基于伯努利采样的高速摄像机图像实时压缩

王斌, 梁杰, 王盼, 顾正华, 盖文

王 斌,梁 杰,王 盼,等. 基于伯努利采样的高速摄像机图像实时压缩[J]. 实验流体力学,2021,35(6):52-57. DOI: 10.11729/syltlx20200052
引用本文: 王 斌,梁 杰,王 盼,等. 基于伯努利采样的高速摄像机图像实时压缩[J]. 实验流体力学,2021,35(6):52-57. DOI: 10.11729/syltlx20200052
WANG B,LIANG J,WANG P,et al. A Bernoulli sampling based image real-time compression method for high-speed camera[J]. Journal of Experiments in Fluid Mechanics, 2021,35(6):52-57.. DOI: 10.11729/syltlx20200052
Citation: WANG B,LIANG J,WANG P,et al. A Bernoulli sampling based image real-time compression method for high-speed camera[J]. Journal of Experiments in Fluid Mechanics, 2021,35(6):52-57.. DOI: 10.11729/syltlx20200052

基于伯努利采样的高速摄像机图像实时压缩

基金项目: 国家自然科学基金(11602292,61801479)
详细信息
    作者简介:

    王斌: (1983–),男,四川绵阳人,博士,副研究员。研究方向:风洞测试,视觉测量,图像处理,人工智能。通信地址:四川省绵阳市涪城区二环路南段6号12信箱3号分箱(621000)。 E-mail:nudtwangbin@163.com

    通讯作者:

    盖文: E-mail:549816386@qq.com

  • 中图分类号: V211.7

A Bernoulli sampling based image real-time compression method for high-speed camera

  • 摘要: 高速摄像机被广泛应用于爆炸力学、流体力学、弹道观测等科研试验中。受电子系统存储带宽和容量限制,高速摄像机无法实现长时间拍摄。对拍摄图像进行压缩是延长高速摄相机拍摄时长的有效方法。然而,现有图像压缩方法因计算复杂度高、时间长,无法满足高速摄相机海量图像压缩需求。为此,提出一种低硬件成本的实时图像压缩方法:采用伯努利采样方法,在CCD或CMOS成像过程中,随机采样部分像素得到压缩图像;再通过未知像素估计算法重建压缩图像。模拟测试结果表明:当图像压缩率达到99%时,从重建图像中仍能观察到图像主要视觉信息,优于TOM拍摄图像的插值放大结果。
    Abstract: High-speed cameras are widely used in explosive mechanics, hydrodynamics, trajectory observation and other scientific research experiments. Due to massive data and the limit of storage and bandwidth of electronic system, high-speed cameras cannot shoot for long periods of time. Compression of captured images is an effective way to extend the recording time of the high-speed cameras. However, the existing image compression methods can not solve high-speed camera mass image compression task caused by the large calculation complexity and long calculation time. In this paper, a low hardware cost, real-time image compression method with Bernoulli sampling is developed. The method randomly samples the pixels with Bernoulli distribution directly in the process of CCD or CMOS image acquisition. Then in usage, the raw image is reconstructed with the unknown pixel estimating method. The simulation results show that the main visual information of the image can still be observed from the reconstruction image, even when the image compression rate reaches 99%, which is superior to the super-resolution enhancement result of the TOM (Thin Out Mode) with interpolation.
  • 随着人们消费水平的提升和消费观念的升级, 汽车NVH (Noise, Vibration, Harshness)性能中的车内噪声水平越来越受到消费者的关注。汽车在高速行驶时, 由外部气流引起的气动噪声是车内噪声的主要来源之一[1]

    在汽车的开发过程中, 由于风洞实验成本高, 数值模拟已成为研究车辆气动噪声的主要手段, 而准确的噪声分析是建立在精确的流场数据基础之上的。因此, 提高流场计算精度十分必要。

    大涡模拟(LES)是计算非定常流场的常用方法。该方法利用滤波函数对流场中的涡进行尺度划分, 对大尺度的涡结构进行直接求解, 对小尺度的涡结构则采用亚格子模型进行建模, 而汽车气动噪声的产生与流场中小尺度涡旋的形成与运动有着重要的关系。滤波处理后的N-S方程将产生表征大、小尺度相互作用的亚格子应力项, 对亚格子应力项的求解通过构建亚格子模型进行。不同亚格子模型的选取会获得不同的流场结果, 进而导致不同的声场结果。

    汽车运动的马赫数小于0.3, 其绕流可看作不可压缩流, 不可压N-S方程经过滤波后得到LES控制方程:

    (1)

    (2)

    式中, τij为亚格子应力项, 表示可求解的大尺度涡和不可求解的小尺度涡的动量交换:

    (3)

    为使方程封闭, 需构建亚格子应力模型, 即τij的表达式。采用Smagorinsky-Lilly、Dynamic Smagorinsky、WALE、WMLES、WMLES S-Omega以及Dynamic Kinetic Energy Subgrid-Scale Model 6种亚格子模型进行数值模拟。亚格子模型的τij表达式可写为:

    (4)

    式中,μt为湍流涡粘度,为应变率张量:

    (5)

    在Smagorinsky-Lilly模型[2]中, 湍流涡粘度:

    (6)

    其中,

    (7)

    式中, k为冯卡尔曼常数; d为近壁面的距离; Cs为Smagorinsky常数, 通常取0.1;Δ为亚网格尺寸, 由网格尺寸V确定, Δ=V1/3; Ls为亚格子尺度的混合长度。

    动态Smagorinsky(Dynamic Smagorinsky)亚格子尺度模型[3]中, Cs基于运动尺度求解得出。该模型添加了网格滤波和检验滤波函数, 进一步得出湍流应力张量:

    (8)

    式中, Tij为滤波后的亚格子应力项。

    通过Lilly最小二乘分析, 最终得到Cs表达式为:

    (9)

    式中:

    (10)

    局部涡粘度壁面自适应模型[4](Wall-Adapting Local Eddy-Viscosity Model, WALE)中湍流涡粘度为:

    (11)

    式中, 亚格子尺度的混合长度Ls和应变率张量Sijd的表达式为:

    (12)

    (13)

    式中, 常数Cw=0.325,表达式为:

    (14)

    代数形式的壁面函数模型[5](Algebraic Wall-Modeled LES Model, WMLES)在边界层内部使用雷诺平均方法进行模拟, 在边界层外部使用LES进行模拟。WMLES可应用于更高雷诺数的流场模拟, 其湍流涡粘度:

    (15)

    式中, dw为计算点与壁面的距离; S为应变率; 常数k=0.41, CSmag=0.2;Δ为亚网格尺度:

    (16)

    式中, hmax是六面体单元的最大边长, hwn是壁面法线方向网格间距, 常数Cw=0.15。

    由于无法为恒定的剪切流提供零涡流粘度, WMLES模型在分离剪切层时会产生过大的涡粘性。在式(15)中, 若将S替换为|S-Ω|的差分形式, 则可以改进WMLES模型, 这种改进模型称为WMLES S-Omega模型, 其中Ω为旋涡强度。

    动态动能亚格子模型[6](Dynamic Kinetic Energy Subgrid-Scale Model, KET)在传统Smagorinsky-Lilly模型上, 进一步考虑亚格子尺度湍动能的传输, 能更好地模拟亚格子尺度的湍流。亚格子湍流动能ksgs为:

    (17)

    湍流涡粘度μt通过亚格子湍流动能计算得出:

    (18)

    式中滤波尺寸Δf=V1/3, Ck根据流场状态获得。该模型的亚格子应力表达式为:

    (19)

    采用莱特希尔声类比理论(Lighthill’s acoustic analogy)对气动声学进行求解。从流体力学的连续方程和动量方程推导得出莱特希尔方程:

    (20)

    其中:

    (21)

    式中, ρ'为流体密度波动量, c0为声音在均质介质中的速度, Tij为莱特希尔张量, ui为速度矢量沿i方向的分量, piρ为流体的压力和密度, p0ρ0分别为参考压力和密度,为向量微分算子, δij为克罗内克函数。

    应用格林函数进行积分可对莱特希尔声类比方程求解, 但对于复杂边界, 格林函数往往难以获得。Oberai等人提出一种新的求解方法[7], 通过获得频域下的莱特希尔方程变分形式, 采用有限元法进行求解。

    图 1所示, 气流流经的固体区域为ΩS, 固体区域的边界为ΓS。流体区域为Ωf, 流体是非均匀的或者湍流的, 受N-S方程控制。在ΩaΩ区域, 流体状态是均匀的。另外, 湍流区域(声源区)的外边界为Γf, 声学截断面Γa为无反射边界。n为区域Ωt=ΩfΩa向外的法向向量。对于任意速度矢量u, 可用un= u · n =uini来表示其法向分量。

    图  1  气动声学问题求解计算域示意图
    Fig.  1  Computational domain for aeroacoustic problem solving

    基于莱特希尔方程, 利用转换等式:

    (22)

    得到莱特希尔方程的频域形式:

    (23)

    式中, ψ=-b/iω, b为总熵, i(非下标)为虚数单位。

    基于Oberai提出的变分公式, 可得:

    (24)

    式中, δψ为测试函数。利用格林函数进行变分转换, 同时结合动量方程, 最终得到弱解形式:

    (25)

    采用有限元法进行内声场求解。在一个由边界面Ω所包围、声源分布为q的流体域V中, 任意空间点(x, y, z)的声压p受二阶赫姆霍兹方程控制:

    (26)

    式中, k=ω/c=2πf/c为波数, c为声速, ρ为流体密度, ω为圆频率。

    将式(26)转换为等效的加权残差积分方程:

    (27)

    式中,为加权函数。根据发散定理, 由Ω面所包围的区域V内的发散向量场的积分等价于封闭面Ω上向量场φ的垂直分量的积分。由此得到式(26)的弱解为:

    (28)

    式中nV为区域V向外的法向向量。

    在有限元方法中, 连续体V离散成一系列有限小单元以及节点ne, 在每个单元内, 利用形函数Nie, 声压p可用一定数量np来近似表达。对于常用的四面体或六面体单元, 单元的形函数个数与单元节点的个数相等(np=ne), 且一一对应。同时, 构造一个基于整个区域V的全局形函数Ni。全局压力可表示为:

    (29)

    式中, nf为整个离散域的节点总数, N为全局形函数的(1×nf)向量, 为未知的节点声压值的(nf×1)向量。相应的压力梯度近似变为:

    (30)

    式中, B为全局形函数梯度分量的(3×nf)矩阵。将式(29)和(30)代入到式(28)中, 得到:

    (31)

    式中, K为声学刚度矩阵, M为声学质量矩阵, Q i为声学激励向量, C为声学阻尼矩阵。未知节点的声压值可由式(31)求解得到。

    在密封良好情况下, 泄露噪声、风振噪声的影响可以忽略。此时车内气动噪声可归结为以下两种机理[8]:(1)空气中的旋涡收缩与变形及其相互作用, 以及气流与壁面相互作用会产生气动噪声源, 多种气动噪声源向四周传递噪声, 其中到达玻璃壁面的声压会引起壁面的振动从而向模型内部传递噪声; (2)当气流流经玻璃表面时, 引起了壁面振动, 从而向模型内部传递噪声。

    虽然作用在玻璃表面上的湍流压力的压力级数要比声压的压力级数大, 但是在传递效率上, 湍流压力的传递损失却比声压的传递损失要大。所以, 在研究外部流场诱发汽车内部气动噪声时, 需要同时考虑上述2种作用机理。

    采用的计算模型为现代汽车公司建立的简易汽车模型Hyundai Simplified Model(HSM), 参考相关文献[9-10]建立HSM模型。如图 2所示, 模型长2 m, 宽1 m, 高1 m, 壁面从外到内分别为12 mm铝、40 mm吸声材料、4 mm隔膜以及20 mm吸声材料, 玻璃均为4 mm厚。材料属性如表 12所示。

    图  2  HSM模型
    Fig.  2  Hyundai Simplified Model
    表  1  材料属性
    Table  1  The material properties
    材料 密度/(kg·m-3) 杨氏模量/GPa 泊松比
    2700 69 0.33
    隔膜 2000 0.04 0.45
    车窗玻璃 2500 70 0.22
    空气 1.2 - -
    下载: 导出CSV 
    | 显示表格
    表  2  吸声材料属性
    Table  2  Properties of sound absorbing materials
    密度/(kg·m-3) 声速/(m·s-1) 孔隙率 孔曲率
    827 343 0.879 3.31
    下载: 导出CSV 
    | 显示表格

    实验中, 通过垫片、密封剂、螺栓等将车窗玻璃安装在铝制外壳上。为了验证车窗玻璃边界条件对噪声传播和数值模拟的影响, 文献[11]对车窗玻璃表面内外的频率响应函数(FRF)、玻璃传递函数和车内混响时间进行了测量, 结果表明, 玻璃内外的FRF结果几乎相同。可以认为, 玻璃安装到铝制外壳上是两种材料的简单附着, 仿真模型的简化对计算结果的影响可以忽略。

    参考现代汽车公司风洞实验段的外形[12]建立的流场计算域如图 3所示, 计算域长20 m, 宽14 m, 高10 m, 模型距离入口4 m。模型表面网格尺寸为5 mm, 计算域外表面网格尺寸为500 mm。利用密度盒对模型附近网格进行加密, 2个加密区的最大网格尺寸为20和100 mm, 其中, 第一个密度盒包含了湍流较为剧烈的声源区。在模型表面划分5层边界层网格, 第一层厚0.2 mm, 增长率为1.2。整个计算域网格数量约为1500万, 边界条件和参数设置见表 3

    图  3  计算域示意图
    Fig.  3  Computational domain
    表  3  边界条件设置
    Table  3  Boundary condition setting
    边界 类型 数值
    Inlet Velocity inlet 110 km/h
    Outlet Pressure outlet 0 Pa
    Others Wall -
    下载: 导出CSV 
    | 显示表格

    采用Fluent进行流场计算。利用稳态结果作为瞬态的初始值进行计算, 以减少瞬态计算达到收敛的时间。分别使用上述6种亚格子模型进行瞬态计算, 以获得流场的速度和压力结果。考虑到气动噪声集中在中低频段, 本次计算的最高频率初步定为1000 Hz。根据奈奎斯特采样定理, 确定采样时长为0.08 s, 计算时间步长为2×10-4 s。

    采用Actran进行声学计算, 使用积分插值的方法将流场信息映射至声学网格。外声场模型如图 4所示, 分为声源区、声传播区和无限元边界, 无限元边界为无反射边界。实验风洞为声学风洞, 壁面进行了吸声处理, 采用无反射边界和实验保持一致。根据分析, 频率的波长内至少包含6个网格单位的要求, 确定声场的网格尺寸为40 mm。采用四面体网格对外声场进行划分, 最终网格数约为140万。

    图  4  外声场模型
    Fig.  4  External sound field model

    图 5为内声场模型局部网格。玻璃和隔膜使用三棱柱网格划分, 其余部分使用四面体网格划分, 网格尺寸和外声场相同。

    图  5  内声场局部网格
    Fig.  5  Local grid of internal sound field

    为了和实验数据[9, 11]对比, 在模型内部建立2个监测点, 监测点位置如图 6所示。

    图  6  监测点位置
    Fig.  6  Position of monitoring points

    由流场决定的CFD截止频率fc为:

    (32)

    式中, ε为湍动能耗散率, Δx为网格尺度。

    图 7为CFD截止频率分布图, 由图可知在湍流核心区域, CFD截止频率大部分在1000 Hz左右, 符合计算要求。

    图  7  CFD截止频率分布
    Fig.  7  CFD cut-off frequency distribution

    图 89为1/3倍频程频率中心点的声压级。总体来看, 声压级Lp随频率f的上升而逐渐降低, 不同亚格子模型计算得到的结果的变化趋势和实验一致, 但在数值上有偏差。上述2个监测点的总声压级以及和实验值的误差如表 45所示。

    图  8  监测点1声压级对比
    Fig.  8  Comparison of sound pressure level at monitoring point 1
    图  9  监测点2声压级对比
    Fig.  9  Comparison of sound pressure level at monitoring point 2
    表  4  监测点1总声压级及其误差
    Table  4  Overall sound pressure level and error of monitoring point 1
    SLM DSLM WALE WMLES WMLES S-Omega KET 实验值
    总声压级/dB 90.1 90.8 80.4 77.2 80.2 85.9 71.6
    误差/% 25.8 26.8 12.3 7.8 12.0 19.9 -
    下载: 导出CSV 
    | 显示表格
    表  5  监测点2总声压级及其误差
    Table  5  Overall sound pressure level and error of monitoring point 2
    SLM DSLM WALE WMLES WMLES S-Omega KET 实验值
    总声压级/dB 90.3 90.4 83.7 77.5 76.1 86.2 73.1
    误差/% 23.5 23.7 14.5 6.0 4.1 17.9 -
    下载: 导出CSV 
    | 显示表格

    从总声压级看, 只有WMLES模型的结果误差在10%以内, 其余模型误差都较大。所以采用WMLES模型计算总声压级的精度更高。

    由频谱曲线可知, 100~160 Hz, 6种亚格子模型得到的计算结果均大于实验值; 160~500 Hz, 计算结果均小于实验值; 500~1000 Hz, 计算结果和实验结果基本一致。在200 Hz时, 实验曲线出现峰值, 原因可能是该频率点为模型的固有频段, 共振使得声压级增大, WMLES和WMLES S-Omega模型准确地捕捉到了这一信息。

    声场结果和流场结果有着直接的联系, 高频段结果和流场中小旋涡的变化及相互作用有关。出现低频段计算结果高于实验值、高频段计算结果低于实验值的原因可能是受计算资源的限制, 数值模拟没能精确捕捉到流场中的小旋涡运动, 导致部分高频段能量计入低频段。

    在近壁面附近, 湍流尺度随壁面距离的减小而线性减小。所以, 壁面附近小尺度的旋涡占主要部分。由1.3节可知, 壁面附近的流场对车内噪声有着显著的影响。壁面附近气流模拟的精确性将直接影响车内噪声的计算结果。

    LES在处理近壁面的流场时需要非常精细的网格尺度和非常小的时间步长(y+=1)。WMLES模型对LES进行了改进, 在处理近壁面流场时使用RANS进行模拟, 其余部分使用LES进行模拟。RANS在求解近壁面流场时, 不需要LES所要求的非常精细的网格尺度, 使其在求解高雷诺数下近壁面湍流更加有效。

    在LES中, 亚格子模型表示了大、小旋涡的相互作用。几种亚格子模型的区别在于对湍流涡粘度μt的建模方式不同。湍流模拟中, μt对小尺度旋涡的形成与运动有很大的影响。在对μt建模过程中, 和网格尺寸有关的亚网格尺度Δ是一个重要的参数。其余亚格子模型采用网格体积的1/3次方定义Δ, WMLES模型改变了Δ的定义, 综合考虑了网格边长、网格中心点离壁面距离和网格法向尺寸, 此外建模时还考虑了y+值, 使得WMLES模型对壁面附近的旋涡捕捉更为精确, 而其余模型计算得到的湍流衰减过大, 这一点在文献[5]中已有体现。200 Hz时, WMLES及其改进模型WMLES S-Omega能够捕捉到峰值, 和其能够准确捕捉流场信息有关。

    基于不同亚格子模型, 对HSM模型进行了流场和声场的计算, 并与实验结果进行了对比分析, 结果表明:采用相同网格尺度时, 基于WMLES亚格子模型的LES数值模拟能较为准确地获得车外气动声源。

  • 图  1   单像素相机及成像结果[9]

    Fig.  1   Single pixel camera and its imaging result[9]

    图  2   图像伯努利采样与重建效果示例

    Fig.  2   Image Bernoulli sampling and reconstruction effect example

    图  3   伯努利采样图像压缩及图像重构算法流程

    Fig.  3   The framework of image compression with Bernoulli sampling and image reconstruction

    图  4   Image 2试验结果

    Fig.  4   Experimental results of image 2

    图  5   PSNR、SSIM定量分析结果

    Fig.  5   The quantity comparison results of PSNR and SSIM

    图  6   与单像素相机压缩成像结果对比

    Fig.  6   Comparison results with single pixel camera

  • [1] 宗思光,王江安,蒋兴舟,等. 水中激光击穿空泡的高速摄影研究[J]. 光子学报,2009,38(6):1543-1547.

    ZONG S G,WANG J A,JIANG X Z,et al. Experiment investigation of characters of bubble impulsion by optical breakdown[J]. Acta Photonica Sinica,2009,38(6):1543-1547.

    [2] 刘涛,王江安,宗思光,等. 激光空泡在近自由液面运动特性的实验研究[J]. 光学学报,2012,32(7):0714003. DOI: 10.3788/aos201232.0714003

    LIU T,WANG J A,ZONG S G,et al. Experimental study of laser-generated cavitation bubble motion near a free liquid surface[J]. Acta Optica Sinica,2012,32(7):0714003. doi: 10.3788/aos201232.0714003

    [3] 史红健,朱飞鹏,何小元. 基于时空域分析影像云纹的低频振动测量[J]. 光学学报,2011,31(4):0412005. DOI: 10.3788/AOS201131.0412005

    SHI H J,ZHU F P,HE X Y. Low-frequency vibration measurement based on spatiotemporal analysis of shadow moiré[J]. Acta Optica Sinica,2011,31(4):0412005. doi: 10.3788/AOS201131.0412005

    [4] 王于蓝,范雄杰,高伟,等. 航空发动机燃烧室光学可视模型试验件及其流场测量研究进展[J]. 实验流体力学,2021,35(1):18-33. DOI: 10.11729/syltlx20190171

    WANG Y L,FAN X J,GAO W,et al. Development of optically accessible gas turbine model combustor and its flow field testing[J]. Journal of Experiments in Fluid Mechanics,2021,35(1):18-33. doi: 10.11729/syltlx20190171

    [5] 娄春,张鲁栋,蒲旸,等. 基于自发辐射分析的被动式燃烧诊断技术研究进展[J]. 实验流体力学,2021,35(1):1-17. DOI: 10.11729/syltlx20200063

    LOU C,ZHANG L D,PU Y,et al. Research advances in passive techniques for combustion diagnostics based on analysis of spontaneous emission radiation[J]. Journal of Experiments in Fluid Mechanics,2021,35(1):1-17. doi: 10.11729/syltlx20200063

    [6]

    KLEINFELDER S,LIM S,LIU X Q,et al. A 10000 frames/s CMOS digital pixel sensor[J]. IEEE Journal of Solid-State Circuits,2001,36(12):2049-2059. doi: 10.1109/4.972156

    [7] 达争尚,陈良益. 电子带宽对高速视频成像系统的限制[J]. 光子学报,2004,33(6):743-745.

    DA Z S,CHEN L Y. The limitation of electronic band-width to high-speed visual image system[J]. Acta Photonica Sinica,2004,33(6):743-745.

    [8]

    DONOHO D L. Compressed sensing[J]. IEEE Transactions on Infor- mation Theory,2006,52(4):1289-1306. doi: 10.1109/TIT.2006.871582

    [9]

    DUARTE M F,DAVENPORT M A,TAKHAR D,et al. Single-pixel imaging via compressive sampling[J]. IEEE Signal Processing Maga- zine,2008,25(2):83-91. doi: 10.1109/MSP.2007.914730

    [10]

    GIBSON G,JOHNSON S,PADGE M. Single-pixel imaging 12 years on: a review[J]. Optics Express,2020,28(19):28190-28208. doi: 10.1364/OE.403195

    [11]

    RASKAR R, AGRAWAL A, TUMBLIN J. Coded exposure photogra-phy: motion deblurring using fluttered shutter[C]//Proc of the ACM SIGGRAPH 2006 Papers on - SIGGRAPH '06. 2006. doi: 10.1145/1179352.1141957

    [12]

    GU J W, HITOMI Y, MITSUNAGA T, et al. Coded rolling shutter photography: Flexible space-time sampling[C]//Proc of the 2010 IEEE International Conference on Computational Photography (ICCP). 2010. doi: 10.1109/ICCPHOT.2010.5585094

    [13]

    AGRAWAL A, GUPTA M, VEERARAGHAVAN A, et al. Optimal coded sampling for temporal super-resolution[C]//Proc of the 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2010. doi: 10.1109/CVPR.2010.5540161

    [14]

    LIU D Y,GU J W,HITOMI Y,et al. Efficient space-time sampling with pixel-wise coded exposure for high-speed imaging[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2014,36(2):248-260. doi: 10.1109/TPAMI.2013.129

    [15]

    CHEN T,MA K K,CHEN L H. Tri-state Median filter for image denoising[J]. IEEE Transactions on Image Processing,1999,8(12):1834-1838. doi: 10.1109/83.806630

    [16]

    HSIEH M H,CHENG F C,SHIE M C,et al. Fast and efficient Median filter for removing 1-99% levels of salt-and-pepper noise in images[J]. Engineering Applications of Artificial Intelligence,2013,26(4):1333-1338. doi: 10.1016/j.engappai.2012.10.012

    [17]

    GUO D,QU X B,DU X F,et al. Salt and pepper noise removal with noise detection and a patch-based sparse representation[J]. Advances in Multimedia,2014,2014:1-14. doi: 10.1155/2014/682747

    [18]

    TIAN H Y,CAI H M,LAI J H. A novel diffusion system for impulse noise removal based on a robust diffusion tensor[J]. Neurocomput-ing,2014,133:222-230. doi: 10.1016/j.neucom.2013.11.014

    [19]

    JIANG G Q,HE H B,XIE P,et al. Stacked multilevel-denoising autoencoders: a new representation learning approach for wind turbine gearbox fault diagnosis[J]. IEEE Transactions on Instrumentation and Measurement,2017,66(9):2391-2402. doi: 10.1109/TIM.2017.2698738

  • 期刊类型引用(3)

    1. 许建林,公沛霖,张春博,贾永兴,李睿,杨永刚. 不同边界条件下单圆柱气动噪声大涡模拟研究. 空气动力学学报. 2024(12): 78-87 . 百度学术
    2. 吴鹏,张华. 高速矩形水舌表面破碎的大涡模拟. 水利技术监督. 2022(04): 106-112 . 百度学术
    3. 姚远,赵文彬,卢武,党朋,魏建华. 多风速段下低风阻导线抗风能力实验分析及导线截面结构参数优化. 电力系统保护与控制. 2021(21): 97-106 . 百度学术

    其他类型引用(14)

图(6)
计量
  • 文章访问数:  520
  • HTML全文浏览量:  188
  • PDF下载量:  30
  • 被引次数: 17
出版历程
  • 收稿日期:  2020-04-06
  • 修回日期:  2021-06-20
  • 网络出版日期:  2021-12-09
  • 刊出日期:  2021-12-29

目录

/

返回文章
返回
x 关闭 永久关闭