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。     

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。     

自适应非均匀性校正中"鬼影"问题的分析

论述了红外焦平面阵列自适应非均匀校正中的“鬼影”问题；以实际图像序列对目前现有的方法进行了实验测试，表明其实际作用有限，而且影响非均匀性的校正效果；提出了三种新的改进和设想，并分析了存在的不足。鬼影问题的有效解决必须基于来自新概念的创新性算法技巧。     

一种改进的基于神经网络的红外非均匀校正算法

目前针对红外焦平面阵列(IRFPA)传统神经网络非均匀校正算法目标退化和收敛速度慢等问题,在综合分析传统神经网路相结合算法及基础上,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。该算法采用一点定标与神经网络相结合的方法,并对相应数据进行归一化以实现边缘清晰和收敛速度快等目的。仿真实验以及针对实际红外图像的实验结果表明,提出的方法是合理有效的。     

一种提高红外焦平面阵列成像质量的有效方法

为了提高红外焦平面阵列的成像质量,提出一种对红外焦平面阵列的非均匀性校正的同时进行图像增强处理的方法(简称校正增强法),该方法通过对红外焦平面阵列的校正来减少各阵列元响应的非均匀性,通过对红外图像进行增强处理来提高整幅图像的对比度,从而有效地提高红外成像系统的成像质量.实验结果表明:经过校正增强方法处理后的红外图像清晰、视觉效果理想.     

基于多尺度时域矩匹配的自适应非均匀性校正算法

非制冷红外焦平面阵列的固定图案噪声具有与条带噪声相类似的特性.通过对矩匹配算法和时域高通滤波算法的研究, 提出了一种多尺度时域矩匹配非均匀性校正算法.首先利用高斯金字塔对相邻帧待校正图像进行全局运动估计, 然后对各尺度的高斯金字塔和拉普拉斯金字塔分别进行时域矩匹配.对真实红外图像序列的实验结果表明, 该算法在提高收敛速度的同时可有效减少鬼影现象的出现.     

红外焦平面阵列非均匀性自适应校正算法中目标退化与伪像的消除方法

深入分析了红外焦平面阵列（1RFPA）非均匀性的神经网络校正法出现目标退化和伪像的成因，指出没有考虑目标边缘而盲目更新系数是产生问题的根源．在此基础上提出了防止目标退化和伪像的边缘指导的神经网络自适应校正方法（ED-NN-NUC）．仿真实验以及针对实际红外图像的实验结果表明，所指出的问题根源是正确的，提出的方法是合理有效的．     

基于多尺度时域矩匹配的自适应非均匀性校正算法（英文）

非制冷红外焦平面阵列的固定图案噪声具有与条带噪声相类似的特性.通过对矩匹配算法和时域高通滤波算法的研究,提出了一种多尺度时域矩匹配非均匀性校正算法.首先利用高斯金字塔对相邻帧待校正图像进行全局运动估计,然后对各尺度的高斯金字塔和拉普拉斯金字塔分别进行时域矩匹配.对真实红外图像序列的实验结果表明,该算法在提高收敛速度的同时可有效减少鬼影现象的出现.     

基于衬底温度的红外焦平面联合非均匀性校正

分别分析了红外焦平面阵列(IRFPA)基于定标的非均匀性校正法(NUC)和基于场景的NUC算法各自的优势和问题,在此基础上提出了联合非均匀性校正方法。根据上电时刻焦平面衬底的温度值,从FLASH中提取事先存储的对应温度区间的增益和偏置校正参数,初步消除探测器的非均匀性。通过分析初步校正后图像残余非均匀性噪声的特性,提出了用具有保边缘特性的P-M滤波取代传统神经网络算法中的四邻域均值滤波来获得期望图像,从而减小了图像边缘误差。实验结果表明,该算法收敛速度快,校正精度高,有效避免了因红外焦平面响应特性漂移而引起的图像降质。     

基于PDE去鬼影的自适应非均匀性校正算法研究

针对基于场景的自适应校正算法普遍存在鬼影的问题, 分析了神经网络算法(NN-NUC)产生鬼影的原因,并在此基础上提出了用基于偏微分方程(PDE)的非线性滤波方法取代NN-NUC算法中邻域平均的方法来获取期望图像,从而减少边缘像素误差,达到消除鬼影的目的.采用实际采集的红外图像进行实验,结果表明,很好地消除了鬼影.与已有的几种去鬼影的方法相比,具有更快的收敛性.     

基于转向核的单帧红外条纹非均匀性拟合校正算法

针对红外线列和非制冷型焦平面成像系统存在列向条纹非均匀性的现象,提出了一种基于转向核的单帧条纹非均匀性校正新算法。首先,根据图像边缘的梯度特性确定转向核邻域主方向和大小,然后将每列像素的转向核估计值作为该列像素的期望值,以列向条纹非均匀性作为约束进行最小二乘拟合,计算得到每列像元的校正参数,并以一定概率接受最小二乘拟合的结果。当误差函数满足事先设定阈值时,单帧图像的非均匀性校正完成。实验结果表明,该算法具有稳定的收敛性,与同类算法相比能够更有效抑制条纹非均匀性,并且能够保留更多的图像边缘信息。     

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。     

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。     

红外探测器非均匀性校正系统研制

分析了红外焦平面阵列（IRFPA）基于定标的非均匀性校正算法和基于场景的非均匀性校正算法的优势和不足。针对红外焦平面阵列二元非线性的非均匀性理论模型这一特点,提出了一种基于S曲线拟合的校正算法。利用FLIR公司的长波非制冷红外探测器进行信号采集,建立了焦平面探测元的响应模型。描述了基于FLIR长波非制冷红外探测器在FPGA平台的处理流程,并实现了S曲线校正算法,提高了红外图像的质量。实验表明,经过S曲线拟合校正处理,减弱了红外图像的条纹噪声,使IRFPA组件的非均匀性从6.45%降低至2.06%。     

Nonuniformity correction of infrared image sequences using theconstant-statistics constraint

Using clues from neurobiological adaptation, we have developed the constant-statistics (CS) algorithm for nonuniformity correction of infrared focal point arrays (IRFPAs) and other imaging arrays. The CS model provides an efficient implementation that can also eliminate much of the ghosting artifact that plagues all scene-based nonuniformity correction (NUC) algorithms. The CS algorithm with deghosting is demonstrated on synthetic and real infrared (IR) sequences and shown to improve the overall accuracy of the correction procedure.