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。     

红外扫描仪中基于场景的非均匀性校正

红外扫描仪中,存在像元响应非均匀性的问题。分析了基于场景的非均匀性校正算法,和基于神经元网络的红外焦平面非均匀性校正算法,提出了在场景缓变时的校正算法;并结合两者,提出了适合场景缓变时的基于神经元网络的红外焦平面非均匀校正的新算法。仿真证明,新算法具有优异的性能。     

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。     

基于像素级辐射自校准的红外图像非均匀性校正改进方法

红外成像系统中一直存在着非均匀性的问题,针对红外大动态范围成像等任务对改变成像系统积分时间的需要,提出了一种利用像素级辐射自校正技术的可变积分时间的非均匀性校正方法。通过辐射自校正为红外探测器中的每个像元建立辐射响应方程以估计出场景的辐射通量图,利用线性校正模型对辐射通量图进行校正,实现任意积分时间下的非均匀性校正。该方法的有效性通过高分辨率碲镉汞红外探测器进行了验证。     

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。     

基于校正率的红外焦平面阵列非均匀性校正评估新方法

提出一种新的能对非均匀性校正效果进行定量计算的评估测度“校正率”,并进行了实验验证.校正率以时域噪声为参考标准来衡量图像非均匀特性,不仅可以反映图像显示效果,还可以反映图像测温精度.该方法可用于IRFPA系统的性能评价和非均匀性校正方法校正效果评价,对非均匀性校正的研究具有重要意义.     

基于神经网络的红外焦平面非均匀校正的新算法

传统的神经元网络算法对噪声具有较好的自适应性,但当噪声略强时,它的校正效果会出现下降,为进一步提高性能,原作者提出了基于神经元网络的红外焦平面非均匀性校正的改进算法。但在场景静止时,原算法就不再适用。针对这种情况,分析了基于神经元网络的红外焦平面非均匀校正的改进算法,提出了在场景静止时的校正算法。并结合两者,最后提出了基于神经元网络的红外焦平面非均匀校正的新算法。仿真证明,新算法具有优异的性能。     

基于场景的扫描线非均匀性校正算法

目前扫描红外热像仪有着广泛的应用,且一般采用基于定标的非均匀性校正方法;该类方法不能有效地校正图像中出现的扫描线。针对这一问题,本文对扫描线的表现进行分析,提出了一种基于场景的非均匀性校正算法,该算法采用图像像素点邻域标准差作为基础,通过类标准差对图像的差异信息进行计算,能够排除复杂场景的干扰,成功地识别扫描线,并对扫描线提取补偿。该算法计算简单,可以根据场景进行自适应校正,校正效果显著,具有一定的工程应用价值。     

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SPRITE热像仪的非均匀性数字校正

非均匀性校正是热成像信号预处理技术的重要内容。本文针对ＳＰＲＩＴＥ热成像系统的成像特点,提出了一种基于场景统计特性的非均匀性数字校正算法,并给出了实现方法和仿真结果。     

基于深度学习的复杂沙漠背景SAR目标检测

SAR目标检测,因成像场景大、背景复杂多变而极具挑战。传统基于恒虚警率的SAR目标检测方法极易受背景干扰。针对上述问题,提出一种基于深度学习的复杂沙漠背景SAR目标端对端检测识别系统。即采用小规模沙漠背景下的SAR图像数据对Faster-RCNN网络进行迁移训练,一体化完成典型目标的检测与识别。基于合成数据集Desert-SAR的试验结果表明,与传统方法相比,该方法检测速度更快、准确率更高、鲁棒性更强。     

基于激光雷达及特征匹配的室内场景设计重建

针对当前采集到的场景出现缺损导致场景设计重建效率较低、准确性较差的问题,提出基于激光雷达扫描及关键点特征匹配的室内场景设计重建。通过Deleta 2B型激光雷达传感器直接采集室内场景图像,利用最小二乘拟合滤波算法曲线拟合室内场景图像的灰度值,根据图像特征向量匹配室内场景图像的关键点特征,通过德洛内三角化算法串联室内场景点云数据,构造三维网格模型,通过wallis滤波器提升重建辨识度,实现室内场景的重建。实验结果表明,该方法重建后的室内图像可辨识度较高,信噪比最高可达到498dB,室内场景图像覆盖率均在90以上,重建场景的结构相似度接近1,次卧室场景重建时间为592 h。     

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。     

基于对数极坐标变换的景象匹配新方法

景象匹配中,实时目标图与基准目标图之间的亮度、对比度、噪声水平以及旋转等差异是造成误匹配的重要原因。针对这个问题,引入对数极坐标变换运算,根据它的旋转不变性,提出了一种新的基于对数极坐标变换的景象匹配方法。与已有的抗任意角旋转的圆投影算法相比,提出的算法不仅具有更高的匹配准确率和更强的适应性,而且实时性较好。仿真实例验证了算法的优势与有效性,在巡航导弹和弹道导弹景象匹配末制导中有很好的应用前景。     

The fusion of different resolution SAR images

We explore the possibility of using different data sets relative to the same scene to obtain a better knowledge of the scene than the one obtained using only one data set. In particular we concentrate on the fusion of two different spatial resolution images, although the method we propose can be regarded as a method of more general interest. The fused image has the least mean square deviation from the finer resolution image, subject to the constraints imposed by the knowledge of the coarser resolution image. Fusion is obtained by solving a constrained quadratic highly parallelizable minimization problem. Explicit formulas for the solution of the minimization problem are given. The number of elementary operations required is proportional to the number of pixels of the finer resolution image. We test our method on a class of simulated images that reproduce some features of synthetic aperture radar (SAR) images. As an example we consider the problem of detection of point scatterers in a uniform background. The results obtained show that the information from the coarser resolution image can significantly improve the quality of the reconstructed scene obtained from the finer resolution image     

基于整体变分的红外和可见光图像融合

针对红外与可见光的融合图像存在对比度低、场景细节信息不清晰的问题,提出基于整体变分的红外和可见光图像融合方法。该方法将每次迭代后的融合图像分别与可见光和红外图像进行差分运算,作为整体变分模型的正则项和保真项。同时,引入关于红外图像的非增扩散函数来引导扩散,抑制红外图像边缘信息的平滑,从而把图像融合问题转化为图像去噪问题,最终转化为一个泛函求极值问题。实验结果从视觉质量及客观评价上验证了该方法的有效性。     

Depth-aware total variation regularization for underwater image dehazing

Underwater images often show severe quality degradation due to the light absorption and scattering effects in water medium. This paper introduces a scene depth regularized underwater image dehazing method to obtain high-quality underwater images. Unlike previous underwater image dehazing methods that usually calculate a transmission map or a scene depth map using priors, we construct an exponential relationship between transmission map and normalized scene depth map. An initial scene depth is first estimated by the difference between color channels. Then it is refined by total variation regularization to keep structures while smoothing excessive details. An alternating direction algorithm is given to solve the optimization problem. Extensive experiments demonstrate that the proposed method can effectively improve the visual quality of degraded underwater images, and yields high-quality results comparative to the state-of-the-art underwater image enhancement methods quantitatively and qualitatively.     

Real-Time Generation of Dynamic Infrared Scene

Although many models have been put forward to realize static infrared scene, they could not generate dynamic infrared scene real time in interactive way. In this paper a new method is proposed to solve the problem. We first model the targets and background of infrared scene based on the hybrid way of geometry and multi-spectral texture images. Then considering the attenuation effect of atmosphere and the noise mechanic of infrared image sensor, we present an infrared depth image model to generate dynamic images of the objects in the scene from different viewpoint. The complexity of infrared dynamic scene is thus reduced greatly and the reality of infrared scene is improved. Finally, real-time walkthrough for infrared scene is successfully realized and the average walkthrough speed is larger than 25 frames per second.     

仿真条件下贝努利试验的匹配概率估计方法

前视红外景象匹配算法性能评价是一个亟待解决的问题。主要研究了匹配概率这一重要算法性能评价指标的估计方法。通过对环境影响因素在红外实时图像上噪声、模糊、放缩和旋转等效应的仿真,进行贝努利匹配试验,估计出单帧图像的匹配概率,并根据单帧图像与部分序列图像匹配概率的关系,计算得到部分序列图像的匹配概率。本文的研究成果为评价前视红外景象匹配算法性能提供了一种有效的新方法。     

联合多尺度多特征的高分遥感图像场景分类

高分辨率遥感图像地物信息丰富,但场景构成复杂,目前基于手工设计的特征提取方法不能满足复杂场景分类的需求,而非监督特征学习方法尽管能够挖掘局部图像块的本征结构,但单一种类及尺度的特征难以有效表达实际应用中复杂遥感场景特性,导致分类性能受限.针对此问题,本文提出了一种基于多尺度多特征的遥感场景分类方法.该算法首先设计了一种改进的谱聚类非监督特征（iUFL-SC）以有效表征图像块的本征结构,然后通过密集采样提取每幅遥感场景的iUFL-SC、LBP、SIFT等三种多尺度局部图像块特征,并通过视觉词袋模型（BoVW）获得场景的中层特征表达,以实现更为准确详实的特征描述,最后基于直方图交叉核的支持向量机（HIKSVM）进行分类.在UC Merced数据集以及WHU-RS19数据集上的实验结果表明本文方法可对遥感场景进行鉴别特征提取,有效提高分类性能.