开路傅里叶变换红外光谱层析重建算法仿真 下载: 1093次
1 引言
开路傅里叶变换红外(OP-FTIR)光谱技术[1]具有高时间分辨率、高灵敏度、动态、非接触、实时、可在线测量,以及可进行多组分同时测量等优点。计算机层析成像(CT)技术[2]通过研究对象外部监测到的投影数据来重建其内部的分布信息,OP-FTIR光谱技术与CT技术相结合可以克服前者空间分辨率不足的缺点,从而能够对气体的二维浓度分布进行重建及测量,为环境监测提供更多细节。
使用不同的层析重建算法、光路分辨率和构型[3]得到的重构图的精度不同,目前重构领域的算法主要有代数迭代(ART)算法[4]、最大似然期望最大化(MLEM)算法[5]、平滑基函数最小化(SBFM)算法[6]、多项式拟合(PCF)算法[7]、低三阶导数(LTD)算法[8],以及惩罚加权最小二乘(PWLS)算法[9]等。Todd等[10]采用ART、ART3、同时代数重建技术 (SART)和联合迭代重建技术(SIRT)算法重构并研究了室内化学气体的二维浓度分布。Thomas等[11]使用仿真和实验数据对乘法代数重建技术(MART)、块迭代同时乘法代数重构 (BIMART)和同时乘法代数重建技术(SMART)算法进行了优化。Todd等[12]根据MLEM算法对养猪场的废水氧化塘进行了大面积、多季节监测。Schuetze等[13]发展了一种SQuAd方法,将OP-FTIR光谱技术与层析技术相结合,用于获得风分量与温室气体浓度的时域与空域信息。孟静等[14]提出了改进的层析重建算法,并将其用于光学层析图像重建中的梯度计算。方静等[15]提出了一种改进的ART算法,并将其用于重构高斯烟羽扩散模型下的污染物扩散分布。虽然与层析算法相关的文献众多,但大多是针对某一种或某一类算法进行比较,缺乏不同类算法之间的比较。
本文分别采用具有代表性的ART算法和MLEM算法,对给定的单峰、双峰高斯空间分布模型下的气体浓度二维分布进行重建仿真,并利用重建评价指标对算法的重建精度进行评估。比较了不同条件下两种算法的重建效果,定量评估了气体浓度场性质、噪声水平对气体浓度二维分布重建效果的影响。
2 基本原理
2.1 OP-FTIR光谱技术的测量原理
使用OP-FTIR光谱技术进行气体浓度测量的理论基础是Lambert-Beer定律。光在大气中传输时,会被传输路径上的气体分子吸收。假设积分路径上的大气各向同性,且处于热平衡状态,则对于气体物质,其红外辐射吸收服从以下规律:
式中:
利用红外吸收线参考数据库HITRAN提供的待测气体的标准吸收截面,通过匹配环境参数(如压力、温度和光程等)计算不同浓度气体的高分辨率标准光谱。定义误差函数为
式中:
2.2 ART算法重建原理
利用ART算法重建气体二维浓度分布场的主要思路是:首先将待测区域离散化,划分成
式中:
ART算法的特点是逐线校正,其迭代过程是通过一条条光路逐线完成的,利用OP-FTIR光谱技术测量获得的气体路径积分浓度重建气体二维浓度分布的ART算法迭代表达式为
式中:
2.3 MLEM算法的重建原理
MLEM算法是以极大似然理论为基础的一种统计迭代重建算法,主要分为两步:1) 计算完全投影数据的似然函数在测定数据及当前参数估计值下的期望;2) 求出使期望最大化的参数估计值。
利用OP-FTIR光谱技术测量获得的路径积分浓度重建气体二维浓度分布的MLEM算法的迭代公式为
式中:
在实际使用中,通常将某一评价指标作为迭代终止的条件。本文使用逼近度
2.4 重建评价指标
为了定量评价两种算法的重建效果,定义了逼近度
式中:
3 仿真测试实验
仿真实验平台采用Intel i5-7500处理器,四核,8 GB内存,Windows 10操作系统,所有算法均采用Python实现。
为了评价ART和MLEM两种算法的重建效果,模拟了100 m×100 m的监测区域,将监测区域划分成
式中:
图 2. (a)光路布置方式与(b)单峰气体浓度场
Fig. 2. (a) Light path arrangement and (b) single-peak gas concentration field
4 仿真结果与讨论
4.1 松弛因子对ART算法重建结果的影响
在ART算法中,松弛因子的选取影响着重建速度和重建精确度。为了选择合适的松弛因子,以
由
4.2 网格分辨率对算法重建结果的影响
分别采用
图 3. 松弛因子α对重建结果的影响。(a)对逼近度A的影响;(b)对相关系数R的影响
Fig. 3. Effect of relaxation factors α on reconstruction results. (a) Effect on nearness A; (b) effect on correlation coefficient R
表 1. 不同网格分辨率下的整体重建精度
Table 1. Overall reconstruction accuracy under different grid resolutions
|
表 2. 不同网格分辨率下的细节重建精度
Table 2. Detail reconstruction accuracy under different grid resolutions
|
由
图 4. 不同网格分辨率下的重建结果。(a)~(c) ART;(d)~(f) MLEM
Fig. 4. Reconstruction results under different grid resolutions. (a)-(c) ART; (d)-(f) MLEM
由
4.3 两种算法对源位置的适用性
在实际监测中,气体排放源可能位于监测区域的任何位置,如4个角落、中央区域等。为研究两种算法对源位置的适用性,设置网格分辨率
表 3. 不同源位置的整体重建精度
Table 3. Overall reconstruction accuracy of different source locations
|
由
由
表 4. 不同源位置的细节重建精度
Table 4. Detail reconstruction accuracy of different source locations
|
4.4 气体浓度场性质对重建结果的影响
在实际监测条件下,监测区域内可能存在多排放源,故设置网格分辨率
表 5. 不同浓度场下的整体重建精度
Table 5. Overall reconstruction accuracy of different concentration fields
|
图 5. 不同浓度场下的重建结果。(a)单峰,原始浓度场;(b)双峰,原始浓度场;(c)单峰,ART算法;(d)双峰,ART算法;(e)单峰,MLEM算法;(f)双峰,MLEM算法
Fig. 5. Reconstruction results under different concentration fields. (a) Original concentration field of single peak; (b) original concentration field of double peak; (c) single peak, ART algorithm; (d) double peak, ART algorithm; (e) single peak, MLEM algorithm; (f) double peak, MLEM algorithm
由
表 6. 不同浓度场性质下的细节重建精度
Table 6. Detail reconstruction accuracy under different concentration fields
|
4.5 两种算法的抗噪能力分析
仪器噪声、热噪声等均会对重建结果产生一定影响,为了比较两种算法的抗噪性能,对原始数据分别加入了一定比例的高斯白噪声,不同噪声水平下的重建评价指标和分析图分别如
由
表 7. 不同噪声水平下两种算法的重建评价指标
Table 7. Evaluation indexes of reconstruction under different noise levels
|
图 6. 不同噪声水平下的误差分析。(a) A;(b) R
Fig. 6. Error analysis under different noise levels. (a) A; (b) R
5 结论
使用ART和MLEM算法对不同条件下的气体浓度场进行了重建仿真,研究了松弛因子、网格分辨率、源位置、气体浓度场性质和噪声水平对重建结果的影响。结果表明:1)松弛因子对ART算法的重建速度和重建精度都有一定影响,较大的松弛因子可以获得较快的重建速度和较高的重建精度;2)在一定条件下,提高网格分辨率有助于提高两种算法的整体重建精度,但是对细节重建精度(如波峰峰值和位置)的影响较小,不同网格分辨率下MLEM算法的平均效率约为ART算法的3.03倍;3)针对不同的源位置,MLEM算法有更高的整体重建精度和更低的峰值误差,MLEM算法与ART算法的波峰位置精度相当,MLEM算法对源位置的适用性更好;4)对不同性质的气体浓度场(单峰/双峰),MLEM算法的整体重建精度和细节重建精度均优于ART算法,且MLEM算法的稳健性更好,更能适应复杂的气体浓度场; 5)不同噪声水平下,MLEM算法对噪声更敏感,ART算法的抗噪性能优于MLEM算法,推荐在噪声较小时使用MLEM算法,噪声较大时使用ART算法。实验结论为下一步使用开路傅里叶变换红外光谱仪器进行污染气体的浓度场重建提供了算法和理论准备。
[1] 童晶晶, 高闽光, 徐亮, 等. 采用开放光路FTIR光谱法的1, 3-丁二烯测量研究[J]. 红外与激光工程, 2013, 42(1): 239-243.
[2] 房鹏飞, 贾兆丽, 陈东, 等. 气体浓度场二维重建光路分布优化及数据仿真[J]. 激光与光电子学进展, 2016, 53(7): 071001.
[13] SchuetzeC, BarthM, HehnM, et al. SQuAd-approach for the spatial quantification of the advection influence on the balance closure of greenhouse gases[C]//Fall Meeting 2016, December 12-16, 2016, San Francisco. Washington, D. C.: American Geophysical Union, 2016: B13E- 0660.
[14] 孟静, 王加俊, 黄贤武, 等. 一种改进的光学层析图像重建方法[J]. 光学学报, 2005, 25(11): 1483-1487.
[15] 方静, 程乐红, 张玉萍, 等. 基于扇束双投影方向的改进迭代层析成像算法[J]. 光子学报, 2014, 43(10): 1011003.
Article Outline
邓矗岭, 童晶晶, 高闽光, 李相贤, 李妍, 韩昕, 刘文清. 开路傅里叶变换红外光谱层析重建算法仿真[J]. 光学学报, 2019, 39(7): 0707001. Chuling Deng, Jingjing Tong, Minguang Gao, Xiangxian Li, Yan Li, Xin Han, Wenqing Liu. Simulation of Tomographic Reconstruction Algorithms for Open-Path Fourier Transform Infrared Spectroscopy[J]. Acta Optica Sinica, 2019, 39(7): 0707001.