CN109272520A - 一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法 - Google Patents
一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法 Download PDFInfo
- Publication number
- CN109272520A CN109272520A CN201811090452.8A CN201811090452A CN109272520A CN 109272520 A CN109272520 A CN 109272520A CN 201811090452 A CN201811090452 A CN 201811090452A CN 109272520 A CN109272520 A CN 109272520A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- correction
- frame
- edge detection
- 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.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003708 edge detection Methods 0.000 title claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 18
- 238000003491 array Methods 0.000 title claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000003331 infrared imaging Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及红外焦平面阵列成像中的红外图像处理领域,公开了一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法。本发明首先以连续N帧图像作为一个观测序列,将序列中的每帧图像与前一帧进行二值化差分运动检测,判断当前序列中的场景是否都处于运动状态,然后对运动图像序列进行边缘检测,控制图像中的边缘和细节部分对应的迭代参数不更新,再利用最小梯度下降方法,并结合神经网络算法进行红外图像的非均匀校正。本发明可有效抑制红外图像非均匀校正过程的“鬼影”现象,同时算法复杂度低,运算效率高,是一种可在实际红外系统中实现快速非均匀校正的实用方法手段。
Description
技术领域
本发明属于红外焦平面阵列成像技术中的图像处理技术领域,涉及一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法。
背景技术
红外焦平面阵列(IRFPA,Infrared Focal Plane Array)是红外成像系统的核心部件,广泛用于工业、安防以及遥感等相关技术领域中。但由于受外部环境、红外敏感元件、电路结构、半导体特性等各种因素影响,红外焦平面阵列各探测单元往往存在响应的非均匀性,导致输出的红外图像上存在叠加的固定模式噪声,严重影响了红外系统成像质量,制约系统温度分辨率,因此需要对获取的红外图像进行非均匀校正,以便后续的目标探测与识别。
到目前为止,纵观国内外红外焦平面阵列的非均匀性校正方法,概括起来可分为两大类:1)基于辐射定标的校正技术;2)基于场景的校正方法;其中前者是假定探测器响应与温度变化满足线性关系的,通过采集不同黑体温度下的均匀辐射图像,利用单点、两点或多点校正方法对红外焦平面阵列各探测元的响应参数进行标定来实现非均匀性校正。这类方法原理简单,算法复杂度低,但忽略了探测器响应随环境时间变化的“温漂”效应,因此需要经常定标更新参数,在校正过程中会打断成像系统的正常工作,不利于成像系统的实时校正;而基于场景的非均匀校正方法则不依赖外部设备,通过图像处理的相关算法直接对红外序列图像进行校正参数的估计,在运动中根据场景的变化实时进行非均匀性校正,能够克服随时间漂移的空间非均匀噪声的缓慢变化,因此是红外非均匀校正技术的重要研究方向。
目前,基于场景的红外非均匀校正方法,较为成熟的有时域高通滤波法、恒定统计约束法、卡尔曼滤波校正法、基于配准的校正方法以及基于神经网络的非均匀性校正方法,同时还包括在此基础上的一些自适应改进方法。这些方法虽然都可以在一定程度上克服IRFPA空间噪声漂移带来的校正误差,根据场景更新校正系数,但这些方法在实际使用中大多存在明显的“鬼影”效应,同时参数适应性差,校正速率慢,难以在实际红外成像系统中使用。
因此,现有技术缺少一种有针对性的、快速、稳健的解决方法。
发明内容
为了解决背景技术中存在的问题,本发明提出了一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,可有效解决目前常用的红外焦平面阵列非均匀校正方法精度低、适应性差和“鬼影”现象严重等技术缺陷。
本发明的目的是通过以下技术方案来实现的:一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,包括以下步骤:
1)采集原始图像数据,对获取的图像序列,以连续N帧为一个观测周期,在该周期内对各帧图像与其前一帧图像进行二值化差分运动检测,判断当前场景是否处于运动状态,具体过程如下:
1.1)对步骤1)中的当前图像Xn(i,j)与其前一帧图像Xn-1(i,j)进行运算,得到对应的差分图像Dn(i,j),即:
Dn(i,j)=|Xn(i,j)-Xn-1(i,j)|
其中,n代表累计周期内的图像帧数,其范围为2~N;(i,j)为对应的像素坐标位置。
1.2)对于得到的差分图像Dn(i,j),通过设定阈值将其二值化分割,得到分割结果Fn(i,j),计算表达式为:
其中,Imin和Imax分别为二值化图像对应的最小值和最大值,Th1为二值化分割阈值。
1.3)对二值化分割结果Fn(i,j)进行降噪滤波,消除奇异点,得到滤波结果再统计中灰度值等于Imax的像元个数K,若K值大于判定阈值,则判定当前场景为运动状态,当前帧对应的运动判定标志值置为1,反之则为0,计算表达式为:
其中,Mn代表第n帧图像的运动状态标志,Th2为判定阈值。
1.4)对观测周期内的N帧图像均按照步骤1.1)—1.3)进行计算后,对各帧运动状态结果进行与运算,得到最终运动判定标志,计算方法为:
W为整个观测周期对应的运动判定标志。当W=1则判定当前周期内图像场景处于运动状态,反之则判定场景处于静止状态。
2)对步骤1)的运动检测结果,如果判定为场景静止,则当前周期输出原图像,并开始对下一周期序列图像重复步骤1)的流程;如果判定为场景运动,则对各帧图像进行边缘检测,具体过程如下:
2.1)对当前帧图像Xn(i,j)各像元进行局部空间相关性检测,若检测结果小于等于判定阈值,则判定当前位置为平坦背景区域,边缘判定标志值置为0,反之则判定为目标细节区域,边缘判定标志值置为1,计算表达为:
其中,Sn(i,j)代表第n帧图像中心坐标(i,j)对应的边缘检测标志,Ωr表示以(i,j)为中心,r为半径的局部图像区域,(p,q)为对应区域各像元坐标,Ts为空间相关性阈值。
2.2)对步骤2.1)计算得到的Sn(i,j),进行修正求得控制收敛速度的非均匀校正迭代参数,计算表达为:
其中,λn(i,j)为第n帧图像中心点为(i,j)对应的迭代参数,代表以(i,j)为中心的局部方差,k为修正常数。
3)根据步骤2.2)得到的迭代参数λn(i,j),利用最小梯度下降法,并结合神经网络非均匀校正方法对各运动序列图像进行非均匀校正,迭代计算非均匀校正参数增益和偏置,计算表达为:
Gn+1(i,j)=Gn(i,j)-2λn(i,j)Xn(i,j)(Yn(i,j)-fn(i,j))
On+1(i,j)=On(i,j)-2λn(i,j)(Yn(i,j)-fn(i,j))
fn(i,j)=GF(Yn(i,j),r,,ε)
其中,Gn(i,j)和On(i,j)分别代表第n帧图像对应中心点为(i,j)的校正增益和偏置参数,Gn+1(i,j)和On+1(i,j)则代表第n+1帧图像中心点为(i,j)的增益和偏置;Yn(i,j)表示第n帧图像像元(i,j)的校正估计值,fn(i,j)为理想校正结果,GF(·)代表导向滤波器,r,为搜索半径,ε为偏移参数。
4)根据步骤3)校正参数公式,迭代更新校正增益Gn(i,j)和On(i,j),从而得到非均匀校正后的图像
Yn(i,j)=Gn(i,j)Xn(i,j)+On(i,j)
Yn(i,j)即为第n帧校正后的均匀图像结果,同时也是迭代计算下一帧校正结果的校正估计值。
5)当前观测周期结束后,进入下一个观测周期,按照上述步骤1)到4)进行循环操作,直至图像序列全部处理完成。
进一步地,所述步骤1)中,所述观测序列的帧数N的值设定为4。
进一步地,所述步骤1.2)中,所述设定的二值化分割图像对应的最小值Imin和最大值Imax分别为0和255,分割阈值Th1的值为15。
进一步地,所述步骤1.3)中,所述二值化分割结果的降噪滤波方式为中值滤波,滤波半径为3。判定阈值Th2的值为10。
进一步地,所述步骤2.1)中,所述设定的局部图像区域半径r的值为3,空间相关性阈值Ts的值为12。
进一步地,所述步骤2.2)中,所述图像局部方差的计算半径为3,修正常数k的值为1e-7。
进一步地,所述步骤3)中,所述导向滤波器的滤波半径r,的值为3,偏移参数ε的值为0.01。
进一步地,所述步骤4)中,所述下一帧校正结果的校正估计值Yn(i,j),设定其初始值等于初始输入图像,即Y1(i,j)=X1(i,j)。
本发明与现有相关技术相比,有以下显著优点:(1)针对传统红外非均匀校正过程中涉及的“鬼影”问题在空域和时域进行了联合分析。在空域上,通过边缘检测方法对图像中的细节和边缘区域的迭代参数进行保持,可防止因其更新不当导致校正误差而产生鬼影。在时域上,利用二值化帧间差分方法,以每个观测序列为单位对图像进行运动检测,对运动场景进行参数更新,可避免非运动场景的误校正;(2)总体方法计算复杂度小,且算法流程易于硬件移植,可以满足红外成像系统的实时处理;
附图说明
图1为本发明联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法的流程图;
图2为本发明所使用二值化差分运动检测的流程图;
图3为本发明所使用的含有非均匀噪声的原始红外数据;
图4为传统基于神经网络非均匀校正后的红外图像数据。
图5为本发明实施所述非均匀校正处理后的红外图像数据。
具体实施方式
以下参照附图对本发明的实施过程进行具体描述。
如图1所示,本发明提供的一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,包括以下步骤:
1)采集原始图像数据,对获取的图像序列,以连续N帧为一个观测周期,在该周期内对各帧图像与其前一帧图像进行二值化差分运动检测,检测流程如图2所示,以前后帧图像的灰度变化程度和变化像元的个数作为场景运动的判别因素,通过设定阈值从而判断当前场景是否处于运动状态,具体过程如下:
1.1)对步骤1)中的当前图像Xn(i,j)与其前一帧图像Xn-1(i,j)进行运算,得到对应的差分图像Dn(i,j),即:
Dn(i,j)=|Xn(i,j)-Xn-1(i,j)|
其中,n代表累计周期内的图像帧数,其范围为2~N;(i,j)为对应的像素坐标位置。这里设定观测周期的图像帧数N的值为4。
1.2)对于得到的差分图像Dn(i,j),通过设定阈值将其二值化分割,得到分割结果Fn(i,j),计算表达式为:
其中,Imin和Imax分别为二值化图像对应的最小值和最大值,为了与显示器灰度范围匹配故取值分别为0和255。Th1为二值化分割阈值,其值设定为15。
1.3)对二值化分割结果Fn(i,j)进行降噪滤波,消除奇异点,得到滤波结果再统计中灰度值等于Imax的像元个数K,若K值大于判定阈值,则判定当前场景为运动状态,当前帧对应的运动判定标志值置为1,反之则为0,计算表达式为:
Mn代表第n帧图像的运动状态标志,Th2为判定阈值。其中,降噪滤波方式为中值滤波,滤波半径为3。判定阈值Th2的值为10。
1.4)对观测周期内的N帧图像均按照步骤1.1—1.3)进行计算后,对各帧运动状态结果进行与运算,得到最终运动判定标志,计算方法为:
W为整个观测周期对应的运动判定标志。当W=1则判定当前周期内图像场景处于运动状态,反之则判定场景处于静止状态。
2)对步骤1)的运动检测结果,如果判定为场景静止,则当前周期输出原图像,并开始对下一周期序列图像重复步骤1)的流程;如果判定场景运动,则对各帧图像进行边缘检测,具体过程如下:
2.1)对当前帧图像Xn(i,j)各像元进行局部空间相关性检测,即判断各像元点与其邻域其它像元的灰度差异大小。若检测结果小于等于判定阈值,则判定当前位置为平坦背景区域,边缘判定标志值置为0,反之则判定为目标细节区域,该值置为1,计算表达为:
Sn(i,j)代表第n帧图像中心坐标(i,j)对应的边缘检测标志,Ωr表示以(i,j)为中心,r为半径的局部图像区域,(p,q)为对应区域各像元坐标,Ts为空间相关性阈值。其中,设定局部图像区域半径r的值为3,空间相关性阈值Ts的值为12。
2.2)对步骤2.1)计算得到的Sn(i,j),进行修正求得控制收敛速度的非均匀校正迭代参数,让判定的图像边缘区域对应的迭代参数为0,即非均匀校正在这些区域不进行处理,而只在平坦背景处进行参数更新。计算表达为:
λn(i,j)为第n帧图像中心点为(i,j)对应的迭代参数,代表以(i,j)为中心的局部方差,k为修正常数。其中,设定图像局部方差的计算半径为3,修正常数k的值为1e-7。
3)根据步骤2.2)得到的迭代参数λn(i,j),利用最小梯度下降法,并结合神经网络非均匀校正方法对各运动序列图像进行非均匀校正,迭代计算非均匀校正参数增益和偏置,计算表达为:
Gn+1(i,j)=Gn(i,j)-2λn(i,j)Xn(i,j)(Yn(i,j)-fn(i,j))
On+1(i,j)=On(i,j)-2λn(i,j)(Yn(i,j)-fn(i,j))
fn(i,j)=GF(Yn(i,j),r,,ε)
Gn(i,j)和On(i,j)分别代表第n帧图像对应中心点为(i,j)的校正增益和偏置参数,Gn+1(i,j)和On+1(i,j)则代表第n+1帧图像中心点为(i,j)的增益和偏置;Yn(i,j)表示第n帧图像像元(i,j)的校正估计值,fn(i,j)为理想校正结果,GF(·)代表导向滤波器,r’为搜索半径,ε为偏移参数。其中,设定导向滤波器的滤波半径r’的值为3,偏移参数ε的值为0.01。可以看到,在图像边缘区域,由于λn(i,j)=0,从而使得前后帧对应的非均匀校正增益和偏置一样,即当前非均匀校正算法对图像边缘区域不起作用,从而有效避免边缘区域由于退化而产生“鬼影”现象。
4)根据步骤3)校正参数公式,迭代更新校正增益Gn(i,j)和On(i,j),从而得到非均匀校正后的图像
Yn(i,j)=Gn(i,j)Xn(i,j)+On(i,j)
Yn(i,j)即为第n帧校正后的均匀图像结果,同时也是迭代计算下一帧校正结果的校正估计值。在初始化状态下,设定其初始值等于初始输入图像,即Y1(i,j)=X1(i,j),以此实现整体算法的迭代收敛过程。
5)当前观测周期结束后,进入下一个观测周期,按照上述步骤1)到4)进行循环操作,直至图像序列全部处理完成。
图3为原始图像序列中的其中一帧图像,可以看到未处理前图像中含有许多明显的非均匀噪声,严重影响整体图像的视觉效果。传统基于神经网络的非均匀校正方法,其校正结果如图4所示,可以看到校正后的图像仍残留部分非均匀噪声,且图像存在“鬼影”现象。利用本发明所述方法进行校正后,对应结果如图5所示,可以看出图像中的非均匀噪声得到了有效校正,整体图像的细节信息也得到充分保留且没有产生“鬼影”现象,大大提升了图像质量和视觉效果。
本发明创造性地提出了一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,该方法综合考虑了场景运动与细节边缘对非均匀校正中“鬼影”现象的影响,能够快速、准确地根据图像对校正参数进行自适应更新,同时整体流程简单,运算量小,能够满足红外成像系统的实时处理和使用需求。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应视为本发明的保护范围。
Claims (8)
1.一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,其特征在于:该方法包括以下步骤:
1)采集原始图像数据,对获取的图像序列,以连续N帧为一个观测周期,在该周期内对各帧图像与其前一帧图像进行二值化差分运动检测,判断当前场景是否处于运动状态,具体过程如下:
1.1)对步骤1)中的当前图像Xn(i,j)与其前一帧图像Xn-1(i,j)进行运算,得到对应的差分图像Dn(i,j),即:
Dn(i,j)=|Xn(i,j)-Xn-1(i,j)|
其中,n代表累计周期内的图像帧数,其范围为2~N;(i,j)为对应的像素坐标位置。
1.2)对于得到的差分图像Dn(i,j),通过设定阈值将其二值化分割,得到分割结果Fn(i,j),计算表达式为:
其中,Imin和Imax分别为二值化图像对应的最小值和最大值,Th1为二值化分割阈值。
1.3)对二值化分割结果Fn(i,j)进行降噪滤波,消除奇异点,得到滤波结果再统计中灰度值等于Imax的像元个数K,若K值大于判定阈值,则判定当前场景为运动状态,当前帧对应的运动判定标志值置为1,反之则为0,计算表达式为:
其中,Mn代表第n帧图像的运动状态标志,Th2为判定阈值。
1.4)对观测周期内的N帧图像均按照步骤1.1)—1.3)进行计算后,对各帧运动状态结果进行与运算,得到最终运动判定标志,计算方法为:
W为整个观测周期对应的运动判定标志;当W=1则判定当前周期内图像场景处于运动状态,反之则判定场景处于静止状态。
2)对步骤1)的运动检测结果,如果判定为场景静止,则当前周期输出原图像,并开始对下一周期序列图像重复步骤1)的流程;如果判定为场景运动,则对各帧图像进行边缘检测,具体过程如下:
2.1)对当前帧图像Xn(i,j)各像元进行局部空间相关性检测,若检测结果小于等于判定阈值,则判定当前位置为平坦背景区域,边缘判定标志值置为0,反之则判定为目标细节区域,边缘判定标志值置为1,计算表达为:
其中,Sn(i,j)代表第n帧图像中心坐标(i,j)对应的边缘检测标志,Ωr表示以(i,j)为中心,r为半径的局部图像区域,(p,q)为对应区域各像元坐标,Ts为空间相关性阈值。
2.2)对步骤2.1)计算得到的Sn(i,j),进行修正求得控制收敛速度的非均匀校正迭代参数,计算表达为:
其中,λn(i,j)为第n帧图像中心点为(i,j)对应的迭代参数,代表以(i,j)为中心的局部方差,k为修正常数。
3)根据步骤2.2)得到的迭代参数λn(i,j),利用最小梯度下降法,并结合神经网络非均匀校正方法对各运动序列图像进行非均匀校正,迭代计算非均匀校正参数增益和偏置,计算表达为:
Gn+1(i,j)=Gn(i,j)-2λn(i,j)Xn(i,j)(Yn(i,j)-fn(i,j))
On+1(i,j)=On(i,j)-2λn(i,j)(Yn(i,j)-fn(i,j))
fn(i,j)=GF(Yn(i,j),r’,ε)
其中,Gn(i,j)和On(i,j)分别代表第n帧图像对应中心点为(i,j)的校正增益和偏置参数,Gn+1(i,j)和On+1(i,j)则代表第n+1帧图像中心点为(i,j)的增益和偏置;Yn(i,j)表示第n帧图像像元(i,j)的校正估计值,fn(i,j)为理想校正结果,GF(·)代表导向滤波器,r’为搜索半径,ε为偏移参数。
4)根据步骤3)校正参数公式,迭代更新校正增益Gn(i,j)和On(i,j),从而得到非均匀校正后的图像
Yn(i,j)=Gn(i,j)Xn(i,j)+On(i,j)
Yn(i,j)即为第n帧校正后的均匀图像结果,同时也是迭代计算下一帧校正结果的校正估计值。
5)当前观测周期结束后,进入下一个观测周期,按照上述步骤1)到4)进行循环操作,直至图像序列全部处理完成。
2.根据权利要求1所述的一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,其特征在于:所述步骤1)中,所述观测序列的帧数N的值设定为4。
3.根据权利要求1所述的一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,其特征在于:所述步骤1.2)中,所述设定的二值化分割图像对应的最小值Imin和最大值Imax分别为0和255,分割阈值Th1的值为15。
4.根据权利要求1所述的一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,其特征在于:所述步骤1.3)中,所述二值化分割结果的降噪滤波方式为中值滤波,滤波半径为3,判定阈值Th2的值为10。
5.根据权利要求1所述的一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,其特征在于:所述步骤2.1)中,所述设定的局部图像区域半径r的值为3,空间相关性阈值Ts的值为12。
6.根据权利要求1所述的一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,其特征在于:所述步骤2.2)中,所述图像局部方差的计算半径为3,修正常数k的值为1e-7。
7.根据权利要求1所述的一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,其特征在于:所述步骤3)中,所述导向滤波器的滤波半径r’的值为3,偏移参数ε的值为0.01。
8.根据权利要求1所述的一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法,其特征在于:所述步骤4)中,所述下一帧校正结果的校正估计值Yn(i,j),设定其初始值等于初始输入图像,即Y1(i,j)=X1(i,j)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090452.8A CN109272520B (zh) | 2018-09-18 | 2018-09-18 | 一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090452.8A CN109272520B (zh) | 2018-09-18 | 2018-09-18 | 一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272520A true CN109272520A (zh) | 2019-01-25 |
CN109272520B CN109272520B (zh) | 2020-11-03 |
Family
ID=65197063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811090452.8A Expired - Fee Related CN109272520B (zh) | 2018-09-18 | 2018-09-18 | 一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272520B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109935327A (zh) * | 2019-03-15 | 2019-06-25 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 基于智能决策支持的高血压患者心血管危险分层评估方法 |
CN110458839A (zh) * | 2019-10-09 | 2019-11-15 | 江西太平洋电缆集团有限公司 | 一种有效的电线电缆监测系统 |
CN110599431A (zh) * | 2019-08-27 | 2019-12-20 | 武汉华中数控股份有限公司 | 应用于红外摄像头的时域滤波方法 |
CN111968066A (zh) * | 2020-08-27 | 2020-11-20 | 烟台艾睿光电科技有限公司 | 红外图像的校正方法、装置、设备及制冷红外成像系统 |
CN111983710A (zh) * | 2020-08-14 | 2020-11-24 | 西安应用光学研究所 | 一种用于扫描型红外搜索系统的非均匀性校正方法 |
CN112435158A (zh) * | 2020-11-22 | 2021-03-02 | 中国航空工业集团公司洛阳电光设备研究所 | 一种可滤除低频空间噪声的红外图像非均匀校正方法 |
CN113421202A (zh) * | 2021-06-25 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种红外图像低频非均匀性校正的方法、设备及存储介质 |
CN117372285A (zh) * | 2023-12-05 | 2024-01-09 | 成都市晶林科技有限公司 | 一种静态和动态区域区分的时域高通滤波方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038209A (zh) * | 2007-04-19 | 2007-09-19 | 华中科技大学 | 一种红外焦平面阵列非均匀性自适应校正方法 |
CN101056353A (zh) * | 2007-04-19 | 2007-10-17 | 华中科技大学 | 基于运动检测指导的红外焦平面非均匀性校正方法 |
US8208755B1 (en) * | 2008-04-15 | 2012-06-26 | Flir Systems, Inc. | Scene based non-uniformity correction systems and methods |
CN102778296A (zh) * | 2012-08-03 | 2012-11-14 | 南京理工大学 | 基于总变分的自适应红外焦平面非均匀性校正方法 |
CN102968765A (zh) * | 2012-11-13 | 2013-03-13 | 华中科技大学 | 一种基于sigma滤波器的红外焦平面非均匀性校正方法 |
US20140270563A1 (en) * | 2013-03-15 | 2014-09-18 | Drs Rsta, Inc. | Method of shutterless non-uniformity correction for infrared imagers |
CN106342194B (zh) * | 2012-09-11 | 2014-11-12 | 中国空空导弹研究院 | 一种地面场景的红外图像非均匀性校正方法 |
CN104917936A (zh) * | 2015-05-29 | 2015-09-16 | 北京理工大学 | 一种基于灰度相关的时域高通非均匀性校正方法 |
US20170372453A1 (en) * | 2016-06-28 | 2017-12-28 | Raytheon Company | Continuous motion scene based non-uniformity correction |
-
2018
- 2018-09-18 CN CN201811090452.8A patent/CN109272520B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038209A (zh) * | 2007-04-19 | 2007-09-19 | 华中科技大学 | 一种红外焦平面阵列非均匀性自适应校正方法 |
CN101056353A (zh) * | 2007-04-19 | 2007-10-17 | 华中科技大学 | 基于运动检测指导的红外焦平面非均匀性校正方法 |
US8208755B1 (en) * | 2008-04-15 | 2012-06-26 | Flir Systems, Inc. | Scene based non-uniformity correction systems and methods |
CN102778296A (zh) * | 2012-08-03 | 2012-11-14 | 南京理工大学 | 基于总变分的自适应红外焦平面非均匀性校正方法 |
CN106342194B (zh) * | 2012-09-11 | 2014-11-12 | 中国空空导弹研究院 | 一种地面场景的红外图像非均匀性校正方法 |
CN102968765A (zh) * | 2012-11-13 | 2013-03-13 | 华中科技大学 | 一种基于sigma滤波器的红外焦平面非均匀性校正方法 |
US20140270563A1 (en) * | 2013-03-15 | 2014-09-18 | Drs Rsta, Inc. | Method of shutterless non-uniformity correction for infrared imagers |
CN104917936A (zh) * | 2015-05-29 | 2015-09-16 | 北京理工大学 | 一种基于灰度相关的时域高通非均匀性校正方法 |
US20170372453A1 (en) * | 2016-06-28 | 2017-12-28 | Raytheon Company | Continuous motion scene based non-uniformity correction |
Non-Patent Citations (5)
Title |
---|
FAN FAN 等: "A combined temporal and spatial deghosting technique in scene based nonuniformity correction", 《INFRARED PHYSICS & TECHNOLOGY》 * |
RONG SHENG-HUI 等: "Guided filter and adaptive Learning rate based non-uniformity correction Algorithm for Infrared focal plane array", 《INFRARED PHYSICS & TECHNOLOGY》 * |
施长城 等: "一种红外焦平面非均匀性组合校正算法", 《红外与毫米波学报》 * |
樊凡: "基于场景的红外非均匀性校正算法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
赵桂芳: "红外焦平面阵列探测器关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109935327A (zh) * | 2019-03-15 | 2019-06-25 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 基于智能决策支持的高血压患者心血管危险分层评估方法 |
CN109935327B (zh) * | 2019-03-15 | 2023-08-08 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 基于智能决策支持的高血压患者心血管危险分层评估方法 |
CN110599431A (zh) * | 2019-08-27 | 2019-12-20 | 武汉华中数控股份有限公司 | 应用于红外摄像头的时域滤波方法 |
CN110599431B (zh) * | 2019-08-27 | 2022-03-08 | 武汉华中数控股份有限公司 | 应用于红外摄像头的时域滤波方法 |
CN110458839A (zh) * | 2019-10-09 | 2019-11-15 | 江西太平洋电缆集团有限公司 | 一种有效的电线电缆监测系统 |
CN111983710A (zh) * | 2020-08-14 | 2020-11-24 | 西安应用光学研究所 | 一种用于扫描型红外搜索系统的非均匀性校正方法 |
CN111968066A (zh) * | 2020-08-27 | 2020-11-20 | 烟台艾睿光电科技有限公司 | 红外图像的校正方法、装置、设备及制冷红外成像系统 |
CN111968066B (zh) * | 2020-08-27 | 2023-01-10 | 烟台艾睿光电科技有限公司 | 红外图像的校正方法、装置、设备及制冷红外成像系统 |
CN112435158A (zh) * | 2020-11-22 | 2021-03-02 | 中国航空工业集团公司洛阳电光设备研究所 | 一种可滤除低频空间噪声的红外图像非均匀校正方法 |
CN113421202A (zh) * | 2021-06-25 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种红外图像低频非均匀性校正的方法、设备及存储介质 |
CN117372285A (zh) * | 2023-12-05 | 2024-01-09 | 成都市晶林科技有限公司 | 一种静态和动态区域区分的时域高通滤波方法及系统 |
CN117372285B (zh) * | 2023-12-05 | 2024-02-20 | 成都市晶林科技有限公司 | 一种静态和动态区域区分的时域高通滤波方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109272520B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272520A (zh) | 一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法 | |
CN107945132B (zh) | 一种基于神经网络的ct图像的伪影校正方法及装置 | |
CN107255521B (zh) | 一种红外图像非均匀性校正方法及系统 | |
CN106197673B (zh) | 一种自适应宽温度范围非均匀校正方法及系统 | |
Sheng-Hui et al. | Guided filter and adaptive learning rate based non-uniformity correction algorithm for infrared focal plane array | |
CN104296876B (zh) | 基于fpga的场景非均匀性校正方法及其装置 | |
CN109657607B (zh) | 一种基于人脸识别的人脸目标测距方法、装置及存储介质 | |
CN109827502A (zh) | 一种标定点图像补偿的线结构光视觉传感器高精度标定方法 | |
CN103837160B (zh) | 基于恒星匹配的光电经纬仪参量优化方法 | |
CN105931213B (zh) | 基于边缘检测和帧差法的高动态范围视频去鬼影的方法 | |
CN109389630B (zh) | 可见光图像与红外图像特征点集确定、配准方法及装置 | |
Khan et al. | Real-time edge detection and range finding using FPGAs | |
CN105469397B (zh) | 一种基于系数矩阵分析的目标遮挡检测方法 | |
CN106897986B (zh) | 一种基于多尺度分析的可见光图像与远红外图像融合方法 | |
CN105841821B (zh) | 基于定标的无挡片的非均匀性校正装置及其方法 | |
CN106197612A (zh) | 一种基于机器视觉的透明瓶装液位检测方法 | |
WO2019127059A1 (zh) | 基于引导滤波和高通滤波的红外图像非均匀性校正方法 | |
CN106327474A (zh) | 一种自动在线盲元检测方法 | |
CN109785319B (zh) | 一种基于图像处理的喷码字符检测系统、装置和检测方法 | |
CN104200441A (zh) | 基于高阶奇异值分解的磁共振图像去噪方法 | |
CN103389310A (zh) | 一种基于辐射标定的亚像素光学元件损伤在线检测方法 | |
CN109813442A (zh) | 一种基于多帧处理的内部杂散辐射非均匀性校正方法 | |
Zhang et al. | Infrared star image denoising using regions with deep reinforcement learning | |
CN103868601B (zh) | Irfpa探测器非均匀响应的双边全变分正则化校正方法 | |
Zhao et al. | Fast iterative adaptive nonuniformity correction with gradient minimization for infrared focal plane arrays |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201103 Termination date: 20210918 |
|
CF01 | Termination of patent right due to non-payment of annual fee |