CN113129215A - 一种污染气体ftir被动遥测扫描成像高分辨重建方法 - Google Patents
一种污染气体ftir被动遥测扫描成像高分辨重建方法 Download PDFInfo
- Publication number
- CN113129215A CN113129215A CN202110475314.7A CN202110475314A CN113129215A CN 113129215 A CN113129215 A CN 113129215A CN 202110475314 A CN202110475314 A CN 202110475314A CN 113129215 A CN113129215 A CN 113129215A
- Authority
- CN
- China
- Prior art keywords
- image
- column
- result
- concentration
- resolution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003384 imaging method Methods 0.000 title claims abstract description 31
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 title claims abstract description 29
- 239000007789 gas Substances 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000009792 diffusion process Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 231100000331 toxic Toxicity 0.000 claims abstract description 6
- 230000002588 toxic effect Effects 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims 2
- 230000003595 spectral effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002329 infrared spectrum Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002341 toxic gas Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100517192 Arabidopsis thaliana NRPD1 gene Proteins 0.000 description 1
- 101150094905 SMD2 gene Proteins 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种污染气体FTIR被动遥测扫描成像高分辨重建方法，包括：一种污染气体FTIR被动遥测扫描成像高分辨重建方法，其特征在于包括如下步骤：步骤A：对污染气体云团柱浓度低分辨率图像进行上采样处理；步骤B：采用全变分盲反卷积交替最小化算法对步骤A的采样处理结果进行盲反卷积处理；步骤C：将步骤B的结果，通过不同有毒有害气体对应的监测上下限参数进行分段线性增强；步骤D：将步骤C的结果通过HSI颜色空间映射并叠加到背景可见光图像的对应区域，为分析污染气体扩散态势和泄漏源定位提供了高分辨率的可视化图像。
Description
技术领域
本发明涉及大气环境监测领域，尤其涉及一种污染气体FTIR被动遥测扫描成像高分辨重建方法。
背景技术
随着社会的快速发展，突发性气体泄漏事故频繁发生，对生态环境和人类安全具有重大危害，为预防此类事故的发生，常态化监测及预警是有效手段之一。而傅里叶变换红外(FTIR)光谱技术具有非接触式、高响应速度、高分辨率等特征，FTIR被动遥测技术与扫描系统相结合并对可能发生泄漏的区域进行阵列扫描，测量的红外光谱经光谱数据处理算法定量得到气体柱浓度值，再对阵列组合形成气体柱浓度低分辨率图像，而直接测得并计算得到的柱浓度图像锯齿特性明显，图像分辨率低，对气体扩散趋势和泄漏源的分析造成困难。该问题的存在，使得适用于气体柱浓度图像高分辨率重建算法应运而生。
2001年，来自汉堡-哈尔堡工业大学的Roland Harig等人研发了一套有毒气体FTIR被动遥测与成像系统，可以对有毒气体进行在线定性分析、定量成像和气体泄漏定位，开创了FTIR被动遥测扫描成像的先河。2005年，Roland Harig等人对该系统进行改进并成功研制了第二代，与第一代相比，其测量光谱范围扩大，光谱分辨率提高，每秒扫描谱线数量增加，视场范围增大等，但仍是以低分辨率气体柱浓度图像显示的可视化技术。2010年，Roland Harig等人使用256×256像元的红外焦平面阵列探测器替换了原始的二维扫描系统和红外点探测器，然而为兼顾探测灵敏度和扫描速度，光谱分辨率低，光谱范围窄，且焦平面阵列探测器价格昂贵，实际应用中成本极高等问题的存在，限制了其在化工园区常态化监测及其预警方向的应用与发展。
基于点扫描的FTIR被动遥测成像技术是当前的主流技术之一，由于其光学系统收集辐射的能力及红外单元探测器的优良特性，使得探测光谱具有良好的信噪比，探测速度和可靠性方面均比面阵探测器更有优势。该类系统的光谱分辨率高，但空间分辨率低，对分析气体扩散态势和泄漏位置极其不便。现有应用在该领域的高分辨率重建方法是基于插值的上采样且该类方法具有低通滤波特性，重构后易失去高频细节且边缘模糊。
发明内容
为解决上述技术问题，本发明提供了一种污染气体FTIR被动遥测扫描成像高分辨重建方法，是一种针对污染气体云团高分辨成像的重建方法，以缓解现有技术中FTIR被动遥测扫描成像柱浓度图像的低分辨率问题，重建过程中高频细节复原和图像增强等技术问题。
本发明提供了一种污染气体FTIR被动遥测扫描成像高分辨重建方法，包括如下步骤：
步骤A：对污染气体云团柱浓度低分辨率图像进行上采样处理；
步骤B：采用全变分盲反卷积交替最小化算法对步骤A的采样处理结果进行盲反卷积处理；
步骤C：将步骤B的结果，通过不同有毒有害气体对应的监测上下限参数进行分段线性增强；
步骤D：将步骤C的结果通过HSI颜色空间映射并叠加到背景可见光图像的对应区域。
进一步的，所述步骤A对污染气体云团柱浓度低分辨率图像进行上采样处理，具体包括：
步骤A1：测量光谱经定量分析得到的柱浓度图像按扫描阵列的顺序排列为矩阵形式；
步骤A2：采用以bicubic为核函数的双立方卷积插值算法对污染气体云团柱浓度低分辨率图像进行上采样，采样倍数由背景可见光图像与红外视场大小的对应关系确定。
进一步的，所述步骤A1柱浓度图像由以下方式得到：
仪器采集过程为自左向右，按行优先以‘S’形扫描得到的低分辨率柱浓度图像。
进一步的，所述步骤A2的上采样方法是以bicubic为核函数的双立方卷积插值，核函数参数值a取-1。
进一步的，所述步骤B，采用全变分盲反卷积交替最小化算法对步骤A的采样处理结果进行盲反卷积处理，FTIR被动遥测扫描成像系统中，污染气体云团柱浓度图像高分辨重建为单张图像的盲复原问题，具体包括：
步骤B1：TV正则化系数λ对图像边缘细节复原起着决定性作用，以迭代方法设定一系列的预定值；
步骤B2：采用采用全变分盲反卷积交替最小化算法估计
以逼近真实图像X；
步骤B3：对步骤B2的结果进行清晰度评价函数灰度差分乘积，选取清晰度最高的估计作为最后结果。
进一步的，所述步骤C具体包括：
将步骤B3结果估计
进行HSI颜色空间映射：
其中C为柱浓度图像像素值，C1为柱浓度检测下限，C2为预警下限，Cmax为实测超过C2的最大值，H1与H2为FTIR被动扫描成像系统设定的颜色分界，以便更好地区分柱浓度的预警等级信息。
进一步的，所述步骤D包括：以步骤C中的结果向背景可见光图层上绘制伪彩色，得到融合污染气体云团柱浓度的伪彩色结果。
进一步的，前述污染气体云团柱浓度图像高分辨率重建方法，适用于FTIR被动遥测扫描成像领域中的污染气体云团可视化。
步骤A：对污染气体云团柱浓度低分辨率图像进行上采样处理；
步骤B：基于全变分盲反卷积交替最小化算法对步骤A的结果进行盲反卷积处理；
步骤C：将步骤B的结果，通过不同有毒有害气体对应的监测上下限参数进行分段线性增强；
步骤D：将步骤C的结果通过HSI颜色空间映射并叠加到背景可见光图像的对应区域。
有益效果：
本发明的一种污染气体FTIR被动遥测扫描成像高分辨重建方法具有以下优点：
(1)本发明扫描系统的角精度最高为0.01°，成像系统按设置的角度间隔对监控区域按行S型扫描，可以对监控区域进行覆盖式常态化监测。其中按行S型扫描能保证系统的水平稳定性，可以获得较高质量的红外光谱。
(2)为分析气体扩散态势和泄漏定位提供了高质量高分辨率的可视化图像。其中图像的上采样方法通过仿真验证选用双立方卷积插值算法能保留较多的图像细节；而单张图像高分辨率重建是不适定逆问题(病态性问题)且选用盲反卷积中的TVDB算法对其复原具有普适性；分段线性增强可以增强气体边缘，而将带有柱浓度信息的伪彩色叠加到可见光图像上，均有便于分析泄露源。从上采样、TVDB盲反卷积、分段线性增强到伪彩色叠加的整个方案具有创新性。
附图说明
图1(a)是污染气体FTIR被动遥测扫描成像系统实物图；
图1(b)是污染气体FTIR被动遥测扫描成像系统扫描示意图；
图1(c)是污染气体FTIR被动遥测扫描成像系统软件示意图；
图2是污染气体柱浓度图像分段增强函数曲线图；
图3(a)系统测量得到低分辨率柱浓度图像；
图3(b)是图3(a)中结果经双立方卷积插值后的柱浓度图像；
图3(c)是图3(b)中结果经改进的TVDB交替最小化估计的高分辨率柱浓度图像；
图4是污染气体云团高分辨率图像重建算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
根据本发明的实施例，提供了一种应用于FTIR被动遥测扫描成像系统上的污染气体云团柱浓度图像高分辨率重建的方法，利用双立方卷积插值算法和基于TVDB交替最小化算法来实现低分辨率气体柱浓度图像的高分辨率重建，以缓解低分辨率状况下气体扩散趋势分析不便的问题。参见图4所示，为本发明污染气体云团柱浓度图像高分辨率重建方法，具体包括如下步骤：
步骤A：对污染气体云团柱浓度图像进行上采样处理。根据本发明的一个实施例，所述上采样方法选用双立方卷积插值算法。
步骤B：基于全变分盲反卷积(TVDB)交替最小化算法对步骤A的结果进行处理。可选的，所述的全变分盲反卷积(TVDB)交替最小化算法按照文献(Perrone Daniele,FavaroPaolo.Total Variation Blind Deconvolution:The Devil is in theDetails.CVPR.2014)中的全变分盲反卷积(TVDB)交替最小化算法进行。
步骤C：将步骤B处理得到的结果，通过不同有毒有害气体对应的监测上下限参数进行分段线性增强。
步骤D：将步骤C的结果通过HSI颜色空间映射后并叠加到背景可见光图像的对应区域。
根据本发明的一个实施例，参见图3(a)，所述步骤A：对污染气体云团柱浓度低分辨率图像进行上采样处理，上采样方法为双立方卷积插值算法。
在本发明实施例中，所述步骤A，具体包括如下步骤：
步骤A1：图1(a)为FTIR被动遥测扫描成像系统实物图，通过图1(c)所示软件框选指定区域，系统自左向右按行进行‘S’形扫描得到测量光谱并定量计算得到对应像素的气体柱浓度值序列，像素柱浓度值序列按扫描阵列的顺序排列为矩阵形式，以获取污染气体低分辨率柱浓度图像，如图3(a)所示。其中按行‘S’形扫描能保证系统的水平稳定性，可提升对红外光谱的采集质量，并且为后续的光谱数据处理算法提高了性能。
本发明实施例中，扫描成像系统的角精度最高为0.01°，成像系统按设置的角度间隔对监控区域按行S型扫描，可以对监控区域进行覆盖式常态化监测。其中按行S型扫描能保证系统的水平稳定性，可以获得较高质量的红外光谱。
步骤A2：选用以bicubic为核函数的双立方卷积插值算法为上采样方法，对污染气体柱浓度低分辨率图像进行放大，放大倍数为4，核函数参数值a取-1。该采样方法虽然具有低通滤波特性，但比近邻插值和双线性插值保留的细节特征更多；采样倍数由背景可见光图像的视场与红外视场的对应关系决定，一般应用于遥测领域取4倍放大，污染气体柱浓度低分辨率图像经双立方卷积插值得到的结果如图3(b)所示。
步骤B：基于全变分盲反卷积(TVDB)交替最小化算法对步骤A的结果进行处理。
在本说明实施例中，所述步骤B具体包括：
步骤B1：全变分盲反卷积(TVDB)交替最小化算法因采用金字塔模型而具有较快的运算速度，该算法利用TV正则化项，可在图像盲复原过程中有效去除噪声和模糊，并保护边缘、纹理等图像的高频细节信息。TV正则化系数λ对图像边缘细节复原起着决定性作用，故通过迭代方法设定一组递增且间隔相等的TV正则化值，常取(0～1)。
步骤B2：B步骤中的污染气体柱浓度图像复原问题是一个病态性问题，没有标准的高分辨率图像，且无法确定其先验分布，故该问题转变为从模糊图像中预测出模糊核和清晰图像的问题且是一个不适定逆问题，估计结果不唯一。采用Perrone等人在2014年CVPR会议上提出的改进的TVDB(Total Variation Blind Deconvolution)交替最小化模型进行估计得到预测图像
以逼近真实图像X。结合步骤B1的TV正则化系数迭代，估计出一系列的柱浓度图像
步骤B3：对步骤B2的结果进行清晰度评价，评价函数为灰度差分乘积(SMD2，式(1))，选取清晰度最高的估计图像作为最后结果。
其中X为复原后的柱浓度高分辨率图像，M和N为图像像素大小，|·|为绝对值函数。
步骤C：将步骤B的柱浓度图像估计结果，通过对应的有毒有害气体监测柱浓度上下限参数进行分段线性增强，增强边缘以便更好地区分污染气体云团边界和泄漏源定位。
在本发明实施例中，所述步骤C具体包括：
步骤C1：将步骤B3估计结果
结合式(2)和图2进行颜色空间映射，将污染气体柱浓度图像的像素值按下式映射到HSI颜色空间的0-255级。
其中C为柱浓度图像像素值，C1为柱浓度检测下限，C2为预警下限，Cmax为实测超过C2的最大值，H1与H2为FTIR被动扫描成像系统设定的颜色分界，以便更好地区分柱浓度的预警等级信息。
步骤D：将步骤C的结果通过HSI颜色空间叠加到可见光对应区域。
在本说明实施例中，所述步骤D，包括：
步骤D1：以步骤C1中的结果向背景可见光图像上绘制HSI伪彩色，得到融合污染气体柱浓度高分辨率图像的伪彩色结果(如图3(c))，为气体扩散趋势和泄漏定位提供有效的预警信息。
可见，本发明的方法为分析气体扩散态势和泄漏定位提供了高质量高分辨率的可视化图像。其中图像的上采样方法通过仿真验证选用双立方卷积插值算法能保留较多的图像细节；而单张图像高分辨率重建是不适定逆问题(病态性问题)且选用盲反卷积中的TVDB算法对其复原具有普适性；分段线性增强可以增强气体边缘，而将带有柱浓度信息的伪彩色叠加到可见光图像上，均有便于分析泄露源。本发明从上采样、TVDB盲反卷积、分段线性增强到伪彩色叠加的整个方案作为一个整体具有创新性。
以上所述的实施例仅是对本发明的优选实施方式进行描述，优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种污染气体FTIR被动遥测扫描成像高分辨重建方法，其特征在于：包括如下步骤：
步骤A：对污染气体云团柱浓度低分辨率图像进行上采样处理；
步骤B：采用全变分盲反卷积交替最小化算法对步骤A的采样处理结果进行盲反卷积处理；
步骤C：将步骤B的结果，通过不同有毒有害气体对应的监测上下限参数进行分段线性增强；
步骤D：将步骤C的结果通过HSI颜色空间映射并叠加到背景可见光图像的对应区域，为分析污染气体扩散态势和泄漏源定位提供高分辨率的可视化图像。
2.根据权利要求1所述的一种污染气体FTIR被动遥测扫描成像高分辨重建方法，其特征在于：所述步骤A对污染气体云团柱浓度低分辨率图像进行上采样处理，具体包括：
步骤A1：测量光谱经定量分析得到的柱浓度图像按扫描阵列的顺序排列为矩阵形式；
步骤A2：采用以bicubic为核函数的双立方卷积插值算法对污染气体云团柱浓度低分辨率图像进行上采样，采样倍数由背景可见光图像与红外视场大小的对应关系确定。
3.根据权利要求2所述的一种污染气体FTIR被动遥测扫描成像高分辨重建方法，其特征在于：所述步骤A1柱浓度图像由以下方式得到：
仪器采集过程为自左向右，按行优先以‘S’形扫描得到的低分辨率柱浓度图像。
4.根据权利要求1所述的一种污染气体FTIR被动遥测扫描成像高分辨重建方法，其特征在于：所述步骤A2的上采样方法是以bicubic为核函数的双立方卷积插值，核函数参数值a取-1。
5.根据权利要求1所述的一种污染气体FTIR被动遥测扫描成像高分辨重建方法，其特征在于：所述步骤B，采用全变分盲反卷积交替最小化算法对步骤A的采样处理结果进行盲反卷积处理，FTIR被动遥测扫描成像系统中，污染气体云团柱浓度图像高分辨重建为单张图像的盲复原问题，具体包括：
步骤B1：TV正则化系数λ对图像边缘细节复原起着决定性作用，以迭代方法设定一系列的预定值；
步骤B2：采用采用全变分盲反卷积交替最小化算法估计
以逼近真实图像X；
步骤B3：对步骤B2的结果进行清晰度评价函数灰度差分乘积，选取清晰度最高的估计作为最后结果。
6.根据权利要求1所述的一种污染气体FTIR被动遥测扫描成像高分辨重建方法，其特征在于：所述步骤C具体包括：
将步骤B3结果估计
进行HSI颜色空间映射：
其中C为柱浓度图像像素值，C1为柱浓度检测下限，C2为预警下限，Cmax为实测超过C2的最大值，H1与H2为FTIR被动扫描成像系统设定的颜色分界，以便更好地区分柱浓度的预警等级信息。
7.根据权利要求1所述的一种污染气体FTIR被动遥测扫描成像高分辨重建方法，其特征在于：所述步骤D包括：以步骤C中的结果向背景可见光图层上绘制伪彩色，得到融合污染气体云团柱浓度的伪彩色结果。
8.根据权利要求1至7任一项所述的一种污染气体FTIR被动遥测扫描成像高分辨重建方法，其特征在于：适用于FTIR被动遥测扫描成像领域中的污染气体云团可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110475314.7A CN113129215B (zh) | 2021-04-29 | 2021-04-29 | 一种污染气体ftir被动遥测扫描成像高分辨重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110475314.7A CN113129215B (zh) | 2021-04-29 | 2021-04-29 | 一种污染气体ftir被动遥测扫描成像高分辨重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113129215A true CN113129215A (zh) | 2021-07-16 |
| CN113129215B CN113129215B (zh) | 2022-11-22 |
Family
ID=76780988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110475314.7A Active CN113129215B (zh) | 2021-04-29 | 2021-04-29 | 一种污染气体ftir被动遥测扫描成像高分辨重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113129215B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115628852A (zh) * | 2022-12-19 | 2023-01-20 | 山西讯潮科技有限公司 | 基于tdlas及云台的多端集控联动精准检漏方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222320A (zh) * | 2011-05-24 | 2011-10-19 | 西安电子科技大学 | 基于全变分迭代反向投影的单帧图像空间分辨率增强方法 |
| US20120194646A1 (en) * | 2011-02-02 | 2012-08-02 | National Tsing Hua University | Method of Enhancing 3D Image Information Density |
| CN103136727A (zh) * | 2012-12-14 | 2013-06-05 | 西安电子科技大学 | 基于梯度一致性与各向异性正则化的超分辨图像重建方法 |
| CN108510438A (zh) * | 2017-02-24 | 2018-09-07 | 北京优朋普乐科技有限公司 | 一种图像、视频放大方法和系统 |
| CN109342350A (zh) * | 2018-12-07 | 2019-02-15 | 中国科学院合肥物质科学研究院 | 一种污染物分布红外光谱扫描成像遥测系统 |
| CN110111258A (zh) * | 2019-05-14 | 2019-08-09 | 武汉高德红外股份有限公司 | 基于多核处理器的红外超分辨率重建图像方法及系统 |
| CN112231983A (zh) * | 2020-10-23 | 2021-01-15 | 河南大学 | 面向遥感时空大数据的污染前体物排放源的类脑跨模态识别及并行处理方法 |
-
2021
- 2021-04-29 CN CN202110475314.7A patent/CN113129215B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120194646A1 (en) * | 2011-02-02 | 2012-08-02 | National Tsing Hua University | Method of Enhancing 3D Image Information Density |
| CN102222320A (zh) * | 2011-05-24 | 2011-10-19 | 西安电子科技大学 | 基于全变分迭代反向投影的单帧图像空间分辨率增强方法 |
| CN103136727A (zh) * | 2012-12-14 | 2013-06-05 | 西安电子科技大学 | 基于梯度一致性与各向异性正则化的超分辨图像重建方法 |
| CN108510438A (zh) * | 2017-02-24 | 2018-09-07 | 北京优朋普乐科技有限公司 | 一种图像、视频放大方法和系统 |
| CN109342350A (zh) * | 2018-12-07 | 2019-02-15 | 中国科学院合肥物质科学研究院 | 一种污染物分布红外光谱扫描成像遥测系统 |
| CN110111258A (zh) * | 2019-05-14 | 2019-08-09 | 武汉高德红外股份有限公司 | 基于多核处理器的红外超分辨率重建图像方法及系统 |
| CN112231983A (zh) * | 2020-10-23 | 2021-01-15 | 河南大学 | 面向遥感时空大数据的污染前体物排放源的类脑跨模态识别及并行处理方法 |
Non-Patent Citations (4)
| Title |
|---|
| H.YASUNO等: "Image interpolation by estimation and deconvolution of Haar wavelet approximate subband", 《IEEE XPLORE》 * |
| 丰茂森: "《遥感图像数字处理》", 30 April 1992 * |
| 元伟等: "基于盲反卷积的超分辨率图像盲复原算法", 《天津大学学报》 * |
| 薛长虹等: "《MATLAB数学实验》", 28 February 2014 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115628852A (zh) * | 2022-12-19 | 2023-01-20 | 山西讯潮科技有限公司 | 基于tdlas及云台的多端集控联动精准检漏方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113129215B (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10769765B2 (en) | Imaging systems and methods of using the same | |
| Noh et al. | Remote quantification of Cochlodinium polykrikoides blooms occurring in the East Sea using geostationary ocean color imager (GOCI) | |
| La Barbera et al. | 2DPHOT: a multi-purpose environment for the two-dimensional analysis of wide-field images | |
| Mandanici et al. | A multi-image super-resolution algorithm applied to thermal imagery | |
| Gladkova et al. | Quantitative restoration for MODIS band 6 on Aqua | |
| EP2573732B1 (en) | Reflection removal system | |
| Simpson | On the accurate detection and enhancement of oceanic features observed in satellite data | |
| Lasaponara et al. | Image enhancement, feature extraction and geospatial analysis in an archaeological perspective | |
| Simpson et al. | Improved destriping of GOES images using finite impulse response filters | |
| CN113129215B (zh) | 一种污染气体ftir被动遥测扫描成像高分辨重建方法 | |
| CN113744249A (zh) | 一种海洋生态环境损害调查方法 | |
| Zhang et al. | Guided hyperspectral image denoising with realistic data | |
| CN114398594A (zh) | 卫星工业生产活力指数的计算方法和装置 | |
| Cui et al. | Super-resolution optical mapping of floating macroalgae from geostationary orbit | |
| Yang et al. | Hierarchical spatio-spectral fusion for hyperspectral image super resolution via sparse representation and pre-trained deep model | |
| Gueguen et al. | Urbanization detection by a region based mixed information change analysis between built-up indicators | |
| Miravet et al. | A two-step neural-network based algorithm for fast image super-resolution | |
| Marchesoni-Acland et al. | Deep learning methods for intra-day cloudiness prediction using geostationary satellite images in a solar forecasting framework | |
| CN115979972B (zh) | 海面原油油膜高光谱实时监测方法和系统 | |
| US9671521B2 (en) | Method and system for buried land mine detection through derivative analysis of laser interferometry | |
| CN114638761A (zh) | 一种高光谱图像全色锐化方法、设备及介质 | |
| Lobato et al. | Deep convolutional neural networks to restore single-shot electron microscopy images | |
| CN116310543B (zh) | Gf-1 wfv卫星赤潮深度学习探测模型、构建方法及设备 | |
| López-Caloca et al. | Mapping small and medium-sized water reservoirs using Sentinel-1A: a case study in Chiapas, Mexico | |
| Kamlah et al. | Wavelength dependence of image quality metrics and seeing parameters and their relation to adaptive optics performance |
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 |