CN111583149B - 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 PDFInfo
- Publication number
- CN111583149B CN111583149B CN202010383082.8A CN202010383082A CN111583149B CN 111583149 B CN111583149 B CN 111583149B CN 202010383082 A CN202010383082 A CN 202010383082A CN 111583149 B CN111583149 B CN 111583149B
- Authority
- CN
- China
- Prior art keywords
- image
- thermal radiation
- formula
- subproblem
- value
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003702 image correction Methods 0.000 claims abstract description 10
- 230000000191 radiation effect Effects 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 3
- 235000009508 confectionery Nutrition 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003331 infrared imaging Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 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
- G06T5/70—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
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：
其中，||·||p表示Lp范数，
为校正图像估计值，
为热辐射噪声估计值，
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
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
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
和所述校正图像估计值
是需要优化的变量，因此，对所述热辐射噪声估计值
和所述校正图像估计值
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：
b-子问题的具体形式为：
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：
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：
w′-子问题的具体形式为：
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：
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：
t′-子问题的具体形式为：
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)：
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
和所述校正图像的估计值
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：
其中，
为校正图像估计值，
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
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
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
和校正图像的估计值
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：
b-子问题的具体形式为：
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：
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：
w-子问题的具体形式为：
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：
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：
t-子问题的具体形式为：
步骤5、采用交替迭代优化求解式(5)、式(6)、式(8)和式(9)：
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：
其中，||·||p表示Lp范数，
为校正图像估计值，
为热辐射噪声估计值，
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
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
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
和所述校正图像估计值
是需要优化的变量，因此，对所述热辐射噪声估计值
和所述校正图像估计值
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：
b-子问题的具体形式为：
步骤3、对于所述步骤2中的所述f-子问题，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：
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：
w′-子问题的具体形式为：
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：
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：
t′-子问题的具体形式为：
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)：
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
和所述校正图像的估计值
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 CN111583149A (zh) | 2020-08-25 |
| CN111583149B true 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) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114022398B (zh) * | 2022-01-07 | 2022-05-10 | 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 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010029281A1 (de) * | 2010-05-25 | 2011-12-01 | Siemens Aktiengesellschaft | Verfahren und Bildrekonstruktionseinrichtung zur Rekonstruktion von Bilddaten |
| CN104537620B (zh) * | 2014-12-30 | 2017-04-12 | 华中科技大学 | 一种方向自适应图像去模糊方法 |
| CN105654432B (zh) * | 2015-12-23 | 2017-05-17 | 华中科技大学 | 一种气动热辐射效应的频域校正方法 |
-
2020
- 2020-05-08 CN CN202010383082.8A patent/CN111583149B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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)
| Title |
|---|
| 基于ARTUR算法的气动光学效应图像校正方法;孙向华等;《红外与激光工程》;20030825(第04期);全文 * |
| 气动退化图像自适应空域正则化复原;孙李辉等;《计算机仿真》;20131115(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111583149A (zh) | 2020-08-25 |
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 | |
| 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 | |
| CN105160687B (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 | |
| CN105654432B (zh) | 一种气动热辐射效应的频域校正方法 | |
| CN108665425A (zh) | 基于帧间配准和自适应步长的红外图像非均匀性校正方法 | |
| CN111899200B (zh) | 一种基于3d滤波的红外图像增强方法 | |
| WO2019183843A1 (zh) | 基于帧间配准和自适应步长的红外图像非均匀性校正方法 | |
| CN113225130B (zh) | 一种基于机器学习的大气湍流等效相位屏预测方法 | |
| CN110782403A (zh) | 一种红外图像非均匀性校正方法 | |
| CN114581497B (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 | |
| 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 | |
| CN113989260A (zh) | 一种基于无人机红外图像的光伏板边缘分割方法 | |
| CN104331700B (zh) | 基于轨迹能量扩散图的组行为识别方法 | |
| US10521888B2 (en) | Aerothermal radiation effect frequency domain correction method | |
| 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 | |
| CN113112425B (zh) | 一种四方向相对全变分图像去噪方法 | |
| CN112508168B (zh) | 基于预测框自动修正的边框回归神经网络构建方法 | |
| CN109584273B (zh) | 一种基于自适应收敛参数的运动目标检测方法 | |
| CN110852976B (zh) | 一种红外图像明暗不均匀校正方法及计算机程序产品 | |
| CN113870308B (zh) | 一种螺旋梯度优化估计的弱小目标检测方法 | |
| CN118351116B (zh) | 一种低碳建筑材料的保温隔热性能检测方法 |
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 |