一种长波红外遥感影像进行盲元检测与去除的方法技术

本发明专利技术公开了一种长波红外遥感影像进行盲元检测与去除的方法，涉及卫星遥感影像图像处理技术领域，包括以下步骤：获取多场景连续帧长波红外遥感影像；构建

【技术实现步骤摘要】
一种长波红外遥感影像进行盲元检测与去除的方法


[0001]本专利技术涉及卫星遥感影像图像处理
，尤其涉及一种长波红外遥感影像进行盲元检测与去除的方法
。

技术介绍

[0002]由于受到工艺
、
制造材料等因素的各种限制，红外焦平面阵列探测器在成像过程中会出现盲元问题，盲元包括固定盲元和随机盲元
。
由于盲元的存在会干扰后续对目标的检测识别，且严重影响了成像质量，因此要对红外影像中的盲元进行检测和去除
。
[0003]当前也有一些研究红外影像盲元检测和去除的方法，盲元检测方法如阚博涵提出的基于可调阈值窗口的红外盲元检测算法，将一帧图像按照窗口大小进行分割，通过调节窗口内阈值，计算窗口内的均值和标准差之间的大小关系，达到判断盲元的目的
。
现有技术中提出一种基于图像高斯正态分布的3σ
检测方法，以某一像元为中心进行加窗
,
计算加窗后的均值与标准差
,
然后通过比较窗口中心像元灰度与均值的偏差是否大于3倍标准差来判断其是否为盲元
。
盲元去除方法如中值替代法
、
临近点替代法
、
一阶线性插值替代和邻域内多点平均值替代等
。
[0004]现有的盲元检测方法存在盲元的漏检
、
易将红外小目标误判为盲元，难以检测出影像中的新增盲元
、
针对复杂场景效果不好等问题
。
现有的盲元去除方法在实际工程应用中，对于连续盲元容易出现补偿失效问题
。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术的目的是提供一种基于多场景连续帧影像进行建模，通过基于像素级别分类的思想，分类出盲元类别，实现盲元的自动检测与去除的长波红外遥感影像进行盲元检测与去除的方法
。
[0006]为解决上述技术问题，本专利技术提供的技术方案为：一种长波红外遥感影像进行盲元检测与去除的方法，包括以下步骤：
[0007]S1、
获取多场景连续帧的长波红外遥感影像；所述长波红外遥感影像中同时包含空间信息和时间信息；
[0008]S2、
将所述长波红外遥感影像中的空间信息和时间信息整合在一起，以构建空间
‑
时间联合的
3D
‑
CNN
像素分类模型，其中盲元所属像素归为一类，其他像素根据像素灰度值的大小
DN
，划分为5类；若其他像素灰度值最大为
Max
，最小为
Min
，记
i
＝
(Max
‑
Min+1)/5
，则分类规则如下：
[0009][0010]S3、
提取所述长波红外遥感影像中的
W
×
W
×
H
的空间
‑
时间立方体作为样本数据，其中
W
×
W
为空间邻域大小，
H
为所述长波红外遥感影像中连续帧的数量，并按照
1:1:8
的比例将所述样本数据划分为训练集和验证集；
[0011]S4、
将所述样本数据输入至所述
3D
‑
CNN
像素分类模型中，对所述
3D
‑
CNN
像素分类模型进行训练，得到训练好的
3D
‑
CNN
像素分类模型；所述训练集进入四个卷积层，卷积核大小均为3×3×7，步长为2，在最后一个卷积层后加入比率为
0.3
的
Dropout
，然后进入全连接层，所述全连接层将三维的特征立方体变成一维的特征向量，最后使用
Logistic
回归分类器中针对多任务的
softmax
，输出所述样本数据的所属类别；所述
3D
‑
CNN
像素分类模型的损失函数为：式中，
m
表示
mini
‑
batch
的大小，
x
i
和
z
i
分别表示每个批量中第
i
个样本数据的预测值和真实值；
loss
为所述损失函数；
[0012]S5、
将待进行盲元检测的影像输入训练好的
3D
‑
CNN
像素分类模型进行分类，输出分类后像素所属的类别，其中包含盲元所在类别；
[0013]S6、
获取盲元像素所在的像素位置坐标，制作红外影像盲元位置
Excel
表；
Excel
表中包含三列，第一列为序号，值为1至
n
，
n
为盲元总个数，第二列为盲元像素坐标的横坐标值，第三列为盲元像素坐标的横坐标值对应的纵坐标值；
[0014]S7、
遍历与盲元位置相邻的非盲元像素所属的分类类别，具体为：根据盲元位于图像的位置判断盲元所在的邻域区域；根据所述邻域区域确定非盲元像素，根据确定好的非盲元像素确定从属于分类类别中的具体类别；
[0015]S8、
计算每一个分类类别中所有像素的均值；
[0016]S8、
获取所有均值的中值；
[0017]S9、
使用中值替代盲元点像素的灰度值；
[0018]S10、
以此类推，完成所有盲元的像素值替代，以获取盲元补偿后的红外影像
。
[0019]本专利技术与现有技术相比优点在于：
[0020]1、
本专利技术结合
3D
‑
CNN
模型使用
3D
卷积立方体，可提取时间维度特征的优势，使用连续帧红外影像构建模型，能够更加精确地区分盲元类别和其他像素类别，避免盲元的漏检
。
模型基于像素级进行分类的特点，能够改善将小目标误判为盲元的问题；
[0021]2、
本专利技术不仅能够检测出影像中的固定盲元，对于历年来较难解决的新增盲元，也能够精确识别出来；
[0022]3、
本专利技术提出的盲元去除方法只使用分类后的非盲元类别的像素值进行计算，能够避免针对连续盲元出现补偿失效的问题；
[0023]4、
本专利技术通过建立盲元检测模型，对于复杂场景中的盲元，也具有较好的检测效果
。
附图说明
[0024]图1为本专利技术的流程图
。
具体实施方式
[0025]下面将对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种长波红外遥感影像进行盲元检测与去除的方法，其特征在于，包括以下步骤：
S1、
获取多场景连续帧的长波红外遥感影像；所述长波红外遥感影像中同时包含空间信息和时间信息；
S2、
将所述长波红外遥感影像中的空间信息和时间信息整合在一起，以构建空间
‑
时间联合的
3D
‑
CNN
像素分类模型，其中盲元所属像素归为一类，其他像素根据像素灰度值的大小
DN
，划分为5类；若其他像素灰度值最大为
Max
，最小为
Min
，记
i
＝
(Max
‑
Min+1)/5
，则分类规则如下：
S3、
提取所述长波红外遥感影像中的
W
×
W
×
H
的空间
‑
时间立方体作为样本数据，其中
W
×
W
为空间邻域大小，
H
为所述长波红外遥感影像中连续帧的数量，并按照
1:1:8
的比例将所述样本数据划分为训练集和验证集；
S4、
将所述样本数据输入至所述
3D
‑
CNN
像素分类模型中，对所述
3D
‑
CNN
像素分类模型进行训练，得到训练好的
3D
‑
CNN
像素分类模型；所述训练集进入四个卷积层，卷积核大小均为3×3×7，步长为2，在最后一个卷积层后加入比率为
0.3
的
Dropout
，然后进入全连接层，所...

【专利技术属性】
技术研发人员：曹凯利，王玉林，侯波，史明震，
申请(专利权)人：山东产研卫星信息技术产业研究院有限公司，
类型：发明
国别省市：