最近的一篇论文,对应链接见文章末尾。。。。主要采用稀疏重建方法对获取的大量热成像的信噪比计算的优化,降低数据量。没有涉及根本的技术改变。
热成像场景设置:
1.稀疏重建:
该文章采用了LASSO方法,其对应的目标函数如下:
其中theta是本文需要求得的热图像,Ψ是字典(Ψ表示记录的参考信号,Ψ具有维数的参考信号的时移形式),x是测量(描述给定像素处样品的温度响应,是长度N的列矩阵),η为背景噪声。
步骤:
首先,将数据x分为10等份;
其次,对于k=1到10的变化中,第k个为验证集,儿余下的(k-1)为训练集
训练:
测试:
计算交叉验证误差:
当这一误差在要求的阈值以内就可以判定获取到最佳结果
2.稀疏重建算法的优化α
α优化算法设计:
首先,对于给定的像素位置x,y,用LASSO求解
其次,10倍的交叉验证来计算0:0.1:1的α变化下的情况,
最后,整个算法在每个像素上反复运算。
3.交叉相关方法(对比方法)
1)激励试件中的时间-温度变化包括一个交流或振荡部分和一个描述温度平均上升的直流部分。热响应和参考信号中的直流分量通过多项式拟合得到。这个过程称为偏移消除
2)去除偏移量的参考信号与热响应信号在时域内相互关联
参考文献:
Deboshree Roy , Prabhu Babu, and Suneet Tuli.Sparse Reconstruction-Based ThermalImaging for Defect Detection,IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, VOL. 68, NO. 11. DOI:10.1109/TIM.2018.2889364