专利名称：一种轮廓线数据的滤波方法
技术领域：
本发明属于轮廓测量理论中的数据处理技术，可实现轮廓数据的稳健滤波处理， 尤其对于轮廓线测量数据或面测量数据等进行有效处理。
背景技术：
在借助三维测量技术实现表面形貌测量时，受到被测信号源本身、测量系统稳定性或外界环境噪声的影响，采集得到的信号均含有各种噪声和干扰，使得测量数据中会存在随机误差和粗大误差，必须借助滤波算法消除被测信号中的噪声和干扰。实现真正的表面形貌测量数据的获取。对于轮廓滤波器来说，国际上主要采用两套标准IS011562推荐使用高斯滤波中线作为表面形貌测量的评定中线，IS016610-22推荐使用样条滤波器提取滤波中线作为评定中线。传统的高斯滤波器有两个主要问题一是稳健性较差，在测量表面存在奇异值时，滤波中线会偏离实际工件表面；二是高斯滤波器在滤波结果的首尾两端截止波长长度内会出现严重的数据失真，即存在边缘效应。样条滤波器可以较好地解决高斯滤波器的边缘效应，但它也需要解决稳健性差的问题，使其评定中线不受奇异值的影响。同时，样条滤波器的传输特性与高斯滤波器的传输特性偏差较大，导致采用两套标准滤波得到不同的滤波中线。标准的不统一不利于表面形貌的测量。针对稳健性的问题，文献(T. Goto, J. Miyakura, K. Umeda. A Robust Spline Filter on the Basis of L2-Norm. Precision Engineering, 2005, 29 (2) :157 161.)将稳健估计理论的思想引入样条滤波器，采用循环算法确定最优加权系数，然后递归求解滤波结果，能够降低奇异值对滤波结果的影响。但这种方法不能对所有数据点取得统一的传递函数，所以与高斯滤波器标准统一的问题不能解决。文献(张浩，表面计量学中样条滤波器理论的研究，2010，博士学位论文， 哈尔滨工业大学.)研究了级联逼近样条滤波器，得到与高斯滤波器滤波效果非常接近的滤波方法，可使样条滤波器的传递函数无限逼近高斯滤波器的传递函数。但这种方法仍不能对带有奇异值的数据进行有效处理。
发明内容
本发明的目的是克服现有技术的上述不足，针对二维轮廓线数据和三维轮廓线数据，分别提供一种稳健高效的轮廓线数据样条滤波方法，有效地处理表面形貌测量数据中的奇异值，并保证与高斯滤波器传递函数的一致性。为此，本发明采用如下的技术方案一种轮廓线数据的滤波方法，包括下列步骤 I)对原始测量数据Zi进行样条滤波处理，得到样条滤波的滤波中线数据Si ;2)逐点求解原始测量数据Zi与滤波中线数据Si之间的各点的偏差值A = Zi-Si ；3)依据计算的各点偏差值求解每个测量数据点对应的权重判断值Vi = I r, I /S，其中I · I为绝 对值求解操作^取!^绝对值的中位值；4)设定常量参数％，将每个点的权重判断值Vi与其进行比较，求解每个点的权重值Qi ;若Vi ( a0则qi为1，若Vi > a0则Qi为O ;
5)依据权重值Qi进行奇异值数据识别，权重值为O的点可判断为奇异值数据点， 并标记异常数据的范围；对于单个奇异值数据点，其相邻的两侧的点被标记为奇异值数据边界；对于连续奇异值数据点，这些点的两端点被标记为奇异值数据边界。逐点遍历测量数据确定其中所有的奇异值数据范围；6)分别将奇异值数据范围内的其他点替换为数据两个边界点数据的平均值，得到一组不含奇异值数据的新数据；7)对新数据进行级联逼近样条滤波，得到最终的滤波中线数据。作为优选实施方式，常量参数％取值范围在2. 5至5之间，可以设为设为3 ;进行级联逼近样条滤波时，选择逼近参数r=1.3/V^和级联阶次η = 4，其中μ为拉格朗日常量。
本发明具有样条滤波处理较小的边缘效应和高效处理速度，即可对二维轮廓数据进行有效处理，也能对三维形貌数据进行有效处理。同时，本发明比传统样条滤波方法具有更好的处理奇异值数据能力，即保证了滤波处理算法的稳健性，同时还具有与高斯滤波非常接近的处理结果，能保证两个滤波标准方法能有效的统一。本发明不仅可以用于形貌测量数据的滤波过程中，同样适用于需对数字信号进行滤波处理的其他应用中，尤其适用于处理数字信号中可能会出现奇异信号的情况，如采集的模拟电路信号中也会存在来自于电路系统自身及周边环境引入的随机信号和奇异信号， 或图像处理中对边界信息的提取等也均可采用本发明的方法。
图I 一维样条滤波处理流程图。图2奇异值数据识别及误判示意图。图3 —维样条滤波实施结果。图4 二维样条滤波实施结果，(a)为添加了白噪声和粗差数据图；(b)为滤波结果图。
具体实施例方式下面结合附图和实施例对本发明进行说明。本发明提出的样条滤波方法包括奇异值数据滤除和级联逼近样条滤波两个步骤， 具体处理流程图如图I所示。奇异值数据滤除的主要目的是消除测量数据中奇异值数据的影响，该步骤基于M估计理论进行奇异值数据范围的识别，并采用插值算法进行奇异值数据的替换。经过奇异值数据滤除后，得到的新数据中不再具有奇异值数据，作为级联逼近样条滤波步骤的处理对象，达到样条滤波的目的，同时保证与高斯滤波处理效果的一致性。在奇异值数据滤除过程中，准确识别奇异值数据是该过程的难点。本发明提出采用M估计理论进行识别判断。对原始数据Zi进行奇异值数据滤除，首先进行传统的样条滤波处理，得到处理数据的滤波中线Si数据，进而可求逐点得两者的偏差值，T1 = Z1-S1 (i = I, 2, . . . , N)(I)每点的权重值qi由M估计理论求得，如下式所示，
fl(V;. <a0)^1=/、°,、(2)
I0 ( )
其中％为一个常量参数，用于限定原始数据中正常点变化可接受的范围。Vi = Id/s，其中I · I为绝对值求解操作；s是比例参数，描述偏差值ri的偏差度，该值是巧绝对值的中位值。权重值Qi是进行奇异值数据识别的重要依据，权重值为O的点可判断为奇异值数据点。对于单个奇异值数据点，其相邻的两侧的点被标记为奇异值数据边界；对于连续奇异值数据点，这些点的两端点被标记为奇异值数据边界。采用这种方法对所有测量数据进行遍历，能确定测量数据中所有的奇异值数据范围。在确定奇异值数据范围后，以该范围的两个边界点作为标准点，采用简单的插值方法将奇异值数据范围内的其他点数据进行简单插值替换，即分别将各点数据替换为两个边界点数据的平均值，如图2所示。但在奇异值数据滤除过程，也会存在正常点被误判为异常点的情况。避免这种误判的存在，就需要对正常点变化可接受的范围％进行恰当设置。 通过大量实验验证，一般可将将％设为2. 5到5，当％设为3时，误判率已降到很低，可满足大部分的应用需求。在进行奇异值数据滤除过程后，从而将奇异值数据恢复到可以接受的误差范围内，得到一组不含有奇异值的新数据，然后对该新数据采用级联逼近样条滤波进行进一步处理。在级联逼近样条滤波处理过程中，最主要的是确定一组恰当的逼近参数τ和级联阶次η，保证处理效率高且与高斯滤波较好的一致性。一般来说r=i/V^，其中μ为拉格朗日常量次数越高则重复进行样条滤波的次数越多，而直接导致处理·效率降低。本发明提出了一套参数组合，如表I所示。当η = 4时,T= 1.3/7^，得到级联逼近样条滤波与高斯滤波的处理效果偏差达到O. 2849%，使滤波结果和高斯滤波在标准上得到良好的统一，且处理效率也能达到较好效果，这样的参数设置是最优的参数组合。表I : 一维样条滤波最佳参数选择
权利要求
1.一种轮廓线数据的滤波方法，包括下列步骤 1)对原始测量数据Zi进行样条滤波处理，得到样条滤波的滤波中线数据Si; 2)逐点求解原始测量数据Zi与滤波中线数据Si之间的各点的偏差值A= Zi-Si ； 3)依据计算的各点偏差值求解每个测量数据点对应的权重判断值Vi= I ^ I/S，其中 I为绝对值求解操作；S取&绝对值的中位值； 4)设定常量参数％，将每个点的权重判断值Vi与其进行比较，求解每个点的权重值％；若Vi≤aQ则qi为1，若Vi > a0则Qi为O ; 5)依据权重值Qi进行奇异值数据识别，权重值为O的点可判断为奇异值数据点，并标记异常数据的范围；对于单个奇异值数据点，其相邻的两侧的点被标记为奇异值数据边界；对于连续奇异值数据点，这些点的两端点被标记为奇异值数据边界。逐点遍历测量数据确定其中所有的奇异值数据范围； 6)分别将奇异值数据范围内的其他点替换为数据两个边界点数据的平均值，得到一组不含奇异值数据的新数据； 7)对新数据进行级联逼近样条滤波，得到最终的滤波中线数据。
2.根据权利要求I所述的轮廓线数据的滤波方法，其特征在于，常量参数％取值范围在2. 5至5之间。
3.根据权利要求I所述的轮廓线数据的滤波方法，其特征在于，常量参数％设为3。
4.根据权利要求I所述的轮廓线数据的滤波方法，其特征在于，进行级联逼近样条滤波时，选择逼近参数r= 1.3/7^和级联阶次n = 4，其中y为拉格朗日常量。
全文摘要
本发明属于轮廓测量理论中的数据处理技术领域，涉及一种轮廓线数据的滤波方法，包括1)对原始测量数据进行样条滤波处理，得到样条滤波的滤波中线数据；2)求解每个测量数据点对应的权重判断值；4)设定常量参数，将每个点的权重判断值vi与其进行比较，求解每个点的权重值；5)依据权重值进行奇异值数据识别，权重值为0的点可判断为奇异值数据点，并标记异常数据的范围；6)分别将奇异值数据范围内的其他点替换为数据两个边界点数据的平均值，得到一组不含奇异值数据的新数据；对新数据进行级联逼近样条滤波，得到最终的滤波中线数据。本发明可实现可实现轮廓数据的稳健滤波处理。
文档编号G06F19/00GK102708282SQ20121011017
公开日2012年10月3日 申请日期2012年4月16日 优先权日2012年4月16日
发明者张效栋 申请人:天津大学