[发明专利]利用高阶高斯回归滤波和Radon变换提取表面特征的方法

说明书

本发明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。

技术领域

本发明属于测量领域，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。

背景技术

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。

发明内容

针对现有技术的以上缺陷或改进需求，本发明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，按照本发明的一个方面，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[a_lθ]，a_lθ为数组元素；

S3.将数组[a_lθ]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；