买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京理工大学

摘要：本发明公开了一种基于干涉物镜频率筛选的多倍率形貌数据融合方法，属于光学检测领域，采用小波变换的多孔算法，基于所选择干涉物镜的截止频率参数，对各倍率独立的原始形貌数据矩阵进行正变换，得到多个空域子数据矩阵，分别对应包含低、中、高三种频率分量，按本发明阐述的筛选融合策略对两个倍率的多个空域数据矩阵进行融合，再进行小波逆变换，实现形貌数据的多倍率融合。融合后的形貌数据既覆盖大视场全局性，又针对关注区域提供详尽数据。

主权项：1.一种基于干涉物镜频率筛选的多倍率形貌数据融合方法，其特征在于，步骤如下：步骤1、通过白光干涉仪和两个不同倍率的干涉物镜对样品进行测量，其中第一干涉物镜的放大倍率和第二干涉物镜的放大倍率之比Γ，Γ＞1，第一干涉物镜测量得到第一形貌数据矩阵A，第二干涉物镜测量得到第二形貌数据矩阵B；步骤2、根据两个不同倍率干涉物镜对应的数值孔径NA以及对应截止频率fs，分别获得第一形貌数据矩阵A的频率范围和第二形貌数据矩阵B的频率范围，并计算第一形貌数据矩阵A与第二形貌数据矩阵B的截止频率之比S；步骤3、对第一形貌数据矩阵A进行滤波预处理，除去离群值，得到第三形貌数据矩阵P，对第二形貌数据矩阵B进行滤波预处理，除去离群值，得到第四形貌数据矩阵Q，第三形貌数据矩阵P和第四形貌数据矩阵Q的大小均为M×N；步骤4、对第三形貌数据矩阵P进行双线性插值，将第三形貌数据矩阵P的大小调整至得到第五形貌数据矩阵P'，对第五形貌数据矩阵P'和第四形貌数据矩阵Q进行配准：首先用基于灰度的归一化相关性匹配算法进行粗匹配，将第五形貌数据矩阵P'与第四形貌数据矩阵Q按照相似性度量方法进行逐像素的搜索比较，从而进行匹配，得到初始平移向量t0，使用法向量迭代最近点对第五形貌数据矩阵P'与第四形貌数据矩阵Q精匹配，计算第五形貌数据矩阵P'的法向量与第四形貌数据矩阵Q的法向量，在待匹配的第五形貌数据矩阵P'和第四形貌数据矩阵Q中，按照约束条件，找到对应的最邻近点，利用奇异值分解法，得到优化过程中的旋转矩阵和位移向量，不断迭代，获得最优匹配下的最优旋转矩阵R*和最优位移向量T*；步骤5、对第四形貌数据矩阵Q中与第三形貌数据矩阵P的匹配区域Q1插值得到第六形貌数据矩阵Q'，使得第六形貌数据矩阵Q'与第三形貌数据矩阵P的数据量相同；步骤6、利用适应非平面表面的优化多尺度融合策略，对第六形貌数据矩阵Q'与第三形貌数据矩阵P进行处理，得到α个子数据矩阵：使用多孔算法对第六形貌数据矩阵Q'与第三形貌数据矩阵P进行小波分解，分别得到两组空域子数据矩阵，每组空域子数据矩阵包含α个小波分解子数据矩阵，记为p1～pα和q1～qα，每组子数据矩阵包含不同的频率成分，其中p1～pα3和q1～qα3属于低频成分，表示形状，pα3+1～p2α3和qα3+1～q2α3属于中频成分，表示波纹度，p2α3+1～pα和q2α3+1～qα属于高频成分，表示粗糙度；步骤7、构建α个数据矩阵f1～fα：[f1，…，fα3]＝[q1，…，qα3]，[f2α3+1，…，fα]＝[p2α3+1，…，pα]，fα3+1～f2α3则根据S的值进行选择相应的p、q子数据矩阵进行融合，采用区域边缘强度法，得到α个数据矩阵f1～fα；步骤8、对数据矩阵f1～fα进行小波逆变换以获得融合数据矩阵F，将融合数据矩阵F嵌入第二形貌数据矩阵B中与第一形貌数据矩阵A的匹配区域位置并显示，获得多倍率形貌数据的融合效果。

全文数据：

权利要求：

百度查询： 南京理工大学 基于干涉物镜频率筛选的多倍率形貌数据融合方法