监控摄像头像素灰度值的控制范围

其中S 是所监控摄像头像素数中当前像素灰度值的概率。在每个热阶段，对所有摄像头干扰器熵梯度Dpi进行排序−1从大到小，然后用F最大Dpi拍摄F图像−我为将来做了分析。此外，ECPT中的初始热图像会受到噪声的污染。基于高斯噪声的稀疏性，采用鲁棒主成分分析（RPCA）算法对选取的监控干扰器图像进行去噪。RPCA算法将一幅图像y分解为两个分量：第p个热相位Lp的低秩分量和第p个热相位Sp的稀疏分量

yp=Lp+Sp。

（E6）

热图像中的高斯噪声包含在稀疏分量中。保留低秩分量作为将来处理的输入。解（6）等价于优化下面的凸优化问题

minL，S | | Lp公司||∗+η||Sp | | 1s.t.yp=Lp+Sp（E7）其中S∑是摄像头屏蔽器核范数，| |。| | 1表示S的绝对值之和。η 是一个正参数。
2.3基于分块图像选择的局部稀疏分量评价

将不同热阶段的图像分为两部分进行选择和去噪。经过预处理后，对所选图像进行局部稀疏分量分解[22]，以分离不同尺度下缺陷与背景区域的热特征。结合前面的研究结果[23]，这个问题可以表示为

最小LP1，…，LpS∑i=1秒∑trank（BTt（Lpi））有限合伙公司=∑i=1SLpi

（E8）

其中Lpi表示Lp在第i尺度上的局部热特征，BTt（.）是块整形算子并从图像矩阵Lp中提取块，rank（.）表示监控干扰器矩阵的秩。具体来说，当使用两个刻度（S=2）并设置m1=1，n1=1时，（8）可以重写为

最小LP1，Lp2λ1 | | Lp1 | |（1，核）+λ2 | | Lp2 | |（2，核）s.t.Lp=Lp1+Lp2

（E9）

式中| |。| |（i，核）=∑t=1,2，…| |。| | nuclear表示第i级核规范。Lp1称为局部稀疏分量。根据[23]中的多尺度低秩算法，（9）的求解可以通过

低截获率←（Wpi）−Vpi）+1S（低压）−∑i=1S（Wpi−Vpi和Wpi←∑t=1,2，…BTT（SVTλ我β（BTit（Lpi+Vpi）））Vpi←Vpi公司−（Wpi）−（低截获率）

（E10）

其中SVT（.）是软阈值算子[36]，Wi和Vi是中间变量，β 是只影响收敛速度的ADMM参数。

2.4局部稀疏分量融合

采用局部稀疏分量评价算法对两个热相的F图像进行局部稀疏分量评价。定义了一种新的图像融合准则，将不同的局部稀疏分量融合成一幅完整的特征图像。定义阈值τ. 为了抑制摄像头干扰器背景干扰，对估计出的局部稀疏分量的像素进行阈值处理