CN109949256A - 一种基于傅里叶变换的天文图像融合方法 - Google Patents

一种基于傅里叶变换的天文图像融合方法 Download PDF

Info

Publication number
CN109949256A
CN109949256A CN201910033702.2A CN201910033702A CN109949256A CN 109949256 A CN109949256 A CN 109949256A CN 201910033702 A CN201910033702 A CN 201910033702A CN 109949256 A CN109949256 A CN 109949256A
Authority
CN
China
Prior art keywords
image
group
fourier transformation
data
processing
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
Application number
CN201910033702.2A
Other languages
English (en)
Other versions
CN109949256B (zh
Inventor
李彬华
胡兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201910033702.2A priority Critical patent/CN109949256B/zh
Publication of CN109949256A publication Critical patent/CN109949256A/zh
Application granted granted Critical
Publication of CN109949256B publication Critical patent/CN109949256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及一种基于傅里叶变换的天文图像融合方法,属天文图像处理领域。本发明读取fits文件,每一帧图像,进行本底扣除处理,去除宇宙射线,进行均值滤波,然后找到图像中的像元的最大值,并以该最大值所在点为坐标中心进行裁剪,得到裁剪后的图片,并完成图片的配准,得到预处理文件;对预处理文件进行分组,进行数据处理,得到每一组的频域重建图像;将每一组的处理结果进行叠加并求平均值,对最终的结果图像进行傅里叶反变换,并对重建的高分辨率图像进行增强处理,得到最终的的高分辨率图像。本发明成像效果优于经典空域幸运成像算法,对于处理由不带自适应光学系统的望远镜观测到的图片数据,成像效果也十分好,数据利用率更高。

Description

一种基于傅里叶变换的天文图像融合方法
技术领域
本发明涉及一种基于傅里叶变换的天文图像融合方法,属于天文图像处理技术领域。
背景技术
来自遥远天体的电磁波由于受到大气湍流的影响,其波前会发生扭曲,这就导致了地基望远镜的成像质量大大降低。对于一些更为遥远的点目标,由于受到湍流的影响,在基地望远镜观测时,难以获取有用的图像。天文图像高分辨率成像是一种时候图像处理技术,其实质就是去除噪声的干扰,获得清晰的高分辨率图像信息。
目前的常用的时候图像处理技术主要包括水平传输路径的散斑成像,基于短曝光图像信息融合的图像恢复技术,基于短曝光图像的驻点标定技术,以及幸运成像技术。幸运成像技术首先利用像质评价函数计算每一帧图像的像质因子,然后按照一定比例进行选图、配准、叠加得到目标重建图像。幸运成像技术具有计算时间短、算法简单的优点,尤其是当原始图像的帧数达到成千上万帧时,速度优势尤为明显。2012年Garrel等提出基于傅里叶幅值选取的图像合成算法(ISFAS)使用基于自适应光学(AO)的仿真图像进行了计算实验。2013年Mackay将传统幸运成像方法与ISFAS方法相结合,提出了一种高效的幸运成像方法,并采用带有自适应光学系统(AO)2.5m望远镜的观测数据进行了实验,对该方法进行了分析和讨论。这两种方法都是在基于自适应光学系统的望远镜所得到的图像进行实验的,然而自适应光系统(AO)十分昂贵,国内的研究技术也不是十分成熟。
所以设计切合实际的、计算速度快的、适合处理大量数据的算法一直是研究人员的努力方向。
鉴于传统的幸运成像存在的问题:没有考虑图像在某些方向上的高频分量信息,导致了数据信息利用的不充分,图像的某些细节信息会被舍弃,以及自适应光学系统研究的不成熟的现状。发明的目的在已提供一种基于傅里叶变换的天文图像融合方法。
发明内容
本发明提供了一种基于傅里叶变换的天文图像融合方法,以用于解决传统的幸运成像技术中存在的数据使用率不高、部分细节信息会被舍弃、成像效果不太好的问题。
本发明的技术方案是:一种基于傅里叶变换的天文图像融合方法,所述基于傅里叶变换的天文图像融合方法的具体步骤如下:
Step1、读取fits文件,得到待预处理的图像数据,每一帧图像,进行本底扣除处理,然后用峰值检测的方法去除宇宙射线,进行均值滤波,然后找到图像中的像元的最大值,并以该最大值所在点为坐标中心进行裁剪,得到裁剪后的图片,并完成图片的配准,得到预处理文件;
Step2、对预处理文件进行分组,以100帧为一组进行数据处理,得到每一组的频域重建图像,并保存每组的处理结果;
Step3、将每一组的处理结果进行叠加并求平均值,即将每一组的频域重建图像进行叠加并求平均值得到最终的结果图像,对最终的结果图像进行傅里叶反变换,得到重建的高分辨率图像,并对重建的高分辨率图像进行增强处理,提升视觉效果,得到最终的的高分辨率图像。
所述步骤Step1中,用峰值检测的方法去除宇宙射线的具体方式如下:
找出每一帧图像中像元的最大值,并与阈值ITh相比较,若大于阈值说明该帧图像包含宇宙射线则删除该帧图像,从而达到去除宇宙射线的目的;
其中ITh表示阈值,nc表示当前图号,且nc>1。
所述步骤Step2的具体步骤如下:
Step2.1、先对预处理文件进行分组,以100帧为一组;
Step2.2、对每组数据进行傅里叶变换;
Step2.3、对傅里叶变换后的每组数据,不同帧的同一空间频率下的振幅进行降序排序,得到每个空间频率下每一帧的索引值;
Step2.4、再根据该索引值选取1%~20%的频域数据进行叠加,得到每一组的频域重建图像,并保存每组的处理结果。
所述步骤Step2.3中,对傅里叶变换后的每组数据进行取模得到幅频特性图,再进行高斯核平滑处理,高斯核平滑处理后幅频特性图进行降维,得到二维的幅值数据,然后幅值进行按列排序,得到每个元素的行索引,也即是每个空间频率的帧索引。
所述步骤Step2.4中,先对傅里叶变换后的每组数据直接进行降维处理,得到二维矩阵,再根据Step2.3得到的每个元素的行索引,对该二维矩阵内的每一列的元素按1%~20%的比例进行选取,再对选取出的数据进行叠加,得到一个一维数组[m×n],对一维数组[m×n]进行升维为二维[m,n],得到频域重建图像,并保存每组的处理结果。
所述步骤Step3中,对重建的高分辨率图像进行增强处理的具体方式为:
先用3×3的拉普拉斯算子进行锐化增强,之后用算子进行模糊去噪处理,减去根据不同图像设定的阈值后,进行对数变换,从而增强视觉效果。
所述步骤Step2中,对大量的原始数据进行了分组处理。对于组下面所包含的帧数,选取不同值进行实验,确定实验结果最好的对应的组下面包含的帧数100帧为一组。
本发明的有益效果是:
1、本发明在频域内进行数据的选取,成像效果优于经典空域幸运成像算法,数据利用率更高。
2、本发明的方法简单,能够在普通硬件平台下处理比较多的数据。对于处理由不带自适应光学系统(AO)的望远镜观测到的图片数据,成像效果也十分好。
3、本发明方法通过对观测数据进行傅里叶变换,在每一个空间频率下进行信息选取,最后对选取到得信息进行融合,得到比传统的空域幸运成像算法更好的成像效果。
附图说明
图1为本发明整体流程图;
图2是实例中经典的空域幸运成像算法得到的成像结果图;
图3是实例中经典的空域幸运成像算法得到的成像结果图对应的三维图;
图4是实例中本发明未进行增强处理得到的成像结果图;
图5是实例中本发明未进行增强处理得到的成像结果图对应的三维图;
图6是本发明增强后的效果图。
具体实施方式
实施例1:如图1-6所示,一种基于傅里叶变换的天文图像融合方法,所述基于傅里叶变换的天文图像融合方法的具体步骤如下:
Step1、读取fits文件,得到待预处理的图像数据,该fits文件包括文件头部分和数据部分,其中文件头部分包含了该目标信息,包括图片大小、数量、数据位数以及观测条件等,对fits文件的数据部分进行处理,每一帧图像,进行本底扣除处理,然后用峰值检测的方法去除宇宙射线,进行均值滤波,然后找到图像中的像元的最大值,并以该最大值所在点为坐标中心进行裁剪,得到裁剪后的图片,并完成图片的配准,得到预处理文件;本实验对象的图片大小512×512,以图片灰度值最大像素点所在位置进行裁剪,裁剪后的图片为m=n=128,最大值点在图片中心位置;
Step2、对预处理文件进行分组,以100帧为一组进行数据处理,得到每一组的频域重建图像,并保存每组的处理结果;
Step3、将每一组的处理结果进行叠加并求平均值,即将每一组的频域重建图像进行叠加并求平均值得到最终的结果图像,对最终的结果图像进行傅里叶反变换,得到重建的高分辨率图像,并对重建的高分辨率图像进行增强处理,提升视觉效果,得到最终的的高分辨率图像。
所述步骤Step1中,用峰值检测的方法去除宇宙射线的具体方式如下:
找出每一帧图像中像元的最大值,并与阈值ITh相比较,若大于阈值说明该帧图像包含宇宙射线则删除该帧图像,从而达到去除宇宙射线的目的;
其中ITh表示阈值,nc表示当前图号,且nc>1。
因为第一帧图像出现宇宙射线的概率很小,所以本发明中假设第一帧图像没有宇宙射线出现;
所述步骤Step2的具体步骤如下:
Step2.1、先对预处理文件进行分组,以100帧为一组;
Step2.2、对每组数据进行傅里叶变换;
Step2.3、对傅里叶变换后的每组数据,不同帧的同一空间频率下的振幅进行降序排序,得到每个空间频率下每一帧的索引值;
Step2.4、再根据该索引值选取1%~20%的频域数据进行叠加,得到每一组的频域重建图像,并保存每组的处理结果。
所述步骤Step2.3中,对傅里叶变换后的每组数据进行取模得到幅频特性图,再进行高斯核平滑处理,高斯核平滑处理后幅频特性图进行降维,得到二维的幅值数据,然后幅值进行按列排序,得到每个元素的行索引,也即是每个空间频率的帧索引。
所述步骤Step2.4中,先对傅里叶变换后的每组数据直接进行降维处理,得到二维矩阵,再根据Step2.3得到的每个元素的行索引,对该二维矩阵内的每一列的元素按1%~20%的比例进行选取,再对选取出的数据进行叠加,得到一个一维数组[m×n],对一维数组[m×n]进行升维为二维[m,n],得到频域重建图像,并保存每组的处理结果。
所述步骤Step3中,对重建的高分辨率图像进行增强处理的具体方式为:
先用3×3的拉普拉斯算子进行锐化增强,之后用算子进行模糊去噪处理,减去根据不同图像设定的阈值后,进行对数变换,从而增强视觉效果。
为了比较本发明的成像效果,与经典空域幸运成像算法进行比较,两种算法的参考指标对比结果如表1所示:
表1两种算法的参考指标对比
处理方法 FWHM 数据利用率
经典空域幸运成像算法LI 0.1968” 1%
本发明频域图像融合算法 0.1593” 97%
从表1可以看出,两种算法相比较,频域图像融合算法的FWHM更低,数据利用率更高。从图2、3以及图4、5、6的成像效果对比来看,频域图像融合算法的效果优于经典空域幸运成像算法成像效果。可以看出本发明具有较高的应用价值。
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 (6)

1.一种基于傅里叶变换的天文图像融合方法,其特征在于:所述基于傅里叶变换的天文图像融合方法的具体步骤如下:
Step1、读取fits文件,得到待预处理的图像数据,每一帧图像,进行本底扣除处理,然后用峰值检测的方法去除宇宙射线,进行均值滤波,然后找到图像中的像元的最大值,并以该最大值所在点为坐标中心进行裁剪,得到裁剪后的图片,并完成图片的配准,得到预处理文件;
Step2、对预处理文件进行分组,以100帧为一组进行数据处理,得到每一组的频域重建图像,并保存每组的处理结果;
Step3、将每一组的处理结果进行叠加并求平均值,即将每一组的频域重建图像进行叠加并求平均值得到最终的结果图像,对最终的结果图像进行傅里叶反变换,得到重建的高分辨率图像,并对重建的高分辨率图像进行增强处理,提升视觉效果,得到最终的的高分辨率图像。
2.根据权利要求1所述的基于傅里叶变换的天文图像融合方法,其特征在于:所述步骤Step1中,用峰值检测的方法去除宇宙射线的具体方式如下:
找出每一帧图像中像元的最大值,并与阈值ITh相比较,若大于阈值说明该帧图像包含宇宙射线则删除该帧图像,从而达到去除宇宙射线的目的;
其中ITh表示阈值,nc表示当前图号,且nc>1。
3.根据权利要求1所述的基于傅里叶变换的天文图像融合方法,其特征在于:所述步骤Step2的具体步骤如下:
Step2.1、先对预处理文件进行分组,以100帧为一组;
Step2.2、对每组数据进行傅里叶变换;
Step2.3、对傅里叶变换后的每组数据,不同帧的同一空间频率下的振幅进行降序排序,得到每个空间频率下每一帧的索引值;
Step2.4、再根据该索引值选取1%~20%的频域数据进行叠加,得到每一组的频域重建图像,并保存每组的处理结果。
4.根据权利要求3所述的基于傅里叶变换的天文图像融合方法,其特征在于:
所述步骤Step2.3中,对傅里叶变换后的每组数据进行取模得到幅频特性图,再进行高斯核平滑处理,高斯核平滑处理后幅频特性图进行降维,得到二维的幅值数据,然后幅值进行按列排序,得到每个元素的行索引,也即是每个空间频率的帧索引。
5.根据权利要求3所述的基于傅里叶变换的天文图像融合方法,其特征在于:
所述步骤Step2.4中,先对傅里叶变换后的每组数据直接进行降维处理,得到二维矩阵,再根据Step2.3得到的每个元素的行索引,对该二维矩阵内的每一列的元素按1%~20%的比例进行选取,再对选取出的数据进行叠加,得到一个一维数组[m×n],对一维数组[m×n]进行升维为二维[m,n],得到频域重建图像,并保存每组的处理结果。
6.根据权利要求1所述的基于傅里叶变换的天文图像融合方法,其特征在于:
所述步骤Step3中,对重建的高分辨率图像进行增强处理的具体方式为:
先用3×3的拉普拉斯算子进行锐化增强,之后用算子进行模糊去噪处理,减去根据不同图像设定的阈值后,进行对数变换,从而增强视觉效果。
CN201910033702.2A 2019-01-14 2019-01-14 一种基于傅里叶变换的天文图像融合方法 Active CN109949256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910033702.2A CN109949256B (zh) 2019-01-14 2019-01-14 一种基于傅里叶变换的天文图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910033702.2A CN109949256B (zh) 2019-01-14 2019-01-14 一种基于傅里叶变换的天文图像融合方法

Publications (2)

Publication Number Publication Date
CN109949256A true CN109949256A (zh) 2019-06-28
CN109949256B CN109949256B (zh) 2023-04-07

Family

ID=67007254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910033702.2A Active CN109949256B (zh) 2019-01-14 2019-01-14 一种基于傅里叶变换的天文图像融合方法

Country Status (1)

Country Link
CN (1) CN109949256B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111294520A (zh) * 2020-03-16 2020-06-16 昆明理工大学 一种基于fpga的实时幸运成像方法及系统
CN112419451A (zh) * 2020-12-04 2021-02-26 上海联影医疗科技股份有限公司 一种图像重建方法、装置、设备及存储介质
CN112991141A (zh) * 2021-02-23 2021-06-18 昆明理工大学 一种基于gpu并行加速的频域幸运成像方法
CN113393365A (zh) * 2021-06-02 2021-09-14 昆明理工大学 一种基于fpga的实时频域幸运成像方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070126880A1 (en) * 1997-07-15 2007-06-07 Silverbrook Research Pty Ltd Handheld device with image sensor and printer
CN101719144A (zh) * 2009-11-04 2010-06-02 中国科学院声学研究所 一种联合字幕和视频图像信息进行场景分割和索引的方法
CN102713937A (zh) * 2009-12-23 2012-10-03 印度孟买技术研究院 用于融合图像的系统和方法
CN103003308A (zh) * 2010-07-13 2013-03-27 生物发明国际公司 抗icam-1抗体在治疗患有复发性癌症的患者中的用途
US20140169763A1 (en) * 2012-12-14 2014-06-19 Tektronix, Inc. System for detecting structured artifacts in video sequences
CN104299216A (zh) * 2014-10-22 2015-01-21 北京航空航天大学 基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法
CN105321183A (zh) * 2015-11-20 2016-02-10 中国科学院云南天文台 基于短曝光斑点图统计特性的幸运成像选帧方法
CN105608666A (zh) * 2015-12-25 2016-05-25 普瑞福克斯(北京)数字媒体科技有限公司 一种二维图形生成三维图像的方法及系统
CN105739091A (zh) * 2016-03-16 2016-07-06 中国人民解放军国防科学技术大学 一种可减弱大气湍流影响的成像方法及装置
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
CN108171645A (zh) * 2017-11-22 2018-06-15 昆明理工大学 一种基于fpga的幸运成像处理系统
CN208326557U (zh) * 2018-02-05 2019-01-04 襄阳申冠机电技术有限公司 导向定位装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070126880A1 (en) * 1997-07-15 2007-06-07 Silverbrook Research Pty Ltd Handheld device with image sensor and printer
CN101719144A (zh) * 2009-11-04 2010-06-02 中国科学院声学研究所 一种联合字幕和视频图像信息进行场景分割和索引的方法
CN102713937A (zh) * 2009-12-23 2012-10-03 印度孟买技术研究院 用于融合图像的系统和方法
CN103003308A (zh) * 2010-07-13 2013-03-27 生物发明国际公司 抗icam-1抗体在治疗患有复发性癌症的患者中的用途
US20140169763A1 (en) * 2012-12-14 2014-06-19 Tektronix, Inc. System for detecting structured artifacts in video sequences
CN104299216A (zh) * 2014-10-22 2015-01-21 北京航空航天大学 基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法
CN105321183A (zh) * 2015-11-20 2016-02-10 中国科学院云南天文台 基于短曝光斑点图统计特性的幸运成像选帧方法
CN105608666A (zh) * 2015-12-25 2016-05-25 普瑞福克斯(北京)数字媒体科技有限公司 一种二维图形生成三维图像的方法及系统
CN105739091A (zh) * 2016-03-16 2016-07-06 中国人民解放军国防科学技术大学 一种可减弱大气湍流影响的成像方法及装置
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
CN108171645A (zh) * 2017-11-22 2018-06-15 昆明理工大学 一种基于fpga的幸运成像处理系统
CN208326557U (zh) * 2018-02-05 2019-01-04 襄阳申冠机电技术有限公司 导向定位装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BADRI NARAYAN SUBUDHI 等: "Tumor or abnormality identification from magnetic resonance images using statistical region fusion based segmentation" *
VINCENT GARREL 等: "A Highly Efficient Lucky Imaging Algorithm: Image Synthesis Based on Fourier Amplitude Selection", 《PUBLICATIONS OF THE ASTRONOMICAL SOCIETY OF THE PACIFIC》 *
于洪松: "基于FPGA的实时图像频域处理" *
胡兴: "频域幸运成像算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111294520A (zh) * 2020-03-16 2020-06-16 昆明理工大学 一种基于fpga的实时幸运成像方法及系统
CN111294520B (zh) * 2020-03-16 2024-03-29 昆明理工大学 一种基于fpga的实时幸运成像方法及系统
CN112419451A (zh) * 2020-12-04 2021-02-26 上海联影医疗科技股份有限公司 一种图像重建方法、装置、设备及存储介质
CN112419451B (zh) * 2020-12-04 2022-09-16 上海联影医疗科技股份有限公司 一种图像重建方法、装置、设备及存储介质
CN112991141A (zh) * 2021-02-23 2021-06-18 昆明理工大学 一种基于gpu并行加速的频域幸运成像方法
CN112991141B (zh) * 2021-02-23 2022-05-20 昆明理工大学 一种基于gpu并行加速的频域幸运成像方法
CN113393365A (zh) * 2021-06-02 2021-09-14 昆明理工大学 一种基于fpga的实时频域幸运成像方法及系统

Also Published As

Publication number Publication date
CN109949256B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109949256A (zh) 一种基于傅里叶变换的天文图像融合方法
CN106339998B (zh) 基于对比度金字塔变换的多聚焦图像融合方法
CN105844627B (zh) 一种基于卷积神经网络的海面目标图像背景抑制方法
CN108376391A (zh) 一种智能化红外图像场景增强方法
CN104680495B (zh) 超声图像的自适应去噪方法
CN109819321A (zh) 一种视频超分辨率增强方法
CN109919870B (zh) 一种基于bm3d的sar图像相干斑抑制方法
CN104504652A (zh) 一种快速有效保留边缘及方向特征的图像去噪方法
CN110516728B (zh) 基于去噪卷积神经网络的极化sar地物分类方法
CN100544400C (zh) 结合可见光图像信息的sar图像斑点噪声抑制方法
CN101685158B (zh) 基于隐马尔科夫树模型的sar图像去噪方法
CN109086779A (zh) 一种基于卷积神经网络的注意力目标识别方法
CN107909558A (zh) 一种基于无监督学习的非局部均值图像去噪方法
CN108399355A (zh) 一种空间信息自适应融合的高光谱图像分类方法
CN107133915A (zh) 一种基于学习的图像超分辨率重构方法
CN102096913B (zh) 压缩感知框架下的多策略图像融合方法
CN102663706A (zh) 基于菱形模板的自适应加权均值滤波方法
Amitab et al. Speckle noise filtering in SAR images using fuzzy logic and particle swarm optimization
CN107239757A (zh) 一种基于深度阶梯网的极化sar影像目标检测方法
CN103177428B (zh) 基于非下采样方向波变换与融合的sar图像去噪方法
CN107451608B (zh) 基于多视幅度统计特性的sar图像无参考质量评价方法
CN107341449A (zh) 一种基于云块特征变化的静止气象卫星降水估算方法
CN102136134B (zh) 基于mrf先验的sar图像去斑方法
CN111461999B (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
CN117611540A (zh) 一种锂电池极片涂布缺陷检测方法及相关设备

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