CN112381731B - 一种基于图像去噪的单帧条纹图像相位分析方法及系统 - Google Patents

一种基于图像去噪的单帧条纹图像相位分析方法及系统 Download PDF

Info

Publication number
CN112381731B
CN112381731B CN202011264602.XA CN202011264602A CN112381731B CN 112381731 B CN112381731 B CN 112381731B CN 202011264602 A CN202011264602 A CN 202011264602A CN 112381731 B CN112381731 B CN 112381731B
Authority
CN
China
Prior art keywords
image
denoised
frame
denoising
frame fringe
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
Application number
CN202011264602.XA
Other languages
English (en)
Other versions
CN112381731A (zh
Inventor
游迪
朱江平
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202011264602.XA priority Critical patent/CN112381731B/zh
Publication of CN112381731A publication Critical patent/CN112381731A/zh
Application granted granted Critical
Publication of CN112381731B publication Critical patent/CN112381731B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像去噪的单帧条纹图像相位分析方法及系统，分析方法包括：步骤1：对单帧条纹图进行傅里叶变换，求解单帧条纹图的空间载频；利用空间载频将单帧条纹图转换为第一待去噪图像以及第二待去噪图像；步骤2：利用预先训练好的图像去噪器分别对第一待去噪图像以及第二待去噪图像进行高频去噪滤波处理，得到第一去噪图像以及第二去噪图像；步骤3：根据所得第一去噪图像与第二去噪图像计算单帧条纹图的截断相位，根据求解得到的截断相位进行单帧条纹图的相位展开。本发明能够将单帧条纹的相位分析简化为一个图像去噪的问题，只需利用一个图像去噪器进行低通滤波即可滤除噪声，实现高精度相位分析，计算方法简单高效。

Description

一种基于图像去噪的单帧条纹图像相位分析方法及系统
技术领域
本发明涉及光学三维测量领域，特别涉及一种基于图像去噪的单帧条纹图像相位分析方法及系统。
背景技术
基于条纹结构光的三维测量是一种非接触式的测量方法，它具有很多优点，比如高精度以及高速度等。它广泛应用于自动加工、高速在线检测、航空航天、物理仿形等领域。该技术的关键是需要准确地从畸变条纹图像中获取相位信息，因为这些相位信息就包含了被测物体的三维轮廓信息。
目前主流的条纹图相位分析方法分为两类，一类是相移法，一类是基于单帧条纹的方法。其中相移法需要在被测物体相对静止的情况下，连续获得具有一定相移间隔的多幅条纹图。在许多情况下，这些条件很难满足，特别是在测量动态对象时。而基于单帧条纹的分析方法只需要一个条纹图，不需要相移机构进行相移，这样一来整个测量机构将会更简单并且这类方法特别适合于动态的三维测量。
而目前主流的基于单帧条纹的相位分析方法主要包含傅里叶变换法，窗口傅里叶变换法，小波变换法等等。由于频谱混叠、噪声等的影响，现有的基于单帧条纹的相位分析方法如傅里叶变换法等都难以用一个合适的带通滤波器(频率混叠无法找到合适的滤波器)来获取纯粹的有用信息，他们获取的信息中总是包含大量的噪声，故其相位分析结果误差很大，难以满足很多应用场景的需求。申请公布号为CN108364268A的中国专利公开了一种单帧条纹图相位恢复方法和装置，通过将单帧条纹图归一化为光强矩阵；建立相位矩阵与光强矩阵的逆映射关系，在空间域由光强分布搜索条纹图的相位分布；对搜索到的相位分布进行两次相位解包裹运算，得到单帧条纹图的连续相位分布。对比文件公开了一种将单帧条纹图相位问题转换为光强矩阵进行求解的方法，具有较好的抗噪声能力，但该方法数学映射计算过程比较复杂。因此，针对基于单帧条纹的相位分析技术而言，目前尚缺乏一种计算简单、精度较高的方法。
发明内容
本发明的目的在于克服现有技术中所存在的现有单帧条纹相位分析方法误差较大、精度较低、抗噪声能力较差、计算过程复杂的问题，提供一种基于图像去噪的单帧条纹图像相位分析方法及系统，通过求解单帧条纹图的空间载频，利用所述空间载频将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像；从而将原始单帧条纹图的转换转化为一组待去噪图像，本发明能够将单帧条纹的相位分析简化为单一图像滤波去噪的问题，只需利用一个图像去噪器进行低通滤波即可滤除噪声，实现高精度相位分析，计算方法简单高效。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于图像去噪的单帧条纹图像相位分析方法，包括：
步骤1：对单帧条纹图进行傅里叶变换，求解所述单帧条纹图的空间载频；利用所述空间载频将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像；
步骤2：利用预先训练好的图像去噪器分别对所述第一待去噪图像以及所述第二待去噪图像进行高频去噪滤波处理，得到第一去噪图像以及第二去噪图像；
步骤3：根据所述第一去噪图像与所述第二去噪图像，计算所述单帧条纹图的截断相位，根据所述截断相位进行所述单帧条纹图的相位展开。
优选的，上述基于图像去噪的单帧条纹图像相位分析方法中，所述步骤1包括：
获取单帧条纹图，对所述单帧条纹图进行傅里叶变换，求解所述单帧条纹图中基频信号的频幅响应函数；
根据所述单帧条纹图中基频信号的频幅响应函数，求解所述单帧条纹图的空间载频；
根据所述空间载频，将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像。
优选的，上述基于图像去噪的单帧条纹图像相位分析方法中，通过以下公式求解所述单帧条纹图的空间载频：
Figure GDA0002842123710000031
其中，f0为所述单帧条纹图的空间载频，fx为频率，|C(fx，0)|表示所述单帧条纹图中基频信号的频幅响应函数。
优选的，上述基于图像去噪的单帧条纹图像相位分析方法中，通过以下公式将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像：
第一待去噪图像＝Re{g(x，y)exp(-j2πf0x)}
第二待去噪图像＝Im{g(x，y)exp(-j2πf0x)}
其中，Re{}和Im{}分别表示对复数取实部与虚部，g(x，y)表示原始条纹图，(x，y)表示像素坐标，f0为空间载频。
优选的，上述基于图像去噪的单帧条纹图像相位分析方法中，基于深度神经网络模型构建图像去噪器，利用多组图像样本对训练初始图像去噪器，当图像去噪器满足收敛条件收敛时，得到所述预先训练好的图像去噪器；
其中，所述图像样本对包括：第一图像样本对以及第二图像样本对；以第一待去噪图像及其对应的第一去噪图像为所述第一图像样本对；以第二待去噪图像及其对应的第二去噪图像为所述第二图像样本对。
优选的，上述基于图像去噪的单帧条纹图像相位分析方法中，利用下式计算所述第一图像样本对中的第一去噪图像：
Figure GDA0002842123710000041
其中，所述label1是所述第一图像样本对中的第一去噪图像，g(x，y，0)为初始单帧条纹图，g(x，y，π/2)，g(x，y，π)，g(x，y，3π/2)分别为初始单帧条纹图进行π/2、π、3π/2等间隔相移得到的3幅条纹图，f0是空间载频。
优选的，上述基于图像去噪的单帧条纹图像相位分析方法中，利用下式计算所述第二图像样本对中的第二去噪图像：
Figure GDA0002842123710000051
其中，所述label2是所述第二图像样本对中的第二去噪图像，g(x，y，0)，g(x，y，π/2)，g(x，y，π)，g(x，y，3π/2)为初始单帧条纹图以及进行3次π/2等间隔相移得到的3幅条纹图，f0是空间载频。
优选的，上述基于图像去噪的单帧条纹图像相位分析方法中，所述步骤3包括：
求解所述第二去噪图像与所述第一去噪图像的比值，利用反正切算子根据所得比值，计算所述单帧条纹图的截断相位，进行所述单帧条纹图的相位展开。
在本发明进一步的实施例中还提供一种基于图像去噪的单帧条纹图像相位分析系统，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。
与现有技术相比，本发明的有益效果：
1、本发明所提供的基于图像去噪的单帧条纹图像相位分析方法及系统，通过求解单帧条纹图的空间载频，利用所述空间载频将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像；从而将原始单帧条纹图的转换转化为一组待去噪图像，将单帧条纹的相位分析简化为单一图像滤波去噪的问题，只需利用一个图像去噪器进行低通滤波即可滤除噪声、求解单帧条纹图高精度的相位信息，具有计算简单、精度较高的优点。
2、通过一个深度神经网络模型来实现该图像去噪器，由于这个深度图像去噪器的强大去噪能力，可以滤除掉绝大部分的噪声，继而进一步提高基于图像去噪的相位分析方法的精度。
附图说明
图1a为本发明示例性实施例的基于图像去噪的单帧条纹图像相位分析方法流程图。
图1b为本发明示例性实施例的基于图像去噪的单帧条纹图像相位分析算法原理框图。
图2为本发明示例性实施例的基于深度学习模型构建的图像去噪器的结构示意图。
图3a为本发明示例性实施例的利用本方法与现有的傅里叶变换法、窗口傅里叶变换法以及四步相移法在人脸条纹图上的相位分析结果的对比图1。
图3b为本发明示例性实施例的利用本方法与现有的傅里叶变换法以及窗口傅里叶变换法在人脸条纹图上的相位分析结果的对比图2。
图4为本发明示例性实施例的基于图像去噪的单帧条纹图像相位分析系统结构框图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
图1a、图1b示出了本发明示例性实施例的基于图像去噪的单帧条纹图像相位分析方法，包括：
步骤1：对单帧条纹图进行傅里叶变换，求解所述单帧条纹图的空间载频；利用所述空间载频将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像；
即对原始条纹图像进行数学变换，将原始单帧条纹图转换为一组待去噪图像，从而将原始条纹图的相位分析问题简化为图像去噪问题。
其中，原始的单帧条纹图可以表示为：
Figure GDA0002842123710000071
其中，(x，y)表示像素坐标，a(x，y)表示背景图像，b(x，y)表示调制度图像，f0为空间载频，
Figure GDA0002842123710000072
为待计算的相位。
首先，通过对原始条纹图进行傅里叶变换可以获取原始条纹图中基频信号的频幅响应函数。然后根据下式，利用基频信号的频幅响应函数可以获取原始条纹图的空间载频：
Figure GDA0002842123710000073
其中|C(fx，0)|表示原始条纹图中基频信号的频幅响应函数；fx为频率，
在获取到原始条纹的空间载频后，即可利用所求得的空间载频将单帧条纹图转换为一组待去噪图像，将空间载频代入以下公式计算两幅待去噪的图像：
第一待去噪图像＝Re{g(x，y)exp(-j2πf0x)}
第二待去噪图像＝Im{g(x，y)exp(-j2πf0x)}
其中，Re{}和Im{}分别表示对复数取实部与虚部，g(x，y)表示原始条纹图，x是像素坐标(x，y)中的一个坐标值；
进一步，将g(x，y)的表达式进行代入第一待去噪图像、第二待去噪图像进行展开，可以得到两幅待去噪图像的表达式为
Figure GDA0002842123710000081
Figure GDA0002842123710000082
其中，
Figure GDA0002842123710000083
代表第一待去噪图像待去噪图像中的低频有用信息，其他两项代表高频无用信息。
Figure GDA0002842123710000084
代表第二待去噪图像待去噪图像中的低频有用信息，其他两项代表高频无用信息。
步骤2：利用预先训练好的图像去噪器分别对所述第一待去噪图像以及所述第二待去噪图像进行高频去噪滤波处理，得到第一去噪图像以及第二去噪图像。
通过图像去噪器的滤波作用，分别从步骤1得到的第一待去噪图像中获取
Figure GDA0002842123710000091
从第二待去噪图像中获取
Figure GDA0002842123710000092
所以经过图像去噪后得到的两幅去噪图像的表达式分别就是
Figure GDA0002842123710000093
和
Figure GDA0002842123710000094
具体的，本实施例的图像去噪器是利用的一个深度神经网络模型来实现的，它的网络结构展示在图2中。主要使用了卷积层，残差网络结构以及批规范化技术。(整个网络模型由两个残差网络块串联形成，每个残差网络块结构相同，都包含17层网络，第1层由卷积核为3x3的卷积运算与Relu激活函数组成，第2到第16层每一层都是由卷积核为3x3的卷积运算，批规范化运算以及Relu激活函数组成，第17层由卷积核为3x3的卷积运算组成)。损失函数使用的是深度学习领域中最常用的均方损失函数(MSELoss)。基于深度神经网络模型构建初始图像去噪器，利用多组图像样本对训练所述初始图像去噪器，当所述基于深度神经网络模型构建的图像去噪器满足收敛条件收敛时(所述基于深度神经网络模型构建的图像去噪器会在达到设定的迭代次数或者误差小于阈值时收敛)，得到所述预先训练好的图像去噪器；其中，所述图像样本对包括：第一图像样本对以及第二图像样本对；以第一待去噪图像及其对应的第一去噪图像为所述第一图像样本对；以第二待去噪图像及其对应的第二去噪图像为所述第二图像样本对。
由于本实施例中使用了一个深度神经网络模型来实现图像去噪器，所以需要一定数量的训练数据来训练这个图像去噪器，所述图像样本对获取步骤如下：
A：任意一幅单帧条纹图像可以按照具体实施步骤1的方法，生成两幅待去噪图像，并获取空间载频。
B：对A步骤中单帧条纹图像进行3次π/2等间隔相移得到的额外3幅单帧条纹图。
C：利用A步骤中的条纹图像，空间载频以及B步骤中的3幅额外条纹图即可计算A步骤中的两幅待去噪图像对应的去噪图像，并将待去噪图像与对应的去噪图像组合成训练数据，计算公式如下：
Figure GDA0002842123710000101
Figure GDA0002842123710000102
其中，所述label1是所述第一图像样本对中的第一去噪图像，g(x，y，0)为原始单帧条纹图，
Figure GDA0002842123710000103
为原始单帧条纹图经过等间隔π/2相移得到的单帧条纹图；g(x，y，π)为原始单帧条纹图经过等间隔π相移得到的单帧条纹图，g(x，y，3π/2)为为原始单帧条纹图经过等间隔3π/2相移得到的单帧条纹图原始条纹，f0是空间载频。所述label2是所述第二图像样本对中的第二去噪图像。
步骤3：根据步骤2通过图像去噪器得到的第一去噪图像与第二去噪图像计算单帧条纹图的截断相位，根据求解得到的截断相位进行所述单帧条纹图的相位展开。利用反正切算子与质量引导相位展开方法，对步骤2获取的两幅去噪图像进行反正切计算，并进行相位展开，最后获取条纹图的连续相位，具体为：由于步骤2获取的两幅去噪图像分别代表了
Figure GDA0002842123710000111
和
Figure GDA0002842123710000112
所以可以直接利用反正切算子计算截断相位，如下公式所示：
Figure GDA0002842123710000113
其中，
Figure GDA0002842123710000114
代表计算得到的截断相位。
在本发明进一步的实施例中，分别对傅里叶变换法、窗口傅里叶变换法、以及本发明的基于图像去噪的单帧条纹图相位分析方法，四步相移法四种方法获得的相位分析结果进行了可视化三维显示，图3a示出了本发明示例性实施例的单帧人脸条纹图的相位分析的实验结果，从图3a可视化三维显示结果可以直观地发现本发明的方法获取的结果优于傅里叶变换法，窗口傅里叶变换法。进一步的，将四步相移法的结果作为比较基准，对比剩余三种方法，获取平均绝对误差结果图，误差结果如图3b所示，图3b定量地显示本发明的优势：本发明方法的平均绝对误差为0.0609rad，而傅里叶变换法的平均绝对误差为0.1191rad，窗口傅里叶变换法的平均绝对误差为0.1046rad。
上述实施例中，通过求解单帧条纹图的空间载频，利用所述空间载频将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像；从而将原始单帧条纹图的转换转化为一组待去噪图像，将单帧条纹的相位分析简化为一个图像去噪的处理过程，只需利用预先训练好的图像去噪器(低通滤波器)进行高频滤波即可获取纯粹的有效信息，相较于现有的傅里叶变换法具有计算简单、精度较高的优点。
图4示出了根据本发明示例性实施例的基于图像去噪的单帧条纹图像相位分析系统，即电子设备310(例如具备程序执行功能的计算机服务器)，其包括至少一个处理器311，电源314，以及与所述至少一个处理器311通信连接的存储器312和输入输出接口313；所述存储器312存储有可被所述至少一个处理器311执行的指令，所述指令被所述至少一个处理器311执行，以使所述至少一个处理器311能够执行前述任一实施例所公开的方法；所述输入输出接口313可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源314用于为电子设备310提供电能。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图像去噪的单帧条纹图像相位分析方法，其特征在于，包括：
步骤1：对单帧条纹图进行傅里叶变换，求解所述单帧条纹图的空间载频；利用所述空间载频将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像；
步骤2：利用预先训练好的图像去噪器分别对所述第一待去噪图像以及所述第二待去噪图像进行高频去噪滤波处理，得到第一去噪图像以及第二去噪图像；
步骤3：根据所述第一去噪图像与所述第二去噪图像，计算所述单帧条纹图的截断相位，根据所述截断相位进行所述单帧条纹图的相位展开；
其中，基于深度神经网络模型构建图像去噪器，利用多组图像样本对训练初始图像去噪器，当图像去噪器满足收敛条件收敛时，得到所述预先训练好的图像去噪器；
其中，所述图像样本对包括：第一图像样本对以及第二图像样本对；以第一待去噪图像及其对应的第一去噪图像为所述第一图像样本对；以第二待去噪图像及其对应的第二去噪图像为所述第二图像样本对；
利用下式计算所述第一图像样本对中的第一去噪图像：
Figure FDA0003139322060000011
其中，所述label1是所述第一图像样本对中的第一去噪图像，g(x，y，0)为初始单帧条纹图，g(x，y，π/2)，g(x，y，π)，g(x，y，3π/2)分别为初始单帧条纹图进行π/2、π、3π/2等间隔相移得到的3幅条纹图，f0是空间载频，其中x是像素坐标(x，y)中的一个坐标值。
2.如权利要求1所述的基于图像去噪的单帧条纹图像相位分析方法，其特征在于，所述步骤1包括：
获取单帧条纹图，对所述单帧条纹图进行傅里叶变换，求解所述单帧条纹图中基频信号的频幅响应函数；
根据所述单帧条纹图中基频信号的频幅响应函数，求解所述单帧条纹图的空间载频；
根据所述空间载频，将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像。
3.如权利要求2所述的基于图像去噪的单帧条纹图像相位分析方法，其特征在于，通过以下公式求解所述单帧条纹图的空间载频：
Figure FDA0003139322060000021
其中，f0为所述单帧条纹图的空间载频，fx为频率，|C(fx，0)|表示所述单帧条纹图中基频信号的频幅响应函数。
4.如权利要求2或3所述的基于图像去噪的单帧条纹图像相位分析方法，其特征在于，通过以下公式将所述单帧条纹图转换为第一待去噪图像以及第二待去噪图像：
第一待去噪图像＝Re{g(x，y)exp(-j2πf0x)}
第二待去噪图像＝Im{g(x，y)exp(-j2πf0x)}
其中，Re{}和Im{}分别表示对复数取实部与虚部，g(x，y)表示原始条纹图，(x，y)表示像素坐标，f0为空间载频，其中x是像素坐标(x，y)中的一个坐标值。
5.如权利要求1所述的基于图像去噪的单帧条纹图像相位分析方法，其特征在于，利用下式计算所述第二图像样本对中的第二去噪图像：
Figure FDA0003139322060000022
其中，所述label2是所述第二图像样本对中的第二去噪图像，g(x，y，0)，g(x，y，π/2)，g(x，y，π)，g(x，y，3π/2)为初始单帧条纹图以及进行3次π/2等间隔相移得到的3幅条纹图，f0是空间载频。
6.如权利要求1所述的基于图像去噪的单帧条纹图像相位分析方法，其特征在于，所述步骤3包括：
求解所述第二去噪图像与所述第一去噪图像的比值，利用反正切算子根据所得比值，计算所述单帧条纹图的截断相位，进行所述单帧条纹图的相位展开。
7.一种基于图像去噪的单帧条纹图像相位分析系统，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述的基于图像去噪的单帧条纹图像相位分析方法。
CN202011264602.XA 2020-11-12 2020-11-12 一种基于图像去噪的单帧条纹图像相位分析方法及系统 Active CN112381731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011264602.XA CN112381731B (zh) 2020-11-12 2020-11-12 一种基于图像去噪的单帧条纹图像相位分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011264602.XA CN112381731B (zh) 2020-11-12 2020-11-12 一种基于图像去噪的单帧条纹图像相位分析方法及系统

Publications (2)

Publication Number Publication Date
CN112381731A CN112381731A (zh) 2021-02-19
CN112381731B true CN112381731B (zh) 2021-08-10

Family

ID=74583642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011264602.XA Active CN112381731B (zh) 2020-11-12 2020-11-12 一种基于图像去噪的单帧条纹图像相位分析方法及系统

Country Status (1)

Country Link
CN (1) CN112381731B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379818B (zh) * 2021-05-24 2022-06-07 四川大学 一种基于多尺度注意力机制网络的相位解析方法
CN113327205B (zh) * 2021-06-01 2023-04-18 电子科技大学 基于卷积神经网络的相位去噪方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9746093B2 (en) * 2011-12-21 2017-08-29 Deka Products Limited Partnership Flow meter and related system and apparatus
AU2014202322A1 (en) * 2014-04-29 2015-11-12 Canon Kabushiki Kaisha Wavelet denoising of fringe image
CN106482633B (zh) * 2015-08-24 2019-01-18 南京理工大学 一种基于π/4相移的多光束干涉相位提取方法
CN105651173A (zh) * 2016-02-29 2016-06-08 题晶 3d测量方法及系统
US10229487B2 (en) * 2017-02-27 2019-03-12 Amazon Technologies, Inc. Optical vibrometric testing of container for items
CN106767489B (zh) * 2017-03-17 2019-01-11 合肥工业大学 数字散斑干涉面内微小动态形变测量系统及测量方法
JP6902684B2 (ja) * 2017-03-21 2021-07-14 高知県公立大学法人 画像処理装置および検査システム
CN107014313B (zh) * 2017-05-16 2020-02-07 深圳大学 基于s变换脊值的加权最小二乘相位展开的方法及系统
CN110246105B (zh) * 2019-06-15 2023-03-28 南京大学 一种基于实际相机噪声建模的视频去噪方法
CN111079893B (zh) * 2019-11-05 2023-05-09 深圳大学 用于干涉条纹图滤波的生成器网络的获取方法和装置
CN111127338B (zh) * 2019-12-04 2022-09-06 南京理工大学 基于图像清晰评价优化的计算像差自动校正方法
CN111351450B (zh) * 2020-03-20 2021-09-28 南京理工大学 基于深度学习的单帧条纹图像三维测量方法

Also Published As

Publication number Publication date
CN112381731A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
Trusiak et al. Advanced processing of optical fringe patterns by automated selective reconstruction and enhanced fast empirical mode decomposition
Yu et al. Monte Carlo data-driven tight frame for seismic data recovery
Raja et al. Recent advances in separation of roughness, waviness and form
Mallat et al. Singularity detection and processing with wavelets
CN112381731B (zh) 一种基于图像去噪的单帧条纹图像相位分析方法及系统
Guo et al. De-noising of digital image correlation based on stationary wavelet transform
Zhao et al. Accuracy improvement in OFDR-based distributed sensing system by image processing
Shukla et al. Generalized fractional filter-based algorithm for image denoising
CN113160084B (zh) 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置
Grama et al. Computation of full-field strains using principal component analysis
CN107085840A (zh) 基于分数阶偏微分方程的图像去噪方法
Gurrola-Ramos et al. U-Net based neural network for fringe pattern denoising
CN111079893B (zh) 用于干涉条纹图滤波的生成器网络的获取方法和装置
CN115797335A (zh) 用于桥梁振动测量的欧拉运动放大效果评估及优化方法
Zhang et al. An image denoising method based on BM4D and GAN in 3D shearlet domain
Béarzi et al. Wavejets: A local frequency framework for shape details amplification
CN111521112B (zh) 一种傅里叶及窗口傅里叶变换的联合相位重构算法
CN112700372B (zh) 结合Gabor特征提取与支持向量回归的地震数据插值方法
Schmalfuss et al. Blind image inpainting with sparse directional filter dictionaries for lightweight CNNs
An et al. Image processing algorithm based on bi-dimensional local mean decomposition
CN115526200A (zh) 基于注意力机制的低相干干涉信号去噪方法及系统
CN110441822B (zh) 一种地震数据去噪方法、装置、电子设备及存储介质
Denić et al. Adaptive neuro fuzzy estimation of the most influential speckle noise distributions in color images for denoising performance prediction
Zhang et al. Phase Extraction of Electronic Speckle Interference Fringe Image based on Convolutional Neural Network
CN117252788B (zh) 一种图像修复方法、装置及存储介质

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