[发明专利]基于物理建模的滤波阵列式光谱图像去噪增强方法及系统

权利要求书

1.基于物理建模的滤波阵列式光谱图像去噪增强方法，其特征在于，包括以下步骤：

步骤1：分析滤波阵列式光谱相机的物理成像过程，建立相机的真实噪声分布模型：

其中，表示实际采集到的带噪声图像，K表示相机的总系统增益，I表示传感器采集到的光电子数量，N表示图像的噪声；

对图像的噪声N进一步划分，划分依据为噪声产生的来源，图像噪声N进一步表示为：

N＝KN_si+N_sd+N_b

其中，N_si表示依赖于图像信号的噪声，N_sd表示与信号无关的噪声，N_b表示偏色噪声，K表示相机的总系统增益；

传感器记录的光电子数量服从泊松分布，表示为：

I+N_si～P(I)

其中，P表示泊松分布；N_si表示依赖于图像信号的噪声；I表示传感器采集到的光电子数量，N表示图像的噪声；

与信号无关的噪声N_sd进一步划分为读出噪声N_read、条纹噪声N_sp和量化噪声N_q，信号无关噪声N_sd进一步表示为：

N_sd＝N_read+N_sp+N_q

读出噪声N_read是在传感器将光电子转化为电压信号的过程中产生，该类型的噪声服从高斯分布，表示为：

其中，表示高斯分布，σ_r表示高斯分布的标准差；

条纹噪声N_sp表现为传感器所成图像中的条纹，分为竖直条纹噪声和水平条纹噪声条纹噪声N_sp表示为：

竖直条纹噪声和水平条纹噪声均服从高斯分布，表示为：

量化噪声N_q产生于数字-模拟信号转换器中；数字-模拟信号转换器需要将连续的模拟信号转换成离散的数字信号，这一过程中产生的误差即为量化噪声；量化噪声服从均匀分布：

其中，U表示均匀分布，q表示量化步长；

对采集到的单张光谱图像的每个波段，要逐列建模偏色噪声，偏色噪声表示为：

其中，c表示图像中的列坐标，λ表示波段，i表示光照强度；∈表示偏色噪声的波动；

偏色噪声在某一数值附近的波动能够使用高斯分布进行描述，偏色噪声进一步表示为：

其中，表示高斯分布，σ^c表示高斯分布的标准差；

光照强度与的关系使用指数函数进行拟合，表示为：

其中，A、B和C表示需要拟合的参数；

步骤2：采集标定数据，针对特定相机标定噪声模型参数；

步骤3：根据标定好的噪声模型及采集的正常光照图像，生成对应的低弱光环境下图像；

步骤4：使用生成的低弱光数据训练深度神经网络，用于滤波阵列式光谱图像的去噪与增强。

2.如权利要求1所述的基于物理建模的滤波阵列式光谱图像去噪增强方法，其特征在于，步骤2中，使用平场帧和偏置帧即可标定特定相机的噪声模型参数；其中，平场帧是在均匀光照条件下采集的图像，用于标定总系统增益和偏色噪声；偏置帧是在完全无光条件下采集的图像，用于标定所有信号无关噪声。

3.如权利要求1所述的基于物理建模的滤波阵列式光谱图像去噪增强方法，其特征在于，步骤3包括以下步骤：

步骤3.1：将正常光照图像的亮度转换为低弱光图像的亮度；

步骤3.2：使用噪声模型添加噪声；

步骤3.3：将低弱光亮度恢复会正常亮度，得到仿真数据。

4.如权利要求1所述的基于物理建模的滤波阵列式光谱图像去噪增强方法，其特征在于，步骤4中，对于任意给定的神经网络，使用生成的仿真低弱光滤波阵列式光谱图像，学习低弱光图像与正常光照无噪声图像的映射，并将训练好的神经网络应用于滤波阵列式光谱图像去噪与增强任务中。

5.如权利要求1所述的基于物理建模的滤波阵列式光谱图像去噪增强系统，包括相机标定子系统、物理噪声建模子系统、低弱光数据生成子系统、低弱光图像去噪增强网络子系统、滤波阵列式光谱成像子系统和低弱光图像去噪增强网络子系统；

其中，相机标定子系统，用于对特定滤波阵列式光谱相机进行标定，确定物理噪声模型中的具体参数；

物理噪声建模子系统，用于对滤波阵列式光谱相机的噪声来源进行物理建模，精细化、准确化地分析噪声本质及其分布；

低弱光数据生成子系统，基于标定后的物理噪声模型，生成仿真低弱光数据，用于后续神经网络的训练；

低弱光图像去噪增强网络子系统，使用生成的低弱光仿真数据进行训练，训练得到网络用于滤波阵列式光谱图像的去噪及增强；

滤波阵列式光谱成像子系统，使用滤波阵列式光谱相机获取所拍场景的光谱图像；

低弱光图像去噪增强网络子系统，用于对低弱光环境下滤波阵列式光谱相机所获取的图像进行去噪及增强；

其中，相机标定子系统的输出端与物理噪声建模子系统的输入端相连；物理噪声建模子系统的输出端与低弱光数据生成子系统的输入端相连；低弱光数据生成子系统的输出端与低弱光图像去噪增强网络子系统的输入端相连；滤波阵列式光谱相机成像子系统的输出端与低弱光图像去噪增强网络子系统的输入端相连。