1 中国科学院红外探测与成像技术重点实验室, 上海 200083
2 中国科学院上海技术物理研究所, 上海 200083
3 中国科学院大学, 北京 100049
分焦平面(DoFP)偏振探测器在成像过程中会受到噪声的干扰,从而影响解算偏振信息图像的质量和精度。首先,基于图像的非局部自相似性和不同偏振方向图像之间的相关性,利用DoFP偏振图像的空间分布特点对图像进行分块并选取相似的图像块构成相似块矩阵。然后,利用主成分分析(PCA)得到相似块矩阵的特征值矩阵和特征向量矩阵,并根据噪声和相似块矩阵的特征值分布特点,在PCA域中利用降维对图像进行去噪。最后,利用模拟和真实DoFP偏振图像评估本算法的去噪效果。实验结果表明,本算法可以有效抑制图像中的噪声,保留图像的纹理和边缘细节信息,比现有算法的峰值信噪比至少提高了1 dB。
成像系统 分焦平面偏振图像 非局部自相似性 相似块矩阵 图像去噪 主成分分析
Author Affiliations
Abstract
1 Key Laboratory of Quantum Optics, Shanghai Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Shanghai 201800, China
2 Center of Materials Science and Optoelectronics Engineering, University of Chinese Academy of Sciences, Beijing 100049, China
3 Wuhan Optics Valley Aerospace Sanjiang Laser Industrial Technology Research Institute Co., Ltd., Wuhan 430075, China
4 Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou 310024, China
We propose a color ghost imaging approach where the object is illuminated by three-color non-orthogonal random patterns. The object’s reflection/transmission information is received by only one single-pixel detector, and both the sparsity constraint and non-local self-similarity of the object are utilized in the image reconstruction process. Numerical simulation results demonstrate that the imaging quality can be obviously enhanced by ghost imaging via sparsity constraint and non-local self-similarity (GISCNL), compared with the reconstruction methods where only the object’s sparsity is used. Factors affecting the quality of GISCNL, such as the measurement number and the detection signal-to-noise ratio, are also studied.
ghost imaging image reconstruction non-local self-similarity Chinese Optics Letters
2021, 19(2): 021102
1 火箭军工程大学核工程学院,西安 710025
2 火箭军士官学校,山东 青州 262500
针对目前已有的高光谱异常检测算法大多只利用了高光谱图像的光谱维信息，而没有体现高光谱数据“图谱合一”的优势，导致算法检测性能不佳的问题，提出了一种基于非局部自相似性的高光谱异常检测（NLSSAD）算法。首先建立双立体窗，其中内窗表示待测像素光谱向量的空间—光谱三维结构窗，之后在背景中寻找与内窗最为相似的立体窗，并计算二者之间的距离从而得到待测像素光谱向量的非局部自相似性指数，并得到异常检测结果。实验结果表明，与现有的算法相比，所提算法在检测率和运算速度上均有较好的表现。
高光谱图像 异常检测 非局部自相似性 hyperspectral image anomaly detection non-local self-similarity
太原科技大学应用科学学院, 山西太原 030024
传统的可见光与红外稀疏表示融合方法, 采用图像块构造解析字典或者学习字典, 利用字典的原子表征图像的显著特征。这类方法存在两个问题, 一是没有考虑图像块与块之间的联系, 二是字典的适应能力不够并且复杂度高。针对这两个问题, 本文提出可见光与红外图像结构组双稀疏融合方法。该方法首先利用图像的非局部相似性, 将图像块构建成图像相似结构组, 然后对图像相似结构组进行字典训练, 采用双稀疏分解模型, 有效结合解析字典和学习字典的优势, 降低了字典训练的复杂度, 得到的结构字典更加灵活, 适应性提高。该方法能够有效提高红外与可见光融合图像的视觉效果, 经对比实验分析, 在主观和客观评价上都优于传统的稀疏表示融合方法。
图像融合 非局部相似性 结构组 双稀疏模型 image fusion, non-local self-similarity, structure
