利用高阶高斯回归滤波和Radon变换提取表面特征的方法技术

本发明专利技术公开了利用高阶高斯回归滤波和Radon变换提取表面特征的方法，其通过缸体表面的测试数据和滤波中线得到表面粗糙度数据，对表面粗糙度数据进行Radon变化，并求得极大值点主要分布值得到沟槽中心线信息，进一步得到所有沟槽的宽度信息，从而依据获得缸体表面沟槽信息以评估缸体的加工过程，该方法利用高阶高斯回归滤波对表面形貌数据进行预处理，然后结合Radon变换的特点将其运用在了珩磨表面沟槽特征的提取上，解决沟槽密集处由于特征方向性减弱所造成的特征提取困难的问题。

A Method of Extracting Surface Features by High-order Gauss Regression Filtering and Radon Transform

The invention discloses a method for extracting surface features by using high-order Gauss regression filtering and Radon transform. The surface roughness data are obtained through the test data of the cylinder surface and the median line of the filtering, the Radon change of the surface roughness data is made, and the information of the center line of the groove is obtained by calculating the distribution of the maximum points, and the width information of all grooves is further obtained, so that the cylinder can be obtained according to the measurement data of the cylinder surface The groove information on the body surface is used to evaluate the processing process of the cylinder block. The method preprocesses the surface topography data using high-order Gauss regression filter, and then applies it to the extraction of groove features on honing surface combining with the characteristics of Radon transform, so as to solve the problem of feature extraction difficulties caused by the weakening of feature orientation in the dense groove areas.

【技术实现步骤摘要】
利用高阶高斯回归滤波和Radon变换提取表面特征的方法
本专利技术属于测量领域，具体涉及利用高阶高斯回归滤波和Radon变换提取表面特征的方法。
技术介绍
随气缸表面特征的形状与分布影响着发动机整体效率、油耗、废气排放等性能表现，对于发动机性能有着至关重要的影响。气缸表面的沟槽是气缸表面重要的特征，主要功能是存储润滑油，为摩擦副提供润滑。准确的提取沟槽的信息对于评定缸体的储油、润滑、磨损有着重要的意义。由于直接通过SEM测量得到缸孔表面数据是含有缸孔形状的，如果要进一步对表面特征分析，需要提取并去除缸孔形状的影响。长久以来，表面性质的研究一般都是基于对二维表面轮廓线的分析，ISO1302:2002中建立了一套基于表面轮廓线的参数标准，并且得到广泛的应用，但气缸表面经过珩磨处理后，其表面特征有着明显的空间上的方向性而并不仅仅是二维的，而实际上这种珩磨的表面轮廓线空间上的方向性会直接影响到表面性能的发挥，因此基于二维轮廓线的参数体系不足以描述表面性能，需要从三维表面入手解决问题。由于珩磨处理表面特征以沟槽等直线特征为主，所以Radon算法作为一种对方向性特征敏感的算法被广泛使用，J.Beyerer就在文章中提出了Radon变换在沟槽提取中的可能，C.Anderberg等人在对气缸磨损特征化的研究中使用了Radon变换作为珩磨沟槽的提取算法，并取得了一定的效果。目前，现有技术中的Radon算法仍然存在不少缺陷：(1)在表面沟槽特征杂乱的情况下，特征方向性变差，由此Radon算法变换识别能力下降；(2)Radon变换后图像内极大值点的提取方法也需要设计，若提取的极大值点区域过大会出现不必要的波纹线；(3)对于图像角落里的被截断的沟槽特征，由于截断的发生使得沟槽特征短小，Radon变换的提取效果也不甚理想。在实际提取中会出现问题，珩磨加工后的表面除了明显的较深的沟槽外，还有很多平台上的较浅的沟槽特征和其他因素造成的轻微划痕，这些浅沟槽和轻微划痕虽然不显著，但在深沟槽的提取过程中会对结果造成干扰，另外本身深沟槽在分布密集的情况下，方向性特征也会减弱，所以直接使用Radon变换并不能很好地提取特征。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了利用高阶高斯回归滤波和Radon变换提取表面特征的方法，其通过缸体表面的测试数据和滤波中线得到表面粗糙度数据，在对表面粗糙度数据进行Radon变化，并求得极大值点主要分布值得到沟槽中心线信息，进一步得到所有沟槽的宽度信息，从而依据获得缸体表面沟槽信息以评估缸体的加工过程，解决沟槽密集处由于特征方向性减弱所造成的特征提取困难的问题。为实现上述目的，按照本专利技术的一个方面，提供了利用高阶高斯回归滤波和Radon变化提取表面特征的方法，具体步骤为：S1.测试得到缸体表面的测试数据z(t)，计算缸孔表面的滤波中线C(t)，得到表面粗糙度数据f(t)＝z(t)-C(t)，t为缸体表面测试点的坐标值；S2.求解表面粗糙度数据f(t)所有的极小值点并进行Radon变换，Radon变换为从角度θ和距离l上对表面数据进行泛函积分从而得到数组[alθ]，alθ为数组元素；S3.将数组[alθ]的每列的数据累加得到一个数组其中thr为Radon变化积分线距中心点距离的最大值，将数组作图得到极大值点主要分布的三个θ值；S4.提取极大值点主要分布的三个θ值在数组[alθ]的三列数据，统计三列数据中的极大值点并得到极大值点的纵坐标l；统计所有极大值点的θ和l的数据从而得到所有沟槽的中心线信息；S5.依据所有沟槽的中心线信息和表面粗糙度数据得到所有沟槽的宽度信息，从而依据获得缸体表面沟槽信息以评估缸体的加工过程。作为本专利技术的进一步改进，步骤S2中f(t)所有的极小值点的求法为：以f(x,y)替代f(t)，x和y分别为t的横坐标和纵坐标；选择f(x,y)的单列数据，当f(i-1)＞f(i)且f(i+1)＞f(i)时，f(i)为一个极小值点，f(i-1)、f(i)、f(i+1)分别指选取的单列数据第i-1、i和i+1点的数据；选择f(x,y)的单行数据，当f(j-1)＞f(j)且f(j+1)＞f(j)时，f(j)为一个极小值点，f(j-1)、f(j)、f(j+1)分别指选取的单行数据第j-1、j和j+1点的数据。作为本专利技术的进一步改进，步骤2中求得的极小值点的f(t)值设置有预设的阈值，f(t)超过所述预设的阈值的点则判断为非极小值点。作为本专利技术的进一步改进，步骤S4中统计三列数据中的极大值点的求法为：对于主要分布的三个θ值在数组[alθ]的三列数据，当a(k-1)＜a(k)且a(k+1)＜a(k)时，a(k)为一个极大值点，a(k-1)、a(k)、a(k+1)分别指选取的单列数据第k-1、k和k+1点的数据。作为本专利技术的进一步改进，利用高斯滤波公式计算滤波中线C(t)，计算公式为：其中，ξ为高斯滤波的自变量即高斯卷积运算中的自变量，s(t)为滤波算子。作为本专利技术的进一步改进，引入归一化的滤波算子利用归一化高斯滤波公式计算滤波中线C(t)，计算公式为：作为本专利技术的进一步改进，利用迭代的高阶高斯回归滤波算法计算滤波中线C(t)，该算法具体步骤为：(1)迭代初始值δ(1)＝1，迭代次数i＝M，M为自然数，收敛条件ε＞0；从i＝1开始，计算第i次的滤波中线C(t)，计算公式为；式中，δ(i)为稳健性函数，β1(t)为高阶高斯滤波的第一系数，β2(t)为高阶高斯滤波的第二系数；(2)计算第i+1次的稳健性函数δ(i+1)；式中，CB＝4.4×Median(|z(ξ)-C(ξ)|)，CB为第三系数；(3)迭代终止条件|δ(i+1)-δ(i)|≤ε，迭代终止的第i次的滤波中线C(t)即为所求。作为本专利技术的进一步改进，步骤2首先判断是否满足条件否则令δ(i+1)＝0。作为本专利技术的进一步改进，步骤S5中所有沟槽的宽度信息可以利用Canny算法计算每一点到中心线位置的距离，统计所有点的距离信息选择出现第一个统计峰值的距离作为该沟槽宽度的一半。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：1.本专利技术的利用高阶高斯回归滤波和Radon变换提取表面特征的方法，用高阶高斯回归滤波对表面形貌数据进行预处理，然后结合Radon变换的特点将其运用在了珩磨表面沟槽特征的提取上，将最后对沟槽提取的结果参数与通过二维轮廓线提取的沟槽参数进行了对比，通过三维表面提取形貌特征的方法可以得到更多的表面信息，解决沟槽密集处由于特征方向性减弱所造成的特征提取困难的问题，将对沟槽特征整体的提取简化为对沟槽中心线的提取，与从二维轮廓线提取的表面特征进行了对比，结果表明采用本方法所提取的缸体表面特征不仅包含了更丰富的特征信息，而且特征提取结果对表面的局部奇异点具有更强的稳健性。2.本专利技术的利用高阶高斯回归滤波和Radon变换提取表面特征的方法,将沟槽特征以深度为标准进行分类，排除浅沟槽和轻微划痕对提取效果的干扰，之后将提取沟槽特征整体简化为对沟槽中心线的提取，通过这种方法减轻沟槽密集处方向性的消减。3.本专利技术的利用高阶高斯回归滤波和Radon变换提取表面特征的方法，引入归一化高阶高斯滤波公式，通过滤波算子的修正，有本文档来自技高网...

【技术保护点】
1.利用高阶高斯回归滤波和Radon变化提取表面特征的方法，其特征在于，具体步骤为：S1.测试得到缸体表面的测试数据z(t)，计算缸孔表面的滤波中线C(t)，得到表面粗糙度数据f(t)＝z(t)‑C(t)，t为缸体表面测试点的坐标值；S2.求解表面粗糙度数据f(t)所有的极小值点并进行Radon变换，Radon变换为从角度θ和距离l上对表面数据进行泛函积分从而得到数组[alθ]，alθ为数组元素；S3.将数组[alθ]的每列的数据累加得到一个数组

【技术特征摘要】
1.利用高阶高斯回归滤波和Radon变化提取表面特征的方法，其特征在于，具体步骤为：S1.测试得到缸体表面的测试数据z(t)，计算缸孔表面的滤波中线C(t)，得到表面粗糙度数据f(t)＝z(t)-C(t)，t为缸体表面测试点的坐标值；S2.求解表面粗糙度数据f(t)所有的极小值点并进行Radon变换，Radon变换为从角度θ和距离l上对表面数据进行泛函积分从而得到数组[alθ]，alθ为数组元素；S3.将数组[alθ]的每列的数据累加得到一个数组其中thr为Radon变化积分线距中心点距离的最大值，将数组作图得到极大值点主要分布的三个θ值；S4.提取极大值点主要分布的三个θ值在数组[alθ]的三列数据，统计三列数据中的极大值点并得到极大值点的纵坐标l；统计所有极大值点的θ和l的数据从而得到所有沟槽的中心线信息；S5.依据所有沟槽的中心线信息和表面粗糙度数据得到所有沟槽的宽度信息，从而依据获得缸体表面沟槽信息以评估缸体的加工过程。2.根据权利要求1所述的利用高阶高斯回归滤波和Radon变化提取表面特征的方法，其特征在于，步骤S2中f(t)所有的极小值点的求法为：以f(x,y)替代f(t)，x和y分别为t的横坐标和纵坐标；选择f(x,y)的单列数据，当f(i-1)＞f(i)且f(i+1)＞f(i)时，f(i)为一个极小值点，f(i-1)、f(i)、f(i+1)分别指选取的单列数据第i-1、i和i+1点的数据；选择f(x,y)的单行数据，当f(j-1)＞f(j)且f(j+1)＞f(j)时，f(j)为一个极小值点，f(j-1)、f(j)、f(j+1)分别指选取的单行数据第j-1、j和j+1点的数据。3.根据权利要求2所述的利用高阶高斯回归滤波和Radon变化提取表面特征的方法，其特征在于，步骤2中求得的极小值点的f(t)值设置有预设的阈值，f(t)超过所述预设的阈值的点则判断为非极小值点。4.根据权利要求1所述的利用高阶高斯回归滤波和Radon变...

【专利技术属性】
技术研发人员：卢文龙，戴嘉程，王健，杨文军，刘晓军，周莉萍，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42