restore_tir_demo_DEMO_针叶温度恢复

共1个文件

m：1个

版权申诉

51 浏览量 2021-10-02 01:40:00 上传评论收藏 1KB RAR 举报

在IT行业中，针叶温度恢复是一项重要的应用，特别是在遥感和环境监测领域。这个"restore_tir_demo_DEMO_针叶温度恢复_源码"压缩包包含了一个名为"restore_tir_demo.m"的MATLAB源代码文件，它专门用于生成模拟的针叶图像并进行热红外（TIR）温度恢复。以下将详细介绍该程序涉及的关键知识点。 1. **热红外成像（Thermal Infrared Imaging, TIR）**：热红外成像是利用物体发射的红外辐射来探测其温度的一种技术。在自然环境中，植物的温度变化可以反映其生理状态，如水分状况和健康状况，因此在农业、森林管理和气候变化研究中具有重要意义。 2. **针叶图像生成**：源代码中的"restore_tir_demo.m"可能包含了生成针叶图像的算法。这通常涉及到对针叶的几何形状、纹理和颜色特征的建模，以及随机因素如光照、背景噪声等的模拟，以创建真实感的图像。 3. **点扩散函数（Point Spread Function, PSF）**：在光学成像中，PSF描述了理想的点源通过成像系统后所形成的模糊图像。在TIR成像中，PSF考虑了镜头质量、大气湍流等因素对图像清晰度的影响。恢复真实温度时，PSF的准确计算至关重要。 4. **图像处理与逆问题**：温度恢复是一个典型的逆问题，需要通过测量的模糊图像反推原始温度分布。这通常涉及图像去噪、插值、反卷积等处理，可能采用了迭代方法如Richardson-Lucy算法或更现代的基于深度学习的方法。 5. **MATLAB编程**： "restore_tir_demo.m"是用MATLAB编写，这是一种广泛用于科学计算、图像处理和数据分析的高级编程语言。MATLAB提供了丰富的图像处理工具箱，使得编写此类应用变得相对容易。 6. **数值优化**：温度恢复过程通常是一个非线性优化问题，可能涉及到梯度下降法、最小二乘法或其他数值优化算法来找到最佳解。 7. **数据可视化**： MATLAB不仅用于计算，还擅长数据可视化。程序可能包含代码来显示原始图像、恢复后的温度图像和结果的比较，以便于分析和理解。 8. **DEMO程序**：这个"DEMO"表明提供的代码是一个演示版本，用户可以通过运行此代码了解算法的基本工作流程，并可能根据自身需求进行调整和扩展。 "restore_tir_demo_DEMO_针叶温度恢复_源码"是一个结合了热红外成像理论、图像处理技术、数值优化和MATLAB编程的示例，旨在帮助用户理解和实践针叶温度恢复的方法。通过深入学习和应用这个DEMO，我们可以更好地理解和应用这些技术解决实际问题。

资源详情

资源评论

资源推荐

收起资源包目录

restore_tir_demo.rar （1个子文件）

restore_tir_demo.m 3KB

% I1 = imread('FLIR2817.jpg'); % I = double(I1(:,:,1)/255.0); I0 = zeros(30,30); PSF = fspecial('gaussian',5,0.6); Ibeyond = 5.6e-8*(-40+273.15).^4; kk = 0; %for Ta=-70:10:-40 kk = kk + 1; % prepare the true image Ta=-43; I1 = I0+Ta; for i=1:30 j = floor(i*0.3); I1(i,15-j:25-j) = 10; end % show the image %subplot(3,4,kk); imshow(I1,[-100,10]); % transform into radiance I2 = 5.6e-8*(I1+273.15).^4; % after PSF I3 = imfilter(I2,PSF); % begin to degrade T3 = I3; Tmod=sqrt(sqrt(T3./5.6e-8))-273.15; Tmod=Tmod(2:end-1,2:end-1); T3(I3<Ibeyond) = Ibeyond; %subplot(3,4,kk+4);T3为模拟的枝干图像 imshow(Tmod,[-100,10]); % begin to inverse %subplot(3,4,kk+8);提取第10行 x = 1:29; y = T3(10,2:end)-T3(10,1:end-1); x1 = 11:16; y1 = y(11:16); ft = fittype( 'gauss1' ); opts = fitoptions( 'Method', 'NonlinearLeastSquares' ); opts.Display = 'Off'; opts.Lower = [-Inf -Inf 1.20]; opts.Robust = 'Bisquare'; opts.StartPoint = [575.187530982097 12 0.548948955583741]; opts.Upper = [Inf Inf 1.8]; % Fit model to data. [fitresult, gof] = fit( x1', y1', ft, opts ); tmid = fitresult.b1; tmid2 = floor(tmid)+1; tmid1 = floor(tmid); Tm = T3(10,tmid1)+fitresult.a1*(tmid-tmid1); Tb = T3(10,16); Tanew = ((2*Tm-Tb)/(5.6e-8))^0.25-273.15; x=1:17; x1=1:0.5:17; T4 = fitresult.a1*exp(-(x1-tmid).^2/(fitresult.c1)^2); diffT=T3(10,2:18)-T3(10,1:18-1); plot(x,T3(10,2:18)-T3(10,1:18-1),'o',x,T3(10,2:18)-T3(10,1:18-1),'r-',x1,T4,'bo-'); hold on; text(1,2500,['True Ta= ' num2str(Ta)],'FontSize',12); % str1 = num2str(Tanew); % text(5,-300,['Inv Ta= ' str1(1:5)],'FontSize',12); % ylim([800 4000]); % calculate the accumulate LSF I5 = T3(10,1:17); I4 = T3(10,1:17); for i0=16:-1:1 I5(i0) = I5(i0+1)-fitresult.a1*exp(-(i0-tmid)^2/(fitresult.c1)^2); end Test = (I5(2)/(5.6e-8))^0.25-273.15; str1 = num2str(Test); plot(x,I5,'bs-',x,T3(10,1:17),'r-'); text(1,2000,['Inv Ta= ' str1(1:5)],'FontSize',12); %end return; M = xlsread('D:\Data\Yunnan\FLIR_CXJ\20161226\test.csv'); I =5.6*10^(-8)*(1.0)*(M+273.15).^4; minI = min(min(I)); maxI = max(max(I)); PSF = fspecial('gaussian',7,10); V = .000000000001; % BlurredNoisy = imnoise(imfilter(I,PSF),'gaussian',0,V); BlurredNoisy = imfilter(I,PSF); minI = min(min(BlurredNoisy)); maxI = max(max(BlurredNoisy)); WT = zeros(size(I)); WT(5:end-4,5:end-4) = 1; J1 = deconvlucy(BlurredNoisy,PSF); J2 = deconvlucy(BlurredNoisy,PSF,20,sqrt(V)); J3 = deconvlucy(BlurredNoisy,PSF,20,sqrt(V),WT); subplot(221);imshow(BlurredNoisy,[minI maxI]); title('A = Blurred and Noisy'); subplot(222);imshow(J1,[minI maxI]); title('deconvlucy(A,PSF)'); subplot(223);imshow(J2,[minI maxI]); title('deconvlucy(A,PSF,NI,DP)'); subplot(224);imshow(J3,[minI maxI]); title('deconvlucy(A,PSF,NI,DP,WT)');