一种基于核回归插值的自适应非均匀性校正算法

针对基于神经网络的场景自适应非均匀性校正(Non-Uniformity Correction, NUC)算法在消除红外成像系统输出图像噪声时容易产生的“鬼影”现象,提出了一种改进的自适应非均匀性校正算法,将核回归插值技术应用到神经网络算法中,有效降低了自适应非均匀性算法产生“鬼影”现象的概率。实验结果表明,与传统的神经网络算法相比,本文算法在相同条件下既能有效消除非均匀噪声,又能大大抑制“鬼影”现象的产生。     

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.     

基于生成对抗网络的红外图像自适应校正算法

红外相机经过两点校正后会发生漂移,导致图像产生非均匀性噪声.传统的基于场景的非均匀性校正算法适应性较强,但会产生鬼影问题.基于深度学习的非均匀性校正方法,面对红外图像特殊的非均匀性噪声,随着网络深度增加,很容易出现图像模糊,对比度变小,细节丢失问题.针对此问题,提出一种基于生成对抗网络的非均匀性校正算法,网络分为生成网...     

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.     

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。     

基于DM642的红外图像实时处理系统的设计

本文介绍了一种以高速定点DSP芯片DM642为核心的红外图像实时处理系统的软硬件设计.该系统在硬件上充分利用了DM642高速处理数据的能力、灵活的数据传输机制以及丰富的外设接口,从而满足了对红外图像进行复杂算法处理和实时输出图像的要求.软件算法方面,以"两点法"为基础,辅之以基于场景的神经网络算法对红外焦平面阵列进行非均匀性校正.为了提高算法的收敛速度,对神经网络算法进行了改进.对改进后的算法进行了实验,结果表明,与传统神经网络算法相比,改进后算法的收敛速度提高了75%.     

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。     

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.     

改进的单幅红外图像局部自适应非均匀校正

为了实现对单幅红外图像的非均匀性校正并且对局部细节的校正效果进行优化,提出了一种局部自适应的非均匀校正算法。算法利用红外焦平面阵列的固定图像噪声呈单方向分布的特性,采用基于高斯权重思想的中值直方图非均匀算法实现红外图像的单参数校正;然后将图像分块,使图像的各局部都能够自适应地选择各自最合适的校正参数,达到优化细节的校正效果。实验结果及分析表明:与单参数中值直方图非均匀校正算法相比,提出的算法在均方根误差、峰值信噪比、图像平滑性等方面都得到了进一步的改善,并且保留了更多的图像细节,为非均匀校正提供了一种方法。     

基于全卷积网络的红外图像非均匀性校正算法

针对红外成像系统在经过两点校正后,随时间漂移仍然会出现的非均匀性噪声,提出一种基于全卷积深度学习网络的红外图像非均匀性校正算法,使用子网络与主网络相结合的方式进行非均匀性校正.该算法设计了非均匀性等级估计子网络,将含有非均匀性噪声的红外图像输入子网络后,输出非均匀性等级估计图,并和待校正红外图像一并输入校正主网络.子网...     

在轨完成CCD非均匀性校正的方法

为使空间遥感相机图像具有良好的均匀性,利用XQ2VP40FPGA在轨实时完成TDI-CCD非均匀性校正。首先对CCD非均匀性校正原理进行分析,提出了半饱和灰度值和暗场灰度值的两点校正法;然后,介绍了空间遥感相机的系统结构,利用FPGA实现了校正算法;最后,通过实验对均匀性校正的有效性进行了验证。实验结果证明:FPGA在轨实时完成CCD非均匀性校正的方法是可行的,对于非均匀性5%的TDI-CCD,校正后非均匀性控制在1%以内。     

一种接触式图像传感器非均匀性实时校正方法

提出了一种接触式图像传感器(CIS)非均匀性的校正方法,能够快速高效地对CIS图像的非均匀性进行校正,消除其不一致性,提高了图像质量.该方法采用改进的分区两点法进行校正,分为标定和校正2个过程.标定过程获取CIS中各个光敏单元的校正系数和灰度偏移量,校正过程利用标定值对CIS的输出进行校正和补偿,最终得到均匀的CIS图像.校正过程利用现场可编程门阵列(FPGA)实现,在图像传输的过程中同时进行,每次采集的校正延时不到0.5μs,具有极强的实时性.     

一种新的基于场景的红外图像非均匀性校正算法

根据传统两点法的基本思想,提出了一种基于场景的红外焦平面阵列成像非均匀性校正算法。利用各探测器单元的增益比率与相邻单元的增益比率的相关性,迭代实现增益和偏移量的校正,从而减小其图像的非均匀性。     

多点标定的自适应非均匀性校正方法

为了实现对红外焦平面阵列(IRFPA)获取图像的实时高精度非均匀校正,提出了一种基于多点标定的自适应非均匀性校正算法,该算法假定在环境温度变化时,校正后输出图像数据的差值与已标定的数据存在线性关系,对其进行分块并配对,采用最小二乘法,以平方和最小为准则,自适应修正校正系数,以达到实时调整非均匀校正的校正系数,对环境温度变化引起的非均匀性进行补偿的目的.实验结果表明,该方法既提高了非均匀性校正的精度又能满足实时性要求,可广泛应用于光电火控、红外成像制导等对实时性和成像质量均有较高要求的应用场合.     

基于人眼视觉特性的IRFPA非均匀性校正算法研究

红外焦平面器件普遍存在着非均匀性问题,对红外焦平面阵列(IRFPA)实施非均匀性校正对提高成像质量具有重要意义。传统的IRFPA多点校正算法存在运算量大、实时性能低、实用效果差等问题,为此文章综合人眼视觉特性,提出IRFPA非均匀性多点校正算法。人眼视觉对图像的灰度分辨能力是有阈值限制的,利用这种分辨阈值可以对IRFPA的标定点进行有效压缩,生成像元号-校正系数表,然后通过查找系数表,实现IRFPA的非均匀性实时压缩校正。实验证明,提出的IRFPA非均匀性校正算法较传统的IRFPA非均匀性校正算法实时性能更好,非均匀性降低了0.203%。     

基于局部梯度的神经网络非均匀性校正算法

为了解决传统神经网络算法在用于红外焦平面阵列(Infrared Focal Plane Array,IRFPA)非均匀性校正(Non-Uniformity Correction,NUC)时所面临的边缘模糊、收敛速度慢等问题,通过引入图像局部梯度特性对该算法进行了改进。通过用局部梯度相似度信息构造权值函数来对区域进行加权滤波,可以保留图像边缘信息。在迭代运算中,将梯度幅值加权的自适应参数规整因子加入了误差损失函数,并引入梯度幅值相关的自适应步长用以代替传统的固定步长,从而进一步提升了算法的校正效果和收敛速度。然后对算法的性能曲线和校正结果进行了分析。结果表明,与传统算法相比,改进的神经网络校正算法取得了更好的校正效果,其校正误差稳定低于前者,实现了有效抑制边缘模糊和提升收敛速度的目标。     

基于扫描型红外热像仪非均匀性场景校正算法的实现

通过对某扫描型手持红外热像仪非均匀性的分析,建立了相应的非均匀性数学模型,提出了场景校正算法并在DSP中编程实现。算法采用运动估计与递归最小二乘法相结合的方式,实现了对空间非均匀性的实时校正;采用神经网络与最小均方算法结合的方式实现了对两点校正后残留非线性非均匀性的实时补偿。应用效果表明该算法具有很高的工程价值。