红外目标图像循环迭代复原算法的加速技术研究
基于深度学习的红外目标识别与跟踪技术研究
基于深度学习的红外目标识别与跟踪技术研究近年来，随着人工智能领域的不断发展和深度学习算法的成功应用，基于深度学习的红外目标识别与跟踪技术也逐渐成为研究的热点。
本文将探讨该技术的基本理论、研究现状以及未来发展趋势。
一、基本理论在红外目标识别与跟踪技术中，深度学习算法主要有卷积神经网络（CNN）、循环神经网络（RNN）和深度置信网络（DBN）等。
其中，CNN是目前常用的神经网络模型，其优点在于具有良好的特征提取能力和高效的计算速度，因此被广泛应用于红外图像中的目标检测和识别任务。
基于深度学习的红外目标识别与跟踪技术主要包括图像预处理、目标检测和目标跟踪三个部分。
其中，图像预处理主要是对红外图像进行去噪和增强处理，使图像能够更好地被深度学习模型处理。
目标检测则是通过深度学习算法识别图像中的目标，常用的算法有Faster R-CNN和YOLO等。
目标跟踪则是通过对目标的拟合和跟踪来实现目标的实时定位和追踪。
二、研究现状近年来，基于深度学习的红外目标识别与跟踪技术得到了广泛的研究和应用。
目前在目标检测方面，基于CNN的深度学习算法已经取得了很大的进展，如Faster R-CNN、SSD和YOLO等算法已经成为业界的主流算法。
在目标跟踪方面，研究者们主要探究了基于卷积神经网络的目标跟踪方法。
例如，Held等人提出的DeepTrack方法通过对目标进行自适应的特征提取，实现了较好的跟踪效果。
此外，还有一些研究者将深度学习算法应用于红外人脸识别等领域。
例如，王震等人在红外人脸识别中应用了深度卷积神经网络，实现了较高的识别准确率。
三、未来发展趋势基于深度学习的红外目标识别与跟踪技术目前还存在一些问题，如如何提高模型的鲁棒性、如何在复杂环境中实现高效的目标跟踪等。
未来的研究方向主要集中在以下几个方面：1. 提高深度学习算法的鲁棒性。
研究者们需要进一步探索如何利用跨领域数据增加模型的鲁棒性，以及如何集成多种算法来提高模型的预测能力。
热红外遥感图像典型目标识别技术研究
热红外遥感图像典型目标识别技术研究一、本文概述随着遥感技术的迅速发展，热红外遥感图像在军事侦察、环境保护、城市规划等领域的应用越来越广泛。
然而，由于热红外遥感图像的特殊性质，如低分辨率、低信噪比、复杂的背景干扰等，使得图像中的目标识别成为一项具有挑战性的任务。
因此，研究热红外遥感图像典型目标识别技术，对于提高遥感图像解译的准确性和效率具有重要意义。
本文旨在探讨热红外遥感图像典型目标识别技术的研究现状和发展趋势，分析现有方法的优缺点，并提出一种基于深度学习的热红外目标识别方法。
我们将对热红外遥感图像的特点和难点进行深入分析，为后续的目标识别算法提供理论支持。
我们将介绍目前常用的热红外目标识别方法，包括基于特征提取的传统方法和基于深度学习的现代方法，并评估它们的性能表现。
我们将提出一种基于深度学习的热红外目标识别框架，通过改进网络结构、优化损失函数等方法提高目标识别的准确率和鲁棒性。
本文的研究成果将为热红外遥感图像的目标识别提供新的思路和方法，有望为相关领域的发展做出贡献。
二、热红外遥感图像特性分析热红外遥感图像是利用热红外传感器捕获地表物体因热辐射产生的红外辐射信息而形成的图像。
与可见光遥感图像相比，热红外遥感图像具有其独特的特性，这些特性在目标识别技术中起到了至关重要的作用。
热红外遥感图像具有全天候的工作能力。
由于热红外辐射是地表物体自身发出的，不受光照条件的影响，因此热红外遥感图像可以在夜间或恶劣天气条件下获取。
这使得热红外遥感在军事侦察、灾害监测等领域具有广泛的应用前景。
热红外遥感图像对地表物体的热特性敏感。
不同的地表物体由于其物理和化学特性的差异，在热红外波段会表现出不同的辐射特性。
这种特性差异为我们在热红外遥感图像中识别典型目标提供了可能。
热红外遥感图像还具有空间分辨率和温度分辨率的双重特性。
空间分辨率决定了图像中地表物体的细节表现能力，而温度分辨率则反映了图像中物体温度的测量精度。
这两个分辨率的合理搭配对于准确识别典型目标至关重要。
基于成像机理分析的高光谱图像信息恢复研究
基于成像机理分析的高光谱图像信息恢复研究一、标题：高光谱图像信息恢复的研究背景及意义高光谱图像信息恢复是当前红外光谱成像领域的热点研究方向，它是指通过数据补全、降噪、去瑕疵等技术手段来提高高光谱图像的质量和可用性。
高光谱图像是由几百到上千个波段的连续光谱组成的，其中每个波段都能提供不同的光谱信息，因此具有比高分辨率图像更高的信息量，能更加准确地反映被观察对象的物理特性。
然而，由于高光谱图像存在的复杂成像机理和不可避免的噪声干扰等问题会对图像的质量和信息提取造成严重影响，所以高光谱图像信息恢复的研究具有很高的实际应用价值和研究意义。
二、标题：高光谱图像信息恢复技术的发展现状近年来，高光谱图像信息恢复技术得到了广泛的研究和应用，主要包括数据插值、降噪、去瑕疵等方面。
其中，数据插值技术是高光谱图像恢复中最常用的一种，它能够通过补全缺失数据来重建完整的高光谱图像。
目前，高光谱图像的插值方法主要分为基于低秩矩阵分解的方法和基于稀疏表示的方法。
另外，高光谱图像的降噪技术也是信息恢复的一个重要方面，常见的降噪方法有基于小波变换的方法和基于稀疏表示的方法。
除此之外，基于学习的去瑕疵技术也逐渐得到了广泛的应用，相应的主要有基于字典学习的去噪和去模糊。
三、标题：高光谱图像信息恢复的算法原理高光谱图像恢复的算法原理主要包括信号表示、优化方法和正则化等三个方面。
信号表示是指将高光谱图像表示为一组基的线性组合，从而将其转换为一个向量或矩阵。
优化方法是指选择一种使目标函数最小化的优化方式，最常用的方法是最小二乘法。
而正则化则是指加入先验知识来约束解空间的大小，从而防止过拟合和解决噪声干扰问题。
四、标题：高光谱图像信息恢复中的数据插值算法数据插值是高光谱图像信息恢复的重要手段之一，通过补全缺失的数据来得到完整的高光谱图像。
目前，高光谱图像的插值方法主要包括基于低秩矩阵分解和基于稀疏表示的方法。
基于低秩矩阵分解的方法主要采用矩阵分解的思路，通过将高光谱图像分解为低秩矩阵和稀疏矩阵的和来实现数据插值。
红外目标湍流退化图像的优化复原算法
文章编号!"##$%$#&$’$##()#(%#*"#%#(红外目标湍流退化图像的优化复原算法洪汉玉"+$+喻九阳"+陈以超"+易新建$’",武汉工程大学计算机图像处理研究室+武汉-.##/-0$,华中科技大学图像所电子科学与技术博士后流动站+武汉-.##/-)摘要!提出了基于最速下降法的湍流退化图像盲目复原算法1将图像转换到频域中+建立一个基于目标图像和点扩展函数频谱的目标函数+通过迭代方式采用最速下降优化方法来极小化该目标函数+并利用傅里叶变换和反变换将目标图像和点扩展函数在频域和空域之间进行变换+在每次迭代中交替加入约束条件进行反复修正+以便取得预期的图像恢复效果+增强算法的稳定性和抗噪能力1针对红外目标湍流退化图像+在微机上对算法进行了一系列复原验证实验1实验结果表明!该文算法复原效果稳定+抗噪能力强+具有实用价值1关键词!湍流退化图像0图像复原0频谱0优化估计0最速下降法中图分类号!234"",/.文献标志码!56789:9;<89=>?@A 8=?<89=><B C =?98D :E =?9>E ?<?@F=G H @I 88J ?G J B @>I @K F @C ?<F @F9:<C @L M 3N L O P %Q R "+$+S T U V R %Q O P W "+X L Y 3S V %Z [O \"+S ]^V P %_V O P$’",‘R [O P]P a b V b R b c \d 2c Z [P \e \W Q +f O g \h O b \h Q d \h X \i j R b c h ]i O W c k h \Z c a a V P W +‘R [O P-.##/-+X [V P O 0$,]P a b V b R b c d \h k O b b c h Pl c Z \W P V b V \P O P m5]+k \a b m \Z b \h O e n b O b V \Pd \h Y e c Z b h \P n Z V c P Z c O P m 2c Z [P \e \W Q +L R O o [\P WT P V p c h a V b Q \d n Z V c P Z c O P m 2c Z [P \e \W Q +‘R [O P -.##/-+X [V P O)q G A 8?<I 8!5g e V P mh c a b \h O b V \PO e W \h V b [i d \hb R h g R e c P Z c %m c W h O m c mV i O W cg O a c m\Pb [ca b c c j c a b m c a Z c P b i c b [\mV a j h \j \a c m ,5P\g _c Z b V p c d R P Z b V \Pg O a c m\Pd h c r R c P Z Qa j c Z b h R ia \d b [c \g _c Z b V iO W cO P m b [c j \V P b %a j h c O m d R P Z b V \P ’k n s )V a a c bR j V P b [c d h c r R c P Z Q m \i O V P +t [V Z [V a iV P V i V o c mg Qb [ca b c c j c a b m c a Z c P b i c b [\mV PO PV b c h O b V p ci O P P c h ,s s 2O P m]s s 2O h cR a c mb \b h O P a d c hb [c\g _c Z b V i O W cO P mb [ck n s g c b t c c Pd h c r R c P Z Q m \iO V P O P mb V icm \i O V P +O P m b [c Z \P a b h O V P b a \d b [c d h c r R c P Z Qm \i O V PO P ma j O Z c m \iO V PO h c V P b h \m R Z c mV Pc O Z [V b c h O b V \Pb \i\m V d Q b [c i +a \O a b \\g b O V Pb [c c u j c Z b c mV i O W ch c a b \h O b V \Pc d d c Z b +b [cj h \j \a c mO e W \h V b [i h \g R a b P c a a O P mg c b b c h V i iR P V b Qb \P \V a c ,5a c h V c a \d h c a b \h O b V \Pc u j c h V ic P b a d \h V P d h O h c m\g _c Z b b R h g R e c P Z c %m c W h O m c mV i O W c aO h cj c h d \h ic mb \b c a bb [cj h \j \a c mO e W \h V b [i V Pb [ci V Z h \Z \i j R b c h +O P mb [c c u j c h V i c P b O e h c a R e b a a [\t b [O b b [cj h \j \a c mO e W \h V b [i V a h \g R a b O P mV i i R P c b \P \V a c ,v @wx =?F A !b R h g R e c P Z c %m c W h O m c mV iO W c 0V iO W ch c a b \h O b V \P 0d h c r R c P Z Qa j c Z b h R i 0\j b V iV o O b V \P c a b V iO b V \P 0a b c c j c a b m c a Z c P b i c b [\m收稿日期!$##(%#&%$(0修回日期!$##(%#4%#&基金项目!国家自然科学基金资助项目’(#*/$#-#)0中国博士后科学基金资助’$##*#.&*.&)作者简介!洪汉玉’"4(-y)+男+湖北阳新人+教授+华中科技大学博士后+主要从事红外成像z 图像复原z 气动光学及模式识别与人工智能研究工作1Y %i O V e ![\P W [O P Q {j R g e V Z ,t [,[g ,Z P第$/卷第(期$##(年""月应用光学U \R h P O e \d 5j j e V c m M j b V Z a|\e ,$/+3\,(3\p ,+$##(引言随着航空航天空间技术的发展!从湍流退化图像中有效地恢复出原目标图像!已经引起航空航天领域的特别重视"#$%大气微小温度变化将导致大气风速的随机变化!形成大气的湍流运动%物体通过大气湍流的成像是诸如天文观测&精确制导等在湍流大气环境中工作的天基&地基和机’弹载光学成像传感器系统必然会遇到的问题"($%由于存在大气层!在光线进入成像传感器窗口之前!大气湍流随机地干扰光波的传播")$!使焦平面上的像点强度分布扩散&峰值降低&图像模糊和位置偏移!严重限制了各种湍流大气环境下成像系统的分辨能力和性能!给目标识别带来了很大的困难%各国学者在克服大气干扰&重建畸变图像方面做了大量研究工作!提出了许多有关湍流退化图像恢复的方法和技术%但现有的方法都有其局限性%例如!基于相关技术的斑点全息术需要观测一个与目标邻近的参考星图像"*+,$!对图像数据质量就要求太高!不能有太多噪声!计算时间很长"-$%为了确定湍流对短曝光图像的波前相位扰动!人们提出了波前传感器技术!如波前分析去卷积方法".$和利用波前传感技术的自适应光学方法"/$%波前分析去卷积方法及自适应光学方法虽然可实时校正部分畸变!但这些技术包含有复杂的设备%建造和维护自适应光学系统是非常昂贵的!因此有理由去寻找更佳的方案%由于湍流光学点扩展函数是未知的和随机变化的!因此!其点扩展函数是难以确定的%当点扩展函数无法得到时!必须借助盲目反卷积方法%由于拥有的信息较少!实现这一方法固然就困难些!其关键在于在复原过程中如何合理引入先验信息%盲目反卷积方法是在点扩展函数未知的情况下!不用向导星作参考!而是利用一些合理的先验知识来估计目标的强度%在湍流退化模型未知的情况下!直接从退化图像中估计目标的强度!01234和567891于#://年提出了基于单帧的迭代盲目反卷积方法;<923697=2>?78@52A B8=B?C97B8!<>5D":$!且将其应用在大气湍流退化图像的复原中%在每一次迭代中都对图像进行非负性限制%01234和567891等人的研究激发了宇航学界对盲目反卷积的极大兴趣%这种法虽然在有噪声情况下存在稳定性问题!但被证明是非常有发展前途的%近年来!宇航界对<>5算法的兴趣日益增加%<>5算法对噪声较敏感!缺乏可靠性!许多学者发表了对<>5基本算法的改进"#E$%为了解决盲目反卷积算法对噪声敏感及其解不确定的问题!本文提出了基于最小二乘的盲目优化复原方法!通过在频域中建立一个误差项并使之最小化来获得最佳解!并且在每次迭代过程中使用最速下降法来最小化该误差项!利用傅里叶变换和反变换在迭代过程中将图像和点扩展函数在频域和空域之间反复变换!在变换过程中加入约束条件进行反复修正!以便获得满意的结果%经过这些改进!提高了算法的抗噪能力和稳定性%#基于最速下降法的优化复原算法原理二维图像的形成过程可模型化为F;G!H D I J K;L!M D N;G!H O L!M D@L@M P Q;G!H D;#D 式中R;L!M D S T O;G!H D S U%离散后!;#D式可表达为F;G!H D I VLVMK;L!M D N;G!H O L!M D P Q;G!H D;(D 一般情况下!在短曝光时间内!可假定大气湍流对目标成像的影响具有时移不变性"($!即对于湍流退化图像!其退化过程一般可假定为空不变的"##$!模糊算子具有位移不变性!则有RN;G!H O L!M D I N;GW L!H W M D;)D 将;)D式代入;(D式!得F;G!H DI VLVMK;L!M D N;GW L!H W M DPQ;G!H DI K;G!H DX N;G!H DPQ;G!H D;*D 式中X为卷积符%由;*D式可知!点扩展函数N;G!H D描述了气动流场对目标图像的综合影响%图像复原问题归结为从观测到的退化图像中去除模糊函数的卷积来复原目标图像%对;*D式进行傅里叶变换!在频域中可等价地表示为Y;Z![D I\;Z![D];Z![D P^;Z![D;,D 式中R Y;Z![D!];Z![D!\;Z![D及^;Z![D分别为F;G!H D!K;G!H D!N;G!H D及Q;G!H D的傅里叶变换%在此!可构造基于目标图像和点扩展函频谱的目标函;代价函D为_;\!]D I VZV[‘Y;Z![D W];Z![D\;Z![D‘(;-D 于是!图像恢复问题变为关于目标函;-D的极小a##,a应用光学(E E-!(.;-D洪汉玉!等R红外目标湍流退化图像的优化复原算法化技术求解问题!即"#$%&’!()我们采用最速下降法来对目标函数&*)实现极小化+最速下降法是目前求解最优化问题的一种有效的迭代求解方法,-./+人们在搜索目标函数极小值这类问题时!总希望从某一点出发!选择一个目标函数值下降最快的方向!以利于尽快达到极小点+正是基于这样一种愿望!早在-012年法国数学家345678提出了最速下降法+后来!35998等人做了进一步的研究+最速下降法已经成为一种最基本的最优化算法!在最优化方法中占有重要地位+它对图像复原算法的研究很有启发作用!因此!我们将其引入图像复原过程中+最速下降法的迭代公式是:&;<-)=:&;)<>;?&;)式中?&;)是从:&;)出发的搜索方向+这里取在点:&;)处为最速下降方向!即?&;)=@AB &:&;))>;是从:&;)出发沿方向?&;)进行一维搜索的步长!即>;满足B &:&;)<>;?&;))="#$>C DB &:&;)<>?&;))计算步骤如下E-)给定初点:&-)!允许误差F G D !置;=-H .)计算搜索方向?&;)=@AB &:&;))HI )若J ?&;)J KF !则停止计算H 否则!从:&;)出发!沿?&;)进行一维搜索H 为求>;!使B &:&;)<>;?&;))="#$>C DB &:&;)<>?&;))H 1)令:&;<-)=:&;)<>;?&;)!置;L=;<-!转步骤.)+最速下降法提供了基于目标函数极小化的迭代求解技术!形式简单!收敛速度较快+本文将最速下降法用于目标函数式&*)的迭代极小化求解过程中+为方便起见!采用M N ,/和O ",/分别表示复数的实部和虚部+根据最速下降法!在计算过程中要用到目标函数的导数!因此!将目标函数分别对点扩展函数频谱实部与虚部取导!可以得出目标函数关于点扩展函数频谱的实部与虚部+M N ,’&P !Q )/和O ",’&P !Q)/的梯度分别为A %&M N ,’&P !Q )/)=.R (&P !Q )R .M N ,’&P !Q)/@.&M N ,(&P !Q )/M N ,S &P !Q )/<O ",(&P !Q )/O ",S &P !Q )/)&2)A %&O ",’&P !Q )/)=.R (&P !Q )R .O ",’&P !Q )/@.&M N ,(&P !Q )/O ",S &P !Q )/@O ",(&P !Q )/M N ,S &P !Q )/)&0)同理!可以得出目标函数关于目标图像频谱实部与虚部!即M N ,(&P !Q )/和O ",(&P !Q )/的梯度分别为A%&M N ,(&P !Q )/)=.R ’&P !Q )R .M N ,(&P !Q )/@.&M N ,’&P !Q )/M N ,S &P !Q )/<O ",’&P !Q )/O ",S &P !Q )/)&T )A %&O ",(&P !Q )/)=.R ’&P !Q )R .O ",(&P !Q)/@.&M N ,’&P !Q )/O ",S &P !Q )/@O ",’&P !Q )/M N ,S &P !Q )/)&-D )求出目标函数的上述梯度后!根据最速下降法计算步骤!可采用迭代方式来极小化目标函数!进一步分别估计出点扩展函数频谱的实部和虚部!以及目标图像频谱的实部和虚部+其中&2)式和&0)式是迭代过程中由退化图像频谱和估计的目标图像频谱分别计算目标函数关于点扩展函数频谱的实部和虚部的梯度公式+&T )式和&-D )式是迭代过程中由退化图像频谱和估计的点扩展函数频谱分别计算目标函数关于目标图像频谱实部和虚部的梯度公式+.目标图像频谱的规整化处理为了进一步克服图像复原问题的病态性!在频域上需采用规整化方法!以绕开病态问题+在离散情况下!用二阶差分代替二阶导数+按照平滑规整要求!图像B 的二阶差分应极小+图像的二阶差分可以通过卷积B U ?来计算!其中!二阶差分算子为?=,D -D H -@1-H D -D /!即拉普拉斯算子+用V 表示基本算子?生成的循环矩阵!用循环矩阵和向量来表达卷积+规整化问题可表达为图像二阶差分最小化问题!将二阶差分最小化约束加入到关于目标图像的误差函数式W &B)=J X @’B J .<>J V B J .中+其中>为平滑因子+利用循环矩阵的对角化技术把去卷积问题变为频域滤波问题!并在频域中可得到(&P !Q )=S &P !Q )’Y&P !Q )R ’&P !Q )R .<>R V &P !Q )R.&--)根据以上分析!为稳定复原效果!将上述规整化法加入到估计目标图像频谱的梯度公式中+由此可将&T )式和&-D )式修改为A %&M N ,M N ,(&P !Q )//)=.&R ’&P !Q )R .<>R V &P !Q)R .)Z M N ,(&P !Q )/@.&M N ,’&P !Q )/Z M N ,S &P !Q )/<O ",’&P !Q )/Z[.-\[应用光学.D D *!.2&*)洪汉玉!等E 红外目标湍流退化图像的优化复原算法!"#$%&’()*)%+,) -.%/0#!"#1%&’()**)2,%34%&’()3,5637%&’()3,)8!"#1%&’()*9,%/0#4%&’()*8!"#$%&’()*9!"#4%&’()*8/0#$%&’()*)%+:) :基于先验知识的约束条件控制迭代过程从一个起始的目标图像频谱值1;及点扩展函数频谱4;开始’在迭代过程中’采用最速下降法交替地估计出点扩展函数频谱的实部和虚部及目标图像频谱的实部和虚部<在每次迭代中加入点扩展函数的频域带限约束及其空域的非负性约束和支持域限制<点扩展函数是一个冲激函数’它的频带是有限的’因此可以构造一个带限滤波器’抑制或截断点扩展函数频谱中高于某一带限频率的空间频率’对其频谱进行带限控制’然后对点扩展函数频谱进行反傅里叶变换’转换到空域进行空域约束<采用非负性和支持域限制作为点扩展函数空域约束的先验条件’并对目标图像实施正性约束’保证目标图像的正性<=算法实现我们采用最速下降法来求解目标图像和点扩展函数频谱’整个迭代过程主要由采用最速下降法估计目标图像和点扩展函数频谱的实部和虚部的=个内循环组成<图+为基于梯度最速下降的优化复原算法流程图<迭代过程从一个起始预设值1;和4;开始’采用最速下降法经过=个循环估计目标图像和点扩展函数频谱’交替地使用>>?和!>>?图+基于最速下降的优化复原算法流程图@A B C+@D E FG H I J K E L E M K A N A O I K A E PJ Q R K E J I K A E PI D B E S J A K H N T I R Q UE PR K Q Q M Q R K U Q R G Q P K N Q K H E U 在空域和频域中对目标图像和点扩展函数进行约束’进行下一次迭代’如此反复进行’直至满足迭代中止条件’可获取稳定复原结果<V实验结果与分析为验证复原算法的有效性及其稳定性’我们在微机上%W0X Y Z["!\’V+,]内存)编程’对本文最速下降复原算法进行了实现和复原验证实验<图,%^)为用红外热像仪所拍的直升机图像%红外原图’大小为+,_8+,_)‘图,%a)为原图的频谱<图:%^)为用气动光学软件#,*生成的湍流模糊图像<采用本文算法恢复出的图像如图:%a)所示’恢复耗时V C,,+_秒<模糊图像频谱及恢复出的频谱分别为图:%b)和图:%c)’通过频谱比较可知’图像的高频部分得到增强’目标轮廓细节得到了很好的恢复<图,红外飞机原图及其频谱@A B C,d J A B A P I D A P L J I J Q U A N I B Q E L K H Q M D I P QI P UA K R L J Q e f Q P G g R M Q G K J f N图:模糊图像和恢复图像及其频谱@A B C:h D f J J Q U A N I B Q’J Q R K E J Q UA N I B QI P UK H Q A J L J Q e f Q P G g R M Q G K J f N R下面主要验证本文算法对复杂背景目标图像i:+Vi应用光学,;;j’,k%j)洪汉玉’等l红外目标湍流退化图像的优化复原算法的恢复效果及抗噪性能!图"为地面目标图像#大小为$%&’$%&(!图)#*(为地面目标模糊图像#无噪(+为了验证算法的抗噪能力+在模糊图)#*(的基础上添加高斯白噪声+使图像信噪比分别为,-./+%-./+$-./+得出的退化图像如图)#0(+#1(和#.(所示!采用本文算法分别从图)#*(+#0(+#1(和#.(中恢复出的图像如图2#*(+#0(+#1(和#.(所示!从视觉效果上看+地面目标得到了较好的复原!下面进一步以评价参数均方根误差#344567*89:;*3773343(<=>?@$AB C AD $E@-C BD $F @-G H I #E +F (DH #E +F (J KL%$%作为客观定量标准度量图像性能#与原图比较(!不同噪声条件下的模糊图像及恢复图像的<=>?值列于表$!从表$可知+本文恢复算法将图像的<=>?误差值#与原图像比较(平均降低"以上+且在各种强噪声较低信噪比#$-M,-./(条件下复原效果比较稳定+说明本文算法恢复效果具备很强的图"复杂背景原图N O P Q "R S O P O T U V O W U P X Y O Z [\]W ^V X _‘U \a P S ]b T c图)不同信噪比的退化图像#模糊d 噪声(N O P Q )e X P S U c X c O W U P X f Y O Z [c O g g X S X T Z h i j f #‘V b S d T ]O f X (抗噪性能!表$均方误差<=>?值比较k U ‘V X $l ]W ^U S O f ]T]g Z [X j mh no U V b X f 信噪比>p <q#无噪(,-./%-./$-./模糊图的<=>?%2Q )r 2s s %2Q 2$r $&%2Q &"$s s %r Q %r ,s "复原图的<=>?%%Q s )$--%%Q s 2,")%%Q &"%)$%,Q 2%%r ,在本文算法的图像盲目复原中+由于点扩展函数也是未知的+需从图像观测数据中估计点扩展函数和恢复原图像+即t #u +v (含有%个未知项w #u +v (和H #u +v(+且图像包含有随机噪声+因此复原出的图像H I #u +v (与原图像H #u +v (会有差距!由公式t #u +v (@H #u +v (x w #u +v (d y #u +v (可知+恢复图像质量与点扩展函数的估计w I #u +v (有关+且受噪声影响!由此可知+要提高图像复原质量+可采用更先进的z 具有鲁棒性和抗噪性的最优化方法#如共轭梯度法和神经网络方法等(+以及引入更完整的先验约束知识估计出与实际点扩展函数w #u +v(尽可能接近的数值w I #u +v (!这也是本文算法可以进一步改进的方向!图2在各种信噪比条件下恢复出的图像N O P Q 2j X f Z ]S X cO W U P X f b T c X S Z [X \]T c O Z O ]T]g c O g g X S X T Z h i j f2结论湍流退化图像复原是一个跨学科的前沿性课题+富有挑战性+它具有很大的应用前景!在湍流点扩展函未知的情况下+本文提出一种基于最速下降法的图像频谱优化复原算法!针对红外目标湍流退化图像+进行了一系列图像恢复实验+验证了本{"$){应用光学%--2+%s #2(洪汉玉+等|红外目标湍流退化图像的优化复原算法文算法的可行性和有效性!实验结果表明"本文算法的恢复性能和抗噪性较好"尤其在各种强噪声干扰的情况下恢复效果比较稳定"在航天光学成像传感器和空中目标探测与识别系统中具有应用前景!参考文献#$%&洪汉玉"张天序’基于各向异性和非线性规整化的湍流退化图像复原$(&’宇航学报")**+"),-%.#,/%%’0123045/67"80923:;45/<7’=>?@A B4@;A5A C @7B D7E>5F>/G>H B4G>G;I4H>?7?;5H45;?A@B A J;F45G5A5E;5>4B B>H7E4B;K4@;A5$(&’(A7B54E A C9?@B A/547@;F?")**+"),-%.#,/%%’-;5L M;5>?>.$)&张天序"洪汉玉’基于估计总体点扩展函数值的湍流退化图像复原$(&’自动化学报")**N")O-+.#,P N/,Q%’80923:;45/<7"0123045/67’=>?@A B;5H@7B D7/E>5F>/G>H B4G>G;I4H>?D4?>G A5@M>>?@;I4@;A5A C@7B D7E>5F>J A;5@?J B>4G C75F@;A5R4E7>?$(&’9F@497@A I4@;F4S;5;F4")**N")O-+.#,P N/,Q%’-;5L M;5>?>.$N&曹青华"彭仁军"吴键’激光在湍流大气中的干涉仿真$(&’应用光学")**T")P-+.#N%)/N%+’L91U;5H/M74"V W23=>5/X75"YZ(;45’[5@>B C>B>5F>?;I7E4@;A5A C E4?>B D>4I J B A J4H4@;A5;5@7B D7E>5@4@I A?J M>B>$(&’(A7B54E A C9J J E;>G1J@;F?")**T")P-+.#N%)/N%+’-;5L M;5>?>.$+&\9]W^=[W9’9@@4;5I>5@A C G;C C B4F@;A5/E;I;@>GB>/ ?A E7@;A5;5E4B H>@>E>?F A J>?D6_A7B;>B454E6K;5H?J>F‘E>J4@@>B5?;5?@4B;I4H>?$(&’9?@B A5A I645G9?@B A J M6?;F?"%O P*"-T.#Q,/Q P’$,&\10a9229Y"YW[3W\:3"Y[=2[:8W=]’S J>F‘E>I4?‘;5H;54?@B A5A I6#@B;J E>F A B B>E4@;A5@M>A B645G4J J E;F4@;A5?$(&’9J J E;>G1J@;F?"%O Q N"))-)+.#+*)Q/+*N P’$T&_12b92W\\9(L"S W c W9’=>F A5?@B7F@;A5A C @7B D7E>5F>/G>H B4G>G;I4H>?7?;5H@M>d5A</:M A I J?A54E H A B;@M I$(&’(A7B54EA C@M>1J@;F4ES A F;>@6A C9I>B;F49"%O Q P"+-N.#+N Q/++Q’$P&_1=b Sb"YW\S0]a"=133W a922a L’L A5?@B4;5>G E>4?@/?e74B>?>?@;I4@;A5;5G>F A5/R A E7@;A5C B A I f4R>C B A5@?>5?;5H$(&’1J@;F?L A I I75;F4@;A5?"%O O Q"-%,%.#O N/%**’$Q&2[S W2S12V"]9=9d9:=’V4B@;4E4@I A?J M>B;FF A B B>F@;A5f;@M4G4J@;R>A J@;F?$(&’(A7B54E A C@M>1J@;F4E S A F;>@6A C9I>B;F49"%O Q P"+-%).#))+O/)),N’$O&9^W=S3="b9[2:^(L’[@>B4@;R>D E;5GG>F A5/ R A E7@;A5I>@M A G45G;@?4J J E;F4@;A5?$(&’1J@;F?\>@@>B"%O Q Q"N-P.#,+P/,+O’$%*&\92W=3’]E;5GG>F A5R A E7@;A5A C?J>F‘E>;I4H>?$(&’(A7B54E A C@M>1J@;F4E S A F;>@6A C9I>B;F49"%O O)"O-O.#%,*Q/%,%+’$%%&293^(3"V\W aa129S=(":1=3W=S W2: L’[@>B4@;R>;I4H>B>?@A B4@;A57?;5H4J J B A<;I4@>;5R>B?>J B>F A5G;@;A5;5H$(&’[W W W:B45?A5[I4H>V B A F>??;5H"%O O T",-P.#%%,%/%%T)’$%)&陈宝林’最优化理论与算法$a&’)版’北京#清华大学出版社")**,’L0W2]4A/E;5’1J@;I;K4@;A5:M>A B645G9E H A/B;@M I$a&’)@M>G’]>;X;5H#:?;5H M74Z5;R>B?;@6V B>??")**,’g,%,g应用光学)**T")P-T.洪汉玉"等#红外目标湍流退化图像的优化复原算法。
红外成像技术中的信号处理算法研究
红外成像技术中的信号处理算法研究红外成像技术是一种通过探测物体发出的红外辐射来获取其热图像的技术。
相较于可见光成像技术，红外成像技术可以穿过烟雾、雾气、雨雪、灰尘等障碍物，具有高分辨率、低光照度下工作的能力等优点，被广泛应用于军事、安防、消防、医疗、建筑等领域。
而信号处理算法是红外成像技术中十分重要的一环，它能够从大量的红外能谱测量数据中提取出特定信息，为热成像图像的生成、事件监测、物体识别等方面提供了基础。
一、红外成像技术中的信号处理算法的基本任务在红外成像技术中，信号处理算法的主要任务是从探测器输出的原始红外能谱数据中提取有用的信息。
这些信息包括温度值、物体形状、物体位置、物体材质等，是热成像图像生成、温度分布监测、异常识别等方面必不可少的。
而这些信息的提取需要通过一系列信号处理算法来实现。
二、红外成像技术中的信号处理算法的分类在红外成像技术中，信号处理算法主要分为以下几类：1. 基于统计的算法基于统计的算法主要是通过对红外图像中像素点的统计分析来提取有用的信息。
这些算法主要包括均值滤波、中值滤波、高斯滤波等，它们能够去除噪声、提高图像的质量，为后续的图像分析提供了基础。
2. 基于特征提取的算法基于特征提取的算法主要是通过对红外图像的一些特征进行分析来提取有用的信息。
这些算法主要包括边缘提取、纹理识别、形状识别等，它们能够提取目标的边缘特征、纹理特征、形状特征等信息，为目标的识别、跟踪等方面提供了基础。
3. 基于机器学习的算法基于机器学习的算法主要是通过对大量数据样本的学习来实现数据的分类、识别等任务。
这些算法主要包括支持向量机、决策树、神经网络等，它们能够对数据进行分类、识别等处理，为医学诊断、军事监测等方面提供了基础。
三、红外成像技术中的信号处理算法研究的应用在红外成像技术中，信号处理算法的应用非常广泛。
它们能够对大量的数据进行处理，为热成像图像的生成、目标跟踪、异常检测等方面提供了基础。
图像复原技术的研究
Ａｂ ｔ ａ ｔ Ａ ｅ ｓｒ ｃ ： ｎ ｗ ｍｅｈ ｄ ｏ ｌ ｄ ｉ ｇ ｒ ｓｏ ａｉ ｎ ｉ ｕ ｏ ｗａ ｄ ｔ ｓ ｌ ｅ ｈ ｄ ｓ ｄ ａ ｔ ｇ ｓ ｏ ｇ ｉ ｉ ｇ ｔ ｅ ｎ ｉｅ ａ ｄ ｔ ｏ ｆ ｂ ｉ ｍａ ｅ ｅ ｔ ｒ ｔｏ ｓ ｐ ｔ ｆ ｒ ｒ ｏ ｏ ｖ ｔ ｅ ｉａ ｖ ｎ ａ ｅ ｆ ｍａ ｎ ｆ ｎ ｈ ｏ ｓ ｎ ｎ ｙ ｔ ｅ ｈ ｎ ｍｅ ａ ｆ ｅ ｇ ｉ ｇＴｈ ｅ ｕ ｔ ｆ ｔ ｅ ｉ ｌｔ ｄ ｘ ｅ ｉ ｎ ｓ ｏ ｈ ｐ ｅ ｏ ｎ ｏ ｄ ｅ ｒｎ ． ｅ ｒ ｓ ｌ ｏ ｓ ｓ ｈ ｍｕ ａ ｅ ｅ ｐ ｒ ｍｅ ｔ ｈ ｗ ｔ ａ ｈ ｎ ｗ ａ ｇ ｒｔ ｍ ａ ａ ｖ ｎ ａ ｅ ｏ ｅ ｈ ｈ ｔｔ ｅ ｅ ｌｏ ｈ ｈ ｓ ｄ ａ ｔｇ ｓ ｖ ｒ ｔｅ ｉ
１ 引言
由于图像在成像 、 复制 、 扫描 、 传输等过程 中 ， 可能会受到
噪声的干扰 ， 而导致 图像的降质 和模糊 现象 。图像 复原技 从
复 原方 法进 行了 改进 ， Ｌ ｃ—ｉ ａ ｓ 算 法 的基础 上 ， 在 ｕｙＲｃ ｒ ｏ ｈｄｎ 在 Ｐ Ｆ和噪声信息 都未知 的情 况下 ， Ｓ 通过估计 Ｐ Ｆ值 、 Ｓ 边缘提取
和 形态 学膨胀 和 区域填 充技 术 ， 重建 复原 图像 ， 提高复 原质
术就 是对 降质图像进 行处理 ， 使恢 复后 的图像最大程 度接近 原始 图像 。它是机 器视 觉 、 图像 处理 、 模式 识别 等技术 的基 础， 在很多领域 ， 如天文学 、 遥感成像 、 医疗图像等有着广泛 的 应用前景 。 图像复原 可 以看 成是 图像 退化的逆过 程 ， 是将 图像 退化 的过 程加以估计 ， 立退 化的数学模型后 ， 建 补偿退化过程造成 的失真 ， 以便获 得未经 干扰退化 的原始 图像 或原始 图像的最 优估 计值 ， 从而 改善图像质 量 。 目前应用最 广泛 的图像 复原 算法是 Ｌ ｃ． ｉ ａｄｏ ， ｕ ｙＲ ｃ ｒｓｎ 随着迭代次数的增加 ， ｈ 最终将会收敛 在 泊 松 统 计 的 最 大 似 然 解 处 ［］ 当 点 扩 展 函 数 （ ｏｎ １０ － ２ Ｐ ｉｔ Ｓ ｒａ ｕ ｃｉ ， Ｓ ） ｐｅｄ Ｆ ｎ ｔ ｎ Ｐ Ｆ 已知 ， 图像 噪声未知 的时候 ， ｏ 但 可以使
红外图像质量提升关键技术研究
红外图像质量提升关键技术研究红外图像质量提升关键技术研究摘要：随着红外技术的快速发展和广泛应用，红外图像质量提升的需求日益迫切。
本文基于红外图像质量的不完美和困难性及其研究现状，重点讨论了红外图像质量提升的关键技术，包括图像预处理、图像增强和图像重建等方面。
通过对这些关键技术的介绍和分析，可以为红外图像质量提升提供有效的参考和指导。
一、引言红外成像技术由于其在夜间或低光条件下的优越性被广泛应用于军事、安防、医疗和工业领域。
然而，由于红外传感器的固有缺陷和红外图像获取过程中的噪声干扰，红外图像往往存在质量不高、细节不清晰和对比度较低等问题。
因此，研究和发展红外图像质量提升的关键技术至关重要。
二、红外图像质量不完美的原因红外图像质量的不完美主要源于以下几个方面：1. 低光条件下的成像限制：由于红外辐射能量较低，红外图像在低光条件下往往较暗，影响图像的清晰度和亮度。
2. 红外传感器的固有缺陷：红外传感器本身存在像点非均匀性、响应不稳定性和固有噪声等问题，会降低图像的质量。
3. 红外图像获取过程中的噪声干扰：摄像机传感器在图像采集过程中会受到热电偶效应、暗电流和热噪声等噪声的干扰，进一步影响图像的质量。
三、图像预处理图像预处理是红外图像质量提升的重要环节，其目的是消除红外图像中的噪声、增强图像的对比度和细节。
常用的图像预处理方法包括：1. 噪声去除：红外图像中的噪声主要包括背景噪声和红外图像传感器本身的噪声，可以通过滤波、降噪算法和小波变换等方法进行噪声去除。
2. 图像增强：图像增强是为了提高红外图像的亮度和对比度，常用的增强方法包括直方图均衡化、灰度拉伸和局部对比度增强等。
3. 图像去模糊：由于成像系统的限制和物体自身的姿态变化，红外图像中常常存在模糊和失焦问题，可以通过图像去模糊算法进行处理，提高图像的清晰度和细节。
四、图像增强图像增强是红外图像质量提升的核心技术之一，其目的是通过对图像的亮度、对比度和细节进行调整，提高观察者对图像的感知。
fine-to-coarse reconstruction算法-概述说明以及解释
fine-to-coarse reconstruction算法-概述说明以及解释1.引言1.1 概述:在计算机视觉领域，图像重建是一项重要的任务，其目的是从输入的低分辨率图像中生成高质量的高分辨率图像。
Fine-to-Coarse Reconstruction算法是一种常用的图像重建算法，它通过逐渐增加图像的分辨率级别，从粗到细地重建图像，以获得更加清晰、细节丰富的图像。
Fine-to-Coarse Reconstruction算法在图像处理和计算机视觉中有着广泛的应用，能够有效地提高图像质量和细节信息的还原程度。
本文将详细介绍Fine-to-Coarse Reconstruction算法的原理、应用和优势，希望能为读者提供深入了解和应用该算法的指导。
1.2 文章结构本文主要分为引言、正文和结论三部分。
在引言部分中，我们将对Fine-to-Coarse Reconstruction算法进行概述，并介绍文章的结构和目的。
在正文部分，我们将详细介绍Fine-to-Coarse Reconstruction算法的原理以及其在实际应用中的表现。
我们将重点讨论该算法在图像处理、计算机视觉等领域的应用，并探讨其优势和局限性。
最后，在结论部分，我们将对整篇文章进行总结，展望Fine-to-Coarse Reconstruction算法的未来发展方向，并留下一些思考和结束语。
整个文章结构清晰，层次分明，将帮助读者全面了解和理解Fine-to-Coarse Reconstruction算法的重要性和价值。
1.3 目的Fine-to-Coarse Reconstruction算法的目的是通过逐步从细节到整体的重建过程，实现对图像或模型的高效重建。
通过逐步迭代的方式，算法能够在保持细节的同时，提高重建的速度和准确性。
本文旨在深入探讨Fine-to-Coarse Reconstruction算法的原理、应用和优势，以期能够为相关研究和应用提供更多的启发和帮助。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第27卷第1期2008年2月红外与毫米波学报J.I nfrared M illi m .W avesVol .27,No .1Februaby,2008文章编号:1001-9014(2008)01-0115-04收稿日期:2005212221,修回日期:2006206218 Rece i ved da te:2005212221,rev ised da te:2006206218基金项目:国家自然科学基金(60572040)和中国博士后科学基金(2005038538)资助项目作者简介:洪汉玉(19642),男,湖北阳新人,教授,博士后,主要研究方向为光电成像、图像复原和图像分析等.红外目标图像循环迭代复原算法的加速技术研究洪汉玉1,2, 王 进1, 张天序1, 易新建1(1.华中科技大学图像识别与人工智能研究所电子科学与技术博士后流动站,湖北 武汉 430074;2.武汉工程大学图像处理与智能控制实验室,湖北 武汉 430074)摘要:为了提高图像处理的实时性,本文针对作者先前提出的循环迭代图像复原算法迭代次数多、收敛速度慢等问题,提出了一种基于线性搜索的加速迭代技术.该加速技术利用泰勒级数展开式根据当前次的迭代结果对下次迭代数据进行预测,合理地跳过原有的一些迭代点,从而加快算法收敛.在达到相同复原效果条件下,减少了迭代次数,提高了算法的实时性.本文对收敛加速技术进行了理论分析和推导,在微机上进行了一系列的对比实验,实验结果表明,本文给出的加速技术效果显著,获取了加速因子的有效取值等一些有用的实验参数,算法具有实用价值.关 键 词:红外目标;气动光学;图像复原;迭代算法;加速技术中图分类号:TP391.41 文献标识码:ASTU DY ON ACCE LERATI ON TECHNI QUE OF C I RCU LATI ONI TERATI VE REST ORATI ON ALG ORI TH M F ORI NFRARE D TARGET I M AGESHONG Han 2Yu1,2, WANG J in 1, ZHANG Tian 2Xu 1, YI Xin 2J ian1(1.I nstitute f or Pattern Recogniti on and A rtificial I ntelligence,Electric Science and Technol ogy Postdoct oral Stati on,Huazhong University of Science and Technol ogy,W uhan 430074,China;borat ory for I m age Pr ocessing and I ntelligent Contr ol,W uhan I nstitute of Technol ogy,W uhan 430074,China )Abstract:A i m ing at the p r oble m s that our p revi ous p r oposed the circulati on iterative rest orati on algorith m needs many iter 2ative ti m es and it converges very sl owly,an iterative accelerating technique based on linear search was p resented here t o de 2crease the ti m e of i m age p r ocessing .By adop ting the Tayl or series of expansi on ite m s,the accelerati on technique esti m ated in advance the next iterative result based on the current iterative result,and ski ped s ome p revi ous iterative points .I n this way,it made the algorith m converge more quickly .On conditi on that the al m ost sa me rest orati on result as the p revi ous res 2t orati on algorith m was obtained,the required iterative ti m es were reduced and the real 2ti m e p r ocessing was heightened .Theoretical analysis and derivati on of the accelerating convergence technique were p resented .A series of comparis on experi 2ments had been made on PC .Our results show that the p r oposed accelerati on technique has a significant effect .Some useful experi m ental para meters such as valid accelerating fact or are obtained .The p r oposed rest orati on algorith m can be used in p ractical app licati on .Key words:infrared target;aer o 2op tical;i m age rest orati on;iterative algorith m;accelerati on technique引言为了提高新一代防空系统的成像探测、识别能力,大气扰动引起的湍流退化图像的复原校正问题,已经引起各国航天和国防部门的特别重视[1].发达国家20世纪80年代初就投入大量人力与物力,耗费巨资系统性开展气动光学效应与校正技术研究.大气湍流引起的光学失真会导致目标图像模糊,有碍于目标的检测与跟踪[2].由于高速流场对目标成像影响的复杂多变性,导致流场的光学点扩展函数难以测定,其形式也是无法事先确定的,且是随机变化的,这就给目标图像的复原带来了很大的困难,另外,退化图像还含有噪声,这进一步增加了复原的难度[3].针对气动光学效应退化图像的校正复原问题,作者在文献[4]中提出了一种有效的循环迭代复原算法,但这种算法是基于逐步迭代技术,需要足红外与毫米波学报27卷够多次迭代才能获得满意的复原效果,耗时长.在目标跟踪过程中,图像处理实时性要求比较高.因此,提高图像复原算法的实时性非常重要.迭代收敛加速意味着算法具有更快的处理速度,在不引入外来干扰的条件下,减少复原时间[5].针对红外目标图像循环迭代复原算法,本文研究的加速迭代技术改进了循环迭代复原算法,提高了算法的处理速度,达到了快速处理的目的.1 循环迭代复原算法的原理作者在文献[4]中提出了一种循环迭代复原算法,其算法原理及推导过程在文献[4]中已经进行了详细论述.在此,将主要结论简介如下:定义目标强度为非负函数:{f(x),x∈X},定义点扩展函数为:{hk(y|x),y∈Y},k=1,2,…,K,其中k为帧序号.定义ik(y)为第k帧图像在坐标y处的强度,则有i k(y)=∑x∈Xh k(y|x) f(x)=∑x∈Xh k(y-x)f(x) .(1)设图像像元位置y处实际观测到的图像数据灰度值为gk (y),gk(y)=ik(y)+n(y),其中n(y)为像元位置y处的噪声项.可以假定gk(y)是一个以i k(y;f,h k)为均值的服从泊松分布的独立随机变量,因此,在像元位置y处取整数灰度值gk(y)的概率可以表达为P(g k(y)|f,h k)=i g k k e-i kg k! .(2)由文献[4]可知,假定已得到f(n)和h(n)k,求f(n+1)和h(n+1)k时,可建立如下非线性迭代关系 f(n+1)(x)=f(n)(x)1K ∑k∑y∈Yg kh(n)k(y-x)∑z∈Xh(n)k(y-z)f(n)(z) .(3) h(n+1)k (x)=h(n)k(x)∑y∈Ygk(y)f(n+1)(y-x)∑z∈Xh(n)k(z)f(n+1)(y-z) ,(4)其中上标n为第n次迭代.为充分利用式(3)及式(4)中的目标与点扩展函数的内在关系,将算法流程作些调整,增加内循环迭代次数.算法要进行两个内循环迭代,假定已得到f(n),求f(n+1)时,进行如下M1次迭代 f(n+1)(m+1)(x)=f(n)(m)(x)1K∑k∑y∈Ygk(y)h(n)k(y-x)∑z∈Xh(n)k(y-z)f(n)(m)(z), (m=0,1,…,M1-1)(5)求解得到f(n+1)后,假定已知h(n)k求h(n+1)k时,进行如下M2次迭代: h(n+1)k(m+1)(x)=h(n)k(m)(x)∑y∈Yg k(y)f(n+1)(y-x)∑z∈Xh(n)k(m)(z)f(n+1)(y-z) , (m=0,1,…,M2-1)(6)其中下标m表示内循环,在求解f(n+1)及h(n+1)k的内循环中,分别进行M1和M2次迭代.完成所有内循环迭代后进入外循环,外循环执行N次(n=0,1,…,N-1).一般情况下,求解f(n+1)的内循环次数M1较少,求解h(n+1)k的内循环次数M2较多.2 基于线性搜索的迭代加速方法基于线性搜索的迭代加速方法利用当前迭代点所具有的信息预测下次迭代的结果,从而减少迭代次数,达到迭代加速的目的.针对本文红外图像复原算法迭代加速方法,其加速原理可用图1和图2来示意.图1为原循环迭代算法各迭代点所对应的似然函数值,随迭代步的增多,似然函数值变化比较缓慢,图2为迭代加速后迭代点与似然函数值的变化.不加速时,循环迭代复原算法严格按照迭代步进行,所需迭代点较多;应用加速后,算法能够预测下次迭代点,从而跳过这些预测迭代点,在达到相同似然水平条件下减少迭代次数.6112期洪汉玉等:红外目标图像循环迭代复原算法的加速技术研究利用泰勒级数展开式来对迭代点进行预测.泰勒级数的完整形式是 sk+α=sk+αΔs k+12α2Δ2sk+…+1n!αnΔn sk+… ,(7)其中,Δn sk 是sk的第n次差分.利用泰勒级数的前两项对sk+α进行近似s k+α≈s k+αΔs k .(8)本文循环迭代图像复原算法求解h(n+1)k的内循环迭代次数较多,减少内循环迭代次数M2是加速迭代的重点,应用式(8)对点扩展函数迭代点进行预测,在式(6)中,令 ψ(hm )=h(n+1)k(m+1)(x)=h(n)k(m)(x)∑y∈Yg k(y)f(n+1)(y-x)∑z∈Xh k(n)(m)(z)f(n+1)(y-z) ,(9)h m是内循环中m次迭代后PSF的估计值,即为h n m.线性搜索技术提供一个加性的校正因子,对点扩展函数估计值进行预测h m+1=h m+λd m ,(10)其中,dm=ψ(h m)-h m在这里,d m是由迭代算法产生的差分向量,用来作为梯度方向的估计,dm即为式(8)中的Δsk.λ称为加速因子.本文将λ设定为常量.在式(7)中,取泰勒级数的二阶展开项能够使迭代点更加精确.为简便起见,本文加速方法主要采用泰勒级数的一阶项.3 实验结果分析为了能客观地评价算法的图像恢复质量,本文统一采用归一化均方误差NMSE[3]对图像质量进行度量.同时,为了对加速的效果进行评价,引入加速比μ,定义加速比μ=TN/T A,其中T N为算法未加速时所耗时间,TA为加速后耗时.加速比μ越大表明算法加速效果越好,耗时小.图3(a)为小目标红外原始图像(红外斑点目标,远距离飞机),大小为128×128.图3(b)为退化图像,图3(c)为采用原循环复原算法复原出的图像,图3(d),图3(e)和图3(f)为采用本文基于线性搜索的加速技术,加速因子λ分别取2,6和8时,所恢复出的图像.由实验结果可以看出,原算法处理耗时10.3s,对该算法应用加速技术后,在复原效果基本相同的条件下,λ=2时,耗时5.8s,加速比μ= 1.8;λ=6时,耗时2.8s,加速比μ=3.7;λ=8时,耗时2.4s,加速比μ=4.3.图4给出λ在1～12之间变化时,在相同复原效果的条件下,算法耗时曲线图.由图可见,随着λ增大,复原算法耗时逐渐减少,当λ≥8时耗时趋近于2s,当λ过大时,加速太快,引起算法不稳定,复原效果差.图5给出了λ在1～15之间变化时,在相同迭代次数的条件下,复原图像与原图像之间的归一化均方误差NMSE.由图5可见:当1≤λ≤10时, NMSE较小,且数值基本上保持不变;当λ>11时, NMSE迅速增大,这说明加速因子λ过大时,算法将不稳定.考虑到加速因子λ越大算法耗时越少,但λ过大时,算法将不稳定.根据图4和图5的试验结果,可以看出,加速因子λ在4到8之间取值较为合适.图6和图7给出了空中小目标序列图像复原前711红外与毫米波学报27卷后跟踪结果对比,图6为序列模糊图像的跟踪结果,跟踪失败,图7为采用本文算法恢复后的小目标序列图像的跟踪结果,能准确捕获目标,这说明算法具有实用价值.图7 采用本文算法恢复后的小目标序列图像的跟踪结果,准确捕获目标Fig.7 S mall object track result for serial infrared i m ages re2 st ored by our algorith m,object is cap tured4 结语 本文将加速收敛技术应用于迭代过程中,有效地减少了迭代次数,提高了算法的处理速度,使循环迭代复原算法更加有利于实际应用.在微机上进行了一系列的对比实验,实验表明本文的加速迭代技术效果显著,从实验中得出了加速因子的合理取值以及加速比结果等一些有用的实验参数,具有实用价值,本文算法已成功移植到了气动光学图像校正多DSP并行校正实时处理系统中.REFERENCES[1]YI N Xing2L ian.P rinciple of A ero2O ptical[M].Beijing:Chi2na Aer os pace Press(殷兴良.气动光学原理.北京:中国宇航出版社),2003.[2]HONG Han2Yu,Z HANG Tian2Xu,Y U Guo2L ian.Regular2ized rest orati on algorith m of astr onautcal turbulence2degradei m ages using maxi m u m2likelihood esti m ati on[J].J.Infra2red M illi m.W aves(洪汉玉,张天序,余国亮.航天湍流退化图像的极大似然估计复原算法.红外与毫米波学报), 2005,24(2):130—134.[3]HONG Han2Yu,ZHANG Tian2Xu.I nvestigati on of rest ora2ti on algorith m f or degraded i m ages caused by aer o2op tics effects using multi2res oluti on blind deconvoluti on[J].Chi2 nese Journal of Co m puters(洪汉玉,张天序.基于多分辨率盲目去卷积的气动光学效应退化图像复原算法.计算机学报),2004,27(7):952—963.[4]HONG Han2Yu,Z HANG Tian2Xu,YI Xin2J ian,et al.Study on circulati on iterative rest orati on algorith m of degrad2 ed i m ages with aer o2op tical effects[J].Journal of Hua2 zhong U niversity of Science A nd Technology(N ature Science)(洪汉玉,张天序,易新建,等.气动光学效应退化图像循环迭代复原算法研究.华中科技大学学报(自然科学版)),2005,33(9):15—18.[5]B iggs S C,AndrewsM.Accelerati on of iterative i m age rest o2rati on algorith m s[J].A ppl.O pt.,1997,36(8):1766—1775.811。