CN111861907B - 一种高动态范围激光焦斑图像的去噪方法 - Google Patents
一种高动态范围激光焦斑图像的去噪方法 Download PDFInfo
- Publication number
- CN111861907B CN111861907B CN202010599333.6A CN202010599333A CN111861907B CN 111861907 B CN111861907 B CN 111861907B CN 202010599333 A CN202010599333 A CN 202010599333A CN 111861907 B CN111861907 B CN 111861907B
- Authority
- CN
- China
- Prior art keywords
- image
- focal spot
- main lobe
- denoising
- noise
- 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 69
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000002238 attenuated effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 16
- 238000002474 experimental method Methods 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种高动态范围激光焦斑图像的去噪方法,提高了高动态范围远场焦斑在纹影法中复原主瓣图像和旁瓣图像的精确性,满足了高动态范围的激光焦斑测量的精度要求。该方法的主要步骤是:步骤1:仿真模拟获得具有噪声的主瓣图像和旁瓣图像;步骤2:对主瓣图像的去噪处理;步骤3:对旁瓣图像的去噪处理;步骤4:将无噪声的主瓣图像和无噪声的旁瓣图像进行融合,重构出原始焦斑图像。
Description
技术领域
本发明属于图像处理技术,具体涉及一种高动态范围激光焦斑图像的去噪方法。
背景技术
在高功率固体激光装置中,激光远场焦斑分布是光束远场聚焦的重要指标,也间接反映出波前状况,直接关系到激光光速能否顺利通过靶孔。因此,获取焦斑的形态分布和能量集中度来选择合适的物理靶,为改善焦斑质量以适应物理靶的要求提供依据。
目前较为常用的方法是用纹影法测量。纹影法测量激光远场焦斑过程中远场焦斑经成像透镜放大成像后,将一定大小的小球放置在焦斑位置,用以遮挡光斑中心,控制CCD前的衰减可得旁瓣信息,将其与无遮挡光斑拼接,得到焦斑相对强度的完整分布。
现有对于高动态范围焦斑测量主要采用列阵相机法、衍射光栅法和纹影法,列相机法等。在使用CCD探测器直接测量焦斑光束的主瓣分布图像和旁瓣分布图像,然后根据主瓣分布图像和旁瓣分布图像经过处理拼接以后,可以恢复远场焦斑图像,但是在强激光条件下,这种方法获得的主瓣分布图像和旁瓣分布图像存在很强的噪声,从而使得拼接恢复之后的焦斑图像精确度较低。
发明内容
为了解决现有方法获得焦斑图像存在噪声大,精确度较低问题,本发明提供了一种高动态范围激光焦斑图像的去噪方法。
本发明的具体技术方案是:
本发明提供了一种高动态范围激光焦斑图像的去噪方法,包括以下步骤:
步骤1:仿真模拟获得具有噪声的主瓣图像和旁瓣图像;
步骤2:对主瓣图像的去噪处理;
步骤2.1:对主瓣图像使用K-means聚类算法进行聚类分析,得到N个数据集;N≥1;
步骤2.2:对生成的N个数据集分别进行主成分析,抽取各个聚类的主成分,得到N个PCA字典;
步骤2.3:依据PCA字典计算图像的稀疏系数和图像的估计稀疏系数以及图像的正则化约束项;
步骤2.4:将步骤2.3的计算结果代入非局部均值逼近稀疏表示模型中,之后反复迭代步骤2.1-2.4,直到到达设定迭代次数,获得去噪后主瓣图像;
步骤2.5:依据步骤1中光路的衰减系数,对去噪后主瓣图像进行放大还原,获得无噪声的还原后主瓣图像;
步骤3:对旁瓣图像的去噪处理;
按照与步骤2.1-2.5同样的方式,获得无噪声的旁瓣图像;
步骤4:将无噪声的主瓣图像和无噪声的旁瓣图像进行融合,重构出原始焦斑图像。
进一步地,上述步骤1的具体过程为:
步骤1.1:按照激光远场焦斑强度分布原理,生成模拟光束;
步骤1.2:按照高动态范围激光焦斑测量数学模型,按照纹影法过程模拟生成远场主瓣图像和旁瓣图像;模拟生成的主瓣图像和旁瓣图像均为衰减后的图像;
步骤1.3:在模拟生成的主瓣图像和旁瓣图像中模拟增加噪声。
进一步地,上述步骤2.3的具体计算过程如下:
步骤2.3.1:对属于第j个数据集的图像模块yj的字典Φj,通过公式Φj Tyj得到第j个数据集的估计稀疏系数;
步骤2.3.2:通过级联每个数据集的估计稀疏系数,获得整个图像的稀疏系数
步骤2.3.3:再根据公式计算整个图像的估计稀疏系数;其中,/>表示第i个图像块无噪子图xi的稀疏表示系数/>的估计值;
Ωi是yi的非局部相似块索引值的集合;
WG(yi,yj)是yi和yj的相似性度量值用欧式距离表示;
步骤2.3.4:最后计算整个图像的正则化约束项,具体公式为:λ为设置阈值,取值范围0<λ<1。
本发明具有以下有益效果:
本发明提出的基于稀疏表示和非局部均值的强激光远场焦斑图像的去噪方法,在强激光远场焦斑图像去噪时能有效恢复焦斑图像的特征信息,提高了高动态范围远场焦斑在纹影法中复原主瓣图像和旁瓣图像的精确性,满足了高动态范围的激光焦斑测量的精度要求,对于诊断系统的改进具有重要的研究意义。
附图说明
图1为实施例的流程图;
图2(a)为光束1焦点附近光场分布的二维图像;
图2(b)为光束2焦点附近光场分布的二维图像;
图3(a)为光束1焦点附近光场分布的三维图像;
图3(b)为光束2焦点附近光场分布的三维图像;
图4(a)为光束2主瓣图像;
图4(b)为光束2旁瓣图像;
图4(c)为光束2主瓣图像包含噪声;
图4(d)为光束2旁瓣图像包含噪声;
图5为纹影测量远场焦斑原理示意图;
图6为纹影测量远场焦斑数学模型;
图7为纹影法重构区域示意图;
图8(a)为光束2主瓣图像生成的PCA字典
图8(b)为光束2旁瓣图像生成的PCA字典;
图9(a)为光束2去噪后的主瓣图像;
图9(b)为光束2去噪后的旁瓣图像;
图10为图像稀疏表示原理示意图;
图11为焦斑重构后图像。
图12为实验结果对比分析图。
具体实施方式
实施例
本实施例根据一个实验过程对高动态范围激光焦斑图像的去噪方法具体过程进行详细介绍,流程参见图1:
1、模拟生成具有噪声的主瓣图像和旁瓣图像(生成实验数据)
1.1、按照激光远场焦斑强度分布原理,生成模拟光束;
1.2、按照高动态范围激光焦斑测量数学模型,纹影法过程模拟生成远场主瓣图像和旁瓣图像,需要说明的是:模拟生成的主瓣图像和旁瓣图像都是衰减后的图像;本实施例中采用了两束光进行模拟,记为光束1和光束2,具体参见图2(a)、图2(b)和图3(a)、图3(b)所示,本实施例具体以光束2为例进行详细讲解,对于光束1也是同样的过程和方法,旁瓣光束中心区域使用纹影小球遮挡效果如图4(b)所示。
1.3、在模拟的主瓣图像和旁瓣图像中模拟增加噪声,如图4(c)和图4(d)所示;
纹影法远场焦斑测量原理说明
纹影法测量远场焦斑光路如图5所示。旁瓣CCD得到的光斑是纹影小球周围的光斑信息,称为“旁瓣”。主瓣CCD得到的是没有遮挡的光斑,称为“主瓣”。
基于纹影法远场焦斑的数学模型,整个纹影测量远场焦斑的数学模型流程如图6所示,f1,f2为到达主瓣和旁瓣CCD上的像面光强分布为:
f1(x,y)=k1g(αx,αy) (1)
f2(x,y)=k2g(βx,βy) (2)
如图7所示,表示纹影法的重构过程,A表示主瓣光斑区域,B表示旁瓣
光斑区域,C表示A∩B重合区域,即表示区域A和区域B的过渡带。
2、对主瓣图像和旁瓣图像进行去噪处理;
2.1、主成分分析,生成PCA字典
主瓣图像和旁瓣图像分别使用K-means聚类算法进行聚类,具体过程为:
首先计算聚类后图像的初始的几何中心,并且进行归类到分类后距离最近的聚类中,一直重复聚类,知道每一类的聚类达到几何中心的稳定状态,得到N个数据集;
然后对聚类得到N个数据集使用PCA主成分分析来抽取各类主要成分,进行主成分学习,得到学习后的PCA字典,本实施例中生成主瓣图像的PCA字典和旁瓣图像的PCA字典,如图8(a)和8(b)所示。
PCA字典学习的原理说明:
本发明采用PCA字典学习,PCA的主要思想是通过奇异值分解的方法构造出反映高维数据核心特征的一组数据基(主成分),然后把具有相关性的高维数据在该基上进行投影,得到降维后的低维数据。这样就可以在PCA域分析原始数据。假设现有k0个n维的高维图像信号,K0>>n,用向量xj=[x1,j,x2,j,…,xn,j],j=1,…,k0,表示第i个样本。
PCA字典学习主要过程分为两个步骤,先是对去噪图像进行聚类分析,其次是对聚类分析以后的数据进行主成分分析。本发明主要使用K-means聚类算法,首先,确定聚类总数K和聚类初始的几何中心,并且计算各个聚类模块到初始集合中心的距离,并且归类到距离最近的聚类中,然后计算每一个聚类中均值到新的聚类几何中心。一直重复聚类,直到每个聚类达到稳定状态。通过聚类算法将结构相似的结构成分聚类到一起,使用PCA来抽取各个聚类集合的主要成分。
2.2、非局部逼近稀疏表示模型进行图像去噪处理
非局部均值算法已经广泛使用在图像去噪领域中,主要是通过计算图像本身的非局部均值信息,使用非局部加权平均像素值去估计每一个目标像素点的无噪值估计,根据观测模型y=x+v,观测得到的含噪图像y。根据焦斑图像的特征思想将非局部均值算法推广应用于强激光远场焦斑图像去噪。
首先,依据PCA字典计算图像的稀疏系数和图像的估计稀疏系数以及图像的正则化约束项,具体计算过程为:
A、对属于第j个数据集的图像模块yj的字典Φj,通过公式Φj Tyj得到第j个数据集的估计稀疏系数;
B、通过级联每个数据集的估计稀疏系数,获得整个图像的稀疏系数
C、再根据公式计算整个图像的估计稀疏系数;其中,表示第i个图像块无噪子图xi的稀疏表示系数/>的估计值;
Ωi是yi的非局部相似块索引值的集合;
WG(yi,yj)是yi和yj的相似性度量值用欧式距离表示;
D、最后计算整个图像的正则化约束项,具体公式为:λ为设置阈值,取值范围0<λ<1。
之后,将上述B、C、D的计算结果代入非局部均值逼近稀疏表示模型中,之后反复迭代2.1-2.2,直到到达设定迭代次数,获得去噪后主瓣图像;
参照上述方式,对旁瓣图像进行去噪处理,去噪处理后的主瓣图像和旁瓣图像参见图9(a)和图9(b)。
稀疏表示模型原理说明
稀疏表示模型是近些年比较热门的技术,在压缩感知、机器视觉领域影响比较大,在机器学习的框架可以看作为一种特征处理相关的模型。具体的,稀疏表示是指在完备字典中尽可能少的参数来表示原始信号x,如图10所示,其中,φ表示字典,α表示稀疏系数。
稀疏表示的主要优点是它的非线性模型,模型的表达能力更好。其实稀疏表示可以看作原始信号投影到的不同的线性子空间。式中的冗余字典φ,除了可以选用小波紧框架,DCT余字典外,还可以利用要处理的图像本身,通过字典学习的方法构造数据的冗余字典来对信号进行稀疏表示,这通常能够获得比非自适应的冗余字典更好的稀疏表示效果。主要的基于图像数据驱动的字典学习算法有K-SVD算法。
非局部逼近稀疏表示模型去噪原理说明:
设无噪远场图像为x,受到噪声干扰焦斑图像的模型表示为:
y=x+v (3)
其中,y表示受噪声污染的远场焦斑图像,x表示无噪声原始远场焦斑图像,v表示在噪声。
将含噪图像划分为n0×n0个重叠的子数据块,将划分后的子数据块向量化,通过稀疏正则约束项从y中恢复出x。添加正则化约束项后,稀疏表示模型如下:
其中,表示第i个图像块无噪子图xi的稀疏表示系数/>的估计值,因为图像具有冗余的特点,/>可以用第i个含噪图像yi的局部域稀疏表示系数进行估计得到:
其中,Ωi是yi的非局部相似块索引值的集合,WG(yi,yj)是yi和yj的相似性度量值。也可以用欧式距离度量其相似性关联值。
3、焦斑重构
根据纹影法焦斑重构方法进行焦斑重构:
首先根据主瓣图像和旁瓣图像中坐标的相对位置,在主瓣图像中进行搜索对应旁瓣图像中的纹影小球位置。由于主瓣图像和旁瓣图像都是经过衰减处理后的图像,所以需要对旁瓣图像和主瓣图像进行放大处理,如图7所示其中A表示的主瓣光斑区域,B表示旁瓣光斑区域,分别没有重合直接进行合并,过渡区域C根据参考文献【王拯洲,王伟,夏彦文.高动态范围激光焦斑测量数学模型研究[J].光子学报,2014,043(010):117-123.】的重构方法进行重构,重构以后的焦斑图像如下图11所示。
4、结果分析
对于焦斑图像来说,去噪过程应该具备以下几种特点;首先,应该具有很好的抑制焦斑图像中的噪声,其次,为了保证焦斑图像的主要信息特征保持度高;最后,就是要保持焦斑图像去噪的稳定性高。而评价图像去噪效果最常用指标为:峰值信噪比,结构相似指数,相关系数、边缘信息保持度等。
峰值信噪比
峰值信噪比(PSNR)作为自然图像处理中最常用的评价指标,也被广泛使用定义为极限的最大信号能量与噪声能量的比值,具体的公式表示如下:
其中,Mp为图像中像素的最大灰度值。
结构相似指数
在自然图像去噪中常使用到SSIM(结构相似性)对去噪后图像质量进行评价,将其引入焦斑图像去噪质量客观评价参数,表示去噪后图像与原始图像的结构相似指数。
本实施例的去噪效果定量分析过程如下:
首先,将原始焦斑图像归一化灰度。在验证稀疏表示和非局部均值进行逼近稀疏模型进行去噪分别增加了35.9dB、30.5dB、32.3dB、27.3dB信噪比的噪声,去噪效果如下图12所示,其中Origin1表示光束1经过纹影法分光衰减、放大后主瓣图像,Origin2表示光束1经过纹影法分光,模拟纹影小球遮挡后的旁瓣图像;Origin3表示高斯光束在传播过程中焦点处,经过纹影法分光衰减、放大后主瓣图像,Origin4表示高斯光束在传播过程中焦点处,经过纹影法分光,模拟纹影小球遮挡后的旁瓣图像。使用边缘信噪比PSNR和结构相似指数SSIM分别将去噪之前图像和去噪之后的图像进行对比。对图像进行去噪,去噪之前结构相似指数值分别为:0.8772、0.8453、0.7774、0.8961,去噪之后相似指数为0.9956、0.9931、0.9845、0.9966,去噪之后的图像明显比去噪之前的图像更加清晰,并且结构相似指数明显有大幅度提高,表示去噪图像和原始图像保持了高度的相似性。通过实验表明,去噪图像和原始图像保持高度相似性,能更加有效的恢复焦斑图像的有效信息。这说明了稀疏表示和非局部均值去噪对于主瓣和旁瓣的焦斑去噪效果非常好,改善了纹影法经过分光衰减、放大后噪声被同步放大的影响,这对于提高测量精度有重要的影响。
因此,使用稀疏表示和非局部均值逼近提高了激光焦斑图像细节信息的保持能力,提高了激光焦斑图像测量的有效性,能够实现高动态范围激光焦斑图像的精确重构。降低了纹影法测量焦斑图像,在强激光分布下情况,噪声太大破坏焦斑图像信息的问题。
不同信噪比下PSNR值对比
为了更好的进行去噪效果分析,分别对模拟纹影法(分光,分光,主瓣图像和旁瓣图像加噪,纹影小球遮挡)获得的焦斑图像Origin1、Origin2、Origin3、Origin4分别添加不同信噪比的噪声。一个共进行了4组实验,每一组分别添加不同信噪比的噪声,并且计算峰值信噪比PSNR,进行比较。
表1本发明方法的PSNR对比结果
对测试结果进行分析,Origin1表示在无遮挡情况下,光束1在强激光远场的主瓣焦斑图像,将自然图像中评价参数峰值信噪比引入到焦斑图像去噪中,进行客观评价,峰值信噪比数值越大表示去噪效果越好。由表1可以看出对于Origin1的主瓣焦斑图像,本文的焦斑图像去噪方法明显在噪声信噪比20到40dB的焦斑图像中,去噪以后焦斑图像的峰值信噪比有明显的提高了10dB左右;Origin2表示在有小球遮挡情况下,光束1经过分光,纹影小球遮挡后在强激光远场的旁瓣焦斑图像,在噪声信噪比20到40dB情况下,本文方法对于Origin2旁瓣焦斑图像的去噪后峰值信噪有大幅度的提高。Origin3表示在无遮挡情况下,高斯光束在强激光远场的主瓣焦斑图像,Origin4,表示在纹影小球遮挡情况下,高斯光束在强激光远场的旁瓣焦斑图像。同理可以分析对于Origin3和Origin4焦斑图像,对于在峰值信噪比在20-40dB,对于不同情况下的焦斑图像,在不同信噪比噪声下,焦斑图像明显有不同程度的提高。本文方法去噪效果有明显效果,峰值信噪比有明显提高。综合上述4组实验结果,本文基于稀疏表示和非局部均值的焦斑去噪方法,对于不同光束,在无遮挡的主瓣图像和有纹影小球遮挡的旁瓣图像去噪效果显著,可以明显提升纹影法之间计算所获得图像的精确度。
不同信噪比下SSIM值对比
分别对纹影法(分光,分光,主瓣图像和旁瓣图像加噪,纹影小球遮挡)获得的焦斑图像Origin1、Origin2、Origin3、Origin4分别添加不同信噪比的噪声。一个共进行了4组实验,每一组分别添加不同信噪比的噪声,并且计算获得焦斑图像与原始图像的结构相关指数SSIM。
表2本文焦斑图像去噪及算法SSIM测试对比结果
表2是本文焦斑图像去噪结果的结构相似指数对比结果。从表2给出的Origin1、Origin2、Origin3、Origin4实验数据可以看出,焦斑图像去噪结果SSIM实验数值得到了全面的提高,相对于纹影法获得的主瓣焦斑图像和旁瓣焦斑图像,本文的焦斑图像去噪方法获得的图像结构相似指数更高当噪声在20到40dB时,分别进行了四组实验。其中第一组实验,对主瓣焦斑图像Origin1进行去噪实验结果可以看出在噪声信噪比较大时去噪效果更好,SSIM实验数值提高的更加明显。在第二组对旁瓣图像Origin2去噪效果在噪声35.9806dB时,结构相似指数为0.9931明显更高,说明去噪效果更好。但是在第三组对Origin3的实验中,当信噪比为32.3090时SSIM数值明显大于其他不同信噪比的焦斑图像去噪效果。第四组实验中,明显随着信噪比的增加,本文去噪算法实验结果相似指数SSIM值更大。综合上述四组实验,本文焦斑去噪方法的,在不同信噪比条件下去噪效果SSIM值明显提升,说明本文方法明显提高了纹影法所获得焦斑图像的相似指数,这样获得相似指数更高的主瓣焦斑图像和旁瓣焦斑图像,为提高后期恢复焦斑图像提供了精确的细节信息。
Claims (1)
1.一种高动态范围激光焦斑图像去噪方法,其特征在于,包括以下步骤:
步骤1:仿真模拟获得具有噪声的主瓣图像和旁瓣图像;
步骤1.1:按照激光远场焦斑强度分布原理,生成模拟光束;
步骤1.2:按照高动态范围激光焦斑测量数学模型,按照纹影法过程模拟生成远场主瓣图像和旁瓣图像;模拟生成的主瓣图像和旁瓣图像均为衰减后的图像;
步骤1.3:在模拟生成的主瓣图像和旁瓣图像中模拟增加噪声;
步骤2:对主瓣图像的去噪处理;
步骤2.1:对主瓣图像使用K-means聚类算法进行聚类分析,得到N个数据集;N≥1;
步骤2.2:对生成的N个数据集分别进行主成分析,抽取各个聚类的主成分,得到N个PCA字典;
步骤2.3:依据PCA字典计算图像的稀疏系数和图像的估计稀疏系数以及图像的正则化约束项;
步骤2.3.1:对属于第j个数据集的图像模块yj的字典Φj,通过公式Φj Tyj得到第j个数据集的估计稀疏系数;
步骤2.3.2:通过级联每个数据集的估计稀疏系数,获得整个图像的稀疏系数
步骤2.3.3:再根据公式计算整个图像的估计稀疏系数;其中,/>表示第i个图像块无噪子图xi的稀疏表示系数/>的估计值;
Ωi是yi的非局部相似块索引值的集合;
WG(yi,yj)是yi和yj的相似性度量值用欧式距离表示;
步骤2.3.4:最后计算整个图像的正则化约束项,具体公式为:λ为设置阈值,取值范围0<λ<1;
步骤2.4:将步骤2.3的计算结果代入非局部均值逼近稀疏表示模型中,之后反复迭代步骤2.1-2.4,直到到达设定迭代次数,获得去噪后主瓣图像;
步骤2.5:依据步骤1中光路的衰减系数,对去噪后主瓣图像进行放大还原,获得无噪声的还原后主瓣图像;
步骤3:对旁瓣图像的去噪处理;
按照与步骤2.1-2.5同样的方式,获得无噪声的旁瓣图像;
步骤4:将无噪声的主瓣图像和无噪声的旁瓣图像进行融合,重构出原始焦斑图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599333.6A CN111861907B (zh) | 2020-06-28 | 2020-06-28 | 一种高动态范围激光焦斑图像的去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599333.6A CN111861907B (zh) | 2020-06-28 | 2020-06-28 | 一种高动态范围激光焦斑图像的去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861907A CN111861907A (zh) | 2020-10-30 |
CN111861907B true CN111861907B (zh) | 2023-09-05 |
Family
ID=72988734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010599333.6A Active CN111861907B (zh) | 2020-06-28 | 2020-06-28 | 一种高动态范围激光焦斑图像的去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861907B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010073063A1 (en) * | 2008-12-23 | 2010-07-01 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Methods and devices for processing pulse signals, and in particular neural action potential signals |
CN109069100A (zh) * | 2016-11-09 | 2018-12-21 | 深圳市理邦精密仪器股份有限公司 | 超声成像系统及其方法 |
CN109785426A (zh) * | 2018-12-13 | 2019-05-21 | 中国科学院西安光学精密机械研究所 | 基于最陡下降法的最佳匹配点快速搜寻实现焦斑重构的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150293143A1 (en) * | 2013-07-21 | 2015-10-15 | National Chiao Tung University | Feature Extraction from Human Gaiting Patterns using Principal Component Analysis and Multivariate Empirical Mode Decomposition |
-
2020
- 2020-06-28 CN CN202010599333.6A patent/CN111861907B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010073063A1 (en) * | 2008-12-23 | 2010-07-01 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Methods and devices for processing pulse signals, and in particular neural action potential signals |
CN109069100A (zh) * | 2016-11-09 | 2018-12-21 | 深圳市理邦精密仪器股份有限公司 | 超声成像系统及其方法 |
CN109785426A (zh) * | 2018-12-13 | 2019-05-21 | 中国科学院西安光学精密机械研究所 | 基于最陡下降法的最佳匹配点快速搜寻实现焦斑重构的方法 |
Non-Patent Citations (1)
Title |
---|
纹影法测量远场焦斑实验研究;程娟;秦兴武;陈波;刘华;赵军普;卢宗贵;徐隆波;孙志红;;强激光与粒子束(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111861907A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636742B (zh) | 基于对抗生成网络的sar图像和可见光图像的模式转换方法 | |
CN112949565A (zh) | 基于注意力机制的单样本部分遮挡人脸识别方法及系统 | |
CN111489309B (zh) | 一种稀疏解混的预处理装置及方法 | |
CN112435162B (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
CN113129232A (zh) | 一种基于深度卷积生成对抗网络的弱光散斑成像恢复方法 | |
Fan et al. | Multi-scale depth information fusion network for image dehazing | |
CN112766223B (zh) | 基于样本挖掘与背景重构的高光谱图像目标检测方法 | |
CN115861094A (zh) | 一种融合注意力机制的轻量级gan水下图像增强模型 | |
Zhou et al. | MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution | |
Sebastianelli et al. | A speckle filter for Sentinel-1 SAR ground range detected data based on residual convolutional neural networks | |
Patel et al. | A novel approach for semantic segmentation of automatic road network extractions from remote sensing images by modified UNet | |
CN111798531B (zh) | 一种应用于植株监测的图像深度卷积压缩感知重构方法 | |
Wang et al. | Adaptive feature fusion network based on boosted attention mechanism for single image dehazing | |
CN116091640B (zh) | 一种基于光谱自注意力机制的遥感高光谱重建方法及系统 | |
Wang et al. | A deep learning-based target recognition method for entangled optical quantum imaging system | |
CN111861907B (zh) | 一种高动态范围激光焦斑图像的去噪方法 | |
Tiwari | A pattern classification based approach for blur classification | |
Shen | A novel conditional generative adversarial network based on graph attention network For moving image denoising | |
CN115689958A (zh) | 一种基于深度学习的合成雷达图像去噪方法 | |
CN114821239A (zh) | 一种有雾环境下的病虫害检测方法 | |
CN114742721A (zh) | 基于多尺度stl-sru残差网络的定标红外非均匀性校正方法 | |
Sebastianelli et al. | A speckle filter for SAR Sentinel-1 GRD data based on Residual Convolutional Neural Networks | |
CN112001956A (zh) | 基于cnn的纹影法强激光远场焦斑测量图像去噪方法 | |
Li et al. | Omnidirectional Ring Structured Light Noise Filtering Based On DCGAN Network And Autoencoder | |
Xiao et al. | Underwater image classification based on image enhancement and information quality evaluation |
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 |