CN111583149A - 一种基于l1-l0范数最小化的气动热辐射图像自动校正方法 - Google Patents

一种基于l1-l0范数最小化的气动热辐射图像自动校正方法 Download PDF

Info

Publication number
CN111583149A
CN111583149A CN202010383082.8A CN202010383082A CN111583149A CN 111583149 A CN111583149 A CN 111583149A CN 202010383082 A CN202010383082 A CN 202010383082A CN 111583149 A CN111583149 A CN 111583149A
Authority
CN
China
Prior art keywords
thermal radiation
image
formula
subproblem
minimized
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
CN202010383082.8A
Other languages
English (en)
Other versions
CN111583149B (zh
Inventor
刘立
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202010383082.8A priority Critical patent/CN111583149B/zh
Publication of CN111583149A publication Critical patent/CN111583149A/zh
Application granted granted Critical
Publication of CN111583149B publication Critical patent/CN111583149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Radiation Pyrometers (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明公开了基于L1‑L0范数最小化的气动热辐射图像自动校正方法，包括：首先针对气动热辐射图像，建立基于L1‑L0范数最小化的图像校正模型；然后，采用半二次正则化方法交替迭代优化求解潜在的原始清晰图像和气动热辐射噪声；最后，通过设置合理模型参数，得到校正图像。本发明方法有效解决了现有方法中存在的校正残余误差大，方法复杂度高的问题，可大幅提升受气动热辐射效应影响的红外图像的质量。

Description

一种基于L1-L0范数最小化的气动热辐射图像自动校正方法
技术领域
本发明属于气动光学与图像处理相结合的交叉科学技术领域，具体涉及一种基于L1-L0范数最小化的气动热辐射图像自动校正方法。
背景技术
气动光学是研究高速绕流流场对高速飞行器成像探测影响的一门学科。高速来流与光学窗口头部相遇时受到压缩而被阻滞，在窗口表面附近形成边界层，在边界层内来流中的动能被耗散而转变为热能，使光学窗口周围的气流温度升高，其表面被加热，这种高速气流与光学窗口表面的对流换热，称之为气动加热。飞行速度越高，气动加热越严重，光学窗口被气动加热而处于严重的气动热环境中，激波层和光学窗口将产生热辐射噪声，降低光学成像探测系统对目标探测系统的信噪比和图像质量，影响成像探测系统的灵敏度、作用距离，甚至形成热障而淹没需探测的目标信号。因此，成像探测系统需要引入气动热辐射效应图像校正模块，以提高探测系统的信噪比。
由于成像探测系统受到气动热辐射噪声与强随机噪声的干扰，增加了图像校正的难度，因此同时抑制气动热辐射噪声和随机噪声的高效图像处理算法极具实际应用价值。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于L1-L0范数最小化的气动热辐射图像自动校正方法。本发明要解决的技术问题通过以下技术方案实现：
步骤1、建立基于L1-L0范数最小化的图像校正模型，所述图像校正模型的表达式为：
Figure BDA0002482935960000021
其中，||·||p表示Lp范数，
Figure BDA0002482935960000022
为校正图像估计值，
Figure BDA0002482935960000023
为热辐射噪声估计值，
Figure BDA0002482935960000024
为数据保真项，η为数据保真项的系数，α和β为正则化参数，L和D表示差分算子，α的取值跟估计出的校正图像的纹理特征有关，即α的值越大，所述校正图像估计值
Figure BDA0002482935960000025
的纹理结构信息保留的就越少；β的取值跟估计出的热辐射噪声的光滑性有关，即β的值越大，所述热辐射噪声估计值
Figure BDA0002482935960000026
越光滑。α和β的取值可根据实验需求进行调整，s为输入的气动热辐射效应图像，f为校正图像，b为热辐射噪声；
步骤2、所述式(1)中所述热辐射噪声估计值
Figure BDA0002482935960000027
和所述校正图像估计值
Figure BDA0002482935960000028
是需要优化的变量，因此，对所述热辐射噪声估计值
Figure BDA0002482935960000029
和所述校正图像估计值
Figure BDA00024829359600000210
进行交替迭代优化求解，即固定一个变量，对另一个变量求解，此过程交替进行，所以将所述式(1)可分解为两个子问题：
f-子问题的具体形式为：
Figure BDA00024829359600000211
b-子问题的具体形式为：
Figure BDA00024829359600000212
步骤3、对于所述步骤2中的所述f-子问题，本发明采用半二次正则化方法进行求解，引入辅助变量w将所述式(2)转化为如下子问题：
Figure BDA0002482935960000031
其中，ρ为模型惩罚参数；
采用所述步骤1和所述步骤2中的求解方法，可将所述式(4)的最小化问题转化为两个新的子问题：
f′-子问题的具体形式变为：
Figure BDA0002482935960000032
w′-子问题的具体形式为：
Figure BDA0002482935960000033
通过对所述式(5)和所述式(6)的迭代求解，即可得到所述式(2)的最优解；
步骤4、对于所述步骤2中的所述b-子问题，同样采用半二次正则化方法进行求解，引入辅助变量t将所述式(3)转化为如下新的子问题：
Figure BDA0002482935960000034
其中，χ为模型惩罚参数；
采用所述步骤1和所述步骤2中的求解方法，可将所述式(7)的最小化问题转化为两个新的子问题：
b′-子问题的具体形式变为：
Figure BDA0002482935960000035
t′-子问题的具体形式为：
Figure BDA0002482935960000036
步骤5、采用交替迭代优化求解所述式(5)、所述式(6)、所述式(8)和所述式(9)：
Figure BDA0002482935960000041
其中，k为迭代次数，且k为大于0的整数。
在本发明的一个实施例中，所述步骤1中所述热辐射噪声估计值
Figure BDA0002482935960000042
和所述校正图像的估计值
Figure BDA0002482935960000043
本发明的有益效果：
1、本发明涉及一种基于L1-L0范数最小化的气动热辐射图像自动校正方法，此方法通过对图像校正模型的进一步运算能有效估计实测图像中的气动热辐射噪声，同时去除图像背景随机噪声。
2、本发明中采用半二次正则化方法交替迭代求解校正模型，有效提升算法的校正效率，具有良好的应用前景。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明气动热辐射图像校正算法的流程图；
图2是交替迭代优化求解的流程图；
图3(a)是红外成像系统采集的气动热辐射图像；
图3(b)是图3(a)的校正图像；
图3(c)是估计的气动热辐射噪声图像；
图3(d)是图3(a)和图3(b)中同一列像素值对比结果。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1、图2、图3(a)、图3(b)、图3(c)和图3(d)，图1是本发明气动热辐射图像校正算法的流程图，图2是交替迭代优化求解的流程图，图3(a)是红外成像系统采集的气动热辐射图像，图3(b)是图3(a)的校正图像，图3(c)是估计的气动热辐射噪声图像，图3(d)是图3(a)和图3(b)中同一列像素值对比结果。本发明实施例提供的一种基于L1-L0范数最小化的气动热辐射图像自动校正方法，包括：
步骤1、输入的气动热辐射效应图像为s，建立基于L1-L0范数最小化的图像校正模型：
Figure BDA0002482935960000051
其中，
Figure BDA0002482935960000052
为校正图像估计值，
Figure BDA0002482935960000053
为热辐射噪声估计值，η为数据保真项的系数，α和β为正则化参数。L和D表示差分算子。α的取值跟估计出的校正图像的纹理特征有关，即α的值越大，校正图像
Figure BDA0002482935960000054
的纹理结构信息保留的就越少；β的取值跟估计出的热辐射噪声的光滑性有关，即β的值越大，所估计的热辐射噪声
Figure BDA0002482935960000055
越光滑。α和β的取值可根据实验需求进行调整。
步骤2、式(1)中热辐射噪声的估计值
Figure BDA0002482935960000056
和校正图像的估计值
Figure BDA0002482935960000057
是需要优化的变量，因此，对其进行交替迭代优化求解，即固定一个变量，对另一个变量求解，此过程交替进行，所以将式(1)可分解为两个子问题：
f-子问题的具体形式为：
Figure BDA0002482935960000061
b-子问题的具体形式为：
Figure BDA0002482935960000062
步骤3、对于步骤(2)中的f-子问题，本发明采用半二次正则化方法进行求解。引入辅助变量w将式(2)转化为如下子问题：
Figure BDA0002482935960000063
其中ρ为模型惩罚参数。
采用步骤(1)和步骤(2)中的求解方法，可将式(4)的最小化问题转化为两个新的子问题：
f-子问题的具体形式变为：
Figure BDA0002482935960000064
w-子问题的具体形式为：
Figure BDA0002482935960000065
通过对式(5)和式(6)的迭代求解，即可得到式(2)的最优解。
步骤4、对于步骤(2)中的b-子问题，同样采用半二次正则化方法进行求解。引入辅助变量t将式(3)转化为如下新的子问题：
Figure BDA0002482935960000066
其中χ为模型惩罚参数。
采用步骤(1)和步骤(2)中的求解方法，可将式(7)的最小化问题转化为两个新的子问题：
b-子问题的具体形式变为：
Figure BDA0002482935960000071
t-子问题的具体形式为：
Figure BDA0002482935960000072
步骤5、采用交替迭代优化求解式(5)、式(6)、式(8)和式(9)：
Figure BDA0002482935960000073
其中，k表示第k次迭代。本实例中，η＝0.0001，α＝0.2，β＝0.1，ρ＝0.05和χ＝0.001。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围；这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种基于L1-L0范数最小化的气动热辐射图像自动校正方法，其特征在于，包括：
步骤1、建立基于L1-L0范数最小化的图像校正模型，所述图像校正模型的表达式为：
Figure FDA0002482935950000011
其中，||·||p表示Lp范数，
Figure FDA0002482935950000012
为校正图像估计值，
Figure FDA0002482935950000013
为热辐射噪声估计值，
Figure FDA0002482935950000014
为数据保真项，η为数据保真项的系数，α和β为正则化参数，L和D表示差分算子，α的取值跟估计出的校正图像的纹理特征有关，即α的值越大，所述校正图像估计值
Figure FDA0002482935950000015
的纹理结构信息保留的就越少，β的取值跟估计出的热辐射噪声的光滑性有关，即β的值越大，所述热辐射噪声估计值
Figure FDA0002482935950000016
越光滑，α和β的取值可根据实验需求进行调整，s为输入的气动热辐射效应图像，f为校正图像，b为热辐射噪声；
步骤2、所述式(1)中所述热辐射噪声估计值
Figure FDA0002482935950000017
和所述校正图像估计值
Figure FDA0002482935950000018
是需要优化的变量，因此，对所述热辐射噪声估计值
Figure FDA0002482935950000019
和所述校正图像估计值
Figure FDA00024829359500000110
进行交替迭代优化求解，即固定一个变量，对另一个变量求解，此过程交替进行，所以将所述式(1)可分解为两个子问题：
f-子问题的具体形式为：
Figure FDA00024829359500000111
b-子问题的具体形式为：
Figure FDA00024829359500000112
步骤3、对于所述步骤2中的所述f-子问题，本发明采用半二次正则化方法进行求解，引入辅助变量w将所述式(2)转化为如下子问题：
Figure FDA0002482935950000021
其中，ρ为模型惩罚参数；
采用所述步骤1和所述步骤2中的求解方法，可将所述式(4)的最小化问题转化为两个新的子问题：
f′-子问题的具体形式变为：
Figure FDA0002482935950000022
w′-子问题的具体形式为：
Figure FDA0002482935950000023
通过对所述式(5)和所述式(6)的迭代求解，即可得到所述式(2)的最优解；
步骤4、对于所述步骤2中的所述b-子问题，同样采用半二次正则化方法进行求解，引入辅助变量t将所述式(3)转化为如下新的子问题：
Figure FDA0002482935950000024
其中，χ为模型惩罚参数；
采用所述步骤1和所述步骤2中的求解方法，可将所述式(7)的最小化问题转化为两个新的子问题：
b′-子问题的具体形式变为：
Figure FDA0002482935950000025
t′-子问题的具体形式为：
Figure FDA0002482935950000026
步骤5、采用交替迭代优化求解所述式(5)、所述式(6)、所述式(8)和所述式(9)：
Figure FDA0002482935950000031
其中，k为迭代次数，且k为大于0的整数。
2.根据权利要求1所述的基于L1-L0范数最小化的气动热辐射图像自动校正方法，其特征在于，所述步骤1中所述热辐射噪声估计值
Figure FDA0002482935950000032
和所述校正图像的估计值
Figure FDA0002482935950000033
CN202010383082.8A 2020-05-08 2020-05-08 一种基于l1-l0范数最小化的气动热辐射图像自动校正方法 Active CN111583149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010383082.8A CN111583149B (zh) 2020-05-08 2020-05-08 一种基于l1-l0范数最小化的气动热辐射图像自动校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010383082.8A CN111583149B (zh) 2020-05-08 2020-05-08 一种基于l1-l0范数最小化的气动热辐射图像自动校正方法

Publications (2)

Publication Number Publication Date
CN111583149A true CN111583149A (zh) 2020-08-25
CN111583149B CN111583149B (zh) 2023-02-17

Family

ID=72124792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010383082.8A Active CN111583149B (zh) 2020-05-08 2020-05-08 一种基于l1-l0范数最小化的气动热辐射图像自动校正方法

Country Status (1)

Country Link
CN (1) CN111583149B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022396A (zh) * 2022-01-06 2022-02-08 武汉工程大学 基于nurbs曲面拟合的气动光学热辐射效应校正方法及装置
CN114022398A (zh) * 2022-01-07 2022-02-08 武汉工程大学 基于格林函数双调和样条插值热辐射效应校正方法及装置
CN117114998A (zh) * 2023-10-25 2023-11-24 中国海洋大学 一种用于微波辐射计亮温数据的分辨率增强方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110293158A1 (en) * 2010-05-25 2011-12-01 Siemens Aktiengesellschaft Method And Image-Reconstruction Apparatus For Reconstructing Image Data
CN105118037A (zh) * 2015-09-02 2015-12-02 华中科技大学 一种气动热辐射图像自动校正方法
CN105160687A (zh) * 2015-10-21 2015-12-16 华中科技大学 一种气动光学热辐射噪声校正方法与系统
CN105654430A (zh) * 2015-12-24 2016-06-08 华中科技大学 一种反差约束的气动热辐射校正方法
US20160321788A1 (en) * 2014-12-30 2016-11-03 Huazhong University Of Science And Technology Direction-adaptive image deblurring method
CN108230249A (zh) * 2016-12-14 2018-06-29 南京理工大学 基于各向异性的l1范数全变分正则化非均匀性校正方法
US20180350041A1 (en) * 2015-12-23 2018-12-06 Huazhong University Of Science And Technology Aerothermal radiation effect frequency domain correction method
CN110458777A (zh) * 2019-08-05 2019-11-15 湖南大学 一种基于自适应秩校正的高光谱图像去噪方法、系统及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110293158A1 (en) * 2010-05-25 2011-12-01 Siemens Aktiengesellschaft Method And Image-Reconstruction Apparatus For Reconstructing Image Data
US20160321788A1 (en) * 2014-12-30 2016-11-03 Huazhong University Of Science And Technology Direction-adaptive image deblurring method
CN105118037A (zh) * 2015-09-02 2015-12-02 华中科技大学 一种气动热辐射图像自动校正方法
CN105160687A (zh) * 2015-10-21 2015-12-16 华中科技大学 一种气动光学热辐射噪声校正方法与系统
US20170278220A1 (en) * 2015-10-21 2017-09-28 Huazhong University Of Science And Technology Method and system for correcting aero-optical thermal radiation noise
US20180350041A1 (en) * 2015-12-23 2018-12-06 Huazhong University Of Science And Technology Aerothermal radiation effect frequency domain correction method
CN105654430A (zh) * 2015-12-24 2016-06-08 华中科技大学 一种反差约束的气动热辐射校正方法
US20180286017A1 (en) * 2015-12-24 2018-10-04 Huazhong University Of Science And Technology Contrast constrained aerothermal radiation correction method
CN108230249A (zh) * 2016-12-14 2018-06-29 南京理工大学 基于各向异性的l1范数全变分正则化非均匀性校正方法
CN110458777A (zh) * 2019-08-05 2019-11-15 湖南大学 一种基于自适应秩校正的高光谱图像去噪方法、系统及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙向华等: "基于ARTUR算法的气动光学效应图像校正方法", 《红外与激光工程》 *
孙李辉等: "气动退化图像自适应空域正则化复原", 《计算机仿真》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022396A (zh) * 2022-01-06 2022-02-08 武汉工程大学 基于nurbs曲面拟合的气动光学热辐射效应校正方法及装置
CN114022396B (zh) * 2022-01-06 2022-04-19 武汉工程大学 基于nurbs曲面拟合的气动光学热辐射效应校正方法及装置
CN114022398A (zh) * 2022-01-07 2022-02-08 武汉工程大学 基于格林函数双调和样条插值热辐射效应校正方法及装置
CN117114998A (zh) * 2023-10-25 2023-11-24 中国海洋大学 一种用于微波辐射计亮温数据的分辨率增强方法
CN117114998B (zh) * 2023-10-25 2024-02-06 中国海洋大学 一种用于微波辐射计亮温数据的分辨率增强方法

Also Published As

Publication number Publication date
CN111583149B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
CN111583149B (zh) 一种基于l1-l0范数最小化的气动热辐射图像自动校正方法
CN112424828B (zh) 一种集成空间约束的核模糊c均值快速聚类算法
CN105654430B (zh) 一种反差约束的气动热辐射校正方法
CN108230264B (zh) 一种基于ResNet神经网络的单幅图像去雾方法
CN111080675B (zh) 一种基于时空约束相关滤波的目标跟踪方法
WO2017067130A1 (zh) 一种气动光学热辐射噪声校正方法与系统
CN105118037B (zh) 一种气动热辐射图像自动校正方法
CN108230249B (zh) 基于各向异性的l1范数全变分正则化非均匀性校正方法
WO2017107344A1 (zh) 一种气动热辐射效应的频域校正方法
CN111968047A (zh) 一种基于生成式对抗网络的自适应光学图像盲复原方法
CN113225130A (zh) 一种基于机器学习的大气湍流等效相位屏预测方法
CN113538374A (zh) 一种面向高速运动物体的红外图像模糊校正方法
CN108288030B (zh) 一种机载红外小目标检测识别实时处理系统和方法
CN114581497A (zh) 一种用于大气湍流图像畸变校正的改进b样条非刚性配准方法
CN111405206B (zh) 一种泊松-高斯联合噪声图像序列分离降噪方法
CN113537467A (zh) 一种基于wgan-gp的对抗扰动图像生成方法
Hong et al. Progressive nonuniformity correction for aero-optical thermal radiation images via bilateral filtering and bézier surface fitting
CN106023097A (zh) 一种基于迭代法的流场图像预处理算法
CN106815820B (zh) 一种红外图像条状噪声消除方法
CN116907659A (zh) 一种基于噪声响应模型的无快门红外图像非均匀校正方法
CN111340741B (zh) 基于四元数与l1范数的粒子群优化灰度图像增强方法
CN112184567A (zh) 一种基于交替最小化的多通道盲识别自适应光学图像复原方法
US20190220958A1 (en) Aerothermal radiation effect frequency domain correction method
CN116862779A (zh) 一种真实图像自监督去噪方法和系统
CN113112425B (zh) 一种四方向相对全变分图像去噪方法

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