CN117876720A - 用于评价psf图像相似性的方法 - Google Patents
用于评价psf图像相似性的方法 Download PDFInfo
- Publication number
- CN117876720A CN117876720A CN202410273612.1A CN202410273612A CN117876720A CN 117876720 A CN117876720 A CN 117876720A CN 202410273612 A CN202410273612 A CN 202410273612A CN 117876720 A CN117876720 A CN 117876720A
- Authority
- CN
- China
- Prior art keywords
- psf image
- image
- psf
- similarity
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000003287 optical effect Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及光电成像技术领域,尤其涉及一种用于评价PSF图像相似性的方法。包括:S1:构建图像差异对比分析模型;S2:获取第一PSF图像和第二PSF图像,并将第一PSF图像和第二PSF图像均输入至图像差异对比分析模型进行数值拟合,对应获得第一PSF图像和第二PSF图像的径向数值曲线和能量集中度数值曲线;S3:计算第一PSF图像和第二PSF图像的径向对数数值曲线与能量集中度数值曲线的最大差异参数值;S4:结合第一PSF图像和第二PSF图像的径向对数数值曲线与能量集中度数值曲线的最大差异参数值,输出第一PSF图像和第二PSF图像的相似性对比结果。本发明能够有效评估两幅PSF图像的相似性。
Description
技术领域
本发明涉及光电成像技术领域,尤其涉及一种用于评价PSF图像相似性的方法。
背景技术
点扩散函数是评价光学***的成像性能的重要参数,反映了理想物点在经光学***后,其像点的能量展开情况。对于高像质要求的光学***而言,像差应校正到衍射极限水平。通常采用基于衍射理论得到的点扩散函数对光学***的像质进行评价,光学***(如空间望远镜在轨工作期间)受环境变化、姿态调整、机械振动和器件老化等多重因素的影响将发生改变,光学***会使点扩散函数发生变化,而对比不同时刻下点扩散函数图像的变形可评估光学***的像质退变变化程度,然而目前并没有关于评估光学***的像质退变变化程度的相关方法。
发明内容
本发明为解决目前没有评估光学***的像质退变变化程度的相关方法的问题,提供一种用于评价PSF图像相似性的方法,能够通过图像差异对比分析模型对两幅PSF图像进行对比,有效评估两幅PSF图像的相似性,进而为空间望远镜在轨故障诊断提供参考数据,便于寻找制约成像清晰度的关键误差因素。
本发明提出的用于评价PSF图像相似性的方法,具体包括如下步骤:
S1:构建图像差异对比分析模型,图像差异对比分析模型包括径向数值函数和能量集中度函数:
(1);
(2);
(3);
其中,为径向数值函数,M(i,j)为待输入PSF图像在第i行和第j列的像素点数值,/>为待输入PSF图像的质心位置坐标,/>为能量集中度函数,n*n为待输入PSF图像的采样点数,r为以待输入PSF图像的质心为中心的圆环半径,x为以待输入PSF图像的质心为起点,沿径向的采样距离,x∈[0,n-p],r∈[0,n-p],且x和r均为整数;
S2:获取第一PSF图像和第二PSF图像,并将第一PSF图像和第二PSF图像均输入至图像差异对比分析模型进行数值拟合,对应获得第一PSF图像和第二PSF图像的径向数值曲线和能量集中度数值曲线;
S3:通过下式将第一PSF图像和第二PSF图像的径向数值曲线均转换为径向对数数值曲线,并计算第一PSF图像和第二PSF图像的径向对数数值曲线与能量集中度数值曲线的最大差异参数值:
(4);
其中,为径向对数数值函数;
S4:结合第一PSF图像和第二PSF图像的径向对数数值曲线与能量集中度数值曲线的最大差异参数值,输出第一PSF图像和第二PSF图像的相似性对比结果。
优选地,若第一PSF图像和第二PSF图像的径向对数数值曲线的最大差异参数值均小于第一目标相似性值,且第一PSF图像和第二PSF图像的能量集中度数值曲线的最大差异参数值均小于第二目标相似性值,则第一PSF图像和第二PSF图像的相似性满足目标相似性。
优选地,第一目标相似性值与第二目标相似性值均根据目标相似性进行设计。
优选地,在同一光学***的不同时刻下获取第一PSF图像和第二PSF图像。
与现有技术相比,本发明能够取得如下有益效果:
本发明建立了图像差异对比分析模型,并通过图像差异对比分析模型对两幅PSF图像进行对比,有效评估两幅PSF图像的相似性,进而为空间望远镜的在轨故障诊断提供参考数据,便于寻找制约成像清晰度的关键误差因素,且本发明能够为点扩散函数的计算、复原和仿真等领域提供计算准确度的判断标准。
附图说明
图1是根据本发明实施例提供的用于评价PSF图像相似性的方法的流程示意图;
图2是根据本发明实施例提供的第一PSF图像;
图3是根据本发明实施例提供的第二PSF图像;
图4是根据本发明实施例提供的径向对数数值曲线;
图5是根据本发明实施例提供的能量集中度数值曲线;
图6是根据本发明实施例提供的第一PSF图像和第二PSF图像的径向对数数值曲线的对比示意图;
图7是根据本发明实施例提供的第一PSF图像和第二PSF图像的能量集中度数值曲线的对比示意图。
具体实施方式
在下文中,将参考附图描述本发明的实施例。在下面的描述中,相同的模块使用相同的附图标记表示。在相同的附图标记的情况下,它们的名称和功能也相同。因此,将不重复其详细描述。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,而不构成对本发明的限制。
本发明首先建立了图像差异对比分析模型,并通过图像差异对比分析模型,对两幅PSF图像的相似性进行对比,若两幅PSF图像的相似性满足目标相似性,说明光学***的成像性能较为稳定,否则需对光学***进行调整,使其稳定性满足目标需求,
图1示出了根据本发明实施例提供的用于评价PSF图像相似性的方法的流程;图2示出了根据本发明实施例提供的第一PSF图像;图3示出了根据本发明实施例提供的第二PSF图像;图4示出了是根据本发明实施例提供的径向对数数值曲线;图5示出了根据本发明实施例提供的能量集中度数值曲线;图6示出了根据本发明实施例提供的第一PSF图像和第二PSF图像的径向对数数值曲线的对比图;图7示出了根据本发明实施例提供的第一PSF图像和第二PSF图像的能量集中度数值曲线的对比图。
如图1-图7所示,本发明提出的用于评价PSF图像相似性的方法,具体包括如下步骤:
S1:构建图像差异对比分析模型,图像差异对比分析模型包括径向数值函数和能量集中度函数:
(1);
(2);
(3);
其中,为径向数值函数,M(i,j)为待输入PSF图像在第i行和第j列的像素点数值,/>为待输入PSF图像的质心位置坐标,/>为能量集中度函数,n*n为待输入PSF图像的采样点数,r为以待输入PSF图像的质心为中心的圆环半径,x为以待输入PSF图像的质心为起点,沿径向的采样距离,x∈[0,n-p],r∈[0,n-p],且x和r均为整数。
S2:获取第一PSF图像和第二PSF图像,并将第一PSF图像和第二PSF图像均输入至图像差异对比分析模型进行数值拟合,对应获得第一PSF图像和第二PSF图像的径向数值曲线和能量集中度数值曲线。
在同一光学***的不同时刻下获取第一PSF图像和第二PSF图像。
S3:通过下式将第一PSF图像和第二PSF图像的径向数值曲线均转换为径向对数数值曲线,并计算第一PSF图像和第二PSF图像的径向对数数值曲线与能量集中度数值曲线的最大差异参数值:
(4);
其中,为径向对数数值函数。
最大差异参数值的求取方法为:取第一PSF图像和第二PSF图像的径向对数数值曲线或能量集中度数值曲线,将两个曲线上的同一采样点处的值做差,最后将最大差值作为最大差异参数值。
S4:结合第一PSF图像和第二PSF图像的径向对数数值曲线与能量集中度数值曲线的最大差异参数值,输出第一PSF图像和第二PSF图像的相似性对比结果。
若第一PSF图像和第二PSF图像的径向对数数值曲线的最大差异参数值均小于第一目标相似性值,且第一PSF图像和第二PSF图像的能量集中度数值曲线的最大差异参数值均小于第二目标相似性值,则第一PSF图像和第二PSF图像的相似性满足目标相似性。
第一目标相似性值与第二目标相似性值均根据目标相似性进行设计。
假设用户提出的光学***的成像质量的要求为:保证光学***在五年的工作期间内具有稳定的成像性能,那么根据用户需求,将目标相似性定为98%,相应的,第一目标相似性值应为0.003,第一目标相似性值应为0.005。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (4)
1.一种用于评价PSF图像相似性的方法,其特征在于,具体包括如下步骤:
S1:构建图像差异对比分析模型,所述图像差异对比分析模型包括径向数值函数和能量集中度函数:
(1);
(2);
(3);
其中,为径向数值函数,M(i,j)为待输入PSF图像在第i行和第j列的像素点数值,为待输入PSF图像的质心位置坐标,/>为能量集中度函数,n*n为待输入PSF图像的采样点数,r为以待输入PSF图像的质心为中心的圆环半径,x为以待输入PSF图像的质心为起点,沿径向的采样距离,x∈[0,n-p],r∈[0,n-p],且x和r均为整数;
S2:获取第一PSF图像和第二PSF图像,并将所述第一PSF图像和所述第二PSF图像均输入至所述图像差异对比分析模型进行数值拟合,对应获得所述第一PSF图像和所述第二PSF图像的径向数值曲线和能量集中度数值曲线;
S3:通过下式将所述第一PSF图像和所述第二PSF图像的径向数值曲线均转换为径向对数数值曲线,并计算所述第一PSF图像和所述第二PSF图像的径向对数数值曲线与能量集中度数值曲线的最大差异参数值:
(4);
其中,为径向对数数值函数;
S4:结合所述第一PSF图像和所述第二PSF图像的径向对数数值曲线与能量集中度数值曲线的最大差异参数值,输出所述第一PSF图像和所述第二PSF图像的相似性对比结果。
2.根据权利要求1所述的用于评价PSF图像相似性的方法,其特征在于,若所述第一PSF图像和所述第二PSF图像的径向对数数值曲线的最大差异参数值均小于第一目标相似性值,且所述第一PSF图像和第二PSF图像的能量集中度数值曲线的最大差异参数值均小于第二目标相似性值,则所述第一PSF图像和所述第二PSF图像的相似性满足目标相似性。
3.根据权利要求2所述的用于评价PSF图像相似性的方法,其特征在于,所述第一目标相似性值与所述第二目标相似性值均根据所述目标相似性进行设计。
4.根据权利要求1所述的用于评价PSF图像相似性的方法,其特征在于,在同一光学***的不同时刻下获取所述第一PSF图像和所述第二PSF图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410273612.1A CN117876720B (zh) | 2024-03-11 | 2024-03-11 | 用于评价psf图像相似性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410273612.1A CN117876720B (zh) | 2024-03-11 | 2024-03-11 | 用于评价psf图像相似性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117876720A true CN117876720A (zh) | 2024-04-12 |
CN117876720B CN117876720B (zh) | 2024-06-07 |
Family
ID=90595049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410273612.1A Active CN117876720B (zh) | 2024-03-11 | 2024-03-11 | 用于评价psf图像相似性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876720B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550125A (zh) * | 2018-04-17 | 2018-09-18 | 南京大学 | 一种基于深度学习的光学畸变修正方法 |
CN109061229A (zh) * | 2018-08-02 | 2018-12-21 | 东南大学 | 一种光场Micro-PIV***的标定方法 |
US20200284649A1 (en) * | 2019-03-05 | 2020-09-10 | Gaston Daniel Baudat | System and Method of Wavefront Sensing with Engineered Images |
CN111985143A (zh) * | 2020-09-09 | 2020-11-24 | 中国科学院国家天文台南京天文光学技术研究所 | 一种基于Zernike多项式分解的全视场望远镜主动准直方法 |
CN113805335A (zh) * | 2021-09-29 | 2021-12-17 | 中国科学院长春光学精密机械与物理研究所 | 降低分光棱镜色差对相位差法波前探测精度影响的方法 |
CN113849765A (zh) * | 2021-09-29 | 2021-12-28 | 中国科学院长春光学精密机械与物理研究所 | 以全视场椭率最小为校正目标的空间望远镜在轨调校方法 |
US20220091409A1 (en) * | 2019-01-09 | 2022-03-24 | Arizona Board Of Regents | Aperture designs to minimize diffraction noise |
CN115826228A (zh) * | 2022-12-02 | 2023-03-21 | 长春理工大学 | 基于多组膜系协同优化策略的光学***偏振像差优化设计方法 |
CN116645300A (zh) * | 2023-05-11 | 2023-08-25 | 中国人民解放军国防科技大学 | 一种简单透镜点扩散函数估计方法 |
CN117268259A (zh) * | 2023-09-21 | 2023-12-22 | 北京理工大学 | 一种基于cnn的大动态范围次镜位置误差检测方法 |
-
2024
- 2024-03-11 CN CN202410273612.1A patent/CN117876720B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550125A (zh) * | 2018-04-17 | 2018-09-18 | 南京大学 | 一种基于深度学习的光学畸变修正方法 |
CN109061229A (zh) * | 2018-08-02 | 2018-12-21 | 东南大学 | 一种光场Micro-PIV***的标定方法 |
US20220091409A1 (en) * | 2019-01-09 | 2022-03-24 | Arizona Board Of Regents | Aperture designs to minimize diffraction noise |
US20200284649A1 (en) * | 2019-03-05 | 2020-09-10 | Gaston Daniel Baudat | System and Method of Wavefront Sensing with Engineered Images |
CN111985143A (zh) * | 2020-09-09 | 2020-11-24 | 中国科学院国家天文台南京天文光学技术研究所 | 一种基于Zernike多项式分解的全视场望远镜主动准直方法 |
CN113805335A (zh) * | 2021-09-29 | 2021-12-17 | 中国科学院长春光学精密机械与物理研究所 | 降低分光棱镜色差对相位差法波前探测精度影响的方法 |
CN113849765A (zh) * | 2021-09-29 | 2021-12-28 | 中国科学院长春光学精密机械与物理研究所 | 以全视场椭率最小为校正目标的空间望远镜在轨调校方法 |
CN115826228A (zh) * | 2022-12-02 | 2023-03-21 | 长春理工大学 | 基于多组膜系协同优化策略的光学***偏振像差优化设计方法 |
CN116645300A (zh) * | 2023-05-11 | 2023-08-25 | 中国人民解放军国防科技大学 | 一种简单透镜点扩散函数估计方法 |
CN117268259A (zh) * | 2023-09-21 | 2023-12-22 | 北京理工大学 | 一种基于cnn的大动态范围次镜位置误差检测方法 |
Non-Patent Citations (2)
Title |
---|
BINGWEN WANG等: ""Optical System Design Method of Near-Earth Short-Wave Infrared Star Sensor"", 《IEEE SENSOR JOURNAL》, 3 October 2022 (2022-10-03), pages 22169 - 22178 * |
董国强等: ""多先验约束正则化模型图像复原方法"", 《测绘工程》, 31 May 2023 (2023-05-31), pages 19 - 26 * |
Also Published As
Publication number | Publication date |
---|---|
CN117876720B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schrabback et al. | Evidence of the accelerated expansion of the Universe from weak lensing tomography with COSMOS | |
CN110969668A (zh) | 一种长焦双目相机的立体标定算法 | |
US8774508B2 (en) | Local feature amount calculating device, method of calculating local feature amount, corresponding point searching apparatus, and method of searching corresponding point | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN112561807B (zh) | 一种基于卷积神经网络的端到端径向畸变校正方法 | |
CN112435193A (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
CN112070153A (zh) | 基于深度学习的亲属关系验证方法和*** | |
CN112258537A (zh) | 一种基于卷积神经网络的监督暗视觉图像边缘检测方法 | |
CN107067441B (zh) | 摄像机标定方法及装置 | |
CN113962877B (zh) | 一种像素畸变的校正方法、校正装置及终端 | |
CN117876720B (zh) | 用于评价psf图像相似性的方法 | |
González-Fraga et al. | Accurate generation of the 3d map of environment with a rgb-d camera | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN115151942A (zh) | 基于卷积神经网络模型训练的带钢表面缺陷检测方法 | |
Yoon | Autonomous star identification using pattern code | |
Desidera et al. | Strehl-constrained iterative blind deconvolution for post-adaptive-optics data | |
Dong et al. | Automatic on-orbit geometric calibration framework for geostationary optical satellite imagery using open access data | |
Paulauskas et al. | Once more on comparison of tail index estimators | |
CN113191949B (zh) | 多尺度超分辨率病理图像数字化方法、***及存储介质 | |
CN109919998B (zh) | 卫星姿态确定方法、装置和终端设备 | |
CN113624219A (zh) | 基于optics算法的磁罗盘椭圆拟合误差补偿方法 | |
CN107463899B (zh) | 识别风力发电机部件的边缘的方法及装置 | |
CN112487718A (zh) | 一种基于深度学习的卫星图像反演雷达组合反射率方法 | |
CN115879034B (zh) | 基于机器学习的热带气旋强度监测方法、装置和设备 | |
CN114326098B (zh) | 光学***公差分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |