[發明專利]一種基于深度學習的紅外圖像非均勻性校正方法

有效

• 申請號: 201810582351.6
• 申請日: 2018-06-07
• 公開（公告）號: CN108921796B
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 賴睿;官俊濤;徐昆然;李奕詩;王東;楊銀堂;王炳健;周慧鑫;秦翰林
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 王海棟

1.一種基于深度學習的紅外圖像非均勻性校正方法，其特征在于，所述方法包括：

S1：構建第一多尺度特征提取單元；

S2：根據所述第一多尺度特征提取單元構建M個多尺度特征提取單元，形成偏置校正網絡，M為自然數；

S3：根據所述第一多尺度特征提取單元構建N個多尺度特征提取單元，形成增益校正網絡，N為自然數；

S4：將所述偏置校正網絡與所述增益校正網絡進行級聯操作，構建非均勻性校正網絡；

S5：對所述非均勻性校正網絡進行訓練，得到訓練后的校正網絡結構；

S6：將待校正的紅外圖像輸入所述訓練后的校正網絡結構中，獲得校正后的紅外圖像；

所述S1包括：

S11：分別配置第一卷積層、第二卷積層和第三卷積層；

S12：將所述第一卷積層的輸出、所述第二卷積層的輸出和所述第三卷積層的輸出按照通道方向依次進行拼接，形成輸出向量；

S13：根據所述輸出向量配置第四卷積層，并將所述第四卷積層的輸出作為第一多尺度特征提取單元。

2.根據權利要求1所述的方法，其特征在于，所述S11包括：

S111：配置第一卷積層，其中，所述第一卷積層的卷積核大小W×H＝1×1，卷積核數量O＝32，步進值為S＝1，邊緣填充為P＝1，激活函數采用ReLU激活函數；

S112：配置第二卷積層，其中，所述第二卷積層的卷積核大小W×H＝3×3，卷積核數量O＝64，步進值為S＝1，邊緣填充為P＝1，激活函數采用ReLU激活函數；

S113：配置第三卷積層，其中，所述第三卷積層的卷積核大小W×H＝5×5，卷積核數量O＝32，步進值為S＝1，邊緣填充為P＝1，激活函數采用ReLU激活函數。

3.根據權利要求2所述的方法，其特征在于，所述S13包括：

S131：將所述輸出向量作為輸入，配置第四卷積層，其中，所述第四卷積層的卷積核大小W×H＝1×1，卷積核數量O＝64，步進值為S＝1，邊緣填充為P＝1，激活函數采用ReLU激活函數；

S132：從所述第四卷積層輸出多尺度特征融合后的特征，形成第一多尺度特征提取單元。

4.根據權利要求3所述的方法，其特征在于，所述S2包括：

S21：按照步驟S1的卷積過程，依次構建M個多尺度特征提取單元，形成第一卷積神經網絡，其中，前一個多尺度特征提取單元的輸出作為后一個多尺度特征提取單元的輸入，M為自然數；

S22：將所述第一卷積神經網絡的輸入與所述第一卷積神經網絡的輸出進行點對點相加，形成偏置校正網絡。

5.根據權利要求4所述的方法，其特征在于，所述S3包括：

S31：按照步驟1的卷積過程，依次構建N個多尺度特征提取單元，形成第二卷積神經網絡，其中，前一個多尺度特征提取單元的輸出作為后一個多尺度特征提取單元的輸入，N為自然數；

S32：將所述第二卷積神經網絡的輸入與所述第二卷積神經網絡的輸出進行點對點相乘，形成增益校正網絡。

6.根據權利要求4或5所述的方法，其特征在于，M和N的取值在5-10的范圍內。

7.根據權利要求1所述的方法，其特征在于，所述S5包括：

S51：對所述非均勻性校正網絡中的每個卷積層的卷積核進行隨機初始化；

S52：利用訓練數據集對所述非均勻性校正網絡進行訓練，得到訓練后的校正網絡結構。

8.根據權利要求7所述的方法，其特征在于，所述訓練數據集為BSDS500數據集。