采用数字图像处理技术直接对双曝光散斑图进行全场分析,获取了杨氏条纹图。通过对条纹图的滤波增强、二值化、细化等操作,提取了条纹周期,实现了物体面内微小位移的测量。实验结果表明,该方法可获得高对比度的散斑干涉条纹,经过数字图像处理,条纹细化无断点和毛刺,有利于条纹判读,提高测量精度,其微位移测量误差小于4%。由于散斑图及条纹图像均是在计算机内存储、处理,实现了散斑照相术的数字化,具有一定的应用价值。

输入两幅灰度图像，实现散斑干涉的结果图，内有详细注释。

傅里叶光学随机散斑原理 & matlab仿真实现随机散斑。主要步骤：以光源直径得到一个圆形光斑图 在光斑上叠加上随机相位携带有随机相位信息的光斑通过夫琅禾费传输获得观测平面的散斑分布 提取散斑分布的功率谱

在对随机弱散射屏进行表面参数的原子力显微镜测量和建立了门积分取样平均的随机光强自相关函数测量系统的基础上，对弱散射屏在严格像面和离焦像面上产生的散斑自相关函数进行了测量。发现在严格像面上，散斑平均颗粒的大小随表面粗糙度增加而减小，且光强自相关函数次极大的相关间隔宽度随粗糙度增加而减小；而次极大的起伏随粗糙度的增大而增大；在离焦像面上，离焦量的增加使光强的自相关函数下降变得平滑，并使极小值点和次极大点变得不明显或者消失。

数字散斑图的模拟 有一定借鉴意义 希望对大家有帮助

搭建实验平台,把26个字母的图像传入光纤,并在输出端采集散斑图。把散斑图展开到HSV色彩空间中,单使用V分量进行分类能达到不错的分类准确率,且能缩减训练时长。在预处理后,分别使用具有不同层数卷积结构的神经网络、卷积神经网络和支持向量机(CNN+SVM)算法、SVM算法对散斑图进行分类。测试结果发现,使用4420张散斑图作为训练集,3层卷积结构的神经网络的识别准确率为88%,4层卷积结构的神经网络的识别准确率为95%,CNN+SVM算法的识别准确率为98%,而SVM算法的识别准确率达到了100%。实验结果表明,把机器学习算法应用在光信号上,同样可以对多模光纤散斑图进行分类,当图像特征相对明显时,直接使用SVM算法对光纤输出散斑进行识别,可以大大提升多模光纤输出散斑图的识别准确率。

服从复高斯联合分布的随机散射介质，可用来配合傅里叶光学模拟散斑 由于多重散射效应导致强散射介质并不是简单的相位扰乱，需要建立全连接的矩阵 仿真模型来自西安电子科技大学邵晓鹏课题组文章 未解决问题，不能有效模拟光学记忆效应

本文提出了用两个孔径(单环和双环孔径)装置进行激光散斑干涉照相的方法,得到了光强分布比较均匀的衍射晕和较好的杨氏条纹照片.

使用散斑减少各向异性扩散的超声图像分割多尺度测地线活动轮廓

在不同解包裹算法中,最小费用流(MCF)解包裹法可以限制残差点误差远程扩散,并将误差优先限制在低相干区域,有利于保证高相干区域解包裹结果不受干扰,精度较高,但残差点数量较多时计算效率很低。为缩短解包裹时间,提出一种残差点预处理方法。该方法将残差点视作正负电荷,通过电场力,引导距离较近的异号残差点互相抵消,大幅减少残差点数量,从而提高解包裹计算效率。仿真数据和实验数据表明,残差点预处理对MCF解包裹精度影响很小,在残差点数量超过3000时可以大幅提高解包裹计算效率。