光学算法——PSD功率谱密度
作者:翟天保Steven
版权声明:著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处
前言
在光学高精度测量领域,有众多评价测量面形的指标,其中PSD(功率谱密度)是针对中频面形误差评价的重要参数。
本文简单介绍了PSD的相关知识,包括PSD简述、原理及实现、C++代码实现、PSD优点和参考文献。
一、PSD简介
在移相干涉测量领域,面形误差评价是非常重要的环节,结合多种评价参数进行评估,可以获取被测物的相关质量信息以及测量的准确度。常见的评价参数有PV值(峰谷差)、RMS值(均方根)、Zernike多项式拟合系数等等,它们有各自的特点和内在联系。
在大功率激光器件出现后,中频面形误差评价引起了光学检测领域的重点关注,过往的评价指标难以较好得应用在中频信息的分析上。为了更好地研究中频面形误差,众多光学领域的学者采用了PSD(功率谱密度)作为评价中频面形的指标,这也是目前针对中频部分面形误差评价的最好方法。
下面介绍下功率谱密度的原理和实现。
二、原理及实现
在对光学表面面形分析时,PSD定义为波面频率分量傅里叶频谱振幅的平方,一维公式为:
(1) |
公式(1)中,,A(f)是z(x)的一维傅里叶变换:
(2) |
公式(2)中z(x)的一维波面信息函数。
移相干涉仪所测得的波面数据都是离散的,因此将公式(2)的A(f)代入公式(1),并离散化,可以得到公式(3):
(3) |
公式(3)中N为总的采样点数,为采样间隔(每隔多少mm进行一次采样),m为频率离散自变量,z(n)为被测波面的采样点数据。
公式(1)中频率域的自变量f表示为公式(4):
(4) |
PSD和f的自变量都是m,所以在求解PSD和f的关系时,只需要求对应m下的PSD和f即可。
结合公式(3),对面形的某一一维切片数据进行一维PSD计算,可得到如图1所示的PSD曲线。
如上图所示,横坐标是f,纵坐标是PSD,两项数据均取了log10,目的是为了更好地观测曲线的细节。f的单位是,PSD的单位是。注意:PSD的单位也可以是,这取决于z(n)函数的波面数据单位。\
一般PSD曲线上还会增加一条控制线,用于评估被测物品的面形质量,若曲线均低于控制线,则说明产品符合要求。
控制线标准公式(5)为:
(5) |
式中,f为空间频率,A为比例系数,B为幂指数,一般取值1到3,C和D分别是最小和最大空间频率。
二维PSD的计算方式同一维相比,实现了全平面的分析,而公式也是从x单方向变为x和y双方向,具体实现可参考宋德臣的《波面PSD的干涉测试与计算软件研究》论文。
三、C++测试代码
#include<iostream>
#include<opencv2/opencv.hpp>
#include<ctime>
using namespace std;
using namespace cv;#define PI 3.1415927
cv::Mat Psd(const cv::Mat Slice, double pixel_mm);int main(void)
{cv::Mat temp = cv::Mat::zeros(1, 1000, CV_64FC1);for (int i = 0; i < temp.cols; i++){temp.at<double>(0, i) = cos(2 * PI * 40 * i / (temp.cols)) + 3 * cos(2 * PI * 100 * i / (temp.cols));}cv::Mat result = Psd(temp, 1);// 创建用于绘制的黑色背景图像cv::Mat image = cv::Mat::zeros(250, 600, CV_8UC3);image.setTo(cv::Scalar(0, 0, 0));// 输入点std::vector<cv::Point> points;for (int i = 0; i < result.rows; i++){points.push_back(cv::Point(result.at<double>(i, 1), (2500 - result.at<double>(i, 0)) / 10));}// 绘制折线cv::polylines(image, points, true, cv::Scalar(0, 255, 0), 1, 4, 0);cv::imshow("image", image);waitKey(0);system("pause");return 0;
}
四、Matlab测试代码
clear;
Fs=1000;
n=0:1/Fs:1-1/Fs;
y=cos(2*pi*40*n)+3*cos(2*pi*100*n);
Nfft=length(y);
% matlab自带的psd函数,比较新版本的matlab已经删除了这个函数
% 所以需要找到老版本的psd.m还有相关的配套函数才能使用
% 我有空时会将相关函数打包放在网盘供大家使用
window=boxcar(Nfft); %矩形窗
[Pxx,f]=psd(y,Nfft,Nfft,window);
注意psd默认窗函数不是矩形窗,因为我C++代码没加汉宁窗等窗函数,不加窗就是矩形窗,因此在Matlab里需要创建矩形窗;除此之外,输入的Nfft也很重要,测试代码里创建的仿真函数总共有1000个点,从0开始到1-1/Fs,如果从0到1就是1001个点,1其实就是下个大周期里的0;C++里我写的psd函数没有输入Nfft值,是因为我默认这个值等于Slice的长度,因此Matlab测试代码里Nfft也等于length(y)。
五、测试效果对比
从图1图2可以看出,C++代码用Matlab实现后对比,效果同Matlab自带的psd一致,我仿真的函数100应该属于目标值,在数据里也就是第101个点(从0开始计数),观察该位置的数据,两者得到的值均为2250;而第100个点(相对无关点)的结果有差异是因为两个值都非常接近于0,考虑到计算精度、单位精度等原因,这个差异是可以接受的。
从图3看出,两个目标值都对应峰值,说明计算准确。
从图4图5看出,第101个点的数值计算非常准确,第100个点同Matlab又有了进一步的差异,属于精度差异,可以忽略,如果想追求计算的绝对精准,可以研究下C++和Matlab底层数据计算逻辑以及不同数据结构精度差异。
图6是我用OpenCV随便写的图,比较简陋,但是可以看出同Matlab是一致的。
六、PSD优点
用PSD来评价测量所得波面数据有如下优点:
- 通过PSD曲线,能得到丰富的面形特征信息。功率谱密度的实质是傅里叶频谱分析,获取各个频率分量的傅里叶频谱振幅平方,如公式(1)所言,量化了被测物表面轮廓在各个空间频率区间的误差,尤其便于评估中频波面误差,这是其他评价参数难以分析的。
- PSD曲线评价结果直观且便捷。通过增加PSD控制线的方式,基于不同精度要求给出不同参数的控制线,可以直观地从曲线图中看出不合格的频率区间,进而根据不同的曲线特征快速分析误差产生原因,大大提高工作效率。
综上所述,PSD(功率谱密度)对光学检测和分析提供了重要的数据支持,是我们光学领域非常关键的一项评价参数。
七、参考文献
[1]宋德臣. 波面PSD的干涉测试与计算软件研究[D].南京理工大学,2010.
[2]杨相会,沈卫星,张雪洁,马晓君.不同干涉仪检测光学元件功率谱密度的比较[J].中国激光,2016,43(09):118-125.
[3]许乔,顾元元,柴林,李伟.大口径光学元件波前功率谱密度检测[J].光学学报,2001(03):344-347.
[4]沈卫星,徐德衍.强激光光学元件表面功率谱密度函数估计[J].强激光与粒子束,2000(04):392-396.
[5]张国伟. 高功率激光装置光学元件PSD1检测方法的研究[D].南京理工大学,2013.
总结
以上就是本文所讲的内容,简单介绍了PSD功率谱密度的相关知识。如果大家有什么疑问或者我的文章有什么错误,一定要提出哦~共同努力进步。
光学算法——PSD功率谱密度相关推荐
- 【脑电信号分类】脑电信号提取PSD功率谱密度特征
本文是由CSDN用户[frostime]授权分享.主要介绍了脑电信号提取PSD功率谱密度特征,包括:功率谱密度理论基础.matlab中PSD函数的使用介绍以及实验示例.感谢 frostime! 1. ...
- tensorflow提取mel谱特征_【脑电信号分类】脑电信号提取PSD功率谱密度特征
点击上面"脑机接口社区"关注我们 更多技术干货第一时间送达 本文是由CSDN用户[frostime]授权分享.主要介绍了脑电信号提取PSD功率谱密度特征,包括:功率谱密度理论基础. ...
- 快速傅里叶变换功率谱密度matlab_(完整word版)自己编写算法的功率谱密度的三种matlab实现方法...
AR模型功率谱估计又称为自回归模型,它是一个全极点的模型,要利用AR模型进行功率谱估计须通过levinson_dubin递推算法由 Yule-Walker方程求得AR的参数:σ 2, α1α2-αp. ...
- 光学算法——Zernike拟合
作者:翟天保Steven 版权声明:著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处 注:本文所讲内容为本人硕士毕业论文:<基于干涉图像质量分析的激光干涉仪抗振技术研究> ...
- 光学算法——经典枝切法(解包裹算法)
作者:翟天保Steven 版权声明:著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处 注:本文所讲内容为本人硕士毕业论文:<基于干涉图像质量分析的激光干涉仪抗振技术研究> ...
- 利用 FFT 运算恢复原来的信号,PSD和原来信号之间的关系
明:利用FFT运算实现信号的重构 一. 信号建模 % Use Fourier transforms to find the frequency components of a signal burie ...
- 重磅!Nature子刊:利用GAN来“深度伪造大脑数据”可以改善残疾人的脑机接口...
近日,南加州大学(Universityof Southern California)维特比工程学院的研究人员正在使用生成对抗网络(GAN)来改善残疾人的脑机接口.生成对抗网络(Generative A ...
- 基于EEG的癫痫自动检测: 综述与展望
目录 摘要 1. 癫痫自动检测流程 1.1 数据采集与输入 1.2 数据预处理 1.3 特征提取与选择 1.4 分类模型学习与评估 2. 癫痫自动检测中的特征 2.1 时域特征 2.2 频域特征 2. ...
- 图解Polysomnography 多导睡眠图的加载数据、特征工程、设计scikit-learn转换器的代码调试过程
读取PSG数据和催眠图来创建一个原始对象 选择两个受试者实验对象ALICE, BOB(该名字并非实验中的真实名,这里是为了方便才临时取的名字) 和上一个方框类似,只是recording butong ...
- 2020年9-12月份精彩文章分类汇总
点击上面"脑机接口社区"关注我们 更多技术干货第一时间送达 Rose本来准备将2020年一整年推送的文章进行分类汇总,以便大家的查找阅读.没想到半天时间过去了,才完成一个季度的分类 ...
最新文章
- python做定时任务的方式及优缺点_python BlockingScheduler定时任务及其他方式的实现...
- npm : 无法加载文件 D:\...\nodejs\npm.ps1,因为在此系统上禁止运行脚本
- avisynth_c.h:825:3: error: unknown type name ‘HMODULE’
- SLF4j+LOG4j
- 【计算机网络】计算机网络概述 : 总结 ( 概念 | 组成 | 功能 | 分类 | 性能指标 | OSI 七层参考模型 | TCP/IP 模型 | 五层参考模型 )★★★
- numpy 创建加一行_NumPy数据处理的可视化
- DP专辑之最长公共子序列及其变形
- 在GitHub中创建目录
- jsonp react 获取返回值_必须要会的 50 个React 面试题(下)
- 【实战练习】通过docker部署jenkins
- 面试珍藏:最常见的200多道Java面试题(2019年最新版)
- Arcengine实现创建网络数据集札记(二)
- 用Python标记识别人脸制作镂空图案的“笑脸”照片墙
- 微信小程序如何引入iconfont阿里巴巴素材库的图标
- IBus拼音无法选择候选词故障
- 无侵入式的mysql的binlog采集——maxwell采集binlog放到kafka中——成功!
- 如何读懂和利用你的微生物多样性测序结果?
- java 调用felix_java – 使用SSH的Apache Felix shell
- HF_装饰者模式(Decorator_Pattern)_20200308
- 在Mac上修复问题硬盘是如何操作的