一种基于全局和局部特征的红外图像非均匀性校正方法技术

本发明专利技术提供一种基于全局和局部特征的红外图像非均匀性校正方法，属于图像处理领域。解决小型模型图像细节保留能力差、存在形变，而复杂模型规模大、计算复杂，难以工程化应用的难题。使用逐点叠加方式取代卷积方式融合特征，使用插值方式取代反卷积方式上采样，有效降低模型复杂度，提高非均匀性校正效率。统一各级特征提取层的投影空间，避免特征图相互冗余表征，变相增加模型通道数，进而有效提高网络细节保留能力，避免非均匀性校正后图像丢失细节信息；本发明专利技术中的特征提取层基于残差结构可分离条纹噪声，本发明专利技术从相对平滑的图像提取纹理细节，避免条纹噪声干扰界定真实边缘，使非均匀性校正后图像与实际图像具有更高的结构相似性。

【技术实现步骤摘要】

本专利技术属于图像处理领域，具体涉及一种基于全局和局部特征的红外图像非均匀性校正方法。

技术介绍

1、近年来，随着深度学习的不断发展，基于深度学习的红外图像非均匀性校正方法可有效克服红外探测器响应不一致、温度特性随时间变化等问题，表现出优异的鲁棒性和非均匀性校正能力，已逐渐成为专家学者的重点研究领域。

2、然而，虽然基于深度学习的非均匀性校正方法具有强泛化能力和非均匀性校正性能，但往往存在计算复杂度高的问题。大型模型非均匀性校正后图像质量高，但存在模型规模大、计算复杂的缺点，往往难以实现工程应用，且单帧处理速度无法达到工程化快速处理要求。小模型虽然易部署且可满足工程化要求，但非均匀性校正能力差，易存在图像细节模糊，甚至变形的问题。因此研究如何平衡模型的复杂度与非均匀性校正性能，设计兼具复杂度低、处理速度快且非均匀性校正性能强的深度学习模型是该领域有待解决的重要问题。

3、该方法分别通过由行、列灰度残差以及全局灰度特征提取块构成的特征提取层剥离条纹噪声，实现低成本、高质量的纹理提取，以逐点叠加的线性方式融合多尺度特征，输出校正后图像，本文档来自技高网...

【技术保护点】

1.一种基于全局和局部特征的红外图像非均匀性校正方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于全局和局部特征的红外图像非均匀性校正方法，其特征在于，所述步骤2、4、6、8、11、14、17中，特征提取层包括行灰度、列灰度、全局灰度残差特征特征提取块构成；特征提取层分为两个支路，一路为全局灰度残差，另一路由行灰度残差特征提取模块、列灰度残差特征提取模块串联构成；特征提取层通过逐点叠加方式融合两支路特征图。

3.根据权利要求2所述的一种基于全局和局部特征的红外图像非均匀性校正方法，其特征在于，所述列灰度残差特征提取模块分为两个支路；

4...

【技术特征摘要】

1.一种基于全局和局部特征的红外图像非均匀性校正方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于全局和局部特征的红外图像非均匀性校正方法，其特征在于，所述步骤2、4、6、8、11、14、17中，特征提取层包括行灰度、列灰度、全局灰度残差特征特征提取块构成；特征提取层分为两个支路，一路为全局灰度残差，另一路由行灰度残差特征提取模块、列灰度残差特征提取模块串联构成；特征提取层通过逐点叠加方式融合两支路特征图。

3.根据权利要求2所述的一种基于全局和局部特征的红外图像非均匀性校正方法，其特征在于，所述列灰度残差特征提取模块分为两个支路；

4.根据权利要求2所述的一种基于全局和局部特征的红外图像非均匀性校正方法，其特征在于，所述行灰度残差特征提取模块分为两个支路；

5.根据权利要求2所述的一种基于全局和局部特征的红外图像非均匀性校正方法，其特征在于，所述全局灰度残...

【专利技术属性】
技术研发人员：胡晓宁，张超，刘锋，韩龙，柏彬，陈卓，侯军燕，赵纪金，
申请(专利权)人：北京市遥感信息研究所，
类型：发明
国别省市：