基于盲解卷积的红外烟幕干扰图像去噪方法
如何应对图像识别中的噪声干扰(二)
标题：剖析图像识别中的噪声干扰：应对之道引言：人工智能的迅猛发展为图像识别技术的应用提供了广阔空间，然而在实际应用中，我们常常会遭遇到噪声干扰，严重影响了图像识别的准确性和可靠性。
本文将针对图像识别中的噪声干扰进行剖析，并就如何应对这些干扰提出一些有效的解决方案。
一、噪声干扰的来源噪声干扰可以来源于图像采集设备、信号传输过程和数据处理环节等多个环节。
例如，图像传感器的噪声、光照条件的变化、图像失真、图像压缩等都可能导致噪声的产生。
同时，在数据采集和传输过程中，信号受到环境干扰、传输过程中发生误码等问题，也会引入噪声干扰。
因此，我们需要从多个角度入手，综合应对噪声干扰。
二、预处理技术的应用预处理技术是处理噪声干扰的重要手段之一。
通过对图像进行降噪处理，可以提高识别算法的准确度。
常用的预处理技术包括中值滤波、均值滤波、高斯滤波等。
通过选择适当的滤波算法和参数，可以有效地降低图像中的噪声。
三、图像增强方法的运用在图像识别中，有时候图像的对比度较低，细节不够清晰，这也会对识别结果造成干扰。
因此，我们可以借助图像增强方法来提高图像的质量。
例如，直方图均衡化、灰度拉伸等技术可以提升图像的对比度和细节表现，使得识别算法更容易准确识别目标。
四、多角度和多尺度的特征提取为了提高图像识别的鲁棒性，我们可以综合考虑图像的多个特征，如颜色、纹理、形状等。
通过利用多种特征的组合，可以增加算法对噪声的抵抗能力，提高识别的准确性。
同时，图像的尺度信息也是影响识别结果的重要因素之一。
因此，我们可以采用多尺度的特征提取方法，从不同尺度上观察图像，提高识别的可靠性。
五、深度学习算法的引入近年来，深度学习在图像识别领域取得了重要突破。
深度学习算法能够通过自动学习特征表示，从而提高图像识别的效果。
例如，卷积神经网络（CNN）在图像识别中表现出色。
通过利用深度学习算法，可以有效地降低噪声干扰对图像识别的影响，提高准确度。
六、实时监测和调整策略在实际应用中，噪声干扰是一个动态的问题。
红外图像处理中的噪声抑制算法
红外图像处理中的噪声抑制算法红外图像处理是近年来快速发展的技术领域之一。
在许多领域如医学、军事、航空航天等都有广泛的应用。
然而，在红外图像处理中，图像噪声问题一直是令人头疼的难题。
噪声会干扰图像的质量和准确性，给图像分析和识别带来极大的困扰。
因此，噪声抑制问题的解决对于优化红外图像处理算法和提高图像识别准确率至关重要。
本文将着重探讨红外图像处理中常用的噪声抑制算法，并通过对比其优缺点，分析各算法的适用情况。
一、红外图像噪声种类及特点红外图像的噪声可以分为几类，例如热噪声、读出噪声、暗电流噪声、白噪声等。
各种噪声的产生和特点不同，因此需要采用不同的算法进行抑制。
其中，热噪声是指探测器自身的噪声，产生原因是探测器在工作时产生的内部能耗。
读出噪声指的是图像信号倍增器（或前置放大器）的电路噪声和电源噪声产生的影响。
暗电流噪声是指探测器在不接收红外光的情况下，仍会产生的噪声。
白噪声是指信号本身携带的噪声。
不同类型的噪声在红外图像中的体现形式各不相同，有些表现为图像中的均匀噪声，有些呈现为斑点噪声或者梯度噪声。
因此，针对不同类型的噪声需要采用不同的抑制算法。
二、常用噪声抑制算法1. 中值滤波算法中值滤波是一种经典的非线性滤波算法。
其原理是选取邻域内的中值来代替中心像素值。
在图像噪声较弱且呈现均匀分布时，该算法效果较好。
它不仅可以平滑图像、消除斑点噪声，还可以保留图像边缘的细节信息。
该算法的缺点是处理时间复杂度较高，因为每个像素都需要在邻域内进行排序。
2. 小波变换小波变换是一种基于滤波器组和逆滤波器组的线性滤波算法。
小波变换通过将原始信号分解成多个尺度和方向的子带进行分析和处理，可以有效地消除噪声，同时保留图像细节和边缘信息。
其优点是可以处理任意类型的噪声，尤其是对于梯度噪声和斑点噪声效果明显，而缺点是处理时间较长。
3. 非局部均值降噪算法该算法是最新的一种噪声抑制方法。
它基于局部图像块之间的相似性进行降噪处理。
红外图像去噪方法研究
红外图像去噪方法研究作者：邓鹏飞来源：《科学与财富》2016年第10期摘要：在社会科学技术不断进步的今天，人们对于红外技术的使用已经越来越熟练，无论是在军事或者民用领域中，红外技术都得到了有效的运用。
但是由于技术水平的限制，现阶段所形成的红外图像依然存在着图像模糊以及噪声较大等缺陷。
本文将分析红外图像的背景以及去噪过程，并且探究原有的去噪方法与小波去噪方法，旨在提高红外成像系统中图像的质量。
关键词：红外图像；小波变换；图像去噪一、红外图像的背景在技术水平愈加成熟的今天，红外成像技术已经在很多领域有着突出贡献，例如医疗、探测等方面，不过随着人们对红外成像技术认识的不断的提高，技术自身的缺点也逐渐被人们所产察觉，红外图像的对比度较低且边缘较为模糊，在使用过程中噪声大，并且容易受到环境因素影响，使结果偏离出实验本身。
所以，提高红外成像技术的图像质量是技术进步的关键点，上个世纪八十年代开始，国内外已经将研究目光转移到了图像质量上来，随着科研力量的不断投入，已经研究出了一些新的理论与算法，但是就现代化多变的自然环境来言，现阶段的科研成果还不能满足人们对于红外成像技术的需要，目前研究的方向基本上集中于在空域、频域中进行，在“时、频”层面上，小波变换能够同时对其进行分析，进一步使二维信号分解到不同的分标率，因此学者对于红外成像的研究热点也都集中在对于小波变换的应用上，以期通过熟练的掌握这种技术有效的提高图像的质量，准确的获得信息。
二、红外图像的产生过程红外图像产生的原理是非常容易理解的，任何存在于自然界之中的物体，在其温度高于绝对零度的情况下，其自身会向外界进行红外辐射作用。
通过相应的技术手段，对其辐射程度进行探测，在温度差异与辐射频域差异的基础上使探测信号形成图像，呈现出灰色的红外探测图像。
在成像过程中，成像系统首先需要将红外光进行加工处理，使其变成可见光，具体作用可分为两个部分，首先对光学进行转换工作，使红外辐射经过处理成为电信号，电信号能够反映出红外辐射的强弱程度，是信息传递的主要方式，第二部分是将已经转换的电信号反映到显示器上，利用电子学处理功能，实现从电信号的视觉的转换，形成成可见的红外图像。
红外图像条带噪声消除算法研究
西安电子科技大学 学位论文独创性声明
秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切法律责任。
Abstract
III
Abstract
Due to the limitation of both the existing manufacture level and material, the response characteristics of infrared focal plane array detection units is not consistent, which leads to non-uniformity within pixels. As a result, stripping noise is presented in the infrared images, which affects the infrared image seriusly both in quality and resolution. Therefore, eliminating the stripe noise and enhancing the image signal-to-noise ratio has become a hot topic in the field of infrared image processing. At present, aiming at the problem of infrared image signal to noise ratio is low, basically non-uniformity correction algorithm is adopted to deal with. So, this paper first introduced the mechanism and response model of non-uniformity and the basic non-uniformity correction algorithms. Because of the shortcomings and deficiencies of these algorithms, their application in engineering does not fully meet the requirements. This paper further studied the formation mechanism of strip noise in infrared image and the common distripping algorithm in image. Based on the absorption of the advantages of these algorithms and combined with the characteristics of less data and rich content, piecewise polynomial fitting and median pretreatment were applied to the distripping algorithm. Then the improved method of polynomial fitting filtering and piecewise fitting filtering based on median pretreatment were proposed. The theoretical analysis and experimental results show that the proposed two new algorithms principle is simple, practical, and can effectively eliminate stripe noise in infrared images to improve the image signal-to-noise ratio. Keywords: infrared image median pretreatment stripe noise piecewise polynomial fitting
基于盲信号处理的图像去噪声研究
舰 船 电 子 对 抗
Ｓ ＩＢ Ｈ Ｐ ０ＡＲＤ ＥＬＥ ＣＴＲ０ＮＩ Ｃ０ＵＮＴＥＲＭ Ｅ Ｃ ＡＳ ＵＲＥ
Ａｐ ． ０１ ｒ２ ２
Ｖｏ ＿ ５ Ｎｏ ２ ｌ３ ．
基 于 盲信 号处理 的 图像 去 噪声研 究
李 பைடு நூலகம்鹏 ， 江友 平
１ 盲分 离技 术 的基 本 原理
在盲 信号 分 离 （ Ｓ ） Ｂ Ｓ 问题 中 ， 信 号 的 混 合 分 源 为线 性混 合 和 非 线 性 混 合 。线 性 混 合 的 Ｂ Ｓ问 题 Ｓ 在不 考虑 噪声 情况 下 ， 般可 以用 以下方程 来描 述 ： 一
（ 船舶 重工 集 团公 司 ７３所 ， 州 ２ ５ ０ ） ２ 扬 ２０ １
摘要 ： 对研究 图像进行预处理 ， 在尽量去 除噪声 和保持 图像信息不 受损前提下 ， 提出了一种改进 型快 速独立分量 分
析 （Ｃ ） 法 ， 合 ＭＡＴ ＡＢ编程 软件 对 快 速 Ｉ Ａ 算 法 进 行 优 化 和 实 现 。测 试 结 果 表 明通 过 本 文 算 法 优 化 和 代 码 ＩＡ 算 结 Ｌ Ｃ 优 化 在 图像 质 量 上 取 得 了 良好 效 果 。
噪声 方法 ， 噪声滤 除不完 全 ， 或 或去噪 同时也 减弱 了
ｍ 维数 据 向量 ； （）一 Ｉ Ｓ ， ， ， Ｊ ｓ ｓ ， 。 … ｓ ］ 为 维 源 信号 向量 ； Ａ
描述成 ：
Ｘ （） ＝ ￡ ＝ ＝ＡＳ（ ）＋ Ｎ （ ） （） ２
× 维矩 阵 ， 之为 混合矩 阵＿ 。 称 ２ ］
的分 离 。
是 ： ｓ 在 （）和 Ａ都是 未 知 的情 况 下 ， 用 已知 观 测 利
基于卷积神经网络的红外图像去噪方法研究
+士 ~~4■斗/1I*echnical-玖木2不二/1Column基于卷积神经网络的红外图像去噪方法研究朱宜生“，孙成“(1.中国船舶重工集团第七二三研究所，扬州，225001；2.中国船舶工业电工电子设备环境与可靠性试验检测中心，扬州225001)摘要：为了更有效地去除红外图像中的噪声，提出一种基于卷积神经网络的红外图像去噪方法。
该方法构建了一个由卷积子网和反卷积子网构成的网络结构，卷积子网提取图像的特征，反卷积子网通过特征图重建原始图像。
对无噪声图像通过加噪的方式得到含噪声图像，由此构成训练集和测试集，通过Tensorflow对训练集中的红外图像样本进行训练，拟合出含噪声图像和无噪声图像的映射关系，并利用学习到的映射关系对测试集进行去噪。
实验结果表明，与传统的去噪方法相比，随着噪声强度的增大，本文方法能更有效的去除红外图像中的噪声，获得更好的视觉效果和更高的峰值信噪比。
关键词：图像去噪；卷积神经网络；红外图像中图分类号：TP394文献标识码：A文章编号：1004-7204(2019)06-0099-05Infrared Image Denoising Based on Convolutional Neural NetworkZHU Yi-sheng12,SUN Cheng1,2(1.China Shipbuilding Industry Corporation No.723Institute,Yangzhou225001;2.China Shipbuilding Industry Electrical Equipment Environment and Reliability Test and Testing Center,Yangzhou225001)Abstract:In order to remove the noise in the infrared image more effectively,a denoising method based on convolutional neural network is proposed.This method constructs a network structure composed of convolutional subnet and deconvoluted subnet,the convolution subnet extracts the features of the image,and the deconvolution subnet reconstructs the original image through the feature map.The image with noise is obtained by adding noises to the image without noise to form a training set and a test set,Tensorflow is used to train infrared image samples in training set to fit the mapping function between image with noise and image without noise,and use the learned mapping function to denoise the test set.Experimental results show that compared with the traditional denoising method,the proposed method can effectively remove the noise in the infrared image under high noise environment,and achievea better visual effect and a higher peak signal-to-noise ratio.Key words:image denoising：convolution neural network:infrared image引言红外热成像检测作为一种非接触式的测量方法，以其安全、可靠、准确等优点，在军事和民用领域中被广泛地应用，如目标探测、测温和医学等。
基于盲源分离的智能图像和语音信号去噪方法
2020.25科学技术创新基于盲源分离的智能图像和语音信号去噪方法韩春润吴一帆李佳蔚姚禹(江苏警官学院，江苏南京210031)在某些数字化或传输过程中，智能图像和语音信号经常因设备和环境因素，产生噪声。
消除智能图像和语音信号中的噪声一直是图像和语音处理[1]领域必不可少的研究课题。
目前，大多数降噪算法都是将含噪声的智能图像和语音信号作为混合信号进行滤波降噪，并未注意智能图像、语音信号和噪声之间存在统计上的独立关系。
使用正交频分复用降噪会破坏源信号的完整性，在去除噪声的同时，还会去除一些有用的信号。
尽管扩频通信技术不会对源信号造成损害并且可以弥补正交频分复用技术的不足，但降噪效果较差，并会保留一些干扰噪声。
在处理结果中，在源信号上还会依附一些干扰噪声。
因此，在空域或是在变换域中进行降噪，降噪结果往往呈现出噪声未完全去除或图像、语音信号减弱的情况。
盲源分离理论是将噪声信息、图像信号和语音信号识别为两个独立信号，然后盲源分离两个信号从而获得图像信号、语音信号和噪声信号的过程。
该方法具有良好的图像和语音去噪能力，对原始图像或语音数据具有良好的保护作用[2]。
之后，利用对称正交化方法进行独立分量提取，实现降噪。
本文利用对比实验来验证该方法的有效性。
结果表明，采用该方法进行降噪，智能图像的分辨率更高，语音信号的信噪比更大，证明该方法比传统降噪方法效果更好。
1基于盲源分离的独立分量分析降噪方法在原始数据未知的情况下处理源数据以获得所需源数据的过程就是盲源分离。
其基本思想是当源信号独立时将混合信号转化为独立的源信号[3]，从而使生成的信号彼此独立。
解决盲源分离问题的重要方法就是独立分量分析。
本研究基于独立分量分析的盲源分离降噪方法，流程如图1所示。
1.1通道信号采集图2是所用的智能图像采集设备，其主要由多路视频PCI-E 图像采集卡MV-E8000、MV-300专业图像采集卡、MV-350医用高清图像采集卡和MV-U2000便携式USB 总线图像采集盒组成。
基于盲源分离技术的扫描图像去噪方法[发明专利]
![基于盲源分离技术的扫描图像去噪方法[发明专利]](https://img.taocdn.com/s3/m/5ac7371904a1b0717ed5dd16.png)
专利名称：基于盲源分离技术的扫描图像去噪方法专利类型：发明专利
发明人：刘涵,赵跃,成斐鸣
申请号：CN200710018577.5
申请日：20070904
公开号：CN101127084A
公开日：
20080220
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于盲源分离技术的扫描图像去噪方法，该方法的步骤包括将原始图像线性化得到的矩阵、将得到的矩阵预白化、设定迭代次数、方阵的迭代处理、归一化处理、获得分离矩阵、获得分离的图像、校正图像。
该方法在对印刷品的扫描图像去噪时，能够在未知噪声特征时，利用图像噪声的相关性及盲源分离理论，将印刷品正反两面的扫描图像作为盲源问题中的两个源信号的混合信号，采用扩展Infomax方法进行分离，简化了计算量，提高了运算的速度和准确度，从而达到扫描图像去噪的目的。
本发明所述方法可以应用于扫描图像去噪、图像识别、OCR等技术领域，具有非常广阔的应用前景。
申请人：西安理工大学
地址：710048 陕西省西安市金花南路5号
国籍：CN
代理机构：西安弘理专利事务所
代理人：罗笛
更多信息请下载全文后查看。
红外图像噪声消除方法、装置及系统[发明专利]
![红外图像噪声消除方法、装置及系统[发明专利]](https://img.taocdn.com/s3/m/83c7f0af69eae009591becb1.png)
专利名称：红外图像噪声消除方法、装置及系统专利类型：发明专利
发明人：周峰,乔梦阳,韩周迎,叶磊,李统福,李焘然申请号：CN201710702069.2
申请日：20170816
公开号：CN109410125A
公开日：
20190301
专利内容由知识产权出版社提供
摘要：本发明涉及图像处理技术领域，尤其涉及一种红外图像噪声消除方法、装置及红外定位系统。
该方法包括：获取红外热源接收装置采集的第一红外图像，第一红外图像中包含有红外光点，红外光点中包括预定红外热源的红外光点；根据第一红外图像中红外光点的像素参数以及预设的像素参数范围，对第一红外图像中的红外光点进行过滤，从而确定出红外光点中的预定红外热源的红外光点。
本发明实施例提供的红外图像噪声消除方法、装置及红外定位系统能够有效的过滤掉红外图像中的干扰红外光点。
申请人：深圳超多维科技有限公司
地址：518000 广东省深圳市前海深港合作区前湾一路1号A栋201室
国籍：CN
代理机构：深圳市六加知识产权代理有限公司
代理人：王广涛
更多信息请下载全文后查看。
图像去噪应用领域
自动套色印刷图像处理系统的研究——图像的去噪及分割自动套色印刷图像处理系统的研究摘要在凹版印刷生产中，为了保证印刷品的质量，要在印刷过程中配备误差检测设备。
传统的检测方法有基于光电头的检测、人工视觉观察套印标记检测等方法。
光电检测过程不透明，可视化效果差；人工检测受人为因素影响，自动化水平不高。
本文提出了基于图像分析的检测方法，此种方法的自动化水平高，可视化效果好。
在此种检测方法中，首先CCD摄像机采集用来检测的标记图像；然后把采集的图像传给计算机；此图像在显示器上显示，并在计算机内存中进行处理。
在本文中对采集的标记图像进行了去噪和分割处理。
本文研究的几个主要内容为：（1）了解了套印误差检测的一般原理，分析了所采集图像的图像格式，介绍了数字图像处理的相关理论；（2）研究了几种类型的颜色模型，包括RGB、HSI、HLS和灰度模型，并编程比较变换结果；（3）研究了图像去噪和增强的几种方法，包括直方图均衡化、中值滤波、同态滤波和彩色增强，进行了程序设计，比较处理结果；（4）研究了图像分割的几种算法，固定阈值分割、基于罗伯特交叉算子和索贝尔算子的边缘检测，并编程比较了分割效果；（5）比较选择每个步骤中最合适的算法，综合设计成一套图像处理方法。
本文设计的图像处理方法是对图像分析用在凹版套印误差检测中的初步尝试与探索。
首先将采集到的彩色图像转换为灰度图像，然后采用同态滤波器进行去噪处理，最后用固定阈值分割得到分割结果，进行误差检测。
本系统在试验平台上经过试验，得到误差信息的检测精度可以达到1个像素。
本系统中的程序在DOS平台上用Borland C++语言编制。
复合材料剪切散斑检测图像的小波降噪技术研究张坚; 耿荣生前言：电子剪切散斑检测技术非常适宜复合材料的无损检测。
散斑图像往往含有较大的噪声,如何对散斑图像进行降噪处理是一个非常重要的问题。
小波变换是变分辨率的分析方法,用小波降噪技术处理散斑图像可以有效地降低噪声,同时能较好地保存图像细节。
如何应对图像识别中的噪声干扰(一)
如何应对图像识别中的噪声干扰图像识别的发展已经取得了长足的进步，这离不开人们对于图像处理和算法的不断探索与研究。
然而，在实际应用过程中，噪声干扰往往是不容忽视的现实问题。
本文将深入探讨如何应对图像识别中的噪声干扰，并提出一些解决方案。
一、噪声的类型和来源在图像识别过程中，噪声指的是通过各种因素引入的图像损坏或扭曲，从而导致图像无法被正确识别的情况。
噪声主要分为两类：随机噪声和系统噪声。
随机噪声是由于环境、设备或传输等因素导致的图像质量下降。
例如，传感器的杂散噪声、光线反射、电磁干扰等都是常见的随机噪声。
而系统噪声则是由于图像采集、传输或存储等过程中产生的误差所引起的。
二、降噪算法的应用降噪算法是解决图像识别中噪声干扰的常见方法之一。
常用的降噪算法包括均值滤波、中值滤波、高斯滤波等。
均值滤波是一种简单而常用的降噪算法。
该算法通过计算像素周围邻域像素的平均值来取代原始像素值。
中值滤波则是通过取邻域像素的中位数来代替原始像素值。
高斯滤波则是通过对像素周围的权重进行加权平均来消除噪声。
在应对图像识别中的噪声干扰时，不同的降噪算法可以根据具体情况进行选择和调节。
例如，如果噪声主要是由于信号传输过程中引入的随机噪声，可以选择高斯滤波进行降噪。
而如果噪声主要来源于图像采集设备，则可以考虑使用均值或中值滤波算法。
三、深度学习模型的优化除了传统的降噪算法，深度学习模型也可以应用于图像识别中的噪声干扰处理。
深度学习模型可以通过学习大量数据的特征，提高图像识别的准确性和稳定性。
在深度学习中，卷积神经网络（CNN）是一种常见的模型架构。
为了应对图像识别中的噪声干扰，可以通过对CNN模型进行优化来提高识别性能。
例如，可以增加卷积层的深度和数量，以增强模型对图像的抽象和特征提取能力。
此外，也可以通过增加正则化项、引入批归一化等方法来提高模型的泛化能力和稳定性。
四、数据增强和集成学习除了降噪算法和深度学习模型的优化外，数据增强和集成学习也是应对图像识别中噪声干扰的有效手段。
【CN109767403A】一种基于场景的红外焦平面阵列条状噪声消除方法【专利】
G06T 5/00(2006 .01)
(10)申请公布号 CN 109767403 A (43)申请公布日 2019.05.17
( 54 )发明 名称 一种基于场景的红外焦平面阵列条状噪声
消除方法 ( 57 )摘要
本发明公开了一种基于场景的红外焦平面 阵 列条状噪 声 消除 方法 ，获取输入图 像 ，结合输 入图 像中 每一 列像素的 增益参数 和偏置参数建 立条状噪声校正模型 ；根据条状噪声校正模型中 每一列像素的增益参数和偏置参数建立最小化 能量函数 ，通过欧拉方程对最小化能量函数求 解，得出每一列像素的最优增益参数和最优偏置 参数，将最优增益参数和最优偏置参数应用到条 状噪声校正模型中得出更新校正后的图像；本发 明根据条状噪声的产生激励，使用局部线性模型 校正输入图 像 ，进而得到去噪图 像 ，不会造成图 像模糊，可以补偿图像采集硬件的缺陷。
其中，E(gn ,bn)为最小化能量函数，gn为图像中第n列像素集的增益参数，bn为图像中第n
列像素集的偏置参数， 表示梯度运算，um ,n表示校正图像中第m行第n列的像素值，|·|表 示L1范数，|·|2表示L2范数，λg和λb是常量。
4 .如权利要求3所述的一种基于场景的红外焦平面阵列条状噪声消除方法，其特征在 于，所述梯度下降法步骤b中新的增益参数值和偏置参数值求解方法为：
其中， 为第k次循环后得出的校正图像中第m行第n列的像素值。
3
CN 109767403 A
说 明 书
1/5 页
一种基于场景的红外焦平面阵列条状噪声消除方法
【技术领域】 [0001] 本发明属于图像采集与图像处理领域，具体涉及一种基于场景的红外焦平面阵列 条状噪声消除方法。
红外图像条纹噪声消除方法
红外图像条纹噪声消除方法隋修宝;陈钱;顾国华【期刊名称】《红外与毫米波学报》【年(卷),期】2012(031)002【摘要】The mechanism of stripe noise was analyzed.An algorithm for eliminating stripe noise in one frame time was proposed.The algorithm obtains the extreme value of every row pixels by traversing all pixels of a frame in local window and computes noise gain and offset parameters through the succession of adjacent row pixels.By setting adaptive threshold value,eliminating the influences of image edges and system noise,we can achieve the precise gain and offset parameters and complete the eliminating algorithm for stripe noise.The experiment and theoretical analysis indicate that our algorithm can eliminate stripe noise effectively in one frame time.%分析了条纹噪声的产生机制,并提出了能够在一帧时间内完成的去除条纹噪声算法.该算法利用局部窗口遍历一帧图像的所有像元,获得每行像元的极值,并通过相邻行之间灰度值的继承性完成一帧图像的校正参数的计算；通过设定合适的阈值消除图像边缘和系统噪声对参数精度的影响.实验结果和理论分析表明,提出的算法能够在一帧时间内有效地消除红外图像的条纹噪声.【总页数】7页(P106-112)【作者】隋修宝;陈钱;顾国华【作者单位】南京理工大学光电工程重点学科实验室,江苏南京210094;南京理工大学光电工程重点学科实验室,江苏南京210094;南京理工大学光电工程重点学科实验室,江苏南京210094【正文语种】中文【中图分类】TN215【相关文献】1.数学形态学滤波算法在红外图像噪声消除中的应用 [J], 高育鹏;黄树采;白云2.中巴资源卫星-02星CCD图像条纹噪声消除方法研究 [J], 韩晓勇;张海军3.基于双边滤波器的红外图像条纹噪声消除算法 [J], 王书朋;高腾4.基于引导滤波的红外图像条纹噪声去除方法 [J], 张盛伟;向伟;赵耀宏5.基于虚拟仪器的动车图像条纹噪声消除算法 [J], 于涛;王慧聪;杨世凤因版权原因，仅展示原文概要，查看原文内容请购买。
一种新型的红外影像ME噪声去除方法
一种新型的红外影像ME噪声去除方法
李岩;张炳先
【期刊名称】《红外》
【年(卷),期】2016(37)11
【摘要】记忆效应(Memory Effect,ME)噪声是发生在红外光机扫描仪影像中的一种条带噪声.扫描条带中,有明显亮暗突变位置的景物的ME噪声尤其明显,会严重影响影像的目视效果.传统的ME噪声去除方法基于系统脉冲响应函数构建复原滤波器,使用复原滤波器对图像进行复原.该方法的缺点是必须有精确的系统脉冲响应函数.针对传统方法的不足,提出了一种新的ME噪声去除算法.该算法利用影像自身的辐射信息,使用检测模板遍历整景影像以检测ME噪声,对检测到的噪声使用迭代法去除.最终,选取资源一号01星的IRMSS影像进行了试验.结果表明,该方法可以有效去除ME噪声,从而提升图像的辐射质量.
【总页数】5页(P24-28)
【作者】李岩;张炳先
【作者单位】北京空间机电研究所,北京100094;北京空间机电研究所,北京100094
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.基于小波变换的噪声及背景同时去除方法在血糖近红外无创检测中的应用 [J], 张广军;李丽娜;李庆波;徐玉坡
2.基于引导滤波的红外图像条纹噪声去除方法 [J], 张盛伟;向伟;赵耀宏
3.双边滤波与矩匹配融合的高光谱影像条带噪声去除方法 [J], 王春阳;郭增长;王双亭;芦碧波
4.基于多通道融合的遥感影像电子学噪声去除方法 [J], 张炳先; 李岩; 何红艳
5.用小波变换去除红外图像中1/f噪声的方法 [J], 朱梦宇;赵保军;韩月秋
因版权原因，仅展示原文概要，查看原文内容请购买。
一种红外图像条纹噪声的消除方法_CN109903235A
在上面的公式中，M是图像的行号，u(j)是第j列像素的平均值，ux(j)是u(j)的梯度。 5 .如权利要求1至3中任一项所述的消除方法，其特征在于，在第三步中 ，通过求解欧 拉-拉格郎日方程，来实现目标函数E的最小化，具体公式如下： zxx(j)-bxx(j)-λ[b(j)]＝0； 在上面的公式中，zxx(j)、bxx(j)分别是z(j) ，偏差b(j)的二阶导数，均为迭代过程的中 间量。
2
CN 109903235 A
说 明 书
1/4 页
一种红外图像条纹噪声的消除方法
技术领域 [0001] 本发明涉及图像处理技术领域，特别是涉及一种红外图像条纹噪声的消除方法。
背景技术 [0002] 目前，红外成像在工业，军事和医疗应用中非常重要，因为它可以获取人们的红外 信息。 [0003] 红外焦平面阵列(IRFPA)主要用于红外成像系统，红外焦平面阵列IRPFA由小型传 感器和读出电 路组成 ，属于红外光学 系统焦平面上 ，可使整个视场内景物的 每一个像元与 一个敏感元相对应的多元平面阵列红外探测器件。 [0004] 对于红外焦平面阵列IRPFA，由于元件的不匹配和制造过程中参数的变化，像素的 空间响应 和读出电 路的 偏置电 压是不同的 。不均匀性导致非 均匀性噪 声 ，称为固定模式噪 声(FPN) ，它的存在严重降低所采集的红外图像的质量。其中，鉴于在红外焦平面阵列IRPFA 中 ，读出电 路通常是同 一列像元或者同 一行像元共享同 一个输出电 路。由 于列输出电 路的 偏置电 压不完全一致 ，导致图 像中包含以 纵向条纹 (即列条纹) 为主要特征的 条纹噪 声 ，即 为非均匀噪声。 [0005] 为了提升红外图像的质量，进行非均匀性校正(non-uniformity correction， NUC) ，是改善红外图像的必要步骤。 [0006] 探测器一行或一列输出共用一个放大器，因此会产生横向或纵向的非均匀性条 纹，这种条纹噪声作为一种特殊的非均匀性噪声，在红外焦平面成像系统中尤为突出，普通 的一点非均匀性校正或两点非均匀性校正方法都无法滤除此种噪声。 [0007] 在早期研究中，通过使用统计，假设将每个传感器的均值和标准差与增益和偏差 参数 相关联 ，假定输入辐照度是均匀分布的随 机变量 ，并且所有像素传感器具有 相同的 均 值和标准偏差 ，这样可以 通过采 用线性模式 ，来估计每个传感器的 偏置和增益。但是这种假 设只有在图像序列很长并且运动足够大，以至于每个传感器扫过场景的许多不同部分时才 是合理的。 [0008] 另一种基于代数场景的非均匀校正方法，该方法不依赖于关于场景温度的任何统 计或场景分集假设，它采用图像序列中的帧间子像素移位的估计和线性用于提取关于偏差 非均匀性的信息的运动的插值模型。还有的方案，将每个传感器的增益和偏差建模为高斯马尔可夫随 机变量 ，并使 用卡尔曼滤波器更新这些传感器的 增益 和偏置估计值。在此基础 上，通过并行禁用卡尔曼滤波器，根据自身的动态模型参数，来估算每个传感器的增益和偏 差。通过形成由每个卡尔曼滤波器呈现的所有估计的加权叠加来实现增益和偏差的最终估 计。 [0009] 但是，现有的对红外单帧图像的技术处理方案，均较为复杂，实时性较差，具有一 定的 局限 性 ，无法及时 有效地对红外单帧图 像中存在的 条纹噪 声进行校正 ，提升最终获得 的红外单帧图像的图像质量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第39卷 第7期 激光与红外Vol.39,No.7 2009年7月 LASER & I N FRARE D July,2009 文章编号:100125078(2009)0720769204・图像与信号处理・基于盲解卷积的红外烟幕干扰图像去噪方法汪 伟,程 翔,唐力伟,王 平(军械工程学院兵器测试中心,河北石家庄050003)摘 要:介绍了多频谱红外烟幕弹爆炸后,红外热像仪所采集图像产生噪声的原因及噪声模型;并根据烟幕干扰退化图像噪声的点扩展函数难以准确描述的特性,应用频域迭代盲解卷积算法进行红外图像去噪,根据算法原理并结合烟幕干扰图像的噪声特点,对算法进行了适当的改进。
实验证明,该方法去噪效果明显,有效地克服了维纳滤波等传统图像去噪方法使图像变模糊的现象,并使烟幕干扰图像的有效区域得到增强。
关键词:多频谱烟幕弹;图像去噪;盲解卷积;频域迭代中图分类号:T N973.3 文献标识码:AM ethod for i m age restorati on with iterati ve bli n d deconvoluti onunder the i n frared s moke i n terferenceWANG W ei,CHENG Xiang,T ANG L i2wei,WANG Ping(W eapon Test Center,O rdnance Engineering College,Shijiazhuang050003,China)Abstract:This paper intr oduces the reas ons of noise causing collecti on by electr oop tical infrared i m aging which inter2ferenced by multis pectral infrared bomb.It uses the iterative blind deconvoluti on in frequency domain t o rest ore thei m age when the PSF is unknown.This paper p r operly i m p r oved the method of the i m age rest orati on based on the char2acteristics of infrared s moke interference i m ages.The experi m ent p r oves that the methods of this paper have goodeffects of i m age rest oring,it effectively avoided the blurring of i m ages when wi p ing off the noises.A ls o it makes the re2gi ons of s moke screen f or i m ages t o be enhanced.Key words:multis pectral s moke bomb;i m age rest orati on;blind deconvoluti on;iterative in frequency domain1 引 言多频谱红外烟幕干扰弹可干扰遮蔽从近红外到中远红外多波段的复合探测,具有良好的遮蔽干扰效果。
这就使得光电成像观瞄装备的成像效果受到干扰和影响,极大地制约了目标探测与识别系统的性能发挥。
目前,武器系统的探测及识别设备大多应用了目标成像的原理,所以目标能否被探测和识别主要取决于成像系统所得到的目标图像质量。
于是,图像处理及分析技术就成为系统的关键。
在外场烟幕干扰下,图像在生成和传输过程中容易受到光照程度、传感器温度、环境和气象条件等因素的干扰和影响,使图像可能出现畸变、模糊、失真和混入噪声。
通过对外场烟幕干扰下实验图像的分析,发现烟幕弹爆炸后会产生大量的亮点噪声,同时也会由于瞬时探测器系统自身的原因和信道误差产生各种噪声,从而使图像质量变差。
为了抑制噪声、改善图像质量,避免因为复杂噪声而造成的结果误判,需要对烟幕干扰图像进行降噪处理。
2 理论分析2.1 多频谱红外烟幕弹干扰图像的噪声模型噪声污染是图像退化的一个重要方面,要去除图像噪声的影响,首先应建立烟幕干扰图像的退化模型,一帧烟幕干扰图像g的获取过程可理解为目标及烟幕区域背景的亮度分布f和点扩散函数h进行卷积运算的过程[1]。
建立退化模型的关键是确定点扩展函数。
噪声图像g(x,y)可用下列模型表示: 作者简介:汪 伟(1963-),男,副教授,主要从事机电工程及武器性能检测与故障诊断方向的研究。
收稿日期:2008212215;修订日期:2009203204 g (x,y )=H [f (x,y )]+n (x,y )(1)其中,烟幕图像的场景辐射能量在物平面上的分布用f (x,y )描述;经过红外热像仪等成像系统H 后,在成像平面上得到的图像能量为H [f (x,y )];n (x,y )为烟幕干扰图像的噪声。
对于空间位移不变系统,物平面分布函数H [f (x,y )]可分解为δ函数加权积分的形式,所以对于线性移不变退化系统的噪声模型用表达式可描述为:g (x,y )=κR 2f (α,β)h (x -α,y -β)dαd β+n (x,y )=f (x,y )3h (x,y )+n (x,y )(2)其中,α,β是f (x,y )的任意随机量;h (x -α,y -β)是系统H 对坐标(x,y )处强度为1的冲击响应;R 为物平面分布半径;3表示卷积;h (x,y )表示噪声模型的点扩展函数[2]。
烟幕干扰图像g (x,y )噪声模型的结构描述如图1所示。
图1 烟幕干扰图像的噪声模型 由噪声模型可见,图像去噪问题就是根据g (x,y ),h (x,y )和n (x,y )来求得f (x,y )的过程。
红外成像传感器由于受烟幕扩散及大气湍流作用的影响,会使图像产生模糊,受烟幕干扰及噪声影响图像的降质系统的频域模糊降质函数为:H (u,v )=ex p [-C (u 2+v 2)5/6](3)其中,C 为与烟幕扩散及大气湍流作用有关的常数。
对于瞬时爆炸的多频谱红外烟幕弹,其烟幕扩散的动力学特性与受大气湍流作用的影响更为复杂,此时降质系统传递函数变成随机性质。
对于红外热成像系统,决定其噪声模型的点扩展函数的因素很多,众多因素综合作用的结果往往就使得点扩展函数趋于高斯型。
高斯噪声降质的点扩展函数可表示为:h (x,y )=k exp (-α(x 2+y 2))(x,y )∈C 0其他(4)其中,k 为归一化常数;C 为点扩展函数的h (x,y )的作用域,一般为圆形。
高斯噪声的概率密度函数可表示为:p (z )=12πσe-(s -μ)2/2σ2(5)其中,z 表示灰度值;σ表示z 的标准差,μ表示z 的期望值;σ2称为z 的方差。
对于一般的受高斯噪声污染的烟幕干扰图像,z 的值有70%落在[(μ-σ),(μ+σ)]范围内;90%落在[(μ-2σ),(μ+2σ)]范围内[2-3]。
某型多频谱红外烟幕弹外场试验时经红外成像传感器采集到的含噪声退化图像如图2所示。
图2 某型烟幕弹干扰下的红外含噪声图像2.2 频域迭代盲解卷积烟幕干扰图像的去噪算法通过以上分析可见,多频谱红外烟幕弹干扰下图像噪声产生的原因受多种因素的影响,较为复杂。
其噪声模型可能存在的点扩展函数会由于烟幕弹爆炸后的复杂特性,难以精确描述。
除以上两种降质函数外,仍会有其他原因导致图像混入噪声。
若直接采用小波去噪法去除高斯噪声,会使图像在去噪的同时变模糊,而且去噪效果也不明显,不能达到预期目的。
盲解卷积图像去噪算法是利用原始含噪声图像,估计点扩展函数和清晰图像的一种恢复方法。
它是一种迭代方法,每一种迭代都可以提高解的似然性,随着迭代次数的增加,最终会收敛在具有最大似然性的解处。
该算法在对失真情况毫无先验知识的情况下,仍能实现对噪声图像的恢复操作[3-4]。
频域迭代盲解卷积算法就是在未知点扩展函数h (x,y )的前提下,从噪声图像中最大程度地提取原始图像f (x,y )。
根据式(1)可将图像的加性噪声表示为:n (x,y )=g (x,y )-f (x,y )3h (x,y )(6)假设E (∫n 2d x )=σ2,其中E (x )是随机变量的期望,则式(6)可表示为:‖h 3f -g ‖2=E [∫(h 3f -g )2d x ]≈‖n ‖2=E (∫n 2d x )=σ2(7)由式(6)和式(7)可见,要解出f (x,y ),必须进行解卷积,对原始的图像f (x,y )和点扩展函数(卷积核)h 施加约束条件进行频域迭代。
对于这种问题,本文应用最小二乘约束的方法进行盲解卷积。
该方法中需要定义一个惩罚函数r ,用它来衡量图像的质量,当r (f )越小,恢复出来的f (x,y )越“好”。
本文在对f (x,y )约束的同时,还需要对点扩展函数h (x,y )进行约束,因此选择r (f )+r (h )作为惩罚函数,所以烟幕干扰图像去噪问题可归结为求最小约077激光与红外 第39卷束的问题,即:m in[α1r(f)+α2r(h)](8)其中,α1,α2为大于0的加权系数。
那么与之对应的拉格朗日形式为:m in L(f,h)=m in[‖h3f-g‖2+α1r(f)+α2r(h)](9)此时,解决问题的关键在于求出综合了拉格朗日乘子之后的系数αi和惩罚函数r(f),r(h)。
根据2范数准则有:H1(f)=∫ f2d x d y=r(f)H1(h)=∫ h2d x d y=r(h)(10)其中, 为梯度算子。
此时式(9)可转化为:m in L(f,h)=m in[∫(h3f-g)2d x d y+α1∫ f2d x d y+α2∫ h2d x d y]=∫m in Z d x d y(11)其中,Z=(h3f-g)2+α1 f2+α2 h2。
把Z对f和h求偏导,并令其值为0,则有: 9Z9f=h(-x,-y)3(h3f-g)-2α192f9x2+92f9y2=0(12) 9Z9h=f(-x,-y)3(h3f-g)-2α292h9x2+92h9y2=0(13)令拉普拉斯算子92f9x2+92f9y2=Δ;且根据式(1)可知,H是由h决定的分块循环矩阵,即:H=H0H M-1…H1H1H0…H2…………H M-1H M-2…H0(14)其中的每一个子块Hi都是一个循环矩阵,具体形式为:H i=h(i,0)h(i,N-1)…h(i,1)h(i,1)h(i,0)…h(i,2)…………h(i,N-1)h(i,N-2)…h(i,0)(15)对于二维序列,有g=Hf+n。