(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211312627.1 (22)申请日 2022.10.25 (71)申请人 河南大学 地址 450046 河南省郑州市郑东 新区明理 路北段379号 (72)发明人 肖启阳　黄澳飞　杨茂林　胡振涛　 李军伟　贾林　 (74)专利代理 机构 郑州优盾知识产权代理有限 公司 41125 专利代理师 张彬 (51)Int.Cl. G16C 60/00(2019.01) G06V 10/44(2022.01) G06V 10/30(2022.01) G06F 30/20(2020.01)G06F 113/26(2020.01) (54)发明名称 基于数字散斑的复合材料构件多源噪声滤 除方法 (57)摘要 本发明提出了一种基于数字散斑的复合材 料构件多源噪声滤除方法， 用于解决采集的数字 散斑图的测量灵敏度低、 精度低的技术问题； 其 步骤为： 首先， 利用数字散斑光路分别采集一幅 物体变形前后的数字散斑图， 利用傅里叶变换提 取数字散斑图的相位信息， 获得复合材料构件缺 陷图； 其次， 对复合材料构件缺陷图进行同态变 换， 将乘性噪声转换为加性噪声； 然后利用压缩 感知理论对加性噪声进行滤波， 滤除复合材料构 件缺陷图中的乘性噪声； 最后， 采用矩阵奇异值 分解算法滤除复合材料构件缺陷图中的加性噪 声， 得到降噪后的构 件缺陷图。 本发明利用K ‑SVD 算法去噪能够很好的恢复原始图像的细节部分， 并去除高斯白噪声， 提高去噪图像的P SNR值。 权利要求书3页 说明书6页 附图1页 CN 115482892 A 2022.12.16 CN 115482892 A 1.一种基于数字 散斑的复合材 料构件多源噪声滤除方法， 其特 征在于， 其 步骤如下： 步骤一： 利用数字散斑光路分别采集一幅物体变形前后的数字散斑图， 利用傅里叶变 换提取数字散斑图的相位信息， 获得复合材 料构件缺陷图； 步骤二： 对复合材 料构件缺陷图进行同态变换， 将乘性噪声转换为加性噪声； 步骤三： 利用压缩感知理论对加性噪声进行滤波， 滤除复合材料构件缺陷图中的乘性 噪声； 步骤四： 采用矩阵奇异值分解算法滤除复合材料构件缺陷图中的加性噪声， 得到降噪 后的构件缺陷图。 2.根据权利要求1所述的基于数字散斑的复合材料构件多源噪声滤除方法， 其特征在 于， 步骤一的实现方法为： 搭建数字散斑光路， 对复合材料构件进行热加载， 在物体变形前 后分别采集一幅数字散斑干涉图； 对采集的单幅数字散斑图进行傅里叶变换， 提取变换后 的高频部分， 利用反正切计算数字 散斑包裹相位图， 得到构件缺陷图。 3.根据权利要求1所述的基于数字散斑的复合材料构件多源噪声滤除方法， 其特征在 于， 所述将乘性噪声转换为加性噪声的方法为： 含噪观测信号表达式为： y(t)＝s(t) ·e(t)； 式中， y(t)为含噪观测信号， t表示时间变量， s(t)为真实信号， e(t)为噪声， 且噪声类 型服从N(1， σ2)的高斯分布； 将含噪观测信号表达式经 过对数同态变换 得到： G(t)＝ln(s)+ln(e)； 其中， G(t)表示重构信号， s表示真实信号， e表示噪声信号。 4.根据权利要求3所述的基于数字散斑的复合材料构件多源噪声滤除方法， 其特征在 于， 步骤三的实现方法为： 将信号进行稀疏表示： 信号x为一维有限长离散的实信号， x是N ×1维的矢量， 即x[n]∈ RN,n＝1,2,3, …,N； 在RN空间量的任何信号都可以用N ×1维的基矢量来表示， 即 假 设基元素之间是正交的， 矢 量{Ψi}作为N×N维矩阵Ψ＝{Ψ1|Ψ2|Ψ3…|ΨN}列， 则信号x可 表示为： 其中， si是加权系数， 为组成N×1维的矢量， x为时域或空间域， si在变 换域里， 如果信号x是k个基矢量的线性组合， 那么信号x是k ‑稀疏的， 即上 式中系数si中有k 个非零数， (n ‑k)个零； 利用K‑SVD算法滤除噪声， 得到去噪之后的图像： K ‑SVD算法在含噪图像y上训练字典D， 含噪图像分解成大小为 的子图存储在矢量y中， yi∈Rn； 通过式 可以恢复去 噪子图， 通过稀疏表示后， 由下式可以得到 其中， 表示分解图像块x的稀疏表示， T受ε和子图的标准差σ 决定， ‖ a‖o表示统计a中非 零元的个数， ‖ a‖2表示2范数；权　利　要　求　书 1/3 页 2 CN 115482892 A 2式(2)可以转 化为一个优化的函数， 即： 其中， argamin{.}表示使目标函数达到极小值时自变量a取值的集合， y是由k张子图像 为列构成的， 即y＝{y1,y2,…,yn},在给定的训练字典D上的稀疏表示ai， 即a＝{a1， a2，…ak}； μ表示惩罚因子； ‖ a‖0表示统计a 中非零元的个数； K‑SVD算法首 先训练含噪子图y的字典， 然后根据找的字典重构去噪后的图像x： 其中， 表示去噪输出图像， λ是lagrange乘法因子； 参数 μp决定子图p的稀释性； Rp表示 子图p的矩阵； X表示含噪图像， A 表示M×N矩阵， 秩为r； 在K‑SVD算法中， 首先需要定义初始字典， 初始字典中的原子是离散余弦变换信号或原 始图像中的子图， 输出图像初始化为X＝Y， 然后执行多 次K‑SVD算法中的迭代： 稀疏编码和 字典更新； 稀疏编码： 计算每 个子图R、 X的稀疏表示矢量ap可以利用任何匹配追踪算法求 解： 其中， c为增益因子； 字典更新： 更新字典D的每一列k的步骤为： S3.1： 定义 一组样本 其中 表示矩阵A的第k行； S3.2： 计算所有的误差矩阵Ek， 其中， dj表示字典D的第j列， 表 示矩阵A中的第j行； S3.3： 选择与wk对应的列约束Ek， 可得 S3.4： 应用奇异值分解使 选取已更新字典的列 作为U的第一列， 已更新的 稀疏系数矢量 作为Δ(1， 1)v第一列； 通过K‑SVD算法得到训练字典， 在已知字典D的情况下， 求解每一张子图的稀疏表示， 则 去噪之后的图像可以通过解下边的式子得到： 这个二次项解形式为： 其中， 为去噪之后的图像， I 为单位阵。 5.根据权利要求4所述的基于数字散斑的复合材料构件多源噪声滤除方法， 其特征在 于， 步骤四的实现方法为： S4.1： 构造Hankel矩阵， 含噪信号 的长度N′为奇数时， H矩阵的行数m为N ′+1； 含噪信号 的长度N′为偶数时， H矩阵的行 数m为N′/2， H矩阵的列数n ′＝N′ ‑m+1； S4.2： SVD分解： 对H矩阵进行SVD分解， 得到两个标准化的正交矩阵Um×n′、 Vm×n′和对角矩权　利　要　求　书 2/3 页 3 CN 115482892 A 3