一种基于LSTM模型确定红外探测器闪元的方法技术

本发明专利技术涉及一种基于LSTM模型确定红外探测器闪元的方法，包括以下步骤：输入图像时间序列，利用预设的闪元判定标准得到某时刻的闪元；根据真实场景判断检测结果是否有目标误判的情况，对闪元进行人工更正，得到该时刻探测器中闪元位置；利用探测器焦平面温度、积分时间、空间辐照、暗电流、应力等参数和标记的闪元位置构建该红外探测器的闪元数据集，对数据集中的数据进行归一化；通过LSTM对训练集中的数据建模，确定任意时刻红外探测器的闪元位置。本方法可应用于探测器成像质量的检测及目标探测识别领域。

A Method for Determining Flash Element of Infrared Detector Based on LSTM Model

The present invention relates to a method for determining flash elements of infrared detectors based on LSTM model, which includes the following steps: input image time series, obtain flash elements at a certain time using preset flash element determination criteria; make manual correction to flash elements according to the actual scene to determine whether there is a target misjudgment in the detection results, and obtain the flash location in the detector at that time; and use the focal plane of the detector. Temperature, integral time, space irradiation, dark current, stress and other parameters and the flash location of the label construct the flash metadata set of the infrared detector, normalize the data set, and determine the flash location of the infrared detector at any time through LSTM data modeling in the training set. This method can be applied to the detection of detector imaging quality and target detection and recognition.

【技术实现步骤摘要】
一种基于LSTM模型确定红外探测器闪元的方法
本专利技术属于红外探测领域，具体涉及一种基于LSTM模型确定红外探测器闪元的方法。
技术介绍
在红外探测器中，受到材料、工艺、工作环境的影响或限制，部分像元在成像时，响应过高或过低，称为盲元。对于在使用周期内，响应特性均表现为盲元的像元称为固定盲元。闪元则被定义为在使用周期内，盲元的概率小于100％的像元。红外图像经过非均匀校正后，仍存在由闪元引起的噪声，对目标探测、识别、定位产生了严重影响。目前已有许多对红外探测器盲元检测的研究，分为基于辐射定标法和基于场景的两种检测方法。由于闪元在时间和空间上都具有随机性，且受到工作环境的影响，基于辐射定标法很难检测出闪元。对于弱小点目标及其复杂的环境，基于场景的闪元检测方法容易将点目标误判为闪元。
技术实现思路
本专利技术的目的在于利用LSTM模型及大量统计得到的闪元数据，确定未来时刻的闪元位置，降低红外成像过程中，闪元对目标探测、识别、定位等的影响。本专利技术的技术解决方案：基于大量场景数据，利用LSTM模型确定探测器闪元的位置。本专利技术实例提供了一种基于LSTM模型确定红外探测器闪元的方法，步骤如下：步骤1：输入图像时间序列，根据预设的闪元判定准则，检测出图像中的闪元；步骤2：将步骤1中检测的闪元与实际场景对比，如果有目标误判，对步骤中1的闪元进行人工更正；步骤3：根据步骤1中得到的闪元数据及测试时间、探测器闪元数量、焦平面温度、积分时间、空间辐照、暗电流、应力以及其他可能影响探测器响应的特征，构建该红外探测器对应的闪元数据集并进行归一化。将数据集按照x:y的比例分成训练集和测试集，x，y均为正整数；步骤4：通过LSTM对训练集中的数据建模，在模型中使用平均绝对误差(MAE)作为损失函数，该LSTM模型中包含一个输入层，四个隐藏层以及输出层；在模型中使用平均绝对误差(MAE)作为损失函数。LSTM模型公式包括：输入门：候选门：遗忘门：记忆更新：Ct＝ft×Ct-1+it×C′t输出门：是线性关系的系数，bf，bi，bo是偏置项。st-1表示的是上一个序列的隐藏状态，xt表示的是当前序列数据。δ表示sigmod函数。输入门、遗忘门、输出门的激活函数使用sigmoid，候选门的激活函数使用tanh。Sigmoid和tanh函数的表达式分别如下：模型中构造的损失函数如下：Loss＝(f(x)-y)2其中，f(x)为输出值，y为预期值。步骤5：根据损失函数的梯度指引，更新网络权值参数；步骤6：重复步骤3、4、5，直至误差小于给定值，然后以测试集对模型进行验证。本专利技术通过LSTM模型可实时确定对图像中的闪元，有效提高了图像质量。适用范围广，可普遍应用于红外图像的闪元检测。附图说明图1为一种基于LSTM模型确定红外探测器闪元的方法。具体实施方式本专利技术的基本思想是下面结合附图和实施例对本专利技术作进一步说明。本专利技术是利用LSTM模型使用大量地面定标数据确定探测器中的闪元位置，有效降低了对红外图像中闪元对目标探测、识别、定位的影响。下面以某256×312的中波红外探测为例，进行说明。步骤1：在一定时间内收集某红外探测器获取的场景数据，并记录探测器及环境参数；步骤2：对红外图像进行非均匀校正校正后，使用三梯度阈值法检测图像中的闪元，对比真实场景，对误判的闪元进行人工更正；步骤3：根据步骤2中得到的闪元数据，构建该红外探测器对应的闪元数据集并进行归一化。输入变量包括测试时间、闪元数量、探测器中像元平均响应、暗电流、积分时间、空间辐照效应；步骤4：根据步骤3中得到的闪元数据及测试条件，构建该红外探测器对应的闪元数据集。使用极差规格化将数据映射到0-1之间；其中，x′是处理后的数据，x是数据集中某特征的原始数据，xmin和xmax分别是数据集中的最小值和最大值；步骤5：将数据集按照4:1的比例分成训练集和测试集；步骤6：LSTM通过调控某些全连接层网络参数，来达到调控输出的目的。本实例在Python中调用Keras库构建LSTM模型。设定训练中批处理大小为20，隐藏层的层数为3，设定每一层网络节点的舍弃率为0.2；步骤7：通过LSTM对训练集数据建模，LSTM中有两个门控制记忆单元状态的信息量，输入门代表当前时刻的输入有多少保存到单元状态；遗忘门控制该时刻钱的记忆中，丢弃的信息。候选门用来组合当前输入信息和过去记忆信息，输出门控制有多少记忆用于下一层网络的更新，记忆更新由两部分组成，通过遗忘门遗忘部分记忆，添加由输入门控制的新增信息。模型公式包括：输入门：候选门：遗忘门：记忆更新：Ct＝ft×Ct-1+it×C′t输出门：是线性关系的系数，bf，bi，bo是偏置项。st-1表示的是上一个序列的隐藏状态，xt表示的是当前序列数据。输入门、遗忘门、输出门的激活函数使用sigmoid，候选门的激活函数使用tanh。Sigmoid和tanh函数的表达式如下：步骤8：在LSTM模型训练初期，输出值可能和预期值相差较大，计算每个神经元的均方误差，构造损失函数如下：f(x)为输出值，y为预期值；Loss＝(f(x)-y)2步骤9：采用RMSprop算法来确定权重参数的迭代更新方式。不断迭代，直至网络误差小于给定值20％，并使用测试集对模型进行验证。本文档来自技高网...

【技术保护点】
1.一种基于LSTM模型确定红外探测器闪元的方法，其特征在于包括以下步骤：步骤1：输入图像时间序列，根据预设的闪元判定准则，检测出图像中的闪元；步骤2：将步骤1中检测的闪元与实际场景对比，如果有目标误判，对步骤中1的闪元进行人工更正；步骤3：根据步骤1中得到的闪元数据及测试条件，构建闪元数据集。数据集包括：测试时间、闪元数量、焦平面温度、积分时间、空间辐照、暗电流、应力以及其他可能影响探测器响应的特征。将闪元数据集的数据进行归一化，并按照比例划分成训练集和测试集；步骤4：通过LSTM对训练集中的数据构建模型；步骤5：构建损失函数，根据损失函数的梯度指引，更新网络权值参数；步骤6：重复步骤3、4和5，直至误差小于给定值，然后以测试集对模型进行验证。

【技术特征摘要】
1.一种基于LSTM模型确定红外探测器闪元的方法，其特征在于包括以下步骤：步骤1：输入图像时间序列，根据预设的闪元判定准则，检测出图像中的闪元；步骤2：将步骤1中检测的闪元与实际场景对比，如果有目标误判，对步骤中1的闪元进行人工更正；步骤3：根据步骤1中得到的闪元数据及测试条件，构建闪元数据集。数据集包括：测试时间、闪元数量、焦平面温度、积分时间、空间辐照、暗电流、应力以及其他可能影响探测器响应的特征。将闪元数据集的数据进行归一化，并按照比例划分成训练集和测试集；步骤4：通过LSTM对训练集中的数据构建模型；步骤5：构建损失函数，根据损失函数的梯度指引，更新网络权值参数；步骤6：重复步骤3、4和5，直至误差小于给定值，然后以测试集对模...

【专利技术属性】
技术研发人员：陈凡胜，孙胜利，于清华，林长青，
申请(专利权)人：中国科学院上海技术物理研究所，
类型：发明
国别省市：上海,31