一种带高光处理的无缝纹理映射方法

纹理映射作为三维重建的重要步骤,直接关系到生成模型的视觉效果。传统的纹理映射方法通常使用简单的混合方法来获取表面纹理。通过将模型表面投影到每个纹理图像上来获取相应的纹理区域,然后将它们混合在一起以获取表面纹理。然而,由于相机位姿的不准确性,纹理映射结果存在明显的模糊和鬼影等问题。此外,在高光环境下获取的纹理图像很容易包含高光区域,最终导致纹理颜色的丢失,降低纹理的真实性。为了解决这些问题,提出了一种无缝纹理映射方法,可以有效消除高光反射。通过衡量纹理图像的质量,为每个模型表面选择最佳的纹理图像,并利用色度一致性约束优化的相机位姿以消除明显的纹理错位。针对高光问题,提出了一个高光处理模块,使用多视图图像信息并基于双色反射模型定位和处理高光纹理。最后,对纹理图进行纹理颜色一致性调整,以处理纹理之间的颜色差异。实验结果表明,与现有方法相比,提出的算法可以有效消除高光反射的影响,从而获得更好的纹理映射结果。

基于Sentinel-1/2改进极化指数和纹理特征的土壤含盐量反演模型

目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明:经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R_(v)^(2)/R_(c)^(2)为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。

基于自适应纹理特征融合的纹理图像分类方法

现有基于深度学习的图像分类方法普遍缺少纹理特征的针对性,分类精度较低,难以同时适用于简单纹理和复杂纹理分类。提出一种基于自适应纹理特征融合的深度学习模型,能够结合类间差异性纹理特征做出分类决策。首先,根据纹理特征的最大类间差异性,构建图像的纹理特征图像;然后,采用原始图像与特征鲜明的纹理特征图像并行训练改进的双线性模型,获取双通道特征;最后,基于决策融合构建自适应分类模块,连接原图与纹理集的平均池化特征图进行通道权重提取,根据通道权重融合2个并行神经网络模型的分类向量,得到最优融合分类结果。在KTH-TIPS,KTH-TIPS-2b, UIUC和DTD 4个公共纹理数据集上对模型的分类性能进行评估,分别得到了99.98%、99.95%、99.99%和67.09%的准确率,表明所提模型具有普遍高效的识别性能。

基于MR-T2WI纹理分析在预测子宫肌瘤高强度聚焦超声消融术后疗效的价值

目的:探讨基于MR-T2WI纹理分析在预测子宫肌瘤高强度聚焦超声(HIFU)消融术后疗效的价值。方法:回顾性分析本院接受HIFU消融术治疗前后的100例子宫肌瘤患者MR图像及临床资料,进行T2WI全瘤定量纹理分析,以子宫肌瘤非灌注体积比率(NPV)达80%及以上为消融显著,分析肌瘤术前全瘤纹理参数与术后消融效果的相关性,使用3D-slicer软件勾画容积感兴趣区(VOI),PyRadiomics提取867个组学特征,采用MaZda软件内置FPM(Fisher系数、交互信息、分类错误概率组合平均相关系数联合)法保留30个最优特征,使用最小绝对选择与收缩算子(LASSO)降维得到最优的纹理特征,并将患者按照7∶3比例随机分为训练集及验证集,采用logistic回归构建预测模型,绘制受试者工作特征(ROC)曲线用于评价预测模型诊断性能,绘制决策曲线评估预测模型的临床应用价值。结果:LASSO最终选择得到9个最优特征建立的logistic回归模型在训练集的ROC曲线下面积(AUC)、特异度、灵敏度分别为0.833、0.926、0.651,验证集中对应的AUC、特异度、灵敏度分别为0.829、0.667、0.944;决策曲线在组学特征训练集、验证集中的净收益分别为14.1和13.5。结论:采用MR放射组学构建的logistic回归模型在术前预测子宫肌瘤HIFU消融术后疗效有较大价值,预测效果好,可为子宫肌瘤HIFU消融术后疗效评估及术前患者选择提供个性化及量化参考依据。

CT纹理分析对胃癌组织病理特征的术前评估价值

目的探究CT纹理分析对胃癌组织病理特征的术前评估价值。方法回顾性分析本院2021年3月~2023年3月本院收治的103例胃癌患者资料,患者在手术治疗前均接受CT检查,并采用纹理分析软件获取患者动脉以及静脉期CT纹理参数,并比较不同TNM分期患者纹理参数差异,采用受试者工作特征(ROC)曲线评估纹理参数对胃癌分期的诊断效能。结果动脉期以及门脉期T_(1-2)组与T_(3-4)组平均值比较差异无统计学意义(P>0.05),但T_(3-4)组峰度值、熵值均显著高于T_(1-2)组,偏度值低于T_(1-2)组(P<0.05)。动脉期以及门脉期N0组与N_(1-3)组平均值、偏度值比较差异无统计学意义(P>0.05),但N_(1-3)组峰度值、熵值显著高于N0组(P<0.05)。动脉期CT纹理峰度值、偏度值、熵值诊断T分期的AUC为0.755、0.955及0.747(P<0.05),门脉期CT纹理峰度值、偏度值、熵值诊断T分期的AUC为0.959、0.871及0.872(P<0.05)。动脉期CT纹理峰度值、偏度值诊断N分期的AUC为0.899、0.702(P<0.05),门脉期CT纹理峰度值、偏度值诊断N分期的AUC为0.924、0.758(P<0.05)。结论CT纹理分析对胃癌TNM分析诊断评估效果良好,可用于临床指导胃癌患者治疗。

融合无人机光谱信息与纹理特征的大豆土壤含水率估测模型研究

及时获取大田作物根区土壤含水率(Soil moisture content,SMC)对于实现精准灌溉至关重要。本研究采用无人机多光谱技术,通过连续2年(2021—2022年)田间试验,采集了大豆开花期不同土壤深度的SMC数据以及相应的无人机多光谱图像,建立了与作物参数具有较强相关性的植被指数及冠层纹理特征。通过分析植被指数和纹理特征与各深度土层SMC的相关性,分别筛选出与各深度土层SMC相关系数达显著相关(P<0.05)的参数作为模型的输入变量(组合1:植被指数;组合2:纹理特征;组合3:植被指数结合纹理特征),分别利用支持向量机(Support vector machine,SVM)、梯度提升模型(Extreme gradient boosting,XGBoost)和梯度提升决策树(Gradient boosting decision tree,GDBT)对各深度土层SMC进行建模。结果表明,与20~40 cm和40~60 cm土层深度相比,植被指数和纹理特征在0~20 cm土层深度中与SMC表现出更高的相关性。XGBoost模型为SMC估算的最佳建模方法,特别是对于0~20 cm土层深度。该深度估计模型验证集决定系数为0.881,均方根误差为0.7%,平均相对误差为3.758%。本研究结果为大豆根区SMC无人机多光谱监测提供了基础,为水分胁迫条件下作物生长的快速评估提供了参考。

CT增强扫描灰度直方图纹理分析技术对肺癌患者术前恶性程度评估及对预后的预测价值

目的探究CT增强扫描灰度直方图纹理分析技术对肺癌患者术前恶性程度评估及对预后的预测价值。方法选择2018年5月至2022年9月在我院就诊的且经术后病理证实的肺癌患者580例作为研究对象。依据术后病理分期,将研究对象分为高分化组(183例)、中分化组(195例)、低分化组(202例)。根据预后情况,将其分为预后良好组(356例)和预后不良组(224例)。由2名医师提取患者CT增强扫描灰度直方图纹理参数。受试者工作特征(receiver operating characteristic,ROC)曲线分析特征参数对肺癌患者术前恶性程度的诊断效能及预后的预测价值。多因素Logistic回归分析预后不良的重要影响因素并构建人工神经网络模型。Pearson分析检验参数间的相关性。结果均值、10%分位、50%分位等参数在高、中、低分化三组中有显著差异。三个参数对评估肺癌患者恶性程度均具有一定的诊断效能,且三者联合诊断效能最佳。均值、10%分位、50%分位是预后不良的保护因素,三者联合预测肺癌患者的曲线AUC值大于各指标单独预测的AUC值。ROC曲线和累积增益图表明该模型预测能力良好。纹理特征参数中,69.44%的参数具有相关性。结论CT增强扫描灰度直方图纹理参数在一定程度上反应肺癌患者术前恶性程度信息,给术前预测以及预后提供了重要方法。

用于纹理识别与重建的铁镓合金触须传感器阵列

受动物触须传感机制的启发,结合铁镓合金(Galfenol)对物体表面纹理高度信息的优良感知能力,设计制作一种铁镓合金触须传感器单元,并将其集成为4×2阵列。基于力学、电磁学理论和压磁方程建立了传感器单元输出电压模型,描述了输出电压与物体表面纹理高度的关系。实验测试了传感器单元的静态和动态特性。设计的传感器单元能够检测物体表面0.01~1.6 mm纹理高度变化,灵敏度为243.3 mV/mm,且具有较快的响应时间(26 ms)和恢复时间(25 ms)。将传感器单元与阵列装载在机械手上滑过具有不同纹理的样品表面,利用输出电压波形可识别与重建样品表面纹理。结果表明,设计的传感器阵列能够高精度地感知物体表面纹理信息,进而指导机械手调整操作策略,完善人机交互过程。

多元纹理图像构造方法及应用

多元图像分析方法在图像展开阶段会丢失像素间空间关联关系,导致其对图像纹理特征的分析能力不足.针对此问题,本文提出了一种基于图像纹理特征的多元图像构造方法,并应用于图像分割.首先,结合滑动窗口法和灰度共生矩阵求取图像各通道的纹理特征影像,叠加纹理特征影像构造多元图像.然后,应用多元图像分析方法对所得多元图像进行分析,分割出感兴趣区域.最后,利用分割结果构造决策树模型,以完成对同类感兴趣区域的分割.在图像数据集上进行仿真实验,实验结果表明,本文所提方法的均交并比(MIoU)与同类方法相比有10%左右的提升.

基于多视角图像形态颜色纹理特征融合的生物量获取

可见光成像以其快速、经济和非破坏性等优势,正成为高通量植物表型和遗传研究的有效工具,但仍有待解决基于可见光图像评估肉眼不可见的产量表型特性。本文针对植物叶片遮挡重叠及变量尺度单一导致图像数据精度受限的问题,提出了一种利用多视角图像融合多类别特征评估高粱地上生物量的技术方法。对15个种质基因的300株高粱进行了双因素(水分和养分)双水平(高和低)试验。基于旋转平台,利用可见光相机对每株高粱等角度间隔自动采集10幅侧视图像和1幅俯视图像,通过植物掩膜图像提取每株高粱形态特征(俯视、侧视投影面积)、颜色特征(RGB像素值)与纹理特征(均值、协方差、同质性等),将多个视角下的信息平均化处理,并基于图像R、G、B像素值构建16个颜色植被指数。结果表明,相对于考虑单一类型变量和单视角下的图像信息,基于多视角平均化图像信息融合形态、纹理、颜色特征能显著增加对高粱地上生物量表型的获取能力。利用SVR、RF、BPNN算法融合21组优化图像数据变量构建高粱地上生物量回归模型,精度最高的RF算法模型测试集决定系数R2为0.881,均方根误差(RMSE)为60.714 g/m^(2),平均绝对误差(MAE)为42.364 g/m^(2)。为进一步优化RF算法模型的参数,选取GA、GS、SSA对RF算法模型进行超参数寻优。结果表明,SSA-RF优化模型测试集R2提升至0.902,RMSE为48.706 g/m^(2),MAE为39.877 g/m^(2)。基于多视角图像形态-颜色-纹理特征融合能从有限的信息中衍生得到更多有效信息用于估测高粱地上生物量,从而为高粱生长监控、胁迫检测、水肥精确施用和良种快速筛选提供理论依据和技术支持。

融合边缘感知与统计纹理知识的输电线路金具锈蚀检测

针对输电线路金具目标小、背景环境复杂和锈蚀区域不规则等问题,提出了一种融合边缘感知与统计纹理知识的输电线路金具锈蚀检测算法。首先通过改进YOLOv7模型检测金具,然后利用改进Res-UNet模型对检测的金具进行锈蚀分割,加入SE(squeeze-excitation)注意力提高模型的稳定性,引入统计纹理知识模块(statistical texture knowledge module,STM)和边缘感知模块(edge-aware module,EAM),提出一种知识融合模块对边缘感知和统计纹理知识进行融合,提高对锈蚀分割精度。实验结果表明,检测和分割模型mAP分别提高了2.8百分点和7.7百分点。

慢性阻塞性肺疾病患者CT分段纹理特征及与肺功能指标的关系分析

目的:分析慢性阻塞性肺疾病(COPD)患者CT分段纹理特征及与肺功能指标的关系。方法:选取2022年3月至2023年3月期间80例COPD患者为研究对象(纳入研究组),同时期于本院接受体检的60例健康人员(纳入对照组),均行高分辨率CT扫描、CT分段纹理特征及肺功能测试,比较两组肺功能指标[第1s用力呼气容积占预计值百分比(FEV1%)、用力肺活量(FVC)、FEV1/FVC]及全肺区域及肺外带区域纹理特征,分析CT纹理特征与肺功能指标的相关性。结果:两组年龄、性别比较差异均无统计学意义(P>0.05),研究组FEV1%、FVC、FEV1/FVC均小于对照组,差异均有统计学意义(P<0.05);研究组全肺GLCM对比度、全肺GLCM熵、全肺GLSZM区域大小非均匀性、肺外带GLCM对比度、肺外带GLCM熵、肺外带GLSZM区域大小非均匀性、肺外带LBP特征值均高于对照组,差异均有统计学意义(P<0.05);Pearson相关性分析显示,全肺GLCM对比度、全肺GLCM熵、全肺GLSZM区域大小非均匀性、肺外带GLCM对比度、肺外带GLCM熵、肺外带GLSZM区域大小非均匀性、肺外带LBP特征值与FEV1%、FVC、FEV1/FVC均呈负相关性,差异均有统计学意义(P<0.05);多元回归分析结果显示,全肺GLCM对比度、全肺GLCM熵、全肺GLSZM区域大小非均匀性、肺外带GLCM对比度、肺外带GLCM熵、肺外带GLSZM区域大小非均匀性、肺外带LBP特征值对COPD患者FEV1%、FVC和FEV1/FVC均具有显著影响(P<0.05),R2值分别为0.682、0.657、0.715,提示模型拟合优度较高。结论:CT分段纹理特征与COPD患者的肺功能指标密切相关,其中全肺和肺外带区域的GLCM对比度、GLCM熵、GLSZM区域大小非均匀性及LBP特征值可作为COPD影像学评估和早期诊断的重要参考指标。

基于T_(2)WI纹理分析鉴别宫颈鳞癌和腺癌的价值研究

目的探讨T_(2)WI纹理分析在术前鉴别宫颈鳞癌和宫颈腺癌中的价值。方法选取92例患者的术前T_(2)WI图像,从A·K软件中提取纹理参数共1117个,进一步进行纹理分析。通过Mann-Whitney u检验、单变量logistic回归分析和最小冗余最大相关性算法,选择纹理特征来区分宫颈鳞癌和宫颈腺癌。基于随机森林算法构建区分鳞癌和腺癌的预测模型,并通过受试者工作特征(ROC)曲线分析,以评价模型的诊断性能。最后,通过10次留组交叉验证法(LGOCV)评估预测模型的稳健性和可重复性。结果本文中在特征选择后,最终保留了5个鉴别宫颈鳞癌和宫颈腺癌的纹理特征用于构建RF模型。预测模型在区分宫颈鳞癌和宫颈腺癌方面具有良好的分类性能:准确率为81.4%、敏感性为81.33%,特异性为81.8%。此外,使用10次LGOCV算法证明了预测模型的稳健性和可重现性(平均AUC,0.83)。结论磁共振T_(2)WI纹理分析在鉴别宫颈鳞癌和宫颈腺癌方面有一定的鉴别诊断价值。

基于纹理特征的深度学习云和云阴影检测

针对云和云阴影检测过程中存在边界不准确以及易与地表混淆等问题,构建一种融合纹理特征模块的卷积神经网络模型对Landsat 8遥感图像进行云和云阴影检测。引入基于统计特性的纹理特征模块进行纹理特征的提取和学习,在训练过程采用焦点损失函数削弱样本不均衡带来的影响。实验结果表明,该模型细化了云和云阴影的边界等纹理细节,减少了云和云阴影的误检和漏检现象,提高了云和云阴影的检测精度。

基于单视图的带纹理三维人体网格参数化重建

针对计算机视觉中的三维人体重建问题,文章提出一种端到端的的网络框架,在三维和二维混合监督下,从单幅彩色图像重建带纹理信息的精准三维人体网格。使用4个编码器分别提取形状姿态特征、纹理特征、光照参数和像机参数,得到的图像特征被送入三维回归模块,迭代推断出三维人体参数;纹理参数送入纹理解码器网络得到纹理图;学习到的人体参数可转化为三维人体网格;对于损失函数的设置,预测的人体网格顶点与真实顶点的差值用来进行三维监督;通过预测的像机参数、光照参数和纹理计算二维渲染损失;通过三维关节投射得到的二维关节与图像上的二维关节真值计算二维关节重投影损失;生成对抗网络的鉴别器使得渲染图像更加真实。该文方法与现有的三维人体重建方法相比具有竞争力,而且重建的三维人体网格带有纹理信息。

考虑多尺度纹理特征的红外传感图像频域增强

红外传感图像质量容易受探测器和传输距离影响,导致图像亮度和对比度较低、轮廓细节模糊等问题。为此,提出了考虑多尺度纹理特征的红外传感图像频域增强方法。引入残差学习策略,基于多尺度纹理特征搭建多尺度卷积神经网络模型,进行图像去噪。对去噪后图像进行傅里叶变换,获取红外传感图像的低频图像和高频图像。针对低频图像部分,调节图像灰度和对比度以增强低频分量。针对高频图像部分,利用Log算子和Laplace算子增强图像细节及边缘。加权融合两者处理结果,选取Gamma校正调节对比度,增强高频分量。融合两种增强后图像,实现红外传感图像频域增强。实验结果表明,该方法峰值信噪比高于43,信息熵大于8,边缘强度超过82,对比度熵大于8.1,平均梯度大于8。

基于早期股直肌超声纹理特征的首次有创机械通气患者30天死亡风险预测模型的构建与验证

目的基于早期股直肌超声纹理特征,构建首次有创机械通气患者30天死亡风险预测模型及验证。方法采用便利抽样法选择2022年1月至2023年12月入住河南省人民医院呼吸重症患者为研究对象,按8∶2随机分为训练集(n=304)和测试集(n=76)。两组均在插管后第1天、第3天、第5天和第7天使用床旁超声收集纹理特征参数。训练集依据第30天是否死亡为终点事件分为死亡组(n=80)和幸存组(n=224)。采用广义估计模型筛选患者30天死亡的影响因素并建立模型,绘制受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under receiver operating characteristic curve,AUC)评价模型的区分度,通过校准图和Hosmer-Lemeshow评价模型的校准度。结果年龄、氧合指数(P/F)、患肾脏疾病、使用类固醇激素、股直肌厚度变化率、均值和角二阶距是首次机械通气患者30天死亡的影响因素(P<0.05)。训练集和测试集的AUC分别为0.832(95%CI 0.767~0.898)和0.819(95%CI 0.722~0.916),提示模型的区分度良好。训练集和测试集的Hosmer-Lemeshow分别为5.969(P=0.651)和4.336(P=0.826),校准曲线与对角线重合度较高,说明预测模型的校准度较好。结论本研究基于早期股直肌超声纹理特征建立的预测模型可有效地预测首次机械通气患者30天死亡风险。

基于多尺度半耦合卷积稀疏编码的遥感地貌影像纹理识别方法

遥感地貌影像通常包含大量的数据,具有高度的复杂性和多样性,难以捕捉到不同层次的纹理信息,从而影响识别效果;因此,为提高纹理特征提取的效果,确保识别精度,采用多尺度半耦合卷积稀疏编码对遥感地貌影像纹理识别进行了研究;去除遥感地貌影像噪声,增强遥感地貌影像整体质量,通过分水岭算法分割遥感地貌影像,探究不同尺度下遥感地貌影像纹理特征区别,以有效捕捉到不同层次的纹理信息,提高遥感地貌影像纹理的识别性能;然后应用灰度共生矩阵(GLCM)获取遥感地貌影像的多尺度纹理特征,构建半耦合卷积稀疏编码模型,完成多尺度纹理特征提取过程的学习与多尺度纹理特征的有效融合,以能够在保持特征丰富性的同时,减少冗余信息,提高纹理识别的准确性;选取适当的分类器——朴素贝叶斯分类器,并对其进行训练;并以此为基础,制定遥感地貌影像纹理识别程序,执行制定程序即可获取地貌纹理识别结果;测试结果显示:应用提出方法获得的遥感地貌影像处理结果清晰度与对比度较高,地貌纹理特征提取结果更加完整与清晰,地貌纹理识别结果与实际结果一致,充分证实了提出方法应用效果更好。

CT征象联合纹理分析鉴别硬化性肺泡细胞瘤与周围型肺癌的价值

目的探讨CT征象联合纹理分析鉴别硬化性肺泡细胞瘤(pulmonary sclerosing pneumocytoma,PSP)与周围型肺癌(peripheral lung cancer,PLC)的价值。方法选取经病理证实的PSP患者136例及PLC患者131例,以7∶3的比例将所有病例随机分为训练集和验证集。分析两组病变CT特征及静脉期薄层CT图像纹理特征,用筛选出的特征参数构建多因素二元logistic回归模型并绘制ROC曲线,计算AUC值,评价各模型诊断PSP与PLC的效能。结果训练集和验证集两组间形态、钙化、液化坏死、分叶、毛刺、胸膜凹陷征、空洞、纵隔/肺门淋巴结肿大和16组最佳纹理参数差异有统计学意义(P<0.05)。CT特征模型由分叶、毛刺、胸膜凹陷征及纵膈/肺门淋巴结肿大组成;纳入训练集回归模型的最佳纹理参数共5组,分别为Perc.10%、S(3,0)SumAverg、S(4,0)SumAverg、S(4,4)SumAverg及WavEnLH_s-1。训练集中CT特征模型与CT纹理参数模型诊断PSP与PLC的AUC分别为0.847、0.851,二者间差异无统计学意义(P=0.912);CT特征联合纹理参数模型诊断两组病变的AUC最高,为0.939,其准确度、灵敏度和特异度分别为85.0%、82.1%和93.5%。验证集中影像学特征联合纹理参数模型诊断两组病变的AUC为0.923,高于CT影像特征模型(AUC=0.864;Z=2.627,P=0.009)和CT纹理参数模型(AUC=0.832;Z=2.147,P=0.031)。结论CT征象联合纹理分析对于鉴别PSP与PLC具有较好的诊断价值。

叶脉仿生分形纹理化金刚石砂轮磨削氧化锆陶瓷试验评价

针对氧化锆陶瓷在传统砂轮磨削过程中存在的磨削力大、加工质量较差等问题,根据叶脉分形结构在减阻导流与散热传质方面的优异性能,建立叶脉分形角模型,设计30.0°、45.0°和60.0°3种不同分形角度的叶脉仿生分形纹理化金刚石砂轮,对比分析原始砂轮与3种仿生分形砂轮对氧化锆陶瓷磨削表面粗糙度Ra、磨削力和磨削力比的影响。结果表明:仿生分形砂轮比原始砂轮具有更好的磨削性能;与原始砂轮相比,仿生分形砂轮的法向磨削力降低了12.7%~55.8%,切向磨削力降低了8.1%~40.3%,且其对表面粗糙度Ra影响不明显;当分形角为30.0°时,获得的磨削力比最小值为1.4~3.0,表面粗糙度Ra最小值为1.824μm。