本發(fā)明涉及光學(xué)測量，更具體的涉及一種獲取干涉剪切量和剪切角的方法及裝置。

背景技術(shù)：

1、橫向剪切干涉技術(shù)是一種重要的波前檢測技術(shù)，通過在光路中引入少量的橫向位移(剪切量)，使得兩束相干光在空間上產(chǎn)生錯位的干涉圖樣，這些干涉圖樣包含了被測物體表面形狀或結(jié)構(gòu)的信息。

2、橫向剪切干涉技術(shù)的困難之處就是待測波前重建時需要精準(zhǔn)的剪切量和剪切角度，因?yàn)榧羟辛亢图羟薪嵌葲Q定了橫向剪切干涉測量中的波前重建精度?，F(xiàn)有的從干涉圖獲取剪切量算法大致可以分為：radon變換法、人工判讀畫圓移動法、邊緣檢測擬合法、最小矩形擬合法。

3、文獻(xiàn)《基于radon變換的橫向剪切干涉圖的自動檢測技術(shù)》中提及radon變換法提取剪切量，該方法是通過在干涉圖在各個角度上進(jìn)行投影，分析圖像中的直線特征，從而得到橫向剪切干涉中的剪切量和剪切角度。radon變換主要用于檢測直線特征，對于非線性特征(如曲線、彎曲的條紋)檢測效果不佳。在實(shí)際應(yīng)用中，需要對radon變換的結(jié)果進(jìn)行人工分析和調(diào)整，以確保準(zhǔn)確識別剪切量和剪切角度。

4、王凱等人2023年在文獻(xiàn)《多方位剪切相移干涉非球面測量技術(shù)研究》中提及人工判讀畫圓移動法。是通過手動移動生成的圓形框，選定水平方向和豎直方向的干涉區(qū)域，從而計(jì)算出剪切量和剪切角度，其判定水平受到人為影響較大，且效率底下，無法實(shí)現(xiàn)自動化的測量；

5、在處理實(shí)際獲取的剪切干涉圖像時，我們通常采用諸如sobel算子、prewitt算子以及canny算子等邊緣檢測算法來識別圖像中的邊界信息。然而，邊緣檢測算法會受到剪切干涉圖條紋的影響，產(chǎn)生串?dāng)_效應(yīng)，從而扭曲檢測到的邊緣輪廓，降低了邊緣信息的準(zhǔn)確性。此外，實(shí)際采集的剪切干涉圖像通常展現(xiàn)出幾個顯著特征，包括邊緣區(qū)域的梯度變化不明顯、邊緣形態(tài)趨向于離散點(diǎn)狀分布模式，以及不可避免的雜散光干擾。這些因素共同作用，使得傳統(tǒng)的邊緣檢測算法難以全面而準(zhǔn)確地捕捉圖像中的完整邊緣結(jié)構(gòu)。因此，當(dāng)應(yīng)用于此類圖像時，這些算法可能會遺漏部分邊緣細(xì)節(jié)，無法提供清晰、連續(xù)的邊界描述，從而影響后續(xù)圖像分析或處理的精度和效果。

6、例如文件(cn202311107041.6)中公開的
技術(shù)實(shí)現(xiàn)要素：
，其中所描述的邊緣檢測擬合法只適用于條紋數(shù)較少且邊緣質(zhì)量較好的干涉圖。一方面，干涉圖邊緣梯度變換不均勻，直接進(jìn)行邊緣檢測會將一部分邊緣忽略。另一方面在具有復(fù)雜紋理的干涉圖像中進(jìn)行邊緣檢測時，可能由于邊緣檢測算法的通病產(chǎn)生大量邊緣，導(dǎo)致結(jié)果不正確。且在填充條紋之間的間隙時會引入像素膨脹直徑的誤差。

7、最小矩形擬合法是將干涉圖定義為兩個圓形相互重疊，認(rèn)為包裹圖案的最小矩形框的長軸減短軸就是剪切量。最小矩形擬合法是對干涉圖進(jìn)行二值化，使用canny算子邊緣檢測后進(jìn)行像素膨脹，最后進(jìn)行最小矩形擬合。在處理真實(shí)圖像時，若該方法遇到邊緣梯度變化不顯著或存在雜散光干擾的情況，會導(dǎo)致邊緣點(diǎn)被錯誤地剔除。更為嚴(yán)重的是，在像素膨脹過程中可能會產(chǎn)生突變點(diǎn)，這些突變點(diǎn)會顯著地干擾到最小矩形的擬合過程。

8、綜上，對于橫向剪切干涉技術(shù)來說，待測波前重建時需要精準(zhǔn)的剪切量和剪切角度，這對于確保測量的精度至關(guān)重要。然而，現(xiàn)有的剪切量和剪切角度獲取算法各自存在局限性，例如人工判讀方法的效率低下和人為誤差、radon變換法對于非線性特征的識別能力不足、最小矩形擬合法在處理低質(zhì)量圖像時的邊緣檢測誤差、以及邊緣檢測擬合法在復(fù)雜紋理下的準(zhǔn)確性問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種獲取干涉剪切量和剪切角的方法及裝置，旨在提高現(xiàn)有剪切干涉剪切量和剪切角度獲取算法的通用性，克服上述方法的局限性，提升移量獲取的精度和可靠性。

2、本發(fā)明實(shí)施例提供一種獲取干涉剪切量和剪切角的方法，包括：

3、通過空間調(diào)制度質(zhì)量圖對使用橫向剪切干涉儀獲取的干涉圖進(jìn)行融合得到空間調(diào)制質(zhì)量圖，所述空間調(diào)制質(zhì)量圖根據(jù)伽馬變化，得到伽馬變換圖；

4、所述伽馬變換圖通過canny算子和find?contours算法，得到伽馬變換圖邊緣信息，確定所述伽馬變換圖邊緣信息的最大輪廓曲線，根據(jù)所述最大輪廓取消得到伽馬變換圖掩碼；

5、根據(jù)所述伽馬變換圖、伽馬變換圖掩碼和grabcut算法，得到與所述伽馬變換圖對應(yīng)的干涉區(qū)域分割圖和最終分割標(biāo)簽；

6、所述干涉區(qū)域分割圖進(jìn)行canny邊緣檢測得到干涉區(qū)域邊緣信息，基于最小矩陣擬合算法對所述干涉區(qū)域邊緣信息進(jìn)行分割，得到上下邊緣或左右邊緣，所述上下邊緣或所述左右邊緣根據(jù)約束型最小二乘法圓擬合算法，確定圓心點(diǎn)位置以及剪切量和剪切角度。

7、優(yōu)選地，所述上下邊緣或所述左右邊緣根據(jù)約束型最小二乘法圓擬合算法，確定圓心位置以及剪切量和剪切角度，具體包括：

8、當(dāng)所述干涉區(qū)域邊緣信息對應(yīng)的干涉圖為x方向四步相移干涉圖時，將所述左右邊緣輸入約束型最小二乘法圓擬合算法；當(dāng)所述干涉區(qū)域邊緣信息對應(yīng)的干涉圖為y方向四步相移干涉圖時，將所述上下邊緣輸入約束型最小二乘法圓擬合算法；

9、根據(jù)下列公式確定最小二乘法確定最佳包含圓心項(xiàng)：

10、p＝(ata)-1atb

11、其中，a表示觀測矩陣，p表示要擬合的圓的參數(shù)，b表示是擬合方程的常數(shù)項(xiàng)，表示所有樣本點(diǎn)的坐標(biāo)值xi與坐標(biāo)值均值之間的偏差，表示所有樣本點(diǎn)的坐標(biāo)值yi與坐標(biāo)值均值之間的偏差，i＝1,2，3，...，n，xc表示擬合圓的圓心x坐標(biāo)，yc表示擬合圓的圓心y坐標(biāo)，r表示擬合圓的半徑，p0表示圓心在x軸上的坐標(biāo)xc，p1表示是圓心在y軸上的坐標(biāo)yc，p2表示一個與圓的半徑r相關(guān)的項(xiàng)。

12、優(yōu)選地，所述根據(jù)所述伽馬變換圖、伽馬變換圖掩碼和grabcut算法，具體包括：

13、確定所述伽馬變換圖中所有像素的灰度值集合，將伽馬變換圖中任意一個像素確定為數(shù)據(jù)點(diǎn)，根據(jù)所述數(shù)據(jù)點(diǎn)與高斯分布中心之間的距離，與所述數(shù)據(jù)點(diǎn)對應(yīng)的數(shù)據(jù)的維度，通過下列公式確定任意一個像素在第k個高斯分布下的概率：

14、

15、根據(jù)任意一個像素在第k個高斯分布下的概率，第k個高斯成分的混合系數(shù)和高斯混合模型的成分?jǐn)?shù)量，通過高斯混合模型確定每個像素的前景概率和背景概率：

16、

17、根據(jù)每個像素的前景概率，每個像素的背景概率和高斯混合模型的標(biāo)簽通過下列公式確定每個像素的灰度值與前景模型的匹配程度、每個像素的灰度值與背景模型的匹配程度：

18、

19、根據(jù)每個像素的灰度值與前景模型的匹配程度、每個像素的灰度值與背景模型的匹配程度和鄰近像素之間標(biāo)簽的連續(xù)性，通過下列公式確定能量函數(shù)：

20、e(l，θ，z)＝u(l，θ，z)+v(l，z)

21、其中，n(zi|μk，∑k)表示第k個高斯成分的概率密度函數(shù)，zi表示輸入的數(shù)據(jù)點(diǎn)，μk表示第k個高斯成分的均值，∑k表示第k個高斯成分的協(xié)方差矩陣，d表示伽馬變換圖包括的數(shù)據(jù)點(diǎn)的維度，(2π)d/2用來確保概率密度函數(shù)的積分為1，|∑k|1/2為協(xié)方差矩陣的行列式的平方根，表示高斯分布的尺，是馬氏距離的計(jì)算，用來衡量數(shù)據(jù)點(diǎn)zi與高斯分布中心μk之間的距離，指數(shù)項(xiàng)是高斯分布的核心部分，表示數(shù)據(jù)點(diǎn)zi落在該高斯分布下的概率；k表示高斯混合模型的成分?jǐn)?shù)量，πk代表是第個高斯成分的混合系數(shù)，表示該成分對總前景概率的貢獻(xiàn)，n(zi|μk，∑k)是第k個高斯成分的概率密度函數(shù)，表示像素zi在第k個高斯分布下的概率；表示像素zi在給定標(biāo)簽li下的像素灰度值分布gmm建模概率，是對應(yīng)標(biāo)簽lj的gmm的參數(shù)；l表示圖像中像素的標(biāo)簽集合，前景為1，背景為0，l＝mask(x，y)＝{l1，l2，...，ln}，z表示圖像中所有像素的灰度值集合，z＝gamma(x，y)＝{z1，z2，...，zn}，θ表示gmm的參數(shù)集；u(l，θ，z)表示數(shù)據(jù)項(xiàng)，表示像素的灰度值與前景模型/背景模型的匹配程度，v(l，z)是平滑項(xiàng)，表示鄰近像素之間標(biāo)簽的連續(xù)性，e(l，θ，z)表示能量函數(shù)。

22、優(yōu)選地，所述鄰近像素之間標(biāo)簽的連續(xù)性通過下列公式確定：

23、

24、其中，n表示所有相鄰像素對的集合，[li≠lj]為指示函數(shù)，當(dāng)相鄰像素標(biāo)簽不同時取值為1，否則為0；||zi-zj||是像素i和j之間的像素灰度值距離，σ是像素灰度值差異的標(biāo)準(zhǔn)差，β是控制平滑項(xiàng)的權(quán)重參數(shù)。

25、優(yōu)選地，所述確定能量函數(shù)之后，還包括：

26、對所述能量函數(shù)進(jìn)行最小化優(yōu)化，將干涉區(qū)域分隔圖和最終分割表示。

27、優(yōu)選地，所述基于最小矩陣擬合算法對所述干涉區(qū)域邊緣信息進(jìn)行分割，具體包括：

28、當(dāng)所述干涉區(qū)域邊緣信息對應(yīng)的干涉圖為x方向四步相移干涉圖時，最小矩形接觸點(diǎn)處將所述干涉區(qū)域邊緣信息對應(yīng)的整體邊緣分為左邊緣、右邊緣以及無效區(qū)域；

29、當(dāng)所述干涉區(qū)域邊緣信息對應(yīng)的干涉圖為y方向四步相移干涉圖時，最小矩形接觸點(diǎn)處將所述干涉區(qū)域邊緣信息對應(yīng)的整體邊緣分為上邊緣、下邊緣以及無效區(qū)域。

30、優(yōu)選地，所述確定剪切量和剪切角度，具體包括：

31、根據(jù)圓心點(diǎn)位置確定圓心距，將圓心距確定為設(shè)定方向的剪切量；

32、根據(jù)圓心點(diǎn)位置確定圓心，將兩個圓心的相連線與x軸和y軸之間的夾角為剪切角。

33、本發(fā)明實(shí)施例提供一種獲取干涉剪切量和剪切角的裝置，包括：

34、第一得到單元，用于通過空間調(diào)制度質(zhì)量圖對使用橫向剪切干涉儀獲取的干涉圖進(jìn)行融合得到空間調(diào)制質(zhì)量圖，所述空間調(diào)制質(zhì)量圖根據(jù)伽馬變化，得到伽馬變換圖；

35、第二得到單元，用于所述伽馬變換圖通過canny算子和find?contours算法，得到伽馬變換圖邊緣信息，確定所述伽馬變換圖邊緣信息的最大輪廓曲線，根據(jù)所述最大輪廓取消得到伽馬變換圖掩碼；

36、第三得到單元，用于根據(jù)所述伽馬變換圖、伽馬變換圖掩碼和grabcut算法，得到與所述伽馬變換圖對應(yīng)的干涉區(qū)域分割圖和最終分割標(biāo)簽；

37、確定單元，用于所述干涉區(qū)域分割圖進(jìn)行canny邊緣檢測得到干涉區(qū)域邊緣信息，基于最小矩陣擬合算法對所述干涉區(qū)域邊緣信息進(jìn)行分割，得到上下邊緣或左右邊緣，所述上下邊緣或所述左右邊緣根據(jù)約束型最小二乘法圓擬合算法，確定圓心點(diǎn)位置以及剪切量和剪切角度。

38、本發(fā)明實(shí)施例提供一種計(jì)算機(jī)設(shè)備，其特征在于，所述計(jì)算機(jī)設(shè)備包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時，使得所述處理器執(zhí)行上述任意一項(xiàng)所述獲取干涉剪切量和剪切角的方法。

39、本發(fā)明實(shí)施例提供一種計(jì)算機(jī)可讀存儲介質(zhì)，存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時，使得所述處理器執(zhí)行上述任意一項(xiàng)所述獲取干涉剪切量和剪切角的方法。

40、本發(fā)明實(shí)施例提供一種獲取干涉剪切量和剪切角的方法及裝置，該方法包括：通過空間調(diào)制度質(zhì)量圖對使用橫向剪切干涉儀獲取的干涉圖進(jìn)行融合得到空間調(diào)制質(zhì)量圖，所述空間調(diào)制質(zhì)量圖根據(jù)伽馬變化，得到伽馬變換圖；所述伽馬變換圖通過canny算子和find?contours算法，得到伽馬變換圖邊緣信息，確定所述伽馬變換圖邊緣信息的最大輪廓曲線，根據(jù)所述最大輪廓取消得到伽馬變換圖掩碼；根據(jù)所述伽馬變換圖、伽馬變換圖掩碼和grabcut算法，得到與所述伽馬變換圖對應(yīng)的干涉區(qū)域分割圖和最終分割標(biāo)簽；所述干涉區(qū)域分割圖進(jìn)行canny邊緣檢測得到干涉區(qū)域邊緣信息，基于最小矩陣擬合算法對所述干涉區(qū)域邊緣信息進(jìn)行分割，得到上下邊緣或左右邊緣，所述上下邊緣或所述左右邊緣根據(jù)約束型最小二乘法圓擬合算法，確定圓心點(diǎn)位置以及剪切量和剪切角度。該方法通過構(gòu)建空間調(diào)制度質(zhì)量圖，實(shí)現(xiàn)了融合多幅相移圖片的邊緣信息，消除條紋對邊緣檢測的影響；同時，使用改進(jìn)的grabcut算法自動分割出干涉區(qū)域圖像，避免了人工的介入，其以能量集中形式將邊緣表達(dá)出來，規(guī)避了邊緣檢測中因?yàn)樘荻确ㄕ`刪邊緣的缺陷；利用最小矩形擬合算法篩選和輸出有效邊緣，使定義左右和上下邊緣不需要人工的介入；利用改進(jìn)的約束型最小二乘圓擬合算法輸出圓心，這樣做可以避免數(shù)據(jù)分布不均的情況引起的誤差，使初始估計(jì)的圓心更加接近實(shí)際圓心；本發(fā)明實(shí)施例提供的方法，提升了剪切量和剪切角度獲取的精度和可靠性。