基于参数化多项式曲面的红外热辐射效应偏置场校正方法技术

本发明专利技术公开了一种基于参数化多项式曲面的红外热辐射效应偏置场校正方法，属于图像处理技术领域，包括：红外热辐射效应退化机理建模，构建基于参数化多项式曲面拟合的热辐射效应偏置场退化模型；仿真训练数据集构建，其中包括成对的退化前后红外图像数据；知识引导的参数化多项式网络构建，包括第一、第二网络单元、偏置场图像重建单元及损失计算单元。将待校正的退化图像输入至训练好的红外热辐射效应偏置场校正模型中的第一网络单元，输出复原后的清晰红外图像。本发明专利技术利用多项式拟合偏置场的先验知识进行建模，并指导网络进行自适应校正，增加了网络的可解释性，从而有效提升了方法在实测场景中的泛化性能以及图像的成像质量。质量。质量。

【技术实现步骤摘要】
基于参数化多项式曲面的红外热辐射效应偏置场校正方法


[0001]本专利技术属于图像处理
，更具体地，涉及一种基于参数化多项式曲面的红外热辐射效应偏置场校正方法。

技术介绍

[0002]高超声速飞行器是当今世界军事强国航天技术发展的重要方向。红外成像具有探测精度高、隐蔽性好和抗干扰能力强等优点，是高速飞行器精确制导的重要手段之一。气动光学是空气动力学和光学相结合的一个交叉学科，也是支撑飞行器发展的重要方向。其中，气动光学热辐射校正是该学科在航空航天领域的重要应用方向。
[0003]红外图像的气动热辐射效应主要来源于高温光学窗口的辐射。搭载红外成像系统的高速飞行器在大气层内飞行时，由于气动加热，成像系统处于严重的气动热环境中，同时，光学头罩与高速来流相互作用，诱发类似“光晕”的气动热辐射效应，使成像饱和，劣化目标图像信噪比，严重制约了光学成像探测系统的成像质量和探测精度。
[0004]目前，已有的气动热辐射效应校正方法主要分为两类：第一类是基于优化模型驱动的传统方法，第二类是基于数据驱动的学习方法。
[0005]基于优化模型驱动的方法通过人为设计手工先验，将退化图像从图像子空间转换到其他子空间中，利用子空间中图像和偏置场之间的判别性特征，通过构造能量泛函进行优化迭代求解，将图像和偏置场有效分离。这一大类方法无需成对的图像对数据，可以直接对单张图像进行处理，对实测场景具备较高的泛化性。然而，手工设计的先验知识大多基于简化的机理模型，且在实际优化求解过程中，主要使用线性变换，因此特征表达能力较差。
[0006]基于数据驱动的学习方法则依赖于非线性网络的强大特征表达能力，通过大量数据学习直接拟合退化效应的复杂特性，然而这类方法可解释性较差。在实际场景中，这种图像对获取困难，尽管现有技术可以通过风洞，火箭撬等实验获取到较为真实偏置场退化前后数据对，但获取成本高、场景简单，无法充分模拟真实高速飞行器的成像时红外偏置场复杂的时空变化特点。因此，需要利用大量仿真数据对训练数据集进行补充。
[0007]综上所述，当前技术存在的问题是：第一类方法不具备较强的特征表达能力，在实际校正中性能有限；第二类方法泛化能力较差，只能在特定场景下有较好的表现。

技术实现思路

[0008]针对现有技术的缺陷和改进需求，本专利技术提供了一种基于参数化多项式曲面的红外热辐射效应偏置场校正方法，其目的在于利用偏置场先验知识进行建模，并指导网络进行自适应校正，使其更具有可解释性，同时利用网络强大的特征表达能力学习图像和偏置场之间不同结构的差异性，解决红外图像因热辐射效应导致成像质量差以及当前技术校正效果有限等问题。
[0009]为实现上述目的，按照本专利技术的一个方面，提供了一种基于参数化多项式曲面的红外热辐射效应偏置场校正方法，包括：
[0010]训练阶段：以退化图像Y为训练样本，以退化图像对应的清晰图像为标签，对红外热辐射效应偏置场校正模型进行训练；其中，所述红外热辐射效应偏置场校正模型包括：第一网络单元、第二网络单元、偏置场图像重建单元及损失计算单元；
[0011]所述第一网络单元用于预测所述退化图像Y中的清晰红外图像；
[0012]所述第二网络单元用于预测所述退化图像Y中的偏置场参数；
[0013]所述偏置场图像重建单元用于基于所述预测的偏置场参数，采用多项式曲面拟合得到预测的偏置场图像；
[0014]所述损失计算单元用于以最小化预测的清晰红外图像和输入的清晰红外图像C的一致性损失为目标，以预测的清晰红外图像及预测的偏置场图像正则化先验信息为约束，计算训练损失，并反向调节所述第一网络单元和所述第二网络单元的参数以使损失收敛，使第一网络单元输出复原后的清晰红外图像；
[0015]应用阶段：将待校正的退化图像输入至训练好的红外热辐射效应偏置场校正模型中的第一网络单元，输出复原后的清晰红外图像。
[0016]进一步地，所述退化图像Y通过如下方式获得：
[0017]构造热辐射效应偏置场图像B；
[0018]将所述热辐射效应偏置场图像B叠加在清晰红外图像C上，得到所述退化图像Y，Y＝B+C。
[0019]进一步地，构造热辐射效应偏置场图像B的过程包括：
[0020]步骤S11、确定偏置场图像的偏置场阶数D及偏置场参数a
t,s
，其中，0≤t≤D，0≤s≤D
‑
t，max(t+s)＝D，偏置场参数a
t,s
的个数
[0021]步骤S12、基于偏置场参数a
t,s
，采用多项式曲面拟合偏置场图像，得到拟合的热辐射效应偏置场图像B。
[0022]进一步地，所述多项式曲面拟合公式为：
[0023][0024]其中，B表示热辐射效应偏置场图像，(x
i
,y
j
)是热辐射效应偏置场图像坐标，D是偏置场阶数，a
t,s
是偏置场参数。
[0025]进一步地，损失计算单元中，计算训练损失的损失函数为：
[0026][0027]其中，λ和μ为正则化参数，a
′
t,s
表示预测的偏置场参数，R表示预测的清晰红外图像，下角标i、j表示坐标(i，j)。
[0028]进一步地，所述第一网络单元包括串联连接的带残差模块的第一多尺度编码器和
多尺度解码器；
[0029]所述退化图像Y输入第一网络单元，经过带残差模块的第一多尺度编码器进行特征提取后，输入所述多尺度解码器，输出预测的清晰图像。
[0030]进一步地，所述第二网络单元包括串联连接的带残差模块的第二多尺度编码器和全连接层；
[0031]所述退化图像Y输入第二网络单元，经过所述带残差模块的第二多尺度编码器进行特征提取后，输入所示全连接层，输出所述预测的偏置场参数a
′
t,s
。
[0032]进一步地，所述多尺度编码器进行特征提取的过程包括：
[0033]以所述退化图像Y为输入，以所述清晰红外图像C为标签，通过多次卷积操作和对应的下采样操作，输出特征图；
[0034]其中，所述多尺度编码器为第一多尺度编码器或第二多尺度编码器。
[0035]进一步地，所述第一多尺度解码器输出预测的清晰图像的过程包括：
[0036]对所述第一多尺度编码器输出的特征图进行上采样操作，将上采样得到的特征图与对应尺寸的下采样得到的特征图进行通道合并，得到预测的清晰图像；其中，上采样操作的尺度与对应的下采样操作的尺度相同。
[0037]按照本专利技术的第二方面，提供了一种计算机存储介质，包括指令，所述指令在计算机上运行时，使得计算机执行如第一方面任意一项所述的基于参数化多项式曲面的红外热辐射效应偏置场校正方法。
[0038]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0039](1)本专利技术的基于参数化多项式曲面的红外热辐射本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于参数化多项式曲面的红外热辐射效应偏置场校正方法，其特征在于，包括：训练阶段：以退化图像Y为训练样本，以退化图像对应的清晰图像为标签，对红外热辐射效应偏置场校正模型进行训练；其中，所述红外热辐射效应偏置场校正模型包括：第一网络单元、第二网络单元、偏置场图像重建单元及损失计算单元；所述第一网络单元用于预测所述退化图像Y中的清晰红外图像；所述第二网络单元用于预测所述退化图像Y中的偏置场参数；所述偏置场图像重建单元用于基于所述预测的偏置场参数，采用多项式曲面拟合得到预测的偏置场图像；所述损失计算单元用于以最小化预测的清晰红外图像和输入的清晰红外图像C的一致性损失为目标，以预测的清晰红外图像及预测的偏置场图像正则化先验信息为约束，计算训练损失，并反向调节所述第一网络单元和所述第二网络单元的参数以使损失收敛，使第一网络单元输出复原后的清晰红外图像；应用阶段：将待校正的退化图像输入至训练好的红外热辐射效应偏置场校正模型中的第一网络单元，输出复原后的清晰红外图像。2.根据权利要求1所述的校正方法，其特征在于，所述退化图像Y通过如下方式获得：构造热辐射效应偏置场图像B；将所述热辐射效应偏置场图像B叠加在清晰红外图像C上，得到所述退化图像Y，Y＝B+C。3.根据权利要求2所述的校正方法，其特征在于，构造热辐射效应偏置场图像B的过程包括：步骤S11、确定偏置场图像的偏置场阶数D及偏置场参数a
t,s
，其中，0≤t≤D，0≤s≤D
‑
t，max(t+s)＝D，偏置场参数a
t,s
的个数步骤S12、基于偏置场参数a
t,s
，采用多项式曲面拟合偏置场图像，得到拟合的热辐射效应偏置场图像B。4.根据权利要求3所述的校正方法，其特征在于，所述多项式曲面拟合公式为：其中，B表示热辐射效应偏置场图像，(x
i
...

【专利技术属性】
技术研发人员：昌毅，高妍，颜露新，曹舒宁，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：