CN110533599B - 提高污染气体浓度空间分布二维断层图像重建质量的方法 - Google Patents
提高污染气体浓度空间分布二维断层图像重建质量的方法 Download PDFInfo
- Publication number
- CN110533599B CN110533599B CN201910508782.2A CN201910508782A CN110533599B CN 110533599 B CN110533599 B CN 110533599B CN 201910508782 A CN201910508782 A CN 201910508782A CN 110533599 B CN110533599 B CN 110533599B
- Authority
- CN
- China
- Prior art keywords
- gas concentration
- image
- distribution
- gas
- algorithm
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 230000003190 augmentative effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种提高污染气体浓度空间分布二维断层图像重建质量的方法,通过使用低三阶导数模型和压缩感知理论来,进一步优化了描述气体分布的低三阶导数模型,使模型更加符合实际情况,并利用数值最优化方法求浓度分布的最优解。首先根据测量区域的大小和采集的数据量计算投影矩阵,并利用代数重建算法进行初始化;其次,利用低三阶导数模型计算当前气体浓度分布全变分;然后计算全变分的梯度作为数值最优化方法的下降方向;再次,用BB算法计算最优化方法的迭代步长;最后,迭代求解最优化方法并更新系数。使用本发明所述方法适用于透射型光学遥感设备,可以得到更好的气体空间分布图像,减少重建图像的伪影。
Description
技术领域
本发明涉及气体浓度测量信号处理方法领域,具体是一种提高污染气体浓度空间分布二维断层图像重建质量的方法。
背景技术
化石燃料为经济社会发展和人民生活提供了坚实的能源保障的同时,排放NO2、SO2等空气污染物也给环境带来了巨大的压力。对于我国来说,保护环境是一项基本国策。采用光学遥感设备探测气体的空间分布,对污染气体排放的探测、控制,研究化学传输模型等具有重要意义。
受到仪器、经费和实验条件的限制,采用光学遥感设备采集到的空气污染物数据量非常有限,对应的图像重建属于不完全角度重建,导致重建图像中存在大量伪影。对气体建模,增加先验信息能提高断层图像重建质量的,且该方法节约经费,且对采集数据的现场作业条件要求更低,是广泛研究的方法。
压缩感知理论是近年来信号处理领域取得的较大突破,用于断层图像重建取得了很好的效果。然而该理论尚并未被用于气体浓度断层图像重建,由于以往的气体浓度断层图像重建质量不佳,有必要研究一种更好的气体浓度分布重建方法。
发明内容
本发明的目的是提供一种提高污染气体浓度空间分布二维断层图像重建质量的方法,以解决现有技术重建方法重建效果差,重建结果不稳定的问题。
为了达到上述目的,本发明所采用的技术方案为:
提高污染气体浓度空间分布二维断层图像重建质量的方法,其特征在于:利用气体浓度分布的低三阶导数模型,以压缩感知理论作为理论基础,认为气体浓度相对于空间位置的三阶导数值的全变分具有稀疏性,通过解最优化问题求得污染气体浓度分布的最优解,具体包括以下步骤:
(1)、根据光学遥感设备测量得到的气体路径积分浓度S,对重建区域进行像素划分,计算生成投影矩阵H,根据投影矩阵H并使用代数重建算法,对原始图像进行计算得到初始化气体浓度分布C1;
(3)、确定重建图像的目标函数并计算优化算法的梯度方向:
需要重建的目标函数如下公式所示:
其中C*为需要重建的目标图像的像素按一定顺序排列成的向量,C是重建过程中的图像的像素按一定顺序排列成的向量,||C||TV是浓度分布图像C的全变分,表示L2范数,ε表示重建图像的路径积分浓度与仪器测得的路径积分浓度之差,由仪器精度、反演算法误差和重建算法误差共同决定,此时目标函数转化为求解增广Lagrange函数:
g是C*对C对应像素求导得到的矩阵。则优化算法的梯度方向为:
其中,c是C未经排列时的图像矩阵,k是矩阵c的第k行,l是……矩阵c的第l列,g(k,l)是g的第k行,第l列的元素,c(k,l)是第k行,第l列的像素;
(4)、用BB算法求优化算法迭代步长αn:
设气体浓度初值C0=0,C1的值根据步骤(1)算出;优化算法梯度方向初值p0=0,p1=p;设第n步的气体浓度分布用Cn表示,则第n-1步的气体浓度分布表示为Cn-1,第n+1步的气体浓度分布表示为Cn+1;设第n步的梯度方向用pn表示,第n-1步的梯度方向表示为pn-1,则第n+1步的梯度方向表示为pn+1,则优化算法迭代步长αn为:
(6)、更新系数:
λn+1=λn-σn(HC-S)
若则σn+1=ησn,否则σn+1=σn,其中θ∈(0,1),η>1,θ确保重建图像的误差变小的条件下,改变η的值,而η用于调整σn+1的值,进而影响到λn+1,并最终通过g影响到迭代算法的梯度方向;更新系数后,重新返回步骤(3)开始计算。
利用气体分布的低三阶导数模型计算气体浓度分布的重建图像,重建图像的全变分||C||TV为:
本发明对于重建图像质量的提高,是针对数据处理系统,通过改进气体浓度分布重建方法来提高图像重建质量,或者通过改进数据反演的质量来提高图像重建质量,而不是通过提高数据采集的时间分辨率和空间分辨率。
本发明根据压缩感知理论确定重建图像的目标函数的方法,使用一般约束最优化问题的增广Lagrange函数法,克服了罚函数法和障碍函数法的病态性,更容易达到精确解;
本发明将求解目标函数转化求解无约束子问题的方法,将一般约束子问题转化为求解无约束子问题,使得问题更加容易求解;
本发明中气体浓度分布图像的全变分,利用气体分布的低三阶导数模型进行计算。
本发明通过解最优化问题解无约束子问题的方法,利用三阶导数的全变分的梯度作为投影方程下降方向,利用BB算法确定迭代步长。
本发明与现有技术相比具有以下优点:
本发明涉及的重建气体浓度断层截面二维分布的方法,在重建过程中采用以下方法来提高重建图像的质量:(1)使用低三阶导数模型,为污染气体浓度分布增加了先验信息;(2)引入压缩感知理论,使低三阶导数模型对气体浓度分布的描述更加合理;(3)使用增广Lagrange函数作为目标函数,重建图像的精度更高;(4)使用BB算法计算迭代步长,算法收敛速度更快;(5)隐含地设定了气体浓度值大于零。
附图说明
图1是本发明流程框图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,提高污染气体浓度空间分布二维断层图像重建质量的方法,利用气体浓度分布的低三阶导数模型,以压缩感知理论作为理论基础,认为气体浓度相对于空间位置的三阶导数值的全变分具有稀疏性,通过解最优化问题求得污染气体浓度分布的最优解,具体包括以下步骤:
(1)、根据光学遥感设备测量得到的气体路径积分浓度S,对重建区域进行像素划分,计算生成投影矩阵H,根据投影矩阵H并使用代数重建算法,对原始图像进行计算得到初始化气体浓度分布C1;
利用气体分布的低三阶导数模型计算气体浓度分布的重建图像,重建图像的全变分||C||TV为:
(3)、确定重建图像的目标函数并计算优化算法的梯度方向:
需要重建的目标函数如下公式所示:
其中C*为需要重建的目标图像的像素按一定顺序排列成的向量,C是重建过程中的图像的像素按一定顺序排列成的向量,||C||TV是浓度分布图像C的全变分,表示L2范数,ε表示重建图像的路径积分浓度与仪器测得的路径积分浓度之差,由仪器精度、反演算法误差和重建算法误差共同决定,此时目标函数转化为求解增广Lagrange函数:
g是C*对C对应像素求导得到的矩阵。则优化算法的梯度方向为:
其中,c是C未经排列时的图像矩阵,k是矩阵c的第k行,l是矩阵c的第l列,g(k,l)是g的第k行,第l列的元素,c(k,l)是第k行,第l列的像素。
(4)、用BB算法求优化算法迭代步长αn:
设气体浓度初值C0=0,C1的值根据步骤(1)算出;优化算法梯度方向初值p0=0,p1=p;设第n步的气体浓度分布用Cn表示,则第n-1步的气体浓度分布表示为Cn-1,第n+1步的气体浓度分布表示为Cn+1;设第n步的梯度方向用pn表示,第n-1步的梯度方向表示为pn-1,则第n+1步的梯度方向表示为pn+1,则优化算法迭代步长αn为:
(6)、更新系数:
λn+1=λn-σn(HC-S)
若则σn+1=ησn,否则σn+1=σn,其中θ∈(0,1),η>1,θ确保重建图像的误差变小的条件下,改变η的值。而η用于调整σn+1的值,进而影响到λn+1,并最终通过g影响到迭代算法的梯度方向。更新系数后,重新返回步骤(3)开始计算。
本发明未详细公开的部分属于本领域的公知技术。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.提高污染气体浓度空间分布二维断层图像重建质量的方法,其特征在于:利用气体浓度分布的低三阶导数模型,以压缩感知理论作为理论基础,认为气体浓度相对于空间位置的三阶导数值的全变分具有稀疏性,通过解最优化问题求得污染气体浓度分布的最优解,具体包括以下步骤:
(1)、根据光学遥感设备测量得到的气体路径积分浓度S,对重建区域进行像素划分,计算生成投影矩阵H,根据投影矩阵H并使用代数重建算法,对原始图像进行计算得到初始化气体浓度分布C1;
(2)、计算当前气体浓度分布图像的全变分的梯度▽||C||TV;
(3)、确定重建图像的目标函数并计算优化算法的梯度方向:
需要重建的目标函数如下公式所示:
其中C*为需要重建的目标图像的像素按一定顺序排列成的向量,C是重建过程中的图像的像素按一定顺序排列成的向量,||C||TV是浓度分布图像C的全变分,表示L2范数,ε表示重建图像的路径积分浓度与仪器测得的路径积分浓度之差,由仪器精度、反演算法误差和重建算法误差共同决定,此时目标函数转化为求解增广Lagrange函数:
g是C*对C对应像素求导得到的矩阵,则优化算法的梯度方向为:
其中,c是C未经排列时的图像矩阵,k是矩阵c的第k行,l是矩阵c的第l列,g(k,l)是g的第k行,第l列的元素,c(k,l)是第k行,第l列的像素;
(4)、用BB算法求优化算法迭代步长αn:
设气体浓度初值C0=0,C1的值根据步骤(1)算出;优化算法梯度方向初值p0=0,p1=p;设第n步的气体浓度分布用Cn表示,则第n-1步的气体浓度分布表示为Cn-1,第n+1步的气体浓度分布表示为Cn+1;设第n步的梯度方向用pn表示,第n-1步的梯度方向表示为pn-1,则第n+1步的梯度方向表示为pn+1,则优化算法迭代步长αn为:
(6)、更新系数:
λn+1=λn-σn(HC-S)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910508782.2A CN110533599B (zh) | 2019-06-13 | 2019-06-13 | 提高污染气体浓度空间分布二维断层图像重建质量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910508782.2A CN110533599B (zh) | 2019-06-13 | 2019-06-13 | 提高污染气体浓度空间分布二维断层图像重建质量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533599A CN110533599A (zh) | 2019-12-03 |
CN110533599B true CN110533599B (zh) | 2022-09-13 |
Family
ID=68659890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910508782.2A Active CN110533599B (zh) | 2019-06-13 | 2019-06-13 | 提高污染气体浓度空间分布二维断层图像重建质量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533599B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935139A (zh) * | 2023-08-07 | 2023-10-24 | 江南大学 | 一种基于图像重建的河水污染监测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2327750A1 (en) * | 2000-10-31 | 2002-04-30 | Vitali Selivanov | Real-time image reconstruction for computed tomography systems |
CN103884663A (zh) * | 2014-03-19 | 2014-06-25 | 中国人民解放军装备学院 | 基于激光吸收光谱技术的二维重建光线分布优化方法 |
CN104867168A (zh) * | 2015-04-28 | 2015-08-26 | 南京邮电大学 | 基于p范数的压缩感知计算机断层扫描图像重建方法 |
-
2019
- 2019-06-13 CN CN201910508782.2A patent/CN110533599B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2327750A1 (en) * | 2000-10-31 | 2002-04-30 | Vitali Selivanov | Real-time image reconstruction for computed tomography systems |
CN103884663A (zh) * | 2014-03-19 | 2014-06-25 | 中国人民解放军装备学院 | 基于激光吸收光谱技术的二维重建光线分布优化方法 |
CN104867168A (zh) * | 2015-04-28 | 2015-08-26 | 南京邮电大学 | 基于p范数的压缩感知计算机断层扫描图像重建方法 |
Non-Patent Citations (2)
Title |
---|
一种多目标优化重建方法在气体浓度层析成像中的应用;王殊等;《量子电子学报》;20051230(第01期);全文 * |
无约束最优化图像重建算法研究;惠苗等;《中北大学学报(自然科学版)》;20070615(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110533599A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102477B (zh) | 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法 | |
US10593021B1 (en) | Motion deblurring using neural network architectures | |
CN111274525B (zh) | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 | |
CN111711820B (zh) | 一种基于生成对抗网络的裂缝图像压缩采样方法 | |
CN105513026A (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN103020939B (zh) | 利用多时相数据去除光学遥感影像大面积厚云的方法 | |
CN109064412B (zh) | 一种低秩图像的去噪方法 | |
CN110675326B (zh) | 基于U-Net网络的计算鬼成像重建恢复的方法 | |
CN103810755B (zh) | 基于结构聚类稀疏表示的压缩感知光谱图像重建方法 | |
CN110208862B (zh) | 一种基于混合高阶分数阶ATpV稀疏正则化的地震反演方法 | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN112967327A (zh) | 基于联合自注意力机制的单目深度方法 | |
CN111650579A (zh) | 一种岩移参数自适应获取的InSAR矿区三维形变估计方法、装置及介质 | |
CN110533599B (zh) | 提高污染气体浓度空间分布二维断层图像重建质量的方法 | |
CN113935249A (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
CN115809970A (zh) | 一种基于sar-光学遥感影像联合的深度学习去云方法 | |
CN104091364A (zh) | 单幅图像超分辨重建方法 | |
CN111553954B (zh) | 一种基于直接法单目slam的在线光度标定方法 | |
CN117237663A (zh) | 一种大感受野的点云修复方法 | |
CN111179171A (zh) | 基于残差模块和注意力机制的图像超分辨率重建方法 | |
CN104318046A (zh) | 增量式的高维数据转换为低维数据的系统及方法 | |
CN116503314A (zh) | 用于门制造的质量检测系统及方法 | |
CN116309221A (zh) | 一种多光谱图像融合模型的构建方法 | |
Qu et al. | Deep generative data assimilation in multimodal setting | |
CN113947569A (zh) | 一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法 |
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 |