| 主权项 |
1.一种生成二维相位解缠质量图的方法，其特征在于，该方法包括：将缠绕相位数据变换为N<sub>g</sub>个灰度等级数据；对变换后的灰度等级数据进行分块，将分块后的每个数据块生成对应的灰度共生矩阵(GLCM)；采用新型的熵差计算模型计算生成的每个数据块对应的所述GLCM的熵差，得到二维相位解缠质量图；所述新型的熵差计算模型为：<maths num="0001"><![CDATA[<math><mrow><mi>E</mi><mo>=</mo><mo>-</mo><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>0</mn></mrow><mrow><msub><mi>N</mi><mi>g</mi></msub><mo>-</mo><mn>1</mn></mrow></munderover><msub><mi>P</mi><mi>Y</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>×</mo><mi>log</mi><mo>[</mo><msub><mi>P</mi><mi>Y</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>]</mo><mo>;</mo></mrow></math>]]></maths><maths num="0002"><![CDATA[<math><mrow><msub><mi>P</mi><mi>Y</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>g</mi></msub></munderover><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>g</mi></msub></munderover><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo></mrow><mo>,</mo><mi>G</mi><mrow><mo>(</mo><mo>|</mo><mi>W</mi><mrow><mo>(</mo><mover><mi>i</mi><mo>~</mo></mover><mo>-</mo><mover><mi>j</mi><mo>~</mo></mover><mo>)</mo></mrow><mo>-</mo><mover><mrow><mi>W</mi><mrow><mo>(</mo><mover><mi>i</mi><mo>~</mo></mover><mo>-</mo><mover><mi>j</mi><mo>~</mo></mover><mo>)</mo></mrow></mrow><mo>‾</mo></mover><mo>|</mo><mo>)</mo></mrow><mo>=</mo><mi>k</mi><mo>,</mo><mi>k</mi><mo>=</mo><mn>0,1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>N</mi><mi>g</mi></msub><mo>-</mo><mn>1</mn><mo>;</mo></mrow></math>]]></maths>其中，E表示熵差，i、j表示两个像素的灰度级，d表示两个像素之间的距离，θ表示两个像素连线与横轴的夹角，W表示缠绕算子，<img file="FDA00002915121000013.GIF" wi="19" he="44" />表示未经量化的i值，<img file="FDA00002915121000014.GIF" wi="24" he="53" />表示未经量化的j值，G表示灰度级量化操作，p(i，j，d，θ)表示归一化GLCM元素。 |
