基于暗通道先验的短波红外图像去雾

针对短波红外成像系统在雾霾天气下存在图像质量模糊、分辨率低等问题,本文提出了一种基于暗通道先验理论的短波红外图像去雾算法。本文首先通过改进的暗通道先验得到暗通道图像数据,然后基于暗通道数据对大气光进行估计;为了避免目标局部高亮或细节模糊,采用引导滤波和多尺度Retinex(Multi-scale retinex,MSR)对透射率图进行细化和增强处理,最后结合大气散射模型来反演出去雾图像。实验结果表明,经此算法处理后的短波红外图像在主观视觉和客观指标方面均得到了较好的验证,去雾效果显著、细节特征丰富且明亮度适宜。

一种自适应非均匀性校正算法

针对神经网络非均匀性校正算法(NN-NUC)存在的鬼影问题,分析了其形成的机理,提出一种自适应非均匀性校正算法.首先设计了一个去噪保边的高斯低通-三边联合滤波器;然后采用该滤波器取代NN-NUC算法的均值滤波器获取期望图像,以减少边缘像素估计误差,达到抑制鬼影的目的.采用仿真和实际红外图像序列进行实验的结果表明,该算法在有效地抑制鬼影的同时获得了较好的非均匀性校正效果.

改进的神经网络非均匀性校正算法研究

针对传统神经网络非均匀性校正算法所存在的像素点期望值估计不准确、场景长时间静止时校正图像发生衰退以及校正图像出现鬼影的问题,在原有的神经网络算法的基础上做了进一步的改进。主要包括三个部分:首先,计算场景的局部方差,设置合理判断阈值,区别不同的场景区域;再通过比较前后两帧场景的绝对误差值,判别场景是否静止,来控制校正参数是否更新;然后利用图像配准的方法,计算出帧间位移,对校正步长做出修正。最后与传统神经网络算法进行对比实验,结果表明,改进的神经网络算法在鬼影抑制和非均匀性校正方面都具有较好的效果。

自适应多点定标非均匀性校正算法

多点定标法校正精度较高,但需要选择合理的标定点才能达到理论的校正效果。本文提出了一种用于选择多点法标定点的算法。算法将残差作为选择标定点的判定条件,自适应地在焦平面响应曲线上确定标定点。探测器采集的原始图像经本文算法校正后图像的响应率不均匀性为0.31%,与传统的均匀分段多点法相比减少了约31%,多点法的校正精度得到了明显提高。