CN118009934A - 一种光学镜头表面粗糙度的检测方法及*** - Google Patents

Abstract

本发明公开了一种光学镜头表面粗糙度的检测方法及***，所述方法包括获取不同波长激光辐照在待测光学镜头的表面后，经成像形成的第一散斑图像和第二散斑图像；对第一散斑图像和第二散斑图像进行图像增强，对增强后的第一散斑图像进行纹理特征及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差及灰度均方根特征提取，将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型，得到第一检测值和第二检测值，将二者的平均值作为光学镜头表面粗糙度。本发明对于不同波长形成的散斑图像分别进行不同特征的提取，防止在模型检测时因特征冗余干扰检测结果，在提高检测效率的同时提高了表面粗糙度的检测精度。

Description

一种光学镜头表面粗糙度的检测方法及***

技术领域

本发明涉及光学测量技术领域，尤其涉及一种光学镜头表面粗糙度的检测方法及***。

背景技术

光学元件通常需要精密加工得到，而其表面的粗糙度对光学元件的性能有着重要影响。常见的表面粗糙度检测方法有光切显微镜测量、传统干涉测量等。光切显微镜测量中由光源发出的光经过聚光镜，穿过狭缝形成带状光束。光束再经物镜，以45度角射向工件，在凹凸不平的表面上呈现出曲折光带，再以45度角反射经物镜到达分划板上。从目镜看到的曲折亮带有两个边界，光带影像边界的曲折程度表示影像的峰谷高度，以此来测量表面粗糙度，干涉测量则是通过测量两束光的干涉条纹间距，从而计算出表面的粗糙度。然而上述方法对于设备要求较高，且由于步骤繁琐，在检测过程中容易受到干扰，从而影响检测精度。

随着人工智能技术的发展，目前已有研究将光散射与人工智能模型结合从而进行粗糙度的测量。例如通过建立散斑图像特征参数与表面粗糙度评定参数之间的关系，实现对工件表面粗糙度的高效和无损测量。然而，这种方法在进行图像特征提取时，由于特征过多过于复杂，导致训练模型时往往需要花费大量时间，且模型的检测效率并不理想。

发明内容

为了解决上述提出的至少一个技术问题，本发明提供一种光学镜头表面粗糙度的检测方法及***。

第一方面，本发明提供了一种光学镜头表面粗糙度的检测方法，所述方法包括：

将激光装置发射的激光辐照在待测光学镜头的表面上形成信号光，利用分光装置将信号光分离成波长不同的第一散射光和第二散射光；基于第一散射光和第二散射光，分别获取成像后的第一散斑图像和第二散斑图像；

对第一散斑图像和第二散斑图像进行图像增强，所述图像增强包括图像增强和归一化处理；

对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差以及灰度均方根特征提取，将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测，得到第一检测值和第二检测值；

计算第一检测值和第二检测值的平均值，得到光学镜头表面粗糙度。

优选地，所述对第一散斑图像和第二散斑图像进行图像增强，包括：

分别将第一散斑图像和第二散斑图像均匀分成若干个子图像，计算每个子图像的平整度：

β_f＝γcot^-1(δ_f)+ε,f＝1,2,...,N

式中，β_f表示子图像f的平整度指数；γ、ε表示控制平整度指数的范围因子；δ_f表示子图像f的标准偏差；

基于子图像f的平整度指数计算滤波器的最优尺度参数：

式中，μ_f表示子图像f的对应的滤波器的最优尺度参数，μ_max和μ_min分别是最优尺度参数的最大值和最小值，max(β_f)和min(β_f)分别是平整度指数的最大值和最小值；

计算各个子图像的权重：

b_f,i＝|μ_f-μ_i|,i＝1,2,3

式中，μ₁、μ₂和μ₃分别是平整度指数的最小值、中间值和最大值；b_f,1、b_f,2，b_f,3表示子图像f的三个不同尺度；w_f,c是子图像f在尺度c上的权重；i和c是尺度索引；

进行图像增强和亮度归一化处理，得到增强图像：

J_e(x,y)＝W_e(x,y)M(x,y)+l_e(x,y)(1-M(x,y))

式中，J_e(x,y)是散斑图像的增强图像，M(x,y)是散斑图像的经过亮度归一化处理后的图像；W_e(x,y)是散斑图像R、G和B颜色通道的增强效果；Δ_CF是补偿因子；l_e(x,y)是光学镜头表面图像的第e个颜色通道的亮度值；e是颜色通道索引；是卷积运算符；g_e(x,y)是光学镜头表面图像的第e个颜色通道经过滤波器处理后的效果，h是归一化因子；x和y分别是光学镜头表面图像的横坐标索引和纵坐标索引。

优选地，对增强后的第一散斑图像或第二散斑图像进行纹理特征时，包括：

利用灰度共生矩阵法提取第一散斑图像或第二散斑图像的纹理特征：

式中，E是能量；S是熵；I是惯性矩；L是相关性；H是逆差矩，G_g是灰度级数；是增强后的灰度共生矩阵；μ_x、μ_y是均值；δ_x、δ_y是方差；x和y分别是光学镜头表面图像的横坐标索引和纵坐标索引。

优选地，在所述将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测之前，还包括：

利用斯皮尔曼相关系数对提取的纹理特征进行相关性分析，根据分析结果将逆差矩特征进行剔除；

利用皮尔逊相关系数对提取的灰度均值、灰度标准差以及灰度均方根进行相关性分析，根据分析结果将灰度标准差特征进行剔除。

优选地，所述支持向量机模型的表达式为：

K(x_i,x*)＝exp(-g‖x_i-x*‖²)

式中，α₁、α₂表示拉格朗日乘子；x_i为输入样本；g为核函数参数，K(x_i,x*)为高斯径向基核函数；b为偏置值，f(x*)表示支持向量机的回归函数值。

优选地，所述方法还包括利用均绝对百分比误差和均方根误差作为支持向量机模型的评价指标。

第二方面，本发明还提供了一种光学镜头表面粗糙度的检测***，所述***包括：

图像获取单元，用于将激光装置发射的激光辐照在待测光学镜头的表面上形成信号光，利用分光装置将信号光分离成波长不同的第一散射光和第二散射光；基于第一散射光和第二散射光，分别获取成像后的第一散斑图像和第二散斑图像；

图像增强单元，用于对第一散斑图像和第二散斑图像进行图像增强，所述图像增强包括图像增强和归一化处理；

特征提取单元，用于对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差以及灰度均方根特征提取，将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测，得到第一检测值和第二检测值；

粗糙度检测单元，用于计算第一检测值和第二检测值的平均值，得到光学镜头表面粗糙度。

优选地，所述特征提取单元，还用于：

利用斯皮尔曼相关系数对提取的纹理特征进行相关性分析，根据分析结果将逆差矩特征进行剔除；

利用皮尔逊相关系数对提取的灰度均值、灰度标准差以及灰度均方根进行相关性分析，根据分析结果将灰度标准差特征进行剔除。

第三方面，本发明还提供了一种电子设备，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。

第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述第一方面及其任意一种可能实现的方式的方法。

与现有技术相比，本发明的有益效果在于：

1)本发明将激光装置发射的激光辐照在待测光学镜头的表面上形成信号光，利用分光装置将信号光分离成波长不同的第一散射光和第二散射光；基于第一散射光和第二散射光，分别获取成像后的第一散斑图像和第二散斑图像；通过利用第一散斑图像和第二散斑图像分别检测出的粗糙度再去平均值，能够基于不同的入射波长来检测光学镜头表面粗糙度，相比于采用单一光源来说，能够提高检测结果的准确度。

2)本发明通过对第一散斑图像和第二散斑图像进行图像增强，通过引入补偿因子修正MSR算法的对数函数，能够更好地保留和增强图像中的细节信息，基于平整度指数计算最优尺度参数，从而确定权重，能够有效抑制图像中的噪声，从而更好地平衡图像中的细节和噪声；通过对图像的亮度进行归一化处理，能够使得增强后的图像更加平衡和自然，提高图像质量。

3)本发明通过对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差以及灰度均方根特征提取，将提取的特征分别输入至支持向量机模型，以进行粗糙度检测，能够在不同波长下研究不同图像特征与表面粗糙度的关系，从而提高了检测结果的精确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

附图说明

为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1为本发明实施例提供的一种光学镜头表面粗糙度的检测方法的流程示意图；

图2为本发明实施例提供的一种散斑图像采集装置的结构示意图；

图3为本发明实施例提供的一种光学镜头表面粗糙度的检测***的结构示意图；

图4为本发明实施例提供的一种电子设备的硬件结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

请参阅图1，图1为本发明实施例提供的一种光学镜头表面粗糙度的检测方法的流程示意图。如图1所示，一种光学镜头表面粗糙度的检测方法，包括以下步骤：

S11、将激光装置发射的激光辐照在待测光学镜头的表面上形成信号光，利用分光装置将信号光分离成波长不同的第一散射光和第二散射光；基于第一散射光和第二散射光，分别获取成像后的第一散斑图像和第二散斑图像。

散射光斑测量表面粗糙度的基本原理是当一束光入射到粗糙表面时，由于表面是粗糙的，反射光向空间各个方向散射，形成一个散射场。因此通过获取散射光斑并提取对应的特征，就能够通过对特征分析以得到光学镜头表面粗糙度。本实施例中，具体是获取不同波长散射后得到的第一散斑图像和第二散斑图像。

参见图2，图2提供了一种获取散斑图像的测量装置。如图2所示，该测量装置包含了激光器01、分光装置02、第一相机04、第二相机05、以及载物台03。

具体地，被测光学镜头安装在载物台03上，且载物台03可移动，当载物台03移动时，可以改变激光器01入发射的入射激光的角度。激光器01用于发出设定的倾斜角度激光束，激光束经过分光装置02后，会被分为不同角度的光束射到待测光学镜头表面；由于分光装置02改变了入射光的相位，因此可以将激光器01发射出的激光束分为不同波长的入射光从而得到不同成像结果下的散斑。第一相机04、第二相机05分别用于拍摄第一散斑图像和第二散斑图像。优选地，激光器01采用准直激光器。

因此，本实施例中可以通过分光装置改变入射光的波长，从而获得不同波长入射光情况下对应的散斑图像，相比于单一波长的入射光进行测量，本实施例能够提高检测结果的精确度。

S12、对第一散斑图像和第二散斑图像进行图像增强，并对图像的亮度进行归一化处理。

通过相机拍摄散斑图像很容易存在图像细节的丢失或失真的情况，而如果只是单纯的对图像进行放大，会存在放大图像噪声导致增强后的图像质量下降的问题，因此为了保证图像质量，使得后续能够准确地提取出图像特征。本实施例需要对图像进行增强和归一化处理。

在一个实施例中，对第一散斑图像和第二散斑图像进行图像增强，包括以下步骤：

1)分别将第一散斑图像和第二散斑图像均匀分成若干个子图像，计算每个子图像的平整度：

β_f＝γcot^-1(δ_f)+ε,f＝1,2,...,N

式中，β_f表示子图像f的平整度指数；γ、ε表示控制平整度指数的范围因子；δ_f表示子图像f的标准偏差；β_f和δ_f满足逆关系。

为了保证图像增强的效果，本实施例首先对图像进行区域划分，将散斑图像均匀的分区，然后分别计算每个区域的平整度。优选地，可以先设定一个平整度阈值，然后在计算完每个区域的平整度指数后，将该区域的平整度指数与平整度阈值进行比较，如果超过就将该区域认为是非平坦区，否则就位平坦区域。

2)基于子图像f的平整度指数计算滤波器的最优尺度参数：

式中，μ_f表示子图像f的对应的滤波器的最优尺度参数，μ_max和μ_min分别是最优尺度参数的最大值和最小值，max(β_f)和min(β_f)分别是平整度指数的最大值和最小值；

3)计算各个子图像的权重：

b_f,i＝|μ_f-μ_i|,i＝1,2,3

式中，μ₁、μ₂和μ₃分别是平整度指数的最小值、中间值和最大值；b_f,1、b_f,2，b_f,3表示子图像f的三个不同尺度；w_f,c是子图像f在尺度c上的权重；i和c是尺度索引；

4)进行图像增强和亮度归一化处理，得到增强图像：

J_e(x,y)＝W_e(x,y)M(x,y)+l_e(x,y)(1-M(x,y))

式中，J_e(x,y)是散斑图像的增强图像，M(x,y)是散斑图像的经过亮度归一化处理后的图像；W_e(x,y)是散斑图像R、G和B颜色通道的增强效果；Δ_CF是补偿因子；l_e(x,y)是光学镜头表面图像的第e个颜色通道的亮度值；e是颜色通道索引；是卷积运算符；g_e(x,y)是光学镜头表面图像的第e个颜色通道经过滤波器处理后的效果，h是归一化因子；x和y分别是光学镜头表面图像的横坐标索引和纵坐标索引。

因此，本实施例通过引入补偿因子修正MSR算法的对数函数，能够更好地保留和增强图像中的细节信息，基于平整度指数计算最优尺度参数，从而确定权重，有效抑制图像中的噪声，更好地平衡图像中的细节和噪声，并对图像的亮度进行归一化处理，使增强后的图像更加平衡和自然，提高图像质量。

S13、对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差以及灰度均方根特征提取，将提取的特征分别输入至支持向量机模型进行粗糙度检测，得到第一检测值和第二检测值。

需要说明的是，粗糙表面被激光照射时，反射光会在观察平面上形成亮斑和暗斑，这些随机分布的亮斑和暗斑被称为激光散斑。通常用光强的概率密度函数描述激光散斑。然而，用光强的概率密度函数直接建立表面粗糙度测量模型具有较大难度，因此需要对散斑图像进行特征提取，以研究图像特征与粗糙度直接的关系。

具体地，可以用灰度共生矩阵法、灰度差分统计法提取散斑图像的纹理特征，其中灰度共生矩阵法可以提取能量、熵、惯性矩、相关性以及逆差矩这五个纹理特征。灰度差分统计法可以提取平均值、对比度以及熵这三个特征。还可以根据提取二值图像的前景像素占比。其中，二值图像的前景像素占比定义为二值图像中像素值为1的像素数与总像素数的比值。提取的每个原始特征参数都提供了散斑图像的信息，但是并非每一个原始特征参数都与表面粗糙度参数有良好的相关性。特征参数越多，提取特征参数的过程越复杂，模型数据维数也越高。因此在本实施例中主要以灰度共生矩阵法提取纹理特征，以及提取散斑灰度图像的相关特征。

具体地，对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，包括：

式中，E是能量；S是熵；I是惯性矩；L是相关性；H是逆差矩，G_g是灰度级数；是增强后的灰度共生矩阵；μ_x、μ_y是均值；δ_x、δ_y是方差；x和y分别是光学镜头表面图像的横坐标索引和纵坐标索引。

在一个实施例中，对增强后的第一散斑图像提取灰度均值，包括：

式中，λ₁表示第一散斑图像的灰度均值；N_x、N_y表示图像的水平方向和竖直方向的像素数，i,j表示图像的水平方向和竖直方向的像素点，I_g(i,j)表示灰度图像各像素点的灰度值。

进一步地，基于增强后的灰度共生矩阵，按照与提取第一散斑图像的纹理特征相同的方式提取第二散斑图像的纹理特征，分别得到能量E；熵S；惯性矩I；相关性L；逆差矩H这5个纹理特征。

对增强后的第二散斑图像提取灰度标准差以及灰度均方根，包括：

式中，λ₂表示第二散斑图像的灰度均值；σ、ν表示第二散斑图像的灰度标准差、灰度均方根。

因此，根据上述步骤提取的特征，可以分别构建第一散斑图像、第二散斑图像的特征组合，第一散斑图像的特征组合主要包括能量E；熵S；惯性矩I；相关性L；逆差矩H这5个纹理特征以及灰度均值λ₁这1个灰度特征；而第二散斑图像的特征组合主要包括能量E；熵S；惯性矩I；相关性L；逆差矩H这5个纹理特征以及灰度标准差σ以及灰度均方根ν这2个灰度特征；

为了进一步优化特征组合，本实施例考虑了特征之间的相关性，将相关性较弱的特征进行剔除，从而加快模型的训练速度，减少冗余特征对模型检测粗糙度能力的干扰。

在一个优选地实施方式中，在将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测之前，还包括：

1)利用斯皮尔曼相关系数对提取的纹理特征进行相关性分析，根据分析结果将逆差矩特征进行剔除。

斯皮尔曼相关系数常用于度量两个变量之间的依赖性，先对两个变量进行等级交换，然后计算二者的相关性，如果数据中不存在重复值时，当两个变量完全单调相关时，斯皮尔曼相关系数则为+1或-1。因此对于第一散斑图像的纹理特征或者第二散斑图像的纹理特征来说，可以利用斯皮尔曼相关系数来计算这5个特征之间的相关性，通过计算可知，逆差矩特征与其他特征的相关关系较弱，因此可以对该特征进行剔除。

2)利用皮尔逊相关系数对提取的灰度均值、灰度标准差以及灰度均方根进行相关性分析，根据分析结果将灰度标准差特征进行剔除。

进一步地，在对纹理特征进行剔除后，还需要对灰度特征进行相关性分析，其中第一散斑图像中的灰度特征只有灰度均值这一个，因此无需进行分析，而在第二散斑图像中的灰度特征中，一共包含了灰度标准差、灰度均方根这两个特征，因此在这一步中，通过皮尔逊相关系数分别计算了灰度标准差、灰度均方根与灰度均值之间的相关关系，从而保留相关性更强的特征，根据计算结果可知，灰度均方根与灰度均值的相关性更强，因此为了减少特征，此处将灰度标准差特征进行剔除。

经过上述特征筛选的步骤可以得到，第一散斑图像的特征共包括能量E、熵S、惯性矩I、相关性L、灰度均值λ₁；第二散斑图像的特征共包括能量E、熵S、惯性矩I、相关性L、灰度均方根ν。

最后，将第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测，得到第一检测值和第二检测值。

需要说明的是，支持向量机SVM是一种适合小样本问题的分类和回归算法。通过设置高维空间的线性回归函数，可以将建立对应的SVR模型，具体地表达式如下：

K(x_i,x*)＝exp(-g‖x_i-x*||²)

式中，α₁、α₂表示拉格朗日乘子；x_i为输入样本；g为核函数参数，K(x_i,x*)为高斯径向基核函数；b为偏置值，f(x*)表示支持向量机的回归函数值。

可以理解的是，在上述步骤中，给出了特征提取和特征筛选的过程，最后只需要将最终筛选出的特征输入至训练好的支持向量机模型中，即可得到粗糙度的检测值。因此在训练支持向量机模型，同样要基于上述实施例中所采用的特征指标进行训练，例如可以选取若干张散斑图像作为训练样本，然后对于每张样本图像，对应提取与上述实施例中相同的特征，然后对支持向量机进行训练。每训练一次后需要对模型的检测精度进行评估，评估后可以再返回特征提取的步骤，筛选和剔除无关特征，再重新选择训练模型所采用的特征，从而使得模型的检测精度更优。

优选地，可以利用均绝对百分比误差和均方根误差作为支持向量机模型的评价指标，当评价指标不满足预设条件时，就通过调整输入特征对模型进行训练，直至指标能够满足预设条件时，即认为训练得到的支持向量机模型的检测精度已经满足要求。最后将第一散斑图像的特征、第二散斑图像的特征分别输入至训练好的支持向量机模型进行粗糙度检测，就能够得到第一检测值和第二检测值。

S14、计算第一检测值和第二检测值的平均值，得到光学镜头表面粗糙度。

综上所述，本实施例首先采用分光装置对激光器发射出的光源进行分光操作，能够得到不同波长射到待测光学镜头表面所产生的散斑图像，相比于采用单一波长的光源来说，能够提高检测结果的准确度。通过对图像进行增强，能够有效抑制图像中的噪声，从而更好地平衡图像中的细节和噪声，提升了图像质量；最后，对于不同的波长得到的散斑图像，引入了斯皮尔曼相关系数和皮尔逊相关系数分析特征的相关性，最后通过筛选提取了不同的特征作为支持向量机模型输入，以进行粗糙度检测，最终将二者得到的粗糙度检测值取平均，得到了最终的光学镜头表面粗糙度，在提升检测效率的同时，大大提升了检测精度。

参见图3，在本发明某一个实施例中，还提供了一种光学镜头表面粗糙度的检测***，所述***包括：

图像获取单元100，用于将激光装置发射的激光辐照在待测光学镜头的表面上形成信号光，利用分光装置将信号光分离成波长不同的第一散射光和第二散射光；基于第一散射光和第二散射光，分别获取成像后的第一散斑图像和第二散斑图像；

图像增强单元200，用于对第一散斑图像和第二散斑图像进行图像增强，所述图像增强包括图像增强和归一化处理；

特征提取单元300，用于对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差以及灰度均方根特征提取，将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测，得到第一检测值和第二检测值；

粗糙度检测单元400，用于计算第一检测值和第二检测值的平均值，得到光学镜头表面粗糙度。

在一个实施例中，特征提取单元300，还用于：

利用斯皮尔曼相关系数对提取的纹理特征进行相关性分析，根据分析结果将逆差矩特征进行剔除；

利用皮尔逊相关系数对提取的灰度均值、灰度标准差以及灰度均方根进行相关性分析，根据分析结果将灰度标准差特征进行剔除。

可以理解的是，本实施例提供的***具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本发明还提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述任意一种可能实现的方式的方法。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述任意一种可能实现的方式的方法。

请参阅图4，图4为本发明实施例提供的一种电子设备的硬件结构示意图。

该电子设备2包括处理器21，存储器22，输入装置23，输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合，该连接器包括各类接口、传输线或总线等等，本发明实施例对此不作限定。应当理解，本发明的各个实施例中，耦合是指通过特定方式的相互联系，包括直接相连或者通过其他设备间接相连，例如可以通过各类接口、传输线、总线等相连。

处理器21可以是一个或多个图形处理器(graphics processing unit，GPU)，在处理器21是一个GPU的情况下，该GPU可以是单核GPU，也可以是多核GPU。可选的，处理器21可以是多个GPU构成的处理器组，多个处理器之间通过一个或多个总线彼此耦合。可选的，该处理器还可以为其他类型的处理器等等，本发明实施例不作限定。

存储器22可用于存储计算机程序指令，以及用于执行本发明方案的程序代码在内的各类计算机程序代码。可选地，存储器包括但不限于是随机存储记忆体(random accessmemory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器用于相关指令及数据。

输入装置23用于输入数据和/或信号，以及输出装置24用于输出数据和/或信号。输入装置23和输出装置24可以是独立的器件，也可以是一个整体的器件。

可理解，本发明实施例中，存储器22不仅可用于存储相关指令，本发明实施例对于该存储器中具体所存储的数据不作限定。

可以理解的是，图4仅仅示出了一种电子设备的简化设计。在实际应用中，电子设备还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、存储器等，而所有可以实现本发明实施例的视频解析装置都在本发明的保护范围之内。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。所属领域的技术人员还可以清楚地了解到，本发明各个实施例描述各有侧重，为描述的方便和简洁，相同或类似的部分在不同实施例中可能没有赘述，因此，在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。

在本发明所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digitalversatiledisc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-only memory，ROM)或随机存储存储器(random access memory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。

Claims (10)

1.一种光学镜头表面粗糙度的检测方法，其特征在于，所述方法包括：

将激光装置发射的激光辐照在待测光学镜头的表面上形成信号光，利用分光装置将信号光分离成波长不同的第一散射光和第二散射光；基于第一散射光和第二散射光，分别获取成像后的第一散斑图像和第二散斑图像；

对第一散斑图像和第二散斑图像进行图像增强，所述图像增强包括图像增强和归一化处理；

对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差以及灰度均方根特征提取，将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测，得到第一检测值和第二检测值；

计算第一检测值和第二检测值的平均值，得到光学镜头表面粗糙度。

2.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，所述对第一散斑图像和第二散斑图像进行图像增强，包括：

分别将第一散斑图像和第二散斑图像均匀分成若干个子图像，计算每个子图像的平整度：

β_f＝γcot^-1(δ_f)+ε,f＝1,2,...,N

式中，β_f表示子图像f的平整度指数；γ、ε表示控制平整度指数的范围因子；δ_f表示子图像f的标准偏差；

基于子图像f的平整度指数计算滤波器的最优尺度参数：

式中，μ_f表示子图像f的对应的滤波器的最优尺度参数，μ_max和μ_min分别是最优尺度参数的最大值和最小值，max(β_f)和min(β_f)分别是平整度指数的最大值和最小值；

计算各个子图像的权重：

b_f,i＝|μ_f-μ_i|,i＝1,2,3

式中，μ₁、μ₂和μ₃分别是平整度指数的最小值、中间值和最大值；b_f,1、b_f,2，b_f,3表示子图像f的三个不同尺度；w_f,c是子图像f在尺度c上的权重；i和c是尺度索引；

进行图像增强和亮度归一化处理，得到增强图像：

J_e(x,y)＝W_e(x,y)M(x,y)+l_e(x,y)(1-M(x,y))

式中，J_e(x,y)是散斑图像的增强图像，M(x,y)是散斑图像的经过亮度归一化处理后的图像；W_e(x,y)是散斑图像R、G和B颜色通道的增强效果；Δ_CF是补偿因子；l_e(x,y)是光学镜头表面图像的第e个颜色通道的亮度值；e是颜色通道索引；是卷积运算符；g_e(x,y)是光学镜头表面图像的第e个颜色通道经过滤波器处理后的效果，h是归一化因子；x和y分别是光学镜头表面图像的横坐标索引和纵坐标索引。

3.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，对增强后的第一散斑图像或第二散斑图像进行纹理特征时，包括：

利用灰度共生矩阵法提取第一散斑图像或第二散斑图像的纹理特征：

式中，E是能量；S是熵；I是惯性矩；L是相关性；H是逆差矩，G_g是灰度级数；是增强后的灰度共生矩阵；μ_x、μ_y是均值；δ_x、δ_y是方差；x和y分别是光学镜头表面图像的横坐标索引和纵坐标索引。

4.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，在所述将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测之前，还包括：

利用斯皮尔曼相关系数对提取的纹理特征进行相关性分析，根据分析结果将逆差矩特征进行剔除；

利用皮尔逊相关系数对提取的灰度均值、灰度标准差以及灰度均方根进行相关性分析，根据分析结果将灰度标准差特征进行剔除。

5.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，所述支持向量机模型的表达式为：

K(x_i,x*)＝exp(-g||x_i-x*||²)

式中，α₁、α₂表示拉格朗日乘子；x_i为输入样本；g为核函数参数，K(x_i,x*)为高斯径向基核函数；b为偏置值，f(x*)表示支持向量机的回归函数值。

6.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，所述方法还包括利用均绝对百分比误差和均方根误差作为支持向量机模型的评价指标。

7.一种光学镜头表面粗糙度的检测***，其特征在于，所述***包括：

图像获取单元，用于将激光装置发射的激光辐照在待测光学镜头的表面上形成信号光，利用分光装置将信号光分离成波长不同的第一散射光和第二散射光；基于第一散射光和第二散射光，分别获取成像后的第一散斑图像和第二散斑图像；

图像增强单元，用于对第一散斑图像和第二散斑图像进行图像增强，所述图像增强包括图像增强和归一化处理；

特征提取单元，用于对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差以及灰度均方根特征提取，将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测，得到第一检测值和第二检测值；

粗糙度检测单元，用于计算第一检测值和第二检测值的平均值，得到光学镜头表面粗糙度。

8.根据权利要求7所述的光学镜头表面粗糙度的检测***，其特征在于，所述特征提取单元，还用于：

利用斯皮尔曼相关系数对提取的纹理特征进行相关性分析，根据分析结果将逆差矩特征进行剔除；

利用皮尔逊相关系数对提取的灰度均值、灰度标准差以及灰度均方根进行相关性分析，根据分析结果将灰度标准差特征进行剔除。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1至7任一项所述的光学镜头表面粗糙度的检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行权利要求1至7任一项所述的光学镜头表面粗糙度的检测方法。