[发明专利]基于全变分模型的IRFPA非均匀性神经网络校正方法

说明书

本发明涉及基于全变分模型的IRFPA非均匀性神经网络校正方法，包括以下步骤：(1)、设定IRFPA探测器(i,j)像元增益校正参数的初始值为1，设定IRFPA探测器(i,j)像元偏置校正参数的初始值为0；(2)、构建神经网络输入层；(3)、计算n时刻输入层观测值的校正值输出构建神经网络输出层；(4)、计算(i,j)像元的期望输出值(5)、确定隐含层能量泛函的保真项和正则项构建神经网络的隐含层；(6)、采用最陡下降法，获得第n+1时刻对应的增益校正参数和偏置校正参数(7)、从神经网络输出层获取n+1时刻的校正输出(8)、对IRFPA探测器采集到的后续的场景辐射观测值依次执行步骤(4)到步骤(7)，得到相应的校正值其中t≥n+2。

技术领域

本发明涉及一种红外图像的复原方法，具体涉及一种基于全变分模型的IRFPA非均匀性神经网络校正方法，属于数字信号处理技术领域。

背景技术

红外焦平面阵列(IRFPA)探测器的引入使得现代红外成像系统能同时获得在空间分辨率、温度分辨率和时间分辨率方面的优异性能。然而，受到材料、制造工艺和工作环境等因素的影响，IRFPA各探测元在相同辐照条件下通常会输出不同的响应，这种响应的不一致性被称作非均匀性。由于非均匀性的存在会显著降低成像的信噪比和温度分辨率，因此，在基于IRFPA的成像应用中，几乎都要进行非均匀性校正。此外，IRFPA响应的空间非均匀性会随着时间的推移而缓慢变化，这也是非均匀性校正中必须解决的问题。

为了消除空间非均匀性变化对非均匀性校正的影响，基于参考源的校正方法只能以周期性停机定标的方式来获取新的校正参数，这显然降低了成像系统的实用性。为了克服上述局限，基于场景的校正方法利用成像系统正常运行时所获取的图像数据不断更新校正参数以补偿IRFPA固有的非均匀响应。在众多基于场景的校正方法中，Scribner等人提出的神经网络法(“Adaptive nonuniformity correction for IR Focal Plane ArraysUsing Neural Networks”,Infrared Sensors:Detectors,Electronics,and SignalProcessing,SPIE,1991,Vol.1541,pp.100-109)以其较好的自适应性和较强的参数漂移追踪能力而成为空域处理的典型代表。然而，在非均匀响应较为严重的情况下，该方法未能很好地解决伪影现象。陈钱等人在其申请的专利“基于总变分的自适应红外焦平面非均匀性校正方法”(专利号ZL201210275467.8)虽然一定程度上改善了伪影现象，但在高收敛速度下校正的稳定性和精度难以保证。

综上前述，针对如何在保证校正精度的前提下提高校正过程的收敛速度和稳定性，寻求一种可靠的方法对IRFPA非均匀响应进行自适应校正就显得尤为重要。

发明内容

发明目的：本发明针对上述现有技术存在的问题做出改进，即本发明基于全变分模型的神经网络结构，并基于此结构，提出实现对IRFPA探测器非均匀响应自适应校正的方法，以获得高的校正精度、收敛速度和稳定性。

技术方案：基于全变分模型的IRFPA非均匀性神经网络校正方法，包括：

(1)、设定IRFPA探测器(i,j)像元增益校正参数的初始值为1，设定IRFPA探测器(i,j)像元偏置校正参数的初始值为0，进入步骤(2)；

(2)、将IRFPA探测器(i,j)像元在任一时刻n输出的观测值连接到第(i,j)个神经元，构建神经网络输入层，进入步骤(3)；

(3)、利用当前增益校正参数的估计值和偏置校正参数的估计值计算输入层的校正值输出其计算公式如下：

构建出神经网络输出层，进入步骤(4)；

(4)、计算(i,j)像元的期望输出值进入步骤(5),的计算公式如下：