[发明专利]一种图像条带噪声抑制方法及系统

说明书

本发明属于雷达技术领域，具体涉及一种图像条带噪声抑制方法及系统，本发明通过在训练噪声图像进入噪声信息特征提取神经网络前在多个方向上计算梯度以提取出噪声信息，然后与训练噪声图像结合在一起送入噪声信息特征提取神经网络，通过这种方式突出了训练噪声图像中的噪声信息，通过将噪声信息与训练噪声图像进行合并，使得噪声信息特征提取神经网络可以更好的学习噪声信息特征，使校正后图像更好的恢复真实图像中的细节信息。

技术领域

本发明属于雷达技术领域，具体涉及一种图像条带噪声抑制方法及系统。

背景技术

条带噪声在星载、机载红外焦平面探测器成像中是一种很普遍的现象。由于红外焦平面阵列中每个探测元的响应和读出电路增益不尽相同，由此导致红外焦平面阵列探测器对同一信号的响应输出参差不齐，进而使得所获取的红外图像中夹杂着大量的条带噪声。条带噪声湮没了真实图像中的细节信息，大大降低了成像信噪比，也致使探测器的温度分辨率下降，进而影响到后续的目标检测和识别。因此，还需利用图像处理方法对红外焦平面探测器所获取的图像进行后处理以恢复真实场景中的细节信息。

图像条带噪声现行的去除方法主要有：基于先验信息的传统去噪方法和利用卷积神经网络的去噪方法。传统去噪方法包括例如LRSID法(Y.Chang，L.Yan,T.Wu,andS.Zhong，“Remote sensing image stripe noise removal:From image decompositionperspective，”IEEE Trans.Geosci.Remote Sens.，Vol，54，No，12，pp.7018–7031，Dec.2016.)、单项全变分法，根据条带噪声的特点和原始数据的先验信息对噪声图像进行处理。传统去噪方法可以有效抑制低噪声强度的条带噪声，但计算量小，遇到高强度密集条带噪声任务便不尽人意。利用卷积神经网络的方法例如SNRCNN方法(X.Kuang，X，Sui，Q.Chen，and G.Gu，“Single infrared image stripe noise removal using deepconvolutional networks，”IEEE Photon.J.，Vol.9，No.4，Aug.2017Art.No.3900913.)以及ICSRN方法(Xiao P，Guo Y，Zhuang P.“Removing Stripe Noise From Infrared CloudImages via Deep Convolutional Networks”，IEEE Photonics Journal，Vol.10，No.4，pp.1-14，2018.)卷积神经网络利用一定的模型对输入图片进行特征提取，而后根据学习到的噪声特征对图片进行去噪处理，相比传统方法，深度学习方法取得了优秀的去条带噪声效果，可以应付高强度密集条带噪声，但与此同时输出图像会出现过平滑的情况，还是会失去一些真实图像中的细节信息。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种图像条带噪声抑制方法及系统。本发明要解决的技术问题通过以下技术方案实现：

一种图像条带噪声抑制方法，包括：

获取训练图像及测试图像；

对所述训练图像进行修正操作得到训练样本图像；

根据所述测试图像得到测试噪声图像，并根据所述训练样本图像得到训练噪声图像；

构建多方向梯度噪声提取层；

构建噪声信息特征提取神经网络；

将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作，得到合并噪声图像；

初始化所述噪声信息特征提取神经网络的参数信息得到初始化后噪声信息特征提取神经网络与初始参数信息；

将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数；