基于动态规划的对焦步进电机控制

邝先验, 周亚龙, 吴玉刚

邝先验, 周亚龙, 吴玉刚. 基于动态规划的对焦步进电机控制[J]. 红外技术, 2022, 44(2): 163-169.
引用本文: 邝先验, 周亚龙, 吴玉刚. 基于动态规划的对焦步进电机控制[J]. 红外技术, 2022, 44(2): 163-169.
KUANG Xianyan, ZHOU Yalong, WU Yugang. Control of Focusing System of Stepper Motor Based on Dynamic Programming[J]. Infrared Technology , 2022, 44(2): 163-169.
Citation: KUANG Xianyan, ZHOU Yalong, WU Yugang. Control of Focusing System of Stepper Motor Based on Dynamic Programming[J]. Infrared Technology , 2022, 44(2): 163-169.

基于动态规划的对焦步进电机控制

详细信息
    作者简介:

    邝先验(1976-),男,博士,教授。主要研究方向:智能交通系统、系统建模与仿真、智能控制与信息技术。E-mail:xianyankuang@163.com

  • 中图分类号: TN216

Control of Focusing System of Stepper Motor Based on Dynamic Programming

  • 摘要: 为了解决STM(stepper motor)镜头中步进电机低频对焦慢、高频失步跑焦的问题,通过分析对焦过程中电机的加减速动作,结合步进电机加减速曲线,设计了一种适用于STM镜头驱动的步进电机开环控制算法。算法根据步进电机速度在单位控制周期内不变,把步进电机位置控制问题转换为单位控制周期内脉冲输出问题,实现了速度控制与位置控制的巧妙结合。设计并搭建了STM镜头对焦电机控制电路,工程实验结果表明:该算法提高了步进电机开环控制的精度,有效地减小了由于步进电机过冲和失步带来的跑焦问题。
    Abstract: To solve the problems of slow focusing in a stepper motor lens, caused by a stepper motor used for low-frequency driving, and the lack of focus, caused by an out-of-step stepper motor used for high-frequency driving, the open-loop control algorithm of a stepper motor for an STM lens is designed by analyzing the motor's acceleration and deceleration action and its acceleration-deceleration curves during the focusing process. Based on the constant speed of the motor during the unit control period, the algorithm transforms the position control problem of the stepper motor into a pulse output problem in the unit control cycle, which realizes a skillful combination of speed control and position control. The control circuits are built for the STM lens focusing motor. The experimental results show that this algorithm can improve the open-loop control precision of the stepper motor, effectively suppressing the out-of-focus problem caused by overshoot and out-of-step stepper motors.
  • 利用同一场景的光谱仪来获取不同光谱下的图像被称为高光谱成像。它包含了比普通图像更丰富的信息,大大提高了地面覆盖识别和特征分析的准确性和可靠性。因此,它有多种应用,包括环境研究、农业、军事、地理等[1]。同时由于高光谱图像提供了丰富的光谱信息,在分类[2]、超分辨率[3]和解混[4]等方面也发挥着重要作用。然而由于高光谱传感器在采集数据时容易受到外界环境的影响,数据不可避免地会受到高斯噪声、椒盐噪声、条带和死线等各种混合噪声污染,从而降低了HSI的质量,限制了其后续的应用[5]。因此,从已被噪声污染的HSI中恢复干净的HSI是很重要且有意义的研究。

    在过去的几十年里,许多不同的HSI恢复方法被提出来提高其质量。其中较简单的技术是使用传统的二维灰度图像和一维信号方法来实现HSI逐带[6]或逐像素[7]去除噪声。然而,这些去噪方法没有考虑到HSI光谱域的低秩先验特性。利用这一特性,Candes等人[8]提出了一个最小化核范数的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)模型,以有效地获得清晰的图像。Gu等人[9]提出了一种加权核范数极小化(Weighted Kernel Norm Minimization,WNNM)模型,通过分配不同的权重到奇异值。He[10]等人建立了针对不同波段不同噪声强度的低秩矩阵逼近方法,有效地提高了图像恢复的信噪比。然而,张量矩阵化破坏了张量的高阶结构,这对去噪后的局部细节和重要信息产生了影响。

    因此,许多算法引入基于低秩张量的方法来描述HSI的低秩特性。包括Tucker分解[11]和张量奇异值分解(tensor Singular Value Decomposition,t-SVD)[12]。然而,如文献[13]所示,低秩正则化并不足以描述HSI的空间先验信息。总变分正则化是图像处理中保持局部空间分段平滑性常用的工具,因此,许多人提出了基于低秩矩阵/张量分解框架和各种类型的总变分正则化模型,以同时探索HSI的空间和光谱先验。例如,He[13]等人将HTV正则化引入低秩矩阵分解框架,以提高恢复结果。在文献[14]中,将低Tucker秩模型和SSTV(Spatial Spectrum Total Variation)正则化项组合分别利用全局空间谱和光谱相关性,增强空间信息;如范等[15]将SSTV正则化加到低阶张量分解框架中(Spatial Spectrum Total Variation-Low Rank Tensor Decomposition,SSTV-LRTF),使用张量核范数(Tensor Kernel Norm,TNN)近似HSI的低秩属性并同时利用空间和光谱域之间的分段光滑性来完成HSI去噪。Chen[16]等人提出加权群稀疏正则化低秩张量分解方法,将空间差分图像的群稀疏性正则化和Tucker分解结合起来,有效探索了不同光谱波段空间差图像的共享群稀疏模式。近期,许多基于深度学习的算法被提出用于HSI图像去噪,例如3DADNet[17],SSCAN[18],然而这些方法都只能去除单一的高斯噪声,而高光谱图像往往都会被混合噪声污染,这会使其在实际运用中达不到理想的效果。总之,低秩张量框架和总变分正则化的结合在高光谱混合噪声图像恢复时可以达到最优的结果。

    然而,SSTV-LRTF的方法中采用张量核范数作为其低秩的凸松弛,它测量非零奇异值的L1范数,这不是张量低秩的一个很好的近似[19]。其次,它平等地对待每个奇异值,因此可能无法很好地保存主要信息。这是因为较大的奇异值通常对应于主要信息,如轮廓、锐利的边缘和光滑的区域,因此收缩应小于较小的奇异值[20-24]。因此,为解决上述问题,我们采用对数张量核范数作为其低秩的非凸松弛。

    同时由于SSTV[14]中在空间维度做差分时采用简单的L1范数,其并不能充分表征张量梯度域的空间稀疏结构,最终导致去噪后的图像过于平滑。Chen等[16]设计了一个加权L2, 1正则化器来探索张量空间维度的群稀疏性,取得更好的结果。为弥补SSTV正则项不足,提出了新的群稀疏总变分正则项,来保持HSI局部空间光谱相关性的同时探索其空间维度的群稀疏性。

    为了去除高光谱数据的混合噪声,将对数张量核范数和群稀疏总变分正则项结合起来。在模拟和真实HSI数据实验中与其他去噪方法相比,取得了更好的结果。

    主要贡献有以下3点:

    1)在非凸低秩张量分解模型(Non-convex low-rank tensor factorization,NCLRTF)中,采用对数张量核范数来作为HSI的低秩非凸松弛,可以更好地近似其低秩并保留图像更多的特征信息。

    2)提出了新的群稀疏总变分正则项,其考虑HSI空间光谱维度的局部相关性的同时可以探索HSI共享的群稀疏模式,因此能够保留图像更多的细节特征。并将其与非凸低秩张量分解的模型结合起来,提高了图像恢复的结果。

    3)为了求解该模型,我们采用了ADMM(交替方向乘子法)算法[25]来获得全局最优解,实验结果表明,该算法易于收敛。

    基于观测到的HSI总会受到混合噪声污染,假设被混合噪声污染的HSI数据用YRM×N×p表示,其中M×N为空间域,p为谱带数。它们可以被建模为:

    $$ Y=X+S+N $$ (1)

    式中:XRM×N×p为干净的高光谱数据;SRM×N×pNRM×N×p分别为稀疏噪声和高斯噪声。HSI恢复的重点是如何从观察到的噪声图像中恢复干净图像。

    在文献[15]中,将高光谱数据每个波段的二维图像重塑为大小为M×1×N的横向切片,然后将这些横向切片排列,得到大小为M×p×N的三维张量$ \hat X $。

    可由以下操作实现:Map(RM×N×p)→(RM×p×N),其逆算子为:iMap(RM×p×N)→(RM×N×p)。对于三向张量$ \hat X \in {R^{M \times p \times N}} $,可以找到两个张量ARM×k×NBRk×p×N满足:

    $$ \hat X = A*B = \sum\limits_{j = 1}^k {A\left( {:,j,:} \right)*B\left( {j,:,:} \right)} $$ (2)

    因此使用低秩张量分解重构HSI退化模型:

    $$ Y={\rm{iMap}}(A*B)+S+N $$ (3)

    对于三向张量$ \hat X \in {R^{M*p*N}} $,假设k是它的管状张量秩的上界[26],可得:

    $$ {\left\| {\hat X} \right\|_{{\text{TNN}}}} = \mathop {\inf }\limits_{A,B} \left\{ {\frac{1}{2}\left\| A \right\|_{\text{F}}^2 + \left\| B \right\|_{\text{F}}^2:\hat X = A*B} \right\} $$ (4)

    式中:张量ARM×k×NBRk×p×N

    因此可以得到以下低秩张量分解的去噪模型[15]

    $$ \begin{array}{l} \mathop {\min }\limits_{X,S} \lambda {\left\| S \right\|_1} + {\left\| {{\text{Map}}\left( X \right)} \right\|_{{\text{TNN}}}}\;{\text{s}}{\text{.t}}. \hfill \\ \left\| {Y - X - S} \right\|_{\text{F}}^2 \leqslant \varepsilon \quad {\text{rank}}\left( {{\text{Map}}\left( X \right)} \right) \leqslant k \hfill \\ \end{array} $$ (5)

    该模型等同于受秩约束的TRPCA[27]的拉格朗日形式。

    式(5)中采用张量核范数作为其低秩的凸松弛,它测量非零奇异值的L1范数,平等地对待每个奇异值,因此可能无法很好地保存主要信息。这是因为较大的奇异值通常对应于主要信息,如轮廓、边缘和光滑的区域,因此较大的奇异值收缩应小于较小的奇异值[28]。为此采用一个对数张量核范数(Logarithmic tensor kernel norm,LogTNN)来作为低秩的非凸松弛,其可以对较大的奇异值减少收缩以保持主要信息,对较小的奇异值增加收缩以抑制噪声[19]

    张量XRM×N×p的基于对数的张量核范数定义为[19]

    $$ {\text{LogTNN}}\left( {X,\varepsilon } \right) = \sum\limits_{i{\text{ = 1}}}^p {{\text{LogMNN}}\left( {{{\bar X}^{\left( i \right)}},\varepsilon } \right)} $$ (6)

    式中:$ {\bar X^{\left( i \right)}} $表示$ \bar X = {\text{fft}}\left( {X,\left[ {\ } \right],k} \right) $的第i个切片,其中:

    $$ {\text{LogMNN}}\left( {X,\varepsilon } \right) = \sum\limits_{i = 1}^m {\log \left( {{\sigma _i}\left( \boldsymbol X \right),\varepsilon } \right)} $$ (7)

    这里σi(X)是X的第i个奇异值,ε>0是一个常数。因此基于LogTNN的HSI去噪模型表述为:

    $$ \begin{array}{l} \mathop {\min }\limits_{X,S} \lambda {\left\| S \right\|_1} + {\text{LogTNN}}\left( {{\text{Map}}\left( X \right),\varepsilon } \right)\quad {\text{s}}{\text{.t}}. \hfill \\ \left\| {Y - X - S} \right\|_{\text{F}}^2 \leqslant \varepsilon \quad {\text{rank}}\left( {{\text{Map}}\left( X \right)} \right) \leqslant k \hfill \\ \end{array} $$ (8)

    该模型可以充分利用HSI的全局低秩特性,并减小对较大奇异值的收缩来保留图像更多的细节特征。但该模型中缺乏HSI空间维度的先验信息,而总变分正则化是保持图像局部空间平滑的有效工具。

    如文献[29-30]中所述,每个HSI波段都可以看作是一个灰度图像,因此它在空间维数上具有局部分段平滑性。空间光谱总变分(SSTV)可以充分保持HSI空间光谱的局部平滑性,其定义为:

    $$ {\left\| X \right\|_{{\text{SSTV}}}} = {\left\| {{D_x}X} \right\|_1} + {\left\| {{D_y}X} \right\|_1} + {\left\| {{D_z}X} \right\|_1} $$ (9)

    式中:Dx表示水平方向上的差分算子;Dy是垂直方向上的差分算子;Dz是在每个像素的光谱特征上的一维有限差分算子。SSTV的模型为了充分利用空间谱差图像的稀疏特性,一般使用凸L1范数来描述其稀疏先验。虽然L1范数是促进各频带分段光滑结构的有效约束条件,但是其只描述了非零元素的数量,而忽略了非零元素的局部群结构。因此,Chen等人提出了群稀疏正则化[16],其可以表示为:

    $$\begin{array}{l} {\left\| {\boldsymbol W \odot DX} \right\|_{2,1}} = \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {W\left( {i,j} \right)} } {\left\| {{D_x}X\left( {i,j,;} \right)} \right\|_2} + \hfill \\ \quad \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {W\left( {i,j} \right)} } {\left\| {{D_y}X\left( {i,j,;} \right)} \right\|_2} \hfill \\ \end{array} $$ (10)

    式中:W是权重矩阵。采用L2, 1范数的群稀疏性正则化表示在HSI的每个波段边界区域的梯度值明显较大,而平滑区域的梯度值较小。与普通的TV正则项相比,提高了HSI在空间维度的稀疏特性。

    为保持HSI空间光谱的局部平滑性的同时可以探索HSI空间维度的群稀疏特性,新的群稀疏TV正则化可以表示为:

    $$ ||X|{|_{{\text{GSTV}}}} = ||\boldsymbol W \odot DX|{|_{2,1}} + ||{D_z}X|{|_1} $$ (11)

    该GSTV(Group Sparse Total Variation)正则化保证HSI空间维度的群稀疏特性的同时可以增强相邻光谱间的相关性,来保持HSI空间光谱的局部平滑性,以保留图像更多的细节特征,提高了去噪的性能。

    基于对数核范数去噪模型是利用高光谱图像的全局低秩特性,来抑制噪声,而GSTV正则项是用来探索HSI空间维度的群稀疏性和增强相邻光谱间的相关性,因此可以结合二者的优势,来恢复含有混合噪声的高光谱图像。为此提出NCLRGSTV模型(Non-Convex Low-Rank Tensor Factorization Group Sparse Total Variation):

    $$ \begin{array}{l} \mathop {\min }\limits_{X,S} {\text{LogTNN}}\left( {{\text{Map}}\left( X \right),\varepsilon } \right) + {\lambda _1}{\left\| S \right\|_1} + {\lambda _2}{\left\| X \right\|_{{\text{GSIV}}}} \hfill \\ {\text{s}}{\text{.t}}{\text{.}}\quad \left\| {Y - X - S} \right\|_{\text{F}}^2 \leqslant \varepsilon \quad {\text{rank}}\left( {{\text{Map}}\left( X \right)} \right) \leqslant k \hfill \\ \end{array} $$ (12)

    式中:λ2是用来控制对数张量核范数和GSTV之间权衡的参数。

    通过ADMM算法引入辅助变量F,式(12)可以重写为:

    $$ \begin{array}{l} \mathop {\min }\limits_{X,F,S} {\text{LogTNN}}\left( {\hat X,\varepsilon } \right) + {\lambda _1}{\left\| S \right\|_1} + {\lambda _2}{\left\| F \right\|_{{\text{GSTV}}}} \hfill \\ {\text{s}}{\text{.t}}{\text{.}}\quad \left\| {Y - X - S} \right\|_{\text{F}}^2 \leqslant \varepsilon \quad {\text{rank}}\left( {\hat X} \right) \leqslant k\quad F = X \hfill \\ \end{array} $$ (13)

    式中:$ \hat X = {\text{Map}}\left( X \right) $。在ADMM框架内X, F, S交替更新为:

    $$ \begin{array}{*{20}{c}} {{X^{k + 1}} = \mathop {\arg \min }\limits_{rank\left( {\hat X} \right) \leqslant k} L\left( {X,{F^t},{S^t},P_1^t,P_2^t} \right)} \\ {{F^{k + 1}} = \mathop {\arg \min }\limits_F L\left( {{X^{t + 1}},F,{S^t},P_1^t,P_2^t} \right)} \\ {{S^{k + 1}} = \mathop {\arg \min }\limits_F L\left( {{X^{t + 1}},{F^{t + 1}},S,P_1^t,P_2^t} \right)} \end{array} $$ (14)

    1)更新Xt+1Xt+1的子问题为:

    $$ \begin{array}{l} {X^{t + 1}} = \mathop {\arg \min }\limits_{\hat X} \tau {\text{LogTNN}}\left( {\hat X,\varepsilon } \right) + \left\| {\hat X - \hat Q} \right\|_F^2 \hfill \\ {\text{s}}{\text{.t}}{\text{.}}\quad {\text{rank}}\left( {\hat X} \right) \leqslant k \hfill \\ \end{array} $$ (15)

    式中:$ \hat Q = {\text{Map}}\left( Q \right),Q = \frac{1}{2}\left( {Y + X - S + \left( {P_1^t + P_2^t} \right)} \right) $,上式求解可以参考文献[19, 31]。

    $$ {X^{t + 1}} = D_{It}^{\tau ,\varepsilon }\left( {\hat Q} \right) = \boldsymbol U*\boldsymbol S_{It}^{\tau ,\varepsilon }*{\boldsymbol V^{\text{T}}} $$ (16)

    式中:$ \hat Q = \boldsymbol U*\boldsymbol S*{\boldsymbol V^T} $,$ S_{It}^{\tau ,\varepsilon } = {\text{ifft}}\left( {\bar S_{It}^{\tau ,\varepsilon },\left[ {\ } \right],3} \right) $。

    2)更新Ft+1Ft+1的子问题为:

    $$ {F^{t + 1}} = \mathop {{\text{arg}}\min }\limits_{_F} {\lambda _2}||F|{|_{{\text{GSTV}}}} + \frac{\beta }{2}||F + \frac{{P_1^t}}{\beta } - {X^{t + 1}}||_F^2 $$ (17)

    上式可由ADMM算法求解。F的子问题是一个最小二乘问题,可以采用高效快速傅里叶变换(Fast Fourier transform,FFT)求解:

    $$ F = {\text{ifftn}}\left( {\frac{\boldsymbol G}{{\beta 1 + \beta {{\left| {{\text{fftn}}\left( D \right)} \right|}^2}}}} \right) $$ (18)

    式中:$ \boldsymbol G = {\text{fftn}}\left( {X + \left( {\frac{{{P_1}}}{\beta }} \right)} \right) + {\boldsymbol D^{\text{T}}}\left( {R + \frac{{{P_3}}}{\beta },C + \frac{{{P_4}}}{\beta }} \right) $,fftn和ifftn是快速的三维傅里叶变换和它的反变换。

    3)更新St+1St+1的子问题为:

    $$ \mathop {\min }\limits_S {\lambda _1}{\left\| S \right\|_1} + \frac{\beta }{2}\left\| {Y - {X^{t + 1}} - S + \frac{{P_1^t}}{\beta }} \right\|_{\text{F}}^2 $$ (19)

    通过应用软阈值收缩算子,St+1子问题可以用以下方法精确求解:

    $$ {S^{t + 1}} = {\text{shrink}}\left( {Y - {X^{t + 1}} + \frac{{P_1^t}}{\beta },\frac{{{\lambda _1}}}{\beta }} \right) $$ (20)

    4)更新拉格朗日乘子:

    $$ \begin{array}{*{20}{l}} {{P_1} = P_1^t + \beta \left( {{X^{t + 1}} - {F^{t + 1}}} \right)} \\ {{P_2} = P_2^t + \beta \left( {Y - {X^{t + 1}} - {S^{t + 1}}} \right)} \\ {{P_3} = P_3^t + \beta \left( {R - DF} \right)} \\ {{P_4} = P_4^t + \beta \left( {C - {D_z}F} \right)} \end{array} $$ (21)

    总结步骤(1)~(4)的过程,可以得到所提HSI恢复模型的NCLRGSTV最优解,如算法1所示。

    算法1:NCLRGSTV求解输入的优化过程:

    输入:噪声图像Y,参数λ1,λ2kεβt=0

    1:初始化:X=F=S=P1=P2=P3=P4=0

    2:当不收敛时:

    3:通过(16)更新X

    4:通过(18)更新F

    5:通过(20)更新S

    6:通过(21)更新得到P1, P2, P3, P4

    7: t=t+1

    8:检查收敛条件:$ {\left\| {{X^{k + 1}} - {X^k}} \right\|_{\text{F}}}/{\left\| {{X^k}} \right\|_{\text{F}}} < {10^{ - 3}} $

    如果收敛,输出恢复HIS。

    设输入的HSI大小为M×N×p,式(13)中的复杂优化问题被分为几个子问题。更新X子问题的计算复杂度为O(MNp(log(MNp)+p));更新F子问题采用fft进行优化,需要O(MNp(log(MNp)))的计算;更新R, S, C是软阈值收缩操作,其计算复杂度为O(MNp);因此整个过程的计算复杂度总计为O(MNp(log(MNp)+p))。

    为了验证优化后的NCLRGSTV模型在去除混合噪声中的性能,将NCLRGSTV模型分别应用于模拟数据实验和真实数据实验。此外,为了证明NCLRGSTV算法的去噪有效性,将其与相同条件下的LRMR[10]、LRTV[13]、LRTDTV[14],LRTDGS[16]、FRCTR-PnP[32]5种高效去噪方法进行了比较,在进行实验之前,所使用的HSI的每个波段的灰度值归一化处理。

    模拟实验中,采用由反射光学系统成像光谱仪(rose-03)收集的Pavia城市中心数据集,其原始规模为1096×1096×102。由于Pavia城市中心数据集的一些光谱波段被噪声污染严重,不能作为去噪的参考[30]。因此,去掉该数据的前几个波段,选取子图像的大小为200×200×80。由于模拟实验给出了地面真实度的HSI,我们采用了5个定量图像指标进行比较,包括各个波段平均峰值信噪比(Mean Peak Signal Noise Ratio,MPSNR)、平均结构相似度(Mean Structural Similarity,MSSIM)、平均特征相似度(Mean Feature Similarity,MFSIM)、平均光谱角映射(Mean Spectral Angle Mapping,MSAM)和相对全局合成维度误差(Erreur Relative Globale Adimensionnelle de Synthese,ERGAS)。MPSNR、MSSIM和MFSIM越大,MSAM和ERGAS越小,表示算法的去噪性能越好。

    Case 1:对HSI每个波段加入不同强度的高斯噪声,零均值高斯噪声的方差在[0, 0.2]间选择,同时每个波段加入不同强度的椒盐噪声,其百分比在[0, 0.2]间选择。

    Case 2:在Case1的基础上,在Pavia City Center数据集的第50~第60波段添加条带噪声。条带噪声的数目在10~30之间随机变化。

    Case 3:在Case2基础上,在Pavia City Center数据集的54~64增加死线。上述区域的死线数量在[3, 10]之间随机变化,死线宽度在[1, 3]之间随机变化。

    1)定量分析

    表 1中可以看到随着噪声种类的增加,各种去噪算法的去噪性能随之下降,但是NCLRGSTV算法的各项指标除MSAM外都为最优,这充分说明了对数张量核范数和群稀疏总变分的结合能够充分抑制图像中的高斯噪声、椒盐噪声、条带和死线等稀疏噪声。同时可以发现,FRCTR-PnP方法在去除每个波段的噪声强度不同时,效果并不理想且很耗时。虽然LRTDGS中群稀疏正则化探索了空间的群稀疏性,提升了去噪性能,但其忽略了局部空间光谱的相关性,会使MSAM值增大,而提出群稀疏总变分考虑到了这一点,可以看到,NCLRGSTV算法的MSAM值与LRTDGS算法相比下降0.01。与此同时,采用对数张量核范数来表示低秩的非凸松弛也表明了其有效性,与采用核范数或Tucker分解的算法相比,其中MPSNR值提升了1 dB左右,MSSIM和MFSIM提升了0.01左右,ERGAS下降了10左右,这也说明了该算法去除混合噪声的优势。NCLRGSTV运行时间虽然不是最快的,但耗时并不长。

    表  1  Pavia city center数据集的不同去噪方法的定量评价结果
    Table  1.  Quantitative evaluation results of different denoising methods in Pavia city center data sets
    Case Indexes Noise LRMR LRTV LRTDTV LRTDGS FRCTR-PnP NCLRGSTV
    Case 1 MPSNR 14.144 33.336 34.356 34.743 35.380 34.557 36.369
    MSSIM 0.2143 0.9341 0.9444 0.9457 0.9506 0.9370 0.9637
    MFSIM 0.5985 0.9590 0.9626 0.9646 0.9647 0.9630 0.9761
    MSAM 0.6676 0.0833 0.0545 0.0495 0.0637 0.1331 0.0514
    ERGAS 707.54 74.698 65.280 70.351 61.441 109.32 51.975
    Time/s - 43.046 23.234 61.463 47.482 371.04 71.641
    Case 2 MPSNR 14.118 33.175 34.291 34.710 35.294 34.251 36.232
    MSSIM 0.2142 0.9332 0.9439 0.9457 0.9496 0.9348 0.9632
    MFSIM 0.5976 0.9588 0.9627 0.9643 0.9710 0.9608 0.9757
    MSAM 0.6687 0.0846 0.0547 0.0494 0.0625 0.1304 0.0519
    ERGAS 707.93 75.787 65.678 61.582 59.506 108.85 52.485
    Time/s - 43.294 22.994 61.906 44.786 397.41 72.997
    Case 3 MPSNR 14.092 33.083 34.193 34.652 35.220 34.338 35.969
    MSSIM 0.2114 0.9330 0.9437 0.9454 0.9491 0.9356 0.9619
    MFSIM 0.5955 0.9587 0.9624 0.9641 0.9707 0.9618 0.9746
    MSAM 0.6720 0.0855 0.0553 0.0493 0.0641 0.1207 0.0538
    ERGAS 709.14 76.431 66.452 61.936 60.275 100.18 54.261
    Time/s - 43.680 22.733 61.790 45.851 373.44 77.096
    下载: 导出CSV 
    | 显示表格

    2)视觉质量比较

    为了更好地观察这几个算法的去噪效果,将Case1中各种算法去噪后的第20波段的图像进行对比,如图 1所示。从(b)中可以看到图像已经完全被噪声污染,基本观察不到任何图像特征。经过各种算法去噪后,可以看到图像的基本特征,然而LRMR并不能完全去除噪声,如图(c)所示,图像中还有残留的噪声;LRTV和LRTDTV虽然能够去除噪声,但是会使图(d)和图(e)中的图像细节特征模糊;FRCTR-PnP也能取得较好的视觉效果,LRTDGS和NCLRGSTV能够取得最好的视觉效果,这是由于提出的NCLRGSTV算法可以对较大的奇异值减少收缩来保留图像更多的细节特征,增大对小的奇异值的收缩来去除噪声。如图 2所示,在增加了条带噪声后,其他算法仍然有上述问题,而NCLRGSTV算法中结合了群稀疏总变分正则项可以保持空间光谱的局部平滑性,从而抑制条带等稀疏噪声。

    图  1  Case1中各种算法去噪后第20波段对比
    Figure  1.  Comparison of the 20th band after denoising of various algorithms in Case1
    图  2  Case2中各种算法去噪后第58波段对比
    Figure  2.  Comparison of the 58th band after denoising of various algorithms in Case2

    3)定性分析

    图 3图 4图 5为实验中各种算法在每个频段的PSNR和SSIM指标曲线,可以看到,在图 3图 4中提出的NCLRGSTV算法在Pavia City Center数据集每个波段都达到最高值,这是由于采用对数张量核范数能够减少对较大奇异值的收缩,可以保留图像更多的细节特征,群稀疏总变分也可以在探索空间群稀疏性的同时增强相邻光谱间的相关性。虽然在图 5中该方法并没有在所有波段都达到最高值,但是在所有波段的平均值为最优。

    图  3  Case1中各个波段的PSNR值和SSIM值
    Figure  3.  PSNR value and SSIM value of each band in Case1
    图  4  Case2中各个波段的PSNR值和SSIM值
    Figure  4.  PSNR value and SSIM value of each band in Case2
    图  5  Case3中各个波段的PSNR值和SSIM值
    Figure  5.  PSNR value and SSIM value of each band in Case3

    由于该模型对HSI中含有高斯噪声、椒盐噪声、条带和死线噪声等混合噪声的去除具有很好的效果,因此,实验中我们采用了具有类似真实噪声的HSI数据集HYDICE Urban进行性能评估[16]。与模拟实验一样,在测试恢复实验之前,将每个图像波段的灰度值归一化。

    为了方便对比,用其中一个典型的波段来表示恢复结果。图 6表示第109波段的恢复结果,从图 6(a)中可以看到,图像已经完全被上述4种噪声污染。经过各种方法恢复后,大量噪声被去除,可以看图像的基本特征;但从图(b)、(c)和(f)中的放大图可以看到,仍有一些条纹未能被去除,而图(d)中的图像过于平滑,使图像的细节变得模糊;而提出的NCLRGSTV方法消除了更多的噪声,图像较为清晰,保留了图像很多的细节特征。

    图  6  HYDICE Urban数据第109波段恢复图像比较
    Figure  6.  Comparison of restored images in the 109th band of HYDICE Urban data

    为了更清楚地表示各种方法的恢复结果,如图 7所示,给出了恢复后的第109波段的垂直平均剖面图。纵轴表示每行的平均数字数值,横轴表示行数。如图 7(a)所示,受到噪声的影响曲线有强烈的波动,经过恢复后,曲线的波动明显减小。图 7(b)(c)(f)还有部分噪声未能去除,而(d)中有些部分过于平滑。相比之下,图(e)(h)都可以获得更合理的平均轮廓结果。这也说明该模型去噪的有效性。

    图  7  HYDICE Urban数据第109波段水平平均剖面比较
    Figure  7.  Comparison of the 109th band horizontal mean profile in HYDICE Urban data

    NCLRGSTV模型受到一些参数的影响,比如惩罚参数β和常数ε,期望的秩k,正则化参数λ1λ2。像其他算法一样,将惩罚参数β=10-2设为初始值,并在每次迭代中更新为β=min(1.5β, 106β),这种方法便于算法收敛,在实际中已被证明是有效的。常数ε的设置可以参考文献[17],将其设置过大或过小都不能获得较好的结果,因此将其设置为中等大小,令ε=70。

    图 8(a)为根据不同秩k得出的客观评价指标MPSNR。如图所示,该算法对期望的k比较敏感,当k=3时获得较大的值。因此,对期望秩k的估计越准确,恢复的结果就越好。图 8(b)是正则化参数λ1λ2对PSNR的影响,如图所示,随着λ1λ2增大,PSNR值也随之减小,而当λ1=0.01和λ2=0.02时,该算法可以取得较大值。因此,在实验中将其设置为k=3、λ1=0.01和λ2=0.02。

    图  8  Case1中参数分析
    Figure  8.  Parameter analysis diagram in Case1

    在文献[33]中,保证了NCLRGSTV模型理论上的收敛性。此外,图 9显示了所提出的NCLRGSTV方法的收敛曲线。超过20次迭代后,数值不再出现明显的变化,这表明该算法具有较高的收敛速度。

    图  9  模型在Case1中收敛情况
    Figure  9.  Model convergence in Case1

    混合噪声的复杂性给高光谱图像处理和分析带来了巨大的挑战,因此,提出了一种非凸低秩张量分解和群稀疏总变分的高光谱图像恢复模型,该模型采用对数张量核范数利用高光谱图像的低秩特性时,减少对较大奇异值的收缩,保留更多的细节特征;同时结合群稀疏总变分正则化,增强HSI空间稀疏性和相邻光谱的相关性,达到去除高斯噪声、椒盐噪声、条带和死线等稀疏噪声。利用ADMM算法进行求解,实验中也易于收敛。与流行的恢复算法进行对比试验发现,该算法去除混合噪声具有一定的优势。

    然而,该算法在处理HSI混合噪声中含有大量死线噪声时,仍有少量死线噪声残留难以被去除。除此之外,该算法还有需要改进的地方,如模型参数的自适应设置问题。未来可以利用即插即用框架嵌入一些深度去噪先验[34-35],来增强模型去除噪声的能力。

  • 图  1   镜头一般对焦过程

    Figure  1.   General focus process of lens

    图  2   STM镜头控制组件系统框图

    Figure  2.   STM lens control component system diagram

    图  3   控制序列搜索流程图

    Figure  3.   Control sequence search flow chart

    图  4   2000脉冲步的速度变化曲线

    Figure  4.   Velocity curve of 2000 pulse steps

    图  5   4000脉冲步的速度变化曲线

    Figure  5.   Velocity curve of 4000 pulse steps

    图  6   不同控制算法的图像清晰度对比

    Figure  6.   Comparison of image definition of different control algorithm

    图  7   不同控制算法的对焦时间对比

    Figure  7.   Comparison of focusing time of different control algorithms

    表  1   单向步进的位移误差

    Table  1   Displacement error of one-way step

    Pulses Target trip Actual trip Time/ms
    40 500 498 125
    60 500 490 83.3
    80 500 487 62.5
    100 500 470 50
    120 500 350 41.7
    150 500 169 30
    下载: 导出CSV

    表  2   步进电机具体参数

    Table  2   Specific parameters of stepping motor

    Parameters Value
    Voltage range DC 5.0 V(range from 3.0 V to 6.0 V)
    Coil impedance 20 Ω±7%
    Number of phase 2 Phase
    Step angle 18°/Step
    Force 350 g(AT 550 pps 5.0 V)
    Temperature range −40℃ to 70℃
    Maximum speed More than 2000 pps
    下载: 导出CSV

    表  3   2000脉冲步的解序列

    Table  3   Solution sequence of 2000 pulse steps

    Acceleration phase 0 4 13 22 29 37 44 51 58 64 70 75 80 84 88 91 94 96
    Deceleration phase 96 94 91 88 84 80 75 70 64 58 51 44 37 29 22 13 4 0
    下载: 导出CSV

    表  4   4000脉冲步的加速阶段解序列

    Table  4   Acceleration phase sequence of 4000 pulse steps

    Acceleration phase 0 4 13 22 30 38 45 51 58 64 70 75 80 84
    88 91 94 96 98 99 100 100 100 100 100 100 100 100
    下载: 导出CSV

    表  5   步进电机的常规开环控制

    Table  5   Conventional open loop control of stepping motor

    Target trip Speed/pps Time/ms Actual trip
    600 40 150 595
    100 60 560
    1000 40 250 990
    100 100 975
    2000 40 500 2000
    100 200 1958
    4000 40 1000 3994
    100 400 3910
    下载: 导出CSV

    表  6   步进电机的动态规划开环控制

    Table  6   Dynamic programming and open loop control of stepping motor

    Target trip Time/ms Actual trip
    600 140 599
    1000 180 1001
    2000 260 2003
    4000 420 4001
    下载: 导出CSV
  • [1] 杨宁宁, 王晓宁, 夏寅辉, 等. 基于步进电机的红外镜头控制组件设计[J]. 激光与红外, 2012, 42(1): 81-84. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201201019.htm

    YAND Ningning, WANG Xiaoning, XIA Yinhui, et al. Design of infrared lens control component based on stepping motor[J]. Laser and Infrared, 2012, 42(1): 81-84. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201201019.htm

    [2] 李茂军, 刘鼎邦. 步进电机细分驱动电磁转矩分析[J]. 控制工程, 2013, 20(2): 243-245. DOI: 10.3969/j.issn.1671-7848.2013.02.012

    LI Maojun, LIU Dingbang. Electromagnetic torque analysis of stepping motor subdivision drive[J]. Control Engineering of China, 2013, 20(2): 243-245. DOI: 10.3969/j.issn.1671-7848.2013.02.012

    [3] 李汉. 一种步进电机快速准确定位系统的设计及其分析[J]. 微电机, 2012, 45(9): 91-95. https://www.cnki.com.cn/Article/CJFDTOTAL-WDJZ201209021.htm

    LI Han. Design and analysis of a fast and accurate positioning system for stepping motor[J]. Micromotor, 2012, 45(9): 91-95. https://www.cnki.com.cn/Article/CJFDTOTAL-WDJZ201209021.htm

    [4] 王邦继, 刘庆想, 周磊, 等. 步进电机控制系统建模及加减速曲线优化[J]. 电机与控制学报, 2018, 22(1): 37-42. https://www.cnki.com.cn/Article/CJFDTOTAL-DJKZ201801007.htm

    WANG Bangji, LIU Qingxiang, ZHOU Lei, et al. Modeling of stepping motor control system and optimization of acceleration and deceleration curve[J]. Electric Machines and Control, 2018, 22(1): 37-42. https://www.cnki.com.cn/Article/CJFDTOTAL-DJKZ201801007.htm

    [5] 周永明, 许进亮, 李向阳, 等. 基于DSP的两相步进电机细分驱动器设计[J]. 电力电子技术, 2017, 51(4): 87-93. https://www.cnki.com.cn/Article/CJFDTOTAL-DLDZ201704027.htm

    ZHOU Yongming, XU Jinliang, LI Xiangyang, et al. Design of two-phase stepping motor subdivision driver based on DSP[J]. Power Electronics, 2017, 51(4): 87-93. https://www.cnki.com.cn/Article/CJFDTOTAL-DLDZ201704027.htm

    [6] 曾康玲, 杨向宁, 赵世伟, 等. 步进电机指数型加速曲线优化与实现[J]. 微电机, 2014, 47(6): 36-40. https://www.cnki.com.cn/Article/CJFDTOTAL-WDJZ201406009.htm

    ZENG Kangling, YANG Xiangning, ZHAO Shiwei, et al. Optimization and realization of exponential acceleration curve of stepping motor[J]. Micromotor, 2014, 47(6): 36-40. https://www.cnki.com.cn/Article/CJFDTOTAL-WDJZ201406009.htm

    [7] 郭庆, 郭银峰, 徐翠峰. 基于DSP的步进电机S曲线加减速控制[J]. 桂林电子科技大学学报, 2018, 38(1): 41-44. https://www.cnki.com.cn/Article/CJFDTOTAL-GLDZ201801008.htm

    GUO Qing, GUO Yinfeng, XU Cuifeng. S-curve acceleration and deceleration control of stepping motor based on DSP[J]. Journal of Guilin University of Electronic Technology, 2018, 38(1): 41-44. https://www.cnki.com.cn/Article/CJFDTOTAL-GLDZ201801008.htm

    [8] 路欣宇, 苏俊波, 许红, 等. 基于模糊控制的步进电机开环调焦系统设计[J]. 红外技术, 2018, 40(3): 228-231. http://hwjs.nvir.cn/article/id/hwjs201803005

    LU Xinyu, SU Junbo, XU Hong, et al. Design of stepping motor open-loop focusing system based on fuzzy control[J]. Infrared Technology, 2018, 40(3): 228-231. http://hwjs.nvir.cn/article/id/hwjs201803005

    [9] 杨颖辉. 基于AVR控制器的步进电机开环定位控制技术研究[J]. 宇航计测技术, 2016, 36(6): 89-95. https://www.cnki.com.cn/Article/CJFDTOTAL-YHJJ201606019.htm

    YAND Yinghui. Research on open-loop positioning control technology of stepping motor based on AVR controller[J]. Journal of Astronautic Metrology and Measurement, 2016, 36(6): 89-95. https://www.cnki.com.cn/Article/CJFDTOTAL-YHJJ201606019.htm

    [10] 尤玉虎, 刘通, 刘佳文. 基于图像处理的自动对焦技术综述[J]. 激光与红外, 2013, 43(2): 132-136. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201302004.htm

    YOU Yuhu, LIU Tong, LIU Jiawen. Overview of auto focus technology based on image processing[J]. Laser and Infrared, 2013, 43(2): 132-136. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201302004.htm

    [11] 蔡祖光, 史铁林. 步进电动机矩频特性测试方法研究[J]. 电子器件, 2012, 35(2): 191-193. https://www.cnki.com.cn/Article/CJFDTOTAL-DZQJ201202018.htm

    CAI Zuguang, SHI Tielin. Research on measurement method of torque frequency characteristics of stepping motor[J]. Chinese Journal of Electron Devices, 2012, 35(2): 191-193. https://www.cnki.com.cn/Article/CJFDTOTAL-DZQJ201202018.htm

    [12]

    Ono M, Pavone M, Kuwata Y. Chance-constrained dynamic programming with application to risk-aware robotic space exploration[J]. Autonomous Robots, 2015, 39(4): 556-567.

    [13] 刘大龙. 基于动态规划的冗余机械臂液压驱动系统能量优化[J]. 中国工程机械学报, 2018, 16(6): 483-496. https://www.cnki.com.cn/Article/CJFDTOTAL-GCHE201806005.htm

    LIU Dalong. Energy optimization of hydraulic drive system of redundant manipulator based on dynamic programming[J]. Chinese Journal of Construction Machinery, 2018, 16(6): 483-496. https://www.cnki.com.cn/Article/CJFDTOTAL-GCHE201806005.htm

  • 期刊类型引用(0)

    其他类型引用(2)

图(7)  /  表(6)
计量
  • 文章访问数:  159
  • HTML全文浏览量:  50
  • PDF下载量:  46
  • 被引次数: 2
出版历程
  • 收稿日期:  2020-06-16
  • 修回日期:  2020-08-09
  • 刊出日期:  2022-02-19

目录

/

返回文章
返回
x 关闭 永久关闭

尊敬的专家、作者、读者:

端午节期间因系统维护,《红外技术》网站(hwjs.nvir.cn)将于2024年6月7日20:00-6月10日关闭。关闭期间,您将暂时无法访问《红外技术》网站和登录投审稿系统,给您带来不便敬请谅解!

预计6月11日正常恢复《红外技术》网站及投审稿系统的服务。您如有任何问题,可发送邮件至编辑部邮箱(irtek@china.com)与我们联系。

感谢您对本刊的支持!

《红外技术》编辑部

2024年6月6日