一种基于先验概率模型的红外图像去条纹方法技术

本发明专利技术公开了一种基于先验概率模型的红外图像去条纹方法，其实施步骤如下：1)用高斯模型对复原图像和已知带条纹图像的纵向一阶和二阶梯度差异进行建模；2)用先验概率模型对复原图像的横向一阶和二阶梯度分布进行建模；3)将步骤1)和步骤2)所得的模型进行相乘，得到完整的贝叶斯后验概率模型；4)对所得的概率模型求负自然对数，并将其转化为最大后验估计问题；5)采用迭代优化方法对步骤4)所得的问题进行求解。本发明专利技术能够有效去除红外图像中的条纹噪声，获得高质量的复原图像。

【技术实现步骤摘要】
一种基于先验概率模型的红外图像去条纹方法
本专利技术涉及计算机图像处理技术，特别涉及一种基于先验概率模型的红外图像去条纹方法。
技术介绍
典型的非制冷红外焦平面阵列由按矩阵式排布的像素和外围读出电路组成，其中的每一个像素都包含了温度传感器和绝热结构，这些像素利用温度传感器探测成像物体表面由于温度差异造成的热辐射能量差异，并将其转化为可视化的图像。由于非制冷红外焦平面阵列特殊的非线性能量响应特性，使其无法像可见光CCD那样获得较为理想的成像效果，所得的红外图像质量较差，包含了大量的固定模式噪声。其中，非均匀条纹就是典型的一种固定模式噪声，它的产生原因是由于在红外焦平面阵列中，一列像素通常共用相同的读出电路，由于各列像素的增益和偏置具有差异性，从而造成了图像中各列像素的差异，形成了纵向条纹。纵向条纹会向严重影响红外图像质量，遮盖图像细节，影响图像的辨识性。因此，非均匀条纹去除技术对于红外图像后处理而言，显得非常重要。传统的红外去条纹方法通常采用约束最小二乘方法，关键在于选择合适的约束条件，例如，可以选用各向同性总变分、各向异性总变分等等。
技术实现思路
本专利技术解决的技术问题是提供一种能够在仅已知单幅带条纹红外图像的情况下，有效去除图像中的条纹，提高图像对比度和清晰度，去条纹效果好的图像复原方法。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于先验概率模型的红外图像去条纹方法，包括如下步骤：1)用高斯模型对复原图像和已知带条纹图像的纵向一阶和二阶梯度差异进行建模；2)用先验概率模型对复原图像的横向一阶和二阶梯度分布进行建模；3)将步骤1)和步骤2)所得的模型进行相乘得到完整的贝叶斯后验概率模型；4)对所得的概率模型求负自然对数，并将其转化为最大后验估计问题；5)采用迭代优化方法对步骤4)所得的问题进行求解。所述步骤1)中，用于对复原图像和已知带条纹图像的纵向一阶和二阶梯度差异分布进行建模的高斯概率模型的表达式为：其中，g和u分别表示带条纹红外图像和复原图像；P(g|u)表示在u已知的条件下，g发生的后验概率；i表示像素索引，表示逐项求和运算，N表示复原图像的像素总数，表示纵向一阶梯度算子，表示纵向二阶梯度算子，表示将与g做卷积运算所得的g的纵向一阶梯度，表示的第i个像素；表示将与g做卷积运算所得的g的纵向二阶梯度，表示的第i个像素；表示将与u做卷积运算所得的u的纵向一阶梯度，表示的第i个像素；表示将与u做卷积运算所得的u的纵向二阶梯度，表示的第i个像素。所述步骤2)中，用于对复原图像横向一阶和二阶梯度概率分布进行建模的先验概率模型的表达式为：其中，φ为构成P(u)的函数，表示一维逐项求积运算，m＝0.5，α＝2是两个常数，P(u)表示复原图像的先验概率分布，表示横向一阶梯度算子，表示横向二阶梯度算子，表示将与u做卷积运算所得的u的横向一阶梯度，表示的第i个像素；表示将与u做卷积运算所得的u的横向二阶梯度，表示的第i个像素。所述步骤3)中的完整的贝叶斯后验概率模型的表达式为：P(u|g)∝P(g|u)P(u)其中，P(u|g)表示在g已知的条件下，u发生的后验概率；所述步骤4)中的最大后验估计问题的表达式为：其中，λ表示正则化系数，1000≤λ≤10000。所述步骤5)中的迭代优化方法的具体步骤如下：a)引入两组辅助变量b＝{bx,bxx}，d＝{dx,dxx}和一个加权系数β；b)利用辅助变量对步骤5)中的问题进行修正得到：c)bx，bxx，dx和dxx都初始化为与g大小相同的全零矩阵，β的值在100～1000之间选择；d)在第t次迭代中，固定u，dx和dxx的值，bx的第i个像素(bx)i的优化结果可通过求解下式中三次方程得到：若该方程仅有一个正根，则其为(bx)i的优化结果；若该方程的三个根均为负，则优化结果为0；若该方程有两个正根，则将它们带入下述函数，选择函数值较小的根作为优化结果对变量bx进行逐像素优化，得到bx的优化结果。e)固定u，dx和dxx的值，bxx的第i个像素(bxx)i的优化结果可通过求解下式中三次方程得到：若该方程仅有一个正根，则其为(bxx)i的优化结果；若该方程的三个根均为负，则(bxx)i的优化结果为0；若该方程有两个正根，则将它们带入下述函数，选择使函数值最小的根作为优化结果：对变量bxx进行逐像素优化，得到bxx的优化结果。f)固定u和优化所得的bx，bxx，变量dx的第i个像素(dx)i的优化结果以及dxx的第i个像素(dxx)i的优化结果可利用下式得到：...

【技术保护点】
一种基于先验概率模型的红外图像去条纹方法，其特征在于，包括如下步骤：1)用高斯概率模型对复原图像和已知带条纹图像的纵向一阶和二阶梯度差异分布进行建模；2)用先验概率模型对复原图像的横向一阶和二阶梯度分布进行建模；3)将步骤1)和步骤2)所得的模型进行相乘得到完整的贝叶斯后验概率模型；4)对所得的完整的贝叶斯后验概率模型求负自然对数，并将其转化为最大后验估计问题；5)采用迭代优化方法对步骤4)所得的问题进行求解。

【技术特征摘要】
1.一种基于先验概率模型的红外图像去条纹方法，其特征在于，包括如下步骤：1)用高斯概率模型对复原图像和已知带条纹图像的纵向一阶和二阶梯度差异分布进行建模；2)用先验概率模型对复原图像的横向一阶和二阶梯度分布进行建模；3)将步骤1)和步骤2)所得的模型进行相乘得到完整的贝叶斯后验概率模型；4)对所得的完整的贝叶斯后验概率模型求负自然对数，并将其转化为最大后验估计问题；5)采用迭代优化方法对步骤4)所得的问题进行求解；所述步骤1)中，用于对复原图像和已知带条纹图像的纵向一阶和二阶梯度差异分布进行建模的高斯概率模型的表达式为：其中，g和u分别表示带条纹红外图像和复原图像；P(g|u)表示在u已知的条件下，g发生的后验概率；i表示像素索引，表示逐项求和运算，N表示复原图像的像素总数；表示纵向一阶梯度算子，表示纵向二阶梯度算子，表示将与g做卷积运算所得的g的纵向一阶梯度，表示的第i个像素；表示将与g做卷积运算所得的g的纵向二阶梯度，表示的第i个像素；表示将与u做卷积运算所得的u的纵向一阶梯度，表示的第i个像素；表示将与u做卷积运算所得的u的纵向二阶梯度，表示的第i个像素。2.根据权利要求1所述的基于先验概率模型的红外图像去条纹方法，其特征在于，所述步骤2)中，用于对复原图像的横向一阶和二阶梯度分布进行建模的先验概率模型的表达式为：其中，φ为构成P(u)的函数，表示一维逐项求积运算，m＝0.5，α＝2，m、α是两个常数，P(u)表示复原图像的先验概率分布，表示横向一阶梯度算子，表示横向二阶梯度算子，表示将与u做卷积运算所得的u的横向一阶梯度，表示的第i个像素；表示将与u做卷积运算所得的u的横向二阶梯度，表示的第i个像素。3.根据权利要求2所述的基于先验概率模型的红外图像去条纹方法，其特征在于，所述步骤3)中的完整的贝叶斯后验概率模型的表达式为：P(u|g)∝P(g|u)P(u)，其中，P(u|g)表示在g已知的条件下，u发生的后验概率。4.根据权利要求1所述的基于先验概率模型的红外图像去条纹方法，其特征在于，所述步骤4)中的最大后验估计问题的表达式为：其中，λ表示正则化系数，1000≤λ≤10000。5.根据权利要求4所述的基于先验概率模型的红外图像去条纹方法，其特征在于，所述步骤5)中的迭代优化方法的具体步骤如下：a)引入两组辅助变量b＝{bx,bx...

【专利技术属性】
技术研发人员：董文德，杨新民，颜如祥，张翠侠，吕志远，王连山，张平，刘赟，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：江苏;32