【技术实现步骤摘要】
本专利技术属于红外图像处理，具体涉及一种结合参考辐射源的深度学习非均匀校正方法。
技术介绍
1、近年来，随着数据量的增长和计算能力的提高，出现了许多新的人工智能方法，包括强化学习、迁移学习和深度学习。强化学习可以在对环境的有限了解和对决策质量的有限反馈的情况下运行，它广泛用于智能电网网络，通信网络等。迁移学习可以将大数据的模型迁移到小数据，实现个性化迁移，这是未来发展的方向。深度学习在图像处理中表现出最佳性能，例如图像分类，目标检测，人脸识别和超分辨率。原因是通过深度学习，网络会自动学习图像的各种信息特征，并将其保存在隐藏层中。
2、红外焦平面阵列(fpa)响应度的非线性是评价红外图像的一个主要问题，这将影响红外传感器的探测和分类能力。由于受探测器材料、相关制造技术等因素的影响，各检测元件对红外焦平面阵列(irfpa)的响应度不同，导致irfpa非均匀性校正(nuc)是irfpa的一项重要技术。随着红外焦平面阵列(irfpa)技术的快速发展，对非均匀性校正(nuc)技术提出了更高的要求，如果红外图像的不均匀性不能得到有效校正，就很难将目标信号与背景分离。nuc的算法主要分为两类：基于参考的算法和基于场景的算法；基于参考的算法依靠标准辐射源获得精确的辐射能量，常见的辐射源是黑体。该算法简单易用，并且具有良好的校正效果。
3、红外焦平面阵列是红外热成像系统的核心器件，是探测、识别和分析物体红外信息的关键，其性能直接决定了红外热成像系统的最终性能。在理想情况下，红外焦平面阵列接收到均匀的红外辐射时，不同探测元的
技术实现思路
1、为了充分发挥及应用深度学习在图像处理中的巨大优势，解决非均匀性噪声严重影响了红外图像质量，限制了后续图像处理精度的问题。
2、本专利技术便针对此由红外成像系统中不均匀噪声引起的柱条纹和随机噪声的问题，结合深度学习的方法，在参考辐射源的情况下，提供一种结合参考辐射源的深度学习非均匀校正算法，从而进行非均匀校正。
3、为此，本专利技术提供了一种结合参考辐射源的深度学习非均匀校正方法，包括如下步骤：
4、步骤1、数据集制作；
5、步骤2、将制作的数据集通过网络模型，使用有监督方式对网络模型进行训练，确定网络参数；
6、步骤3、使用训练好的网络模型对待矫正图片进行非均匀校正，得到校正后的图像。
7、进一步的，所述步骤1、数据集制作的具体过程是：
8、步骤101、真实黑体数据集准备，采集红外相机在不同温度段工作状态下的黑体图像数据，其中温度度数变为5℃～10℃，共需拍摄m个温度段；
9、步骤102、对比黑体数据集准备，由拍摄的黑体图像yp来获得与之对比校正的黑体图像yq；
10、步骤103、数据集制作，在深度学习过程中，为了避免需将数据集制作时将配对数据集进行分块和重组，具体操作如下：
11、首先，将m个温度下的配对图片进行分块，在分块时保证配对数据集的大小与位置保持一致，其中分块可为l*s块；
12、其次，将分块后的l*s*m*n数据集进行重组，在分块时保证配对数据集的大小与位置保持一致，其中重组后的图像大小仍为m*n；
13、至此，即可得到了m张不同温度下配对黑体数据。
14、进一步的，所述步骤102、对比黑体数据集准备，由拍摄的黑体图像yp来获得与之对比校正的黑体图像yq的具体过程是：
15、首先，通过得到了m×n张黑体图像后，计算出每个温度下的图像像素数据yp：
16、
17、其中，即为t1温度下黑体数据采集的有效图像，(i,j)表示m×n大小的图像中的每一个像元的位置，表示t1温度下第k张黑体图像；由此可得出m个温度{t1，t2，…,tm}下的m张黑体图像的数据
18、其次，通过黑体图像的数据计算有效黑体图像的配对图像yq；
19、
20、其中，是为t1温度下的对比校正的黑体图像，f(i，j)为非均匀校正函数；即可得到了m张宽温度下黑体数据的有效图像和对应的均匀响应图像
21、上述中，f(i，j)非均匀校正函数，可为一点矫正、两点校正、多点校正或基于曲线拟合的定标算法。
22、进一步的，所述步骤2、将制作的数据集通过网络模型，使用有监督方式对网络模型进行训练，确定网络参数的具体过程是：
23、步骤201、黑体图像作为输入图像x，首先采用n个3×3的卷积对输入图像x的浅层特征f0进行特征提取，如式(3)所示，将输入图像映射到高维特征空间，其中，
24、f0＝fconv(x) (3)
25、步骤202、信息通过由3个stl block(stlb)模块、一个3×3的卷积层与残差结构组成的深层特征提取模块fdf1，对f0(f0∈rh×w×c)提取深层特征，如式(4)所示：
26、fdf1＝fdf1(f0)＝fstlb(fstlb(fstlb(fconv(f0)))) (4)
27、其中stlb模块由6个stl层、一个3×3的卷积与残差结构组成，每个stl由2个归一化层(layer norm)、1个多头自注意(msa)模块、1个多层感知器(mlp)以及2个残差连接组成；
28、mlp包含2个全连接层与gelu激活函数；将尺寸为h×w×c的输入拆分为m×m的局部窗口并reshape为为窗口总数，每个窗口在每个窗口计算标准自注意力如式(5)与(6)所示；
29、q＝xpq,k＝xpk,v＝xpv (5)
30、
31、其中，pq、pk和pv是跨不同窗口共享的投影矩阵，b表示可学习相对位置编码，该处相对位置编码的加入可进一步提高模型的性能；
32、步骤203、图像特征fdf1经过下采样模块(down sampling block)，其中下采样模块包含2倍下采样层与一个3×3的卷积层，经过下采样模块后的图像特征为fdsf1；通过由2个stlb模块、一个3×3的卷积层与残差结构组成的深层特征提取模块fdf2对fdsf1提取图像特征，如式(7)所示：
33、
34、其中，为浅层特征，为深层特征；
35、图像特征fdf2经过下采样模本文档来自技高网...
【技术保护点】
1.一种结合参考辐射源的深度学习非均匀校正方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种结合参考辐射源的深度学习非均匀校正方法，其特征在于：所述步骤1、数据集制作的具体过程是：
3.如权利要求2所述的一种结合参考辐射源的深度学习非均匀校正方法，其特征在于：所述步骤102、对比黑体数据集准备，由拍摄的黑体图像Yp来获得与之对比校正的黑体图像Yq的具体过程是：
4.如权利要求1所述的一种结合参考辐射源的深度学习非均匀校正方法，其特征在于：所述步骤2、将制作的数据集通过网络模型，使用有监督方式对网络模型进行训练，确定网络参数的具体过程是：
5.如权利要求1所述的一种结合参考辐射源的深度学习非均匀校正方法，其特征在于：所述步骤3、使用训练好的网络模型对待矫正图片进行非均匀校正，得到校正后的图像的具体过程是：将步骤2中获得的参数结果保存为权值文件xx.pth。通过使用该权值文件初始神经网络，将输入待校正图像输入该网络结构即可得到非均匀性校正后的图像。
【技术特征摘要】
1.一种结合参考辐射源的深度学习非均匀校正方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种结合参考辐射源的深度学习非均匀校正方法，其特征在于：所述步骤1、数据集制作的具体过程是：
3.如权利要求2所述的一种结合参考辐射源的深度学习非均匀校正方法，其特征在于：所述步骤102、对比黑体数据集准备，由拍摄的黑体图像yp来获得与之对比校正的黑体图像yq的具体过程是：
4.如权利要求1所述的一种结合参考辐射源的深度学...
【专利技术属性】
技术研发人员：刘伟，陈继铭，段程鹏，
申请(专利权)人：西安中科立德红外科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。