基于变分模态分解和长短期记忆网络的大平移抖动电子稳像算法

山地车载光电系统在采集图像的过程中经常出现大平移随机抖动,造成视频模糊、稳定性较差等问题。均值滤波法和小波变换法等算法通常根据帧间运动的物理特性(如频率、幅值等)建立数学模型。针对该类算法通常基于先验的滤波算子进行处理,缺乏一定的自适应性,难以适用于复杂的电子稳像应用环境的问题,提出一种基于变分模态分解(VMD)和长短期记忆(LSTM)网络的自适应电子稳像算法。通过对全局运动矢量序列依频率信息进行自适应分解,以获得一系列具有窄带特性的本征模态函数(IMF);同时,结合IMF的时空域信息,将IMF作为训练变量,搭建LSTM网络模型,对IMF进行分类,筛选出有意运动主导的IMF并重构出有意运动矢量序列,实现视频的稳定。实验结果表明,与均值滤波法和小波变换法等算法对比,所提算法所得结果分类准确度最高(最低91.4%),通过深度学习网络对频率、幅值、时空域信息等进行综合评判,对大平移抖动稳像有明显的提升效果,具有更好的鲁棒性。