CN116523755A - 一种基于红外成像物理核的缺陷超分辨率检测方法 - Google Patents
一种基于红外成像物理核的缺陷超分辨率检测方法 Download PDFInfo
- Publication number
- CN116523755A CN116523755A CN202310543136.6A CN202310543136A CN116523755A CN 116523755 A CN116523755 A CN 116523755A CN 202310543136 A CN202310543136 A CN 202310543136A CN 116523755 A CN116523755 A CN 116523755A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- resolution
- defect
- super
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000003331 infrared imaging Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000003384 imaging method Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000006731 degradation reaction Methods 0.000 claims abstract description 7
- 238000012546 transfer Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 8
- 230000015556 catabolic process Effects 0.000 abstract description 4
- 125000004122 cyclic group Chemical group 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10048—Infrared image
-
- 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]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明基于红外成像物理核的缺陷超分辨率检测方法，先通过实验系统采集得红外缺陷图像序列，在通过特征提取算法进行预处理得到单张红外低分辨率原始图像。将红外低分辨率原始图像结合根据热像仪成像过程推导的调制传递函数，建立缺陷图像的物理模糊核，然后将缺陷红外图像的物理模糊核和低分辨率图像输入迭代矫正网络中，进行循环估计高分辨率图像，达到预设的循环次数后，得到最终重建的高分辨率图像，实现整体图像质量的提升，缺陷处对比度的提升，提高缺陷检出率。与现有技术相比，本发明基于成像过程的模糊核，建立图像的模糊核，能够有效地覆盖红外图像真实的退化降质原因，实现整体图像质量的提升，提高了缺陷检出率。
Description
技术领域
本发明属于无损检测技术领域,尤其涉及一种基于红外成像物理核的缺陷超分辨率检测方法。
背景技术
高质量和高安全性是在材料的生产和使用过程中备受关注的热点之一。业界通常使用无损检测技术进行材料的质量检测。作为一种不损害被测对象的检测技术，无损检测对提高产品质量和保障设备结构的安全服役等具有重要的作用。
红外热成像检测技术是无损检测技术中的一种，在实际研究中，通常利用检测结果图像上的亮色与暗色对比，将具体的缺陷区域呈现。其具有检测响应速度快、与被测试件无接触、适用对象多、可渗透一定深度、自动化程度高、安全性高、检测过程简单等优点，已成为众多新型视觉类检测技术中应用最为广泛的技术之一。但在实际应用中，受热像仪硬件系统限制，红外图像的分辨率较低、细节信息不够丰富，特定缺陷检出存在局限，这是因为在图像成像的过程中，多类干扰因素会导致图像的分辨率下降。现有提高分辨率的方法有两类：
一是：从硬件方面，提升图像采集设备的传感器精度，但是改进设备花费巨大，如一台制冷型的热像仪价格一般在非制冷型热像仪的5至10倍。
二是：从算法方面，用于红外图像超分的算法有双线性插值法、基于稀疏表示学习的方法以及基于卷积神经网络的算法，但是上述算法在红外图像上效果不佳，上述方法是基于视觉图像研发，和红外图像的成像过程不匹配。
发明内容
本发明的目的在于针对现有算法的不足，提出一种基于红外成像物理核的缺陷超分辨率检测方法，通过推导红外热像仪成像过程中的调制传递函数，建立红外成像的物理核，基于物理核与红外低分辨率图像得到红外图像的模糊核，依据模糊核与低分辨率图像进行迭代矫正，重建出高分辨率红外图像。重建后图像缺陷处的对比度明显提升、图像质量和信噪比也明显提高。
为实现上述发明目的，本发明采用如下技术方案：
一种基于红外成像物理核的缺陷超分辨率检测算法，包括以下步骤：
S1、使用热像仪采集被测试件的时序红外热图像序列，并对其进行预处理得到包含多张缺陷特征信息的红外低分辨率原始图像ILR；
S2、根据热像仪的成像对红外图像的降质过程，推导红外热像仪成像过程中的调制传递函数，建立热像仪的物理核kp；
S3、将多张低分辨率原始图像ILR和物理核kp输入KernelGAN网络，预测得到不同缺陷红外图像的模糊核kbulr；
S4、将红外低分辨率图像ILR与其对应的模糊核kbulr输入到迭代矫正的深度学习网络中，迭代估计得到初始重建高分辨率图像再通过初始重建高分辨率图像/>估计矫正当前模糊核/>得到新模糊核/>
S5、循环步骤S4循环该过程t次，得到重建的高分辨图像
进一步的，所述步骤S4的还包括在初始重建高分辨率图像估计矫正当前模糊核/>得到新模糊核/>之前，采用过Gabor滤波器对初始重建高分辨率图像/>进行滤波增强处理的步骤。
进一步的，所述步骤S1采用特征提取算法对采集的时序红外热图像序列进行预处理。
更进一步的，所述特征提取算法为PCA算法。
进一步的，所述步骤S4中，t的取值范围为3～6。
本发明的发明目的是这样实现的：
本发明基于红外成像物理核的缺陷超分辨率检测方法，先通过实验系统采集得红外缺陷图像序列，在通过特征提取算法进行预处理得到单张红外低分辨率原始图像。将红外低分辨率原始图像结合根据热像仪成像过程推导的调制传递函数，建立缺陷图像的物理模糊核，然后将缺陷红外图像的物理模糊核和低分辨率图像输入迭代矫正网络中，进行循环估计高分辨率图像，达到预设的循环次数后，得到最终重建的高分辨率图像，实现整体图像质量的提升，缺陷处对比度的提升，提高缺陷检出率。
采用上述技术方案后，本发明具有以下有益效果：
(1)、在超分辨率的过程中，研究分析并推导热像仪成像过程中的物理核，基于成像过程的模糊核，建立图像的模糊核，能够有效地覆盖红外图像真实的退化降质原因，为后续的超分过程提供正确有效的物理引导；
(2)、在超分辨率的过程中使用迭代重建高分辨率图像，矫正模糊核的方法，能够充分利用模糊核和原始图像中的信息，让原本病态问题得到简化。
(3)、在超分辨率的过程中，针对图像中的缺陷物理形状，设计添加了基于Gabor滤波器的缺陷特征增强模块，在每次迭代过程中能够有效提取缺陷特征并进行增强。最终达到增强缺陷处对比度，提高整体图像质量，提高缺陷检出率的目的。
附图说明
图1是本发明基于红外成像物理核的缺陷超分辨率检测算法的流程图；
图2是本发明算法的详细步骤图；
图3是两种试件通过本发明方法处理后与其余算法处理后的对比示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
如图1、图2所示，本实施例一种基于红外成像物理核的缺陷超分辨率检测算法，包括以下步骤：
S1、使用光激励缺陷检测系统对被测试件进行加热，系统的热像仪采集检测过程被测试件表面温度图像记为热图序列其中R表示实数域，P1、P2、P3分别表示热图序列的长度、宽度以及序列帧数；再利用热图序列上的亮色与暗色对比将具体的缺陷区域呈现。
S2、对采集到的热图序列使用特征提取算法进行预处理，得到多张包含缺陷特征信息的图像记为ILR。本实施例在预处理优选算法为PCA算法。
S3、研究分析成像过程中红外图像质量较低的原因，基于分析得到的原因对红外成像系统中的每个组成环节进行单独分析推导，得到整个成像系统的调制传递函数，将调制传递函数在平面上的三维表示作为红外成像过程的物理核记为kp。
S4、将多张低分辨率原始图像ILR和物理核kp输入KernelGAN网络，预测得到不同缺陷红外图像的模糊核kbulr。该模糊核kbulr更加接近红外图像真实降质过程。
S5、将红外低分辨率图像ILR、及与其对应的模糊核kbulr输入至迭代矫正的深度学习网络，迭代估计得到初始重建的高分辨率图像记为并经过Gabor滤波增强模块对初始重建的高分辨率图像记为/>进行滤波增强后，利用其估计矫正当前模糊核/>得到新模糊核/>
S6、重复S5过程t次，得到重建的高分辨率图像t根据需求设定，通常设为3～6，本实施例优选为4。矫正器的输入是当前超分结果/>和当前的模糊核/>当前的超分结果/>通过多个卷积层能够得到特征FSR，当上一次迭代的高分辨图中包含由于内核不匹配带来的模糊时，五个卷积层能够将这些伪影提取。而当前的模糊核kbulr通过两个卷积层能够得到特征Fh。最后再将FSR和Fh连在一起后在通过三个卷积层以及全局池化层，能够得到模糊核偏差的估计Δh。
需要说明的是，本实施例采用的深度学习网络和Gabor滤波器均为现有的网络结构，因此关于网络的学习、训练过程和Gabor滤波器的作用原理在此不做赘述。
本发明中迭代矫正网络由两个部分组成，一是依赖模糊核kbulr和低分辨率原始图像ILR迭代估计高分辨率图像并对缺陷进行增强的超分模型F,F中包含将模糊核kbulr拉伸成特征向量h，并与ILR一同估计生成高分辨率图像，再经过Gabor滤波器对高分辨率图像中缺陷特征提取并增强，得到超分模型的输出/>二是依赖/>对当前模糊核/>进行矫正的矫正器模型C,C中使用多个卷积层分别提取/>与/>的特征后通过卷积层和池化层融合后输出模糊核偏差估计Δh，根据Δh即能生成新的模糊核/>
在迭代矫正网络的超分模型F部分增添Gabor滤波增强模块，图像经过Gabor滤波器后能够得到具有不同方向和尺度的滤波器响应图像。通过对这些滤波器响应图像进行融合和增强处理，可以突出缺陷图像中的纹路和细节信息，从而实现缺陷图像的增强，但在增强时可能会对图像中的噪声和伪影进行一同增强。因此，在将Gabor滤波增强模块引入迭代矫正超分网络时，该模块的增强效果受到每一轮迭代中模糊核和低分辨率图像的约束。这不仅有助于增强缺陷信息，还可以避免增强伪影等不必要的影响因素，从而提高图像的质量并提高缺陷检测的准确性。
实验结果分析与对比：
本实施例选择三种算法分别为：KernelGAN+ZSSR、KernelGAN(物理核)+ZSSR、ESRGAN，从峰值信噪比(PSNR)，两个不同检测算法的F-score，结构相似度(SSIM)几方面来评价上述基于红外成像物理核的缺陷超分辨率检测方法不同方面的性能。
PSNR指标的定义如下：
峰值信噪比被简称为PSNR，其结果通常是与均方误差运算来得到，单位是分贝，数学表达式如下式：
式中MAX1为一个固定的值，通常取图像的像素最大值255，其中MSE均为误差的表达式如下：
式中I(i,j)表示了单通道尺寸大小为m×n高分辨率原始图的像素值，K(i,j)单通道尺寸大小为m×n重建后高分辨率原始图的像素值表示重建后的图像，MSE则用来衡量这二者的均方误差。
PSNR公式也可以写成如下：
式中B表示为二进制数，当图像变成三通道的彩色图像时，PSNR公式则写成下式：
式中Icolor(i,j)表示了三通道尺寸大小为m×n高分辨率原始图的像素值Kcolor(i,j)三通道尺寸大小为m×n重建后高分辨率原始图的像素值表示重建后的图像，通常峰值信噪比用于衡量压缩前后图像的损失情况，峰值信噪比越大则说明图像的损失程度越小，或是超分重建效果越好。
结构相似度指标定义如下：
结构相似性度量SSIM，是一种用于评价图像质量的指标，它综合了图像亮度、对比度和结构等多个方面的信息。SSIM通常使用均值、方差和协方差等统计量来度量图像之间的相似性，并使用局部窗口来实现对图像局部结构的比较。与传统的均方误差(MSE)等指标相比，SSIM更加准确地反映了图像的感知质量，因此在图像处理和计算机视觉领域得到了广泛应用。
SSIM的计算过程可以分为三个步骤。首先，对于给定的参考图像和待评估图像，使用高斯滤波器对其进行平滑处理，以抑制噪声。其次，对于参考图像和待评估图像的每个局部窗口，计算其均值、方差和协方差等统计量，并根据这些统计量计算结构相似性分量。最后，将各个结构相似性分量综合起来，得到整个图像的结构相似性度量值。SSIM具有多个优点，如对噪声、亮度和对比度的鲁棒性强、可以反映人眼视觉系统的感知特性等。因此，在图像处理、计算机视觉和图像识别等领域得到了广泛应用。SSIM的数学表达式如下式：
式中α,β,γ为三个不同函数的权重，三个参数均需大于0，通常都设为1。l，c，s的表达式分别如下式：
式中I，G分别表示高分辨率原始图像和超分辨率的结果图像，l函数用于衡量两张图像的亮度对比，c函数用于衡量两张图像的对比度，s函数则是用来衡量两张图像的结构。μI,μG表示I和G的数学期望，σI,σG表示I和G的标准差，σfg表示I和G的协方差，均为C1,C2,C3常数。SSIM的值越大则代表两张图像越相似，而值越小则代表两个信号的偏离程度很大，信号之间的相似性越小。
F-score定义如下：
F-Score指标常用于检测中，用来衡量算法的对于目标的检出情况，本文虽是对图像质量分辨率等的提升，但对象是红外缺陷检测的图像，因此算法的最后也要使用指标衡量对图像的提升是否帮助了缺陷的检出情况，而F-Score可以作为这样的指标，F-Score的表达式如下式：
式中P表示准确率，R表示召回率，P和R的表达式如下式
P＝TP/(TP+FP)
R＝TP/(TP+FN)
式中TP、FP和FN代表真正例、假正例和假反例，分别表示模型检测到的缺陷中实际存在的缺陷数、模型错误检测到的缺陷数和模型未能检测到的缺陷数。在F-score公式中，权重系数βf被引入以平衡召回率和准确率的贡献。对于光激励红外热成像缺陷检测任务，该权重通常被设定为2，以保证召回率在评估中占据更大的比例。这是因为实验人员希望全面地检测到所有缺陷，以避免漏检。在实践中，为了避免漏检，可能需要牺牲一定程度的准确率，然后再由专业人员进行判断和再识别。相比于仅考虑缺陷检出率，F-score指标考虑了缺陷检测的准确性，并通过引入权重系数，使得召回率在评价指标中具有更重要的作用。
在本实施例中，选用了两种不同平板型试件进行试验，两个试件中缺陷均位于试件内部，将两种不同试件的缺陷检测结果使用四种不同超分辨率算法进行处理，再加上原图得到两组每组五张图片的对比结果。实验结果如图3所示，(i)和(ii)分别代表两种试件的处理结果。(a)是原始图像；(b)为KernelGAN+ZSSR的结果图像；(c)为KernelGAN(物理核)+ZSSR的结果图像；(d)为ESRGAN算法的结果图像；(e)为本发明算法结果图像。从各个算法的结果图对比中能够看出，本发明的算法对于红外检测图像中的缺陷信息有显著的增强效果，相比于其余算法，缺陷形状更为清晰，检出数量更多，图像整体质量更高。
下表1是各种算法的三种评价指标的结果比较，指标包括F-score(两种检测框架)，PSNR和SSIM。表中的结果是通过使用50张检测图像经过不同算法处理后，每张图像指标取平均值得到。对于两个F-score指标本发明的方法均得到了最高指标86.1％和87.7％，第二高的为现有SOTA算法ESRGAN。说明了本发明提出算法对图像中缺陷信息的增强，帮助检出率的提高。对于PSNR指标本发明取得了最高的28.9db，说明了本发明的算法对图像整体质量的提升也有一定的帮助。而最后的SSIM指标表示算法的结果图和原始图像的相似度，本发明的算法排第二，仅次于ESRGAN算法，其原因在于本发明的算法会对图像中的缺陷处进行增强，导致与原图在结构上有一些出入。
表1
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种基于红外成像物理核的缺陷超分辨率检测算法，其特征在于，包括以下步骤：
S1、使用热像仪采集被测试件的时序红外热图像序列，并对其进行预处理得到包含多张缺陷特征信息的红外低分辨率原始图像ILR；
S2、根据热像仪的成像物理对红外图像的降质过程，推导红外热像仪成像过程中的调制传递函数，建立热像仪的物理核kp；
S3、将多张低分辨率原始图像ILR和物理核kp输入KernelGAN网络，预测得到不同缺陷红外图像的模糊核kbulr；
S4、将红外低分辨率图像ILR与其对应的模糊核kbulr输入到迭代矫正的深度学习网络中，迭代估计得到初始重建高分辨率图像Ii SR，再通过初始重建高分辨率图像Ii SR估计矫正当前模糊核得到新模糊核ki bulr；
S5、循环步骤S4循环该过程t次，得到重建的高分辨图像It SR。
2.根据权利要求1所述的一种基于红外成像物理核的缺陷超分辨率检测算法，其特征在于：所述步骤S4的还包括在初始重建高分辨率图像Ii SR估计矫正当前模糊核得到新模糊核ki bulr之前，采用过Gabor滤波器对初始重建高分辨率图像Ii SR进行滤波增强处理的步骤。
3.根据权利要求1所述的一种基于红外成像物理核的缺陷超分辨率检测算法，其特征在于：所述步骤S1采用特征提取算法对采集的时序红外热图像序列进行预处理。
4.根据权利要求1～3任一项所述的一种基于红外成像物理核的缺陷超分辨率检测算法，其特征在于：所述步骤S4中，t的取值范围为3～6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310543136.6A CN116523755A (zh) | 2023-05-15 | 2023-05-15 | 一种基于红外成像物理核的缺陷超分辨率检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310543136.6A CN116523755A (zh) | 2023-05-15 | 2023-05-15 | 一种基于红外成像物理核的缺陷超分辨率检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116523755A true CN116523755A (zh) | 2023-08-01 |
Family
ID=87406263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310543136.6A Pending CN116523755A (zh) | 2023-05-15 | 2023-05-15 | 一种基于红外成像物理核的缺陷超分辨率检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523755A (zh) |
-
2023
- 2023-05-15 CN CN202310543136.6A patent/CN116523755A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090871A (zh) | 一种基于卷积神经网络的多对比度磁共振图像重建方法 | |
| CN108109147B (zh) | 一种模糊图像的无参考质量评价方法 | |
| CN109086675B (zh) | 一种基于光场成像技术的人脸识别及攻击检测方法及其装置 | |
| CN109523506B (zh) | 基于视觉显著图像特征增强的全参考立体图像质量客观评价方法 | |
| CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
| CN106355195B (zh) | 用于测量图像清晰度值的系统及其方法 | |
| CN113705788B (zh) | 基于全卷积神经网络的红外图像温度估计方法及系统 | |
| CN108399620B (zh) | 一种基于低秩稀疏矩阵分解的图像质量评价方法 | |
| CN114359283A (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
| CN110956581A (zh) | 一种基于双通道生成-融合网络的图像模态变换方法 | |
| CN110766657B (zh) | 一种激光干扰图像质量评价方法 | |
| CN117274759A (zh) | 一种基于蒸馏-融合-语义联合驱动的红外与可见光图像融合系统 | |
| CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
| Gan et al. | AutoBCS: Block-based image compressive sensing with data-driven acquisition and noniterative reconstruction | |
| CN112837220B (zh) | 一种提高红外图像分辨率的方法及其用途 | |
| CN113450275A (zh) | 基于元学习的画质增强系统及方法、存储介质 | |
| CN112233068A (zh) | 交替卷积全变分正则化张量分解的红外成像缺陷检测方法 | |
| CN116523755A (zh) | 一种基于红外成像物理核的缺陷超分辨率检测方法 | |
| CN110926611A (zh) | 一种应用于压缩感知光谱成像系统的噪声抑制方法 | |
| CN113218998A (zh) | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 | |
| CN114166850B (zh) | 一种基于差分张量分解的光激励红外热成像缺陷检测方法 | |
| Li et al. | An improved blind/referenceless image spatial quality evaluator algorithm for image quality assessment | |
| CN111028159B (zh) | 一种图像条带噪声抑制方法及系统 | |
| Xiao et al. | Image reconstruction based on fused features and perceptual loss encoder-decoder residual network for space optical remote sensing images compressive sensing | |
| Ekmekci et al. | Quantifying Generative Model Uncertainty in Posterior Sampling Methods for Computational Imaging |
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 |