CN108663122B - 一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法 - Google Patents
一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法 Download PDFInfo
- Publication number
- CN108663122B CN108663122B CN201810526287.XA CN201810526287A CN108663122B CN 108663122 B CN108663122 B CN 108663122B CN 201810526287 A CN201810526287 A CN 201810526287A CN 108663122 B CN108663122 B CN 108663122B
- Authority
- CN
- China
- Prior art keywords
- integration time
- neural network
- pixel
- regression
- uniformity correction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010354 integration Effects 0.000 title claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000012937 correction Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 4
- 230000036760 body temperature Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000005457 Black-body radiation Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000005855 radiation Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明公开了一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法,属于红外系统的非均匀性校正领域,该方法包括:在系统多个工作点定标,计算平均灰度响应;采用数学回归的方法计算不同积分时间下平均灰度响应和像素灰度响应的插值曲线;搭建并训练用于非均匀性校正的前向神经网络;用训练好的神经网络进行非均匀性校正,在校正的过程中积分时间可以动态调整。本发明克服了以往红外系统积分时间分档少、调节跨度大、切换麻烦的缺点,使积分时间的调节更为细腻和灵活,拓展了红外系统对大动态温度范围场景的适应能力,有利于红外系统对目标进行智能成像。
Description
技术领域
本发明属于红外系统的非均匀性校正领域,特别是一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法。
背景技术
红外焦平面阵列属于第二代红外成像器件,是红外系统的核心部件,具有集成度高、噪声等效温差低、探测能力强等优点,广泛用于军事、工业、农业、医疗、森林防火等各个领域。
在理想情况下,红外焦平面阵列在相同辐射输入条件下其输出信号幅度应该一样。但实际上,由于器件材料的不均匀(内部结构、晶体缺陷、杂质浓度等)、器件暗电流的不均匀、1/f噪声引起的器件响应不均匀、器件响应的非线性以及器件工作状态等因素的影响,红外焦平面阵列的输出具有非均匀性。
红外焦平面阵列的非均匀性会严重影响红外系统的探测灵敏度和空间分辨率。因此,在实际使用中都需要对红外焦平面阵列做非均匀性校正。
目前,常用的红外非均匀性校正技术有很多种,如基于定标的一点、两点、多点非均匀性校正算法、基于场景的时域高通滤波法、自适应的人工神经网络法和均值滤波算法等等。
但是常规的非均匀性校正技术中,一般需要固定积分时间。当目标过暗需要延长积分时间,或目标过亮需要缩短积分时间时,就需要切换积分时间所对应的校正参数,受存储能力和定标工作量等因素的限制,系统往往只存有限的几组积分时间,这就造成了红外系统可用的积分时间往往是分档的,无法做到动态选择最佳积分时间,难以充分发挥红外系统的性能。
发明内容
本发明的目的在于提供一种适应积分时间动态调整的红外焦平面阵列非均匀性校正方法,使红外系统可以根据目标信号的强弱动态调整红外焦平面阵列的积分时间并进行非均匀性校正,拓展了红外系统对大动态温度范围场景的成像适应能力。
实现本发明的技术方案为,一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法,包括:
步骤一,工作点标定:在系统的多个积分时间、黑体温度点进行工作点定标,获取图像灰度随积分时间和黑体温度变化的原始数据,对原始数据进行多帧平均去噪、盲元替换等预处理,再对预处理后的每个定标点图像求全图平均,得到每个定标工作点的平均灰度响应值;
步骤二,平均响应回归和插值:以理论计算的黑体辐射出射度、探测器积分时间和黑体温度为自变量,以平均灰度响应值为因变量进行数学回归,回归方程包括但不限于三个自变量的一阶项、二阶交互项、三阶交互项以及平移项。通过回归计算得到各组成项的回归系数,将回归方程作为计算平均灰度响应随积分时间和黑体温度变化的插值函数,计算出不同积分时间下平均灰度响应的变化曲线;
步骤三,像素响应回归和插值:和步骤二类似,以理论计算的黑体辐射出射度、探测器积分时间和黑体温度为自变量,以像素灰度响应值为因变量进行数学回归,回归方程包括但不限于三个自变量的一阶项、二阶交互项、三阶交互项以及平移项。通过回归计算得到各组成项的回归系数,将回归方程作为计算像素灰度响应随积分时间和黑体温度变化的插值函数,计算出不同积分时间下像素灰度响应的变化曲线;
步骤四,搭建并训练用于非均匀性校正的神经网络:
(1)建立用于回归的前向神经网络,设置神经网络的各项参数,包括:神经网络层数、神经元数、激活函数类型、学习速率、迭代次数、训练类型、训练目标等;
(2)将步骤三得到的插值数据里某一像素的灰度响应值和积分时间作为神经网络输入项;
(3)将步骤二得到的插值数据里某一像素对应的平均响应值作为神经网络输出项;
(4)训练神经网络得到该像素对应的神经网络各节点的校正参数。
步骤五,对每一个像素重复步骤三和步骤四,得到所有像素的神经网络校正参数。将校正参数配置到神经网络中,以积分时间和像素原始灰度值作为输入,输出为经过非均匀性校正的图像。
步骤六,积分时间动态调整机制:
(1)手动调整:适用于对目标强度进行定量分析的场合,精确调整积分时间至最佳效果后固定积分时间,下次试验时根据情况再进行积分时间调整;
(2)自动调整:适用于动态目标智能成像场合,在红外系统工作过程中,积分时间随目标信号的强弱自动调整,使目标的最大值或平均值在积分时间可调节能力范围内趋向于设定值。
本发明与现有技术相比的优点在于:
(1)本发明将积分时间作为非均匀性校正输入参数的一部分,积分时间能以最小可调节单位进行动态调整,改变了以往积分时间分档少、调节跨度大、切换麻烦的局限性,使积分时间的调整更为细腻和灵活,当系统积分时间调整后图像仍然能保持良好的均匀性;
(2)本发明采用黑体辐射出射度、探测器积分时间和黑体温度作为对输出响应值回归的参数项,实验表明该回归模型接近红外系统在非理想情况下的实际响应特性,并且神经网络相比传统的基于两点、多点、二项式拟合等方法,其非线性拟合能力更强,因此本方法对红外焦平面阵列非均匀性校正能力更强,校正后图像残余非均匀性更小;
(3)本发明通过自适应地选择最佳积分时间,拓展了红外系统的温度动态范围,增强了红外系统的场景适应能力,有利于红外系统对目标智能成像。
附图说明
图1为不同工作点像素响应曲线和平均响应曲线;
图2为平均响应及其插值曲线;
图3为单个像素灰度响应及其插值曲线;
图4为神经网络框图;
图5为本实施例校正效果图(按原始图像进行同比例灰度拉伸);
图6为本发明一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法流程图。
具体实施方式
下面结合附图详细说明本发明的实施例。
如图6所示,本发明一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法,具体步骤如下:
步骤一,系统标定:在系统的多个积分时间、黑体温度点进行工作点定标,获取图像灰度响应随积分时间和黑体温度变化的实验原始数据,对原始数据进行多帧平均去噪、盲元替换等预处理,再对预处理后的每个定标点图像求全图平均,得到每个定标工作点的平均灰度响应值,如图1所示。
步骤二,平均响应回归和插值:以理论计算的黑体辐射出射度、探测器积分时间和黑体温度为自变量、以平均灰度响应值为因变量进行数学回归,回归方程如公式(1)所示:
Ttemp:黑体温度;
Tint:探测器积分时间,取值范围为[T1,T2],间隔为ΔTint;
A~H:通过回归方程求解的系数;
通过回归计算得到各组成项的回归系数A~H,将公式(1)作为计算平均灰度响应随积分时间和黑体温度变化的插值函数,计算出不同积分时间下平均灰度响应的变化曲线,如图2所示。
步骤三,像素响应回归和插值:和步骤二类似,以理论计算的黑体辐射出射度、探测器积分时间和黑体温度为自变量、以像素灰度响应值为因变量进行数学回归,回归方程如公式2所示:
xi,j=g(Mλ,Tint,Ttemp)=a·Mλ+b·Tint+c·Ttemp+d·Mλ·Tint+e·Mλ·Ttemp+f·Tint·Ttemp+g·Mλ·Tint·Ttemp+h
……(2)
其中,xi,j:坐标[i,j]像素的灰度响应值;
Ttemp:黑体温度;
Tint:探测器积分时间,取值范围为[T1,T2],间隔为ΔTint;
a~h:通过回归方程求解的系数;
通过回归计算得到各组成项的回归系数a~h,将公式(2)作为计算像素响应随积分时间和黑体温度变化的插值函数,计算出不同积分时间下像素灰度响应插值曲线,如图3所示。
步骤四,搭建并训练用于非均匀性校正的神经网络:
1、建立用于回归的前向神经网络,设置神经网络各项参数,包括:神经网络层数、神经元数、激活函数、学习速率、迭代次数、训练类型、训练目标等;
2、将步骤三得到的插值数据里像素的灰度响应值和积分时间作为神经网络输入;
3、将步骤二得到的插值数据里对应像素的平均灰度响应值作为神经网络的输出;
4、训练神经网络得到该像素对应的神经网络各节点的校正参数。
神经网络的数学表达式如公式(3)所示(神经网络框图如图4所示):
其中,Y:非均匀性校正结果;
Wi,1和b1:第一隐藏层增益和偏置系数,i为网络神经元数;
Activation1():第一隐藏层非线性激活函数采用tansig函数,如公式(4)所示:
Wj,2和b2:第二隐藏层增益和偏置系数,j为网络神经元数;
Activation2():第二隐藏层非线性激活函数采用logsig函数,如公式(5)所示:
W3和b3:输出层线性变换增益系数和偏置系数;
为方便网络的训练,加快训练速度、提高训练精度,对输入X和输出Y进行归一化处理,归一化方法如公式(6)所示:
其中,Yx:X的归一化输出值;Xmax:X的最大值;Xmin:X的最小值;Ymax:归一化上限值;Ymin:归一化下限值;
步骤五,部署神经网络校正参数:对每一个像素重复步骤三和步骤四,训练得到所有像素的神经网络校正参数。将校正参数配置到神经网络中,以积分时间和像素原始灰度值作为输入,输出为经过非均匀性校正的灰度图像;
步骤六,设定一个图像最大灰度期望值,判断经过非均匀性校正的图像最大灰度值:当图像最大灰度值低于期望值时,积分时间增加ΔTint;反之,当图像最大灰度值高于期望值时,积分时间减少ΔTint。在积分时间自动调整的过程中,校正图像始终保持良好的均匀性。
本实施例的校正效果如图5所示(按原始图像进行同比例灰度拉伸)。
本发明中涉及到的本领域公知技术未详细阐述。
Claims (5)
1.一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法,其特征在于,包括以下步骤:
步骤A:系统工作点定标,获取原始数据并计算平均灰度响应;
步骤B:采用数学回归的方法计算不同积分时间下平均灰度响应插值;
以理论计算的黑体辐射出射度(Mλ)、探测器积分时间(Tint)和黑体温度(Ttemp)为自变量,以平均灰度响应值为因变量进行数学回归;
回归方程为三个自变量的复合函数f(Mλ,Tint,Ttemp),其形式包括但不限于三个自变量的一阶项、二阶交互项,三阶交互项以及平移项;
通过回归计算得到各组成项的回归系数,将回归方程作为计算平均灰度随积分时间和黑体温度变化的插值函数,计算出不同积分时间下平均灰度的变化曲线;
步骤C:采用数学回归的方法计算不同积分时间下像素灰度响应插值;
以理论计算的黑体辐射出射度(Mλ)、探测器积分时间(Tint)和黑体温度(Ttemp)为自变量,以像素响应值为因变量进行数学回归;
回归方程的形式为三个自变量的复合函数形式g(Mλ,Tint,Ttemp),其形式包括但不限于三个自变量的一阶项、二阶交互项,三阶交互项以及平移项;
通过回归计算得到各组成项的回归系数,回归方程作为计算像素灰度随积分时间和黑体温度变化的插值函数,计算出不同积分时间下像素灰度插值曲线;
步骤D:搭建并训练用于非均匀性校正的前向神经网络;
建立用于回归的前向神经网络,设置神经网络的各项参数,包括:神经网络层数、神经元数、激活函数类型、学习速率、迭代次数、训练类型、训练目标;
将步骤C得到的插值数据里某一像素的积分时间和灰度响应值作为神经网络的输入项;
将步骤B得到的插值数据里对应的某一像素的平均响应值作为神经网络的输出项;
训练神经网络得到该像素对应的神经网络各节点的校正参数;
步骤E:用步骤D的训练后的神经网络进行非均匀性校正;
步骤F:积分时间动态调整机制。
2.如权利要求1所述的基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法,其特征在于,所述步骤A包括:
在系统的多个积分时间、黑体温度点进行工作点定标,获取图像灰度响应随积分时间和黑体温度变化的原始图像数据;
对原始数据进行预处理,包括多帧平均去噪、盲元周围像素平均或替换;
对预处理后的每个定标点图像求全图平均,得到每个定标工作点的平均灰度响应值。
4.如权利要求1所述的基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法,其特征在于,所述步骤E包括:
将像素原始灰度值和积分时间作为输入,将像素对应训练好的校正参数部署到神经网络中,完成像素的非均匀性校正,遍历全部像素完成图像的非均匀性校正。
5.如权利要求1所述的基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法,其特征在于,所述步骤F包括:
积分时间动态调整机制包括但不限于:
(1)手动调整:适用于对目标强度进行定量分析的场合,精确调整积分时间至最佳效果后固定积分时间,下次成像时根据场景情况再进行积分时间精确调整;
(2)自动调整:适用于动态目标智能成像场合,在工作过程中,积分时间随目标信号强弱自动调整,使目标的最大值或平均值在积分时间可调整能力范围内趋向于设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810526287.XA CN108663122B (zh) | 2018-05-29 | 2018-05-29 | 一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810526287.XA CN108663122B (zh) | 2018-05-29 | 2018-05-29 | 一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108663122A CN108663122A (zh) | 2018-10-16 |
CN108663122B true CN108663122B (zh) | 2020-04-10 |
Family
ID=63778017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810526287.XA Active CN108663122B (zh) | 2018-05-29 | 2018-05-29 | 一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108663122B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110411585B (zh) * | 2019-08-05 | 2021-05-11 | 中国科学院光电技术研究所 | 一种高精度红外辐射测量方法 |
CN111337132B (zh) * | 2020-02-28 | 2021-08-27 | 创新奇智(北京)科技有限公司 | 一种温度测量方法、装置以及数字图像采集设备 |
CN111272290B (zh) * | 2020-03-13 | 2022-07-19 | 西北工业大学 | 基于深度神经网络的测温红外热像仪标定方法及装置 |
CN111504271A (zh) * | 2020-04-16 | 2020-08-07 | 中国科学院光电技术研究所 | 一种参数可装订的可见光图像探测器 |
CN111598815B (zh) * | 2020-06-05 | 2023-12-08 | 北京环境特性研究所 | 一种红外热像仪图像非均匀校正方法及装置 |
CN111751006B (zh) * | 2020-06-24 | 2021-10-19 | 北京环境特性研究所 | 一种数据标定方法、目标辐射特性分析方法和装置 |
CN113008404A (zh) * | 2021-02-22 | 2021-06-22 | 深圳市商汤科技有限公司 | 温度测量方法及装置、电子设备和存储介质 |
CN113465752B (zh) * | 2021-09-02 | 2021-11-05 | 北方夜视科技(南京)研究院有限公司 | 红外自适应选择定标点的多点定标校正方法与系统 |
CN117571138B (zh) * | 2024-01-15 | 2024-03-19 | 中国科学院长春光学精密机械与物理研究所 | 基于红外探测器的片间非均匀性校正方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101666682A (zh) * | 2009-08-06 | 2010-03-10 | 重庆邮电大学 | 基于场景统计的神经网络非均匀性校正方法 |
CN102410880A (zh) * | 2011-08-05 | 2012-04-11 | 重庆邮电大学 | 基于积分时间调整的红外焦平面阵列盲元检测方法 |
CN103604503A (zh) * | 2013-06-17 | 2014-02-26 | 中国航天科工集团第三研究院第八三五八研究所 | 一种积分时间动态调整的高精度非均匀性校正方法 |
CN104618664A (zh) * | 2014-12-26 | 2015-05-13 | 昆明物理研究所 | 一种基于自适应积分时间的嵌入式红外图像超帧处理方法 |
CN104677501A (zh) * | 2014-12-25 | 2015-06-03 | 广微科技集团有限公司 | 非制冷红外焦平面阵列非均匀性校正的方法和装置 |
CN106197673A (zh) * | 2016-06-27 | 2016-12-07 | 湖北久之洋红外系统股份有限公司 | 一种自适应宽温度范围非均匀校正方法及系统 |
CN106525247A (zh) * | 2016-11-04 | 2017-03-22 | 方悦强 | 基于变积分时间的实时红外线成像方法及装置 |
CN107271043A (zh) * | 2017-05-02 | 2017-10-20 | 浙江悍马光电设备有限公司 | 一种基于积分时间自适应的制冷型红外热像仪宽动态方法 |
-
2018
- 2018-05-29 CN CN201810526287.XA patent/CN108663122B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101666682A (zh) * | 2009-08-06 | 2010-03-10 | 重庆邮电大学 | 基于场景统计的神经网络非均匀性校正方法 |
CN102410880A (zh) * | 2011-08-05 | 2012-04-11 | 重庆邮电大学 | 基于积分时间调整的红外焦平面阵列盲元检测方法 |
CN103604503A (zh) * | 2013-06-17 | 2014-02-26 | 中国航天科工集团第三研究院第八三五八研究所 | 一种积分时间动态调整的高精度非均匀性校正方法 |
CN104677501A (zh) * | 2014-12-25 | 2015-06-03 | 广微科技集团有限公司 | 非制冷红外焦平面阵列非均匀性校正的方法和装置 |
CN104618664A (zh) * | 2014-12-26 | 2015-05-13 | 昆明物理研究所 | 一种基于自适应积分时间的嵌入式红外图像超帧处理方法 |
CN106197673A (zh) * | 2016-06-27 | 2016-12-07 | 湖北久之洋红外系统股份有限公司 | 一种自适应宽温度范围非均匀校正方法及系统 |
CN106525247A (zh) * | 2016-11-04 | 2017-03-22 | 方悦强 | 基于变积分时间的实时红外线成像方法及装置 |
CN107271043A (zh) * | 2017-05-02 | 2017-10-20 | 浙江悍马光电设备有限公司 | 一种基于积分时间自适应的制冷型红外热像仪宽动态方法 |
Non-Patent Citations (5)
Title |
---|
"一种积分时间自适应调整的非均匀性校正算法";李晶;《光子学报》;20130331;全文 * |
"制冷焦平面高动态范围热成像非均匀校正系数与积分时间的关系";顿雄;《兵工学报》;20150515;全文 * |
"基于变积分时间的红外焦平面非均匀性校正算法研究";陈世伟;《光子学报》;20130321;全文 * |
"多点标定的自适应非均匀性校正方法";张红辉 等;《红外与激光工程》;20141125;全文 * |
陈宝国." 红外焦平面阵列非均匀性校正的改进神经网络算法".《红外技术》.2012, * |
Also Published As
Publication number | Publication date |
---|---|
CN108663122A (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108663122B (zh) | 一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法 | |
CN110411585B (zh) | 一种高精度红外辐射测量方法 | |
CN113313641B (zh) | 一种自适应中值滤波的ct图像去噪方法 | |
Qian et al. | Space low-pass and temporal high-pass nonuniformity correction algorithm | |
CN104917975B (zh) | 一种基于目标特征的自适应自动曝光方法 | |
CN103335716B (zh) | 基于变积分时间的面阵红外相机定标与非均匀性校正方法 | |
WO2019100718A1 (zh) | 基于深度学习的优化超声成像系统参数的方法 | |
CN102778296B (zh) | 基于总变分的自适应红外焦平面非均匀性校正方法 | |
JPH06235663A (ja) | 赤外線焦点平面アレイの広いダイナミック範囲の不均一性補償方法および装置 | |
CN115615560A (zh) | 一种宽动态范围高精度红外辐射测量方法 | |
CN106197673A (zh) | 一种自适应宽温度范围非均匀校正方法及系统 | |
US20120188414A1 (en) | Adaptive Gain Control Image Processing System and Method | |
İlk et al. | The effect of Laplacian filter in adaptive unsharp masking for infrared image enhancement | |
CN105136308A (zh) | 一种红外焦平面阵列变积分时间下的自适应校正方法 | |
He et al. | Color transfer pulse-coupled neural networks for underwater robotic visual systems | |
CN113808036A (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
CN104406697A (zh) | 红外焦平面阵列校正方法 | |
CN112710397B (zh) | 一种基于温度替代的两点校正方法及系统 | |
CN105139365B (zh) | 一种处理太赫兹或者红外图像的方法 | |
CN103868601A (zh) | Irfpa探测器非均匀响应的双边全变分正则化校正方法 | |
CN112945897B (zh) | 一种连续太赫兹图像非均匀性校正方法 | |
CN110850500B (zh) | 一种红外图像多段单点校正参数修正方法 | |
CN106645220A (zh) | X射线线阵探测器校正与滤波 | |
CN114859099A (zh) | 一种无暗像元的可见光线阵探测器的暗电流实时估计方法 | |
CN106780358A (zh) | 基于全变分模型的irfpa非均匀性神经网络校正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |