相干光学信息处理讲课稿.ppt

《相干光学信息处理讲课稿.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、相干光学信息处理ii)在频谱面上的频谱为：(9.1.2)iii)在频谱面上放置一低通滤波器，只让中心(m=n=0)的通过，即iv)在像面上：即在像面上得到原物的函数，而将其网点、扫描线等噪声去掉。(9.1.2)a有周期性网点图像b经网格滤波处理后的图像图9.1.1经网格滤波处理后的图像9.2图像的相加和相减两幅图A、B，有相同部分，又有不同部分取相同部分，弃去不同部分，用相加法取不同部分，弃去相同部分，用相减法一、马赫干涉仪法：PA-----A幅图，PB-----B幅图，q相位补偿器，Pi象面图9.2

2、.1用马赫干涉仪实现图象相加减设P1与P2两路光的位相差为，其值可通过位相补偿器调节，则在像面上的复振分布为：当：时，则-----------------获图像相加(9.2.2)当：时，则：-------------获图像相减特点：（1）光路，原理简单（2）调节困难，（精确重合难）(9.2.3)二、利用光栅滤波实现图像相加减A.光路图中：A、B两图离轴的距离为---光栅空间频率---透镜焦距图9.2.2用光栅实现图象相加减滤波器：在谱面上插入一块正弦光栅，使坐标原点位于光栅的1/4周期处，或有位移）(

3、9.2.5)B．数学分析i）物光场ii）谱：(9.2.6)(9.2.7)上式可写为：iii)经滤波后的频谱为：(9.2.8)(9.2.9)iv)在象面上，光场为：(9.2.10)讨论：（1）当时，由一、二项看出，在中心部位（处），图象相加。(9.2.11)(2)当时则：由一、二项看出，在中心部位（处），图象相减。(9.2.12)9.3图像的边缘增强有些图像衬底很低，图像的各部分的强度变化很小，不容易辨认。如果能使图像各部分结构的边缘与中间部分比较变得较为光亮，成为一个轮廓分明的图像，就会一目了然，这种

4、图像处理方法，称为图像的边缘增强。高通滤波器是图像边缘增强的最简单的方法1、用复数滤波器实现图像的边缘增强（1）光路：系统图9.3.14f相干处理系统（2）分析：1）设物为的透明图片2）在x上的谱为：3）在谱面上放置复振幅滤波器，其透过率为：4） 滤波后的谱为：5） 在象面上即：输出光场分布是输入图像分布对的偏微商。由于一个函数在它的边缘变化率最大，所以微分运算可以使图象的边缘增强---称光学微分运算。图9.3.2微分滤波器和边缘增强示意图滤波器2．用复合光栅实现图像边缘增强光路：i)复合光栅（在频谱

5、面P1上放置复合光栅可实现微分运算）由空间频率稍有不同（100与102线/mm）在原点位相错开为的余弦振幅型光栅组成，其滤波函数为：式中：，，为其中一组光栅的空间频率。ii)滤波后的频谱为：iii)像面上的光场为：式中：(9.3.9)代入式得：(9.3.12)可见，当很小时，式中的后两项与中心位于的输入函数沿方向的微商成正比，达到图象边像增强的效果。图9.3.3用复合光栅实现边缘增强图9.3.4复合光栅的全息方法制作光路输入图象匹配滤波器★图9.4.1匹配滤波器的工作原理示意图9.4图像的特征识别9.

6、4.1匹配滤波器一个平面波照到一个物函数上，物后的光波受到物函数的调制，经透镜1后经过谱面，若在谱面上放置物的匹配滤波器，则正好可将被物函数调制过的波再调制过来，还原为原来的平面波，这平面波经透镜2后聚焦在像面上，为一自相关亮点（聚焦）。匹配滤波器的工作原理：设：在物面上输入函数为：在谱面上的谱函数为：而在频谱面上，放置一物函数的匹配滤波器，其滤波函数为：经过滤波器后的谱频为：(9.4.1)(9.4.3)(9.4.2)可见，匹配滤波器的作用实质上是在频率域中对特征信号的位相补偿，即消去了位相部分。而是

7、一个正的实函数，是一个振幅加权的位相均匀的平面波，经透镜后在焦点会聚成一亮点----自相关亮点9.4.2匹配滤波器的制作光路：图9.4.2匹配滤波器制作记录光路经曝光处理后，全息图的滤波函数为：(9.4.7)参考光为一函数，其频谱为：第四项中含有，具有匹配滤波器的性质。设：物函数，其频谱为：(9.4.5)(9.4.6)设待识别的图像为放在4f系统的物平面上，频谱平面放置上述全息滤波器。9.4.3图像的特征识别频谱面上的输入频谱是(9.4.8)经滤波后的频谱为(9.4.9)在输出平面Pi(像面上)的光场

8、为：将式(9.4.8)代入式(9.4.9)，利用傅里叶变换的卷积定理和相关定理，式(9.4.9)有如下四项：(9.4.10)★(9.4.11)(9.4.12)(9.4.13)★★上面4个式子中右端函数运算具有明显的几何意义。式(9.4.10)给出的是输入函数的信息。式(9.4.11)中，特征函数做自相关运算，结果得到位于坐标原点的一个亮点，即脉冲函数；再与输入函数进行卷积，最后得到的仍然是近似为输入函数的信息。式(9.4.12)是卷积项。它是原物函数与中