CN109191401A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109191401A CN109191401A CN201811000007.8A CN201811000007A CN109191401A CN 109191401 A CN109191401 A CN 109191401A CN 201811000007 A CN201811000007 A CN 201811000007A CN 109191401 A CN109191401 A CN 109191401A
- Authority
- CN
- China
- Prior art keywords
- correction
- network
- neural networks
- convolutional neural
- 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.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 40
- 239000000284 extract Substances 0.000 claims description 19
- 239000011248 coating agent Substances 0.000 claims description 10
- 238000000576 coating method Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 14
- 239000000523 sample Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及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，包括：构建噪声提取单元；通过噪声提取单元构建非均匀校正卷积神经网络；对非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络；将预设图像输入训练后的非均匀校正卷积神经网络，获取增益校正参数和偏置校正参数；通过预设图像、增益校正参数和偏置校正参数，得到校正后的预设图像。本发明提供的校正方法有效估计增益校正参数和偏置校正参数，并利用这些参数对红外图像进行校正，有效地适应非均性的漂移并抑制鬼影现象，校正后的图像中非均匀性残留更少，具有更高的精度，图像细节更加丰富，具有更加锐利的视觉效果。
Description
技术领域
本发明属于数字图像处理领域，具体涉及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。
背景技术
红外焦平面阵列是一种将场景的热辐射通过光电转换、电信号处理等手段转换为数字图像的设备。红外焦平面阵列广泛应用于民用和军事领域。但由于红外探测器和光学***的制造工艺限制，红外成像***中各个探测单元的响应不一致，导致红外焦平面阵列中存在严重的固定模式噪声(也称为非均匀性)，从而削弱红外成像***的温度分辨能力。因此，需要对红外图像进行固定模式噪声抑制，消除成像***不良特性对成像质量的影响。
当前红外图像的非均匀性校正方法主要有：基于定标的方法和基于场景的方法。基于定标的方法例如两点校正法、多点校正法等，但是红外探测器的响应实际上是随着时间在缓慢漂移的，因此需要周期性地中断探测器的工作，从而进行校正。基于场景的方法例如神经网络法和时域高通滤波器法等。基于场景的方法利用场景中的冗余信息，从而有效地适应参数的漂移，不需要重新定标，但是会不同程度地受到鬼影现象和残留固定模式噪声的影响。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了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。本发明要解决的技术问题通过以下技术方案实现：
本发明实施例提供了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，包括：
构建噪声提取单元；
通过所述噪声提取单元构建非均匀校正卷积神经网络；
对所述非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络；
将预设图像输入所述训练后的非均匀校正卷积神经网络，获取增益校正参数和偏置校正参数；
通过所述预设图像、所述增益校正参数和所述偏置校正参数，得到校正后的预设图像。
在本发明的一个实施例中，所述噪声提取单元包括：卷积层和激活层；其中，
所述卷积层用于提取输入的特征图的特征参数；
所述激活层的输入端连接所述卷积层的输出端，用于增加所述卷积层层输出的特征参数的稀疏性。
在本发明的一个实施例中，通过所述噪声提取单元构建非均匀校正卷积神经网络，包括：
通过所述噪声提取单元分别构建非均匀性提取子网络、增益校正参数估计子网络和偏置校正参数估计子网络；
将所述非均匀性提取子网络的输出端分别连接所述增益校正参数估计子网络和所述偏置校正参数估计子网络的输入端，构建所述非均匀校正卷积神经网络。
在本发明的一个实施例中，通过所述噪声提取单元分别构建非均匀性提取子网络、增益校正参数估计子网络和偏置校正参数估计子网络，包括：
通过L个所述噪声提取单元依次连接构建所述非均匀性提取子网络；
通过M个所述噪声提取单元依次连接构建所述增益校正参数估计子网络；
通过N个所述噪声提取单元依次连接构建所述偏置校正参数估计子网络；其中，L、M、N为大于0的自然数。
在本发明的一个实施例中，所述非均匀性提取子网络的输入端为所述非均匀校正卷积神经网络的输入端；
所述增益校正参数估计子网络的输出端为所述非均匀校正卷积神经网络的第一输出端；
所述偏置校正参数估计子网络的输出端为所述非均匀校正卷积神经网络的第二输出端。
在本发明的一个实施例中，对所述非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络，包括：
创建预设训练集；
通过优化器和所述预设训练集对所述非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络。
在本发明的一个实施例中，对数据集进行处理，获取预设训练集，包括：
对所述数据集进行处理，获取原始图像集；
对所述原始图像集增加偏置噪声，得到样本训练集；
对所述样本训练集增加条带增益噪声，得到所述预设训练集。
在本发明的一个实施例中，所述数据集为伯克利图像分割数据集500。
在本发明的一个实施例中，将预设图像输入所述训练后的非均匀校正卷积神经网络，获取增益校正参数和偏置校正参数，具体为：
将所述预设图像输入所述训练后的非均匀校正卷积神经网络，通过所述第一输出端得到所述增益校正参数，通过所述第二输出端得到所述偏置校正参数。
在本发明的一个实施例中，通过所述预设图像、所述增益校正参数和所述偏置校正参数，得到校正后的预设图像，具体为：
其中，为所述校正后的预设图像，G为所述增益校正参数，表示点对点相乘，Y为所述预设图像，表示点对点相加，O为所述偏置校正参数。
与现有技术相比，本发明的有益效果：
本发明提供的校正方法有效估计增益校正参数和偏置校正参数，并利用这些参数对红外图像进行校正，有效地适应非均性的漂移并抑制鬼影现象，校正后的图像中非均匀性残留更少，具有更高的精度，图像细节更加丰富，具有更加锐利的视觉效果。
附图说明
图1为本发明提供的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的流程示意图；
图2为本发明提供的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的噪声提取单元结构示意图；
图3为本发明提供的非均匀校正卷积神经网络结构示意图；
图4为一张待校正的红外图像；
图5为采用传统神经网络法对待校正的红外图像进行校正后的图像；
图6为采用全变分神经网络法对待校正的红外图像进行校正后的图像；
图7为采用本发明提供的校正方法对待校正的红外图像进行校正后的图像。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1、图2和图3，图1为本发明提供的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的流程示意图；图2为本发明提供的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的噪声提取单元结构示意图；图3为本发明提供的非均匀校正卷积神经网络结构示意图。
如图1所示，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，其特征在于，包括：
构建噪声提取单元；
通过噪声提取单元构建非均匀校正卷积神经网络；
对非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络；
将预设图像输入训练后的非均匀校正卷积神经网络，获取增益校正参数和偏置校正参数；
通过预设图像、增益校正参数和偏置校正参数，得到校正后的预设图像。
进一步地，如图2所示，噪声提取单元包括：卷积层和激活层；其中，
卷积层用于提取输入的特征图的特征参数；
激活层的输入端连接卷积层的输出端，用于增加卷积层层输出的特征参数的稀疏性。
具体地，构建噪声提取单元包括：
S11：配置卷积层。该卷积层的卷积核大小W×H，卷积核数量O，步进值为S，边缘填充为P。优选地，在本实施例中，W×H＝3×3，O＝64，S＝1，P＝1。
S12：配置激活层。该激活层的激活函数采用修正线性单元(RectifiedLinearUnit，简称ReLU)激活函数，该激活层的输入连接卷积层的输出，能够使卷积层输出的特征参数的分布更加稀疏，从而加速收敛过程。
ReLU激活层的数学表示为：
f(x)＝max(0，x)
其中，x是卷积层的输出。
具体地，上述卷积层和激活层组成了噪声提取单元，需要说明的是，卷积核的大小、卷积核的数量和步进值还可以是其他数值，具体按照实际需求进行设定。
进一步地，通过噪声提取单元构建非均匀校正卷积神经网络，包括：
通过噪声提取单元分别构建非均匀性提取子网络、增益校正参数估计子网络和偏置校正参数估计子网络；
将非均匀性提取子网络的输出端分别连接增益校正参数估计子网络和偏置校正参数估计子网络的输入端，构建非均匀校正卷积神经网络。
进一步地，通过噪声提取单元分别构建非均匀性提取子网络、增益校正参数估计子网络和偏置校正参数估计子网络，包括：
通过L个噪声提取单元依次连接构建非均匀性提取子网络；即依次构建L个噪声提取单元，并依次将前一个噪声提取单元的输出端连接到后一个噪声提取单元的输入端，直至连接至最后一个，形成非均匀性提取子网络，其中，L为大于0的自然数。优选地，在本实施例中，L的值为6。
通过M个噪声提取单元依次连接构建增益校正参数估计子网络；即依次构建M个噪声提取单元，并依次将前一个噪声提取单元的输出端连接到后一个噪声提取单元的输入端，直至连接至最后一个，构建形成增益校正参数估计子网络，其中，M为大于0的自然数。优选地，在本实施例中，M的值为9。
通过N个噪声提取单元依次连接构建偏置校正参数估计子网络；即依次构建N个噪声提取单元，并依次将前一个噪声提取单元的输出端连接到后一个噪声提取单元的输入端，直至连接至最后一个，构建形成增益校正参数估计子网络，其中，N为大于0的自然数。优选地，在本实施例中，N的值为9。
具体地，非均匀性提取子网络的输入端为非均匀校正卷积神经网络的输入端；增益校正参数估计子网络的输出端为非均匀校正卷积神经网络的第一输出端；偏置校正参数估计子网络的输出端为非均匀校正卷积神经网络的第二输出端。
进一步地，对非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络，包括：
创建预设训练集；
通过优化器和预设训练集对非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络。
进一步地，创建预设训练集，包括：
对数据集进行处理，获取原始图像集；
具体地，数据集为伯克利图像分割数据集500(Berkeley Segmentation Data Setand Benchmarks 500，简称：BSDS500)。在此数据集中使用翻转、缩放的数据增强方式，截取大小为40×40像素的36万张原始图像，作为原始图像集。
对原始图像集增加偏置噪声，得到样本训练集；
具体地，向原始图像集的每张原始图像随机添加均值为0、标准差为0～20的偏置噪声，得到样本训练集。
对样本训练集增加条带增益噪声，得到预设训练集。
具体地，向样本训练集的每张图片添加均值为1、标准差为0～0.15的条带增益噪声，得到预设训练集。
通过优化器和预设训练集对非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络，具体为：
在得到预设训练集之后，使用Adam优化器，通过预设训练集对非均匀校正卷积神经网络进行训练，其中，训练的批次大小设置为128，训练时以0.001的学习率训练25回合，然后再以0.0001的学习率训练25回合，共计训练50回合，得到训练后的非均匀校正卷积神经网络。
具体地，训练后的非均匀校正卷积神经网络中的非均匀性提取子网络，用于提取输入非均匀性提取子网络的特征图的非均匀性特征；训练后的非均匀校正卷积神经网络中的增益校正参数估计子网络，输入为非均匀性提取子网络输出的非均匀性特征，输出为增益校正参数，记录为G；训练后的非均匀校正卷积神经网络中的偏置校正参数估计子网络，输入为非均匀性提取子网络输出的非均匀性特征，输出为增益校正参数，记录为O。
进一步地，将预设图像输入训练后的非均匀校正卷积神经网络，获取增益校正参数和偏置校正参数，具体为：
将预设图像输入训练后的非均匀校正卷积神经网络，通过第一输出端得到增益校正参数G，通过第二输出端得到偏置校正参数O。
具体地，通过所述预设图像、所述增益校正参数和所述偏置校正参数，得到校正后的预设图像，具体为：
其中，为所述校正后的预设图像，G为所述，表示点对点相乘，Y为所述预设图像，表示点对点相加，O为所述偏置校正参数。
本发明提供的校正方法有效估计增益校正参数和偏置校正参数，并利用这些参数对红外图像进行校正，有效地适应非均性的漂移并抑制鬼影现象，校正后的图像中非均匀性残留更少，具有更高的精度，图像细节更加丰富，具有更加锐利的视觉效果。
本发明实施例的效果可以通过以下仿真实验进一步说明。
本实验采用常用的传统神经网络法、全变分神经网络法以及本发明提供的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分别对红外图像序列进行非均匀性校正。请参见图4至图7，图4为一张待校正的红外图像；图5为采用传统神经网络法对待校正的红外图像进行校正后的图像；图6为采用全变分神经网络法对待校正的红外图像进行校正后的图像；图7为采用本发明提供的校正方法对待校正的红外图像进行校正后的图像。
如图4至图7所示，可以看出，经本发明的校正方法校正后的红外图像较之另外两种方法的校正后的图像非均匀残留的更少，峰值信噪比更高，粗糙度更低，边缘更清晰。
下面，分别采用峰值信噪比(PSNR)和粗糙度(ρ)来量化对照评估现有的传统神经网络法、全变分神经网络方法的性能以及本发明提出的性校正方法、实验结果如下表：
由上表可见：
(1)经本发明提出的校正方法校正后的图像的峰值信噪比(PSNR)明显高于传统神经网络法和全变分神经网络法，说明经本发明提出的校正方法校正后的图像保留了图像中更多的细节，图像失真更小。
(2)经本发明提出的校正方法校正后的图像的粗糙度ρ低于传统神经网络法和全变分神经网络法，说明本发明方法对图像的非均匀性校正效果更好，图像中非均匀性残留更少。
上述结果充分说明了，本发明提出的校正方法针对红外图像的非均性校正效果更好，图像中的细节信息也更加锐利。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。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，都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于并联残差网络模型的红外图像非均匀性校正方法，其特征在于，包括：
构建噪声提取单元；
通过所述噪声提取单元构建非均匀校正卷积神经网络；
对所述非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络；
将预设图像输入所述训练后的非均匀校正卷积神经网络，获取增益校正参数和偏置校正参数；
通过所述预设图像、所述增益校正参数和所述偏置校正参数，得到校正后的预设图像。
2.根据权利要求1所述的红外图像非均匀性校正方法，其特征在于，所述噪声提取单元包括：卷积层和激活层；其中，
所述卷积层用于提取输入的特征图的特征参数；
所述激活层的输入端连接所述卷积层的输出端，用于增加所述卷积层层输出的特征参数的稀疏性。
3.根据权利要求1或2所述的红外图像非均匀性校正方法，其特征在于，通过所述噪声提取单元构建非均匀校正卷积神经网络，包括：
通过所述噪声提取单元分别构建非均匀性提取子网络、增益校正参数估计子网络和偏置校正参数估计子网络；
将所述非均匀性提取子网络的输出端分别连接所述增益校正参数估计子网络和所述偏置校正参数估计子网络的输入端，构建所述非均匀校正卷积神经网络。
4.根据权利要求3所述的红外图像非均匀性校正方法，其特征在于，通过所述噪声提取单元分别构建非均匀性提取子网络、增益校正参数估计子网络和偏置校正参数估计子网络，包括：
通过L个所述噪声提取单元依次连接构建所述非均匀性提取子网络；
通过M个所述噪声提取单元依次连接构建所述增益校正参数估计子网络；
通过N个所述噪声提取单元依次连接构建所述偏置校正参数估计子网络；其中，L、M、N为大于0的自然数。
5.根据权利要求3所述的红外图像非均匀性校正方法，其特征在于，所述非均匀性提取子网络的输入端为所述非均匀校正卷积神经网络的输入端；
所述增益校正参数估计子网络的输出端为所述非均匀校正卷积神经网络的第一输出端；
所述偏置校正参数估计子网络的输出端为所述非均匀校正卷积神经网络的第二输出端。
6.根据权利要求5所述的红外图像非均匀性校正方法，其特征在于，对所述非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络，包括：
创建预设训练集；
通过优化器和所述预设训练集对所述非均匀校正卷积神经网络进行训练，得到训练后的非均匀校正卷积神经网络。
7.根据权利要求6所述的红外图像非均匀性校正方法，其特征在于，创建预设训练集，包括：
对所述数据集进行处理，获取原始图像集；
对所述原始图像集增加偏置噪声，得到样本训练集；
对所述样本训练集增加条带增益噪声，得到所述预设训练集。
8.根据权利要求7所述的红外图像非均匀性校正方法，其特征在于，所述数据集为伯克利图像分割数据集500。
9.根据权利要求5所述的红外图像非均匀性校正方法，其特征在于，
将预设图像输入所述训练后的非均匀校正卷积神经网络，获取增益校正参数和偏置校正参数，具体为：
将所述预设图像输入所述训练后的非均匀校正卷积神经网络，通过所述第一输出端得到所述增益校正参数，通过所述第二输出端得到所述偏置校正参数。
10.根据权利要求1所述的红外图像非均匀性校正方法，其特征在于，通过所述预设图像、所述增益校正参数和所述偏置校正参数，得到校正后的预设图像，具体为：
其中，为所述校正后的预设图像，G为所述增益校正参数，表示点对点相乘，Y为所述预设图像，表示点对点相加，O为所述偏置校正参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811000007.8A CN109191401A (zh) | 2018-08-30 | 2018-08-30 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811000007.8A CN109191401A (zh) | 2018-08-30 | 2018-08-30 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109191401A true CN109191401A (zh) | 2019-01-11 |
Family
ID=64917175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811000007.8A Pending CN109191401A (zh) | 2018-08-30 | 2018-08-30 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109191401A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872286A (zh) * | 2019-01-22 | 2019-06-11 | 西安电子科技大学 | 一种基于fpga的低功耗多通道非均匀性图像校正方法及*** |
| CN110782403A (zh) * | 2019-10-09 | 2020-02-11 | 天津大学 | 一种红外图像非均匀性校正方法 |
| CN112187266A (zh) * | 2020-09-29 | 2021-01-05 | 中国电子科技集团公司第三十六研究所 | 一种模数转换器的非线性校正方法、装置及电子设备 |
| CN112435177A (zh) * | 2020-11-10 | 2021-03-02 | 西安电子科技大学 | 基于sru与残差网络的递归红外图像非均匀校正方法 |
| CN113267254A (zh) * | 2021-05-16 | 2021-08-17 | 北京信息科技大学 | 一种红外成像非均匀性智能标定校正方法和*** |
| CN113900605A (zh) * | 2021-07-30 | 2022-01-07 | 武汉精测电子集团股份有限公司 | 一种电子设备的显示方法、显示***及应用 |
| CN116709003A (zh) * | 2022-10-09 | 2023-09-05 | 荣耀终端有限公司 | 一种图像处理方法和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL111506A (en) * | 1993-11-15 | 1997-08-14 | Hughes Aircraft Co | Scene based nonuniformity correction for imaging sensors |
| CN102483626A (zh) * | 2009-04-28 | 2012-05-30 | 空中客车运营有限公司 | 用于检测航空器***性能中***错误的残差的残差分析装置和方法 |
| KR101547929B1 (ko) * | 2014-04-09 | 2015-08-28 | 한화탈레스 주식회사 | 열영상 변환 처리 방법 |
| CN106017695A (zh) * | 2016-07-20 | 2016-10-12 | 上海航天控制技术研究所 | 基于运动状态估计的自适应红外非均匀性校正方法 |
| CN107464227A (zh) * | 2017-08-24 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度神经网络进行去除反射和平滑图像的方法 |
| CN107925415A (zh) * | 2015-09-03 | 2018-04-17 | 株式会社电装 | A/d转换器 |
-
2018
- 2018-08-30 CN CN201811000007.8A patent/CN109191401A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL111506A (en) * | 1993-11-15 | 1997-08-14 | Hughes Aircraft Co | Scene based nonuniformity correction for imaging sensors |
| CN102483626A (zh) * | 2009-04-28 | 2012-05-30 | 空中客车运营有限公司 | 用于检测航空器***性能中***错误的残差的残差分析装置和方法 |
| KR101547929B1 (ko) * | 2014-04-09 | 2015-08-28 | 한화탈레스 주식회사 | 열영상 변환 처리 방법 |
| CN107925415A (zh) * | 2015-09-03 | 2018-04-17 | 株式会社电装 | A/d转换器 |
| CN106017695A (zh) * | 2016-07-20 | 2016-10-12 | 上海航天控制技术研究所 | 基于运动状态估计的自适应红外非均匀性校正方法 |
| CN107464227A (zh) * | 2017-08-24 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度神经网络进行去除反射和平滑图像的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赖睿等: "级联残差学习的红外图像非均匀性校正方法", 《西安电子科技大学学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872286A (zh) * | 2019-01-22 | 2019-06-11 | 西安电子科技大学 | 一种基于fpga的低功耗多通道非均匀性图像校正方法及*** |
| CN110782403A (zh) * | 2019-10-09 | 2020-02-11 | 天津大学 | 一种红外图像非均匀性校正方法 |
| CN112187266A (zh) * | 2020-09-29 | 2021-01-05 | 中国电子科技集团公司第三十六研究所 | 一种模数转换器的非线性校正方法、装置及电子设备 |
| CN112187266B (zh) * | 2020-09-29 | 2024-03-08 | 中国电子科技集团公司第三十六研究所 | 一种模数转换器的非线性校正方法、装置及电子设备 |
| CN112435177A (zh) * | 2020-11-10 | 2021-03-02 | 西安电子科技大学 | 基于sru与残差网络的递归红外图像非均匀校正方法 |
| CN112435177B (zh) * | 2020-11-10 | 2023-12-08 | 西安电子科技大学 | 基于sru与残差网络的递归红外图像非均匀校正方法 |
| CN113267254A (zh) * | 2021-05-16 | 2021-08-17 | 北京信息科技大学 | 一种红外成像非均匀性智能标定校正方法和*** |
| CN113900605A (zh) * | 2021-07-30 | 2022-01-07 | 武汉精测电子集团股份有限公司 | 一种电子设备的显示方法、显示***及应用 |
| CN116709003A (zh) * | 2022-10-09 | 2023-09-05 | 荣耀终端有限公司 | 一种图像处理方法和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111861961B (zh) | 单幅图像超分辨率的多尺度残差融合模型及其复原方法 | |
| CN109215038A (zh) | 一种基于遥感影像的智能信息提取方法及*** | |
| GB2556761A (en) | Image contrast enhancement method | |
| CN111612722B (zh) | 基于简化Unet全卷积神经网络的低照度图像处理方法 | |
| CN107123094B (zh) | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 | |
| CN110335221B (zh) | 一种基于无监督学习的多曝光图像融合方法 | |
| CN106197673A (zh) | 一种自适应宽温度范围非均匀校正方法及*** | |
| CN107895350B (zh) | 一种基于自适应双伽玛变换的hdr图像生成方法 | |
| CN108022223A (zh) | 一种基于对数映射函数分块处理融合的色调映射方法 | |
| CN107833182A (zh) | 基于特征提取的红外图像超分辨率重建方法 | |
| CN111145102A (zh) | 一种基于卷积神经网络的合成孔径雷达图像去噪方法 | |
| CN109636747A (zh) | 应用于单幅红外图像非均匀校正的深度高频网络校正算法 | |
| CN102855610A (zh) | 采用参数正确性因子的红外图像非均匀性校正方法 | |
| CN112308803A (zh) | 一种基于深度学习的自监督低照度图像增强及去噪方法 | |
| CN111462002B (zh) | 一种基于卷积神经网络的水下图像增强与复原方法 | |
| CN114125495A (zh) | 视频质量评估模型训练方法、视频质量评价方法和装置 | |
| CN111932452A (zh) | 基于可见光图像增强的红外图像卷积神经网络超分辨方法 | |
| Fu et al. | Raw image based over-exposure correction using channel-guidance strategy | |
| CN109087270A (zh) | 一种基于改进的卷积匹配追踪管道视频图像去雾增强方法 | |
| Yang et al. | Improved retinex image enhancement algorithm based on bilateral filtering | |
| CN111080563B (zh) | 一种基于遍历寻优的直方图均衡方法 | |
| CN106851141A (zh) | 一种遥感图像的非均匀性校正方法 | |
| CN110189264A (zh) | 图像处理方法 | |
| CN109035150B (zh) | 一种基于光谱修正的遥感影像数据去雾方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
| RJ01 | Rejection of invention patent application after publication |