CN110873606A - 一种非均匀性校正方法及装置 - Google Patents
一种非均匀性校正方法及装置 Download PDFInfo
- Publication number
- CN110873606A CN110873606A CN201810996923.5A CN201810996923A CN110873606A CN 110873606 A CN110873606 A CN 110873606A CN 201810996923 A CN201810996923 A CN 201810996923A CN 110873606 A CN110873606 A CN 110873606A
- Authority
- CN
- China
- Prior art keywords
- image information
- uniformity
- information
- base layer
- original image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012937 correction Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000009499 grossing Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 21
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提出一种非均匀性校正方法及装置，涉及图像处理技术领域。该方法及装置通过对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息，并基于基层图像信息、细节图像信息以及原始图像信息确定非均匀性特征信息，然后对非均匀性特征信息进行反向映射处理以获取每个像元的非均匀性预测结果，最后基于预设定的像元响应拟合算法对每个非均匀性预测结果进行平滑处理以获取输出图像；由于基于基层图像信息、细节图像信息以及原始像信息提取非均匀性特征信息，使得非均匀性特征信息更加精确；同时整个预测过程无需进行数据迭代，从而保证了获得的输出图像一直处于清晰状态。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种非均匀性校正方法及装置。
背景技术
由于工艺和材料的限制，在不同的工作环境下，红外热成像探测器在对着同样的热辐射场景时，会表现出完全不一致的像元响应情况，一般要得到可以供人眼观察的红外图像需要对采集到的原始热辐射图像进行非均匀性校正。
现有技术中，主要利用传统神经网络校正方法。而传统神经网络校正方法主要采用像元的线性响应模型，假设每个像元在一定的温度范围内的响应为线性关系，它的校正原理是利用现有视场场景来持续的对探测元进行增益和偏移的校正。但利用这种算法处理结果，一是会随着迭代次数增加，红外图像会变得越来越模糊，静止目标会逐渐融入背景；二是由于参数的校正更新依赖于场景的变化，当目标由静止开始运动的过程中，会出现“伪像”；三是由于依赖于场景中相邻的像素点，故对非均匀性中的低频信息校正效果不是很好，而且对图像边缘有模糊的负面“影响”。
发明内容
有鉴于此，本发明的目的在于提供一种非均匀性校正方法及装置，以解决上述问题。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种非均匀性校正方法，所述非均匀性校正方法包括：
对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息；
基于所述基层图像信息、所述细节图像信息以及所述原始图像信息提取非均匀性特征信息；
对所述非均匀性特征信息进行反向映射处理以获取每个像元的非均匀性预测结果；
基于预设定的像元响应拟合算法对每个所述非均匀性预测结果进行平滑处理以获取输出图像。
第二方面，本发明实施例还提供了一种非均匀性校正装置，所述非均匀性校正装置包括：
预处理单元，用于对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息；
非均匀性特征提取单元，用于基于所述基层图像信息、所述细节图像信息以及所述原始图像信息提取非均匀性特征信息；
上采样单元，用于对所述非均匀性特征信息进行反向映射处理以获取每个像元的非均匀性预测结果；
像元响应拟合单元，用于基于预设定的像元响应拟合算法对每个所述非均匀性预测结果进行平滑处理以获取输出图像。
本发明实施例提供的非均匀性校正方法及装置，通过对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息，并基于基层图像信息、细节图像信息以及原始图像信息确定非均匀性特征信息，然后对非均匀性特征信息进行反向映射处理以获取每个像元的非均匀性预测结果，最后基于预设定的像元响应拟合算法对每个非均匀性预测结果进行平滑处理以获取输出图像；由于基于基层图像信息、细节图像信息以及原始像信息提取非均匀性特征信息，使得非均匀性特征信息更加精确；同时整个预测过程无需进行数据迭代，从而保证了获得的输出图像一直处于清晰状态；此外，预测过程无需依赖于场景，避免了出现“伪像”和图像边缘模糊的情况。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了可应用于本发明实施例的图像处理设备的方框示意图。
图2示出了本发明实施例提供的非均匀性校正方法的流程图。
图3示出了图2中步骤S201的具体流程图。
图4示出了图2中步骤S202的具体流程图。
图5示出了本发明实施例提供的非均匀性校正装置的功能模块图。
图6示出了图5中非均匀性特征提取单元的具体功能模块图。
图标：100-图像处理设备；110-存储器；120-处理器；200-非均匀性校正装置；210-预处理单元；220-非均匀性特征提取单元；222-卷积子单元；224-激活函数子单元；226-下采样子单元；230-上采样单元；240-像元响应拟合单元。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明提供了一种图像处理设备100，用于对红外图像进行非均匀性校正。请参照图1，为可应用于本发明实施例的图像处理设备100的方框示意图。所述图像处理设备100包括非均匀性校正装置200、存储器110及处理器120。
所述存储器110与处理器120电性连接，以实现数据的传输或交互。所述非均匀性校正装置200包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器110中或固化在所述图像处理设备100的操作系统(Operating System，OS)中的软件功能模块。所述处理器120用于执行所述存储器110中存储的可执行模块，例如所述非均匀性校正装置200所包括的软件功能模块及计算机程序等。
其中，所述存储器110可以是，但不限于，随机存取存储器110(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器110用于存储程序或者数据。
应当理解的是，图1所示的结构仅为图像处理设备100的结构示意图，所述图像处理设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
第一实施例
本发明提供了一种非均匀性校正方法，应用于图像处理设备100，用于对红外图像进行非均匀性校正。请参阅图2，为本发明实施例提供的非均匀性校正方法的流程图。该非均匀性校正方法包括：
步骤S201：对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息。
需要说明的是，该原始图像为红外热成像探测器采集并传输的红外图像；细节图像信息为经预处理后的原始图像中的高频信息，即为经预处理后的原始图像边沿对应的细节信息；基层图像信息则为经预处理后的原始图像中的低频信息，即为经预处理后的原始图像的轮廓信息。
请参阅图3，为步骤S201的具体流程图。该步骤S201包括：
子步骤S2011：基于原始图像及预设定的滤波算法提取第一细节图像信息。
其中，第一细节图像信息为原始图像中的高频信息，即为原始图像边沿对应的细节信息。
在一种优选的实施例中，该预设定的滤波算法为引导滤波算法。其中，引导滤波算法可通过以下算式实现：
在另一种优选的实施例中，该预设定的滤波算法为双边滤波算法。其中，该双边滤波算法可通过以下算式实现：
其中，
为第一细节图像信息，p表示滤波窗口中的像素点坐标，Ip表示滤波窗口中坐标为p处的像素值，Iq为原始图像中坐标为q处的像素值，S为处理图像的空间域，
为归一化参数，
为高斯核函数，σs为滤波窗口的大小。
可以理解地，不论是采用引导滤波算法还是双边滤波算法，均可以保持原始图像的边缘，达到降噪平滑的效果。
子步骤S2012：基于原始图像及第一细节图像信息提取第一基层图像信息。
其中，第一基层图像信息为原始图像中的低频信息，即为原始图像的轮廓信息
可以理解地，将第一细节图像信息从原始图像剥离后，剩余的便为第一基层图像信息。
子步骤S2013：分别对原始图像、第一细节图像信息及第一基层图像信息进行减均值及归一化处理以获取原始图像信息、细节图像信息以及基层图像信息。
具体地，将原始图像减去其对应的均值，并进行数据归一化处理，从而转换为浮点型数据，从而获取原始图像信息；将第一细节图像信息减去其对应的均值，并进行数据归一化处理，从而转换为浮点型数据，从而获取细节图像信息；将第一基层图像信息减去其对应的均值，并进行数据归一化处理，从而转换为浮点型数据，从而获取基层图像信息。
需要说明的是，原始图像通常只包含一维灰度信息，但直接从灰度信息中直接提取非均匀性特征的效果不是非常理想，因此首先对原始图像进行滤波处理，获取细节图像信息以及基层图像信息，再对原始图像信息、细节图像信息以及基层图像信息进行卷积操作，提取出的非均匀性特征更加准确、理想。
步骤S202：基于基层图像信息、细节图像信息以及原始图像信息提取非均匀性特征信息。
需要说明的是，该非均匀性特征信息即为基于基层图像信息、细节图像信息以及原始图像信息提取出的，噪音低、维度高且准确的有效信息。
请参阅图4，为步骤S202的具体地流程图。该步骤S202包括：
子步骤S2021：对基层图像信息、细节图像信息以及原始图像信息进行卷积处理以提取第一非均匀性特征信息。
由于原始图像的非均匀性表现形式一般包括：条状非均匀性、块状非均匀性以及像素点间非均匀性。因此，需要针对上述三种非均匀性表现形式都做处理，以全方位降低提取到的非均匀性特征信息的噪声。
具体地，利用1×n卷积可消除行方向的非均匀性；利用n×1卷积可消除列方向的非均匀性；利用n×n卷积可消除像素点间的非均匀性。
因此，需要对基层图像信息、细节图像信息以及原始图像信息进行至少1×n、n×1以及n×n3种卷积操作，以消除行方向、列方向以及像素点间的非均匀性，使得提取出的第一非均匀性特征信息剧具有噪声低的优点。
子步骤S2022：利用预设定的激活函数提取出第一非均匀性特征信息包含的第二非均匀性特征信息。
需要说明的是，该第二非均匀性特征信息即为第一非均匀性特征信息包含的有效信息；而利用预设定的激活函数提取出第一非均匀性特征信息包含的第二非均匀性特征信息的过程，则是再次降噪的过程。
还需要说明的是，该预设定的激活函数可以但仅限于relu函数、prelu函数、reluX函数等。
子步骤S2023：对第二非均匀性特征信息进行下采样操作以获得非均匀性特征信息。
可以理解地，对第二非均匀性特征信息进行下采样操作的过程，即为降低第二非均匀性特征信息的尺寸的过程，由于降低了第二非均匀性特征信息的尺寸，因而可以降低后续操作的计算量，同时还能获得高维度的非均匀性特征信息。
需要说明的是，可以但不仅限于利用最大值池化和均值池化这两种方法对第二非均匀性特征信息进行下采样。
还需要说明的是，在本实施例中，子步骤S2021～子步骤S2023仅给出了一种提取非均匀性特征信息的方法，但在其他实施例中，能提取到非均匀性特征信息的方法都可以应用于本发明，如传统的三层神经网络等。
步骤S203：对非均匀性特征信息进行反向映射处理以获取每个像元的非均匀性预测结果。
可以理解地，由于在对非均匀性特征信息进行反向映射处理的过程，即为将像素个数送回到该像素个数对应的灰度区间的像素位置的过程，该过程对颜色进行了区分，对非均匀性特征信息进行了非均匀性校正，从而获取每个像元的非均匀性预测结果。某像元的非均匀性预测结果可反映该像元进行非均匀性校正后的色彩特征。
步骤S204：基于预设定的像元响应拟合算法对每个非均匀性预测结果进行平滑处理以获取输出图像。
在一种优选的实施例中，利用预设定的像元响应拟合曲线对每个非均匀性预测结果进行平滑处理以获取输出图像。
在一种优选的实施例中，该像元响应拟合曲线满足以下算式：
其中，f(x)为输出图像，x为每个像元的非均匀性预测结果，an-k为预设定的待拟合系数，n表示多项式的最高次幂，为常数。
需要说明的是，n越大，表明多项式的最高次幂越高，则该像元响应拟合曲线对于输出图像的校正、平滑效果越好。
在一种优选的实施例中，该像元响应拟合曲线也可以为像元响应拟合直线，并利用该像元响应拟合直线对每个非均匀性预测结果进行平滑处理以获取输出图像。
还需要说明的是，在基于基层图像信息、细节图像信息以及原始像信息提取非均匀性特征信息，使得非均匀性特征信息更加精确的情况下，再利用像元响应拟合曲线对每个非均匀性预测结果进行平滑处理以获取输出图像，使得输出图像更加精确、贴合实际。
可以理解地，由于基于基层图像信息、细节图像信息以及原始像信息提取非均匀性特征信息，使得非均匀性特征信息更加精确；同时整个预测过程无需进行数据迭代，从而保证了获得的输出图像一直处于清晰状态；此外，预测过程无需依赖于场景，避免了出现“伪像”和图像边缘模糊的情况。
第二实施例
请参阅图5，图5为本发明较佳实施例提供的一种非均匀性校正装置200的功能模块图。需要说明的是，本实施例所提供的非均匀性校正装置200，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该非均匀性校正装置200包括：预处理单元210、非均匀性特征提取单元220、上采样单元230以及像元响应拟合单元240。
其中，预处理单元210用于对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息。
具体地，预处理单元210用于基于原始图像及预设定的滤波算法提取第一细节图像信息，并基于原始图像及第一细节图像信息提取第一基层图像信息，最后分别对原始图像、第一细节图像信息及第一基层图像信息进行减均值及归一化处理以获取原始图像信息、细节图像信息以及基层图像信息。
可以理解地，在一种优选的实施例中，该预处理单元210可用于执行步骤S201、子步骤S2011、子步骤S2012以及子步骤S2013。
非均匀性特征提取单元220用于基于基层图像信息、细节图像信息以及原始图像信息提取非均匀性特征信息。
可以理解地，在一种优选的实施例中，该非均匀性特征提取单元220可用于执行步骤S202。
请参阅图6，为非均匀性特征提取单元220的具体功能模块图。该非均匀性特征提取单元220包括卷积子单元222、激活函数子单元224以及下采样子单元226。
其中，卷积子单元222用于对基层图像信息、细节图像信息以及原始图像信息进行卷积处理以提取第一非均匀性特征信息。
可以理解地，在一种优选的实施例中，该卷积子单元222可用于执行子步骤S2021。
激活函数子单元224用于利用预设定的激活函数提取出第一非均匀性特征信息包含的第二非均匀性特征信息。
可以理解地，在一种优选的实施例中，该激活函数子单元224可用于执行子步骤S2022。
下采样子单元226用于对第二非均匀性特征信息进行下采样操作以获得非均匀性特征信息。
可以理解地，在一种优选的实施例中，该下采样子单元226可用于执行子步骤S2023。
上采样单元230用于对非均匀性特征信息进行反向映射处理以获取每个像元的非均匀性预测结果。
可以理解地，在一种优选的实施例中，该上采样单元230可用于执行步骤S203。
像元响应拟合单元240用于基于预设定的像元响应拟合算法对每个非均匀性预测结果进行平滑处理以获取输出图像。
可以理解地，在一种优选的实施例中，该像元响应拟合单元240可用于执行步骤S204。
综上所述，本发明实施例提供的非均匀性校正方法及装置，通过对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息，并基于基层图像信息、细节图像信息以及原始图像信息确定非均匀性特征信息，然后对非均匀性特征信息进行反向映射处理以获取每个像元的非均匀性预测结果，最后基于预设定的像元响应拟合曲线对每个非均匀性预测结果进行平滑处理以获取输出图像；由于基于基层图像信息、细节图像信息以及原始像信息提取非均匀性特征信息，使得非均匀性特征信息更加精确；同时整个预测过程无需进行数据迭代，从而保证了获得的输出图像一直处于清晰状态；此外，预测过程无需依赖于场景，避免了出现“伪像”和图像边缘模糊的情况。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，图像处理设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种非均匀性校正方法，其特征在于，所述非均匀性校正方法包括：
对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息；
基于所述基层图像信息、所述细节图像信息以及所述原始图像信息提取非均匀性特征信息；
对所述非均匀性特征信息进行反向映射处理以获取每个像元的非均匀性预测结果；
基于预设定的像元响应拟合算法对每个所述非均匀性预测结果进行平滑处理以获取输出图像。
2.根据权利要求1所述的非均匀性校正方法，其特征在于，所述对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息的步骤包括：
基于所述原始图像及预设定的滤波算法提取第一细节图像信息；
基于所述原始图像及所述第一细节图像信息提取第一基层图像信息；
分别对所述原始图像、所述第一细节图像信息及所述第一基层图像信息进行减均值及归一化处理以获取所述原始图像信息、所述细节图像信息以及所述基层图像信息。
3.根据权利要求2所述的非均匀性校正方法，其特征在于，所述预设定的滤波算法为引导滤波算法。
4.根据权利要求2所述的非均匀性校正方法，其特征在于，所述预设定的滤波算法为双边滤波算法。
5.根据权利要求1-4中任意一项所述的非均匀性校正方法，其特征在于，所述基于所述基层图像信息、所述细节图像信息以及所述原始图像信息提取非均匀性特征信息的步骤包括：
对所述基层图像信息、所述细节图像信息以及所述原始图像信息进行卷积处理以提取第一非均匀性特征信息；
利用预设定的激活函数提取出所述第一非均匀性特征信息包含的第二非均匀性特征信息；
对所述第二非均匀性特征信息进行下采样操作以获得所述非均匀性特征信息。
6.根据权利要求1-4中任意一项所述的非均匀性校正方法，其特征在于，所述基于预设定的像元响应拟合算法对每个所述非均匀性预测结果进行平滑处理以获取输出图像的步骤包括：
利用预设定的像元响应拟合曲线对每个所述非均匀性预测结果进行平滑处理以获取输出图像。
7.根据权利要求6所述的非均匀性校正方法，其特征在于，
所述预设定的像元响应拟合曲线满足算式：
其中，f(x)为输出图像，x为每个像元的非均匀性预测结果，an-k为预设定的待拟合系数，n为多项式的最高次幂。
8.一种非均匀性校正装置，其特征在于，所述非均匀性校正装置包括：
预处理单元，用于对获取的原始图像进行预处理以获取原始图像信息、细节图像信息以及基层图像信息；
非均匀性特征提取单元，用于基于所述基层图像信息、所述细节图像信息以及所述原始图像信息提取非均匀性特征信息；
上采样单元，用于对所述非均匀性特征信息进行反向映射处理以获取每个像元的非均匀性预测结果；
像元响应拟合单元，用于基于预设定的像元响应拟合曲线对每个所述非均匀性预测结果进行平滑处理以获取输出图像。
9.根据权利要求8所述的非均匀性校正装置，其特征在于，所述预处理单元用于基于所述原始图像及预设定的滤波算法提取第一细节图像信息；
所述预处理单元还用于基于所述原始图像及所述第一细节图像信息提取第一基层图像信息；
所述预处理单元还用于分别对所述原始图像、所述第一细节图像信息及所述第一基层图像信息进行减均值及归一化处理以获取所述原始图像信息、所述细节图像信息以及所述基层图像信息。
10.根据权利要求9所述的非均匀性校正装置，其特征在于，所述预设定的滤波算法为双边滤波算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810996923.5A CN110873606B (zh) | 2018-08-29 | 2018-08-29 | 一种非均匀性校正方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810996923.5A CN110873606B (zh) | 2018-08-29 | 2018-08-29 | 一种非均匀性校正方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110873606A true CN110873606A (zh) | 2020-03-10 |
| CN110873606B CN110873606B (zh) | 2021-09-28 |
Family
ID=69714681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810996923.5A Active CN110873606B (zh) | 2018-08-29 | 2018-08-29 | 一种非均匀性校正方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110873606B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050194539A1 (en) * | 2004-03-05 | 2005-09-08 | Ditaranto Gerard | Method for improving measurement accuracy of infrared imaging radiometers |
| 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 |
| CN101776487A (zh) * | 2009-12-31 | 2010-07-14 | 华中科技大学 | 一种红外焦平面非均匀性指纹提取及图像校正方法 |
| EP2381417A1 (en) * | 2010-04-23 | 2011-10-26 | Flir Systems AB | Infrared resolution and contrast enhancement with fusion |
| CN104111118A (zh) * | 2014-07-29 | 2014-10-22 | 中国航天科工集团第三研究院第八三五七研究所 | 一种基于斩波器的红外图像非均匀性校正方法 |
-
2018
- 2018-08-29 CN CN201810996923.5A patent/CN110873606B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050194539A1 (en) * | 2004-03-05 | 2005-09-08 | Ditaranto Gerard | Method for improving measurement accuracy of infrared imaging radiometers |
| 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 |
| CN101776487A (zh) * | 2009-12-31 | 2010-07-14 | 华中科技大学 | 一种红外焦平面非均匀性指纹提取及图像校正方法 |
| EP2381417A1 (en) * | 2010-04-23 | 2011-10-26 | Flir Systems AB | Infrared resolution and contrast enhancement with fusion |
| CN104111118A (zh) * | 2014-07-29 | 2014-10-22 | 中国航天科工集团第三研究院第八三五七研究所 | 一种基于斩波器的红外图像非均匀性校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110873606B (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8390704B2 (en) | Image deblurring using a spatial image prior | |
| US8203615B2 (en) | Image deblurring using panchromatic pixels | |
| CN108694705B (zh) | 一种多帧图像配准与融合去噪的方法 | |
| US8379120B2 (en) | Image deblurring using a combined differential image | |
| US8582910B2 (en) | Methods and apparatus for editing images | |
| US20110115934A1 (en) | Increasing image resolution using combined differential image | |
| Fortunato et al. | Fast high-quality non-blind deconvolution using sparse adaptive priors | |
| Kumar | Deblurring of motion blurred images using histogram of oriented gradients and geometric moments | |
| JP2002024821A (ja) | エッジ整形のためのディジタル画像処理方法 | |
| CN110706174A (zh) | 一种图像增强方法、终端设备及存储介质 | |
| WO2017100971A1 (zh) | 一种失焦模糊图像的去模糊方法和装置 | |
| EP1205878A2 (en) | Estimating noise for a digital image utilizing updated statistics | |
| US11145034B2 (en) | Method for deblurring an image | |
| CN109035167B (zh) | 对图像中的多个人脸进行处理的方法、装置、设备和介质 | |
| JPH08272959A (ja) | マルチフラクタル解析を利用した輪郭抽出法 | |
| EP1668593B1 (en) | Robust recursive envelope operators for fast retinex-type processing of images | |
| Rahman et al. | Gaussian noise reduction in digital images using a modified fuzzy filter | |
| CN114972123A (zh) | 图像去噪处理方法及装置、计算机设备和可读存储介质 | |
| US7813582B1 (en) | Method and apparatus for enhancing object boundary precision in an image | |
| Yang et al. | Rolling bilateral filter-based text image deblurring | |
| CN110873606B (zh) | 一种非均匀性校正方法及装置 | |
| KR101129220B1 (ko) | 레인지 영상의 노이즈 제거장치 및 방법 | |
| van Zyl Marais et al. | Robust defocus blur identification in the context of blind image quality assessment | |
| CN116012265B (zh) | 基于时空域自适应滤波的红外视频降噪方法和装置 | |
| Verma et al. | An efficient deblurring algorithm on foggy images using curvelet transforms |
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 |