[發(fā)明專利]應(yīng)用于單幅紅外圖像非均勻校正的深度高頻網(wǎng)絡(luò)校正算法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811473365.0
• 申請(qǐng)日: 2018-12-04
• 公開（公告）號(hào): CN109636747A
• 公開（公告）日: 2019-04-16
• 發(fā)明（設(shè)計(jì)）人: 簡(jiǎn)獻(xiàn)忠;呂辰
• 申請(qǐng)（專利權(quán)）人: 上海理工大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06T5/20
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐穎

1.一種應(yīng)用于單幅紅外圖像非均勻校正的深度高頻網(wǎng)絡(luò)校正算法，其特征在于，將單幅含有非均勻噪聲的圖像Y，先經(jīng)過雙邊濾波器，分離出高頻分量I_H和低頻分量I_L，其中低頻分量I_L為背景信息，將其去除；將包含圖像邊緣細(xì)節(jié)以及非均勻噪聲的高頻分量I_H作為深度殘差網(wǎng)絡(luò)的輸入，再通過訓(xùn)練后紅外圖像模型進(jìn)一步擬合，得出非均勻噪聲圖像N；最后將非均勻紅外圖像Y引入通過差值結(jié)構(gòu)將噪聲N從非均勻紅外圖像Y中提取出來，最終得到預(yù)估的校正紅外圖像X。

2.根據(jù)權(quán)利要求1所述應(yīng)用于單幅紅外圖像非均勻校正的深度高頻網(wǎng)絡(luò)校正算法，其特征在于，所述紅外圖像模型訓(xùn)練方法具體如下：

紅外圖像模型如下：

Y＝X+N

其中N為非均勻噪聲，X為真實(shí)的紅外原圖，Y為采集到的圖像；

在FIR Sequence Pedestrian Dataset數(shù)據(jù)集中獲得220張干凈紅外圖像,仿真處理得到圖片分辨率為360×512的干凈和含非均勻噪聲的紅外圖像對(duì)Z_i和Y_i，作為算法的訓(xùn)練圖像集；

紅外圖像模型整個(gè)訓(xùn)練的過程公式如下：

N_i＝M(I_H,i)

X_i＝Y(jié)_i-N_i

其中Z_i和Y_i為第i對(duì)參加訓(xùn)練的圖像，共有n對(duì)；N_i為第i對(duì)參加訓(xùn)練的圖像中的非均勻噪聲；I_H，i為第i對(duì)參加訓(xùn)練的圖像中的高頻成分；X_i為通過第i對(duì)參加訓(xùn)練的圖像得到的預(yù)估校正紅外圖像；M代表使用的網(wǎng)絡(luò)映射，F(xiàn)是弗羅貝尼烏斯范數(shù)，使用隨機(jī)梯度下降法來最小化損失函數(shù)L_OSS。

3.根據(jù)權(quán)利要求2所述應(yīng)用于單幅紅外圖像非均勻校正的深度高頻網(wǎng)絡(luò)校正算法，其特征在于，所述深度殘差網(wǎng)絡(luò)為:先使用大小為c×f₁×f₁×a的卷積核來生成a張?zhí)卣鲌D，c表示圖像信道的數(shù)量，再使用大小為a×f₂×f₂×a₁的卷積核產(chǎn)生a₁張?zhí)卣鲌D，最后使用a₁×f₃×f₃×c的卷積核來估計(jì)非均勻噪聲,其中f₁、f₂、f₃分別表示3個(gè)卷積的大小；

深度殘差網(wǎng)絡(luò)結(jié)構(gòu)表示為：

X_l＝max(0,w_l*X_l-1+B_l)

X_l+1＝max(0,w_l+1*X_l+B_l+1)+X_l-1

其中l(wèi)代表的是卷積的層數(shù)，w代表的是卷積的權(quán)重，B代表的是偏置，max(·)代表ReLu激活函數(shù)，X_l，X_l+1，X_l-1分別代表l層、l+1層，l-1層預(yù)估的校正紅外圖像值。