劈尖干涉matlab程序

劈尖干涉matlab程序
劈尖干涉matlab程序

Lambda=input('请输入波长/nm');

m=input('请输入起点暗条纹级数');

n=input('请输入终点暗条纹级数');

l=input('请输入起点暗条纹到终点暗条纹的距离/mm'); L=input('请输入劈尖长度/mm');

s=l/(n-m);

D=L/s*Lambda/2*10^(-6);

theta=(Lambda/2)/(s*10^6);

disp(['劈尖厚度D=/mm',num2str(D)])

disp(['相邻条纹间距s=/mm',num2str(s)])

x=0:0.001:s*(n-m);

y=0:0.001:1;

a=2*pi/Lambda;

[X,Y]=meshgrid(x,y);

R1=0;

R2=2*X*10^6*theta+Lambda/2;

I=cos(a.*(R2-R1));

figure;

colormap(gray);

clear x y R1 R2

mesh(X,Y,I);

view(0,90);

title('干涉条纹图像');

干涉条纹图数字图像处理

干涉条纹图的数字图像处理 滤波 由于CCD 拍摄的图像中存在很大的噪声,滤除噪声的干扰对后期的处理相当重要。由于噪声的多样性,本文采用W iener 自适应滤波【】,W iener 自适应滤波根据图像的局部方差来调整滤波器的输出。当局部方差大时,滤波器平滑效果强。 对灰度图中的每一个像素点()j i f ,, W iener 滤波器采用的算法首先估计出像素的局部矩阵μ和方差2σ: ()∑∈=ημj i j i f MN ,,1 (1) ()2,22,1μση-=∑∈j i j i f MN (2) η是图像中每个像素的N M ?的邻域。个像素利用W iene 旎波器估计出其灰度值: ()()()μσ νσμ--+=j i f j i b ,,222 (3) 式中:2ν是图像中噪声的方差。 细化处理 对滤波后的图像先进行二值化,并对二值化的干涉条纹进行细化处理【】。干涉条纹的细化难点在于解决骨架的抽取,防止断点出现和剔除毛刺。基于以上的考虑,本文利用数学形态学【】中的零交叉细化法来进行图像的细化。其优点是对条纹的平滑和骨架抽取同时进行,并且可以有效地防止分支和解决易产生断点的问题,其算法如下。 图1所示为图像中的一个3x3区域,各点标记名称为

9321,,,,P P P P ???, ,其中1P 位于中心,若11=P (即黑点),下而4个条件如果同时满足,则删除()011=P P 。 ()()()()???????≠=??≠=??=≤≤10Z 01001062464228 4211P P P P P Z P P P P Z P NZ 或者或者 (4) 图1图像区域 根据上而的算法,对图像中的每一点重复这一步骤,直到所有的 点都不可删除为止,图像便可得到细化。 13亚像素边缘检测 对细化后的图像利用Zemike 正交矩【】对边缘进行亚像素定位。Zemike 矩是积分型算子,对噪声不敏感,建立理想的阶跃边缘模型如图2所示。 图2理想阶跃边缘模型 图2中:b 为单位圆内的背景灰度、h 为阶跃高度,;L 为边缘上的直线,;a 为圆盘中心到边缘的垂直距离,’e 为边缘与x 轴所成的角度。Zemike 矩的多项式定义为 ()θθρin nm nm e R V =, (5) 式中:nm R 是Zemike 矩的正交多项式。 图像()y x f ,的二维Zemike 矩在的条件下可表示为 ()()θρ,,*nm x y nm V y x f Z ∑∑= ( 6) 对于一幅大小N N ?的数字离散化二维图像的Zem ike 矩可以表示为

干涉条纹图数字图像处理

干涉条纹图的数字图像处理 滤波 由于CCD 拍摄的图像中存在很大的噪声,滤除噪声的干扰对后期的处理相当重要。由于噪声的多样性,本文采用W iener 自适应滤波【】,W iener 自适应滤波根据图像的局部方差来调整滤波器的输出。当局部方差大时,滤波器平滑效果强。 对灰度图中的每一个像素点()j i f ,, W iener 滤波器采用的算法首先估计出像素的局部矩阵μ和方差2σ: ()∑∈ = ημj i j i f MN ,,1 (1) ()2 ,2 2,1μ ση-= ∑∈ j i j i f MN (2) η是图像中每个像素的N M ?的邻域。个像素利用W iene 旎波器估计出其灰度值: ()()()μσ νσμ--+=j i f j i b ,,2 2 2 (3) 式中:2ν是图像中噪声的方差。 细化处理 对滤波后的图像先进行二值化,并对二值化的干涉条纹进行细化处理【】。干涉条纹的细化难点在于解决骨架的抽取,防止断点出现和剔除毛刺。基于以上的考虑,本文利用数学形态学【】中的零交叉细化法来进行图像的细化。其优点是对条纹的平滑和骨架抽取同时进行,并且可以有效地防止分支和解决易产生断点的问题,其算法如下。 图1所示为图像中的一个3x3区域,各点标记名称为

9321,,,,P P P P ???, ,其中1P 位于中心,若11=P (即黑点),下而4个条件如果同时满足,则删除()011=P P 。 ()()()()???????≠=??≠=??=≤≤1 0Z 0100106 2464228 4211P P P P P Z P P P P Z P NZ 或者或者 (4) 图1图像区域 根据上而的算法,对图像中的每一点重复这一步骤,直到所有的点都不可删除为止,图像便可得到细化。 13亚像素边缘检测 对细化后的图像利用Zemike 正交矩【】对边缘进行亚像素定位。Zemike 矩是积分型算子,对噪声不敏感,建立理想的阶跃边缘模型如图2所示。 图2理想阶跃边缘模型 图2中:b 为单位圆内的背景灰度、h 为阶跃高度,;L 为边缘上的

相关主题
相关文档
最新文档