CN117528274B - 基于深度学习的红外成像非均匀噪声提取及优化方法 - Google Patents

基于深度学习的红外成像非均匀噪声提取及优化方法 Download PDF

Info

Publication number
CN117528274B
CN117528274B CN202311504397.3A CN202311504397A CN117528274B CN 117528274 B CN117528274 B CN 117528274B CN 202311504397 A CN202311504397 A CN 202311504397A CN 117528274 B CN117528274 B CN 117528274B
Authority
CN
China
Prior art keywords
noise
deblurring
infrared image
target
suspicious
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
Application number
CN202311504397.3A
Other languages
English (en)
Other versions
CN117528274A (zh
Inventor
邓峰
苏中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202311504397.3A priority Critical patent/CN117528274B/zh
Publication of CN117528274A publication Critical patent/CN117528274A/zh
Application granted granted Critical
Publication of CN117528274B publication Critical patent/CN117528274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
    • H04N25/67—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response
    • H04N25/671—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response for non-uniformity detection or correction
    • H04N25/673—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response for non-uniformity detection or correction by using reference sources
    • H04N25/674—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to fixed-pattern noise, e.g. non-uniformity of response for non-uniformity detection or correction by using reference sources based on the scene itself, e.g. defocusing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/20—Circuitry of solid-state image sensors [SSIS]; Control thereof for transforming only infrared radiation into image signals
    • H04N25/21—Circuitry of solid-state image sensors [SSIS]; Control thereof for transforming only infrared radiation into image signals for transforming thermal infrared radiation into image signals
    • 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
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明提供了基于深度学习的红外成像非均匀噪声提取及优化方法，通过利用历史标准红外图像，基于深度学习构建卷积神经网络模型来对原始红外图像进行初始噪声特征提出，实现对原始红外图像的噪声提取，通过基于可疑噪声区域中的噪声均值，对可疑噪声区域进行去模糊噪声特征提取，实现对原始红外图像的进一步噪声提取，通过在利用卷积神经网络模型提取的初始噪声特征作为基础，再次利用去模糊理论进行去模糊噪声特征提取，最终基于初始噪声特征和去模糊噪声特征确定目标噪声特征，在原始红外图像减去目标噪声特征，从两个维度来共同决定对原始红外图像的优化，保证得到的目标红外图像的成像质量，为工业领域的自动化精准检测提供基础。

Description

基于深度学习的红外成像非均匀噪声提取及优化方法
技术领域
本发明涉及红外成像技术领域，特别涉及一种基于深度学习的红外成像非均匀噪声提取及优化方法。
背景技术
随着红外热成像技术的飞速发展，红外技术已广泛应用于多种领域中。红外热成像仪能检查机器人，智能地面检查机器人可在无人值守或少人值守的通信机房履行检查任务，及时发现电力设备异常，及时报警或处置，对提高工业检查工作的效率和安全性具有重要意义。
然而红外热像仪因其器件材料和制造加工等原因，红外图像会有明显的非均匀性，严重影响成像质量。
此外，红外图像的非均匀性受图像场景变化的影响较大，在非制冷红外成像系统中，还受到环境温度的影响，严重地降低了红外系统的成像质量。因此对红外图像进行非均匀性校正，尽可能地消除外界因素对图像质量稳定性的影响具有重大意义。目前红外热像仪的非均匀性问题无法根除，常用的方法是采用快门对探测器进行周期性校正，然而快门的应用会增加成本、功耗，还会造成成像中断，为工业领域的自动化检测带来不便。
发明内容
本发明提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，用以解决背景技术中提出的问题。
一种基于深度学习的红外成像非均匀噪声提取及优化方法，包括：
S1：获取自动化检测的历史标准红外图像，利用历史标准红外图像，基于深度学习构建卷积神经网络模型；
S2：将获取的原始红外图像输入卷积神经网络模型中，提取得到原始红外图像的初始噪声特征；
S3：基于初始噪声特征在原始红外图像中的位置，截取原始红外图像中的可疑噪声区域，并基于可疑噪声区域中的噪声均值，对可疑噪声区域进行去模糊噪声特征提取；
S4：基于初始噪声特征和去模糊噪声特征确定目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像。
优选的，S1中，获取自动化检测的历史标准红外图像，利用历史标准红外图像，基于深度学习构建卷积神经网络模型，包括：
获取历史标准红外图像的历史原始红外图像，将历史原始红外图像与历史标准红外图像进行图像特征差异比较，得到噪声特征；
将历史原始红外图像与图像特征差异进行匹配，得到图像-噪声特征集合，将图像-噪声特征集合划分为训练集和测试集；
对卷积神经网络进行初始化定义，得到噪声识别卷积神经网络结构；
利用训练集对噪声识别卷积神经网络结构进行迭代训练，并利用测试集对训练完成的噪声识别卷积神经网络结构进行测试；
基于测试结果通过验证的噪声识别卷积神经网络结构构建得到卷积神经网络模型。
优选的，S2中，将获取的原始红外图像输入卷积神经网络模型中，提取得到原始红外图像的初始噪声特征，包括：
为卷积神经网络模型中的神经元分别设置不同的权重，得到多个目标卷积神经网络模型；
将获取的原始红外图像分别输入多个目标卷积神经网络模型，得到多组输出噪声特征；
将多组输出噪声特征中相同噪声特征保留一处，将多组输出噪声特征中不同噪声特征进行叠加，得到初始噪声特征。
优选的，基于测试结果通过验证的噪声识别卷积神经网络结构构建得到卷积神经网络模型，包括：
获取基于测试集对应的测试结果，获取测试结果对应的准确率，精确率，召回率和F1值是否满足预设验证通过要求；
若是，基于测试结果对应的结构参数构建得到卷积神经网络模型；
否则，重新对基于训练集对测试结果对应的噪声识别卷积神经网络结构进行迭代训练。
优选的，S3中，基于初始噪声特征在原始红外图像中的位置，截取原始红外图像中的可疑噪声区域，包括：
获取初始噪声特征在原始红外图像中的像素区域，并获取像素区域中的最亮点，较亮点，对最亮点进行第一标记，对较亮点进行第二标记；
基于第一标记对应的第一像素扩展范围和第二标记对应的第二像素扩展范围分别以最亮点和较亮点进行像素拓展，最终得到可疑噪声区域，将原始红外图像中的其他区域作为非可疑噪声区域。
优选的，得到非可疑噪声区域后，还包括：
按照卷积神经网络模型对非可疑噪声区域的噪声提取结果，实现对非可疑噪声区域的噪声提取，得到非可疑噪声特征；
将原始红外图像的非可疑噪声区域减去对应的非可疑噪声特征，得到目标红外图像的部分区域。
优选的，S3中，基于可疑噪声区域中的噪声均值，对可疑噪声区域进行去模糊噪声特征提取，包括：
获取可疑噪声区域中的噪声均值，以及每个像素点的噪声值，获取噪声均值和噪声值之间的噪声差异，基于噪声差异的大小对每个像素点赋予处理权重；
判断处理权重的最大值和最小值的差值是否大于预设差值；
若是，为可疑噪声区域配置第一去模糊度作为目标去模糊度；
否则，为可疑噪声区域配置第二去模糊度作为目标去模糊度；
获取与目标区域模糊度对应的去模糊计算参数，基于可疑噪声区域的处理权重分布，结合去模糊计算参数设计得到去模糊计算矩阵；
将去模糊计算矩阵与可疑噪声区域进行对应匹配，按照匹配结果利用去模糊计算矩阵对可疑噪声区域进行去模糊化，得到初始去模糊噪声区域；
基于预设去模糊检测标准对初始去模糊噪声区域中每个像素点进行检测，判断初始去模糊噪声区域是否满足预设去模糊检测标准；
若是，将初始去模糊噪声区域作为目标去模糊噪声区域；
否则，对不满足预设去模糊检测标准的像素点进行调整，最终得到目标去模糊噪声区域；
基于噪声提取模型，对目标去模糊噪声区域进行噪声提取，得到去模糊噪声特征。
优选的，基于可疑噪声区域的处理权重分布，结合去模糊计算参数设计得到去模糊计算矩阵，包括：
获取去模糊原始矩阵，基于可疑噪声区域的处理权重分布，为去模糊原始矩阵中每个元素匹配对应的去模糊计算参数；
基于去模糊计算参数对去模糊原始矩阵进行更新，得到去模糊计算矩阵。
优选的，S4中，基于初始噪声特征和去模糊噪声特征确定目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像，包括：
按照噪声频率对初始噪声特征进行特征分层，得到第一固有频率特征，第一高频噪声特征和第一低频噪声特征；
按照噪声频率对去模糊噪声特征进行特征分层，得到第二固有频率特征，第二高频噪声特征和第二低频噪声特征；
基于第二固有频率特征和第一固有频率特征之间的第一特征差异，确定第一缩放参数和第一偏移参数，基于第一缩放参数和第一偏移参数对第一固有频率特征进行调整得到目标固有频率特征；
基于第二高频噪声特征和第一高频噪声特征之间的第二特征差异，确定第二缩放参数和第二偏移参数，基于第二缩放参数和第二偏移参数对第一高频噪声特征进行调整得到目标高频噪声特征；
基于第二低频噪声特征和第一低频噪声特征之间的第三特征差异，确定第三缩放参数和第三偏移参数，基于第三缩放参数和第三偏移参数对第一低频噪声特征进行调整得到目标低频噪声特征；
将目标固有频率特征，目标高频噪声特征和目标低频噪声特征进行整合，得到目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像。
优选的，在原始红外图像减去目标噪声特征，得到目标红外图像，包括：
获取原始红外图像的整体图像特征，利用整体图像特征减去目标噪声特征得到目标图像特征；
利用目标图像特征，反向得到目标红外图像。
与现有技术相比，本发明取得了一下有益效果：
通过利用历史标准红外图像，基于深度学习构建卷积神经网络模型来对原始红外图像进行初始噪声特征提出，实现对原始红外图像的噪声提取，通过基于可疑噪声区域中的噪声均值，对可疑噪声区域进行去模糊噪声特征提取，实现对原始红外图像的进一步噪声提取，通过在利用卷积神经网络模型提取的初始噪声特征作为基础，再次利用去模糊理论进行去模糊噪声特征提取，实现对噪声的多维度提取，最终基于初始噪声特征和去模糊噪声特征确定目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像，从两个维度来共同决定对原始红外图像的优化，保证得到的目标红外图像的成像质量，为工业领域的自动化精准检测提供基础。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于深度学习的红外成像非均匀噪声提取及优化方法的流程图；
图2为本发明实施例中构建卷积神经网络模型的流程图；
图3为本发明实施例中可疑噪声区域获取的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，如图1所示，包括：
S1：获取自动化检测的历史标准红外图像，利用历史标准红外图像，基于深度学习构建卷积神经网络模型；
S2：将获取的原始红外图像输入卷积神经网络模型中，提取得到原始红外图像的初始噪声特征；
S3：基于初始噪声特征在原始红外图像中的位置，截取原始红外图像中的可疑噪声区域，并基于可疑噪声区域中的噪声均值，对可疑噪声区域进行去模糊噪声特征提取；
S4：基于初始噪声特征和去模糊噪声特征确定目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像。
在该实施例中，利用历史标准红外图像，基于深度学习构建卷积神经网络模型具体为根据历史标准红外图像和历史原始红外图像的差异训练得到。
在该实施例中，对可疑噪声区域进行去模糊噪声特征提取中利用到了模糊控制理论进行特征识别。
在该实施例中，目标噪声特征从初始噪声特征和去模糊噪声特征有选择性的确定。
在该实施例中，可疑噪声区域为非均匀噪声区域。
上述设计方案的有益效果是：通过利用历史标准红外图像，基于深度学习构建卷积神经网络模型来对原始红外图像进行初始噪声特征提出，实现对原始红外图像的噪声提取，通过基于可疑噪声区域中的噪声均值，对可疑噪声区域进行去模糊噪声特征提取，实现对原始红外图像的进一步噪声提取，通过在利用卷积神经网络模型提取的初始噪声特征作为基础，再次利用去模糊理论进行去模糊噪声特征提取，实现对噪声的多维度提取，最终基于初始噪声特征和去模糊噪声特征确定目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像，从两个维度来共同决定对原始红外图像的优化，保证得到的目标红外图像的成像质量，为工业领域的自动化精准检测提供基础。
实施例2：
基于实施例1的基础上，本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，S1中，如图2所示，获取自动化检测的历史标准红外图像，利用历史标准红外图像，基于深度学习构建卷积神经网络模型，包括：
获取历史标准红外图像的历史原始红外图像，将历史原始红外图像与历史标准红外图像进行图像特征差异比较，得到噪声特征；
将历史原始红外图像与图像特征差异进行匹配，得到图像-噪声特征集合，将图像-噪声特征集合划分为训练集和测试集；
对卷积神经网络进行初始化定义，得到噪声识别卷积神经网络结构；
利用训练集对噪声识别卷积神经网络结构进行迭代训练，并利用测试集对训练完成的噪声识别卷积神经网络结构进行测试；
基于测试结果通过验证的噪声识别卷积神经网络结构构建得到卷积神经网络模型。
在该实施例中，对卷积神经网络进行初始化定义例如包括：设定卷积神经网络初始结构、引入激活函数、确定池化方法、确定滤波器、确定卷积层个数等。
在该实施例中，图像-噪声特征集合中一个历史原始红外图像对应一个噪声特征。
上述设计方案的有益效果是：通过将历史原始红外图像与历史标准红外图像进行图像特征差异比较，得到噪声特征；将历史原始红外图像与图像特征差异进行匹配，得到图像-噪声特征集合，将图像-噪声特征集合划分为训练集和测试集，构建得到卷积神经网络模型，使得到的卷积神经网络模型学习到了从图像中识别并提取噪声特征的能力，保证得到的卷积神经网络模型对原始红外图像的非均匀噪声特征有效提取。
实施例3：
基于实施例1的基础上，本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，S2中，将获取的原始红外图像输入卷积神经网络模型中，提取得到原始红外图像的初始噪声特征，包括：
为卷积神经网络模型中的神经元分别设置不同的权重，得到多个目标卷积神经网络模型；
将获取的原始红外图像分别输入多个目标卷积神经网络模型，得到多组输出噪声特征；
将多组输出噪声特征中相同噪声特征保留一处，将多组输出噪声特征中不同噪声特征进行叠加，得到初始噪声特征。
上述设计方案的有益效果是：通过为卷积神经网络模型中的神经元分别设置不同的权重，来获取不同的输出噪声特征，将多组输出噪声特征中相同噪声特征保留一处，将多组输出噪声特征中不同噪声特征进行叠加，得到初始噪声特征，保证得到的初始造成特征的综合性和全面性，为噪声特征的进一步分析提供准确基础。
实施例4：
基于实施例2的基础上，本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，基于测试结果通过验证的噪声识别卷积神经网络结构构建得到卷积神经网络模型，包括：
获取基于测试集对应的测试结果，获取测试结果对应的准确率，精确率，召回率和F1值是否满足预设验证通过要求；
若是，基于测试结果对应的结构参数构建得到卷积神经网络模型；
否则，重新对基于训练集对测试结果对应的噪声识别卷积神经网络结构进行迭代训练。
上述设计方案的有益效果是：通过根据衡量网络结构的准确率，精确率，召回率和F1值来进行验证，保证最终构建得到的卷积神经网络模型的模型准确性。
实施例5：
基于实施例1的基础上，本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，如图3所示，S3中，基于初始噪声特征在原始红外图像中的位置，截取原始红外图像中的可疑噪声区域，包括：
获取初始噪声特征在原始红外图像中的像素区域，并获取像素区域中的最亮点，较亮点，对最亮点进行第一标记，对较亮点进行第二标记；
基于第一标记对应的第一像素扩展范围和第二标记对应的第二像素扩展范围分别以最亮点和较亮点进行像素拓展，最终得到可疑噪声区域，将原始红外图像中的其他区域作为非可疑噪声区域。
在该实施例中，第一像素扩展范围大于第二像素拓展范围。
在该实施例中，可疑噪声区域为非均匀噪声区域。
上述设计方案的有益效果是：通过基于初始噪声特征在原始红外图像中的像素区域，获取像素区域中的最亮点，较亮点来确定可疑噪声区域，保证得到的可疑噪声区域作为非均匀噪声区域的准确性。
实施例6：
基于实施例5的基础上，本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，得到非可疑噪声区域后，还包括：
按照卷积神经网络模型对非可疑噪声区域的噪声提取结果，实现对非可疑噪声区域的噪声提取，得到非可疑噪声特征；
将原始红外图像的非可疑噪声区域减去对应的非可疑噪声特征，得到目标红外图像的部分区域。
上述设计方案的有益效果是：通过对按照卷积神经网络模型对非可疑噪声区域的噪声提取结果作为非可疑噪声区域最终的图像提取和优化结果，采用不同的方式提取和优化不同的红外图像区域，提高对原始红外图像噪声特征提取的效率，且保证噪声提取和优化的准确性。
实施例7：
基于实施例1的基础上，本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，S3中，基于可疑噪声区域中的噪声均值，对可疑噪声区域进行去模糊噪声特征提取，包括：
获取可疑噪声区域中的噪声均值，以及每个像素点的噪声值，获取噪声均值和噪声值之间的噪声差异，基于噪声差异的大小对每个像素点赋予处理权重；
判断处理权重的最大值和最小值的差值是否大于预设差值；
若是，为可疑噪声区域配置第一去模糊度作为目标去模糊度；
否则，为可疑噪声区域配置第二去模糊度作为目标去模糊度；
获取与目标区域模糊度对应的去模糊计算参数，基于可疑噪声区域的处理权重分布，结合去模糊计算参数设计得到去模糊计算矩阵；
将去模糊计算矩阵与可疑噪声区域进行对应匹配，按照匹配结果利用去模糊计算矩阵对可疑噪声区域进行去模糊化，得到初始去模糊噪声区域；
基于预设去模糊检测标准对初始去模糊噪声区域中每个像素点进行检测，判断初始去模糊噪声区域是否满足预设去模糊检测标准；
若是，将初始去模糊噪声区域作为目标去模糊噪声区域；
否则，对不满足预设去模糊检测标准的像素点进行调整，最终得到目标去模糊噪声区域；
基于噪声提取模型，对目标去模糊噪声区域进行噪声提取，得到去模糊噪声特征。
在该实施例中，噪声差异越大对应的处理权重越大。
在该实施例中，第一去模糊度小于第二去模糊度，去模糊度数值越大，对应的去模糊程度越大。
在该实施例中，预设去模糊检测标准例如为对图像清晰度，分辨率的要求等。
在该实施例中，噪声提取模型也运用的卷积神经网络结构。
上述设计方案的有益效果是：通过对可疑噪声区域进行去模糊化，保证得到的目标去模糊噪声区域的区域质量，为噪声特征的提取提供基础，然后，利用去模糊理论进行去模糊噪声特征提取，实现对噪声的多维度提取，为最终的原始红外图像优化提供数据基础。
实施例8：
基于实施例7的基础上，本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，基于可疑噪声区域的处理权重分布，结合去模糊计算参数设计得到去模糊计算矩阵，包括：
获取去模糊原始矩阵，基于可疑噪声区域的处理权重分布，为去模糊原始矩阵中每个元素匹配对应的去模糊计算参数；
基于去模糊计算参数对去模糊原始矩阵进行更新，得到去模糊计算矩阵。
在该实施例中，处理权重越大，匹配的去模糊计算参数越大。
上述设计方案的有益效果是：通过基于可疑噪声区域的处理权重分布，为去模糊原始矩阵中每个元素匹配对应的去模糊计算参数，基于去模糊计算参数对去模糊原始矩阵进行更新，得到去模糊计算矩阵，保证对可疑噪声区域去模糊化的质量。
实施例9：
基于实施例1的基础上，本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，S4中，基于初始噪声特征和去模糊噪声特征确定目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像，包括：
按照噪声频率对初始噪声特征进行特征分层，得到第一固有频率特征，第一高频噪声特征和第一低频噪声特征；
按照噪声频率对去模糊噪声特征进行特征分层，得到第二固有频率特征，第二高频噪声特征和第二低频噪声特征；
基于第二固有频率特征和第一固有频率特征之间的第一特征差异，确定第一缩放参数和第一偏移参数，基于第一缩放参数和第一偏移参数对第一固有频率特征进行调整得到目标固有频率特征；
基于第二高频噪声特征和第一高频噪声特征之间的第二特征差异，确定第二缩放参数和第二偏移参数，基于第二缩放参数和第二偏移参数对第一高频噪声特征进行调整得到目标高频噪声特征；
基于第二低频噪声特征和第一低频噪声特征之间的第三特征差异，确定第三缩放参数和第三偏移参数，基于第三缩放参数和第三偏移参数对第一低频噪声特征进行调整得到目标低频噪声特征；
将目标固有频率特征，目标高频噪声特征和目标低频噪声特征进行整合，得到目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像。
在该实施例中，缩放参数用于对噪声值进行比例的放大或缩小，偏移参数用于对噪声值进行向左或右，上或下进行移动。
上述设计方案的有益效果是：通过按照噪声频率对初始噪声特征和去模糊噪声特征进行特征分层，并比较特征分层后在各频率上的差异，基于差异来对初始噪声特征进行缩放和偏移，保证得到的目标噪声特征中每个类型的噪声特征的准确性，从两个维度来共同决定对原始红外图像的优化，保证得到的目标红外图像的成像质量，为工业领域的自动化精准检测提供基础。
实施例10：
基于实施例9的基础上，本发明实施例提供一种基于深度学习的红外成像非均匀噪声提取及优化方法，在原始红外图像减去目标噪声特征，得到目标红外图像，包括：
获取原始红外图像的整体图像特征，利用整体图像特征减去目标噪声特征得到目标图像特征；
利用目标图像特征，反向得到目标红外图像。
上述设计方案的有益效果是：通过利用用整体图像特征减去目标噪声特征得到目标图像特征，利用目标图像特征，反向得到目标红外图像，实现对原始红外图像的非均匀噪声校正，保证得到的目标红外图像的成像质量，为工业领域的自动化精准检测提供基础。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于深度学习的红外成像非均匀噪声提取及优化方法，其特征在于，包括：
S1：获取自动化检测的历史标准红外图像，利用历史标准红外图像，基于深度学习构建卷积神经网络模型；
S2：将获取的原始红外图像输入卷积神经网络模型中，提取得到原始红外图像的初始噪声特征；
S3：基于初始噪声特征在原始红外图像中的位置，截取原始红外图像中的可疑噪声区域，并基于可疑噪声区域中的噪声均值，对可疑噪声区域进行去模糊噪声特征提取；
S4：基于初始噪声特征和去模糊噪声特征确定目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像；
S3中，基于初始噪声特征在原始红外图像中的位置，截取原始红外图像中的可疑噪声区域，包括：
获取初始噪声特征在原始红外图像中的像素区域，并获取像素区域中的最亮点，较亮点，对最亮点进行第一标记，对较亮点进行第二标记；
基于第一标记对应的第一像素扩展范围和第二标记对应的第二像素扩展范围分别以最亮点和较亮点进行像素拓展，最终得到可疑噪声区域，将原始红外图像中的其他区域作为非可疑噪声区域；
S3中，基于可疑噪声区域中的噪声均值，对可疑噪声区域进行去模糊噪声特征提取，包括：
获取可疑噪声区域中的噪声均值，以及每个像素点的噪声值，获取噪声均值和噪声值之间的噪声差异，基于噪声差异的大小对每个像素点赋予处理权重；
判断处理权重的最大值和最小值的差值是否大于预设差值；
若是，为可疑噪声区域配置第一去模糊度作为目标去模糊度；
否则，为可疑噪声区域配置第二去模糊度作为目标去模糊度；
获取与目标区域模糊度对应的去模糊计算参数，基于可疑噪声区域的处理权重分布，结合去模糊计算参数设计得到去模糊计算矩阵；
将去模糊计算矩阵与可疑噪声区域进行对应匹配，按照匹配结果利用去模糊计算矩阵对可疑噪声区域进行去模糊化，得到初始去模糊噪声区域；
基于预设去模糊检测标准对初始去模糊噪声区域中每个像素点进行检测，判断初始去模糊噪声区域是否满足预设去模糊检测标准；
若是，将初始去模糊噪声区域作为目标去模糊噪声区域；
否则，对不满足预设去模糊检测标准的像素点进行调整，最终得到目标去模糊噪声区域；
基于噪声提取模型，对目标去模糊噪声区域进行噪声提取，得到去模糊噪声特征。
2.根据权利要求1所述的一种基于深度学习的红外成像非均匀噪声提取及优化方法，其特征在于，S1中，获取自动化检测的历史标准红外图像，利用历史标准红外图像，基于深度学习构建卷积神经网络模型，包括：
获取历史标准红外图像的历史原始红外图像，将历史原始红外图像与历史标准红外图像进行图像特征差异比较，得到噪声特征；
将历史原始红外图像与图像特征差异进行匹配，得到图像-噪声特征集合，将图像-噪声特征集合划分为训练集和测试集；
对卷积神经网络进行初始化定义，得到噪声识别卷积神经网络结构；
利用训练集对噪声识别卷积神经网络结构进行迭代训练，并利用测试集对训练完成的噪声识别卷积神经网络结构进行测试；
基于测试结果通过验证的噪声识别卷积神经网络结构构建得到卷积神经网络模型。
3.根据权利要求1所述的一种基于深度学习的红外成像非均匀噪声提取及优化方法，其特征在于，S2中，将获取的原始红外图像输入卷积神经网络模型中，提取得到原始红外图像的初始噪声特征，包括：
为卷积神经网络模型中的神经元分别设置不同的权重，得到多个目标卷积神经网络模型；
将获取的原始红外图像分别输入多个目标卷积神经网络模型，得到多组输出噪声特征；
将多组输出噪声特征中相同噪声特征保留一处，将多组输出噪声特征中不同噪声特征进行叠加，得到初始噪声特征。
4.根据权利要求2所述的一种基于深度学习的红外成像非均匀噪声提取及优化方法，其特征在于，基于测试结果通过验证的噪声识别卷积神经网络结构构建得到卷积神经网络模型，包括：
获取基于测试集对应的测试结果，获取测试结果对应的准确率，精确率，召回率和 F1值是否满足预设验证通过要求；
若是，基于测试结果对应的结构参数构建得到卷积神经网络模型；
否则，重新对基于训练集对测试结果对应的噪声识别卷积神经网络结构进行迭代训练。
5.根据权利要求1所述的一种基于深度学习的红外成像非均匀噪声提取及优化方法，其特征在于，得到非可疑噪声区域后，还包括：
按照卷积神经网络模型对非可疑噪声区域的噪声提取结果，实现对非可疑噪声区域的噪声提取，得到非可疑噪声特征；
将原始红外图像的非可疑噪声区域减去对应的非可疑噪声特征，得到目标红外图像的部分区域。
6.根据权利要求1所述的一种基于深度学习的红外成像非均匀噪声提取及优化方法，其特征在于，基于可疑噪声区域的处理权重分布，结合去模糊计算参数设计得到去模糊计算矩阵，包括：
获取去模糊原始矩阵，基于可疑噪声区域的处理权重分布，为去模糊原始矩阵中每个元素匹配对应的去模糊计算参数；
基于去模糊计算参数对去模糊原始矩阵进行更新，得到去模糊计算矩阵。
7.根据权利要求1所述的一种基于深度学习的红外成像非均匀噪声提取及优化方法，其特征在于，S4中，基于初始噪声特征和去模糊噪声特征确定目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像，包括：
按照噪声频率对初始噪声特征进行特征分层，得到第一固有频率特征，第一高频噪声特征和第一低频噪声特征；
按照噪声频率对去模糊噪声特征进行特征分层，得到第二固有频率特征，第二高频噪声特征和第二低频噪声特征；
基于第二固有频率特征和第一固有频率特征之间的第一特征差异，确定第一缩放参数和第一偏移参数，基于第一缩放参数和第一偏移参数对第一固有频率特征进行调整得到目标固有频率特征；
基于第二高频噪声特征和第一高频噪声特征之间的第二特征差异，确定第二缩放参数和第二偏移参数，基于第二缩放参数和第二偏移参数对第一高频噪声特征进行调整得到目标高频噪声特征；
基于第二低频噪声特征和第一低频噪声特征之间的第三特征差异，确定第三缩放参数和第三偏移参数，基于第三缩放参数和第三偏移参数对第一低频噪声特征进行调整得到目标低频噪声特征；
将目标固有频率特征，目标高频噪声特征和目标低频噪声特征进行整合，得到目标噪声特征，在原始红外图像减去目标噪声特征，得到目标红外图像。
8.根据权利要求7所述的一种基于深度学习的红外成像非均匀噪声提取及优化方法，其特征在于，在原始红外图像减去目标噪声特征，得到目标红外图像，包括：
获取原始红外图像的整体图像特征，利用整体图像特征减去目标噪声特征得到目标图像特征；
利用目标图像特征，反向得到目标红外图像。
CN202311504397.3A 2023-11-13 2023-11-13 基于深度学习的红外成像非均匀噪声提取及优化方法 Active CN117528274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311504397.3A CN117528274B (zh) 2023-11-13 2023-11-13 基于深度学习的红外成像非均匀噪声提取及优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311504397.3A CN117528274B (zh) 2023-11-13 2023-11-13 基于深度学习的红外成像非均匀噪声提取及优化方法

Publications (2)

Publication Number Publication Date
CN117528274A CN117528274A (zh) 2024-02-06
CN117528274B true CN117528274B (zh) 2024-05-14

Family

ID=89743302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311504397.3A Active CN117528274B (zh) 2023-11-13 2023-11-13 基于深度学习的红外成像非均匀噪声提取及优化方法

Country Status (1)

Country Link
CN (1) CN117528274B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200434A (zh) * 2014-08-28 2014-12-10 哈尔滨工程大学 一种基于噪声方差估计的非局部均值图像去噪方法
CN109544494A (zh) * 2018-11-12 2019-03-29 北京航空航天大学 一种人体安检中被动毫米波图像与可见光图像的融合方法
CN111681174A (zh) * 2020-04-29 2020-09-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 抑制椒盐/高斯混噪目标图像的联合滤波方法
CN116703746A (zh) * 2023-04-20 2023-09-05 西安建筑科技大学 一种去除超高密度椒盐噪声污染图像的滤波方法及相关装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200434A (zh) * 2014-08-28 2014-12-10 哈尔滨工程大学 一种基于噪声方差估计的非局部均值图像去噪方法
CN109544494A (zh) * 2018-11-12 2019-03-29 北京航空航天大学 一种人体安检中被动毫米波图像与可见光图像的融合方法
CN111681174A (zh) * 2020-04-29 2020-09-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 抑制椒盐/高斯混噪目标图像的联合滤波方法
CN116703746A (zh) * 2023-04-20 2023-09-05 西安建筑科技大学 一种去除超高密度椒盐噪声污染图像的滤波方法及相关装置

Also Published As

Publication number Publication date
CN117528274A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN110148162A (zh) 一种基于复合算子的异源图像匹配方法
CN105427298B (zh) 基于各向异性梯度尺度空间的遥感图像配准方法
CN110659591A (zh) 基于孪生网络的sar图像变化检测方法
CN115546656B (zh) 一种基于深度学习的遥感影像养殖区域提取方法
CN113705788B (zh) 基于全卷积神经网络的红外图像温度估计方法及系统
CN112288758A (zh) 一种电力设备红外与可见光图像配准方法
CN104050643A (zh) 遥感影像几何与辐射一体化相对校正方法及系统
CN114926511A (zh) 一种基于自监督学习的高分辨率遥感影像变化检测方法
CN104680151B (zh) 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法
CN113160239A (zh) 一种违法用地检测方法及装置
CN111238927A (zh) 疲劳耐久性评测方法、装置、电子设备和计算机可读介质
CN116843756A (zh) 一种基于计算机视觉的望远镜位姿监测方法
CN117765420B (zh) 基于遥感数据的地形勘测方法及系统
CN117528274B (zh) 基于深度学习的红外成像非均匀噪声提取及优化方法
CN113298755B (zh) 基于时序影像的生态环境变化斑块快速检测方法和装置
CN112330619B (zh) 一种检测目标区域的方法、装置、设备及存储介质
CN118172580A (zh) 一种烧结终点软测量方法、介质及设备
CN116434066B (zh) 基于深度学习的大豆豆荚考种方法、系统及装置
CN110084203B (zh) 基于上下文关联的全卷积网络飞机层级检测方法
CN113077002A (zh) 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法
Akhbutayevich et al. Algorithms for Selecting the Contour Lines of Images Based on the Theory of Fuzzy Sets
CN113989632A (zh) 一种遥感图像桥梁检测方法、装置、电子设备及存储介质
CN113743373A (zh) 基于深度学习的高分遥感影像耕地变化检测装置及方法
Izadinia et al. Fuzzy generalized hough transform invariant to rotation and scale in noisy environment
Yang et al. Image based quality assurance of fabricated nitrate sensor

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