时空域自适应滤波非均匀性校正算法

由于红外焦平面探测器受到制造工艺等限制,图像不可避免地会存在非均匀性。传统神经网络算法会留下“鬼影”的问题,本文改进传统神经网络算法,利用引导滤波图像作为期望模板,防止图像的边缘被滤波器平滑。当场景运动时,通过时域迭代的策略来不断进行非均匀性校正参数的更新。为了抑制算法中常见的鬼影现象,设计了基于空域局部方差和时域场景变化率相结合的自适应学习率,利用前后的校正参数自适应调整阈值。实验仿真表明,本文所提的算法相比于传统算法均方根误差下降45.45%左右,可以在校正图像非均匀性的同时很好地抑制“鬼影”现象。     

基于非局部均值滤波与神经网络的红外焦平面阵列非均匀性校正算法

深入剖析传统神经网络非均匀性校正方法收敛速度慢以及易产生"鬼影"现象的主要原因,在此基础上,提出一种基于非局部均值滤波和神经网络的红外焦平面阵列非均匀性校正算法。为了加快收敛速度并减少"鬼影"现象,在神经网络隐含层,利用具有全局寻优且能保持边缘的非局部均值滤波器代替传统的均值滤波器以估计具有更高置信度的真值影像;同时设计可变学习率来自适应地调整每个探测元的非均匀性校正参数的迭代更新过程,以进一步消除"鬼影"。采用两组分别受高空间频率和低空间频率非均匀性干扰的真实红外序列图像进行实验。实验结果表明:相较于目前已有的方法,本文方法不仅具有较快的收敛速度,而且较大程度上抑制了"鬼影"现象的发生。     

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。     

基于引导滤波的红外图像非均匀性校正

由于制作工艺的限制和器件材料的不均匀性,红外图像在一定程度上存在非均匀性,导致目标探测和识别能力下降,严重的情况下甚至无法探测目标,因此,红外图像必须经过校正才能发挥出红外探测器对温度的高灵敏度性能。基于神经网络的非均匀性校正技术是校正非均匀性的有效方法,但在去除非均匀性噪声的同时,会弱化图像信息边缘,导致图像模糊,甚至出现严重的鬼影。为了改善红外图像的非均匀性校正性能,以神经网络模型为架构基础,利用引导滤波算子作为期望真值模板,替代传统的神经网络模型中的均值滤波模板,同时增加鬼影抑制算法,在去除非均匀性噪声的同时,达到抑制鬼影、边缘保真的效果。实验结果表明,提出的非均匀性校正算法能够在保留图像细节特征、抑制鬼影的同时,很好地校正了红外图像的非均匀性。     

基于图像配准的非均匀性校正算法

非均匀性严重影响红外制导武器的成像质量和系统性能,有效进行非均性校正是提高红外制导武器成像质量的有效手段。高通滤波类算法对非均匀性校正的参数漂移具有很强的适应性,但易产生“鬼影”现象,影响校正结果。本文针对高通滤波类算法的缺陷,结合帧间配准技术,提出了一种基于图像配准的非均匀性校正算法。与SLTH算法和BFTH算法中利用滤波器滤波后得到的残差图像相比,本文利用图像配准和场景删除得到的残差图像能更好地消除图像中的场景信息,抑制“鬼影”效果显著。实验表明：本文算法的校正效果良好,校正结果的平均粗糙度低至3.79,优于SLTH和BFTH两种算法。而且本文算法处理速度快,达到了每秒15.83帧,是BFTH处理速度的1.63倍。     

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。     

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。     

前景重配准的改进帧间误差最小化非均匀性校正算法

由于基于帧间配准误差最小化的非均匀性校正算法（IRLMS）在对红外图像非均匀性的校正过程中,对于存在运动前景的场景缺乏对运动前景位移的准确估计,和配准精度较低时校正参数不能自适应地控制其更新速率,产生鬼影现象。为了解决这一问题,提出了一种改进的帧间误差最小化非均匀性校正方法。该方法使用LK 光流对场景中的运动前景进行重新配准,估计出运动位移,修正误差图像,以克服前景运动产生的鬼影现象;同时通过估计出相邻帧图像之间去除非均匀性后的相位相关矩阵的峰值,以其峰值自适应地修正参数更新的速率,以克服在配准精度较低时校正参数更新过快造成的影响。实验结果表明:该方法能够克服前景运动和配准精度较低时产生的鬼影现象,有效地提高了IRLMS 算法的实用性。     

基于加权引导滤波与时域高通滤波的非均匀性校正算法

为解决基于传统时域高通滤波红外图像非均匀性校正算法存在鬼影现象以及固定图案噪声去除不彻底的问题,提出了一种加权引导滤波和改进时域高通滤波相结合的非均匀性校正算法。首先,利用加权引导滤波准确分离红外图像中的空域高频成分;然后,计算红外图像中像素点灰度值变化幅度;最后,在进行时域高通滤波时对红外图像中的运动区域和静止区域使用不同时间常数进行校正。采用两组真实红外图像序列进行实验,并与经典的双边滤波时域高通,均值滤波时域高通非均匀性校正算法进行比较。实验结果表明:文中所提算法在主观视觉和客观评价指标方面优于其他两种算法,有效降低了红外图像的非均匀性,不会产生鬼影,取得了较好的非均匀性校正效果。     

基于场景特殊区域的非均匀校正去鬼影算法

为了校正红外成像系统的非均匀性噪声,本文提出了一种基于场景特殊区域的非均匀性校正去鬼影算法。首先,采用三边滤波器对图像进行滤波,然后检测图像两种特殊的区域并对其校正系数进行调整。对检测到的高亮度区域,减小该区域相应的校正系数,使得该区域对校正系数的贡献减小;对检测到的灰度突变的边缘区域,增大该区域相应的校正系数,使得该区域对校正系数的贡献增大。通过这些步骤,可以有效避免校正系数的错误更新,可以有效减少鬼影现象。最后通过仿真实验证明,本文算法在去除场景特殊区域所造成的“鬼影效应”的效果优于空域低通时域高通算法和基于双边滤波器的时域高通滤波算法。因此,本文算法是有效的和实用的。     

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.     

场景主动运动控制的非均匀性校正方法

在分析IRFPA响应稳定性的基础上,针对现有的非均匀性校正方法的不足和实际工程需求,提出了一种自适应的基于场景主动运动控制的非均匀性校正方案.以传统的人工神经网络法(NN-NUC)为基础,针对其在实际应用中存在的不足进行了改进:加入了预校正环节降低固定图形噪声(FPN)、自适应的学习速率加快算法收敛速度、设置阈值识别场...     

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.     

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IRFPA非均匀性校正新算法

传统的神经网络非均匀性校正算法简单、盲目地利用像元的四邻域平均估计期望信号，对空间低频噪声较大的IRFPA校正时难以获得满意的校正效果，针对其不足，提出了自适应加权平均滤波器，通过校正误差标准差阈值分配权值，提高期望信号的估计精度，新算法较原算法具有更强的校正能力，实验结果验证了其优越性。     

基于图像块先验的单帧红外自适应校正算法

红外焦平面阵列的非均匀性严重限制了红外成像系统对目标的灵敏度,降低了图像的成像质量。本文基于图像块统计特性的期望块对数似然概率(EPLL),提出了基于图像块先验的单帧红外图像非均匀性校正算法,可以完成单帧红外图像的非均匀性校正。该算法首先利用高斯混合模型完成对图像块训练分类,然后利用EPLL准则获取带有非均匀性噪声图像对应的最大似然概率对数期望图像来完成对图像的校正。仿真试验和真实红外图像实验结果表明该方法对单帧红外图像的非均匀性校正效果良好,校正速度快,可以避免鬼影的产生并且可以完成持续性工作。     

红外焦平面非均匀性噪声的空间频率特性及空间自适应非均匀性校正方法改进

分析了红外焦平面阵列非均匀性噪声的空间频率特性,指出空间低频噪声为其中的主要成分．利用实际IRF—PA定标数据,也得出了相同结论．针对传统空域自适应校正方法去除低频空间噪声存在的不足,本文提出采用一点校正和空域自适应校正相结合的方法．实验结果表明,新方法在空间低频噪声占优时能获得好的校正效果．     

基于神经网络法的焦平面器件非均匀性校正技术研究

首先分析了传统的非均匀性校正方法的缺点,指出自适应校正红外焦平面器件非均匀性的必要性。根据焦平面器件非均匀性噪声特性和算法研究的需要,介绍了非均匀性失真图像的产生方法。在上述工作的基础上,研究了基于神经的自适应非均匀性校正算法,探讨了最近４领域像素平均、最近４邻域像素灰度加权和８邻域像素灰度加权等三种情况。实验结果表明,８邻域灰度加权算法校正效果较好。