基于中值滤波的红外焦平面阵列非均匀性神经网络校正

统的神经网络校正算法存在收敛速度慢和校正精度低的缺点。当背景噪声较大时,它更难以获得令人满意的校正效果。 针对其不足之处, 提出一种基于中值滤波的红外焦平面阵列(IRFPA)非均匀性神经网络校正算法。该算法首先利用中值滤波对强噪声进行预处理,在此基础上 采用改进的神经网络校正算法对IRFPA非均匀性进行自适应校正。实验结果表明,该算法与传统的神经网络方法相比具有收敛速度快和校正精 度高等特点,并且使图像的峰值信噪比至少提高了10dB。     

红外焦平面阵列非均匀性自适应校正方法

分析基于场景的红外焦平面阵列非均匀性校正方法中的景物退化和鬼影现象,提出了一种基于边缘约束高斯滤波的红外焦平面阵列非均匀性自适应校正方法。该方法设计了一个边缘约束高斯滤波器来获取理想的估计图像,利用最陡下降法得到计算增益校正因子和偏移量校正因子的迭代公式,并通过迭代步长的自适应控制来增快算法的收敛速度。通过仿真实验和真实红外图像处理对比实验表明:相较于目前已有的方法,该方法在有效抑制景物退化和鬼影现象的同时,较好地去除原始红外图像的固定图案噪声,保留了图像细节信息,提高了图像质量。     

基于神经网络的红外焦平面非均匀性自适应校正算法

由于材料、工艺等原因,红外焦平面阵列(IRFPA)各单元普遍存在响应不一致的现象,从而导致IRFPA都存在非均匀性.非均匀性校正(NUC)是红外图像处理系统中的重要环节.本文在研究了传统的基于神经网络的NUC算法的基础上,提出了一种改进的基于神经网络的非均匀性自适应校正算法,并对比了传统的基于神经网络的算法和本文算法的校正效果和收敛速度,实验表明本文提出的算法校正效果好,收敛速度快.     

焦平面阵列BP神经网络非均匀性校正及其算法改进

在紫外成像系统中,紫外焦平面阵列的非均匀性是影响成像质量的重要因素.介绍了标准的神经网络算法对焦平面阵列非均匀性的校正,并针对标准的神经网络算法的收敛速度慢的缺点,提出了改进算法.通过matlab对算法进行仿真,结果表明BP神经网络(Back.Propagation Neural Network)算法对焦平面阵列的非均匀性有良好的校正效果,改进后的算法效率有了较大地提高.神经网络非均匀性校正算法可以广泛的运用于其他焦平面阵列的非均匀性的校正中.     

红外焦平面阵列非均匀性的校正方法研究

针对读出电路与探测器产生的非均匀性,并对递归最小二乘非均匀校正算法(RLS算法)进行扩展和改进,提高非均匀校正的精度和算法的收敛速度。首先对红外焦平面阵列的非均匀性进行建模仿真,根据建立的模型利用局部恒定统计法对读出电路产生的非均匀性进行校正,然后采用自适应中值滤波算法(RAMF算法)对图像进行预处理,从而提供给后续RLS算法具有较低噪声的图像,实现RLS算法对探测器的非均匀性校正。仿真结果表明提出的算法能够有效地抑制读出电路对校正精度的影响,消除图像的非均匀性,同时采用RAMF算法对图像的预处理过程,能够加快RLS算法的收敛速度,提高信噪比,获得较好的非均匀性校正效果。     

基于神经网络的改进型红外图像自适应非均匀校正算法

针对传统的基于神经网络的自适应非均匀性校正(Neural-Network-based Non-Uniformity Correction, NN-NUC)算法在 实际应用中存在校正能力有限和容易产生鬼影的问题,深入分析了NN-NUC算法中的鬼 影产生过程,并给出了抑制鬼影的一般性方法;然后结合实际红外成像系统的特点,提出 了一种改进型NN-NUC算法。仿真实验结果表明,该算法可以最大限 度地抑制场景鬼影的产生,并可有效减小系统输出图像的非均匀性噪声。此外,本文算法 计算量小,且易于用硬件实现,因此具有很好的工程应用价值。     

一种改进的神经网络红外焦平面阵列非均匀性校正算法

传统的神经网络非均匀性校正算法对噪声具有较好的自适应性,但当空间低频噪声较大时,校正效果明显下降.为此,提出了一种传统神经网络同场景的一阶统计相结合的改进算法.将对偏置的估计转化成对场景的统计和对辐射均值的估计,新算法较原算法具有了更强的校正能力,特别适合于非均匀性主要由偏置产生的焦平面器件.理论分析和比较实验结果显示了其优越性.     

基于神经网络的红外焦平面光学非均匀性校正改进算法

基于场景的非均匀校正依然是红外领域的一个研究热门.神经网络算法是一种较为典型的场景校正算法.本文主要针对神经网络算法本身不能校正光学引入的非均匀性问题,提出了新的改进算法,通过对神经网络输入层的预处理,消除图像的低频噪声,此外,为了消除预处理对图像对比度的影响,本文增加了神经网络的层数,使用双层神经网络对算法进行更新,从而消除了图像对比度下降的现象.实验结果表明,改进的神经网络算法能够有效的改善图像质量,消除图像中光学引入的非均匀性.     

基于粒子滤波的红外焦平面阵列非均匀校正算法

空间固定图案噪声严重影响红外探测系统的成像质量,并且还会随着外界环境的变化而缓慢漂移.卡尔曼滤波算法可以解决这个问题,但会受到线性高斯模型的限制.提出了一种利用粒子滤波跟踪噪声漂移,进而实现非均匀校正的算法.首先使用粒子采样噪声参数可能的取值状态,然后通过状态空间模型对这些粒子进行预测和更新,最后把粒子状态的加权平均值作为对噪声参数的估计.该算法是对卡尔曼滤波算法的扩展,不受任何模型条件的限制,因此,能够实现对不同情况噪声漂移的有效跟踪.实验结果表明:经此算法校正后的图像的峰值信噪比平均都在37 dB以上,而经卡尔曼滤波算法校正后的图像却只有28 dB.     

基于图像梯度的神经网络红外焦平面非均匀校正算法

红外焦平面阵列固有的非均匀性导致叠加在图像上的固定图形噪声严重影响了红外系统的成像质量。传统的神经网络非均匀校正算法存在待处理像素的期望值求解固有缺陷、收敛速度慢和学习速度过大,容易造成算法不收敛。提出了基于图像梯度的神经网络非均匀校正算法,通过对处理像素的期望值求解、改进和调整学习速度、改善图像校正效果,提高了算法收敛速度。通过对真实的红外图像序列实验表明,新算法相对传统的神经网络算法收敛速度提高了50%以上,红外图像校正效果也得到了提高。     

基于神经网络的MOS电阻阵列非均匀性校正

对MOS电阻阵列非均匀性产生的原因进行了深入分析,并提出了一种可明显提高红外图像生成质量的新的电阻阵列非均匀性校正方法.通过离线测试得到整个电阻阵列的电压-温度数据和待校正单元的电压-温度数据.以这些原始数据作为神经网络的输入,建立电阻阵列中每个单元的校正前输入和期望输入之间的函数关系,生成查找表,从而解决MOS电阻阵...     

一种改进的神经网络非均匀性校正算法

传统的神经网络校正算法对于线列焦平面阵列的非均匀性校正效果并不理想.因此,本文针对扫描型成像系统对传统神经网络算法进行了改进,将局部中值处理作为期望输出,逐列进行系数更新和校正,获得了很好的结果.改进后的算法收敛速度快,适合于线列焦平面阵列的非均匀性校正.实验结果显示了该算法的良好校正效果.     

基于神经网络的红外焦平面非均匀校正的新算法

传统的神经元网络算法对噪声具有较好的自适应性,但当噪声略强时,它的校正效果会出现下降,为进一步提高性能,原作者提出了基于神经元网络的红外焦平面非均匀性校正的改进算法.但在场景静止时,原算法就不再适用.针对这种情况,分析了基于神经元网络的红外焦平面非均匀校正的改进算法,提出了在场景静止时的校正算法.并结合两者,最后提出了基于神经元网络的红外焦平面非均匀校正的新算法.仿真证明,新算法具有优异的性能.     

一种红外导引头成像自适应非均匀性校正方法

在红外成像制导应用中,为满足长周期免拆卸贮存的应用需求,红外导引头非均匀性的研究越来越多的集中于采用自适应的校正方法来代替传统的参考源的非均匀性校正方法。针对传统基于神经网络的自适应非均匀性校正算法容易造成“鬼影”的问题,提出了一种改进的红外导引头成像自适应非均匀性校正算法。该方法在传统神经网络非均匀性校正的基础上,进行了4点实用化的改进：首先,通过对图像运动判断,避免场景静止时的过学习;其次,采用自适应学习率,避免细节丰富区域的过学习;然后,利用双边滤波求期望目标的评估,减少细节的损失;最后,通过判断误差函数的波动量来决定是否对偏置进行更新。实验结果表明,该方法在校正精度、收敛速度和稳定性方面均优于传统的神经网络校正算法。     

Combined Approach for Nonuniformity Correction in Infrared Focal Plane Array

A new algorithm of nonuniformity correction for infrared focal plane array(IRFPA) is reported,which is a combined algorithm based on both the two-point correction and artificial neural networks correction.The combined algorithm is calibrated by two-point correction,and the calibrated correction coefficients are automatically modified by BP algorithm.So it is not only calibrated,but also real-time processed.In adaptive nonuniformity correction algorithm,the phenomena ghost artifact and target fade-out are avoided by edge extraction.In order to get intensified image,the modified median filters are adopted.The simulated data indicates the proposed scheme is an effective algorithm.     

IMM算法在红外焦平面阵列非均匀性校正中的应用

以连续图像序列作为观测数据时,卡尔曼滤波法校正焦平面阵列非均匀性的效果取决于状态模型中漂移系数的选取。针对这一问题,提出应用交互多模(IMM)算法,建立两个状态模型拟合响应参数不存在漂移和漂移剧烈的极限情况,融合估计探测单元的响应参数。实验结果表明IMM算法对非均匀性具有较好的校正作用,且对响应参数的初始状态及漂移系数的选取具有较好的稳健性。     

基于场景自适应收敛非均匀性校正方法

收敛问题是基于场景非均匀性校正算法的一个共性问题,提出了一个能够自适应收敛的非均匀性校正算法,该算法的一个特点是只对非均匀性空间频率的高频部分进行处理,详细论述了该处理的优点,同时还提出了一个控制收敛速度的因子,使得算法的收敛速度根据场景的动态范围自动调整,这将很大程度的改善基于场景非均匀性校正算法收敛特性,最后通过实验数据论证了该算法的性能.     

基于图像分割和配准的红外焦平面阵列非均匀校正算法

在目标成像跟踪和制导领域,存在大量由缓慢移动背景和相对背景运动的点目标构成的红外图像序列,传统的基于场景的红外焦平面非均匀校正算法在解决此类图像中存在困难.提出了基于图像分割和配准的红外焦平面非均匀校正算法(简称S-R算法),通过将图像背景和运动点目标分离,利用图像配准的方法完成图像背景的非均匀校正和点目标位置处错误固定噪声参数的补偿,最终完成整个焦平面探测单元固定噪声参数的估计,从而有效解决了这类红外图像序列的非均匀校正问题.S-R算法具有噪声参数估计精度高、收敛速度快和计算复杂度低等优点.文中最后用仿真数据对上述结论进行验证.