【技术实现步骤摘要】
本专利技术涉及图像噪声处理领域，具体地，涉及一种红外图像的噪声抑制方法。
技术介绍
1、在红外探测器中，由于使用过程中探测器自身发热或者从外部环境吸收热量，导致探测器成像系统的透镜或者镜筒等内部器件温度升高，所产生的辐射与来自外界的场景辐射混杂，被灵敏的探测器捕捉，表现为所成图像存在白色噪声，图像中央噪声最强，到图像四角噪声逐渐减弱。这种非均匀性噪声可能会严重降低图像质量或遮挡视野中的重要目标，影响红外光学系统的成像质量。
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了一种红外图像的噪声抑制方法。
2、根据本专利技术实施例的第一方面，提供红外图像的噪声抑制方法，所述方法包括：
3、根据改进后的局部直方图均衡化算法对待处理图像进行处理，得到第一图像；
4、通过神经网络对所述第一图像进行特征提取，得到第一特征，并根据所述第一特征得到第二图像；
5、根据所述第一图像、所述第二图像和所述神经网络，得到密度矩阵；
6、根据所述第一图像、所述第二图像和所述密度矩阵，得到第一融合特征；
7、根据所述第一融合特征和所述神经网络得到噪声抑制后的目标图像。
8、可选地，所述根据改进后的局部直方图均衡化算法对待处理图像进行处理，得到第一图像，包括：
9、根据改进后的剪切点得到所述改进后的局部直方图均衡化算法；
10、根据所述改进后的局部直方图均衡化算法对所述待处理图像进行处理
11、可选地，所述改进后的剪切点根据以下公式得到：
12、
13、其中，β为所述改进后的剪切点的值，m表示根据所述改进后的局部直方图均衡化算法将所述第一图像分成的多个分块中每个分块的像素总数，n表示灰度级的数量，p为第一比例系数，l为所述每个分块的各个像素点中的最大灰度值，r为所述第一图像的各个像素点中的最大灰度值和最小灰度值的差值，α为第二比例系数，σ表示所述第一图像的各个像素点的灰度值的标准差，smax为所述第一图像的各个像素点中的最大灰度值，μ为所述第一图像的各个像素点的灰度值的均值，c1和c2为预设常数。
14、可选地，所述神经网络包括：特征映射模块、下采样模块、多分支注意力模块、上采样模块和尾部特征映射模块；所述通过神经网络对所述第一图像进行特征提取，得到第一特征，并根据所述第一特征得到第二图像，包括：
15、通过特征映射模块对所述第一图像进行处理，得到所述第一特征；
16、通过所述下采样模块和所述第一特征，得到第二特征和第三特征；
17、利用所述多分支注意力模块对所述第二特征和所述第三特征进行噪声特征提取，并根据所述上采样模块得到第二融合特征；
18、根据所述尾部特征映射模块和所述第二融合特征得到所述第二图像。
19、可选地，所述第二融合特征根据以下公式得到：
20、fout＝upconv(ma(ma(fi)))+fi-1
21、其中，fout为所述第二融合特征，upconv表示上采样模块，ma表示所述多分支注意力模块，f表示所述第二特征或所述第三特征，i表示通过所述下采样模块对所述第一特征进行处理的次数。
22、可选地，所述神经网络还包括：密度估计模块；所述根据所述第一图像、所述第二图像和所述神经网络，得到密度矩阵，包括：
23、将所述第一图像和所述第二图像进行拼接，得到第三融合特征；
24、根据所述第三融合特征和所述密度估计模块得到所述密度矩阵。
25、可选地，所述第三融合特征根据以下公式得到：
26、fout1＝relu(convki(cat(noise,shallow)))
27、其中，fout1为所述第三融合特征，relu为第一激活函数，convki表示卷积核大小为i，cat为拼接函数，noise为所述第一图像，shallow为所述第二图像；
28、所述密度矩阵根据以下公式得到：
29、a＝sigmoid(convki(ma(fout1))
30、其中，a为所述密度矩阵，sigmoid为第二激活函数，convki表示卷积核大小为i，ma表示所述多分支注意力模块，fout1为所述第三融合特征。
31、可选地，所述神经网络还包括：特征融合模块；所述根据所述第一图像、所述第二图像和所述密度矩阵，得到第一融合特征，包括：
32、根据所述特征融合模块和所述多分支注意力模块对所述第三融合特征进行处理，得到处理后的第三融合特征；
33、将所述处理后的第三融合特征与所述密度矩阵相乘，得到所述第一融合特征。
34、可选地，所述根据所述第一融合特征和所述神经网络得到噪声抑制后的目标图像，包括：
35、根据所述特征融合模块和所述多分支注意力模块对所述第一融合特征进行处理，得到处理后的第一融合特征；
36、根据所述处理后的第一融合特征和所述尾部特征映射模块得到所述噪声抑制后的目标图像。
37、可选地，所述噪声抑制后的目标图像根据以下公式得到：
38、i＝tail(ma(ma(featurefusion(fout2))))
39、其中，i为所述噪声抑制后的目标图像，tail表示所述尾部特征映射模块，ma表示所述多分支注意力模块，featurefusion表示所述特征融合模块，fout2为所述第一融合特征。
40、本专利技术的实施例提供的技术方案可以包括以下有益效果：
41、在上述技术方案中，根据改进后的局部直方图均衡化算法对待处理图像进行处理，得到第一图像；通过神经网络对第一图像进行特征提取，得到第一特征，并根据第一特征得到第二图像；根据第一图像、第二图像和神经网络，得到密度矩阵；根据第一图像、第二图像和密度矩阵，得到第一融合特征；根据第一融合特征和神经网络得到噪声抑制后的目标图像。通过上述技术方案，利用改进后的局部直方图均衡化算法预先对图像的进行处理，减轻后续神经网络的处理压力，在减少待处理图像中噪声的同时，利用神经网络加快了图像噪声的抑制速度，具有较强的图像恢复效果。
42、本专利技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种红外图像的噪声抑制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的红外图像的噪声抑制方法，其特征在于，所述根据改进后的局部直方图均衡化算法对待处理图像进行处理，得到第一图像，包括：
3.根据权利要求2所述的红外图像的噪声抑制方法，其特征在于，所述改进后的剪切点根据以下公式得到：
4.根据权利要求1所述的红外图像的噪声抑制方法，其特征在于，所述神经网络包括：特征映射模块、下采样模块、多分支注意力模块、上采样模块和尾部特征映射模块；所述通过神经网络对所述第一图像进行特征提取，得到第一特征，并根据所述第一特征得到第二图像，包括：
5.根据权利要求4所述的红外图像的噪声抑制方法，其特征在于，所述第二融合特征根据以下公式得到：
6.根据权利要求1所述的红外图像的噪声抑制方法，其特征在于，所述神经网络还包括：密度估计模块；所述根据所述第一图像、所述第二图像和所述神经网络，得到密度矩阵，包括：
7.根据权利要求6所述的红外图像的噪声抑制方法，其特征在于，所述第三融合特征根据以下公式得到：
8.
9.根据权利要求8所述的红外图像的噪声抑制方法，其特征在于，所述根据所述第一融合特征和所述神经网络得到噪声抑制后的目标图像，包括：
10.根据权利要求9所述的红外图像的噪声抑制方法，其特征在于，所述噪声抑制后的目标图像根据以下公式得到：
...【技术特征摘要】
1.一种红外图像的噪声抑制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的红外图像的噪声抑制方法，其特征在于，所述根据改进后的局部直方图均衡化算法对待处理图像进行处理，得到第一图像，包括：
3.根据权利要求2所述的红外图像的噪声抑制方法，其特征在于，所述改进后的剪切点根据以下公式得到：
4.根据权利要求1所述的红外图像的噪声抑制方法，其特征在于，所述神经网络包括：特征映射模块、下采样模块、多分支注意力模块、上采样模块和尾部特征映射模块；所述通过神经网络对所述第一图像进行特征提取，得到第一特征，并根据所述第一特征得到第二图像，包括：
5.根据权利要求4所述的红外图像的噪声抑制方法，其特征在于，所述第二融合特征根据以下公式得到：
6.根...
【专利技术属性】
技术研发人员：秦翰林，王喆，延翔，吴朝晖，杨硕闻，袁帅，耿金妮，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。