[发明专利]应用于单幅红外图像非均匀校正的深度高频网络校正算法

权利要求书

1.一种应用于单幅红外图像非均匀校正的深度高频网络校正算法，其特征在于，将单幅含有非均匀噪声的图像Y，先经过双边滤波器，分离出高频分量I_H和低频分量I_L，其中低频分量I_L为背景信息，将其去除；将包含图像边缘细节以及非均匀噪声的高频分量I_H作为深度残差网络的输入，再通过训练后红外图像模型进一步拟合，得出非均匀噪声图像N；最后将非均匀红外图像Y引入通过差值结构将噪声N从非均匀红外图像Y中提取出来，最终得到预估的校正红外图像X。

2.根据权利要求1所述应用于单幅红外图像非均匀校正的深度高频网络校正算法，其特征在于，所述红外图像模型训练方法具体如下：

红外图像模型如下：

Y＝X+N

其中N为非均匀噪声，X为真实的红外原图，Y为采集到的图像；

在FIR Sequence Pedestrian Dataset数据集中获得220张干净红外图像,仿真处理得到图片分辨率为360×512的干净和含非均匀噪声的红外图像对Z_i和Y_i，作为算法的训练图像集；

红外图像模型整个训练的过程公式如下：

N_i＝M(I_H,i)

X_i＝Y_i-N_i

其中Z_i和Y_i为第i对参加训练的图像，共有n对；N_i为第i对参加训练的图像中的非均匀噪声；I_H，i为第i对参加训练的图像中的高频成分；X_i为通过第i对参加训练的图像得到的预估校正红外图像；M代表使用的网络映射，F是弗罗贝尼乌斯范数，使用随机梯度下降法来最小化损失函数L_OSS。

3.根据权利要求2所述应用于单幅红外图像非均匀校正的深度高频网络校正算法，其特征在于，所述深度残差网络为:先使用大小为c×f₁×f₁×a的卷积核来生成a张特征图，c表示图像信道的数量，再使用大小为a×f₂×f₂×a₁的卷积核产生a₁张特征图，最后使用a₁×f₃×f₃×c的卷积核来估计非均匀噪声,其中f₁、f₂、f₃分别表示3个卷积的大小；

深度残差网络结构表示为：

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代表的是卷积的层数，w代表的是卷积的权重，B代表的是偏置，max(·)代表ReLu激活函数，X_l，X_l+1，X_l-1分别代表l层、l+1层，l-1层预估的校正红外图像值。