【技术实现步骤摘要】
本专利技术属于利用红外光测试分析材料(ipc分类号为g01n21/00)，更为具体地讲，涉及一种基于正则化低秩张量分解的文化遗产红外热成像去噪方法。
技术介绍
1、无损检测已成为许多领域不可或缺的技术，因为它能够保持被测材料、部件和结构的可维护性。此外，无损检测技术已被广泛用于确保生产过程的质量和完整性。特别是在文化遗产领域，研究对象具有不可替代的历史性质，无损检测对于保护主体在修复和保护过程中免受损害就显得尤为重要。红外热成像作为一种无损检测技术，由于其分辨率高、效率高、能够在短时间内覆盖大面积等优点，在文化遗产检测领域备受关注，特别是被普遍用于评估古代艺术品的缺陷和损伤。
2、使用红外热成像评估艺术品通常被认为比使用传统检测方法更具优势，因为它具有非破坏性和廉价的特性，并且具有识别潜在缺陷的良好能力。与红外热成像检测相比，超声波检测是另一种常用的检测方法，需要在探头和待检测表面之间添加耦合剂（通常是液体）材料。但是，不建议将这种技术用于珍贵/易碎的测试对象，因为液体接头会损坏艺术品。另一个例子是渗透测试技术，由于需要使用渗透剂，因此也存在问题，而渗透剂可能难以去除。
技术实现思路
1、本专利技术为了解决目前的文化遗产红外热成像检测方法中存在无法很好地分离噪声和缺陷的问题，提出了一种基于基于正则化低秩张量分解的文化遗产红外热成像去噪方法。
2、本专利技术基于正则化低质张量分解的文化遗产红外热成像去噪方法，包括以下步骤：
3、步骤1：定义张量；其
4、步骤2：采用正则化低秩张量分解模型将文化遗产红外图像分解为低秩张量数据部分和混合噪声信息部分；从图像处理的角度，获得的数据（通过正则化低秩张量分解模型处理后的文化遗产红外图像数据，这些数据被分解成两个部分。低秩张量数据部分：这部分代表图像序列中的主要信息或结构信息，即去除噪声后保留下来的、更为本质的图像内容。混合噪声信息部分：这部分包含图像中的噪声）看作是低秩图像和噪声的混合体，写成：是低秩图像（是无噪声图像，它包含了图像的主要信息和结构，是我们希望从观测到的图像中恢复出来的部分）,是高斯噪声项,是稀疏噪声项。
5、步骤3：采用基于（增广拉格朗日乘子）的求解器算法进行去噪，从观测到的图像中分离并去除噪声成分和，恢复出无噪声的低秩图像。作为一种优选方案，本专利技术所述步骤2中，正则化低秩张量分解模型如下：其中，和是正则化参数。指具有核心张量和秩为的因子矩阵的塔克分解，为范数项。模型采用分解（塔克分解），将分解为核心张量和分解因子矩阵的乘积。作为另一种优选方案，本专利技术引入辅助变量，将正则化低秩张量分解模型重新表述为等效的最小化问题。这种重新表述有助于找到原始优化问题的替代表示，同时保持其等价性并为优化技术提供潜在的好处。重新表述模型为：。作为另一种优选方案，本专利技术所述最小化问题转化为以下最小化的增广拉格朗日函数：其中，和是中间变量，为加权三维差分算子,是关于文化遗产红外热成像相对于三个不同方向的一阶差分算子。在约束条件为 和中是惩罚参数,是拉格朗日乘数。
6、作为另一种优选方案，本专利技术所述步骤3中，采用基于的求解器算法对噪声区域去噪包括以下步骤：
7、步骤3.1：求解器将噪声图像，塔克分解所需的秩，停止准则以及正则化参数、和作为输入。由于这三个参数之间固有的比例关系，可以简单地设置，然后调整和。对于另一个重要参数，它首先初始化为。表示图像数据是一个三维数组，和分别代表图像的高度和宽度，即图像的行数和列数。噪声图像”时，描述了一个三维的图像数据结构，这个结构一个多通道图像（每个通道有行列）。步骤3.2：求解器更新、、；从增广拉格朗日函数中提取所有包含的项，通过高阶正交迭代算法（高阶正交迭代算法，即算法，将一个给定的多维数组分解为一个核心张量和一系列正交矩阵，这些矩阵代表原始张量在不同模态下的基础结构通过迭代过程优化核心张量和因子矩阵，使重构的张量最佳地近似原始张量。它利用奇异值分解或类似方法来实现正交化，以确保分解的因子矩阵之间保持正交性），获得和，和文化遗产无噪声图像；求解器更新：从增广拉格朗日函数中提取所有包含的项，转变为求解线性系统，利用三维矩阵对角化，得到更新。求解器更新：从增广拉格朗日函数中提取所有包含的项，通过结合软阈值算子，解决问题的非凸性质。该算子有助于控制优化过程的正则化强度，并有助于推导更理想的局部解决方案，进一步地得到；求解器更新：从增广拉格朗日函数中提取所有包含的项，通过结合软阈值算子进一步地更新。求解器更新：从增广拉格朗日函数中提取所有包含的项，分离涉及变量的项，可以获得更简洁和集中的表示，进一步地，通过计算，得到变量的解。求解器更新拉格朗日乘数：在增广的拉格朗日乘数法中，对拉格朗日乘数进行迭代更新，得到拉格朗日乘数的更新。
8、步骤3.3：求解器在每次迭代中通过进行更新。在每次迭代后，检查是否满足停止标准。自适应确定变量的方法在基于增广的拉格朗日乘数法的方法中已得到普遍采用，有效地促进了算法的收敛性。
9、步骤3.4：求解器当满足停止标准时，算法输出最终的结果，得到正则化低秩张量分解模型对红外热成像去噪后的图像。方法通过迭代地更新核心张量、因子矩阵、高斯噪声项、稀疏噪声项，以及通过使用软阈值运算符来控制正则化强度，来解决非凸优化问题。通过反复迭代更新这些变量，达到可靠去除噪声的效果。
10、作为另一种优选方案，本专利技术所述步骤3.2中，求解器更新，通过如下计算，得到变量的解；。表示当前迭代的步数，为辅助参量。
11、其次，本专利技术所述步骤3.2中，求解器更新拉格朗日乘数：在增广的拉格朗日乘数法中，采用下面的方程对拉格朗日乘数进行迭代更新；。另外，本专利技术所述步骤3.3中的停止标准为：达到最大迭代次数，检查收敛条件是否满足。本专利技术有益效果。
12、本专利技术为了消除噪声对热成像图像的影响，在噪声去除过程中采用正则化低秩张量分解模型，提供了一种基于增广的拉格朗日乘数法的方法来求解所提出的全变分正则化低秩张量分解模型。本专利技术所提出的方法是利用正则化低秩张量分解模型将文化遗产红外热成像分为两个部分：低秩数据部分和噪声信息部分；通过（正则化低秩张量分解）模型对这些噪声进行降低。
本文档来自技高网...【技术保护点】
1.基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于所述步骤2中，正则化低秩张量分解模型如下：其中和是正则化参数；指具有核心张量和秩为的因子矩阵的塔克分解，为范数项；模型采用分解，将分解为核心张量和分解因子矩阵的乘积。
3.根据权利要求1所述基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于引入辅助变量，将正则化低秩张量分解模型重新表述为等效的最小化问题；重新表述模型为：。
4.根据权利要求3所述基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于所述最小化问题转化为以下最小化的增广拉格朗日函数：其中，和是中间变量，为加权三维差分算子,是关于文化遗产红外热成像相对于三个不同方向的一阶差分算子；在约束条件为和中,是惩罚参数,；是拉格朗日乘数。
5.根据权利要求1所述基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于所述步骤3中，采用基于的求解器算法对噪声区域去噪包括以下步骤：
7.根据权利要求5所述基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于所述步骤3.2中，求解器更新拉格朗日乘数：在增广的拉格朗日乘数法中，采用下面的方程对拉格朗日乘数进行迭代更新；。
8.根据权利要求5所述基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于所述步骤3.3中的停止标准为：达到最大迭代次数，检查收敛条件是否满足。
...【技术特征摘要】
1.基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于所述步骤2中，正则化低秩张量分解模型如下：其中和是正则化参数；指具有核心张量和秩为的因子矩阵的塔克分解，为范数项；模型采用分解，将分解为核心张量和分解因子矩阵的乘积。
3.根据权利要求1所述基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于引入辅助变量，将正则化低秩张量分解模型重新表述为等效的最小化问题；重新表述模型为：。
4.根据权利要求3所述基于正则化低秩张量分解的文化遗产红外热成像去噪方法，其特征在于所述最小化问题转化为以下最小化的增广拉格朗日函数：其中，和是中间变量，为加权三维差分算子,是关于文化遗产红外热成像相对于三个不同方向的一阶差分算子；在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。