一种基于模糊矩阵的图像去条纹方法技术

本发明专利技术公开了一种基于模糊矩阵的图像去条纹方法，包括如下步骤：采集待处理图像I

【技术实现步骤摘要】
一种基于模糊矩阵的图像去条纹方法


[0001]本专利技术涉及一种图像去条纹方法。

技术介绍

[0002]当前，各类摄像系统如短波红外成像、遥感成像以及部分可见光监控极易受到固定模式噪声的影响，主要表现为行或列的随机条纹噪声。这类噪声主要是由于读出电路在工艺等因素引起。同时，受到时间、环境因素等的影响，条纹噪声会以一定规律变化，导致图像质量的持续下降，对后续智能检测以及机器学习等应用造成相当大的影响。条纹噪声一般在模拟信号时就会做相关的电路处理，但模拟电路的复杂性以及不确定性导致了这种处理并不能达到理想效果。因此，基于数字信号的条纹噪声去除是必要的，这有助于高清视频监控、深度学习识别等领域的应用。
[0003]当前算法主要分为二类，第一类是基于环境校正的方法，这类方法主要依据温度场为原理，通过恒定温度场下的黑体作为参考，接着采用相关方法的来校正图像；或者利用温度场改变来模拟现实场景下的温度变化，用不同温度场下图像受影响程度进行处理。典型算法有姬弘桢等人提出的基于多帧图像的FFT匹配方法，这类方法原理简单，有一定的效果。但由于使用了多个参考，在背景变化剧烈的情况下容易产生鬼影。第二类方法则是基于特征分析的方法，这类方法分析了条纹噪声的特征，接着在空间域以及频域采用迭代或多次分解的方式拆解噪声，以达到去噪目的。这种算法的典型有Beat等人提出的结合小波变换和傅里叶变换的去条纹方法，以及Roshan等人提出的基于小波分析和傅立叶频谱归一化分析方法。这类算法对于各种尺寸的条纹噪声都有较好的去除效果，但无法区分复杂背景和条纹，导致最后的效果并不是很好。

技术实现思路

[0004]本专利技术要解决的技术问题是：为解决当前条纹去除方法运算的硬件成本高，以及无法自适应环境变化，导致了在航天航空、安防监控等资源有限的平台上难以实现实时应用的问题，本专利技术提出一种基于模糊矩阵的图像去条纹方法，不仅考虑了目标噪声的结构特点，而且用资源消耗较少的方式考虑相机采样导致的条纹不连续情况。本专利技术的方法能够在室内、夜间等常见的监控背景中快速实现条纹的精准去除，对于光照不均匀、昏暗、背景复杂等环境具有自适应能力。
[0005]本专利技术所采用的技术方案是：一种基于模糊矩阵的图像去条纹方法，包括如下步骤：
[0006]步骤1、通过相机采集待处理图像I
ref
(M，N)，并对图像进行按行的下2采样得到新的待处理图像I
ref
(M1,N)；其中，M、N分别代表待处理图像像素的高度和宽度；M1＝M/2；
[0007]步骤2、通过各向异性高斯滤波核，对下采样的原始图像I
ref
(M1,N)进行卷积得到模糊图像I
mod
(M1,N)；
[0008]步骤3、将原始下采样图像I
ref
(M1,N)与模糊图像I
mod
(M1,N)相减，构建条纹特征图
像I
gas
(M1,N)；
[0009]步骤4、对图像I
ref
(M,N)的每个像素是否需要处理进行判断，获得真值矩阵T
one
(M1,N)；
[0010]步骤5、对条纹特征图像I
gas
(M1,N)进行统计处理，获得条纹噪声特征向量；
[0011]步骤6、利用步骤5中得到的条纹特征向量，对待处理图像I
ref
(M,N)进行映射相减操作，得到最终的重构图像。
[0012]步骤2中，对图像的所有像素进行卷积核大小为5*17的各向异性高斯处理，得到与原始待处理图像大小一致的模糊图像I
mod
(M1,N)。
[0013]步骤4包括步骤如下：
[0014]步骤4.1、构建全1矩阵T
one
(M1,N)；
[0015]步骤4.2、获取条纹特征图像I
gas
(M1,N)中小于等于1的像素位置，使矩阵T
one
(M1,N)对应像素点的值设置为0；
[0016]步骤4.3、获取原始下采样图像I
ref
(M1,N)中像素大小大于252且左右邻域均大于252的像素位置，使矩阵T
one
(M1,N)对应像素点的值设置为0。
[0017]步骤5包括步骤如下：
[0018]步骤5.1、构建全零计数向量Count(1,N)，在I
gas
(M1,N)的每一列t上运用大小为3*1的全零卷积核进行卷积，其中，t＝1,2,3,
…
,N；
[0019]步骤5.1中，当I
gas
(M1,t)的值与卷积核的值完全相等时，在对应列的一维向量Count(1,t)中加2，进行累加操作，得到处理后的计数向量Count(1,N)；
[0020]Count(1，t)表示初始值为0的向量Count(1,N)的某一位。
[0021]步骤5.2、对条纹特征图像I
gas
(M1,N)计算三个宽度为N的一维向量集S1、S2、S3；
[0022]一维向量集S1的计算方法为：对条纹特征图像进行按列求中值；
[0023]一维向量集S2的计算方法为：对条纹特征图像先进行按列求核函数为5*1的中值滤波，再对滤波结果进行按列求均值；
[0024]一维向量集S3的计算方法为：对条纹特征图像进行硬阈值分割求加权均值；
[0025]步骤5.3、当Count(1,t)的值大于M/6时，将一维向量集S1、S2、S3构成一个3
×
N的矩阵，再选取矩阵中每一列中的最大值构成一个新的1
×
N的向量作为新的条纹噪声特征向量；当Count(1,t)的值≤M/6时，将一维向量集S1、S2构成一个2
×
N的矩阵，再选取矩阵中每一列中的最大值构成一个新的1
×
N的向量作为新的条纹噪声特征向量。
[0026]步骤6包括步骤如下：
[0027]步骤6.1、将T
one
(M1,N)的每一行的值复制并插入下一行之前，得到完整映射T
one
(M,N)；
[0028][0029]步骤6.2、将步骤5中得到的噪声特征向量与T
one
(M,N)的每一行进行点乘，得到最终条纹特征图T
str
(M,N)；
[0030]步骤6.3、将原始待处理图像I
ref
(M,N)与T
str
(M,N)相减，得到处理后的图像。
[0031]本专利技术与现有技术相比的优点在于：
[0032](1)本专利技术提出的基于模糊矩阵的图像去条纹方法，首先针对条纹具有方向性的特点，指定了滤波核在各个方向的不同权值，以尽可能多的识别条纹噪声；其次是对特征图像进行了统计中值以及均值处理，消除了条纹噪声与图像边缘混杂情况下的误匹配。...

【技术保护点】

【技术特征摘要】
1.一种基于模糊矩阵的图像去条纹方法，其特征在于，包括如下步骤：步骤1、通过相机采集待处理图像I
ref
(M,N)，并对图像进行按行的下2采样得到新的待处理图像I
ref
(M1,N)；其中，M、N分别代表待处理图像像素的高度和宽度；M1＝M/2；步骤2、通过各向异性高斯滤波核，对下采样的原始图像I
ref
(M1,N)进行卷积得到模糊图像I
mod
(M1,N)；步骤3、将原始下采样图像I
ref
(M1,N)与模糊图像I
mod
(M1,N)相减，构建条纹特征图像I
gas
(M1,N)；步骤4、对图像I
ref
(M,N)的每个像素是否需要处理进行判断，获得真值矩阵T
one
(M1,N)；步骤5、对条纹特征图像I
gas
(M1,N)进行统计处理，获得条纹噪声特征向量；步骤6、利用步骤5中得到的条纹特征向量，对待处理图像I
ref
(M,N)进行映射相减操作，得到最终的重构图像。2.根据权利要求1所述的一种基于模糊矩阵的图像去条纹方法，其特征在于，步骤2中，对图像的所有像素进行卷积核大小为5*17的各向异性高斯处理，得到与原始待处理图像大小一致的模糊图像I
mod
(M1,N)。3.根据权利要求1或2所述的一种基于模糊矩阵的图像去条纹方法，其特征在于，步骤4包括步骤如下：步骤4.1、构建全1矩阵T
one
(M1,N)；步骤4.2、获取条纹特征图像I
gas
(M1,N)中小于等于1的像素位置，使矩阵T
one
(M1,N)对应像素点的值设置为0；步骤4.3、获取原始下采样图像I
ref
(M1,N)中像素大小大于252且左右邻域均大于252的像素位置，使矩阵T
one
(M1,N)对应像素点的值设置为0。4.根据权利要求3所述的一种基于模糊矩阵的图像去条纹方法，其特征在于，步骤5包括步骤如下：步骤5.1、构建全零计数向量Count(1,N)，在I
gas
(M1,N)的每一列t上运用大小为3*...

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