[发明专利]一种基于并联残差网络模型的红外图像非均匀性校正方法

说明书

本发明涉及一种基于并联残差网络模型的红外图像非均匀性校正方法，包括：构建噪声提取单元；通过噪声提取单元构建非均匀校正卷积神经网络；对非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络；将预设图像输入训练后的非均匀校正卷积神经网络，获取增益校正参数和偏置校正参数；通过预设图像、增益校正参数和偏置校正参数，得到校正后的预设图像。本发明提供的校正方法有效估计增益校正参数和偏置校正参数，并利用这些参数对红外图像进行校正，有效地适应非均性的漂移并抑制鬼影现象，校正后的图像中非均匀性残留更少，具有更高的精度，图像细节更加丰富，具有更加锐利的视觉效果。

技术领域

本发明属于数字图像处理领域，具体涉及一种基于并联残差网络模型的红外图像非均匀性校正方法。

背景技术

红外焦平面阵列是一种将场景的热辐射通过光电转换、电信号处理等手段转换为数字图像的设备。红外焦平面阵列广泛应用于民用和军事领域。但由于红外探测器和光学系统的制造工艺限制，红外成像系统中各个探测单元的响应不一致，导致红外焦平面阵列中存在严重的固定模式噪声(也称为非均匀性)，从而削弱红外成像系统的温度分辨能力。因此，需要对红外图像进行固定模式噪声抑制，消除成像系统不良特性对成像质量的影响。

当前红外图像的非均匀性校正方法主要有：基于定标的方法和基于场景的方法。基于定标的方法例如两点校正法、多点校正法等，但是红外探测器的响应实际上是随着时间在缓慢漂移的，因此需要周期性地中断探测器的工作，从而进行校正。基于场景的方法例如神经网络法和时域高通滤波器法等。基于场景的方法利用场景中的冗余信息，从而有效地适应参数的漂移，不需要重新定标，但是会不同程度地受到鬼影现象和残留固定模式噪声的影响。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于并联残差网络模型的红外图像非均匀性校正方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于并联残差网络模型的红外图像非均匀性校正方法，包括：

构建噪声提取单元；

通过所述噪声提取单元构建非均匀校正卷积神经网络；

对所述非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络；

将预设图像输入所述训练后的非均匀校正卷积神经网络，获取增益校正参数和偏置校正参数；

通过所述预设图像、所述增益校正参数和所述偏置校正参数，得到校正后的预设图像。

在本发明的一个实施例中，所述噪声提取单元包括：卷积层和激活层；其中，

所述卷积层用于提取输入的特征图的特征参数；

所述激活层的输入端连接所述卷积层的输出端，用于增加所述卷积层层输出的特征参数的稀疏性。

在本发明的一个实施例中，通过所述噪声提取单元构建非均匀校正卷积神经网络，包括：

通过所述噪声提取单元分别构建非均匀性提取子网络、增益校正参数估计子网络和偏置校正参数估计子网络；

将所述非均匀性提取子网络的输出端分别连接所述增益校正参数估计子网络和所述偏置校正参数估计子网络的输入端，构建所述非均匀校正卷积神经网络。

在本发明的一个实施例中，通过所述噪声提取单元分别构建非均匀性提取子网络、增益校正参数估计子网络和偏置校正参数估计子网络，包括：

通过L个所述噪声提取单元依次连接构建所述非均匀性提取子网络；

通过M个所述噪声提取单元依次连接构建所述增益校正参数估计子网络；