CN106570890A - 一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法 - Google Patents
一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法 Download PDFInfo
- Publication number
- CN106570890A CN106570890A CN201610977973.XA CN201610977973A CN106570890A CN 106570890 A CN106570890 A CN 106570890A CN 201610977973 A CN201610977973 A CN 201610977973A CN 106570890 A CN106570890 A CN 106570890A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- sequence image
- multidate information
- interval
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 230000002123 temporal effect Effects 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 11
- 230000000977 initiatory effect Effects 0.000 claims description 7
- 239000004744 fabric Substances 0.000 claims 1
- 238000001914 filtration Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010606 normalization Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 7
- 238000005314 correlation function Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 240000007509 Phytolacca dioica Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003752 polymerase chain reaction Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及提取太阳高分辨率序列图像中不同速度区间内动态信息的方法,属天文技术和图像处理领域。本发明先对齐初始序列图像;再将对齐的序列图像数据变换为三维频率波数域数据;在三维频率波数域中根据拟定的效果和参数利用速度滤波器对对齐序列图像的三维频率波数域数据进行速度滤波;再对滤波数据进行三维傅里叶逆变换到三维时空域获得逆变换序列图像;再对逆变换序列图像进行序列图像归一化得到包含所需速度区间内动态信息的可清晰识别的序列图像。本发明利用三维傅里叶变换,在三维频率波数域进行速度滤波,从而实现在三维频率波数域提取不同运动速度区间内动态信息的目的。
Description
技术领域
本发明涉及一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法,特别涉及一种在三维频率波数域中提取天文图像中太阳高分辨率序列图像中不同速度区间内动态信息的方法。属于天文技术和图像处理领域。
背景技术
在太阳高分辨序列图像中,研究其动态信息的变化,科学意义在于序列图像中蕴含着大量不同尺度、不同频率、不同速度的太阳活动的运动学信息,这些运动学信息都是太阳动力学机制的表现形式。如果我们能从中定量提取更多的有效信息,必将有利于研究各种太阳活动的演化规律,揭示物理本质。
传统的高分辨像中运动目标提取的一种方法是,先对特征结构进行识别,然后再比较相邻两帧。在大尺度活动方面有很多类似方法,如用于黑子、针状物、活动区探测以及耀斑预测的ASAP(Adaptive Sampling and Analysis Program),用于EUV(Extremeultraviolet)活动区、冕洞和宁静区的自动识别跟踪算法SpoCA,用于SDO(Solar DynamicsObservatory)视向磁图中活动区和黑子自动识别和跟踪的SMART算法、以及在小尺度方面的是MLT_4(Modulated Lapped Transform)方法。另一种方法是进行帧间差法(running-difference),也就是“后帧减前帧”进行相邻时刻的图像比较,从而得到相邻的两帧之间的图像变化,然后再进行分割处理的一种方法,这在MHD(Magnetohydrodynamic)波的检测和CME(Coronal Mass Ejection)的检测中很多应用。但如果被处理的两帧之间特征变化较小,这种方法就会失效。同时由于进行差分运算,强度不变区域的信息就会丢失。这些都给序列处理带来问题。另外小波分析、主成份分析、支持向量机、霍夫变换等等也在序列图像的处理中有所应用。但这些技术的一般都致力于如何发现动态的信号,而不是将动态信号和静止信号或者不同类型的动态信号进行分解。而不同信号的分解是一个非常有意义的事情。例如研究日冕加热问题,既要关心各种形式的周期性MHD波,也要关注和磁重联有关的非周期性小尺度爆发;在研究黑子行波的时候,希望对本影的三分钟震荡和半影五分钟震荡分别进行提取。也就是说,将一个序列图像上不同的运动信息进行分离,就可以同时研究它们的作用,并分析相互之间的关系。而实现这一关键技术,将会给太阳序列图像处理带来崭新的一面。
本发明正是为了解决这些问题而提出的一种基于三维频率波数域的提取太阳高分辨率序列图像不同速度区间内动态信息的方法,该方法改变了“先对特征结构进行识别,然后再比较相邻两帧”的方法,综合考虑动态信息在高分辨图像序列上的时空分布特性和物理特性,将识别和提取范围一次性扩展到了总体的许多帧上。
发明内容
本发明提供了一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法,将对齐后的太阳高分辨率序列图像构成的三维时空立方体数据经过三维傅里叶变换变成三维频率波数域数据,从三维频率波数域的角度综合考虑不同速度区间内动态信息在三维频率波数域的分布特性,准确地识别和提取了太阳高分辨率图像序列中不同速度区间内动态信息,解决了先对特征结构进行识别,然后再比较相邻两帧的方法导致两帧之间特征变化较小而失效的问题。
本发明的技术方案是:一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法,首先,对初始序列图像进行对齐;接着,采用三维傅里叶变换的方法将对齐序列图像的三维时空域数据转换到三维频率波数域中;然后根据不同速度区间内动态信息的波数和时间频率等物理特性以及时空分布特性设定提取的参数,在一个由二维波数坐标(kx,ky)、时间频率ω所组成的三维频率波数立方体(kx,ky,ω)中对三维频率波数域数据进行速度滤波;再将滤波结果所得的数据经三维傅里叶逆变换返回三维时空域得到包含所需速度区间内动态信息的逆变换序列图像;最后,对逆变换序列图像进行序列图像归一化得到包含所需速度区间内动态信息的可清晰识别的序列图像。
所述提取太阳高分辨率序列图像中不同速度区间内动态信息的方法的具体步骤如下:
步骤1:预处理:采用局部相关方法对齐初始序列图像,得到对齐后的序列图像;
步骤2:三维傅里叶变换:对对齐后的序列图像采用三维傅里叶变换的方法变换到三维频率波数域中得到三维频率波数域数据,其中,三维频率波数坐标系(kx,ky,ω)中kx轴和ky轴为序列图像二维波数平面坐标,ω轴为序列图像的时间频率坐标;
步骤3:提取太阳高分辨率序列图像中不同速度区间内动态信息的参数设定:从三维频率波数域的角度综合考虑不同速度区间内动态信息的波数和频率等物理特性以及时空分布特性,在kx,ky波数轴和时间频率ω轴上采用对称的方式设定分离和提取的参数;
步骤4:速度滤波器滤波:根据上述三维傅里叶变换的数据和设定参数,在序列图像构成的三维频率波数立方体中进行动态信息的提取,其中,三维频率波数坐标系(kx,ky,ω)中kx轴和ky轴为序列图像二维波数坐标,ω轴为序列图像的时间频率坐标;提取具体的实现方法是利用三维速度滤波器保留满足设定参数的像素点,滤除不符合条件的像素点;
步骤5:三维傅里叶逆变换:对保留的三维频率波数域的数据做三维傅里叶逆变换,得到包含所需速度区间内动态信息的逆变换序列图像;
步骤6:逆变换序列图像归一化:对逆变换序列图像进行序列图像归一化得到包含所需速度区间内动态信息的可清晰识别的序列图像。
所述步骤4中,速度滤波器采用三维高斯低通速度滤波器、三维一阶巴特沃斯低通速度滤波器。
本发明的有益效果是:
1、综合考虑动态信息在高分辨图像序列上的时空分布特性和物理特性,将识别和提取范围一次性扩展到了总体的许多帧上;
2、将对齐的太阳高分辨率序列图像构成的三维时空立方体数据经过三维傅里叶变换变成三维频率波数域数据,从三维频率波数域的角度综合考虑不同速度区间内动态信息在三维频率波数域的分布特性,准确地识别和提取了太阳高分辨率图像序列中设定速度区间内的动态信息。
附图说明
图1是本发明的总体流程图;
图2是本发明中日出/太阳光学望远镜在G波段观测到的100张高分辨图像序列中的第一张图;
图3是本发明中对日出/太阳光学望远镜在G波段观测到的100张高分辨序列图像做三维傅里叶变换后的三维频率波数域的数据结果;
图4是本发明中基于三维频率波数域数据的时间频率与波数关系构建的三维速度滤波模型;
图5是本发明中日出/太阳光学望远镜在G波段观测到的100张高分辨图像序列中的第一张图和这个序列图像经三维理想低通速度滤波器处理并进行了三维傅里叶逆变换与归一化后的第一张图;
图6是本发明中日出/太阳光学望远镜在G波段观测到的100张高分辨图像序列中的第一张图和这个序列图像经三维高斯低通速度滤波器处理并进行了三维傅里叶逆变换与归一化后的第一张图;
图7是本发明中日出/太阳光学望远镜在G波段观测到的100张高分辨图像序列中的第一张图和这个序列图像经三维一阶巴特沃斯低通速度滤波器处理并进行了三维傅里叶逆变换与归一化后的第一张图。
具体实施方式
实施例1:如图1-7所示,一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法,首先,对初始序列图像进行对齐;接着,采用三维傅里叶变换的方法将对齐序列图像的三维时空域数据转换到三维频率波数域中;然后根据不同速度区间内动态信息的波数和时间频率等物理特性以及时空分布特性设定提取的参数,在一个由二维波数坐标(kx,ky)、时间频率ω所组成的三维频率波数立方体(kx,ky,ω)中对三维频率波数域数据进行速度滤波;将滤波结果所得的数据经三维傅里叶逆变换返回三维时空域得到包含所需速度区间内动态信息的逆变换序列图像;最后,对逆变换序列图像进行序列图像归一化得到包含所需速度区间内动态信息的可清晰识别的序列图像。
所述一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法的具体步骤如下:
步骤1:预处理:采用局部相关方法对齐初始序列图像,得到对齐后的序列图像;
步骤2:三维傅里叶变换:对对齐后的序列图像采用三维傅里叶变换的方法变换到三维频率波数域中得到三维频率波数域数据,其中,三维频率波数坐标系(kx,ky,ω)中kx轴和ky轴为序列图像二维波数平面坐标,ω轴为序列图像的时间频率坐标;
步骤3:提取太阳高分辨率序列图像中不同速度区间内动态信息的参数设定:从三维频率波数域的角度综合考虑不同速度区间内动态信息的波数和频率等物理特性以及时空分布特性,在kx,ky波数轴和时间频率ω轴上采用对称的方式设定提取的参数;
步骤4:速度滤波器滤波:根据上述三维傅里叶变换的数据和设定参数,在序列图像构成的三维频率波数立方体中进行动态信息的提取,其中,三维频率波数坐标系(kx,ky,ω)中kx轴和ky轴为序列图像二维波数坐标,ω轴为序列图像的时间频率坐标;提取具体的实现方法是利用三维速度滤波器保留满足设定参数的像素点,滤除不符合条件的像素点;
步骤5:三维傅里叶逆变换:对保留的三维频率波数域的数据做三维傅里叶逆变换,得到包含所需速度区间内动态信息的逆变换序列图像;
步骤6:逆变换序列图像归一化:对逆变换序列图像进行序列图像归一化得到包含所需速度区间内动态信息的可清晰识别的序列图像。
实施例2:如图1-7所示,一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法,首先,对初始序列图像进行对齐;接着,采用三维傅里叶变换的方法将对齐序列图像的三维时空域数据转换到三维频率波数域中;然后根据不同速度区间内动态信息的波数和时间频率等物理特性以及时空分布特性设定提取的参数,在一个由二维波数坐标(kx,ky)、时间频率ω所组成的三维频率波数立方体(kx,ky,ω)中对三维频率波数域数据进行速度滤波;将滤波结果所得的数据经三维傅里叶逆变换返回三维时空域得到包含所需速度区间内动态信息的逆变换序列图像;最后,对逆变换序列图像进行序列图像归一化得到包含所需速度区间内动态信息的可清晰识别的序列图像。
所述一种提取太阳高分辨率图像序列中不同速度区间内动态信息的方法的具体步骤如下:
步骤1:预处理:首先采用局部相关方法对齐序列图像(本例中该序列图像来源于日出/太阳光学望远镜在G波段观测到的高分辨图像,共有100幅图,图2为序列图像中的第一幅图像),以消除原始图像中的抖动和错位;
具体的,首先手动选取序列图像第一张的矩形特征区域作为模板,如黑子或其他灰度值跨度大的区域。然后依次与后续的序列图像中的图像区域计算相关,互相关函数的定义如下:
其中,Rhg(m,n)为两张图像的矩形特征区域相关函数,g(x,y),h(x,y)是两张图像的相对应的矩形特征区域,矩形区域大小分别是:A×B、C×D,m=0,1,2,…,M-1;n=0,l,2,…,N-1;M=A+C-1;N=B+D-1。
根据互相关函数定义以及傅里叶变换特性,有如下公式:
F{Rhg(m,n)}=F{h(x,y)}×F*{g(x,y)}=H(u,v)×G*(u,v)=R(u,v),
其中,H(u,v)是h(x,y)的傅立叶变换形式,G*(u,v)是g(x,y)的傅立叶变换的共轭,R(u,v)是R(m,n)的傅立叶变换形式。在R(u,v)的逆变换矩阵(相关矩阵)中的最大值元素所在的位置即是两幅图像相关性最强的位置。然后根据此位置水平或垂直平移除模板以外的图像。
步骤2:三维傅里叶变换:对由对齐后的序列图像构建的三维时空立方体进行三维傅里叶变换可以获得由空间频率和时间频率组成的三维频率波数域空间,其中,三维频率波数坐标系(kx,ky,ω)中kx轴和ky轴为序列图像二维波数平面坐标,ω轴为序列图像的时间频率坐标;如果按照波动来考虑,可以描述为ω(波动频率)和k(波数)空间。三维傅里叶变换式如下:
其中,u(x,y,t)为对齐后的太阳高分辨率序列图像数据,而U(kx,ky,ω)为经三维傅里叶变换到三维频率波数域的数据(图3为对图2的序列图像做三维傅里叶变换后的三维频率波数域的数据结果)。
步骤3:提取太阳高分辨率序列图像不同速度区间内动态信息的参数设定:从三维频率波数域的角度综合考虑不同速度区间内动态信息的波数和频率等物理特性以及分布特性,在kx,ky波数轴和频率ω轴上采用对称的方式设定提取的条件及参数;
具体的,考虑在太阳高分辨率序列图像上不同动态信息的三维傅里叶变换数据在kx轴,ky轴与时间频率ω轴上的分布特性,初始的太阳高分辨率序列图像的时间分辨率与空间分辨率,以及所要提取的动态信息所在的速度区间。设定如下参数:在一个三维频率波数域中,时空域的二维横向速度将表现为一个锥型曲面(图4为基于三维频率波数域数据的时间频率与波数关系构建的三维速度滤波模型)。具体公式如下:
c=f·λ=f/k,
其中,c为动态信息的速度,f为动态信息的频率,λ为动态信息的波长,k为动态信息的波数。这个锥型曲面包含ω轴的空间即为速度大于此阈值的频率波数信息,而锥型曲面不包含ω轴的空间即为速度小于此阈值的频率波数信息,见图三。基于此方法,我们可以构建一个速度滤波器,即将或大于或小于一个特定水平速度的强度信息提取出来。所需的时间分辨率和空间分辨率由初始的太阳高分辨率序列图像决定。
步骤4:速度滤波器滤波:根据上述提取太阳高分辨率序列图像不同速度区间内动态信息的参数设定,对经三维傅里叶变换得到的三维频率波数域数据进行滤波,其中,三维频率波数坐标系(kx,ky,ω)中kx轴和ky轴为序列图像二维波数平面坐标,ω轴为序列图像的时间频率坐标;在相同的时间频率与给定的速度范围下,根据速度与频率和波数的关系可求得符合要求波数的动态信息成分,再改变时间频率从而实现对整个三维频率波数域的动态信息的提取。三维速度滤波器从功能上分为低通、高通、带通和带阻滤波器,从类型上分为理想、高斯和不同阶的巴特沃斯滤波器。
理想的低通滤波器与高通滤波器表达式如下(图5左右两部分分别为日出/太阳光学望远镜在G波段观测到的100张高分辨图像序列中的第一张图和这个序列图像经三维理想低通速度滤波器处理并进行了三维傅里叶逆变换与归一化后的第一张图):
高斯的低通滤波器与高通滤波器表达式如下(图6左右两部分分别为日出/太阳光学望远镜在G波段观测到的100张高分辨图像序列中的第一张图和这个序列图像经三维高斯低通速度滤波器处理并进行了三维傅里叶逆变换与归一化后的第一张图):
n阶的巴特沃斯的低通滤波器与高通滤波器表达式如下(图7左右两部分分别为日出/太阳光学望远镜在G波段观测到的100张高分辨图像序列中的第一张图和这个序列图像经三维一阶巴特沃斯低通速度滤波器处理并进行了三维傅里叶逆变换与归一化后的第一张图):
其中,Hl代表低通滤波器,Hh代表高通滤波器,x代表同时间频率下的不同波数,a代表根据给定速度范围的边界值和与x同时间频率下换算得来的波数边界值。
步骤5:三维傅里叶逆变换:将所保留的符合要求的频率波数域的数据经三维傅里叶逆变换得到三维时空域数据。
三维傅里叶逆变换公式如下:
其中,Ure(kx,ky,ω)为太阳高分辨率序列图像的三维频率波数域数据经三维速度滤波的结果,ure(x,y,t)为Ure(kx,ky,ω)经三维傅里叶逆变换得到的包含所需速度区间内动态信息的逆变换序列图像。
步骤6:逆变换序列图像归一化:为了解决由于三维傅里叶变换导致图像灰度值范围差异较大,致使所需的动态信息无法清晰识别的问题,采用如下公式对序列图像作归一化处理:ufi(x,y,t)=(ure(x,y,t)-min(ure(x,y,t)))/(max(ure(x,y,t))-min(ure(x,y,t))),
其中,ure(x,y,t)是当前需要归一化的图像,ufi(x,y,t)是归一化后的图像。通过归一化后使图像的灰度值范围在0到1之间,其中0表示黑色,1表示白色。从而实现对太阳高分辨率序列图像不同速度区间内动态信息的提取,并获得一个含所需动态信息的可清晰识别的序列图像。如图5、图6、图7的右半部分是采用不同的速度滤波器(三维理想低通速度滤波器、三维高斯低通速度滤波器、三维一阶巴特沃斯低通速度滤波器)滤波、三维傅里叶逆变换、逆变换序列图像归一化后得到的含所需动态信息的可清晰识别的图像,在这3个最终归一化序列图像中黑色部分为非所需动态信息在归一化序列图像的区域,其余颜色部分代表满足所定速度区间内动态信息条件的部分,其中,三维理想低通速度滤波器更适用于刚体运动,对于有形变的运动,由于存在振铃现象,效果没有后两个滤波器好,后两个虽然有频率泄露,但是在复杂运动上效果优于理想滤波器。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法,其特征在于:首先,对初始序列图像进行对齐;接着,采用三维傅里叶变换的方法将对齐序列图像的三维时空域数据转换到三维频率波数域中;然后根据不同速度区间内动态信息的波数和时间频率等物理特性以及时空分布特性设定提取的参数,在一个由二维波数坐标(kx,ky)、时间频率ω所组成的三维频率波数立方体(kx,ky,ω)中对三维频率波数域数据进行速度滤波;再将滤波结果所得的数据经三维傅里叶逆变换返回三维时空域得到包含所需速度区间内动态信息的逆变换序列图像;最后,对逆变换序列图像进行序列图像归一化得到包含所需速度区间内动态信息的可清晰识别的序列图像。
2.根据权利要求1所述的提取太阳高分辨率序列图像中不同速度区间内动态信息的方法,其特征在于:所述提取太阳高分辨率序列图像中不同速度区间内动态信息的方法的具体步骤如下:
步骤1:预处理:采用局部相关方法对齐初始序列图像,得到对齐后的序列图像;
步骤2:三维傅里叶变换:对对齐后的序列图像采用三维傅里叶变换的方法变换到三维频率波数域中得到三维频率波数域数据,其中,三维频率波数坐标系(kx,ky,ω)中kx轴和ky轴为序列图像二维波数平面坐标,ω轴为序列图像的时间频率坐标;
步骤3:提取太阳高分辨率序列图像中不同速度区间内动态信息的参数设定:从三维频率波数域的角度综合考虑不同速度区间内动态信息的波数和频率等物理特性以及时空分布特性,在kx,ky波数轴和时间频率ω轴上采用对称的方式设定分离和提取的参数;
步骤4:速度滤波器滤波:根据上述三维傅里叶变换的数据和设定参数,在序列图像构成的三维频率波数立方体中进行动态信息的提取,其中,三维频率波数坐标系(kx,ky,ω)中kx轴和ky轴为序列图像二维波数坐标,ω轴为序列图像的时间频率坐标;提取具体的实现方法是利用三维速度滤波器保留满足设定参数的像素点,滤除不符合条件的像素点;
步骤5:三维傅里叶逆变换:对保留的三维频率波数域的数据做三维傅里叶逆变换,得到包含所需速度区间内动态信息的逆变换序列图像;
步骤6:逆变换序列图像归一化:对逆变换序列图像进行序列图像归一化得到包含所需速度区间内动态信息的可清晰识别的序列图像。
3.根据权利要求2所述的提取太阳高分辨率序列图像中不同速度区间内动态信息的方法,其特征在于:所述步骤4中,速度滤波器采用三维高斯低通速度滤波器、三维一阶巴特沃斯低通速度滤波器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610977973.XA CN106570890B (zh) | 2016-11-08 | 2016-11-08 | 一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610977973.XA CN106570890B (zh) | 2016-11-08 | 2016-11-08 | 一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106570890A true CN106570890A (zh) | 2017-04-19 |
CN106570890B CN106570890B (zh) | 2019-07-05 |
Family
ID=58540249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610977973.XA Active CN106570890B (zh) | 2016-11-08 | 2016-11-08 | 一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570890B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451955A (zh) * | 2017-06-20 | 2017-12-08 | 昆明理工大学 | 一种k‑t算法重建天文图像中斑点图的并行化实现方法 |
CN108490214A (zh) * | 2018-03-14 | 2018-09-04 | 中国科学院光电技术研究所 | 一种基于可调谐滤光器成像观测的太阳大气视向速度场测量方法 |
CN111380957A (zh) * | 2020-03-11 | 2020-07-07 | 大连理工大学 | 一种基于频率-波数域滤波的超声导波检测方法 |
CN114322841A (zh) * | 2021-12-06 | 2022-04-12 | 重庆邮电大学 | 一种投影光栅相移生成动态三维测量方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427312A (zh) * | 2015-11-23 | 2016-03-23 | 昆明理工大学 | 一种用于识别和跟踪天文图像中太阳光球亮点的方法 |
CN105787901A (zh) * | 2016-03-21 | 2016-07-20 | 昆明理工大学 | 一种用于太阳高分辨图像序列中相邻两帧间的多尺度速度场测量方法 |
-
2016
- 2016-11-08 CN CN201610977973.XA patent/CN106570890B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427312A (zh) * | 2015-11-23 | 2016-03-23 | 昆明理工大学 | 一种用于识别和跟踪天文图像中太阳光球亮点的方法 |
CN105787901A (zh) * | 2016-03-21 | 2016-07-20 | 昆明理工大学 | 一种用于太阳高分辨图像序列中相邻两帧间的多尺度速度场测量方法 |
Non-Patent Citations (2)
Title |
---|
G.V.GELIKONOV 等: "Linear-wavenumber spectrometer for high-speed spectral-domain optical coherence tomography", 《OPTICS AND SPECTROSCOPY》 * |
向永源 等: "高分辨率太阳图像重建方法", 《天文学进展》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451955A (zh) * | 2017-06-20 | 2017-12-08 | 昆明理工大学 | 一种k‑t算法重建天文图像中斑点图的并行化实现方法 |
CN108490214A (zh) * | 2018-03-14 | 2018-09-04 | 中国科学院光电技术研究所 | 一种基于可调谐滤光器成像观测的太阳大气视向速度场测量方法 |
CN111380957A (zh) * | 2020-03-11 | 2020-07-07 | 大连理工大学 | 一种基于频率-波数域滤波的超声导波检测方法 |
CN111380957B (zh) * | 2020-03-11 | 2021-02-19 | 大连理工大学 | 一种基于频率-波数域滤波的超声导波检测方法 |
CN114322841A (zh) * | 2021-12-06 | 2022-04-12 | 重庆邮电大学 | 一种投影光栅相移生成动态三维测量方法及系统 |
CN114322841B (zh) * | 2021-12-06 | 2022-11-18 | 重庆邮电大学 | 一种投影光栅相移生成动态三维测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106570890B (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570890A (zh) | 一种提取太阳高分辨率序列图像中不同速度区间内动态信息的方法 | |
CN110223242B (zh) | 一种基于时空域残差生成对抗网络的视频湍流移除方法 | |
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network | |
CN103020965B (zh) | 一种基于显著性检测的前景分割方法 | |
CN105844653B (zh) | 一种多层卷积神经网络优化系统及方法 | |
CN100507971C (zh) | 基于独立分量分析的车辆声音识别方法 | |
CN104036243B (zh) | 一种基于光流信息的行为识别方法 | |
CN111340844A (zh) | 基于自注意力机制的多尺度特征光流学习计算方法 | |
CN110084834B (zh) | 一种基于快速张量奇异值分解特征降维的目标跟踪方法 | |
CN116958687A (zh) | 一种基于改进detr的面向无人机的小目标检测方法及装置 | |
CN113034408A (zh) | 一种红外热成像深度学习图像去噪方法及装置 | |
CN111951181A (zh) | 基于非局部相似性及加权截断核范数的高光谱图像去噪方法 | |
CN115082966B (zh) | 行人重识别模型训练方法、行人重识别方法、装置和设备 | |
CN114282348A (zh) | 基于隐式正则与算法bdca的相位恢复方法 | |
CN116152263A (zh) | 一种基于cm-mlp网络的医学图像分割方法 | |
CN114331853A (zh) | 基于目标向量更新模块的单幅图像复原迭代框架 | |
CN114495037A (zh) | 一种基于关键点和卡尔曼滤波的视频预测方法及系统 | |
CN112801020A (zh) | 基于背景灰度化的行人再识别方法及系统 | |
Wijaya et al. | Multiview attention for 3D object detection in Lidar point cloud | |
Xing et al. | MFENet: Multi-scale feature extraction network for images deblurring and segmentation of swinging wolfberry branch | |
CN112132104A (zh) | 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 | |
CN111990992A (zh) | 一种基于脑电的自主运动意图识别方法及系统 | |
Lian et al. | Frequency selective convolutional neural networks for traffic sign recognition | |
CN114429648B (zh) | 一种基于对比特征的行人重识别方法及系统 | |
CN116452424B (zh) | 一种基于双重广义蒸馏的人脸超分辨率重构方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |