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。     

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。     

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。     

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。     

（英）采用贝叶斯框架的非均匀性校正方法

收敛速度和鬼影是基于场景非均匀性校正技术的一对共性矛盾,两者无法同时达到最优。而本文提出了一种在基于场景非均匀性校正和定标非均匀性校正之间建立桥梁的思路,利用定标法提供的大量先验信息解决收敛速度和鬼影的矛盾问题。贝叶斯框架则是建立该桥梁的最佳工具,本文利用贝叶斯方法计算非均匀性参数的正确概率,用参数正确概率来决定是否使用该组参数进行校正,从而在源头上抑制鬼影。非均匀性参数正确概率由先验概率和观测概率两部分组成。对于先验概率,本文定义了非均匀性的局部同分布约束,并通过定标统计的策略利用该约束构建了先验概率;对于观测概率,本文发现并详细分析了红外焦平面阵列固有的非均匀增益参数空间相关性,利用空间相关性构建了观测概率。最终,通过本文算法对真实和仿真的红外图像序列进行处理,表明该算法在保证高收敛速度前提下,其参数正确概率有效抑制了鬼影,取得了好的处理效果。     

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。     

红外双边滤波时域高通非均匀性校正

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。本文在研究了传统的时域高通滤波法及其两种改进算法的基础上,提出了一种改进的基于双边滤波的非均匀性自适应校正算法,在这种方法中引入了一个由双边滤波系数矩阵推得的二次校正矩阵,该矩阵能够判别原始图像与双边滤波所得图像的差图像中场景的边缘部分,并进行自适应的抑制,使校正参数的计算更加准确。实验部分通过对加模拟噪声图像序列和实际非均匀性图像的校正证明本文的改进算法比其他两种改进算法有更好的校正效果。     

双通道分频段恒定统计非均匀性校正算法

针对基于定标的两点校正算法无法克服焦平面温漂效应和基于场景的恒定统计算法存在的鬼影现象,在对现有的算法进行了分析的基础上,提出了一种改进的恒定统计非均匀性校正算法.该算法在两点校正的基础上,对图像进行双通道分频段处理,并通过对场景运动状态的判断,有选择性地进行统计参数的更新,最后完成非均匀性校正.实验结果表明,和传统的...     

（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.     

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...     

基于残差编解码网络的红外图像自适应校正算法

针对基于场景的非均匀性校正算法存在非均匀性残余和鬼影等问题,本文提出了一种基于残差编解码网络的红外图像自适应算法.该算法针对自适应校正问题的特点,基于UNet结构,通过多尺度采样学习残差映射生成非均匀性残差图像,加入批标准化和PReLU激活函数提高校正效果,最后使用全局跳跃连接得到最终的校正结果.通过对模拟红外图像序列和真实红外图像序列校正的实验结果表明,相对于目前已有的非均匀性校正算法,该方法在PSNR(Peak Signal to Noise Ratio)和粗糙度的客观数据上都有所提升,主观视觉效果也更加清晰,细节保留程度高.     

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.