[发明专利]一种太赫兹成像方法及系统和一种无损检测方法及系统

权利要求书

1.一种太赫兹成像方法，其特征在于，所述方法包括：

获取检测对象的若干时域光谱信息文件矩阵；

根据所述时域光谱信息文件矩阵进行太赫兹时域信息成像和太赫兹频域信息成像，获得太赫兹时域图像和太赫兹频域图像；

所述获得太赫兹频域图像的具体方法包括：

读取所述时域光谱信息文件矩阵中每一列像素点所有行的光谱数据文件，采用快速傅里叶变换将各像素点的时域光谱变换成频域光谱；

根据所述频域光谱的频谱密度，采用帕塞瓦尔定理公式计算各像素点的能量参数；

根据所有像素点的能量参数构建频域成像参数矩阵；

对所述频域成像参数矩阵中的各能量参数进行量化映射，将各能量参数按比例扩展变换到[0，255]之间，获得频域成像灰度矩阵；

根据所述频域成像灰度矩阵生成太赫兹频域图像；

所述快速傅里叶变换为布莱克曼加窗快速傅里叶变换；

过布莱克曼加窗的快速傅里叶变换处理，具体实现过程如下：

①Blackman窗函数设计

布莱克曼窗是一种余弦窗，其公式为：

ω(n)＝0.42-0.52cos(2πn/N)+0.08cos(4πn/N)，其中n＝0,1,2，···N，对应的频谱为W(2πf)；

布莱克曼窗的第一旁瓣衰减的速度快，有利于抑制频谱泄露；虽然此窗的主瓣宽度大，但可以通过增大每周期的采样点数来弥补主瓣过宽的不足；

②加窗FFT

设单一频率信号x(t)经过采样后得到的离散信号为：对其进行加窗FFT变换可得：

由于对称性，舍弃负频率的频谱，只保留正频点处的频谱得到：

x₊(f)＝(A/2j)e^jθW(2π(f-f₀)/f_s)，其中，A表示振幅，f₀表示中心频率，f_s表示采样频率，n表示离散序列长度，W表示窗函数频谱，θ表示相位，e表示自然对数的底，j表示虚数单位；

③离散采样

对x₊(f)进行离散采样，得到离散傅里叶表达式：X₊(kΔf)＝(A/2j)e^jθW(2π(kΔf-f₀)/f_s)，其中Δf＝f_s/N，N为数据截断长度；

根据所述太赫兹时域图像和所述太赫兹频域图像构建所述检测对象的图像库；

计算所述图像库中频率小于太赫兹光谱截止频率的图像的信息熵；

筛选出信息熵最大的图像作为标准图像；

所述筛选出信息熵最大的图像作为标准图像之后，还包括：

判断筛选出的标准图像的数量是否大于或等于2，获得判断结果；

当所述判断结果表示是，则计算筛选出的各标准图像的平均梯度；

将平均梯度最大的图像作为最终的标准图像；

提取所述图像库中各图像的SIFT特征点；

图像SIFT特征提取的实现分为四个步骤，具体过程如下：

1)构造高斯差分金字塔尺度空间

①尺度空间

二维图像的尺度空间定义为：

L(x,y,σ)＝G(x,y,σ)·I(x,y)

其中I(x,y)是图像区域；G(x,y,σ)是尺度可变高斯函数，x,y是空间坐标；σ是高斯函数尺度值，其大小决定图像的平滑程度；

尺度空间使用高斯模糊实现，通过正态分布计算模糊模板，并与原图像进行卷积运算，来模糊图像；N维空间的正态分布方程为：

其中σ′是正态分布的标准差；r为模糊半径；设二维模糊模板为m×n，其中m、n分别表示为图像的长和宽，单位是像素，则二维模糊模板上的元素(x,y)对应的高斯核函数为：

②高斯差分金字塔

图像多尺度特征用图像金字塔来描述，尺度空间构建的基础是高斯差分金字塔DOG；SIFT特征点的提取是在DOG金字塔上进行的，这些DOG图像所蕴含的特征是在不同模糊程度、不同尺度下都存在的稳定特征点；对于一幅原始大小为m×n的图像，高斯金字塔层数的计算公式：

g＝log₂{min(m,n)}-t,t∈[0,log₂{min(m,n)}]

其中t为塔顶图像最小维数的对数值；高斯金字塔对每一层采用不同的σ做高斯模糊，一组图像组成一个octave，称之为八度；

通过计算高斯拉普拉斯函数σ²▽²G的极值，产生稳定的图像特征，但是该极值的计算量很大，故使用高斯DOG算子的差分计算近似代替微分，计算公式为：

其中▽²表示拉普拉斯算子；k-1是阈值常数，不影响极值点位置的求取；

③构建DOG尺度空间

利用不同尺度的高斯差分核与图像卷积计算，检测到稳定的极值点，构建DOG尺度空间，其定义为：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))·I(x,y)

＝L(x,y,kσ)-L(x,y,σ)

尺度的所有取值：

2^i-1(σ,kσ,k²σ,…,k^n-1σ),k＝2^1/s

其中i是octave，的序号，S是每组的层数；一组图像是组成一个octave，称之为八度；

2)空间极值点搜索和定位

在二维图像空间，中心点与其邻域及其上下相邻两层图像的26个点作比较，检测到局部极值点；由于DOG值对噪声敏感，需要对尺度空间DOG函数进行曲线拟合，提高极值点的匹配能力；DOG函数在尺度空间的泰勒展开式为：

则极值点为：

3)稳定极值点的方向信息分配

对于任一极值点，其梯度幅值和方向为：

4)特征点描述

本发明对每个关键点，采用传统4×4图像区块的8个方向，共128维SIFT特征向量的描述子，进行关键点表征；

采用K-means聚类方法对各SIFT特征点进行聚类，将各所述SIFT特征点聚类为K个聚类簇；

采用K-means聚类算法进行SIFT特征点聚类的具体实现步骤如下：

(5.1)提取图像库中所有图像的SIFT特征点，总计为n个，构建SIFT特征点的数据集合X＝(X₁^d,X₂^d,...,X_n^d)，其中X_i^d(i＝1,2,...,n)表示第i个特征点，其维数为d＝128，即每一个特征点都有128维向量；

(5.2)选择适当聚类簇的个数K，并从数据集中随机的选取K个SIFT点作为初始的聚类中心；

(5.3)计算每个SIFT特征点到聚类中心的距离，这里距离度量函数采用欧几里得距离；根据欧式距离最近准则，将数据集中每个SIFT特征点依次分配到最近的质心，形成K个聚类簇；

(5.4)迭代更新聚类中心

考虑欧几里得距离的数据，使用误差平方和作为聚类的目标函数：

其中k表示聚类中心的个数，c_i表示第i个聚类中心，dist是欧几里得距离；

对第K个质心c_k求解，最小化SSE有：

其中m_k是第k个质心中特征点的个数；

按公式(19)计算每个簇中所有特征点的平均值，产生对应的均值向量，将该均值向量作为该簇的聚类中心，计算目标函数值，两次运行K均值产生两个不同的簇集，取目标函数值最小的均值向量作为新的质心；

(5.5)收敛判断

判断聚类中心和目标函数值是否发生改变，若不变，则输出K个簇的聚类结果，若改变，则返回(5.3)；收敛判断过程为：首先判断簇是否发生变化，若不发生变化即不再有新的特征点被重新分配，结束；若簇发生变化，则判断是否达到最大迭代次数，若是，结束，若否，返回(5.3)；

统计每幅图像在各个聚类簇中的SIFT特征点的个数，生成每幅图像对应的K维特征向量；

分别计算所述标准图像的K维特征向量与所述图像库中各图像的K维特征向量的相似度值；

选出相似度值最高的N幅图像作为超分辨率识别源图像，N表示预设的源图像数量；

采用基于小波变换的图像融合方法对N幅超分辨率识别源图像进行图像融合，获得融合太赫兹图像。