论文部分内容阅读
红外焦平面阵列是现代红外成像系统的关键部件，但是其中每个单元对同样辐射的响应不一致导致了非均匀性的产生，表现在图像上就是种类繁杂的频率不同的噪声，也因此成为扼制红外成像系统输出清晰可辨的图像的最主要原因。在实际应用中，考虑图像可视性的要求，以及后续处理的需要，对非均匀性的校正是十分必要的。由于现实中含有非均匀性的红外图像较难获得，故本文首先在分析了红外图像噪声特点的基础上，通过添加随机噪声来模拟图像的非均匀性，也通过调整噪声的参数来说明非均匀性大小对图像质量的影响。本文的主要工作是对一种典型的基于场景的校正方法，也就是结合了智能计算的神经网络校正法进行研究及改进。在对经典神经网络非均匀性校正算法的研究中发现，隐含层算法的选取和校正参数初值的确定极大的影响了算法的收敛速度和校正效果。传统神经网络校正法中，隐含层的作用是通过对中心像素的四邻域求取算术平均作为期望输出去更新校正参数的，该方法简单，易于计算，不过忽略了邻域像素对中心像素的影响程度。因此提出以下改进方法：（1）选定窗口大小，对窗口内中心像素的所有邻域像素进行算术平均，计算期望输出；（2）对窗口内的邻域像素求加权平均作为期望输出，其中权值的计算是根据邻域像素与中心像素的灰度差值得到的；（3）同样是在固定大小窗口内，利用模糊逻辑中的隶属度函数把中心像素的邻域进行分类，然后按区域属性不同确定权值，再求加权平均作为期望输出。校正参数的初值一般是用初始的随机小数或者按先验知识来确定。粒子群优化算法作为一种智能的寻优方法，在校正开始的第一帧就利用粒子群优化算法去训练神经网络，取得一组最优值再开始校正，这样就可以提升收敛速度。仿真结果表明，本文提出的改进算法在校正结果和收敛速度上都有不同程度的提升，同时，算法复杂度也有所下降。