基于改进SwinIR的条纹图去噪方法

条纹图的去噪处理可以恢复条纹图的边界信息,从而提高条纹图三维测量结果的准确性。为了进一步恢复条纹图的边界信息,提出了一种改进SwinIR神经网络的条纹图去噪方法。首先,引入Inception模块,对网络中的RSTB模块进行结构优化,以提高网络的局部特征提取能力。其次,引入多个残差块到网络整体结构中,缓解网络过深带来的梯度消失的问题。实验采用高密度区域条纹进行去噪性能测试,当噪声水平σ为50时,改进SwinIR算法的PSNR值可达31.96、SSIM值为0.9955、去噪时间为4.035 s。并且,本文改进SwinIR算法与其他7种代表性算法进行实验对比,结果显示本文方法在不同噪声水平下,去噪性能均为最优。

基于虚拟仪器的动车图像条纹噪声消除算法

为更好地采集动车车号部分的图像,针对图像中车号部分所包含信息变化微小的特点,采用了一种基于虚拟仪器技术开发平台LabVIEW的去除条纹噪声的方法.首先,在频域内将含有条纹噪声的图像与原始图像的频谱图二值化,并对二值化的频谱图像进行逻辑操作,同时结合多样本进行综合处理,最后运用巴特沃斯带阻滤波法滤除条纹噪声;然后,在空域内通过IMAQ Gray Morphology.VI和IMAQ BCGLookup.VI对处理后的图像进行增强处理,锐化因频域内滤波而边缘虚化的车号图像.进行动车图像条纹去噪处理实验,运用均方误差(MSE)和峰值信噪比(PSNR)对去噪效果进行评价,并与普通带阻滤波、矩匹配法等去噪方法进行对比.结果表明,本文方法消除噪声的效果更显著.

散斑干涉条纹Kaiser-Hamming窗口傅里叶快速滤波方法

针对加窗傅里叶滤波(WFF)对电子散斑干涉条纹滤波时间长的局限性,提出了一种基于二维Kaiser-Hamming窗口的傅里叶快速滤波法(KH-WFF)。首先,将Kaiser窗和Hamming窗组合,设计了二维Kaiser-Hamming窗口,然后将WFF中的Gaussian窗口替换为二维Kaiser-Hamming窗,去掉多余的非正交基函数从而减少时间复杂度。把KH-WFF和WFF应用到模拟条纹和真实条纹,结果表明滤波后的条纹光滑度,细节保护程度和保真度相差不大,都成功得到了连续性好的解包裹相位,而KH-WFF对实际应用环境下采集到的一副条纹的滤波速度是WFF的12倍。最后分析不同图像尺寸、窗口大小和频带宽下KH-WFF和WFF的执行速度,证明KH-WFF的时间复杂度更低。实验证明提出的方法在减少执行时间的同时也提供了几乎相同的滤波效果。

内应力在线测量的电子散斑图像采集和处理系统

通过设计基于电子散斑的内应力测量图像采集与处理系统,为毛坯内应力场的自动测量奠定了硬件和软件的基础。研究散斑条纹处理的算法,根据散斑条纹噪声产生的原因以及设计的测量光路的特点,提出了条纹去噪和条纹校正的算法,利用该算法对条纹进行处理,获得了清晰有效的条纹。

基于改进U-net的条纹图去噪分析

基于变形条纹图分析的非接触三维光学测量中,从采集的变形条纹图中提取相位分布,进而获得被测形状的面信息,但是测量中获取的条纹图含有噪声,影响了提取相位信息的精度。为了更好更快的去除条纹图中的噪声,提出了一种改进U-net神经网络的深度学习滤波算法,在图像去噪领域,U-net获取的浅层特征较少,所提算法在U-net的卷积层中含有1×1的平行卷积分支,获取多尺度特征信息,分别添加1、2、3个1×1平行卷积分支进行实验。实验采用含有高密度区域的条纹图,并与目前最新的深度学习条纹图去噪算法对比,去噪效果提升0.9%,去噪效率提升41.7%,训练时间减少30.8%。