CN113516689A - 一种基于关联帧约束的纹影特征可视化增强方法 - Google Patents
一种基于关联帧约束的纹影特征可视化增强方法 Download PDFInfo
- Publication number
- CN113516689A CN113516689A CN202111058729.0A CN202111058729A CN113516689A CN 113516689 A CN113516689 A CN 113516689A CN 202111058729 A CN202111058729 A CN 202111058729A CN 113516689 A CN113516689 A CN 113516689A
- Authority
- CN
- China
- Prior art keywords
- schlieren
- motion vector
- image
- sequence image
- associated frame
- 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 75
- 238000012800 visualization Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 55
- 230000003287 optical effect Effects 0.000 claims abstract description 26
- 230000002708 enhancing effect Effects 0.000 claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000012805 post-processing Methods 0.000 claims description 4
- 206010040925 Skin striae Diseases 0.000 abstract description 21
- 238000005070 sampling Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000006835 compression Effects 0.000 abstract description 2
- 238000007906 compression Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000000827 velocimetry Methods 0.000 description 3
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于关联帧约束的纹影特征可视化增强方法,属于高速目标纹影探测领域。所述方法通过基于压缩采样的背景纹影成像系统采集高动态纹影序列图像,然后利用高斯滤波对采集到的纹影序列图像进行去噪预处理,利用KLT‑RANSAC算法纹影序列图像进行图像配准,获取稳定的序列图像;最后针对高动态纹影序列图像的时域关联性,采用光流方法检测并输出两帧图像之间每个像素点的运动矢量。所述方法面向纹影序列图像快速时变以及富含尖锐弱纹影信息所引发的纹影参量漏采集、难分辨等问题,考虑了运动图像在时间维度上的关联性,解决传统光流法在噪声影响下多帧间纹影区域提取精度低问题,提高高动态运动序列图像纹影的矢量精度。
Description
技术领域
本发明具体涉及一种基于关联帧约束的纹影特征可视化增强方法,属于高速目标纹影探测领域。
背景技术
背景纹影技术,即Background Oriented Schlieren,简称BOS,是纹影技术与数字图像处理技术相结合的非接触式光学流场测量方法,其原理是:目标高速运动使空气被压缩,由于空气密度变化将会导致折射率发生变化,因此光线会产生偏折,通过对光线偏折分析可定量地计算出超音速飞行器飞行过程中流场的梯度和密度分布情况。BOS技术突破了传统方法只能在风洞进行实验的限制,可在户外大场景计算得到飞行器流场的密度、压力、速度、动量、压力梯度、涡度等物理参量,是分析流场状态、结构和特征并进而预测音爆的重要手段。
纹影特征定量分析是BOS的核心技术难点。其中,气流扰动将产生亚像素级的失真像点,定量分析无法直接实现。因此,通常在测量气体中加入示踪粒子,借助示踪粒子的运动矢量分析气流场中隐含的物理信息。粒子测速法即通过计算示踪粒子的运动矢量获得流体本身的运动特性。根据原理主要分为基于互相关的粒子测速法和基于光流的粒子测速法。目前大多商用粒子测速法软件采用基于互相关的方法,该类方法通过计算连续两幅图像中相应位置的查询窗口的互相关函数,得到窗口内粒子图像的平均位移的大小,进而获得粒子的平均速度。互相关方法得到的运动矢量只是概率上的最大可能位移,计算得出的纹影图像分辨率较低。因此,基于光流的粒子测量法近些年来得到了很大程度的发展,该方法通过计算两幅图像之间的灰度在两维图像平面上的流动来估计PIV粒子的运动速度,能够输出致密的流场,空间分辨率高。
发明内容
本发明的目的在于针对纹影运动图像快速时变以及富含尖锐弱纹影信息所引发的纹影参量漏采集且难分辨,而传统方法存在获取纹影特征精度低以及计算复杂度高且易受噪声干扰。因此,本发明提出了一种基于关联帧约束的纹影特征可视化增强方法,该方法依托基于压缩采样的背景纹影成像系统采集高动态纹影序列图像,并对采集到的图像进行运动图像分析得到运动矢量场,使肉眼不可见的纹影了息达到纹影特征可视化增强效果。
所述关联帧约束的纹影特征可视化增强方法依托于基于压缩感知的纹影成像系统获取动目标纹影序列图像,成像系统包括超高速相机、空间光调制器、滤波器、汇聚透镜组、单像素探测器、数模转换器和上位机。
其中,所述上位机包括数字后处理模块。
其中,压缩感知的纹影成像系统,即Compressive Sensing Background OrientedSchlieren,简称CSBOS。
所述关联帧约束的纹影特征可视化增强方法,包括如下步骤:
步骤一,以太阳为背景采用超高速相机拍摄,并获取高动态目标纹影序列图像。
步骤二,数字后处理模块对纹影序列图像进行预处理,得到稳定的纹影序列图像。
其中,预处理包括去噪预处理和跟踪配准;去噪预处理采用高斯滤波实现。跟踪配准通过对纹影序列图像特征点利用KLT-RANSAC方法进行处理实现,具体为:以第一帧图像特征点为基准,利用KLT方法对纹影序列图像特征点进行跟踪匹配;再利用RANSAC方法将纹影序列图像中其余图像调正,得到稳定的纹影序列图像。
至此,步骤二消除了高动态运动产生的纹影引起的抖动。
步骤三,对相邻两帧图像进行光流计算,采用光流方法检测并输出两帧图像之间每个像素点的运动矢量,得出运动矢量场,从而实现纹影特征的可视化增强,具体包括如下子步骤:
步骤3.1 获取纹影运动图像在空间位置中的实际运动矢量,具体通过将运动矢量期望值加噪声获得。
其中,纹影运动图像是纹影目标的飞行速度超过1.5马赫的纹影序列图像。
步骤3.2 利用实际运动矢量在时间上的关联性,定义能量泛函。
其中,能量泛函的约束包括数据约束、运动矢量空间的平滑约束以及运动矢量时间关联约束。
步骤3.3 通过最小化能量泛函,得到实际运动矢量的近似估计值。
步骤3.4对数据约束进行光流计算,使近似估计值误差达到最少,并基于前一帧运动矢量计算当前帧的运动矢量,优化能量泛函,得到最小化优化后的能量泛函。
其中,近似估计值误差是近似估计值和实际运动矢量的差。
步骤3.5 通过最小化优化后的能量泛函,得到Euler-Langrange方程。
步骤3.6 再利用Guass-Seidel迭代方法对Euler-Langrange方程进行求解,计算得出纹影运动图像的运动矢量场。
有益效果
本发明一种基于关联帧约束的纹影特征可视化增强方法,与现有技术相比,具有如下有益效果
1、所述方法针对超高动态纹影序列图像的时域关联性,分析运动矢量的非平稳状态,根据最小均方滤波原理,定义能量泛函,求解更精确的运动矢量估计值,解决了传统光流法在噪声影响下多帧间纹影区域提取精度低问题,使CSBOS系统实现纹影特征可视化增强效果。
2、所述方法依托的CSBOS成像系统能有效地降低成像系统对探测器规模的要求,利用本发明提出的一种基于关联帧约束的纹影特征可视化增强方法实现细粒度纹影特征可视化增强,整个技术过程可为指导超音速飞机设计提供全维理论数据,为科研成果迈向实用化提供保障。
附图说明
图1为本发明一种基于关联帧约束的纹影特征可视化增强方法依托的CSBOS成像系统框图;
图2为本发明一种基于关联帧约束的纹影特征可视化增强方法流程图;
图3为BOS图像基于变分光流的纹影特征可视化增强方法仿真图;
图4为CSBOS图像基于关联帧约束的纹影特征可视化增强方法仿真图;
图5为BOS特征可视化增强处理后飞机周围高频信息点分布图;
图6为CSBOS纹影特征可视化增强处理后飞机周围高频信息点分布图。
具体实施方式
下面结合附图对本发明一种基于关联帧约束的纹影特征可视化增强方法的优选实施方式做详细说明。
实施例1
本发明方法可低成本地实现户外大场景气流场纹影信息真实定量测量。本方法依托CSBOS成像系统,为了实现对重构后的纹影序列图像高精度定量分析,考虑运动图像在时间维度上的关联性,提出一种基于关联帧约束的纹影特征可视化增强方法,解决传统光流法在噪声影响下多帧间纹影区域提取精度低问题,提高高动态运动序列图像纹影的矢量精度。
本发明的设计思想为:首先通过CSBOS纹影系统采集纹影运动图像;然后对采集到的纹影序列图像进行预处理,这里采用的预处理手段是高斯滤波或中值滤波去噪和KLT-RANSAC图像配准;最后,为了实现对细粒度纹影特征高精度定量分析,考虑运动矢量在时间上的关联性,对相邻两帧图像进行光流计算,提出减少单个时刻下光流计算带来的误差。
下面结合具体场景对本发明实施例的具体步骤进行说明:
本方法依托的CSBOS成像系统,如图1所示,包括:超高速相机、数字微镜阵列、滤波器、汇聚透镜、单像素探测器,模拟数字转换器、控制电路和上位机构成。所述超高速相机采用像素为百万级以上,帧频为每秒1000帧~10000帧的相机,如PHANTOM V711或SPEEDCAMVISARIO g2。
所述数字微镜阵列由多个平镜构成,多个平镜按照多行多列分布,数字微镜阵列中每个平镜有两个位置,每个平镜有两个位置与数字微镜阵列的轴线夹角为12°。
所述滤波器采用标准具滤波器。
所述单像素探测器采用的核心器件是雪崩光电二极管。
本发明一种基于关联帧约束的纹影特征可视化增强方法的流程如图2所示,包括如下步骤:
步骤1,超高速相机用来对目标场景进行对焦,光源为自然光。
步骤3,数字微镜阵列在上位机的控制下,加载测量矩阵,对由超高速相机接收进的光强信号进行系数采样,使仅有部分光强被反射进接收光学系统中。
上述测量矩阵采用部分Hadamard矩阵,即采用Hadamard矩阵中部分行,所选行数为Hadamard矩阵行数的1/8~1/4。
步骤4,被数字微镜阵列反射的光线经过一个标准具滤波器和汇聚透镜组达到高速灵敏度单像素探测器。
步骤5,探测器的输出信号经由模拟数字转换器进行模数转换。
步骤6,将模拟数字转换器模数转换后的信号传输到上位机,进而背景图像重建和纹影可视化处理。
步骤7,在上位机使用TVAL3重构算法对压缩采样的纹影图像重构。
步骤8,对纹影序列图像滤波。即进行去噪预处理,去噪预处理是指高斯滤波或中值滤波。
步骤9,对纹影序列图像特征点进行跟踪配准。首先,确定纹影序列图像的处理基本单元,为了减少方法的计算复杂度,将输入图像纹影序列图像分割为N个子区域,子区域为正方形,每个子区域作为一个处理基本单元。N根据图像尺寸确定,N为偶数,如4、6或8。每个子区域选择4个特征点,4个特征点通常采用图像的四个角点。
步骤10,利用KLT方法对纹影序列图像特征点进行跟踪匹配,即对相邻两帧图像中的对应角点进行比对。
步骤11,利用RANSAC方法获取图像特征点的准确匹配关系即调正。
其中,表示为图像范围,为数据约束;为运动矢量空间的平滑约束,可抑制噪声确保运动矢量场的空间平滑;为运动矢量时间关联约束,确保最终结果与所有样本加权误差平方和尽可能最小,在连续时间内,计算得到为以时间为中心前后N+1个不同时刻下已有的运动矢量场,为加权系数。 为控制参数,表示梯度运算,表示二范数运算。
步骤14、通过变分计算对公式(2)求解,得到真实运动矢量的近似估计值。
步骤16、最小化能量泛函得到Euler-Langrange方程。
步骤17、再利用Guass-Seidel迭代方法对Euler-Langrange方程进行求解,得出运动矢量场的估计值。
为了验证本发明提出的方法对CSBOS系统的有效性,分别采用基于变分光流的纹影特征可视化增强方法及基于关联帧约束的纹影特征可视化增强方法对BOS与CSBOS采集的纹影运动图像进行了定性对比。图3为BOS图像基于变分光流的纹影特征可视化增强方法仿真结果图,可以清晰地看到在飞机机翼两侧的纹影特征。图4为CSBOS图像基于关联帧约束的纹影特征可视化增强方法仿真结果图,采样率为0.25,通过定性对比,图中机翼处纹影特征以及位置矢量变化不大。图5和图6分别为BOS纹影特征可视化增强处理后飞机周围高频信息点分布和CSBOS图像纹影特征可视化增强处理后飞机周围高频信息点分布,其中横纵坐标表示为光流矢量,通过对比可以看出两幅图像部分高频纹影信息存在略微的偏移,但变动不大。另外,分别采用基于变分光流的纹影特征可视化增强方法和基于关联帧约束的纹影特征可视化增强方法对CSBOS图像进行光流计算误差定量对比,结果显示,基于变分光流的纹影特征可视化增强方法处理图像的均方差为7.29, 标准差为10.70。基于关联帧约束的纹影特征可视化增强方法处理图像的均方差为4.18,标准差为9.27。以上仿真结果说明,本发明提出的方法应用在CSBOS成像系统上具有较好的效果,同时CSBOS成像系统可有效地降低成像系统对探测器规模的要求、降低成像成本,该方法可为科研成果迈向实用化提供保障。
虽然结合了附图描述了本发明的实施方式,但是对于本领域技术人员来说,在不脱离本发明原理的前提下,还可以做出若干变形和改进,这些也应视为属于本发明的保护范围。
Claims (8)
1.一种基于关联帧约束的纹影特征可视化增强方法,依托于基于压缩感知的纹影成像系统获取动目标纹影序列图像,成像系统包括超高速相机、空间光调制器、滤波器、汇聚透镜组、单像素探测器、数模转换器和上位机,其特征在于:包括如下步骤:
步骤一,以太阳为背景采用超高速相机拍摄,并获取高速运动目标纹影序列图像;
步骤二,数字后处理模块对纹影序列图像进行预处理,得到稳定的纹影序列图像;
其中,预处理包括去噪预处理和跟踪配准;
其中,跟踪配准通过对纹影序列图像特征点利用KLT-RANSAC方法进行处理实现;
至此,步骤二消除了高动态运动产生的纹影引起的抖动;
步骤三,对相邻两帧图像进行光流计算,采用光流方法检测并输出两帧图像之间每个像素点的运动矢量,得出运动矢量场,从而实现纹影特征的可视化增强,具体包括如下子步骤:
步骤3.1 获取纹影运动图像在空间位置中的实际运动矢量,具体通过将运动矢量期望值加噪声获得;
步骤3.2 利用实际运动矢量在时间上的关联性,定义能量泛函;
步骤3.3 通过最小化能量泛函,得到实际运动矢量的近似估计值;
步骤3.4对数据约束进行光流计算,使近似估计值误差达到最少,并基于前一帧运动矢量计算当前帧的运动矢量,优化能量泛函,得到最小化优化后的能量泛函;
步骤3.5 通过最小化优化后的能量泛函,得到Euler-Langrange方程;
步骤3.6 再利用Guass-Seidel迭代方法对Euler-Langrange方程进行求解,计算得出纹影运动图像的运动矢量场。
2.根据权利要求1所述的一种基于关联帧约束的纹影特征可视化增强方法,其特征在于:所述上位机包括数字后处理模块。
4.根据权利要求3所述的一种基于关联帧约束的纹影特征可视化增强方法,其特征在于:步骤二中去噪预处理采用高斯滤波实现。
5.根据权利要求4所述的一种基于关联帧约束的纹影特征可视化增强方法,其特征在于:步骤二中的跟踪配准具体为:以第一帧图像特征点为基准,利用KLT方法对纹影序列图像特征点进行跟踪匹配;再利用RANSAC方法将纹影序列图像中其余图像调正,得到稳定的纹影序列图像。
6.根据权利要求5所述的一种基于关联帧约束的纹影特征可视化增强方法,其特征在于:步骤3.1中,纹影运动图像是纹影目标的飞行速度超过1.5马赫的纹影序列图像。
7.根据权利要求6所述的一种基于关联帧约束的纹影特征可视化增强方法,其特征在于:步骤3.2中,能量泛函的约束包括数据约束、运动矢量空间的平滑约束以及运动矢量时间关联约束。
8.根据权利要求7所述的一种基于关联帧约束的纹影特征可视化增强方法,其特征在于:步骤3.4中,近似估计值误差是近似估计值和实际运动矢量的差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058729.0A CN113516689B (zh) | 2021-09-10 | 2021-09-10 | 一种基于关联帧约束的纹影特征可视化增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058729.0A CN113516689B (zh) | 2021-09-10 | 2021-09-10 | 一种基于关联帧约束的纹影特征可视化增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516689A true CN113516689A (zh) | 2021-10-19 |
CN113516689B CN113516689B (zh) | 2022-03-22 |
Family
ID=78062853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111058729.0A Active CN113516689B (zh) | 2021-09-10 | 2021-09-10 | 一种基于关联帧约束的纹影特征可视化增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516689B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706529A (zh) * | 2012-06-08 | 2012-10-03 | 中国人民解放军国防科学技术大学 | 超声速流场密度场的校准以及测量超声速密度场的方法 |
US20140002694A1 (en) * | 2012-07-02 | 2014-01-02 | Csr Technology Inc. | Device and algorithm for capturing high dynamic range (hdr) video |
CN103884486A (zh) * | 2014-02-27 | 2014-06-25 | 中国科学院力学研究所 | 纹影测量成像系统及方法 |
CN104658006A (zh) * | 2013-11-22 | 2015-05-27 | 上海宝康电子控制工程有限公司 | 基于变分光流实现车辆跟踪的方法 |
CN106097396A (zh) * | 2016-06-29 | 2016-11-09 | 华东师范大学 | 一种基于流体运动矢量场的并行分析方法 |
CN106290256A (zh) * | 2016-08-03 | 2017-01-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 基于视频测量的定量背景纹影方法 |
CN107782288A (zh) * | 2017-09-22 | 2018-03-09 | 北京空间机电研究所 | 基于背景纹影成像的大气扰动式光学监测飞行器的方法 |
CN107850530A (zh) * | 2015-05-04 | 2018-03-27 | 港大科桥有限公司 | 用于定量相位梯度线性调频波长编码的光学成像的装置和方法 |
US20180096482A1 (en) * | 2013-05-15 | 2018-04-05 | Massachusetts Institute Of Technology | Devices for refractive field visualization |
CN109255822A (zh) * | 2018-07-13 | 2019-01-22 | 中国人民解放军战略支援部队航天工程大学 | 一种多尺度编码和多重约束的超时间分辨率压缩感知重建方法 |
CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
CN110738688A (zh) * | 2019-10-25 | 2020-01-31 | 中国人民解放军国防科技大学 | 一种新的红外超弱运动目标检测方法 |
CN111308849A (zh) * | 2019-11-18 | 2020-06-19 | 长春理工大学 | 一种基于纹影技术的超高速时间分辨摄像装置和方法 |
CN112067239A (zh) * | 2020-07-27 | 2020-12-11 | 中国航天空气动力技术研究院 | 一种基于纹影视频自动判断超声速风洞流场建立的方法 |
CN113160277A (zh) * | 2021-01-29 | 2021-07-23 | 北京小米松果电子有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-10 CN CN202111058729.0A patent/CN113516689B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706529A (zh) * | 2012-06-08 | 2012-10-03 | 中国人民解放军国防科学技术大学 | 超声速流场密度场的校准以及测量超声速密度场的方法 |
US20140002694A1 (en) * | 2012-07-02 | 2014-01-02 | Csr Technology Inc. | Device and algorithm for capturing high dynamic range (hdr) video |
US20180096482A1 (en) * | 2013-05-15 | 2018-04-05 | Massachusetts Institute Of Technology | Devices for refractive field visualization |
CN104658006A (zh) * | 2013-11-22 | 2015-05-27 | 上海宝康电子控制工程有限公司 | 基于变分光流实现车辆跟踪的方法 |
CN103884486A (zh) * | 2014-02-27 | 2014-06-25 | 中国科学院力学研究所 | 纹影测量成像系统及方法 |
CN107850530A (zh) * | 2015-05-04 | 2018-03-27 | 港大科桥有限公司 | 用于定量相位梯度线性调频波长编码的光学成像的装置和方法 |
CN106097396A (zh) * | 2016-06-29 | 2016-11-09 | 华东师范大学 | 一种基于流体运动矢量场的并行分析方法 |
CN106290256A (zh) * | 2016-08-03 | 2017-01-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 基于视频测量的定量背景纹影方法 |
CN107782288A (zh) * | 2017-09-22 | 2018-03-09 | 北京空间机电研究所 | 基于背景纹影成像的大气扰动式光学监测飞行器的方法 |
CN109255822A (zh) * | 2018-07-13 | 2019-01-22 | 中国人民解放军战略支援部队航天工程大学 | 一种多尺度编码和多重约束的超时间分辨率压缩感知重建方法 |
CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
CN110738688A (zh) * | 2019-10-25 | 2020-01-31 | 中国人民解放军国防科技大学 | 一种新的红外超弱运动目标检测方法 |
CN111308849A (zh) * | 2019-11-18 | 2020-06-19 | 长春理工大学 | 一种基于纹影技术的超高速时间分辨摄像装置和方法 |
CN112067239A (zh) * | 2020-07-27 | 2020-12-11 | 中国航天空气动力技术研究院 | 一种基于纹影视频自动判断超声速风洞流场建立的方法 |
CN113160277A (zh) * | 2021-01-29 | 2021-07-23 | 北京小米松果电子有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
HAFIZ IMTIAZ 等: "Action recognition algorithm based on optical flow and RANSAC in frequency domain", 《SICE ANNUAL CONFERENCE 2011》 * |
卢宗庆: "运动图像分析中的光流计算方法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
张俊 等: "基于BOS的超声速流场瞬态密度场的可视化", 《气体物理》 * |
王智慧 等: "一种基于KLT-RANSAC全局运动估计的电子稳像算法研究", 《光电子技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113516689B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106772417B (zh) | 一种动目标多维度多尺度红外光谱特征测量方法及系统 | |
CN105931196A (zh) | 基于傅里叶光学建模的编码光圈相机图像恢复方法 | |
CN109613556B (zh) | 基于稀疏表征的光子计数激光三维探测成像方法 | |
CN107203743B (zh) | 一种人脸深度跟踪装置及实现方法 | |
CN111145121B (zh) | 一种强化多特征融合的置信项滤波器目标跟踪方法 | |
CN109509213B (zh) | 一种应用于异步时域视觉传感器的Harris角点检测方法 | |
CN111259991B (zh) | 一种噪声环境下欠采样单像素成像目标识别方法 | |
CN117036404A (zh) | 一种单目热成像同时定位与建图方法和系统 | |
US20240221184A1 (en) | Velocity measurement method, system, device and apparatus and storage medium, as well as velocity field measurement method and system | |
CN105139432B (zh) | 基于高斯模型的红外弱小目标图像仿真方法 | |
CN108305290B (zh) | 一种动目标的精确测谱方法 | |
CN104502992B (zh) | 一种基于空时过采样扫描的弱小点目标精确定位方法及系统 | |
Ding et al. | Curvature regularization for non-line-of-sight imaging from under-sampled data | |
CN113516689B (zh) | 一种基于关联帧约束的纹影特征可视化增强方法 | |
JP2012502275A (ja) | ディジタルビデオフィルタおよび画像処理 | |
WO2023023961A1 (zh) | 一种基于激光线阵的piv图像标定装置及方法 | |
Loktev et al. | Image Blur Simulation for the Estimation of the Behavior of Real Objects by Monitoring Systems. | |
Nie et al. | LFC-SSD: Multiscale aircraft detection based on local feature correlation | |
CN106408553B (zh) | 斜扫的红外线阵探测器目标响应分析方法 | |
CN114419259A (zh) | 一种基于物理模型成像仿真的视觉定位方法及系统 | |
CN113687099A (zh) | 一种基于激光线阵的piv图像标定装置及方法 | |
CN109781259B (zh) | 一种图谱关联的精准测量空中运动小目标红外光谱的方法 | |
US20240126953A1 (en) | Arithmetic operation system, training method, and non-transitory computer readable medium storing training program | |
US20240126952A1 (en) | Arithmetic operation system, training method, and non-transitory computer readable medium storing training program | |
CN118172242B (zh) | 一种无人机水面影像拼接方法、介质及系统 |
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 |