改进的基于神经网络的非均匀性校正算法

提出了一种结合图像匹配和神经网络算法的焦平面阵列非均匀性校正算法。算法首先用最新的校正系数对图像进行非均匀性校正,输出校正结果;然后对相邻两帧图像进行匹配,估计出相邻帧之间图像的运动量;最后用神经网络算法分别对校正系数进行正向和反向自适应更新。采用图像匹配技术保证了校正系数更新时不会引起场景的模糊,采用校正系数双向更新策略可以保证每帧都能对每个像元的系数至少进行一次更新,与常用的神经网络校正算法相比,降低了对场景统计特性的要求,收敛速度较快。使用模拟添加噪声和采集的红外图像序列对算法进行仿真验证,结果表明,给出的算法校正效果优于常用的神经网络非均匀性校正算法。     

红外焦平面阵列非均匀性校正的改进神经网络算法

非均匀性校正是红外焦平面阵列应用中的关键技术之一。神经网络算法是比较传统的非均匀性校正算法,由于该算法采用像元四邻域的平均值作为此像元的真值,所以这种估计方法具有较大的误差。在传统的神经网络算法基础上对焦平面阵列像元响应的真值估计进行了改进:基于图像匹配算法,采用了相邻多帧图像中不同像元对同一场景点的响应的均值作为真值,因而具有更高的准确性。对比仿真试验的结果表明,该改进算法比传统的神经网络算法具有更好的效果,在有效去除各种非均匀性的同时,保持了图像细节,改善了图像的视觉效果。     

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。     

基于场景的空间投影估计和时域迭代非均匀性校正算法

本文提出了一种基于场景的空间投影估计和时域迭代非均匀性校正算法。本算法采用空间投影估计来估算图像的全局平移,并且在相邻帧之间进行时域迭代。具体分为下述三个主要步骤：首先,我们提出了一种基于配准准则的投影估计。然后,我们采用相邻帧的迭代校正来保证较快的收敛速度以及较少的非均匀性残留,同时保证基本没有鬼影。最终,我们将本算法移植到基于FPGA的硬件系统。通过评价标准测试了本算法的性能,并展示了在单调运动下系统非均匀性校正的实际效果。一段添加了模拟非均匀性的干净视频被用来对比此算法和阈值自适应最小均方差算法以及全偏差算法。在本文结尾,我们得到了结论,并对后期的工作进行了展望。     

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。     

基于多帧配准的红外焦平面阵列非均匀性自适应校正(英文)

提出了一种场景自适应的非均匀性校正固定图案噪声去除方法.基于多帧配准和相邻帧之间的全局位移估计,利用最小均方算法迭代计算均方误差函数,同时结合误差函数均方差以及互相关峰值,从而能够自适应场景变化.所提出的算法充分利用相邻多帧之间的相关性,对模拟和实际红外图像序列非均匀性的校正效果突出.实验结果表明本方法能够精确估计非均匀性参数,收敛速度较快,几乎不残留鬼影.     

（英）基于多帧配准的红外焦平面阵列非均匀性自适应校正

提出了一种场景自适应的非均匀性校正固定图案噪声去除方法.基于多帧配准和相邻帧之间的全局位移估计,利用最小均方算法迭代计算均方误差函数,同时结合误差函数均方差以及互相关峰值,从而能够自适应场景变化.所提出的算法充分利用相邻多帧之间的相关性,对模拟和实际红外图像序列非均匀性的校正效果突出.实验结果表明本方法能够精确估计非均匀性参数,收敛速度较快,几乎不残留鬼影.     

基于空间关系的FPA非均匀校正算法

提出了一种基于相邻图像空间变换关系的场景校正（SBNUC）算法。该算法利用相邻图像空间变换关系,将前一帧已校正的像元灰度组合为当前帧所期望的像元灰度,再以误差梯度迭代修正偏置和增益。理论上证明了在未加其他条件的情况下,该算法能够防止鬼影现象。红外图像序列校正结果显示,该算法在保证图像锐度的情况下,降低了FPA非均匀的高...     

基于场景偏振冗余估计的非均匀校正

由于红外偏振焦平面的异构特性,在非均匀校正过程中需要考虑不同检偏通道的响应差异对整体校正效果的影响,其非均匀校正问题相较同构的普通红外焦平面更为复杂。针对红外偏振焦平面的非均匀校正问题,提出了一种基于场景偏振冗余估计的非均匀校正算法,通过对场景图像和由场景图像计算得到的偏振冗余估计图像进行统计,得到整个焦平面上所有像元响应在统计特性上的差异,然后分通道从两个方向对这些差异进行比较分析,得到更新后的增益校正系数,再通过辐射重定标抑制由于静止场景所造成的鬼影,得到当前状态下相机的增益校正系数。在这个过程中,通过偏振冗余估计评价之前的校正系数,自适应地实现增益校正系数的更新。最后使用真实场景数据进行测试,结果表明本文所提出的非均匀校正算法有效提高了所获取偏振图像的准确性。     

基于场景的国产红外探测器非均匀性校正方法

基于场景的红外探测器非均匀性校正方法可以弥补基于黑体辐射定标的非均匀性校正方法存在的缺陷,目前许多公开发表的场景校正算法比较复杂,难于硬件和工程化实现。探索了一种基于帧间图像配准的场景校正算法,针对国产640×512中波制冷型红外探测器存在的非均匀性应用该算法进行了校正实验。实验结果表明该算法校正效果明显,为基于场景的非均匀性校正算法的工程化应用提供了一种新思路。     

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。     

红外焦平面阵列条纹非均匀性校正方法

条纹非均匀性是线扫红外焦平面阵列和非制冷凝视型红外焦平面阵列成像系统中一种特殊的固定图案噪声。提出了一种基于实际场景和非均匀性分离的模型方法,能够在单帧内实现条纹非均匀性的校正。通过局部窗口模版遍历相邻列的误差函数,得到其非均匀性校正参数估计,并依据相邻两帧相关性的继承性,完成条纹非均匀性的校正。通过对模拟条纹非均匀性和实际图像的实验和理论分析,结果表明,文中算法能够显著提高条纹非均匀性校正效果。     

基于虚拟边框视场光阑的IRFPA自适应非均匀性校正算法

 非均匀性校正是提高红外焦平面阵列成像质量的关键环节.本文提出了一种基于虚拟边框视场光阑的红外非均匀性校正算法.该算法用人工神经网络对边框像元进行初始校正,形成校正虚拟边框,再根据场景信息和帧间位移,将偏置校正参数逐行逐列传递,可消除焦平面阵列全视场响应的偏置非均匀性.由于算法主要基于代数运算,运算量较低,故能根据场景信息自适应地实现快速、高效的一点校正;且不需要对成像系统进行机械结构改造,与传统代数算法相比,适应性更强.真实红外图像与仿真图像对算法的检验结果,证明了方法的有效性.     

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。     

基于场景的红外图像非均匀性校正方法综述

红外焦平面阵列的非均匀性噪声是制约红外成像质量的主要因素。基于场景的非均匀校正算法通常利用图像序列并依赖帧间运动对焦平面阵列的非均匀性进行校正。本文介绍了恒定范围统计法、Kalman滤波器法和轨迹跟踪法。恒定范围统计法和Kalman滤波器法是利用场景数据自适应的进行非均匀性校正的统计算法；轨迹跟踪法是一种利用图像序列的帧间运动提取其实场景的信息的方法。最后把这三种方法和两点法做了比较。     

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。     

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MPMAP序列红外图像高分辨力重建和非均匀性校正

红外焦平面阵列(IRFPA)的非均匀性校正是获得高性能热成像的基本保证,非均匀性校正(NUC)算法是当前国内外研究的重要方向.鉴于序列图像的超分辨力复原方法和基于场景的NUC算法都需要存在微位移的多帧序列目标场景图像,本文在Poisson和Markov分布假设的基础上,将超分辨力复原与NUC结合,针对存在非均匀性的红外...     

一种考虑场景静止的非均匀性校正方法

针对用神经网络法进行非均匀性校正时,当场景长时间静止会使校正图像像质变差和产生重影的问题,提出了一种考虑场景静止的非均匀性校正方法.算法中提出一种新的判断场景运动与否的方法,如果判断为场景静止则对其增益和偏置进行相应的处理,以达到更好的校正效果.仿真结果表明该方法有效地解决了像质变差和重影的问题.     

基于场景的空间投影估计和时域迭代非均匀性校正算法（英文）

提出了一种基于场景的空间投影估计和时域迭代百均匀性校正算法(SPETI).这种方法主要是通过投影估计来估算全局位移,并且在连续多帧图像中进行迭代计算.首先,为配准准则设计了一个新的投影估计;然后,计算相邻帧并进行迭代计算,以此来获得较快的固定图案噪声(FPN)收敛,同时减少鬼影的产生;最后,将本算法移植至基于FPGA的硬件系统中.在连续单调运动的系统中测试算法的各项指标,并且将实际的校正效果予以展示.为了与自适应最小均方差算法和全变差算法进行比较,对一个完全干净的红外图像序列添加了人为的非均匀性.将固定标准增益和偏置非均匀性添加到图像序列上,以测试迭代次数与非均匀性等级的关系.