基于FPGA的低照度条件下EBAPS图像混合噪声去除算法

夏皓天, 钱芸生, 王逸伦, 郎怡政

夏皓天, 钱芸生, 王逸伦, 郎怡政. 基于FPGA的低照度条件下EBAPS图像混合噪声去除算法[J]. 应用光学, 2022, 43(6): 1075-1087. DOI: 10.5768/JAO202243.0604006
引用本文: 夏皓天, 钱芸生, 王逸伦, 郎怡政. 基于FPGA的低照度条件下EBAPS图像混合噪声去除算法[J]. 应用光学, 2022, 43(6): 1075-1087. DOI: 10.5768/JAO202243.0604006
XIA Haotian, QIAN Yunsheng, WANG Yilun, LANG Yizheng. Mixed noise removal algorithm of EBAPS image under low illumination condition based on FPGA[J]. Journal of Applied Optics, 2022, 43(6): 1075-1087. DOI: 10.5768/JAO202243.0604006
Citation: XIA Haotian, QIAN Yunsheng, WANG Yilun, LANG Yizheng. Mixed noise removal algorithm of EBAPS image under low illumination condition based on FPGA[J]. Journal of Applied Optics, 2022, 43(6): 1075-1087. DOI: 10.5768/JAO202243.0604006

基于FPGA的低照度条件下EBAPS图像混合噪声去除算法

基金项目: 国家自然科学基金“叶企孙”科学基金项目(U2141239)
详细信息
    作者简介:

    夏皓天(1998—),男,硕士研究生,主要从事光电信息探测、微光成像技术与微光图像处理研究。E-mail:xiahaotian0422@163.com

    通讯作者:

    钱芸生(1968—),男,教授,博导,主要从事光电成像器件、系统与相关测试技术研究。 E-mail:yshqian@njust.edu.cn

  • 中图分类号: TN206

Mixed noise removal algorithm of EBAPS image under low illumination condition based on FPGA

  • 摘要:

    为了解决单一的中值滤波和高斯滤波算法对低照度图像中同时存在的脉冲噪声和泊松噪声抑制效果不佳、边缘细节保护不足的问题,提出一种基于可编程逻辑门阵列(field programmable gate array,FPGA)的开关中值-高斯融合(open and close mix-median-Gaussian,OCMMG)滤波算法。首先,利用最小四方向差值检测每个像素点的异常程度,根据脉冲噪声判别阈值分配权重,进行第1步滤波处理;然后,利用四方向边缘检测算法提取图像边缘,根据设置的边缘置信度表征值进行第2步滤波处理;最后,用电子轰击有源像素传感器(electron bombarded active pixel sensor,EBAPS)在1×10−3 lx照度条件下采集的图像,基于FPGA对其进行实时图像处理。实验结果表明,FPGA处理结果与软件仿真处理结果相符。该算法相比于中值滤波和高斯滤波算法,峰值信噪比分别提高了3.23%和16.34%,结构相似性分别提高了14.66%和33.86%,边缘保持指数分别提高了0.49%和4.21%,能够有效去除EBAPS图像的混合噪声,并满足实时性要求。

    Abstract:

    In order to solve the problem that single median filtering and gaussian filtering algorithm is not effective in suppressing impulse noise and poisson noise simultaneously in low illumination image, and the edge detail protection is insufficient, an open and close mix-median-gaussian (OCMMG) filtering algorithm based on field programmable gate array (FPGA) was proposed. Firstly, the minimum four-direction difference was used to detect the anomaly degree of each pixel point, the weight was allocated according to the threshold of pulse noise discrimination, and the first step was filtering. Then, the four-direction edge detection algorithm was used to extract image edges, and the second step was filtered according to the set edge confidence characterization value. Finally, the images collected by electron bombarded active pixel sensor (EBAPS) under the condition of 1×10−3 lx illumination were processed by FPGA in real time. The experimental results show that the FPGA processing results are consistent with the software simulation processing results. Compared with the median filtering and gaussian filtering algorithm, the peak signal-to-noise ratio (PSNR) of the algorithm is improved by 3.23% and 16.34%, the structural similarity is improved by 14.66% and 33.86%, and the edge retention index is improved by 0.49% and 4.21%, respectively, which can effectively remove the mixed noise of EBAPS image and meet the real-time requirements.

  • 随着光学镀膜技术的不断发展进步,广泛应用于高能激光系统、引力波探测、激光陀螺和腔衰荡光谱测试等的低损耗、高反射率光学元件性能已大大提高,其反射率已达到99.9%以上,有的甚至达到99.99%以上。基于分光光度技术的常规检测方法有光透射法、多次反射法等方法,但由于测量精度只能达到0.1%左右[1],无法准确测量高于99.9%光学元件的反射率。目前能精确测量反射率高于99.9%的唯一方法是光腔衰荡技术[2]。光腔衰荡技术是一种基于高精细度谐振腔的高灵敏度探测技术,利用光在谐振腔内来回振荡,其出射光的强度随时间呈指数形式衰减,通过测量衰荡时间来确定待测镜的反射率,是一种绝对测量方法,不需要标定。

    光腔衰荡技术的测试原理为用合适波长的激光器发出激光,通过耦合光路进入2个凹面镜组成的谐振腔,激光在衰荡腔中经过反射会形成衰荡,用探测器探测衰荡腔中光强信号,即可监视腔内光强的损耗情况。通过理论分析,光强信号的衰减过程符合一次指数函数衰减规律,衰减速率的快慢直接反映光腔损耗。得到初始腔的损耗后,将待测光学元件放入衰荡腔内,就构成了测试腔。光腔衰荡法是通过测量激光在谐振腔中的衰荡时间来确定腔的损耗或者待测腔镜的反射率。一般采用直腔和折叠腔相结合的方法,根据原理公式计算得到腔镜和待测光学元件的反射率。

    理论上来说,对于光腔衰荡技术,初始腔的腔内激光损耗越小,测量精度就越高。减小腔内损耗的方法包括升级系统硬件和优化腔结构。其中,硬件升级主要依赖于超高反射率腔镜(例如R=99.999 8%)的使用。但是在实际调试过程中,机械结构的组装加工都会带来不可避免的误差,会导致实际的旋转轴与理想位置不重合,从而引起扫描系统在扫描过程中腔长发生变化,因此就必须对扫描系统精度进行分析计算,根据系统的具体指标提出对扫描系统的要求。本文通过理论计算分析,结合实际测得的光腔衰荡数据得到对应的反射率,通过对比检验误差结果的影响判断是否准确。为提升光腔衰荡法测光学元件反射率提供了分析支撑。

    光腔衰荡技术依据所采用的光源不同,分脉冲光衰荡技术[3]、窄谱连续波光腔衰荡技术[4](NBCW-CRD)、相移光腔衰荡技术[5](PS-CRD)和自混合光腔衰荡技术[6](OF-CRD)等,在这些方法中,脉冲光衰荡技术的优点是装置简单[7-9],物理模型最为直观。

    脉冲光衰荡技术的测量原理如图1所示,脉冲激光光束透过耦合镜组将脉冲激光入射到衰荡腔,高反射率反射镜M1和M2构成一个光学谐振腔[10],当一束单色脉冲激光沿着光轴入射到光腔内,激光脉冲在2个腔镜之间往返振荡,每经过一次循环透射出部分光,M2后面的探测器接收脉冲信号。由于脉冲光入射到高反腔内时,只有很少的光进入光腔内衰荡,每次振荡透过镜片的光就更少,透射光的强度与输出镜的反射率有关,是时间的指数函数[11-13]

    图  1  脉冲光腔衰荡法测量原理图
    Figure  1.  Schematic diagram of measurement for pulse cavity ring-down method

    当激光脉冲进入衰荡腔后,光腔输出信号可表示为

    $$ I(t) = {I_0}\exp \Bigg(\dfrac{{ - t}}{\tau }\Bigg) $$ (1)

    直形衰荡光腔的衰荡时间τ与反射率R的关系为

    $$ \tau = \dfrac{{nL}}{{c(\alpha L - \ln R)}} $$ (2)

    式中:L为腔长;n为腔内介质的折射率;α为腔内吸收系数。当腔内介质为空气时,折射率n近似为1;c为光速;$\alpha $为损耗系数,当腔内无吸收介质时$\alpha $=0。

    将待测反射镜置于折叠腔的折点处,以一定角度将直腔改变为折叠腔,如图2所示。

    图  2  折叠衰荡腔示意图
    Figure  2.  Schematic diagram of folding ring-down cavity

    折叠衰荡光腔的衰荡时间$t$与反射率Rx的关系为

    $$ \dfrac{1}{t} = \dfrac{1}{{{t_0}}} - \dfrac{{c\ln {R_x}}}{L} $$ (3)

    脉冲光衰荡方法的测量结果不受光源的光强波动的影响,测量精度高,可进行不同入射角度的反射率测量,测量精度可达到${10^{ - 5}}$量级以上。这种测量法适用于高反射率元件测量,若元件的反射率低于97%,激光脉冲信号衰荡时间很短,从而影响测量精度。因此,该测量法更适合99.5%以上高反射率镜片的测量,且镜片的反射率越高,测量精度越高[14]

    R1R2分别为2个腔镜的反射率。

    若衰荡腔内介质为空气,忽略腔内空气吸收,当谐振腔镜反射率(R1=R2)相等时,则直腔结构谐振腔镜反射率为

    $$ R = \sqrt {{R_1}{R_2}} = 1 - \dfrac{L}{{c\tau }} $$ (4)

    对折叠腔,则待测反射镜的反射率为

    $$ {R_x} = \exp \Bigg[ - \Bigg(\dfrac{1}{t} - \dfrac{1}{{{t_0}}}\Bigg)\dfrac{L}{c}\Bigg] $$ (5)

    因此,本方法通过测量光束在衰荡腔内的衰荡时间,进而得到待测腔镜的反射率。

    系统采用脉冲光腔衰荡技术,其系统装置如图3所示,光源为1 064 nm固体激光器,TEM00模输出,光斑大小约2 mm,能量约2 mJ。激光光束经2个45°反射镜对光束进行折转后,经光束整形单元对光束变焦后,与衰荡腔本征模进行匹配,最后入射到由平凹反射腔镜 M1和M2(曲率半径为−1 m)构成的初始光学谐振腔,激光在腔中来回反射而形成振荡,在腔镜 M2后用光电探测器探测透射光,采集卡对测试数据进行记录并保存。实验装置放置在洁净度万级的超净实验室环境,空调净化系统始终保持开启状态。通过对初始腔的光腔衰荡信号进行单指数拟合,得到初始腔衰荡时间t0。将待测反射光学元件Rx按使用角度插入衰荡腔空腔中,形成测试腔,拟合得到测试腔衰荡时间t,并由(5)式计算得到待测反射光学元件的反射率。

    图  3  光腔衰荡法测试系统
    Figure  3.  Test system of cavity ring-down method

    在本系统中,腔镜M2与旋转扫描平台在结构上采用共轴的设计,目的是减小扫描结构的系统误差[15]

    由(5)式可知,待测镜的反射率主要影响因素有腔长L和衰荡时间t,而光学衰荡腔的影响因素包括腔长失调、模式匹配、腔镜倾斜。衰荡时间的影响因素包括探测器孔径大小、探测器响应时间、数据拟合算法等因素[16]。上述因素的影响规律相关文献已经进行描述分析,若采用大口径旋转扫描平台对大尺寸光学元件的反射率进行测量,扫描结构如图4所示。扫描系统涉及2个旋转轴、2个平移轴,扫描系统的系统精度对反射率测量精度的影响规律目前尚未见相关报道[17],因此,本文主要从该方面进行分析。

    图  4  大口径光学元件精密扫描系统结构图
    Figure  4.  Structure diagram of precision scanning system for large-aperture optical element

    图5所示,从理论上讲,当入射激光的初始传播方向保持不变时,在扫描机构扫描过程中,入射激光与待测光学元件交汇点的位置应保持不变,即激光在待测镜上的入射点的空间位置恒定;然而实际上,由于机械结构的加工、装调引入的各类误差的累积,不可避免地会导致实际的旋转轴与理想位置不重合,从而导致扫描系统在扫描过程中腔长会发生变化,从而增大测量的误差。因此,必须对扫描系统的精度进行分析计算,根据系统的具体指标提出对扫描系统精度的设计/调试要求。

    图  5  光学偏差示意图
    Figure  5.  Schematic diagram of optical deviation

    由于腔镜M2与旋转扫描平台在结构上采用共轴的设计,通过系统设计及装调,能够保证2个旋转轴的旋转中心偏差在10 μm以内,若衰荡腔的腔长为1 m,待测反射镜放置在衰荡腔中心位置,则腔镜(M2)的旋转半径为r=0.5 m,所对应的角度偏移在20 μrad以内,约为人眼的最小可辨别失调角580 μrad的3.5%,因此可以忽略不计。

    当旋转轴与理想旋转轴不重合时,如图5所示,实际旋转轴为点(ab),理想旋转轴为o点,反射镜旋转$ \alpha $角度,经反射镜的实际反射光线与理想反射光线是平行的,当腔镜M2的旋转半径为r时,引起的衰荡腔长变化量为$ a + \sqrt {{r^2} - {b^2}} - r $,入射角度变化量为$\arcsin \Bigg(\dfrac{b}{r}\Bigg)$。由上述2个公式可知,腔长变化量和入射角度变化量均与扫描系统的旋转角度无关,只与实际旋转中心的位置有关,由于a、b的误差量级在mm级,当r为0.5 m时,$ a + \sqrt {{r^2} - {b^2}} - r \approx a $,即腔长变化量只与a相关。由文献[18]衰荡光腔中腔镜倾斜分析可知,若b的值小于0.29 mm时,由入射角度变化引入的测量相对误差为10−6;腔长失调量约为a值;若其量值在mm量级,可通过调整反射镜M2的前后位置来改变衰荡腔长来修正,通过示波器监视衰荡信号,对衰荡腔腔长调节实现精确调节,减小腔长的变化对测量误差的影响。

    通过对旋转扫描平台进行精密调试,获得了在大口径光学元件在旋转时不同角度下的衰荡曲线,通过最小二乘法对衰荡曲线进行拟合,得到衰荡时间,从而计算得到反射率,对其单点进行N次(N不小于6)测量得到$ {R_i} $,计算出测量的平均值$ \mathop R\limits^ - $=0.999 815 3,即可求出标准偏差$ s(R) $=1.032 8×$10_{}^{ - 6}$ 。如表1所示。

    表  1  光腔衰荡时间和对应的反射率
    Table  1.  Cavity ring-down time and corresponding reflectivities
    实验次数123456
    τ18.01818.01218.08317.99218.12618.051
    R0.999 8150.999 8140.999 8150.999 8170.999 8160.999 815
    下载: 导出CSV 
    | 显示表格

    把光电探测器采集得到的时间与光照强度的数据通过一次指数函数进行拟合,得到拟合数据曲线如图6所示。通过原始数据点与拟合图像的关系,计算得到对应函数关系式的统计值R2的均值为0.994 3,说明一次指数函数拟合得到的值拟合度较为准确。测得的待测镜反射率为0.999 815,将待测镜旋转一定的角度,得到的反射率为0.999 817,可知所设计的旋转扫描平台对测试结果影响很小,可忽略不计。

    图  6  一次指数函数拟合曲线图
    Figure  6.  Fitting curve of first-order exponential function

    本文从腔衰荡大口径光学元件反射率测试系统的工程化角度,分析了旋转扫描单元的设计及调试误差对系统测试误差的影响。在垂直于光的传播方向上,实际旋转轴与理想旋转轴的水平偏差在0.29 mm时,测量相对误差为10−6;在光的传播方向上,实际旋转轴与理想旋转轴的水平偏差在1 mm以内,可通过调节衰荡腔腔镜的前后距离,实现实际腔长与理论腔长相近,从而降低系统的测试误差。通过试验测试,所设计的测试系统的测量误差在10−6以内,能够满足较高测试系统的测试精度需求。

  • 图  1   系统总体框架设计

    Figure  1.   Design diagram of overall framework for system

    图  2   算法模块流程图

    Figure  2.   Flow chart of algorithm module

    图  3   3×3模板生成图

    Figure  3.   Diagram of 3×3 template generation

    图  4   3×3矩阵映射图

    Figure  4.   Diagram of 3×3 matrix mapping

    图  5   最小四方向差值流程图

    Figure  5.   Flow chart of minimum four-direction differences

    图  6   快速中值滤波模块流程图

    Figure  6.   Flow chart of fast median filter module

    图  7   边缘检测模块流程图

    Figure  7.   Flow chart of edge detection module

    图  8   高斯滤波模板

    Figure  8.   Diagram of gaussian filter template

    图  9   仿真测试图

    Figure  9.   Diagram of simulation test

    图  10   照度1的去噪结果对比图

    Figure  10.   Comparison diagram of denoising results of illuminance 1

    图  11   照度2的去噪结果对比图

    Figure  11.   Comparison diagram of denoising results of illuminance 2

    图  12   照度3的去噪结果对比图

    Figure  12.   Comparison diagram of denoising results of illuminance 3

    图  13   硬件设备及其内部结构图

    Figure  13.   Hardware device and its internal structure diagram

    图  14   高压电源与照度计

    Figure  14.   High-voltage power supply and illuminometer

    图  15   静态靶标实验结果对比图

    Figure  15.   Comparison of experimental results of static targets

    图  16   静态SF实验结果对比图

    Figure  16.   Comparison of experimental results of static SF graphics

    图  17   夜晚外部环境实验结果对比图

    Figure  17.   Comparison of experimental results of external environment at night

    图  18   运动目标实验结果对比图

    Figure  18.   Comparison of experimental results of moving targets

    图  19   仿真软件图像处理运行时间

    Figure  19.   Image processing running time of simulation software

    图  20   FPGA图像处理运行时间

    Figure  20.   Image processing running time of FPGA

    表  1   照度1的测试图去噪后评价结果

    Table  1   Evaluation results of test map after denoising of illuminance 1

    滤波算法LenaGoldhillPepper
    PSNRSSIMEPIPSNRSSIMEPIPSNRSSIMEPI
    噪声图21.499 40.294 20.906 421.385 50.412 40.911 921.361 20.322 50.924 4
    中值滤波31.966 50.514 30.990 629.479 40.588 50.984 831.131 60.490 20.991 3
    高斯滤波28.930 40.460 00.980 927.960 80.570 80.978 328.330 80.452 90.983 4
    文献[24]29.537 00.450 80.983 828.520 80.588 30.981 328.875 00.467 00.985 6
    文献[25]28.824 40.519 30.986 927.398 70.616 40.983 127.562 00.494 50.987 0
    本文算法33.006 80.583 20.993 631.176 60.685 40.989 732.237 30.560 40.993 3
    下载: 导出CSV

    表  2   照度2的测试图去噪后评价结果

    Table  2   Evaluation results of test map after denoising of illuminance 2

    滤波算法LenaGoldhillPepper
    PSNRSSIMEPIPSNRSSIMEPIPSNRSSIMEPI
    噪声图21.131 30.164 50.796 321.633 60.225 30.752 021.848 40.177 30.787 9
    中值滤波28.558 60.401 00.984 033.145 60.479 30.974 033.880 70.378 80.981 7
    高斯滤波27.195 80.322 80.955 729.416 40.407 50.940 129.759 30.317 60.953 2
    文献[24]27.253 90.304 60.966 930.225 40.409 20.951 430.282 30.307 10.959 8
    文献[25]28.669 00.409 10.979 431.267 90.501 60.969 130.906 60.377 30.973 3
    本文算法28.737 50.442 10.987 234.417 50.567 10.980 634.791 60.431 00.985 2
    下载: 导出CSV

    表  3   照度3的测试图去噪后评价结果

    Table  3   Evaluation results of test map after denoising of illuminance 3

    滤波算法LenaGoldhillPepper
    PSNRSSIMEPIPSNRSSIMEPIPSNRSSIMEPI
    噪声图21.644 90.126 40.608 421.617 50.194 00.674 521.549 40.138 90.653 9
    中值滤波35.779 90.345 50.968 834.227 30.451 80.968 535.414 40.342 80.974 0
    高斯滤波29.757 10.260 30.888 729.529 60.365 90.913 529.631 20.261 90.908 9
    文献[24]31.664 70.257 50.925 731.170 10.374 80.940 031.350 60.267 50.937 8
    文献[25]34.312 50.354 40.962 232.972 50.482 40.964 633.657 70.350 50.967 3
    本文算法36.776 00.387 90.975 235.399 40.531 80.975 936.527 80.388 70.979 9
    下载: 导出CSV

    表  4   仿真软件与FPGA算法客观评价一致性检验

    Table  4   Consistency test of objective evaluation of simulation software and FPGA algorithm

    参数PSNRSSIMEPI
    仿真软件FPGA误差/%仿真软件FPGA误差/%仿真软件FPGA误差/%
    靶标1×10−1 lx32.606 732.384 30.680.604 60.647 76.650.958 30.993 43.53
    靶标1×10−2 lx30.476 230.384 30.300.529 70.577 08.200.931 50.955 02.46
    靶标1×10−3 lx34.291 634.168 50.360.527 50.564 66.570.930 20.938 10.84
    SF 1×10−1 lx33.197 833.047 70.450.563 60.605 36.890.982 90.995 51.27
    SF 1×10−2 lx30.779 730.604 90.570.535 40.554 93.510.907 80.968 66.28
    SF 1×10−3 lx35.385 035.668 30.790.505 60.561 19.890.933 70.960 12.75
    夜晚外部环境35.004 335.368 41.030.617 80.635 32.750.989 20.997 00.78
    下载: 导出CSV
  • [1] 王彦斌, 张德锋, 周旋风, 等. CCD光敏面上规则点阵的产生机理[J]. 光学精密工程,2021,29(6):1242-1250.

    WANG Yanbin, ZHANG Defeng, ZHOU Xuanfeng, et al. Formation mechanism of regular lattices on photosensitive surface of CCD[J]. Optics and Precision Engineering,2021,29(6):1242-1250.

    [2]

    BOLDUC E, FACCIO D, LEACH J. Acquisition of multiple photon pairs with an EMCCD camera[J]. Journal of Optics,2017,19(5):054006. doi: 10.1088/2040-8986/aa52d8

    [3]

    MORAN S E, ULICH B L, ELKINS W P, et al. Intensified CCD (ICCD) dynamic range and noise performance[J]. Proceedings of SPIE - the International Society for Optical Engineering,1997,3173:430-457.

    [4]

    COATES C G, DE NVIR D J, MCHALE N G, et al. Optimizing low-light microscopy with back-illuminated electron multiplying charge-coupled device: enhanced sensitivity, speed, and resolution[J]. Journal of Biomedical Optics,2004,9(6):1244. doi: 10.1117/1.1805559

    [5] 蔡宁静, 曾祥忠, 王波. EBCMOS相机盲元检测方法的研究[J]. 应用光学,2021,42(1):137-142. doi: 10.5768/JAO202142.0103007

    CAI Ningjing, ZENG Xiangzhong, WANG Bo. Research on blind element detection method of EBCMOS camera[J]. Journal of Applied Optics,2021,42(1):137-142. doi: 10.5768/JAO202142.0103007

    [6]

    AEBI V W, JAMES B J. Electron bombarded active pixel sensor: US20140267641 A1 [P]. 2003-05-02.

    [7]

    GEORGE M. Electron bombarded back-illuminated CCD sensors for lowlight level imaging applications[J]. SPIE,1995,2415:211-235. doi: 10.1117/12.206518

    [8] 唐小东. EBAPS电子轰击性能测试技术研究[D]. 南京: 南京理工大学, 2019.

    TANG Xiaodong. Research on EBAPS electron bombardment performance test technology [D]. Nanjing: Nanjing University of Science and Technology, 2019.

    [9]

    KURATA H, OTSUGA K, KOTABE A, et al. Random telegraph signal in flash memory: its impact on scaling of multilevel flash memory beyond the 90-nm node[J]. IEEE Journal of Solid-State Circuits,2007,42(6):1362-1369. doi: 10.1109/JSSC.2007.897158

    [10]

    MAJID A, MAHMOOD M T, CHOI T S. A novel noise-free pixels based impulse noise filtering [C]// IEEE International Conference on Image Processing. USA: IEEE, 2010:125-128.

    [11] 康宇, 赵冬青, 上官鹏, 等. 基于FPGA的图像边缘保护高斯滤波算法实现[J]. 电子设计工程,2021,29(6):94-98. doi: 10.14022/j.issn1674-6236.2021.06.020

    KANG Yu, ZHAO Dongqing, SHANGGUAN Peng, et al. Realizaton of image edge protection Gauss filter algorithm based on FPGA[J]. International Electronic Elements,2021,29(6):94-98. doi: 10.14022/j.issn1674-6236.2021.06.020

    [12]

    ANSCOMBE F J. The transformation of poisson, binomial and negative-binomial data[J]. Biometrika,1948,35:246-254. doi: 10.1093/biomet/35.3-4.246

    [13]

    FRYZLEWICZ P, NASON G P. A Haar-Fisz algorithm for poisson intensity estimation[J]. Journal of Computational and Graphical Statistics,2004,13(3):621-638. doi: 10.1198/106186004X2697

    [14] 许玉婷, 吴志芳, 王强, 等. 基于剪切波变换的辐射图像泊松噪声降噪技术研究[J]. 原子能科学技术,2022,56(3):577-584.

    XU Yuting, WU Zhifang, WANG Qiang, et al. Denoise technology for radiation image with poisson noise based on shearlet transform[J]. Atomic Energy Science and Technology,2022,56(3):577-584.

    [15] 王光新, 王正明, 谢美华, 等. 泊松噪声模糊图像的边缘保持变分复原算法[J]. 光电子·激光,2007,18(3):359-363. doi: 10.3321/j.issn:1005-0086.2007.03.028

    WANG Guangxin, WANG Zhengming, XIE Meihua, et al. An edge preserving variational restoration method of blurred image corrupted by poisson noise[J]. Journal of Optoelectronics·Laser,2007,18(3):359-363. doi: 10.3321/j.issn:1005-0086.2007.03.028

    [16] 陈明轩. 数字图像中随机值脉冲噪声的滤除算法研究[D]. 北京: 北京信息科技大学, 2013: 4.

    CHEN Mingxuan. Research on filtering algorithm of random value impulse noise in digital image[D]. Beijing: Beijing Information Science and Technology University, 2013: 4.

    [17] 邹瑜. 一种易于FPGA实现的椒盐噪声滤除算法[J]. 电子测试,2021(20):40-41. doi: 10.3969/j.issn.1000-8519.2021.20.015

    ZOU Yu. A salt and pepper noise filtering algorithm easy to implement on FPGA[J]. Electronic Test,2021(20):40-41. doi: 10.3969/j.issn.1000-8519.2021.20.015

    [18] 左振鹏. 数字图像自适应去噪算法的FPGA实现[J]. 电子技术应用,2012,38(11):14-15. doi: 10.3969/j.issn.0258-7998.2012.11.006

    ZUO Zhenpeng. A new adaptive switching filter for digital image on FPGA[J]. Application of Electronic Technology,2012,38(11):14-15. doi: 10.3969/j.issn.0258-7998.2012.11.006

    [19] 王丽红, 胡长宏, 范鲜红, 等. 自适应中值滤波器优化及其FPGA实现[J]. 哈尔滨理工大学学报,2021,26(5):68-75. doi: 10.15938/j.jhust.2021.05.009

    WANG Lihong, HU Changhong, FAN Xianhong, et al. Optimization of adaptive median filter and FPGA implementation[J]. Journal of Harbin University of Science and Technology,2021,26(5):68-75. doi: 10.15938/j.jhust.2021.05.009

    [20]

    LIU Y H, GAO K, NI G Q. An improved trilateral filter for Gaussian and impulse noise removal [C]// International Conference on Industrial Mechatronics & Automation. USA: IEEE, 2010:14566891.

    [21]

    XU Guangyu, TAN Jianqing, ZHONG Jinqin. An improved trilateral filter for image denoising using an effective impulse detector [C]//Proceedings of the 4th International Congress on Image and Signal Processing. USA: IEEE, 2011: 90-94.

    [22]

    JUNG S W. Enhancement of image and depth map using adaptive joint trilateral filter[J]. IEEE Transactions on Circuits and Systems for Video Technology,2013,23(2):258-269. doi: 10.1109/TCSVT.2012.2203734

    [23] 丁继生, 卫伟, 杨依忠, 等. 一种基于FPGA的开关中值滤波算法研究[J]. 合肥工业大学学报(自然科学版),2016,39(4):490-493.

    DING Jisheng, WEI Wei, YANG Yizhong, et al. Research on switching median filter algorithm based on FPGA[J]. Journal of Hefei University of Technology:Nature Science Edition,2016,39(4):490-493.

    [24] 陈伟, 党榕. 混合噪声图像的去噪算法研究及FPGA实现[J]. 电子测量技术,2021,44(16):135-140.

    CHEN Wei, DANG Rong. Research on denoising algorithm of mixed noise image and FPGA implementation[J]. Electronic Measurement Technology,2021,44(16):135-140.

    [25] 涂友钢. 单兵夜视眼镜视频信号处理技术研究[D]. 南京: 南京理工大学, 2019.

    TU Yougang. Research on video signal processing technology of soldier night vision glasses [D]. Nanjing: Nanjing University of Science and Technology, 2019.

    [26] 褚翔, 祝连庆, 娄小平, 等. 基于改进Sobel算子的动态自动调焦算法研究[J]. 应用光学,2017,38(2):237-242.

    CHU Xiang, ZHU Lianqing, LOU Xiaoping, et al. Dynamic auto focus algorithm based on improved Sobel operator[J]. Journal of Applied Optics,2017,38(2):237-242.

    [27] 宁永慧, 刘辉, 赵庆磊, 等. 大面阵高帧频CMOS成像电子学系统设计[J]. 光学精密工程,2019,27(5):1167-1177. doi: 10.3788/OPE.20192705.1167

    NING Yonghui, LIU Hui, ZHAO Qinglei, et al. High-frame frequency imaging system of large area CMOS image sensor[J]. Optics and Precision Engineering,2019,27(5):1167-1177. doi: 10.3788/OPE.20192705.1167

    [28]

    KELE O, YLMAZ M A, TEKALP A M, et al. On the computation of PSNR for a set of images or video [C]// 2021 Picture Coding Symposium (PCS). USA: IEEE, 2021: 9477470.

    [29] 韩昊男, 钱锋, 吕建威, 等. 图像去雾方法质量评价[J]. 光学精密工程,2022,20(6):721-733.

    HAN Haonan, QIAN Feng, LYU Jianwei. Image dehazing method quality assessment[J]. Optics and Precision Engineer,2022,20(6):721-733.

    [30]

    JUNKE L, XIN J. EPI-neighborhood distribution based light field depth estimation [C]//IEEE International Conference on Acoustics, Speech and Signal Processing. USA: IEEE, 2020: 2003-2007.

  • 期刊类型引用(12)

    1. 袁利,姜甜甜,魏春岭,杨孟飞. 空间控制技术发展与展望. 自动化学报. 2023(03): 476-493 . 百度学术
    2. 覃振鹏,徐金敏,吕德深. 基于三维光学测量的光纤微缺陷无损检测研究. 激光杂志. 2023(09): 233-237 . 百度学术
    3. 张志鹏,邵学君,庞庆. 基于三维激光扫描的铁路罐车点云优化处理方法. 应用光学. 2022(03): 460-465 . 本站查看
    4. 万青. 基于数据挖掘的光纤通信网络异常数据检测. 中国新通信. 2022(18): 4-6 . 百度学术
    5. 蒋心学,唐飞笼,杨迪. 机载三维激光点云数据分类数学模型. 激光杂志. 2021(07): 142-146 . 百度学术
    6. 王宪伦,丁文壮,孙旭祥. 场景点云中小孔洞边界提取算法. 机械制造与自动化. 2021(05): 39-41+52 . 百度学术
    7. 王洪. 基于关联规则算法的不动产边界三维测量方法. 经纬天地. 2021(06): 14-17 . 百度学术
    8. 林婷婷,江晟,李荣华,葛研军,周颖. 非合作目标视觉位姿测量与地面验证方法. 大连交通大学学报. 2020(03): 34-40 . 百度学术
    9. 李敏,金晶. 基于VR技术的舰船航行环境快速重构研究. 舰船科学技术. 2020(14): 79-81 . 百度学术
    10. 田九玲,杨永菊. 基于Rodrigues参数交互模型航天器相对位姿测量技术. 计算机测量与控制. 2020(09): 19-22+33 . 百度学术
    11. 陈立胜,于丽娜. 基于虚拟光学的室内三维空间视觉合理性设计. 激光杂志. 2020(11): 183-187 . 百度学术
    12. 马莉莉,刘江平. 基于数据挖掘的光纤通信网络异常数据检测研究. 应用光学. 2020(06): 1305-1310 . 本站查看

    其他类型引用(5)

图(20)  /  表(4)
计量
  • 文章访问数:  402
  • HTML全文浏览量:  196
  • PDF下载量:  83
  • 被引次数: 17
出版历程
  • 收稿日期:  2022-07-31
  • 修回日期:  2022-09-23
  • 网络出版日期:  2022-10-10
  • 刊出日期:  2022-11-14

目录

/

返回文章
返回