[发明专利]交替卷积全变分正则化张量分解的红外成像缺陷检测方法

权利要求书

1.一种交替卷积全变分正则化张量分解的红外成像缺陷检测方法，其特征在于，包括以下步骤：

(1)、通过光激励红外热成像无损检测系统在含有缺陷的被测试件上获取红外热图序列，记为X∈R^m×n×f，其中，R表示实数域，m和n分别表示红外热图像的高度和宽度，f表示红外热图序列的总帧数；

(2)、将X中的每一帧红外热图像分解为两个张量之和，即X＝L+S，其中，L表示低秩矩阵，代表红外热图像的背景分量，S表示稀疏矩阵，代表红外热图像缺陷分量；

(3)、建立待优化的拉格朗日目标函数；

subject to:X＝L+S

其中，||·||_*表示求核范数，||·||₁表示求1范数，||·||_F表示Frobenius范数，λ表示稀疏张量的正则化参数，ρ＞0是增广拉格朗日惩罚参数，Y∈R^m×n×f是对偶变量，TV_Y∈R^m×n×f是通过对Y进行基于卷积的全变分正则化方法降噪后得到的结果；

(4)、设置迭代次数k，k＝1,2,…,K，K表示最大迭代次数，初始化参数L⁰＝0,S⁰＝0,Y⁰＝0,

(5)、在第k次迭代时，对进行张量奇异值分解；

其中，T-SVD(·)表示张量奇异值分解；U^k∈R^m×n×f为左奇异值张量；D^k∈R^m×n×f为奇异值张量；V^k∈R^m×n×f为右奇异值张量；

(6)、在第k次迭代时，对δ(D^k)进行奇异值阈值算法求解，δ(·)表示将张量重新排布成矩阵；

其中，表示奇异值阈值算法求解，λ₁是阈值参数；为奇异值张量；

(7)、在第k次迭代时，根据和V^k，求解张量Z^k∈R^m×n×f；

(8)、在第k次迭代时，通过对Z^k进行张量奇异值阈值算法求解出低秩张量L^k；

其中，T-SVT_(·)(·)表示张量奇异值阈值算法；

(9)、在第k次迭代时，通过软阈值函数求解稀疏张量S^k；

其中，soft(·,·)表示软阈值函数；

(10)、在第k次迭代时，求解出Y^k；

Y^k←Y^k-1+ρ(X-L^k-S^k)

(11)、在第k次迭代时，通过基于卷积的全变分正则化方法求解出Y^k被降噪后的张量

TV_Yk←TV(Y^k)

其中，TV(·)表示基于卷积的全变分正则化方法求解；

(12)、判断当前迭代次数k是否到达最大迭代次数K，如果达到，则进入步骤(13)；否则，令k＝k+1,再转到至步骤(5)，直至k＝K轮迭代结束后，再进入步骤(13)；

(13)、将和S^k作为最后的缺陷成分张量，即缺陷信息增强的热图像序列，用于实现红外热成像的缺陷检测。

2.根据权利要求1所述的一种交替卷积全变分正则化张量分解的红外成像缺陷检测方法，其特征在于，所述正则化参数阈值参数