[发明专利]一种基于L1

权利要求书

1.一种基于L₁-L₀范数最小化的气动热辐射图像自动校正方法，其特征在于，包括：

步骤1、建立基于L₁-L₀范数最小化的图像校正模型，所述图像校正模型的表达式为：

其中，||·||_p表示L_p范数，为校正图像估计值，为热辐射噪声估计值，为数据保真项，η为数据保真项的系数，α和β为正则化参数，L和D表示差分算子，α的取值跟估计出的校正图像的纹理特征有关，即α的值越大，所述校正图像估计值的纹理结构信息保留的就越少，β的取值跟估计出的热辐射噪声的光滑性有关，即β的值越大，所述热辐射噪声估计值越光滑，α和β的取值可根据实验需求进行调整，s为输入的气动热辐射效应图像，f为校正图像，b为热辐射噪声；

步骤2、所述式(1)中所述热辐射噪声估计值和所述校正图像估计值是需要优化的变量，因此，对所述热辐射噪声估计值和所述校正图像估计值进行交替迭代优化求解，即固定一个变量，对另一个变量求解，此过程交替进行，所以将所述式(1)可分解为两个子问题：

f-子问题的具体形式为：

b-子问题的具体形式为：

步骤3、对于所述步骤2中的所述f-子问题，采用半二次正则化方法进行求解，引入辅助变量w将所述式(2)转化为如下子问题：

其中，ρ为模型惩罚参数；

采用所述步骤1和所述步骤2中的求解方法，可将所述式(4)的最小化问题转化为两个新的子问题：

f′-子问题的具体形式变为：

w′-子问题的具体形式为：

通过对所述式(5)和所述式(6)的迭代求解，即可得到所述式(2)的最优解；

步骤4、对于所述步骤2中的所述b-子问题，同样采用半二次正则化方法进行求解，引入辅助变量t将所述式(3)转化为如下新的子问题：

其中，χ为模型惩罚参数；

采用所述步骤1和所述步骤2中的求解方法，可将所述式(7)的最小化问题转化为两个新的子问题：

b′-子问题的具体形式变为：

t′-子问题的具体形式为：

步骤5、采用交替迭代优化求解所述式(5)、所述式(6)、所述式(8)和所述式(9)：

其中，k为迭代次数，且k为大于0的整数。

2.根据权利要求1所述的基于L₁-L₀范数最小化的气动热辐射图像自动校正方法，其特征在于，所述步骤1中所述热辐射噪声估计值和所述校正图像的估计值