[发明专利]一种基于字典学习的沥青红外图像非均匀性校正方法

权利要求书

1.一种基于字典学习的沥青红外图像非均匀性校正方法，其特征在于，包括：

S1、采集摊铺过程中的沥青路面红外图像；

S2、字典初始化：

S21、对采集到的沥青路面红外图像进行灰度化处理；

S22、将灰度化后的图像分成若干图像块，对每一图像块进行二维DCT变换和反变换，然后合并图像块生成DCT字典；

S23、将灰度化后的图像进行奇异值分解，将分解后的奇异值矩阵作为SVD字典，其中分解后的奇异值矩阵的每一列向量作为SVD字典的一个字典原子；

S24、通过Ljung-box对SVD字典进行噪声检验，筛选出不含噪声的字典原子；

S25、将所述DCT字典与筛选出的不含噪声的字典原子拼接，组成用于字典学习的初始字典；

S3、通过OPM算法对初始字典更新，获得沥青路面红外图像的过完备字典；

S4、根据所述过完备字典对沥青路面红外图像进行稀疏表示，实现非均匀性校正。

2.根据权利要求1所述的基于字典学习的沥青红外图像非均匀性校正方法，其特征在于，步骤S24中，所述通过Ljung-box对SVD字典进行噪声检验，筛选出不含噪声的字典原子，包括：

提出两种假设：

假设H₀：各字典原子是独立分布的；

假设H₁：各字典原子不是独立分布的；

计算假设H₀的检验统计量Q，如下式所示，该统计量服从卡方分布：

式中，d_k表示SVD字典中第k个字典原子，L为每个字典原子的长度，m为参与计算统计量的最大滞后步数，为原子在滞后j步时的自相关系数。

计算字典原子由0至[L/2]步滞后的平均卡方分布概率值p_k：

式中，χ²为卡方分布；

当检验统计量Q的对应卡方分布概率p_k大于设定值时，认为H₀假设成立，即该原子由随机噪声组成成立，为无效原子；否则认为假设H₁成立，原子通过白噪声检验，为可以对红外图像进行稀疏表示的有效原子。

3.根据权利要求1所述的基于字典学习的沥青红外图像非均匀性校正方法，其特征在于，步骤S4中，所述根据所述过完备字典对沥青路面红外图像进行稀疏表示，实现非均匀性校正，包括：

S41、设置稀疏表示的目标函数：

其中，f是待非均匀性校正的目标红外图像，D₀是过完备字典，A是过完备字典稀疏表示的系数矩阵，μ，σ分别是稀疏项的系数和稀疏度；

S42、使用正交匹配追踪算法追踪更新系数矩阵A：将系数矩阵A与过完备字典D₀相乘，获得在次迭代步中生成的校正图像并计算校正图像的非均匀性指标：

式中，是校正图像的非均匀性指标，β是用于调整的常数，是校正图像通过拉普拉斯算子卷积后的输出值，是生成校正图像通过高斯-拉普拉斯算子变换的输出值；

S43、计算相邻次迭代中的非均匀性指标的差值，若差值不满足迭代终止条件，更新目标函数中的稀疏度，重复S42至S43，直到满足迭代终止条件，输出非均匀性校正后的沥青红外图像。

4.根据权利要求3所述的基于字典学习的沥青红外图像非均匀性校正方法，其特征在于，步骤S43中，采用下式更新目标函数中的稀疏度：

式中，σ_k是第k步时的稀疏度，σ_min是初始稀疏度，NEI是当前迭代的非均匀性指标值，NEI_max是初始非均匀性指标值，ε是极小值。

5.根据权利要求1所述的基于字典学习的沥青红外图像非均匀性校正方法，其特征在于，步骤S1中，利用红外热像仪，在保持采集高度及垂直于地面的采集角度不变的条件下，采集沥青路面红外图像，且图像采集在摊铺过程中碾压之前完成的。