一种高速TDICCD相机图像暗弱条纹噪声识别的模型构建方法与系统技术方案

一种高速TDI CCD相机图像暗弱条纹噪声识别的模型构建方法与系统，属于图像条纹噪声识别技术领域。本发明专利技术解决了现有图像暗弱条纹噪声识别方法的效率与准确率低，需通过人工复核辅助完成，且阈值的选取难度大的问题。所述方法包括以下步骤：步骤S1，采集TDI CCD相机样本图像数据，对采集的样本图像数据进行人工分类标注；步骤S2，人工分类标注的样本图像数据预处理后得到的二值化图像，将其作为卷积神经网络的输入样本集，此样本集分为训练样本集、验证样本集；步骤S3，构建卷积神经网络分类器，将训练样本集、验证样本集输入到卷积神经网络进行模型训练与参数调优。本发明专利技术适用于图像条纹噪声识别技术领域中，对图像中的暗弱干扰条纹进行识别。进行识别。进行识别。

【技术实现步骤摘要】
一种高速TDI CCD相机图像暗弱条纹噪声识别的模型构建方法与系统


[0001]本专利技术涉及图像条纹噪声识别
，具体涉及高速TDI CCD相机图像暗弱条纹噪声识别的模型构建方法与系统。

技术介绍

[0002]在高速TDI CCD相机研制过程中，由于电源系统及PCB设计不合理，导致获取的图像会受到系统中高速信号间串扰及各电源模块的干扰，使得图像数据中存在频率及方向均不固定的暗弱条纹噪声。为确保在相机研制初期及时验证成像过程中是否存在暗弱条纹噪声，需对研制过程图像进行分析。使用相机在暗室条件下拍摄的图像对暗弱条纹噪声进行评估，在此条件下获取的图像中，相机驱动电路的1/f噪声、读出噪声和暗弱条纹噪声的量级相差不大，即要在多种量级相差不多的混合噪声中识别出其中是否含有暗弱条纹噪声，且待识别的暗弱条纹噪声虽然在视觉上具有一定规律性，但其频率和方向均不固定，在统计分布上也不具有确定性的规律，识别难度大。
[0003]目前，针对图像暗弱条纹噪声识别方法有：
[0004]1、使用photoshop软件，人工查看图像中是否包含所述暗弱条纹噪声，由于暗弱条纹噪声在图像上可视性较差，查看时需对图像进行多次线性拉伸，因此，此方法效率低，平均单张图的识别时间约60s；
[0005]2、统计图像中偏离均值3倍标准差的数值比例，若该比例高于某一设定阈值，认为此图像中存在暗弱条纹噪声，此方法相对方法1效率稍有提高，但准确率低，仅约75％，且统计完成后仍需配合人工复核，来进一步确认图像中是否存在所述暗弱条纹噪声，因此识别效率并没有获得显著提升。此外，此方法中阈值的选取难度大，针对不同相机的图像数据，其阈值选取会影响到最终的识别准确率，需对不同相机分别选取。
[0006]3、图像中的暗弱条纹噪声视作图像的边缘特征，使用Sobel边缘检测算子对图像进行二值化，统计二值化后图像中1
‑
0比例，设定一比例阈值，当1
‑
0比例高于该阈值时，认为此图像中存在所述暗弱条纹噪声，此方法识别准确率约80％，同样在统计完成后需配合人工复核，来进一步确认图像中是否存在暗弱条纹噪声。此外，该方法还存在与方法2类似的问题，此方法中阈值的选取难度大，针对不同相机的图像数据，其阈值选取会影响到最终的识别准确率，需对不同相机分别选取。
[0007]4、采用卷积神经网络识别方法进行图像暗弱条纹噪声识别，大多数是基于现有的分类模型构造的，比如googleNet、AlexNet模型，模型复杂度高、且是针对特定图像尺寸的，无法适配本专利技术所述相机的图像尺寸，如果强行调整图像尺寸去适配现有的网络模型，由于暗弱条纹噪声幅值很小，调整之后暗弱条纹噪声将被淹没，无法识别，而且若采用复杂度高的模型，训练和识别效率也会降低。对于本文所述无固定方向且不具备周期性的暗弱条纹噪声，仅采用卷积神经网络进行分类识别，识别准确率仅约为60％。
[0008]所以，采用现有的图像暗弱条纹噪声识别方法存在缺陷为：
[0009]1)识别效率低；
[0010]2)识别准确率低，且需通过人工复核辅助完成；
[0011]3)阈值的选取难度大。
[0012]综上因素，虽然现有的技术可以用来识别图像暗弱条纹噪声，但识别图像暗弱条纹噪声的效率与准确率低，需通过人工复核辅助完成，且阈值的选取难度大。
[0013]因此，在现有技术中，针对识别图像暗弱条纹噪声的效率与准确率低，需通过人工复核辅助完成，且阈值的选取难度大的问题并没有明确的改善，例如：专利文献CN113487547A公开了“卫星遥感图像条带噪声定位方法及装置”，通过构建卷积神经网络模型解决了现有技术中基于深度学习的图像条纹噪声检测方法只能处理尺寸较小的普通图像，而无法处理大尺寸卫星遥感图像的问题。该专利文献所述技术方案仅仅能够解决处理大尺寸卫星遥感图像的问题，没有针对识别图像暗弱条纹噪声的效率与准确率低，需通过人工复核辅助完成，且阈值的选取难度大给出技术方案。专利文献CN106469436B公开了“图像去噪系统及图像去噪方法”，通过Sobel算子处理图像去噪系统，在对图像进行去噪的同时能够尽可能地保留图像细节，提高图像信噪比水平。该专利文献所述技术方案仅仅能够提高图像信噪比，其技术方案也不能够给出针对识别图像暗弱条纹噪声的效率与准确率低，需通过人工复核辅助完成，且阈值的选取难度大给出有效的解决方案。

技术实现思路

[0014]本专利技术解决了现有的图像暗弱条纹噪声识别方法的效率与准确率低，需通过人工复核辅助完成，且阈值的选取难度大的问题。
[0015]本专利技术所述的一种高速TDI CCD相机图像暗弱条纹噪声识别的模型构建方法，包括以下步骤：
[0016]步骤S1，采集TDI CCD相机样本图像数据，对采集的样本图像数据进行人工分类标注；
[0017]步骤S2，人工分类标注的样本图像数据预处理后得到的二值化图像，将其作为卷积神经网络的输入样本集，此样本集分为训练样本集、验证样本集；
[0018]步骤S3，构建卷积神经网络分类器，将训练样本集、验证样本集输入到卷积神经网络进行模型训练与参数调优。
[0019]进一步地，在本专利技术的一个实施例中，所述步骤S1中，所述的采集TDI CCD相机样本图像数据的条件为：
[0020]在暗室条件下进行，以降低图像中的其他噪声对暗弱条纹噪声干扰。
[0021]进一步地，在本专利技术的一个实施例中，所述步骤S2中，所述的样本图像数据预处理是基于Sobel算子对样本图像数据进行边缘检测与提取，增强暗弱条纹噪声在图像中的辨识度。
[0022]进一步地，在本专利技术的一个实施例中，所述的Sobel算子采用水平、垂直、45
゜
、135
゜
四组算子模板。
[0023]进一步地，在本专利技术的一个实施例中，所述步骤S2中，所述的样本集分为训练样本集、验证样本集的比例为7：2。
[0024]进一步地，在本专利技术的一个实施例中，所述步骤S3中，所述的构建卷积神经网络包
括：
[0025]输入层、第一卷积层C1、第一池化层Pool1、第二卷积层C2、第二池化层Pool2、第三卷积层C3、第三池化层Pool3、全连接层FC1、Softmax输出层。
[0026]本专利技术所述的一种高速TDI CCD相机图像暗弱条纹噪声识别系统，所述系统包括以下模块：
[0027]模块S1，用于采集TDI CCD相机样本图像数据，对采集的样本图像数据进行人工分类标注；
[0028]模块S2，用于人工分类标注的样本图像数据预处理后得到的二值化图像，将其作为卷积神经网络的输入样本集，此样本集分为训练样本集、验证样本集；
[0029]模块S3，用于构建卷积神经网络分类器，将训练样本集、验证样本集输入到卷积神经网络进行模型训练与参数调优。
[0030]本专利技术所述的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速TDI CCD相机图像暗弱条纹噪声识别的模型构建方法，其特征在于，包括以下步骤：步骤S1，采集TDI CCD相机样本图像数据，对采集的样本图像数据进行人工分类标注；步骤S2，人工分类标注的样本图像数据预处理后得到的二值化图像，将其作为卷积神经网络的输入样本集，此样本集分为训练样本集、验证样本集；步骤S3，构建卷积神经网络分类器，将训练样本集、验证样本集输入到卷积神经网络进行模型训练与参数调优。2.根据权利要求1所述的一种高速TDI CCD相机图像暗弱条纹噪声识别的模型构建方法，其特征在于，所述步骤S1中，所述的采集TDI CCD相机样本图像数据的条件为：在暗室条件下进行，以降低图像中的其他噪声对暗弱条纹噪声干扰。3.根据权利要求1所述的一种高速TDI CCD相机图像暗弱条纹噪声识别的模型构建方法，其特征在于，所述步骤S2中，所述的样本图像数据预处理是基于Sobel算子对样本图像数据进行边缘检测与提取，增强暗弱条纹噪声在图像中的辨识度。4.根据权利要求3所述的一种高速TDI CCD相机图像暗弱条纹噪声识别的模型构建方法，其特征在于，所述的Sobel算子采用水平、垂直、45
゜
、135
゜
四组算子模板。5.根据权利要求1所述的一种高速TDI CCD相机图像暗弱条纹噪声识别的模...

【专利技术属性】
技术研发人员：赵玉玲，邹吉炜，
申请(专利权)人：长光卫星技术股份有限公司，
类型：发明
国别省市：