减，得到
Figure RE-GDA0002440467520000041
对
Figure RE-GDA0002440467520000043
进行EFEMD单层分解，输入参数为尺寸T，得到第一中间分解图
Figure RE-GDA0002440467520000044
同样地，对
Figure RE-GDA0002440467520000045
进行EFEMD单层分解， 得到第二中间分解图
Figure RE-GDA0002440467520000046
1.3)对所得到的第一中间分解图
Figure BDA0002311375540000046
和第二中间分解图
Figure BDA0002311375540000047
求平均值：
Figure BDA0002311375540000048
BIMFPMS(x,y)即为最终滤得的I(x,y)所含的条纹分量，而滤除的背景光分量则为
Back(x,y)＝I(x,y)-BIMFPMS(x,y)。
有益效果：
对比于基于傅里叶思想的条纹处理方法，本发明提供的方法可适用于复杂、非线性变化 的条纹图信号，且本发明具有自适应性、计算量小；
对比于其他基于经验模态分解的条纹处理方法，本发明不需要迭代分解计算，不需要对 分解结果进一步分类组合，可以直接一次性提取条纹图中的条纹分量，滤除背景光分量。此 外，由于正弦辅助的设计，还会避免经验模态分解的模式混叠现象发生，从而保证筛分过程 的精确性；
总体而言，本发明计算量小、鲁棒性好，可处理绝大部分现实生活中出现的条纹图情况。
附图说明
图1为本发明的整体算法流程示意图。
图2为一个仿真的复杂条纹图像。
图3为用本发明方法所过滤分解得到的条纹分量。
图4为用本发明方法滤出的背景光分量。
图5为本发明对实际采集的光学测量条纹图像处理所滤出的背景光分量。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及其效果，下面将结合本发明实 施例中附图对本发明详予说明。
如图1所示，本发明的一种光学测量中条纹滤波器的构造方法，基于正弦辅助的筛分计 算，可自适应地设置滤波器的尺寸，从而快速、有效地直接提取出有用的条纹分量，方法包 括：
步骤1：对条纹图像进行自相关计算，提取横、纵方向的自相关系数值，进一步计算两者 的相关性系数，截取有用的系数部分并从中提取出代表正弦条纹周期的信息；
步骤2：分析所提取周期的变化情况和变化趋势，估算出条纹滤波器的尺寸；
步骤3：使用基于正弦辅助的筛分计算，直接滤取有用的条纹信息。
以上是发明的总体流程步骤，具体实施时，可按下述步骤进行：
1、针对步骤1的具体实施方式为：
对长度为r、高度为c的二维条纹图像首先进行简单的噪声滤波处理(可任意选择去噪方 法)，去噪之后的条纹图像I(x，y)如图2所示，对其进行如下式的二维自相关函数的计算：
Figure BDA0002311375540000051
其中，τ1和τ2为自相关系数A(τ1，τ2)的坐标，取值范围分别为-c+1≤τ1≤c-1和-r+1≤τ1≤r-1。
选取A(τ1，τ2)的中心横轴A(0，τ2)和中心纵轴A(τ1，0)，分别对它们进行差分计算以突出两 者的正弦波动，即得：
Figure BDA0002311375540000052
计算ΔA(τ1)和ΔA(τ2)的相关性系数如下：
R(τ)＝∑ΔA(τ2)ΔA(τ1-τ)，
其中τ为相关性系数R(τ)的坐标，其坐标范围为-(c+r)+1≤τ≤(c+r)-1。
对R(τ)进行差分计算以突出正弦波动，可得：
ΔR(τ)＝R(τ+1)-R(τ).
找到ΔR(τ)的最小值，记为Min[ΔR(τ)](Min[·]代表求最小值的运算符号)，以该值为起始， 向右截取坐标长度为Min[(r，c)]/2的ΔR(τ)值，作为相关性最大、最能体现正弦波动的相关性 系数，写作ΔR0(τ0)，其中τ0代表新的坐标，取值范围为1≤τ0≤Min[(r，c)]/2+1。
对ΔR0(τ0)求所有极小值点，求这些极小值点两两之间的距离作为正弦波动的统计周期值， 写作P(i)，1≤i≤L，L代表统计周期值的个数。
2、针对步骤2的具体实施方式为：
1)判断下式所示条件是否满足：
Figure BDA0002311375540000061
如果满足，则设置滤波器尺寸T为：
T＝P(1)，
否则，设置滤波器尺寸为：
Figure BDA0002311375540000062
其中，κ为比例系数，i1为分割第一组变化趋势一样的统计周期的坐标序数。
2)计算式(7)的比例系数κ。通过下式判断统计周期值序列P(i)是否呈整体增长趋势：
Figure BDA0002311375540000063
如果是，则令
Figure BDA0002311375540000064
否则，则令κ＝1。
3)确定式(7)中的坐标序数i1。首先，找到P(i)的第一个极值点，令该极值点的坐标序 数为i1；如果P(i)不存在极值点，则找出P(i)中最大周期值对应的序数为i1；其次，分析P(i1) 临近的周期值情况来进一步修正确认i1，具体做法为：
I)如果P(i1+1)也是一个极值点，并且满足一下三种情况中的任意一个，则修改i1＝i1+1， 三种情况为：
情况1：P(i1)是极小值而P(i1+1)是极大值且P(i1+1)≥P(1)；
情况2：极大值而P(i1+1)是极小值且P(i1+1)≤P(1)；
情况3：从P(1)到P(i1)都是相等值，而P(i1+1)也是个极值或者P(i1+1)＝P(i1+2)。
II)如果P(i1+1)不是极值点但P(i1+2)≥P(1)，则修改i1＝i1+1。
III)如果P(i1+1)不是极值点，但P(i1+1)与P(i1)相等且P(i1)是极小值，则修改i1＝i1-1。
3、对步骤3的具体实施方式为：
1.1)对I(x，y)使用快速经验模态分解法(EFEMD)进行单层尺度的分解，其中EFEMD单层分解函数的输入为I(x，y)以及步骤2所得的滤波尺寸T，输出为BIMF(x，y)。根据 BIMF(x，y)的幅值和频率，设计二维正弦分布图s(x，y)＝a cos(2πfx)·cos(2πfy)，其中，幅值a＝max(|BIMF(x，y)|)，max(·)为求最大值操作，频率
Figure BDA0002311375540000071
具体地，EFEMD的单层分解步骤如下：
步骤2.1：对I(x，y)进行镜面延拓，产生Ie(x，y)，具体地，基于Matlab的镜面延拓步骤 如下：
步骤2.1.1：确定延拓尺寸为es＝round[min(c，l)/2]；
步骤2.1.2：提取图像Im(x，y)宽度为es的外框，并求其镜面作为外围延拓值，即：
水平顶部延拓值为ext1＝flipud[Im(1:es,1:c)]，其中flipud(·)为Matlab中自带的矩阵上下 翻转函数；水平底部延拓值为ext2＝flipud[Im(l-es+1:l,1:c)]；
左边延拓值为ext3＝fliplr[Im(1:l,1:es)]，其中fliplr(·)为Matlab中自带的矩阵左右翻转函 数；右边延拓值为ext4＝fliplr[Im(1:l,c-es+1:c)]；
左上角延拓值为ext5＝fliplr{rot90[Im(1：es，1：es)]}，其中rot90(·)为Matlab自带函数以实 现矩阵逆时针旋转90度；右上角延拓值为ext6＝Im(1：es，c-es+1：c)T，(·)T为矩阵求转置； 左下角延拓值为ext7＝Im(l-es+1：l，1：es)T；右下角延拓值为 ext8＝fliplr{rot90[Im(l-es+1：l，c-es+1：c)]}；
步骤2.1.3：将上述步骤所有的延拓值与Im(x，y)组合起来，最终得到镜面延拓后的结果 为：
Figure BDA0002311375540000072
步骤2.2：对Ie(x，y)分别进行两次形态学膨胀操作，即
MaxD(x，y)＝imdilate(Ie(x，y)，ms)
和
MinD(x,y)＝-imdilate(-Ie(x,y),ms)
其中ms＝strel(‘disk’，AvDistPre)，strel(·)为Matlab工具箱中自带函数，用以创建指定形状的结 构元素，imdilate(·)为Matlab中自带的形态学膨胀函数，这些函数亦可用其他工具箱，其输入 参数也可自行改变；求Ie(x，y)的极大值分布为：
MaxM(x，y)＝～(Ie(x，y)-MaxD(x，y))
Ie(x，y)的极小值分布为：
MinM(x，y)＝～(Ie(x，y)-MinD(x，y))
其中“～”为“逻辑非”操作，即将矩阵中元素为0的值置为1、非0的值置为0。
步骤2.3：对步骤2.2中的两个形态学膨胀结果求平均，并对得到的平均值进行二维卷积 平滑操作：
Figure BDA0002311375540000081
其中mC＝fspecial(“disk”，round(T/2))，conv2(·)为Matlab工具箱中的二维卷积操作函数， fspecial(·)为Matlab工具箱中建立预定义滤波算子的函数，这些函数亦可采用其他工具箱具有 相同功能的函数；
步骤2.4：将步骤2.3中得到的平滑结果从Ie(x，y)中减去：
B(x，y)＝Ie(x，y)-SM(x，y)
依照步骤2.1将B(x,y)中延拓区域的值去除，得到的结果BIMF(x,y)为EFEMD的最终输出。
1.2)将二维正弦分布图s(y，x)与初始分解图BIMF(x，y)分别进行相加和相减，得到
Figure BDA0002311375540000082
对
Figure BDA0002311375540000083
进行EFEMD单层分解，输入参数为尺寸 T，得到第一中间分解图
Figure BDA0002311375540000084
同样地，对
Figure BDA0002311375540000085
进行EFEMD单层分解，输入参数为尺寸T，得到第二中间分解图
Figure BDA0002311375540000086
1.3)对所得到的第一中间分解图
Figure BDA0002311375540000087
和第二中间分解图
Figure BDA0002311375540000088
求平均值：
Figure BDA0002311375540000089
BIMFPMS(x，y)即为最终滤得的I(x，y)所含的条纹分量，如图3所示；而滤除的背景光分量 则为Back(x，y)＝I(x，y)-BIMFPMS(x，y)，如图4所示。

Claims (4)

1.一种光学测量中条纹滤波器的构造方法，其特征在于，具体步骤为：
步骤1：对条纹图像进行自相关计算，提取横、纵方向的自相关系数值，进一步计算两者的相关性系数，截取有用的系数部分并从中提取出代表正弦条纹周期的信息；
步骤2：分析所提取周期的变化情况和变化趋势，估算出条纹滤波器的尺寸；
步骤3：使用基于正弦辅助的筛分计算，直接滤取有用的条纹信息。
2.根据权利要求1所述的一种光学测量中条纹滤波器的构造方法，其特征在于，所述步骤1对长度为r、高度为c的二维条纹图像I(x，y)进行如式(1)的二维自相关函数的计算：
Figure FDA0002311375530000011
其中，τ1和τ2为自相关系数A(τ1，τ2)的坐标，取值范围分别为-c+1≤τ1≤c-1和-r+1≤τ1≤r-1；
选取A(τ1，τ2)的中心横轴A(0，τ2)和中心纵轴A(τ1，0)，分别对它们进行差分计算以突出两者的正弦波动，即得：
Figure FDA0002311375530000012
计算ΔA(τ1)和ΔA(τ2)的相关性系数如下：
R(τ)＝∑ΔA(τ2)ΔA(τ1-τ)， (3)
其中τ为相关性系数R(τ)的坐标，其坐标范围为-(c+r)+1≤τ≤(c+r)-1；
对R(τ)进行差分计算以突出正弦波动，可得：
ΔR(τ)＝R(τ+1)-R(τ). (4)
找到ΔR(τ)的最小值，记为Min[ΔR(τ)]，Min[·]代表求最小值的运算符号，以该值为起始，向右截取坐标长度为Min[(r，c)]/2的ΔR(τ)值，作为相关性最大、最能体现正弦波动的相关性系数，写作ΔR0(τ0)，其中τ0代表新的坐标，取值范围为1≤τ0≤Min[(r，c)]/2+1；
对ΔR0(τ0)求所有极小值点，求这些极小值点两两之间的距离作为正弦波动的统计周期值，写作P(i)，1≤i≤L，L代表统计周期值的个数。
3.根据权利要求1所述的一种光学测量中条纹滤波器的构造方法，其特征在于，所述步骤2分析所提取统计周期值的变化情况和变化趋势，估算滤波器的尺寸，具体步骤为：
1)判断式(5)所示条件是否满足：
Figure FDA0002311375530000013
如果满足，则设置滤波器尺寸T为：
T＝P(1)， (6)
否则，设置滤波器尺寸为：
Figure FDA0002311375530000021
其中，κ为比例系数，i1为分割第一组变化趋势一样的统计周期的坐标序数；
2)计算式(7)中的比例系数κ，通过式(8)判断统计周期值序列P(i)是否呈整体增长趋势：
Figure FDA0002311375530000022
如果是，则令
Figure FDA0002311375530000023
否则，则令κ＝1；
3)确定式(7)中的坐标序数i1，首先，找到P(i)的第一个极值点，令该极值点的坐标序数为i1；如果P(i)不存在极值点，则找出P(i)中最大周期值对应的序数为i1；其次，分析P(i1)临近的周期值情况来进一步修正确认i1，具体做法为：
I)如果P(i1+1)也是一个极值点，并且满足一下三种情况中的任意一个，则修改i1＝i1+1，三种情况为：
情况1：P(i1)是极小值而P(i1+1)是极大值且P(i1+1)≥P(1)；
情况2：极大值而P(i1+1)是极小值且P(i1+1)≤P(1)；
情况3：从P(1)到P(i1)都是相等值，而P(i1+1)也是个极值或者P(i1+1)＝P(i1+2)；
II)如果P(i1+1)不是极值点但P(i1+2)≥P(1)，则修改i1＝i1+1；
III)如果P(i1+1)不是极值点，但P(i1+1)与P(i1)相等且P(i1)是极小值，则修改i1＝i1-1。
4.根据权利要求1所述的一种光学测量中条纹滤波器的构造方法，其特征在于，所述步骤3使用基于正弦辅助的筛分计算，直接滤取有用的条纹信息，具体步骤为：
1.1)对I(x，y)使用快速经验模态分解法(EFEMD)进行单层尺度的分解，其中EFEMD单层分解函数的输入为I(x，y)以及步骤2所得的滤波尺寸T，输出为BIMF(x，y)，根据BIMF(x，y)的幅值和频率，设计二维正弦分布图s(x，y)＝a cos(2πfx)·cos(2πfy)，其中，幅值a＝max(|BIMF(x，y)|)，max(·)为求最大值操作，频率
Figure FDA0002311375530000024
1.2)将二维正弦分布图s(y，x)与初始分解图BIMF(x，y)分别进行相加和相减，得到
Figure FDA0002311375530000025
对
Figure FDA0002311375530000026
进行EFEMD单层分解，输入参数为尺寸T，得到第一中间分解图
Figure FDA0002311375530000031
同样地，对
Figure FDA0002311375530000032
进行EFEMD单层分解，得到第二中间分解图
Figure FDA0002311375530000033
1.3)对所得到的第一中间分解图
Figure FDA0002311375530000034
和第二中间分解图
Figure FDA0002311375530000035
求平均值：
Figure FDA0002311375530000036
BIMFPMS(x，y)即为最终滤得的I(x，y)所含的条纹分量，而滤除的背景光分量则为Back(x，y)＝I(x，y)-BIMFPMS(x，y)。
CN201911260110.0A 2019-12-10 2019-12-10 一种光学测量中条纹滤波器的构造方法 Active CN111220092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911260110.0A CN111220092B (zh) 2019-12-10 2019-12-10 一种光学测量中条纹滤波器的构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911260110.0A CN111220092B (zh) 2019-12-10 2019-12-10 一种光学测量中条纹滤波器的构造方法

Publications (2)

Publication Number Publication Date
CN111220092A true CN111220092A (zh) 2020-06-02
CN111220092B CN111220092B (zh) 2021-04-23

Family

ID=70827819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911260110.0A Active CN111220092B (zh) 2019-12-10 2019-12-10 一种光学测量中条纹滤波器的构造方法

Country Status (1)

Country Link
CN (1) CN111220092B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58173416A (ja) * 1982-04-05 1983-10-12 Canon Inc 面形状の測定方法
JP2001174232A (ja) * 1999-12-20 2001-06-29 Mitsutoyo Corp 平面形状計測装置、平面形状計測方法及び該方法を実行するプログラムを記憶した記憶媒体
CN101226344A (zh) * 2008-01-31 2008-07-23 上海微电子装备有限公司 测量光学系统参数的测量装置及其测量方法
CN102708349A (zh) * 2012-05-11 2012-10-03 深圳市天朗时代科技有限公司 一种矩阵式二维码的解码方法
CN103020907A (zh) * 2012-12-04 2013-04-03 上海交通大学 基于二维集合经验模态分解的dspi条纹滤波系统
CN106020827A (zh) * 2016-05-24 2016-10-12 福建师范大学 一种医用图像纹理分析系统
CN107741204A (zh) * 2017-09-21 2018-02-27 东南大学 一种用于动态三维测量的条纹增强方法
CN107942658A (zh) * 2017-11-10 2018-04-20 华侨大学 一种采用自适应滤波器的大圆机旋转周期预测方法及系统
CN108061529A (zh) * 2018-02-23 2018-05-22 西南科技大学 基于干涉图像自相关值曲率特征的表面粗糙度测量方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58173416A (ja) * 1982-04-05 1983-10-12 Canon Inc 面形状の測定方法
JP2001174232A (ja) * 1999-12-20 2001-06-29 Mitsutoyo Corp 平面形状計測装置、平面形状計測方法及び該方法を実行するプログラムを記憶した記憶媒体
CN101226344A (zh) * 2008-01-31 2008-07-23 上海微电子装备有限公司 测量光学系统参数的测量装置及其测量方法
CN102708349A (zh) * 2012-05-11 2012-10-03 深圳市天朗时代科技有限公司 一种矩阵式二维码的解码方法
CN103020907A (zh) * 2012-12-04 2013-04-03 上海交通大学 基于二维集合经验模态分解的dspi条纹滤波系统
CN106020827A (zh) * 2016-05-24 2016-10-12 福建师范大学 一种医用图像纹理分析系统
CN107741204A (zh) * 2017-09-21 2018-02-27 东南大学 一种用于动态三维测量的条纹增强方法
CN107942658A (zh) * 2017-11-10 2018-04-20 华侨大学 一种采用自适应滤波器的大圆机旋转周期预测方法及系统
CN108061529A (zh) * 2018-02-23 2018-05-22 西南科技大学 基于干涉图像自相关值曲率特征的表面粗糙度测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOJIAN FU等: "Recent progress on metamaterials: From effective medium model to real-time information processing system", 《PROGRESS IN QUANTUM ELECTRONICS》 *
王海霞等: "基于莫尔条纹的三维物体相关识别", 《光电子 激光》 *

Also Published As

Publication number Publication date
CN111220092B (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN111429391B (zh) 一种红外和可见光图像融合方法、融合系统及应用
Oberlin et al. An alternative formulation for the empirical mode decomposition
Trusiak et al. Two-shot fringe pattern phase-amplitude demodulation using Gram-Schmidt orthonormalization with Hilbert-Huang pre-filtering
Fleureau et al. Turning tangent empirical mode decomposition: a framework for mono-and multivariate signals
Wang et al. Iterative filtering decomposition based on local spectral evolution kernel
Shukla et al. Generalized fractional filter-based algorithm for image denoising
Chen et al. Structure-guided shape-preserving mesh texture smoothing via joint low-rank matrix recovery
Zhao et al. Parameter optimal determination for canny edge detection
CN105894498A (zh) 一种视网膜光学相干图像分割方法
Tang et al. Edge and contrast preserving in total variation image denoising
Duan et al. Introducing diffusion tensor to high order variational model for image reconstruction
CN111091107A (zh) 一种人脸区域边缘检测方法、装置及存储介质
Béarzi et al. Wavejets: A local frequency framework for shape details amplification
Trusiak et al. Hilbert-Huang processing and analysis of complex fringe patterns
CN111220092B (zh) 一种光学测量中条纹滤波器的构造方法
Trusiak et al. Space domain interpretation of incoherent moiré superimpositions using FABEMD
Tarekegn et al. Correction of SRTM DEM artefacts by Fourier transform for flood inundation modeling
CN107907542B (zh) 一种ivmd及能量估计相结合的dspi相位滤波方法
CN114255352A (zh) 一种河道提取方法、装置及计算机可读存储介质
CN107741204B (zh) 一种用于动态三维测量的条纹增强方法
Chen et al. Identification of the scraping quality for the machine tool using the smartphone
Cywińska et al. Enhancing single-shot fringe pattern phase demodulation using advanced variational image decomposition
CN106056542A (zh) 一种基于频率域滤波的干涉图背景去除方法
Gosme et al. Adaptive diffusion as a versatile tool for time-frequency and time-scale representations processing: a review
Sridevi et al. p-Laplace Variational Image Inpainting Model Using Riesz Fractional Differential Filter.

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