一种多尺度retinex和FASTICA结合的红外热像处理方法技术

公开一种多尺度retinex和FASTICA结合的红外热像处理方法，包括下列步骤：激光红外热成像；FASTICA图像处理；多尺度Retinex图像降噪；信噪比计算。本发明专利技术基于Retinex的FASTICA红外热像处理方法能够对红外热像进行增强处理以显示图像关键信息，对激光红外无损检测的效果有较明显的视觉改进，亦可以通过这种方法对其他各行业类型的图像优化处理。对其他各行业类型的图像优化处理。对其他各行业类型的图像优化处理。

【技术实现步骤摘要】
一种多尺度retinex和FASTICA结合的红外热像处理方法


[0001]本专利技术涉及红外热像处理技术，具体涉及基于retinex的快速独立成分分析(FASTICA)红外热像处理方法。

技术介绍

[0002]红外热像可以捕捉关键信息，如材料的各类缺陷、人体的各类症状、设备的干扰识别等，然而诸多干扰因素影响红外热像关键信息的识别和提取，造成红外热像出现低分辨率、低对比度、低信噪比等缺陷。红外热像增强算法通过对红外图像的修正，有利于对关键信息进一步分析。经过多方面优化研究后，红外热像降噪、对比度增强算法等各种算法根据具体情况相结合可以综合发挥优势以提升图像质量。对具体材料如碳纤维层合板进行红外热像检测缺陷时，因缺陷大小深浅不同，实验中试件摆放位置，加热激光的干扰等各种因素会影响到缺陷检测效果，红外图像增强算法成为补偿检测效果欠佳的有力手段。
[0003]红外热像的缺陷信息模糊可能与其具有一定的高斯性相关，为降低图像高斯性提高关键图像信息的独立性，引入独立成分分析的方法。独立成分分析
‑
ICA(Independent Component Analysis)是信号处理中实现信号分离的处理方法，通过解混合矩阵找到观测信号和原信号之间的数学关系，基于定点迭代的FASTICA算法即基于负熵最大的快速独立成分分析，利用最大熵原理来近似负熵，并通过一个合适的非线性函数g使其达到最优。相较于普通的ICA算法而言，收敛速度更快，且无需对迭代时的步长参数进行设定。
[0004]缺陷检测通常需要缺陷区域与非缺陷区域的对比，而Retinex及其衍生算法具有颜色保持和细节突出的图像处理能力。Retinex理论是一种非线性算法，其基本思想是光照强度决定原始图像中所有像素点的动态范围大小，而原始图像的固有属性则是由物体自身的反射系数决定，即假设反射图像和光照图像相乘为原始图像。Retinex处理红外图像时可以在保留细节信息的同时降低图像噪声。随着研究进展，多尺度Retinex能够解决单尺度Retinex中不能同时兼顾动态范围压缩和色感一致性的问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种多尺度retinex和FASTICA结合的红外热像处理方法，包括下列步骤：
[0006]步骤1：激光红外热成像
[0007]利用激光红外热成像无损检测系统对碳纤维层合板进行激光红外无损检测，经过激光红外热成像得到num帧的红外热图序列；
[0008]步骤2：FASTICA图像处理
[0009](1)图像数据PCA处理；
[0010]利用PCA预处理方法对红外热图序列实施白化处理，如式(1)所示，对激光红外热成像无损检测系统采集到的红外热图序列进行物理降维，将三维温度数据序列转换为多个一维数据向量组成的二维矩阵；三维分别是帧数、行数、列数，由这三维决定的三维矩阵中
元素的数值，为该帧数、行数、列数处的像素点所对应的温度值；将三维温度数据序列转换为多个一维数据向量组成的二维矩阵：
[0011]transform_image(i，h)＝image(i，j，v) (1)
[0012]其中transform_image(.)表示由红外热图的多个一维数据向量组成的二维矩阵，对于同一帧的二维数据，将原本数据的第二列数据接到第一列的最后，第三列接到第二列最后，以此类推，同一帧的二维数据就变成一维数据序列，式(1)中，i表示图像帧数，h表示图像降维后的单帧一维温度序列，image(.)表示三维温度数据序列，其中i、j、v分别表示三维温度矩阵中，某元素所对应的帧数、行数和列数；
[0013]为便于数据处理与拟合，需进行去均值化，即对上述二维矩阵去除其均值，变成零均值矢量；经过去均值化及协方差运算后，得到协方差矩阵Cov
[0014]Cov＝(transform_image(.)
‑
ave)(transform_image(.)
‑
ave)
T
ꢀꢀ
(2)
[0015]其中Cov表示协方差矩阵、ave表示transform_image(.)的关于所有帧图像的温度的均值，T表示转置；协方差矩阵Cov的特征向量即是PCA输出的方差最大的主成分分量，这个主成分分量只有一个维度，就是去掉帧数之后的温度值；
[0016]获得协方差矩阵的Cov特征向量，用eig(Cov)表示，代表主成分分量的特征向量eig(Cov)与物理降维后的二维数据矩阵transform_image(.)相乘，获得PCA转换后的图像数据PCAimage(
·
)，其为上述协方差矩阵Cov的特征向量，即是PCA输出的方差最大的主成分分量；
[0017]PCAimage(h)＝eig(Cov)transform_image(.)
ꢀꢀ
(3)
[0018](2)定点迭代ICA、最优解求解；
[0019]为简化起见，令上述PCA转换后的图像数据为V：
[0020]V＝PCAimage(h)
ꢀꢀ
(4)
[0021](3)通过负熵最大的方法更新权值矩阵w；
[0022]引入负熵概念，负熵最大即表明非高斯性最大，数据达到最高的独立性；计算W
T
V的负微分熵需要知道W
T
V的概率密度分布函数，因该函数求解复杂，采用式(5)的近似公式求解出W
T
V的最大的负微分熵，负微分熵如式(5)所示；
[0023]max(E{Vg(w
T
V)}
‑
E{g(w
T
V)}w)
→
w
best
ꢀꢀ
(5)
[0024]式中max(
·
)表示多项式最大值；w
best
表示负熵最大时对应的权值矩阵，表明已完成对独立分量的分离；g为近似处理的非线性函数；T表示矩阵转置，E表示数学期望；
[0025]根据非线性规划中最优解理论，通过库恩塔克kuhn tucker条件解决等式约束优化问题，优化的目标函数为式(5)；在约束E{(w
T
V)2}＝||w||2＝1下，根据该约束条件和目标函数式(5)，经过kuhn tucker条件得到式(6)，其中β为kuhn tucker非负数系数；
[0026]E{Vg(w
T
V)}+βw＝0
ꢀꢀ
(6)
[0027]待求解方程为式(6)经牛顿迭代法得到式(7)；已知目标函数(5)以及约束库恩塔克(kuhn tucker)条件，用牛顿迭代法进行权值矩阵w
k
寻优，牛顿迭代法如式(7)，(8)所示，并在满足ε阈值条件下停止迭代寻找，将w
k
设定为w
best
；
[0028][0029][0030]其中，w...

【技术保护点】

【技术特征摘要】
1.一种多尺度retinex和FASTICA结合的红外热像处理方法，其特征在于，包括下列步骤：步骤1：激光红外热成像利用激光红外热成像无损检测系统对碳纤维层合板进行激光红外无损检测，经过激光红外热成像得到num帧的红外热图序列；步骤2：FASTICA图像处理(6)图像数据PCA处理；利用PCA预处理方法对红外热图序列实施白化处理，如式(1)所示，对激光红外热成像无损检测系统采集到的红外热图序列进行物理降维，将三维温度数据序列转换为多个一维数据向量组成的二维矩阵；三维分别是帧数、行数、列数，由这三维决定的三维矩阵中元素的数值，为该帧数、行数、列数处的像素点所对应的温度值；将三维温度数据序列转换为多个一维数据向量组成的二维矩阵：transform_image(i，h)＝image(i，j，v)
ꢀꢀ
(1)其中transform_image(.)表示由红外热图的多个一维数据向量组成的二维矩阵，对于同一帧的二维数据，将原本数据的第二列数据接到第一列的最后，第三列接到第二列最后，以此类推，同一帧的二维数据就变成一维数据序列，式(1)中，i表示图像帧数，h表示图像降维后的单帧一维温度序列，image(.)表示三维温度数据序列，其中i、j、v分别表示三维温度矩阵中，某元素所对应的帧数、行数和列数；为便于数据处理与拟合，需进行去均值化，即对上述二维矩阵去除其均值，变成零均值矢量；经过去均值化及协方差运算后，得到协方差矩阵CovCov＝(transform_image(.)
‑
ave)(transform_image(.)
‑
ave)
T
ꢀꢀ
(2)其中Cov表示协方差矩阵、ave表示transform_image(.)的关于所有帧图像的温度的均值，T表示转置；协方差矩阵Cov的特征向量即是PCA输出的方差最大的主成分分量，这个主成分分量只有一个维度，就是去掉帧数之后的温度值；获得协方差矩阵的Cov特征向量，用eig(Cov)表示，代表主成分分量的特征向量eig(Cov)与物理降维后的二维数据矩阵transform_image(.)相乘，获得PCA转换后的图像数据PCAimage(
·
)，其为上述协方差矩阵Cov的特征向量，即是PCA输出的方差最大的主成分分量；PCAimage(h)＝eig(Cov)transform_image(.)
ꢀꢀ
(3)(7)定点迭代ICA、最优解求解；为简化起见，令上述PCA转换后的图像数据为V：V＝PCAimage(h)
ꢀꢀ
(4)(8)通过负熵最大的方法更新权值矩阵w；引入负熵概念，负熵最大即表明非高斯性最大，数据达到最高的独立性；计算W
T
V的负微分熵需要知道W
T
V的概率密度分布函数，因该函数求解复杂，采用式(5)的近似公式求解出W
T
V的最大的负微分熵，负微分熵如式(5)所示；max(E{Vg(w
T
V)}
‑
E{g(w
T
V)}w)
→
w
best
ꢀꢀ
(5)式中max(
·
)表示多项式最大值；w
best
表示负熵最大时对应的权值矩阵，表明已完成对独立分量的分离；g为近似处理的非线性函数；T表示矩阵转置，E表示数学期望；
根据非线性规划中最优解理论，通过库恩塔克kuhn tucker条件解决等式约束优化问题，优化的目标函数为式(5)；在约束E{(w
T
V)2}＝||w||2＝1下，根据该约束条件和目标函数式(5)，经过kuhn tucker条件得到式(6)，其中β为kuhn tucker非负数系数；E{Vg(w
T
V)}+βw＝0
ꢀꢀ
(6)待求解方程为式(6)经牛顿迭代法得到式(7)；已知目标函数(5)以及约束库恩塔克(kuhn tucker)条件，用牛顿迭代法进行权值矩阵w
k
寻优，牛顿迭代法如式(7)，(8)所示，并在满足ε阈值条件下停止迭代寻找，将w
k
设定为w
best
；；其中，w
k+1
表示第k+1步的迭代权值向量；(9)当新产生的w
k+1
满足|w
k+1
‑
...

【专利技术属性】
技术研发人员：王星皓，王强，夏瑞聪，章磊，高建国，李大伟，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：