基于全卷积网络的红外图像非均匀性校正算法

针对红外成像系统在经过两点校正后,随时间漂移仍然会出现的非均匀性噪声,提出一种基于全卷积深度学习网络的红外图像非均匀性校正算法,使用子网络与主网络相结合的方式进行非均匀性校正。该算法设计了非均匀性等级估计子网络,将含有非均匀性噪声的红外图像输入子网络后,输出非均匀性等级估计图,并和待校正红外图像一并输入校正主网络。子网络生成的非均匀性等级估计图作为一个参数输入校正主网络,避免了网络只针对同一等级非均匀性产生过拟合。经过实验验证,该算法克服了传统的基于场景的算法所产生的边缘模糊问题,对条纹状非均匀性噪声校正效果较好,经过校正后的红外图像清晰度高、细节丰富、边缘清晰、图像质量良好。

基于帧间运动的神经网络非均匀性校正及其硬件实现

为解决红外焦平面阵列的非均匀性噪声制约红外成像质量问题,提出基于场景的神经网络非均匀性校正算法,利用帧间运动的图像序列实现非均匀性校正.先采用基于投影的运动估计算法选取神经网络算法的学习参考帧,再进行偏置矩阵计算的基于帧间运动判断的神经网络非均匀性校正算法,有效克服了传统SBNNT由于运动不足产生的鬼影问题.算法已在以TMS320DM643为处理核心DSP硬件处理平台上实现,取得了较好的校正效果.