CN109741267A - 基于三边滤波和神经网络的红外图像非均匀性校正方法 - Google Patents
基于三边滤波和神经网络的红外图像非均匀性校正方法 Download PDFInfo
- Publication number
- CN109741267A CN109741267A CN201811479352.4A CN201811479352A CN109741267A CN 109741267 A CN109741267 A CN 109741267A CN 201811479352 A CN201811479352 A CN 201811479352A CN 109741267 A CN109741267 A CN 109741267A
- Authority
- CN
- China
- Prior art keywords
- pixel
- infrared image
- image
- original infrared
- frame
- 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 67
- 238000001914 filtration Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于三边滤波和神经网络的红外图像非均匀性校正方法,依次载入原始红外图像序列中第n帧原始红外图像作为当前帧图像,确定当前帧图像的第i行第j列像元校正后的灰度值通过快速三边滤波算法对第n帧原始红外图像进行处理,根据当前帧的像元x邻域τ内的像素获得像元x的期望值qn(x),根据当前帧图像的第i行第j列像元x的期望值与第i行第j列像元校正后的灰度值之间的偏差,通过具有自适应性的迭代步长更新获得第n+1帧原始红外图像第i行第j列像元对应位置的像元增益参数和像元偏置参数通过像元增益参数和像元偏置参数对第n+1帧原始红外图像进行校正。本发明不仅能提高参数的学习速率,还能改善图像的非均匀性校正效果。
Description
技术领域
本发明属于红外图像处理领域,具体涉及一种基于三边滤波和神经网络的红外图像非均匀性校正方法。
背景技术
作为红外成像系统的核心部件,红外探测器由于制造水平和器件材料等方面的限制,探测器各个像元在相同辐照度下并不能理想地输出完全相同的响应值,这种响应不一致性被称为红外图像的非均匀性。由于红外图像的非均匀性在图像上表现为固定的图案噪声,严重地影响了红外图像质量,因此对于红外图像非均匀性校正算法的研究很有必要。
目前众多学者对非均匀性校正技术进行了深入的研究,并且提出了多种的非均匀性校正算法,主要可以分为两类:基于定标的非均匀性校正算法和基于场景的非均匀性校正算法。由于红外探测器的响应特性会随时间和环境的改变发生漂移,因此基于定标的非均匀性校正算法需要进行周期性定标,无法适应环境突变,难以保证系统的实时性。而基于场景的非均匀性校正算法不需要参考源,可以根据多帧的场景信息进行自适应实时校正,因此成为近几年的主要研究方向;其中,神经网络法(NN-NUC)由于具有校正精度高和自适应强等优点,成为较为典型的场景校正算法,得到了广泛的研究。但是,传统神经网络校正算法存在“鬼影”和图像退化问题。
为了解决这些问题,Vera等人在NN-NUC的基础上提出采用自适应步长的算法(ALR),可以抑制一部分“鬼影”,但仍残留较多非均匀性;为了更好的保护边缘信息,Rossi等人采用双边滤波算法(BF-NN-NUC)计算期望值,一定程度上改善了边缘模糊和“鬼影”问题,但会破坏非阶跃边缘的细节信息;为了弥补这个缺点,李佳等人又使用三边滤波算法(TF-NN-NUC)去保留更多的细节信息,但是算法耗时较长。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于三边滤波和神经网络的红外图像非均匀性校正方法。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供一种基于三边滤波和神经网络的红外图像非均匀性校正方法,该方法为:依次载入原始红外图像序列中第n帧原始红外图像作为当前帧图像,确定所述当前帧图像的第i行第j列像元校正后的灰度值通过快速三边滤波算法对第n帧原始红外图像进行处理,根据当前帧的像元x邻域τ内的像素获得像元x的期望值qn(x),根据所述当前帧图像的第i行第j列像元x的期望值与第i行第j列像元校正后的灰度值之间的偏差,沿着梯度下降最陡的路径,通过具有自适应性的迭代步长更新获得第n+1帧原始红外图像第i行第j列像元对应位置的像元增益参数和像元偏置参数通过所述像元增益参数和像元偏置参数对第n+1帧原始红外图像进行校正。
上述方案中,该方法还包括:将原始红外图像的像元增益参数矩阵的初始值设为全1矩阵,同时将对应原始红外图像的像元偏置参数矩阵的初始值设为全0矩阵。
上述方案中,所述确定所述当前帧图像的第i行第j列像元校正后的灰度值即神经网络的输出层结果,具体为:通过非均匀性的线性校正模型可以计算得到当前帧图像第i行第j列像元校正后的灰度值 其中,表示第n帧原始红外图像第i行第j列像元的灰度值,构成神经网络的输入层,和分别表示第n帧原始红外图像第i行第j列的像元增益参数和像元偏置参数。
上述方案中,所述通过快速三边滤波算法对第n帧原始红外图像进行处理,根据当前帧的像元x邻域τ内的像素获得像元x的期望值qn(x),具体为:采用快速三边滤波算法对第n帧原始红外图像In(x)进行处理,根据当前帧图像的像元x邻域τ内的像素计算得到像元x的期望值qn(x),进而构建神经网络的隐含层
式中w(δ,x)为快速三边滤波的权重,k(x)为归一化系数,Σ表示累加求和操作。
上述方案中,所述根据当前帧的像元x邻域τ内的像素获得像元x的期望值qn(x),具体通过以下步骤实现:
步骤301:确定以第n帧原始红外图像的第i行第j列的像元为中心的3×3模板内的邻域方差:
其中,I(x)表示第n帧原始红外图像像元x的灰度值,I(δ)表示以第n帧原始红外图像像元x为中心的3×3邻域内像元δ的灰度值;
步骤302:根据邻域像素灰度方差σ2的大小,快速三边滤波的权重w(δ,x)采用不同的权值函数,表达式如下:
式中,t为选定的阈值,t的值设定为0.05;wd(δ,x)为空间距离权值函数,表示为wr(δ,x)为灰度相似性权值函数,表示为ws(δ,x)为结构相似性权值函数,表示为其中,σd、σr和σs分别表示空间域、灰度域和梯度域的高斯标准差,表示图像的梯度。
上述方案中,所述通过具有自适应性的迭代步长更新获得第n+1帧原始红外图像第i行第j列像元对应位置的像元增益参数和像元偏置参数具体为:将神经网络的隐含层得到的期望值反馈到神经网络的校正层,通过最陡下降法进行迭代更新,使得期望值与校正值的偏差最小,迭代计算公式分别为:
上述方案中,所述具有自适应性的迭代步长通过以下步骤确定:
步骤501:确定以第n帧原始红外图像的第i行第j列的像元为中心的3×3的邻域τ在相邻帧的变化量:
其中,和分别表示第n帧原始红外图像第i行第j列像元的灰度值和第n+1帧原始红外图像第i行第j列像元的灰度值;
步骤502:根据邻域τ在相邻帧的变化量和灰度邻域标准差可以计算得到具有自适应的迭代步长表达式如下:
式中,z为选定的阈值,z的值设定为1;c为允许的最大迭代步长,c的值设定为0.03;表示在第n帧原始红外图像第i行第j列像元处的迭代步长;为像素的灰度邻域方差。
与现有技术相比,本发明在红外图像期望值求取步骤采用了快速三边滤波算法可以根据像素邻域灰度方差的大小选取合适的滤波函数,在保护边缘细节信息的同时可以提升算法的处理速度;同时在红外图像像元校正参数更新过程中,更新的迭代步长结合了邻域的灰度方差和帧间变化量进行自适应性地调整,不仅可以提高参数的学习速率,还能改善图像的非均匀性校正效果。
附图说明
图1为本发明实施例提供一种基于三边滤波和神经网络的红外图像非均匀性校正方法的流程图;
图2为本发明实施例提供一种基于三边滤波和神经网络的红外图像非均匀性校正方法中原始红外图像序列的第500帧图像;
图3为本发明中经过传统神经网络非均匀性校正算法校正后的第500帧图像;
图4为本发明中经过基于三边滤波和神经网络的红外图像非均匀性校正算法校正后的第500帧图像;
图5为本发明中传统神经网络非均匀性校正算法、现有的基于三边滤波的非均匀性校正算法和本发明在校正过程中的图像信噪比(PSNR)的曲线对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于三边滤波和神经网络的红外图像非均匀性校正方法,如图1所示,该方法为:
步骤1:输入原始红外图像序列的所有图像;
具体地,图2为本发明的实施例中,第500帧带有非均匀性的原始红外图像;带有非均匀性的原始红外图像序列共有500帧图像,并且每一帧图像大小都为320×256像素;从图2可以看出,原始图像带有明显的固定图案噪声,图像质量受到严重的影响。
步骤2:将红外图像像元增益参数矩阵的初始值设为全1矩阵,同时将对应红外图像像元偏置参数矩阵的初始值设为全0矩阵,通过非均匀性的线性校正模型计算得到当前帧图像的第i行第j列像元校正后的灰度值
其中,表示第n帧原始红外图像第i行第j列像元的灰度值,和分别表示第n帧原始红外图像第i行第j列的像元增益参数和像元偏置参数。
步骤3:采用快速三边滤波算法对第n帧原始红外图像In(x)进行处理,利用当前帧原始红外图像像元x邻域τ内的像素计算得到像元x的期望值qn(x),计算公式为:
式中w(δ,x)为快速三边滤波的权重,k(x)为归一化系数,Σ表示累加求和操作。
具体通过以下步骤实现:
确定以第n帧原始红外图像第i行第j列的像元为中心的3×3模板内的邻域方差:
其中,I(x)表示第n帧原始红外图像像元x的灰度值,I(δ)表示以第n帧原始红外图像像元x为中心的3×3邻域内像元δ的灰度值;
用于计算像元x期望值的快速三边滤波权值函数是由邻域像元的灰度方差σ2决定的,当邻域方差较小时,则认为该区域较为平坦,快速三边滤波的权重w(δ,x)采用简单的空间距离权值函数可以提升算法的速度;当邻域方差较大时,则认为该区域存在边缘区域或者细节较为丰富,快速三边滤波的权重w(δ,x)采用三边滤波权值函数可以更加精确地计算期望值,表达式如下:
式中,t为选定的阈值,t的值设定为0.05;wd(δ,x)为空间距离权值函数,可表示为wr(δ,x)为灰度相似性权值函数,可表示为ws(δ,x)为结构相似性权值函数,可表示为其中,σd、σr和σs分别表示空间域、灰度域和梯度域的高斯标准差,表示图像的梯度。
步骤4:利用当前帧图像第i行第j列像元x的期望值与当前帧图像第i行第j列像元校正后的灰度值之间的偏差,沿着梯度下降最陡的路径,采用具有自适应性的迭代步长更新得到第n+1帧图像的第i行第j列像元对应位置的像元增益参数和像元偏置参数迭代计算公式分别为:
其中,更新校正参数的具有自适应的迭代步长具体通过以下步骤实现:
确定以第n帧原始红外图像的第i行第j列的像元为中心的3×3的邻域τ在相邻帧的变化量:
其中,和分别表示第n帧原始红外图像第i行第j列像元和第n+1帧原始红外图像第i行第j列像元的灰度值;
根据邻域τ在相邻帧的变化量和灰度邻域标准差可以计算得到具有自适应的迭代步长表达式如下:
式中,z为选定的阈值,z的值设定为1;c为允许的最大迭代步长,c的值设定为0.03;表示在第n帧原始红外图像第i行第j列像元处的迭代步长;为像素的灰度邻域方差。
步骤6:由步骤5更新得到的下一帧图像第i行第j列像元对应位置的红外图像像元增益参数和红外图像像元偏置参数可以得到下一帧的校正图像,对于后续的原始红外图像可以循环重复以上操作。
图3为本发明实施例中,带有非均匀性的原始红外图像序列的第500帧图像经过传统神经网络非均匀性校正算法校正后的结果,从图3可以看出,校正后的图像在黑色箭头区域会出现拖影,影响了图像的校正质量;
图4为本发明实施例中,带有非均匀性的原始红外图像序列的第500帧图像经过快速三边滤波和神经网络的红外图像非均匀性校正算法校正后的结果;从图4可以看出,校正后的图像在黑色箭头区域几乎不存在拖影,非均匀性校正效果较好;
图5为本发明实施例中传统神经网络非均匀性校正算法、现有的基于三边滤波的非均匀性校正算法和本发明校正过程中的图像信噪比(PSNR)的曲线对比图,可以看出,与传统神经网络非均匀性校正算法相比,现有的基于三边滤波的非均匀性校正算法和本发明得到的校正结果具有更高的信噪比,表明现有的基于三边滤波的非均匀性校正算法和本发明可以更有效地降低原始红外图像的非均匀性。
结合下表1可以看出,虽然本发明和现有的基于三边滤波的非均匀性校正算法的校正结果比较接近,但是在算法的处理速度方面,本发明具有明显的优势。
表1每帧图像的平均处理时间(单位:ms)
本发明提出的基于三边滤波和神经网络的红外图像非均匀性校正方法首先对红外图像的像元增益参数和像元偏置参数进行初始化,利用对应的校正参数计算出当前帧原始红外图像数据的校正值,然后设计一种快速三边滤波器来计算当前帧原始红外图像数据的期望值,同时为了使图像校正值和期望值之间的误差最小,采用最陡下降的方法迭代更新得到下一帧红外图像数据对应的像元增益参数和像元偏置参数,其中更新的迭代步长结合了邻域的灰度方差和帧间变化量进行自适应性地调整,最后当当前帧的全部红外图像数据处理完后,输入下一帧的图像数据重复以上的操作,直到校正参数达到收敛,获得较好的非均匀性校正效果。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (7)
1.一种基于三边滤波和神经网络的红外图像非均匀性校正方法,其特征在于,该方法为:依次载入原始红外图像序列中第n帧原始红外图像作为当前帧图像,确定所述当前帧图像的第i行第j列像元校正后的灰度值通过快速三边滤波算法对第n帧原始红外图像进行处理,根据当前帧的像元x邻域τ内的像素获得像元x的期望值qn(x),根据所述当前帧图像的第i行第j列像元x的期望值与第i行第j列像元校正后的灰度值之间的偏差,沿着梯度下降最陡的路径,通过具有自适应性的迭代步长更新获得第n+1帧原始红外图像第i行第j列像元对应位置的像元增益参数和像元偏置参数通过所述像元增益参数和像元偏置参数对第n+1帧原始红外图像进行校正。
2.根据权利要求1所述的基于三边滤波和神经网络的红外图像非均匀性校正方法,其特征在于,该方法还包括:将原始红外图像的像元增益参数矩阵的初始值设为全1矩阵,同时将对应原始红外图像的像元偏置参数矩阵的初始值设为全0矩阵。
3.根据权利要求1或2所述的基于三边滤波和神经网络的红外图像非均匀性校正方法,其特征在于,所述确定所述当前帧图像的第i行第j列像元校正后的灰度值即神经网络的输出层结果,具体为:通过非均匀性的线性校正模型可以计算得到当前帧图像第i行第j列像元校正后的灰度值 其中,表示第n帧原始红外图像第i行第j列像元的灰度值,构成神经网络的输入层,和分别表示第n帧原始红外图像第i行第j列的像元增益参数和像元偏置参数。
4.根据权利要求3所述的基于三边滤波和神经网络的红外图像非均匀性校正方法,其特征在于,所述通过快速三边滤波算法对第n帧原始红外图像进行处理,根据当前帧的像元x邻域τ内的像素获得像元x的期望值qn(x),具体为:采用快速三边滤波算法对第n帧原始红外图像In(x)进行处理,根据当前帧图像的像元x邻域τ内的像素计算得到像元x的期望值qn(x),进而构建神经网络的隐含层
式中w(δ,x)为快速三边滤波的权重,k(x)为归一化系数,Σ表示累加求和操作。
5.根据权利要求4所述的基于三边滤波和神经网络的红外图像非均匀性校正方法,其特征在于,所述根据当前帧的像元x邻域τ内的像素获得像元x的期望值qn(x),具体通过以下步骤实现:
步骤301:确定以第n帧原始红外图像的第i行第j列的像元为中心的3×3模板内的邻域方差:
其中,I(x)表示第n帧原始红外图像像元x的灰度值,I(δ)表示以第n帧原始红外图像像元x为中心的3×3邻域内像元δ的灰度值;
步骤302:根据邻域像素灰度方差σ2的大小,快速三边滤波的权重w(δ,x)采用不同的权值函数,表达式如下:
式中,t为选定的阈值,t的值设定为0.05;wd(δ,x)为空间距离权值函数,表示为wr(δ,x)为灰度相似性权值函数,表示为ws(δ,x)为结构相似性权值函数,表示为其中,σd、σr和σs分别表示空间域、灰度域和梯度域的高斯标准差,表示图像的梯度。
6.根据权利要求5所述的基于三边滤波和神经网络的红外图像非均匀性校正方法,其特征在于,所述通过具有自适应性的迭代步长更新获得第n+1帧原始红外图像第i行第j列像元对应位置的像元增益参数和像元偏置参数具体为:将神经网络的隐含层得到的期望值反馈到神经网络的校正层,通过最陡下降法进行迭代更新,使得期望值与校正值的偏差最小,迭代计算公式分别为:
7.根据权利要求6所述的基于三边滤波和神经网络的红外图像非均匀性校正方法,其特征在于,所述具有自适应性的迭代步长通过以下步骤确定:
步骤501:确定以第n帧原始红外图像的第i行第j列的像元为中心的3×3的邻域τ在相邻帧的变化量:
其中,和分别表示第n帧原始红外图像第i行第j列像元的灰度值和第n+1帧原始红外图像第i行第j列像元的灰度值;
步骤502:根据邻域τ在相邻帧的变化量和灰度邻域标准差可以计算得到具有自适应的迭代步长表达式如下:
式中,z为选定的阈值,z的值设定为1;c为允许的最大迭代步长,c的值设定为0.03;表示在第n帧原始红外图像第i行第j列像元处的迭代步长;为像素的灰度邻域方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811479352.4A CN109741267B (zh) | 2018-12-05 | 2018-12-05 | 基于三边滤波和神经网络的红外图像非均匀性校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811479352.4A CN109741267B (zh) | 2018-12-05 | 2018-12-05 | 基于三边滤波和神经网络的红外图像非均匀性校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741267A true CN109741267A (zh) | 2019-05-10 |
CN109741267B CN109741267B (zh) | 2023-04-25 |
Family
ID=66358432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811479352.4A Active CN109741267B (zh) | 2018-12-05 | 2018-12-05 | 基于三边滤波和神经网络的红外图像非均匀性校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741267B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363714A (zh) * | 2019-06-19 | 2019-10-22 | 南京谱数光电科技有限公司 | 自适应学习速率的基于场景帧间配准的非均匀性校正方法 |
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 |
CN110852976A (zh) * | 2019-11-22 | 2020-02-28 | 昆明物理研究所 | 一种红外图像明暗不均匀校正方法及计算机程序产品 |
CN111080561A (zh) * | 2019-11-08 | 2020-04-28 | 上海航天控制技术研究所 | 一种时域高通滤波方法 |
CN111507915A (zh) * | 2020-04-13 | 2020-08-07 | 烟台艾睿光电科技有限公司 | 基于模糊配准的实时红外非均匀性校正方法、设备及介质 |
CN112053300A (zh) * | 2020-09-01 | 2020-12-08 | 国交空间信息技术(北京)有限公司 | 一种光照不均匀图像的矫正方法、装置和设备 |
CN112150377A (zh) * | 2020-08-27 | 2020-12-29 | 北京空间机电研究所 | 一种红外图像非均匀性校正系数解析解交替迭代优化方法 |
CN112954239A (zh) * | 2021-01-29 | 2021-06-11 | 中国科学院长春光学精密机械与物理研究所 | 星上cmos图像灰尘污染去除与复原系统及复原方法 |
CN115377801A (zh) * | 2022-08-16 | 2022-11-22 | 电子科技大学 | 有机半导体激光器 |
CN116205825A (zh) * | 2023-05-06 | 2023-06-02 | 北京师范大学 | 一种基于时空三维滤波的红外视频非均匀性校正方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060146352A1 (en) * | 2005-01-04 | 2006-07-06 | Lite-On It Corporation | Image processing unit and method thereof |
US20060245660A1 (en) * | 2004-06-28 | 2006-11-02 | Hung Szepo R | Adaptive filters and apparatus, methods, and systems for image processing |
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 |
US20070286519A1 (en) * | 2006-06-09 | 2007-12-13 | Roland Friedrich | Trilateral filter for medical diagnostic imaging |
CN101770636A (zh) * | 2008-12-30 | 2010-07-07 | 比亚迪股份有限公司 | 图像噪声去除方法及装置 |
CN101908207A (zh) * | 2010-07-26 | 2010-12-08 | 北京理工大学 | 一种基于亮度分层的快速三边滤波器色调映射方法 |
US20110085084A1 (en) * | 2009-10-10 | 2011-04-14 | Chirag Jain | Robust spatiotemporal combining system and method for video enhancement |
CN102063713A (zh) * | 2010-11-11 | 2011-05-18 | 西北工业大学 | 基于邻域归一化梯度和邻域标准差的多聚焦图像融合方法 |
WO2014100787A1 (en) * | 2012-12-21 | 2014-06-26 | Flir Systems, Inc. | Compact multi-spectrum imaging with fusion |
CN103971345A (zh) * | 2014-05-27 | 2014-08-06 | 上海电力学院 | 一种基于改进双边滤波的图像去噪方法 |
US20140355877A1 (en) * | 2013-05-31 | 2014-12-04 | Fujitsu Limited | Method and apparatus for processing a gray image |
US20150071526A1 (en) * | 2012-05-17 | 2015-03-12 | The Regents Of The University Of California | Sampling-based multi-lateral filter method for depth map enhancement and codec |
US20150332441A1 (en) * | 2009-06-03 | 2015-11-19 | Flir Systems, Inc. | Selective image correction for infrared imaging devices |
CN106780358A (zh) * | 2016-11-15 | 2017-05-31 | 西安电子科技大学 | 基于全变分模型的irfpa非均匀性神经网络校正方法 |
CN106875345A (zh) * | 2016-12-26 | 2017-06-20 | 浙江工业大学 | 基于奇异值权重函数的非局部tv模型图像去噪方法 |
CN107330864A (zh) * | 2017-06-05 | 2017-11-07 | 中国电子科技集团公司第二十八研究所 | 一种基于改进局部纹理特征的红外图像处理方法 |
CN107784639A (zh) * | 2017-11-02 | 2018-03-09 | 长安大学 | 一种无人机遥感图像改进多边滤波去噪方法 |
CN107836299A (zh) * | 2017-11-30 | 2018-03-27 | 南通科技职业学院 | 一种微型冬瓜优质高效栽培技术 |
CN108376391A (zh) * | 2018-01-29 | 2018-08-07 | 江苏宇特光电科技股份有限公司 | 一种智能化红外图像场景增强方法 |
CN108665425A (zh) * | 2018-03-28 | 2018-10-16 | 西安电子科技大学 | 基于帧间配准和自适应步长的红外图像非均匀性校正方法 |
-
2018
- 2018-12-05 CN CN201811479352.4A patent/CN109741267B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060245660A1 (en) * | 2004-06-28 | 2006-11-02 | Hung Szepo R | Adaptive filters and apparatus, methods, and systems for image processing |
US20060146352A1 (en) * | 2005-01-04 | 2006-07-06 | Lite-On It Corporation | Image processing unit and method thereof |
US20070286519A1 (en) * | 2006-06-09 | 2007-12-13 | Roland Friedrich | Trilateral filter for medical diagnostic imaging |
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 |
CN101770636A (zh) * | 2008-12-30 | 2010-07-07 | 比亚迪股份有限公司 | 图像噪声去除方法及装置 |
US20150332441A1 (en) * | 2009-06-03 | 2015-11-19 | Flir Systems, Inc. | Selective image correction for infrared imaging devices |
US20110085084A1 (en) * | 2009-10-10 | 2011-04-14 | Chirag Jain | Robust spatiotemporal combining system and method for video enhancement |
CN101908207A (zh) * | 2010-07-26 | 2010-12-08 | 北京理工大学 | 一种基于亮度分层的快速三边滤波器色调映射方法 |
CN102063713A (zh) * | 2010-11-11 | 2011-05-18 | 西北工业大学 | 基于邻域归一化梯度和邻域标准差的多聚焦图像融合方法 |
US20150071526A1 (en) * | 2012-05-17 | 2015-03-12 | The Regents Of The University Of California | Sampling-based multi-lateral filter method for depth map enhancement and codec |
WO2014100787A1 (en) * | 2012-12-21 | 2014-06-26 | Flir Systems, Inc. | Compact multi-spectrum imaging with fusion |
US20140355877A1 (en) * | 2013-05-31 | 2014-12-04 | Fujitsu Limited | Method and apparatus for processing a gray image |
CN103971345A (zh) * | 2014-05-27 | 2014-08-06 | 上海电力学院 | 一种基于改进双边滤波的图像去噪方法 |
CN106780358A (zh) * | 2016-11-15 | 2017-05-31 | 西安电子科技大学 | 基于全变分模型的irfpa非均匀性神经网络校正方法 |
CN106875345A (zh) * | 2016-12-26 | 2017-06-20 | 浙江工业大学 | 基于奇异值权重函数的非局部tv模型图像去噪方法 |
CN107330864A (zh) * | 2017-06-05 | 2017-11-07 | 中国电子科技集团公司第二十八研究所 | 一种基于改进局部纹理特征的红外图像处理方法 |
CN107784639A (zh) * | 2017-11-02 | 2018-03-09 | 长安大学 | 一种无人机遥感图像改进多边滤波去噪方法 |
CN107836299A (zh) * | 2017-11-30 | 2018-03-27 | 南通科技职业学院 | 一种微型冬瓜优质高效栽培技术 |
CN108376391A (zh) * | 2018-01-29 | 2018-08-07 | 江苏宇特光电科技股份有限公司 | 一种智能化红外图像场景增强方法 |
CN108665425A (zh) * | 2018-03-28 | 2018-10-16 | 西安电子科技大学 | 基于帧间配准和自适应步长的红外图像非均匀性校正方法 |
Non-Patent Citations (4)
Title |
---|
HUILIUYING: "An improved trilateral filter for Gaussian and impulse noise removal", 《INDUSTRIAL MECHATRONICS AND AUTOMATION》 * |
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》 * |
栾宁丽等: "基于加权函数的全变分图像去噪模型", 《电子测量技术》 * |
秦绪佳: "基于三边滤波的HSV 色彩空间Retinex 图像增强算法", 《小型微型计算机系统》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363714B (zh) * | 2019-06-19 | 2023-03-28 | 南京谱数光电科技有限公司 | 自适应学习速率的基于场景帧间配准的非均匀性校正方法 |
CN110363714A (zh) * | 2019-06-19 | 2019-10-22 | 南京谱数光电科技有限公司 | 自适应学习速率的基于场景帧间配准的非均匀性校正方法 |
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 |
CN110458839B (zh) * | 2019-10-09 | 2020-01-14 | 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 |
CN111080561A (zh) * | 2019-11-08 | 2020-04-28 | 上海航天控制技术研究所 | 一种时域高通滤波方法 |
CN110852976A (zh) * | 2019-11-22 | 2020-02-28 | 昆明物理研究所 | 一种红外图像明暗不均匀校正方法及计算机程序产品 |
CN110852976B (zh) * | 2019-11-22 | 2023-04-18 | 昆明物理研究所 | 一种红外图像明暗不均匀校正方法及计算机程序产品 |
CN111507915A (zh) * | 2020-04-13 | 2020-08-07 | 烟台艾睿光电科技有限公司 | 基于模糊配准的实时红外非均匀性校正方法、设备及介质 |
CN111507915B (zh) * | 2020-04-13 | 2024-03-29 | 烟台艾睿光电科技有限公司 | 基于模糊配准的实时红外非均匀性校正方法、设备及介质 |
CN112150377B (zh) * | 2020-08-27 | 2024-03-29 | 北京空间机电研究所 | 一种红外图像非均匀性校正系数解析解交替迭代优化方法 |
CN112150377A (zh) * | 2020-08-27 | 2020-12-29 | 北京空间机电研究所 | 一种红外图像非均匀性校正系数解析解交替迭代优化方法 |
CN112053300B (zh) * | 2020-09-01 | 2023-11-21 | 国交空间信息技术(北京)有限公司 | 一种光照不均匀图像的矫正方法、装置和设备 |
CN112053300A (zh) * | 2020-09-01 | 2020-12-08 | 国交空间信息技术(北京)有限公司 | 一种光照不均匀图像的矫正方法、装置和设备 |
CN112954239A (zh) * | 2021-01-29 | 2021-06-11 | 中国科学院长春光学精密机械与物理研究所 | 星上cmos图像灰尘污染去除与复原系统及复原方法 |
CN115377801A (zh) * | 2022-08-16 | 2022-11-22 | 电子科技大学 | 有机半导体激光器 |
CN116205825A (zh) * | 2023-05-06 | 2023-06-02 | 北京师范大学 | 一种基于时空三维滤波的红外视频非均匀性校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109741267B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741267A (zh) | 基于三边滤波和神经网络的红外图像非均匀性校正方法 | |
CN108846805B (zh) | 一种基于场景自适应的红外热图像两点非均匀校正方法 | |
CN110211056B (zh) | 基于局部中值直方图的自适应红外图像去条纹算法 | |
CN109272520B (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 | |
CN104917936B (zh) | 一种基于灰度相关的时域高通非均匀性校正方法 | |
CN110246105B (zh) | 一种基于实际相机噪声建模的视频去噪方法 | |
CN109813442B (zh) | 一种基于多帧处理的内部杂散辐射非均匀性校正方法 | |
CN102968776B (zh) | 一种线性与非线性滤波器相结合的非均匀性校正方法 | |
CN108665425A (zh) | 基于帧间配准和自适应步长的红外图像非均匀性校正方法 | |
CN107945121A (zh) | 一种基于全变分的图像复原方法及系统 | |
CN102968765A (zh) | 一种基于sigma滤波器的红外焦平面非均匀性校正方法 | |
CN109191401A (zh) | 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 | |
WO2019183843A1 (zh) | 基于帧间配准和自适应步长的红外图像非均匀性校正方法 | |
CN110033414A (zh) | 一种基于均值化处理的红外图像非均匀性校正方法及系统 | |
CN110782403A (zh) | 一种红外图像非均匀性校正方法 | |
CN110363714B (zh) | 自适应学习速率的基于场景帧间配准的非均匀性校正方法 | |
CN103868601B (zh) | Irfpa探测器非均匀响应的双边全变分正则化校正方法 | |
CN105005967A (zh) | 时空滤波相结合的红外成像非均匀性校正方法及其装置 | |
Beknazarova et al. | Control mechanism of eliminate noise and improve visual perception of the image | |
CN111998961A (zh) | 基于像素点温漂估计的红外焦平面非均匀性校正方法 | |
CN106780358B (zh) | 基于全变分模型的irfpa非均匀性神经网络校正方法 | |
CN108921796B (zh) | 一种基于深度学习的红外图像非均匀性校正方法 | |
CN109767403B (zh) | 一种基于场景的红外焦平面阵列条状噪声消除方法 | |
CN106127760A (zh) | 红外图像盲元检测方法 | |
CN113375808B (zh) | 一种基于场景的红外图像非均匀性校正方法 |
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 |