一种结合特征提取与非线性拟合的图像去条纹方法技术

本发明专利技术针对当前条纹去除方法对硬件资源的使用率高，时间成本较大，在视频监控等资源有限的平台上难以实现实时应用的问题，公开一种结合特征提取与非线性拟合的图像去条纹方法，包括如下步骤：(1)采集待处理图像，通过列平均变换得到一维向量集；(2)求解向量的平滑特征，得到非线性拟合处理结果；(3)利用特征向量，对待处理图像进行按行相减操作，得到初步重构图像；(4)对初步重构图像进行精细处理，消除在步骤3中遗漏的噪声；(5)利用新的特征向量，对初步重构图像进行按行相减操作，得到最终的重构图像。终的重构图像。终的重构图像。

【技术实现步骤摘要】
一种结合特征提取与非线性拟合的图像去条纹方法


[0001]本专利技术属于图像去噪领域，涉及图像卷积滤波理论以及统计滤波基础上的特征提取以及矩阵恢复的问题。通过对噪声特征的提取以及统计，求解非线性模型，以达到最终去噪的目的。

技术介绍

[0002]条纹噪声是影响可见光监控、红外等图像质量的最主要的噪声之一。这种噪声一般是由于读出电路工艺上的不完善导致的，随着时间推移以及环境的改变，如红外传感器周边温度的变化、图像传感器不同位置的响应变化等，条纹噪声会逐渐变化，持续的影响图像质量，以及后续的检测和识别等算法的实现效果。虽然在数模信号转换之前会对模拟电信号做一定硬件预处理，但由于校准以及参数准确性的不足，这类预处理并不总是有效的。因此，基于图像的条纹噪声去除逐渐变得越来越重要，特别是当前视频监控、智能识别等领域的快速发展的前提下。
[0003]当前研究的算法主要分为三类，第一类是基于场景统计的方法，这类方法的原理是先拍摄温度场恒定的黑体作为参考来校正图像，使各个传感器输出保持一致。再通过对现实场景中的条纹估计实时更新校正信息。典型的算法有Hayat等提出的最小均方误差有限脉冲响应滤波算法，这类方法运算简单，也有一定的效果。但在遇到图像中的条纹产生突变时难以自适应调节，同时在有死像素的情况下场景估计算法失效。第二类是基于滤波的方法，这类方法普遍采用傅里叶变换、小波变换等方式，利用空间以及频域特征提取条纹并去除，因此也被称为基于特征的方法，主要典型有Roshan等人提出的基于小波分析和自适应傅立叶零频幅度归一化算法，这类方法不受条纹突变的影响，实时性较好，但由于该类算法属于全局处理，部分边缘细节会被误去除。最后一个分类是基于优化的变分方法，主要思想是构建与噪声相关的能量泛函和约束条件，依据约束条件将泛函转化为欧拉
‑
拉格朗日偏微分方程，最后求出非约束条件下的极值，即为去噪。结果典型算法有Bouali等人提出的基于各向异性的全变分方法，这类算法对条纹的去除效果较好，但较难对增益的不均匀性产生影响，还存在收敛速度不确定的情况。

技术实现思路

[0004]本专利技术解决的技术问题是：克服现有技术的不足，提供一种结合特征提取与非线性拟合的图像去条纹方法，解决了现有条纹去除方法对硬件资源的使用率高，时间成本较大，在视频监控等资源有限的平台上难以实现实时应用。
[0005]本专利技术的技术方案是：一种结合特征提取与非线性拟合的图像去条纹方法，步骤如下：
[0006]步骤1、采集待处理图像，通过列平均变换得到一维向量集；
[0007]步骤2、求解向量的平滑特征，得到非线性拟合处理结果；
[0008]步骤3、利用特征向量C
S
(1,N)，对待处理图像进行按行相减操作，得到初步重构图
像I
rou
(M,N)；
[0009]步骤4、对初步重构图像I
rou
(M,N)进行精细处理，消除在步骤3中遗漏的噪声；
[0010]步骤5、利用特征向量，对I
rou
(M,N)进行按行相减操作，得到最终的重构图像。
[0011]所述步骤1具体包括：通过相机采集到待处理图像I
ref
(M,N),其中(M,N)代表待处理图像像素的高度和宽度；接着对图像进行按列求平均得到列平均值，进而得到长度为N的一维向量集C
N
(1,N)。
[0012]对图像进行按列求平均得到列平均值的公式为：
[0013]C(1,t)＝mean(I
ref
(M,t))，t＝1,
…
,N；
[0014]其中，mean代表对括号内容进行求平均处理，t表示当前图像的列数，数值大小从1到图像宽度N，待处理图像I
ref
(M,N)的变形I
ref
(M,t)，表示为图像某一列所有像素构成的向量，得到列平均值结果C(1,t)。
[0015]所述步骤2具体包括：初始的一维向量集经过多项式平滑算法处理，得到新的平滑向量集；再将原始向量集与处理后的向量集相减，获得最终输出的非线性条纹特征向量C
S
(1,N)。
[0016]所述步骤2的具体过程为：
[0017]步骤2.1、使用窗函数长度为k＝11的多项式平滑滤波，对C
N
(1,N)中存在的部分数据突变进行平滑操作，以及对数据趋势的错位进行纠正处理，得到非线性拟合向量C
SG
(1,N)；
[0018]步骤2.2、C
N
(1,N)与C
SG
(1,N)相减，得到最终输出的非线性条纹特征向量C
S
(1,N)。
[0019]所述步骤3具体包括：
[0020]利用特征向量C
S
(1,N)，对待处理图像进行按行相减操作
[0021]I
rou
(m,N)＝I
ref
(m,N)
‑
C
S
(1,N)，m＝1,
…
,M；
[0022]其中，m表示当前处理图像的行数，数值大小从1到图像高度M，公式还包括待处理图像I
ref
(M,N)的变形I
ref
(m,N)，表示为图像某一行所有像素构成的向量，得到初步重构图像I
rou
(M,N)。
[0023]所述步骤4具体包括：
[0024]步骤4.1、通过核函数大小为11*11的双边滤波进行噪声特征的提取，得到噪声以及部分边缘的空间特征图像I
bif
(M,N)；
[0025]步骤4.2、对I
rou
(M,N)进行上述双边滤波处理，得到处理后的图像I
bi
(M,N)；
[0026]步骤4.3、使I
rou
(M,N)与I
bi
(M,N)相减，得到噪声以及部分边缘的空间特征图像I
bif
(M,N)；
[0027]步骤4.4、对空间特征图像分别进行按列求平均、按列求中值以及先按列求核函数为5*1的中值滤波，再对滤波结果进行按列求均值的操作，得到三个宽度为N的一维向量集。
[0028]所述步骤4.1的具体过程为：设置双边滤波核函数大小为11*11，空间域方差以及像素范围域方差分别设置为5和7；同时，对条纹方向上的非中心像素点进行加权处理，即乘以0.8，以实现对特征的进一步提取。
[0029]所述步骤4.4的具体过程为：
[0030]步骤4.4.1、对获取的条纹噪声特征图像I
bif
(M,N)进行按列求均值,获得一维向量集C1；
[0031]步骤4.4.2、按列求中值得到一维向量集C2，具体流程包括：首先将各列的值按大小进行排序，排序结果为：
[0032]I
bi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合特征提取与非线性拟合的图像去条纹方法，其特征在于步骤如下：步骤1、采集待处理图像，通过列平均变换得到一维向量集；步骤2、求解向量的平滑特征，得到非线性拟合处理结果；步骤3、利用特征向量C
S
(1，N)，对待处理图像进行按行相减操作，得到初步重构图像I
rou
(M，N)；步骤4、对初步重构图像I
rou
(M，N)进行精细处理，消除在步骤3中遗漏的噪声；步骤5、利用特征向量，对I
rou
(M，N)进行按行相减操作，得到最终的重构图像。2.根据权利要求1所述的一种结合特征提取与非线性拟合的图像去条纹方法，其特征在于：所述步骤1具体包括：通过相机采集到待处理图像I
ref
(M，N)，其中(M，N)代表待处理图像像素的高度和宽度；接着对图像进行按列求平均得到列平均值，进而得到长度为N的一维向量集C
N
(1，N)。3.根据权利要求2所述的一种结合特征提取与非线性拟合的图像去条纹方法，其特征在于：对图像进行按列求平均得到列平均值的公式为：C(1，t)＝mean(I
ref
(M，t))，t＝1，...，N；其中，mean代表对括号内容进行求平均处理，t表示当前图像的列数，数值大小从1到图像宽度N，待处理图像I
ref
(M，N)的变形I
ref
(M，t)，表示为图像某一列所有像素构成的向量，得到列平均值结果C(1，t)。4.根据权利要求3所述的一种结合特征提取与非线性拟合的图像去条纹方法，其特征在于：所述步骤2具体包括：初始的一维向量集经过多项式平滑算法处理，得到新的平滑向量集；再将原始向量集与处理后的向量集相减，获得最终输出的非线性条纹特征向量C
S
(1，N)。5.根据权利要求4所述的一种结合特征提取与非线性拟合的图像去条纹方法，其特征在于：所述步骤2的具体过程为：步骤2.1、使用窗函数长度为k＝11的多项式平滑滤波，对C
N
(1，N)中存在的部分数据突变进行平滑操作，以及对数据趋势的错位进行纠正处理，得到非线性拟合向量C
SG
(1，N)；步骤2.2、C
N
(1，N)与C
SG
(1，N)相减，得到最终输出的非线性条纹特征向量C
S
(1，N)。6.根据权利要求3所述的一种结合特征提取与非线性拟合的图像去条纹方法，其特征在于：所述步骤3具体包括：利用特征向量C
S
(1，N)，对待处理图像进行按行相减操作I
rou
(m，N)＝I
ref
(m，N)
‑
C
S
(1，N)，m＝1，...，M；其中，m表示当前处理图像...

【专利技术属性】
技术研发人员：黄斯翀，陆铁军，陆振林，陈雷，杨若凌，李冠辰，薛钰，
申请(专利权)人：北京微电子技术研究所，
类型：发明
国别省市：