时空域自适应滤波非均匀性校正算法

郭玉婷, 贾晓洪, 李丽娟, 刘俊明

郭玉婷, 贾晓洪, 李丽娟, 刘俊明. 时空域自适应滤波非均匀性校正算法[J]. 红外技术, 2023, 45(5): 482-487.
引用本文: 郭玉婷, 贾晓洪, 李丽娟, 刘俊明. 时空域自适应滤波非均匀性校正算法[J]. 红外技术, 2023, 45(5): 482-487.
GUO Yuting, JIA Xiaohong, LI Lijuan, LIU Junming. Space-Time Domain Adaptive Filtering Non-uniformity Correction Algorithm[J]. Infrared Technology , 2023, 45(5): 482-487.
Citation: GUO Yuting, JIA Xiaohong, LI Lijuan, LIU Junming. Space-Time Domain Adaptive Filtering Non-uniformity Correction Algorithm[J]. Infrared Technology , 2023, 45(5): 482-487.

时空域自适应滤波非均匀性校正算法

详细信息
    作者简介:

    郭玉婷(1998-)女,河南洛阳人,硕士研究生,主要研究方向为红外导引头信息处理技术。E-mail:641536183@qq.com

  • 中图分类号: TJ761.3

Space-Time Domain Adaptive Filtering Non-uniformity Correction Algorithm

  • 摘要: 由于红外焦平面探测器受到制造工艺等限制,图像不可避免地会存在非均匀性。传统神经网络算法会留下“鬼影”的问题,本文改进传统神经网络算法,利用引导滤波图像作为期望模板,防止图像的边缘被滤波器平滑。当场景运动时,通过时域迭代的策略来不断进行非均匀性校正参数的更新。为了抑制算法中常见的鬼影现象,设计了基于空域局部方差和时域场景变化率相结合的自适应学习率,利用前后的校正参数自适应调整阈值。实验仿真表明,本文所提的算法相比于传统算法均方根误差下降45.45%左右,可以在校正图像非均匀性的同时很好地抑制“鬼影”现象。
    Abstract: Because the infrared focal plane detector is limited by manufacturing technology, the image is inevitably nonuniform. The traditional neural network algorithm solves the "ghost" problem using the guided filtering image as the expected template to prevent image edge smoothing by the filter. When the scene is moving, the nonuniformity correction parameters are continuously updated using the time-domain iteration strategy. To suppress the common ghosting phenomenon in the algorithm, an adaptive learning rate was designed based on a combination of the spatial local variance and the time-domain scene change rate, and the threshold was adjusted adaptively using the correction parameters before and after. Simulation results show that the root mean square error of the proposed algorithm is reduced by 45.45% compared with that of the traditional algorithm, and the proposed algorithm can suppress the "ghost" phenomenon well while correcting image nonuniformity.
  • 红外成像技术已经广泛运用于军事、民用等领域。由于红外焦平面探测器制造工艺精度、材料等方面的原因,使外界红外能量场均匀输入至红外焦平面的每一个探测器单元时,呈现出的响应输出不一致,从而不可避免会存在图像数据的非均匀性问题,表现为空域固定图案噪声。非均匀性极大程度地影响了图像的质量,严重减低了系统的探测性能[1]

    目前,红外焦平面探测器非均匀性校正方法分为基于离线标定的校正和基于实时场景的校正[2]。离线标定的校正方法主要有:一点校正、两点校正、分段多点校正法等。主要通过在出厂前采集探测器对黑体的响应从而获得非均匀性校正的定标系数,并在需要时调用存储的系数[3]。然而存储两点系数需要占用部分资源,并且定标类方法难以应对红外焦平面探测器响应随时间偏移的问题[4],因此需要定期标定,带来复杂的人工操作[5]

    基于实时场景非均匀性校正的方法有:时域高通滤波[6]、恒定统计[7]、图像配准[8-9]、神经网络等算法[10]。此类算法利用对场景信息的估计来实现对校正系数的实时在线学习更新[11],此类算法无需重复标定,但精度不如标定类算法。目前基于场景的非均匀性校正方法需要场景和探测器间的相对运动,易产生“鬼影”,即缓慢运动目标在快速移开后原像位置出现反像[12],且滤波会模糊图像边缘、非均匀性抑制不彻底,容易干扰系统对目标的截获、跟踪[13]

    基于以上红外焦平面探测器非均匀性校正方法存在的问题,在传统神经网络算法的基础上,设计了一种时空域自适应滤波的非均匀性校正算法。

    根据人眼的视觉特性,Scribner等[14]提出了一种基于人工神经网络的非均匀性校正算法。区别于深度学习法,可以将这种方法理解成迭代滤波算法。通过设定适当的滤波模板作为非均匀性校正环节的期望值,将当前像素点的值与期望值相减得到误差函数,然后设定合适的学习率逐帧迭代,利用实时场景信息不断地更新校正系数从而修正图像的非均匀性[15]。算法的主要流程如图 1所示。

    图  1  神经网络法原理
    Figure  1.  Neural network method

    传统算法中,若当场景长时间静止或缓慢运动,则会被认为是固定图案噪声,从而被滤除,当场景突然运动时,会在原位留下反转图像,即“鬼影”。

    本文基于传统神经网络法,利用引导滤波优化期望图像,设计空域可调阈值的局部方差和时域场景变化相结合的学习率,在边缘细节处和当场景缓慢运动时,可自适应调整校正系数的更新步长。经测试,本算法可以在抑制“鬼影”的同时获得较好的非均匀性校正效果。

    红外焦平面阵列中非均匀性的主要来源包括:期间自身缺陷引起的非均匀性、放大电路引入非均匀性,器件的工作状态带来的非均匀性等。本文重点考虑由像元自身工艺缺陷和温度漂移产生的非均匀性,建立简化的线性模型。其公式为:

    $$ Y_n(i, j)=g_n(i, j) \cdot X_n(i, j)+o_n(i, j) $$ (1)

    式中:(i, j)为待校正像元所在的位置;n为视频的帧数;gn(i, j)和on(i, j)分别为实际的增益和偏置系数;Yn(i, j)为探测器的实际输出;Xn(i, j)为探测器的实际输入。

    通过逆变换来获得需要校正的系数,有公式:

    $$ X_n(i, j)=a_n(i, j) \cdot Y_n(i, j)+b_n(i, j) $$ (2)

    其中:

    $$ {a_n}(i, j) = \frac{1}{{{g_n}(i, j)}}, {b_n}(i, j) = - \frac{{{o_n}(i, j)}}{{{g_n}(i, j)}} $$ (3)

    式(2)中:an(i, j)和bn(i, j)是需要迭代求解的校正系数。利用滤波模板来设计期望函数,有公式:

    $$ \boldsymbol{f}_{i, j}(n)=\frac{\boldsymbol{x}_{i-1, j}(n)+\boldsymbol{x}_{i, j+1}(n)+\boldsymbol{x}_{i+1, j}(n)+\boldsymbol{x}_{i, j-1}(n)}{4} $$ (4)

    式中:fi, j(n)为校正后的输出;xi, j(n)代表了各个像元的原始输出。通过与期望函数作差即可得到误差矩阵:

    $$ \boldsymbol{e}_{i, j}(n)=\boldsymbol{y}_{i, j}(n)-\boldsymbol{f}_{i, j}(n)$$ (5)

    式中:yi, j(n)为校正输出结果,误差函数的构造通常采用均方误差的形式建立:

    $$ F\left[\boldsymbol{e}_{i, j}(n)\right]=\boldsymbol{e}_{i, j}(n)^2 $$ (6)

    通过梯度下降法对欧式距离的代价函数进行求解,得到公式:

    $$ \left\{\begin{array}{l} a_{i, j}(n+1)=a_{i, j}(n)-2 \mu x_{i, j}(n) \boldsymbol{e}_{i, j}(n) \\ b_{i, j}(n+1)=b_{i, j}(n)-2 \mu \boldsymbol{e}_{i, j}(n) \end{array}\right. $$ (7)

    式中:μ为学习率因子。

    公式(4)为传统的神经网络法所采用的四邻域均值滤波模板。虽然该模板可以取得很好的实时性,但是由于参考的有用信息过少,往往会带来不利的影响。由于引导滤波器相对于双边滤波器拥有更好的边缘保持效果,且不会出现梯度反转现象,因此本文参考引导滤波器设计了5×5的滤波模板。引导滤波假设:滤波输出是引导图像的线性变换[6],公式如下:

    $$ {q_i} = {a_k}{I_i} + {b_k}, \forall i \in {w_k} $$ (8)

    式中:q是引导图像I在像元k处大小为wk的窗口下的线性变换,对上式求导∇qaI,引导图像I出现边缘时,输出的结果也出现边缘,即引导滤波具有边缘保持能力。

    akbk为线性系数,输出q和输入待校正图像p之间差值最小,利用最小二乘法可求出表达式如下:

    $$ {a_k} = \frac{{\frac{1}{{\left| w \right|}}\sum\limits_{i \in {w_k}} {{I_i}{p_i} - {\mu _k}{{\bar p}_k}} }}{{\sigma _k^2 + \varepsilon }} $$ (9)
    $$ {b_k} = {\bar p_k} - {a_k}{\mu _k} $$ (10)

    式中:μkσk2分别表示引导图像I在窗口wk中的均值和方差;$ {\bar p_k} $是p在窗口wk内的均值;|w|是窗口内像素的个数;ε为正则化系数,很大程度上影响了滤波效果。本文采用待校正图像作为引导图,上式可简化为:

    $$ {a_k} = \frac{{\sigma _k^2}}{{\sigma _k^2 + \varepsilon }} $$ (11)
    $$ {b_k} = (1 - {a_k}){\mu _k} $$ (12)

    ε很小时,滤波器输出结果与原图近似;当ε很大时,在低方差区,相当于做加权均值滤波,在高方差区,对图像的滤波效果变弱,有助于边缘保持。在计算每个窗口的线性系数时,一个像素被多个窗口包含。因此,具体求某一点的输出,将所有包含该点的线性函数值平均即可,公式如下:

    $$ {q_i} = \frac{1}{{\left| w \right|}}\sum\limits_{k, i \in {w_k}} {({a_k}{I_i} + {b_k})} = {\bar a_i}{I_i} + {\bar b_i} $$ (13)

    鬼影的产生往往出现在图像的边缘区域,对于该区域,需要设计很小的学习率以提高算法的稳定性。本文基于空域局部方差设计自使用学习率因子[16],公式如下:

    $$ \mu_{\mathrm{s}}=\left\{\begin{array}{cc} 1-\frac{\operatorname{var}_{i, j}(n)}{\operatorname{Th}_{\mathrm{var}}}, & \operatorname{var}_{i, j}(n) \leq \mathrm{Th}_{\mathrm{var}} \\ 0, & \operatorname{var}_{i, j}(n)>\mathrm{Th}_{\mathrm{var}} \end{array}\right. $$ (14)

    式中:vari, j(n)为当前像素点的邻域方差;Thvar为设定的初始阈值,大于该值时空域学习率变为0,即该点的参数不更新。

    当算法刚开始学习非均匀性时,图像中的非均匀较强,空域局部方差初始阈值较大,随着算法学习到的非均匀性越来越多,校正后图像中的非均匀性逐渐变弱,此时用初始阈值可能会产生鬼影,本文基于此问题,设计自适应调整阈值的算法,公式如下:

    $$ \mathrm{Th}_{\mathrm{var}}= \begin{cases}\mathrm{Th}_{\mathrm{var}} & \left(b_{\text {old }}-b_{\text {new }}\right)>0.05 \\ \mathrm{Th}_{\mathrm{var}}-1 & \left(b_{\text {old }}-b_{\text {new }}\right) \leq 0.05\end{cases} $$ (15)

    式中:bnew为当前帧校正矩阵绝对值的均值;bold为上一帧校正矩阵绝对值的均值。用两者的差值代表校正矩阵的变化率,当变化率小于一定值时,认为非均匀性变弱,方差阈值降低。经测试,8 bit的图像数据的变化率阈值为0.05。

    当场景运动过慢或静止时,由于算法的持续更新学习到了场景的信息,此时校正图像上会产生大量的鬼影。因此计算两帧视频序列间的运动信息,由此设定基于场景运动的自适应学习率,公式如下:

    $$ {\mu _{\text{m}}} = \min (1, \max (az, b(z - c))) $$ (16)

    式中:a, b, c为常数系数;a, b分别控制了变化率很小和正常时的学习率。c表示变化率的阈值。其中:

    $$ z_n^2({i_0}, {j_0}) = \frac{1}{{{{(2l + 1)}^2}}}\sum\limits_{i = {i_0} - l}^{{i_0} + l} {\sum\limits_{j = {j_0} - l}^{{j_0} + l} {{{({I_n}(i, j) - {I_{n - 1}}(i, j))}^2}} } $$ (17)

    式中:z代表了场景的变化信息;l调整滤波器大小;In为当前帧校正图像;In-1为上一帧校正图像;(i0, j0)为像元所在位置。因此设置初始学习率μ0,整体的自适应学习率可表示为:

    $$ \mu=\mu_0 \mu_{\mathrm{s}} \mu_{\mathrm{m}} $$ (18)

    为了验证本文改进算法的效果,在公开的红外数据集上进行校正过程的定量分析。

    为了客观评价校正性能,采用均方根误差(Root Mean Squared Error, RMSE)和粗糙度ρ作为评价指标[17],对测试图进行定性分析。

    RMSE的定义表达式为:

    $$ {x_{{\text{RMSE}}}} = \sqrt {\frac{1}{{M \cdot N}}\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{{({{\hat I}_{(i, j)}} - {I_{(i, j)}})}^2}} } } $$ (19)

    式中:$ {\hat I_{(i, j)}} $和I(i, j)分别表示不含非均匀性的理想红外图像和经过非均匀性校正后的图像,RMSE可以度量两种算法的校正图像和无噪声图像的差异。RMSE越小,表示于无非均匀性图像越相似,校正效果越好。

    ρ的定义表达式为:

    $$ \rho = \frac{{{{\left\| {{h_1} * I} \right\|}_1} + {{\left\| {{h_2} * I} \right\|}_1}}}{{{{\left\| I \right\|}_1}}} $$ (20)

    式中:h1h2分别表示水平和竖直方向的差分滤波器;I表示待测试图像;‖I1代表I的1范数;*表示离散卷积。校正后的ρ越小,则表示图像粗糙程度越弱。

    视频源采用红外焦平面探测器采集的室内场景。由于工作电流等的原因,采集图像时会产生时域噪声,在图中表示为单帧随机的暗点,故本校正过程图组中加入原图作为参照,左列是原图,中间列是传统神经网络算法,右列是本文改进算法;由上至下(a)~(d)分别表示第0帧、25帧、100帧、200帧。初始学习率统一设置为0.05。

    图 2可看出,传统神经网络和本文改进算法都可以较好地抑制非均匀性。当图像中存在时域噪声时,传统神经网络算法在学习非均匀性的同时,也会学习到部分的之前帧的时域噪声信息,在当前帧留下“亮点”,产生“鬼影”,而本文的改进算法不会出现此问题。

    图  2  室内场景校正过程图
    Figure  2.  Indoor scene correction process diagram

    图 3为用两种方式进行校正后的图像粗糙度与帧数的关系,可以看出,在200帧时本文提出的改进算法校正图像的粗糙度略低于步长为0.05的传统神经网络算法,相比于传统神经网络算法下降了10.5%,相比于未校正图像下降了70.2%。结合图 2,神经网络算法并不能完全抑制非均匀性,且会产生鬼影,而本文改进算法在抑制“鬼影”的同时,兼顾非均匀性的抑制效果。

    图  3  室内场景校正前后的图像粗糙度对比
    Figure  3.  Roughness comparison of indoor scene before and after correction

    图 4可看出,改进算法存在空域自适应学习率、自适应滤波模板、时域调整学习率等条件约束,因而相对于传统算法收敛变慢,在50帧左右收敛,满足实时性指标。传统神经网络算法会学习到时域噪声信息,导致算法稳定性变差,第200帧均方根误差为0.0293,本文改进算法收敛后曲线几乎无波动,效果更稳定,第200帧均方根误差收敛于0.0187,相比传统算法下降了37.18%,与无非均匀性图像更近似,残余的非均匀性更小,且无“鬼影”现象出现。

    图  4  室内场景校正后均方根误差对比
    Figure  4.  RMSE comparison of indoor scenes after correction

    视频源采用公开的红外数据集。左边列是传统神经网络算法,右边列是本文改进算法;由上至下(a)到(d)分别表示第0帧、25帧、100帧、200帧。学习率统一设置为0.2。

    图 5可看出,传统算法在第100帧左上角的树和第200帧的交通灯处,产生了大量“鬼影”,而本文改进算法对非均匀性的校正和“鬼影”的抑制效果更好。

    图  5  室外场景校正过程图(每组图中左侧为传统神经网络算法,右侧是本文改进算法)
    Figure  5.  Outdoor scene correction process diagram(In each set of figures, the left is the traditional neural network algorithm, and the right is the improved algorithm in this paper)

    图 6所示,在200帧时,改进算法校正后图像粗糙度略低于步长为0.2的传统神经网络算法,相比于传统算法下降了4.7%,相比于未校正图像下降了67.2%。结合图 5,传统算法虽然可以获得更快的收敛速度,但却是以产生“鬼影”为代价,而本文改进算法可以在校正非均匀性的同时较好地抑制“鬼影”。

    图  6  室外场景校正前后的图像粗糙度对比
    Figure  6.  Roughness comparison of outdoor scene before and after correction

    图 7可看出,传统神经网络算法收敛较快,但本文改进算法在100帧左右也可收敛,满足实时性指标。传统神经网络算法波动较大,第200帧均方根误差收敛于0.0198;改进算法收敛后曲线波动小、较稳定,且均方根误差更小,收敛于0.0108,相比传统算法下降了45.45%,非均匀性校正效果更好。

    图  7  室外场景校正后均方根误差对比
    Figure  7.  RMSE comparison of outdoor scenes after correction

    本文针对红外焦平面探测器,对传统的神经网络算法会产生“鬼影”现象进行了改进,并于真实的红外数据上进行仿真。通过定性和定量的分析可以看出本文改进后的算法相比传统神经网络算法虽然收敛速度略慢于传统算法,但仍能在100帧左右收敛,满足实时校正的要求。校正效果更加稳定,几乎无“鬼影”现象产生,均方根误差相比于传统算法可下降45.45%左右,残余的非均匀性更小,有着较好的性能,进一步提高了红外焦平面探测器的在线校正能力,为工程实践提供了重要的参考价值。

  • 图  1   神经网络法原理

    Figure  1.   Neural network method

    图  2   室内场景校正过程图

    Figure  2.   Indoor scene correction process diagram

    图  3   室内场景校正前后的图像粗糙度对比

    Figure  3.   Roughness comparison of indoor scene before and after correction

    图  4   室内场景校正后均方根误差对比

    Figure  4.   RMSE comparison of indoor scenes after correction

    图  5   室外场景校正过程图(每组图中左侧为传统神经网络算法,右侧是本文改进算法)

    Figure  5.   Outdoor scene correction process diagram(In each set of figures, the left is the traditional neural network algorithm, and the right is the improved algorithm in this paper)

    图  6   室外场景校正前后的图像粗糙度对比

    Figure  6.   Roughness comparison of outdoor scene before and after correction

    图  7   室外场景校正后均方根误差对比

    Figure  7.   RMSE comparison of outdoor scenes after correction

  • [1] 马晓平, 赵良玉. 红外导引头关键技术国内外研究现状综述[J]. 航空兵器, 2018(3): 3-10. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ201803001.htm

    MA Xiaoping, ZHAO Liangyu. An overview of infrared seeker key technologies at home and abroad[J]. Aero Weaponry, 2018(3): 3-10. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ201803001.htm

    [2] 周永康, 朱尤攀, 赵德利, 等. 基于场景的红外焦平面非均匀校正算法综述[J]. 红外技术, 2018, 40(10): 952-960. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201810005.htm

    ZHOU Yongkang, ZHU Youpan, ZHAO Deli, et al. Overview of scene-based non-uniform correction algorithms for infrared focal plane[J]. Infrared Technology, 2018, 40(10): 952-960. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201810005.htm

    [3] 李旭, 杨虎. 基于两点的红外图像非均匀性校正算法应用[J]. 红外与激光工程, 2008, 37: 608-610. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ2008S2064.htm

    LI Xu, YANG Hu. Application of a non-uniformity correction algorithm for IRFPAs based on two points[J]. Infrared and Laser Engineering, 2008, 37: 608-610. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ2008S2064.htm

    [4] 关同辉, 张同贺. 一种新型实时两点非均匀性校正方法[J]. 航空兵器, 2021, 28(4): 112-117. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ202104018.htm

    GUAN Tonghui, ZHANG Tonghe. A new real-time two-point non-uniformity correction method[J]. Aero Weaponry, 2021, 28(4): 112-117. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ202104018.htm

    [5] 陈芳林. 基于场景的红外焦平面非均匀性校正算法及FPGA实现[D]. 南京: 南京理工大学, 2017.

    CHEN Fanglin. Scene-based Infrared Focal Plane Non-Uniformity Correction Algorithm and FPGA Implementation[D]. Nanjing: Nanjing University of Science and Technology, 2017.

    [6] 钱润达, 赵东, 周慧鑫, 等. 基于加权引导滤波与时域高通滤波的非均匀性校正算法[J]. 红外与激光工程, 2018, 47(12): 1204001-1-1204001-6. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201812022.htm

    QIAN Runda, ZHAO Dong, ZHOU Huixin, et al. Non-uniformity correction algorithm based on weighted guided filter and temporal high-pass filter[J]. Infrared and Laser Engineering, 2018, 47(12): 1204001 -1-1204001-6. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201812022.htm

    [7] 徐泽林, 路东明, 王利平, 等. 利用灰度差估计的条纹非均匀性校正方法[J]. 光学学报, 2021, 41(5): 511001-1-511001-6. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202105004.htm

    XU Zelin, LU Dongming, WANG Liping, et al. Fringe non-uniformity correction method based on gray different estimation[J]. Acta Optica Sinic, 2021, 41(5): 511001-1-511001-6. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202105004.htm

    [8]

    CHAO Zuo, QIAN Chen, GU Guohua, et al. Improved interframe registration based nonuniformity correction for focal plane arrays[J]. Infrared Physics & Technology, 2012, 55(4): 263-269. . http://www.onacademic.com/detail/journal_1000035395320710_83c7.html

    [9]

    ZUO C, ZHANG Y, CHEN Q, et al. A two-frame approach for scene-based nonuniformity correction in array sensors[J]. Infrared Physics & Technology, 2013, 60(1): 190-196. http://www.zuochao.org/uploads/1/1/0/7/11076000/2013_irt_tfnuc.pdf

    [10] 李谦, 杨波, 粟宇路, 等. 基于神经网络的红外焦平面光学非均匀性校正改进算法[J]. 红外技术, 2019, 41(3): 251-255. http://hwjs.nvir.cn/article/id/hwjs201903009

    LI Qian, YAN Bo, SU Yulu, et al. An improved algorithm for irfpa optical nonuniformity correction based on neural networks[J]. Infrared Technology, 2019, 41(3): 251-255. http://hwjs.nvir.cn/article/id/hwjs201903009

    [11]

    RONG Shenghui, ZHOU Huixin, QIN Hanlin, et al. Guided filter and adaptive learning rate based non-uniformity correction algorithm for infrared focal plane array[J]. Infrared Physics & Technology, 2016, 76: 691-697. http://www.sciencedirect.com/science?_ob=ShoppingCartURL&_method=add&_eid=1-s2.0-S1350449515300529&originContentFamily=serial&_origin=article&_ts=1480172376&md5=3e335208352d8436eca4420b9fdcff9b

    [12] 刘会通, 马红伟. 自适应非均匀性校正中"鬼影"问题的分析[J]. 红外技术, 2003, 23(5): 30-36. DOI: 10.3969/j.issn.1001-8891.2003.05.008

    LIU Huitong, MA Hongwei. An analysis of the ghosting artifact in adaptive nonuniformity correction[J]. Infrared Technology, 2003, 23(5): 30-36. DOI: 10.3969/j.issn.1001-8891.2003.05.008

    [13] 陈芳林, 张宝辉, 汪贵华, 等. 改进的神经网络非均匀性校正算法研究[J]. 科学技术与工程, 2016, 33(16): 215-220. https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201633039.htm

    CHEN Fanglin, ZHANG Baohui, WANG Guihua, et al. Research on improved neural network non-uniformity correction algorithm[J]. Science Technology and Engineering, 2016, 33(16): 215-220. https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201633039.htm

    [14]

    Scribner D A, Caulfield J T. Nonuniformity correction for staring IR focal plane arrays using scene - based techniques[C]//Proceedings of SPIE the International Society for Optical Engineering, 1990, 12: 21730.

    [15] 张红辉, 罗海波, 余新荣, 等. 改进的神经网络红外图像非均匀性校正方法[J]. 红外技术, 2013, 35(4): 232-237. http://hwjs.nvir.cn/article/id/hwjs201304011

    ZHANG Honghui, LUO Haibo, YU Xinrong, et al. Improved algorithm of neural network used in IR image non-uniformity correction[J]. Infrared Technology, 2013, 35(4): 232-237. http://hwjs.nvir.cn/article/id/hwjs201304011

    [16] 张菲菲, 王文龙, 马国锐, 等. 基于非局部均值滤波与神经网络的红外焦平面阵列非均匀性校正算法[J]. 红外技术, 2015, 37(4): 265-271. http://hwjs.nvir.cn/article/id/hwjs201504001

    ZHANG Feifei, WANG Wenlong, MA Guorui, et al. Neural network nonuniformity correction algorithm for infrared focal plane array based on non-local means filter[J]. Infrared Technology, 2015, 37(4): 265-271. http://hwjs.nvir.cn/article/id/hwjs201504001

    [17] 陆余洋君. 基于神经网络的红外焦平面非均匀性校正算法研究与FPGA实现[D]. 合肥: 中国科学技术大学, 2021.

    LU Yuyangjun. Research on Algorithms Nonuniformity Correction on Infrared Focal Plane Array Based on Neural Net Works and FPGA Implement[D]. Hefei: University of Science and Technology of China, 2021.

  • 期刊类型引用(1)

    1. 肖沁,李正周,刘海毅. 基于场景自适应方向引导滤波的红外成像非均匀性校正方法. 光子学报. 2024(11): 253-265 . 百度学术

    其他类型引用(0)

图(7)
计量
  • 文章访问数:  181
  • HTML全文浏览量:  100
  • PDF下载量:  61
  • 被引次数: 1
出版历程
  • 收稿日期:  2022-04-18
  • 修回日期:  2022-06-01
  • 刊出日期:  2023-05-19

目录

/

返回文章
返回