CN103942764B - 一种基于模块分析技术的二维光纤光谱图像修复算法 - Google Patents

Abstract

本发明公开了一种基于模块分析技术的二维光纤光谱图像修复方法，该方法能快速准确地从二维光纤光谱图像中找到宇宙射线污染区域，并进行修复。包括如下步骤：通过对二维光纤光谱图像进行下采样运算，得到二维光纤光谱图像的下采样结果图；运行本地模块分析函数，对二维光纤光谱图像的下采样结果图进行逐模块的分析，判定其是否为宇宙射线污染区域，并进行模块标定；对下采样结果图标定的模块进行映射运算，找到其在原始二维光纤光谱图像的对应模块，重新标定；按照原始光纤光谱图像的标定模块，通过自相似指导的方法，逐模块的对原始二维光纤光谱图像进行修复，最后获得修复后的光纤光谱图像。本发明能够达到去除光纤光谱图像中宇宙射线污染区域的效果。

Description

一种基于模块分析技术的二维光纤光谱图像修复算法

技术领域

本发明属于计算机图像处理技术领域，特别涉及一种基于模块分析技术的二维光纤光谱图像修复算法。

背景技术

光谱CCD图像数据的获取是由天文望远镜系统经过一系列的处理获得，由于天文观测受到自然条件的影响，包括宇宙射线，气象条件，光照，自然粒子等自然因素都会对最后生成的光谱CCD图像产生影响。因此，在用于专业数据分析之前，需要对CCD图像进行图像修复。CCD图像中的正常光谱信息按照光学特性存在一定规律，而宇宙射线与其他噪声污染不存在该规律，并在CCD图像上呈现出明显的随机性。因此基于对这种规律的分析提供了算法设计的依据。

对于宇宙射线的修复，早期的方法是对于同一场景进行两次及两次以上的拍摄，然后通过合并对相同场景拍摄的图像来确定光谱信息，剔除宇宙射线的影响，从而完成修复。但类似于这种多幅图像合并的方法往往受到实际应用的限制，包括自然条件，拍摄环境以及光谱信息本身的正常变化等都会影响该方法的效果。因此现在主要的修复方法都是基于单幅图像进行的。

中值滤波方法广泛应用于单幅光谱信息图像修复。包括各种对中值滤波改进的方法，通常对于图像的去噪能够得到比较理想的结果。当宇宙射线的像素信息呈现比较明显的盐噪声特性时，该方法就能够起到很好的作用。但是当宇宙射线的呈现形态明显区别于普通噪声时，该方法需要进行两到三次的再处理才能获得较理想的结果，而且该方法容易影响正常光谱信息空间方向的像素变化，造成模糊。

建立函数模型和分类器来完成图像修复是该领域研究的另外一个方向。此类方法通过建立一系列的判定方法来区分出光谱信息和非光谱信息，然后对非光谱信息进行有针对性的修复。通常此类方法能够获得比较精确的结果，但是在时间开销上花费较大，尤其对大规模的光谱图像修复，表现的性能较差。

为了能够提升性能，将原始方法应用于GPU加速技术成为一个很好的方向。利用GPU强大的并行计算能力能够有效的提升原始方法运行效率低的问题。基于模板匹配的方法能够很好的应用GPU的加速。模板匹配通常需要建立一个用于分析的光谱信息模板集，然后使用该集合的模板信息与原始图像逐一进行匹配。因此使用GPU并行运算能够并行的进行匹配，有效的对该方法进行加速。但是对于模板库的建立，需要由比较精确的算法保证其精度，否侧会影响该方法的实现，这也是制约该方法广泛应用的一个因素。

发明内容

本发明的目的是改善二维光纤光谱图像修复算法，提升速度和精度。

为此，本发明公开了一种基于模块分析技术的二维光纤光谱图像修复算法，该方法能快速准确地对二维光纤光谱图像进行图像修复，包括如下步骤：

1)通过对二维光纤光谱图像进行下采样运算，得到二维光纤光谱图像的下采样结果图；

2)运行本地模块分析函数，对二维光纤光谱图像的下采样结果图进行逐模块的分析，判定其是否为宇宙射线污染区域，并进行模块标定；

3)对下采样结果图标定的模块进行映射运算，找到其在原始二维光纤光谱图像的对应模块，重新标定；

4)按照原始光纤光谱图像的标定模块，通过自相似指导的方法，逐模块的对原始二维光纤光谱图像进行修复，最后获得修复后的光纤光谱图像。

附图说明

图1为基于模块分析的二维光纤光谱图像修复方法的流程图。

图2为下采样方法示例图。

图3为宇宙射线污染的区域像素灰度示例图。

图4为正常光谱信息像素灰度示例图。

图5为二维光纤光谱原始图像。

图6为经过分析函数处理过的原始图像，绿色标记为污染区域。

图7自相似指导像素匹配向量及像素指导向量组说明图像。

图8污染模块及其相邻模块的一列像素灰度分布，

图9对污染区域进行自相似指导后的像素灰度分布。

图10最后结果图。

具体实施方式

下面结合附图对本发明作进一步详细的说明。

图1为基于模块分析技术的二维光纤光谱图像修复方法的流程图。

下面通过图1将本发明为基于模块分析技术的二维光纤光谱图像修复方法进行详尽的描述。

步骤1：通过对二维光纤光谱图像进行下采样运算，得到二维光纤光谱图像的下采样结果图：

F1(x，y)＝F2(x/b，y/b)。 (1)

其中，F1代表下采样图像的像素点，x，y为像素坐标信息。F2为原始图像，b为采样倍数。图2说明了下采样运算操作的结果，左图为原始图，右图为下采样结果图。在这里本发明的下采样操作选择在不影响后续计算的前提下，直接剔除多余像素的方法，将图像的分辨率降低，已获得较快的运算速度。

本发明在光谱信息图像中抽取了几个典型的宇宙射线污染区域进行分析，发现最小的宇宙射线污染像素信息块大约为7*7像素。所以只要在进行下采样运算中，理论上只要采样倍数小于7，那么污染像素信息将被保留在下采样图像中。为了寻求性能和精确度的平衡，本发明选择下采样的倍数为三倍，即b取3。

步骤2：运行本地模块分析函数，对二维光纤光谱图像的下采样结果图进行逐模块的分析，判定其是否为宇宙射线污染区域，并进行模块标定。如图3和图4所示，由于光谱图像的污染区域和正常信息的区域在像素分布上呈现比较明显的区别，即正常光谱信息区域，像素的灰度值在色散方向变化几乎为0，污染区域的像素灰度值无论是在空间方向还是在色散方向都呈现无规律的变化状态，进而确定了通过分析函数判定污染区域的方法：

$M=\left\{\begin{array}{c}(x_0,y_0),(x_1,y_0)...(x_k,y_0)\\ (x_0,y_1),(x_1,y_1)...(x_k,y_1)\\ ...\\ (x_0,y_k),(x_1,y_k)...(x_k,y_k)\end{array}\right\}.---\left(2\right)$

S＝{M|F(M)>Y}。 (3)

$F\left(M\right)=\underset{j=0}{\overset{k}{\mathrm{\Σ}}}\underset{i=0}{\overset{k}{\mathrm{\Σ}}}|(x_j,y_i)-(x_j,y_{i+1})|.---\left(4\right)$

其中M是待检测的模块，k为模块的尺寸，S是污染模块的集合，经过分析函数F得到一个与M相对应的值；Y为判定阈值，当对M进行分析后得到的值大于Y，说明模块M属于污染模块，加入到集合S中；x，y代表像素的行列坐标；分析函数F本身是一个类卷积运算，逐行对像素求差，并取绝对值。为了增加分析的精度，使污染模块能够更加体现出特性，实际应用中会在(3)的基础上取平方而不是绝对值，这样增加了污染模块与正常模块之间所得的F(M)差，进而增加了分析的精确度。

对于分析模块尺寸，如果设计过小，本地分析所采用的数据就会偏小，会提高判定失误的可能性。如果设计过大，则噪声像素在模块中的比例将会降低，增加了后续的模块修复运算的计算负荷，而较低的噪声存在比例也可能造成不可预知的判定失误。

依据噪声像素块最小尺寸大约为7*7的实际情况，本发明对k分别取5，7，10三个尺寸，经过实验表明在实际应用中，选择k为5效果较好，污染区域的识别度较高。

$F\left(M\right)=\underset{j=0}{\overset{k}{\mathrm{\Σ}}}\underset{i=0}{\overset{k}{\mathrm{\Σ}}}\{(x_j,y_i)-(x_j,y_{i+1}){\}}^2.---\left(5\right)$

步骤3：对下采样结果图标定的模块进行映射运算，找到其在原始二维光纤光谱图像的对应模块，重新标定。映射方式表示如下：

S{M}→S_new{N}。 (6)

$N=\left\{\begin{array}{c}(x_0,y_0),(x_1,y_0)...(x_{\mathrm{kb}},y_0)\\ (x_0,y_1),(x_1,y_1)...(x_{\mathrm{kb}}b,y_1)\\ ...\\ (x_0,y_{\mathrm{kb}}),(x_1,y_{\mathrm{kb}})...(x_{\mathrm{kb}},y_{\mathrm{kb}})\end{array}\right\}.---\left(7\right)$

其中，由之前所得的集合S{M}，将里面的M逐个进行映射，映射到原始图像区域，得到集合S_new{N}。具体的映射方法就是对公式(1)进行逆运算。这样就会生成一个新的集合，对应于原始图像。到此，已经标记了原始图像的污染区域信息。

步骤4：逐个调取新集合S_new{N}的模块，通过自相似指导的方法，进行填充修复，具体方法如下：

$N_L=\mathrm{Search}(N_L^{-},N_L^{+}).---\left(8\right)$

Q{L|L(l₁，l₂，l₃，l₁-l₂，l₃-l₂)}。 (9)

Q_t(l₁，l₂，l₁-l₂)。 (10)

对于待修复的模块N，逐列运行扫描函数。L表示模块在列上的标号。列中每一行均需要通过扫描它的相邻两个非污染模块和如果待修复模块N在边缘位置，则寻找与N同列的最近的两个非污染模块作为扫描模块，建立由像素指导向量构成的向量组Q。l表示行；一个像素指导向量包含两个部分五个值，第一部分为本行的像素灰度以及相邻两行的像素灰度。第二部分为本行灰度与向量两行灰度的差，因为相邻像素灰度不会超过7，否则会判定为污染模块，所以以单字节原码方式存储两个灰度差，前四个字符储存与上一行的差，后四个字符储存与下一行的差。当对N的第一行进行修复时，先找到N的上一个非污染模块的最后一行像素灰度信息和倒数第二行的像素灰度信息，并使用这两行像素灰度信息及其灰度差建立一个像素匹配向量Q_t，然后使用这个像素匹配向量Q_t与已经建成的像素指导向量组Q进行匹配。当在向量组中找到一个像素指导向量与像素匹配向量的前两个灰度值相同时，则将像素指导向量的第三个值直接赋值到N的第一行。如果找不到两个值都匹配的像素指导向量，则寻找只匹配中间行灰度值的像素指导向量，并赋值N的第一行。如果全部不匹配，则匹配灰度差部分，即取像素指导向量组灰度差字节的高四位与像素匹配向量灰度差进行异或，如果判定相同，则直接将像素指导向量灰度差字节的低四位与像素匹配向量的第二个灰度相加，得到的值直接赋值需要修复的第三行像素。之后对N的其他行逐行按照该操作赋值，完成N的一列的赋值，逐列对N完成修复。图7列出了一个像素指导向量组和像素匹配向量的实例，A为N及N相邻两个模块的一列像素灰度信息。B为Qt像素匹配向量。C为Q像素指导向量组，D为一个匹配判定。图8和图9显示了修复之前和修复之后，污染模块一列的像素灰度分布。最后完成对S_new{N}的修复，完成全部修复算法，如图10所示。

该方法能够最大程度的保存光纤光谱图像色散方向的细微变化，同时保持了修复模块在整个相邻区域的连续性，得到更接近于自然状态的修复结果

步骤5：运用CPU并行技术，对该算法进行加速。

对应于步骤二和步骤四，设计对应于多核CPU的多线程加速程序，可以有效的提高运算速度。

步骤二将原始图像划分为多个模块，对应于每一个模块，设计一个线程进行分析，这样能够加速分析过程。步骤四对应于污染模块，每一个分配五个线程，每一个线程用于对N的一列进行运算。因为对于步骤4，列间的操作是完全独立的，所以可以很好的进行并行计算。

本发明的实验使用的原始图像像素为1506*580，使用本发明的多线程加速后，运算时间小于0.1秒，而本发明使用尽量简单，不追求精度的模板法作为对照参考，运算时间整体大于0.5秒。结果证明本发明的算法在精度和运算时间上好于模板法。

总之，本发明的实施例公布的是其较佳的实施方式，但并不限于此。本领域的普通技术人员极易根据上述实施例，领会本发明的精神，并做出不同的引申和变化，但只要不脱离本发明的精神，都在本发明的保护范围之内。

Claims (4)

1.一种基于模块分析技术的二维光纤光谱图像修复方法，其特征在于，包括以下步骤：

1)通过对二维光纤光谱图像进行下采样运算，得到二维光纤光谱图像的下采样结果图；

2)运行本地模块分析函数，对二维光纤光谱图像的下采样结果图进行逐模块的分析，判定其是否为宇宙射线污染区域，并进行模块标定；具体方法为：

S＝{M|F(M)＞Y} (1)

$F\left(M\right)=\underset{j=0}{\overset{k}{\mathrm{\Σ}}}\underset{i=0}{\overset{k}{\mathrm{\Σ}}}|(x_j,y_i)-(x_j,y_{i+1})|---\left(2\right)$

S是污染模块的集合，M是待检测的模块，经过分析函数F得到一个与M相对应的值，Y为判定阈值，当对M进行分析后得到的值大于Y，说明模块M属于污染模块，加入到集合S中；分析函数F本身是一个类卷积运算，逐行对像素求差，并取绝对值；k为模块的尺寸；i，j为像素行列的标号，x_j为第j列的行像素，y_i为第i行的列像素，y_i+1为第i+1行的列像素；

3)对下采样结果图标定的模块进行映射运算，找到其在原始二维光纤光谱图像的对应模块，重新标定；

4)按照原始光纤光谱图像的标定模块，通过自相似指导的方法，逐模块的对原始二维光纤光谱图像进行修复，最后获得修复后的光纤光谱图像。

2.根据权利要求1所述的基于模块分析技术的二维光纤光谱图像修复方法，其特征在于，步骤1)中所述下采样方法为：

F1(x，y)＝F2(x/b，y/b) (3)

其中，F1代表下采样图像的像素点，x，y为像素坐标信息；F2为原始图像，b为采样倍数。

3.根据权利要求1所述的基于模块分析技术的二维光纤光谱图像修复方法，其特征在于，步骤3)中所述映射运算：

S{M}→S_new{N} (4)

由之前所得的集合S，将里面的元素M逐个进行映射，映射到原始图像区域；具体的映射方法就是对公式(1)进行逆运算；这样就会生成一个新的集合S_new，对应于原始图像。

4.根据权利要求1所述的基于模块分析技术的二维光纤光谱图像修复方法，其特征在于，步骤4)中所述自相似指导的方法操作如下：

$N_L=Search(N_L^{-},N_L^{+})---\left(5\right)$

Search函数对于待修复的模块N，逐列运行扫描函数；列L中每一行均需要通过扫描它的相邻两个非污染模块，建立由像素指导向量构成的向量组；N_L表示在L列上待修复的模块N，表示在L列模块N的位置上向列的负方向上的模块，表示在L列模块N的位置上列的正方向上的模块；一个像素指导向量包含三个值，即本行的像素灰度以及相邻两行的像素灰度；当对N的第一行进行修复时，先找到N的上一个非污染模块的最后一行像素灰度信息和倒数第二行的像素灰度信息，并使用这两行像素灰度信息建立一个像素匹配向量，然后使用这个像素匹配向量与已经建成的像素指导向量组进行匹配；当在向量组中找到一个像素指导向量与像素匹配向量的前两个灰度值相同时，则将像素指导向量的第三个值直接赋值到N的第一行；如果找不到两个值都匹配的像素指导向量，则寻找只匹配一个值的像素指导向量，并赋值；如果全部不匹配，则直接随机的选取一个像素指导向量组的灰度值赋值；之后对N的其他行逐行按照该操作赋值，完成N的一列的赋值，逐列对N完成修复；最后完成对S_new{N}的修复，完成全部修复方法。