[发明专利]模糊C均值聚类光干涉条纹图二值化方法

说明书

本发明涉及光学检测和光信息处理技术领域，为提出基于改进的模糊C均值聚类算法的光条纹图二值化方法，为此，本发明采取的技术方案是：模糊C均值聚类光干涉条纹图二值化方法，通过改进原模糊C均值聚类算法的目标函数，使其在聚类的同时实现光照不均的补偿，从而实现对光照不均的条纹图进行二值化。本发明主要应用于光学检测和光信息处理场合。

技术领域

本发明涉及光学检测和光信息处理技术领域，具体讲,涉及一种基于改进的模糊C均值聚类算法的光干涉条纹图二值化方法。

背景技术

随着光学工程和计算机技术的发展，光学干涉技术成为一种重要的无损检测方法，具有全场、非接触、精度高等优点。光学干涉技术主要有：云纹干涉法、全息干涉法、电子散斑干涉法、剪切电子散斑干涉测试技术。光学干涉技术利用光的干涉原理对被测物体进行精密测量，测量精度达到波长级别。测量的结果最终以光学干涉条纹图的形式呈现，被测物理量包含在光学干涉条纹图中，通过分析光学干涉条纹图可以提取被测物体信息。骨架线法是动态测量中常用的条纹图分析方法，该方法首先需要对条纹图进行滤波，然后进行条纹图二值化处理，最后提取骨架线。因此，对条纹图二值化是该方法的重要步骤，影响着后续处理的准确性。然而，与条纹图滤波相比，条纹图二值化的相关文献较少，并且，在对大尺度物体进行测量时，常常会因为光照不均而引起条纹图的光强度不均，对于光照不均的条纹图进行二值化是具有挑战性的。

目前常用的条纹图二值化方法是阈值法，该方法的二值化结果主要取决于阈值的选取。阈值法主要分为全局阈值法和局域阈值法。而阈值法对光照不均的条纹图很难获得准确的二值化结果，因为光强度不均会影响阈值的选取。

如今，机器学习领域的研究与应用取得了巨大进展。模糊C均值聚类(Fuzzy C-means clustering)是一种著名的无监督学习方法。有很多文献对经典的模糊C均值聚类算法进行了改进，拓展了他的应用范围。因此，将改进的模糊C均值聚类算法应用到光干涉条纹图的二值化处理中对光干涉测量技术的发展具有重要意义。

发明内容

为克服现有技术的不足，本发明旨在提出基于改进的模糊C均值聚类算法的光条纹图二值化方法，为此，本发明采取的技术方案是：模糊C均值聚类光干涉条纹图二值化方法，通过改进原模糊C均值聚类算法的目标函数，使其在聚类的同时实现光照不均的补偿，从而实现对光照不均的条纹图进行二值化。

具体步骤如下：

(1)输入一幅含有光照不均的光干涉条纹图f(x,y)，x＝1,…,m；y＝1,…,n，m,n为图像f(x,y)的尺寸，一幅条纹图的光强分布定义为：

I(x,y)＝a(x,y)+b(x,y)cos(φ(x,y))+noise(1)

a(x,y)代表背景部分；b(x,y)cos(φ(x,y))代表条纹部分；noise代表噪声部分；设p＝a(x,y)，q＝b(x,y)cos(φ(x,y))，w＝noise，f＝p+q+w；

将邻域项引入原始的FCM算法的目标函数:

X＝[x₁,x₂,…,x_N]^T代表具有N个像素点的图像；c代表聚类中心的个数；u_ij代表x_j在第i类的隶属度；vi是第i个聚类中心；||·||代表矩阵的范数；β∈[1,∞]是隶属度权重指数；代表以x_j为中心窗口内的点的集合；N_R是集合内元素的个数；α是用来控制(2)中第二项比重的参数；

将除背景以外的部分f-p代入式(2)得