一种基于混合自适应回归的红外盲元补偿方法

摘要

本发明公开了一种基于混合自适应回归的红外盲元补偿方法，首先通过Curvelet变换对红外图像I进行多尺度分解，分解为I1,…,In-1,In，n为自然数；其次对分解后的各高阶尺度子带图像利用非参数模型进行盲元恢复，得到图像I1r,…,In-1r,Inr；对非参数模型多次迭代，以提高非参数估计的精度；再次利用参数模型对各高阶尺度间进行衔接与学习，即通过参数方法插值Inr得到图像In-1i，并使其作为n-1层尺度的先验图像；最后，逐层递归以上步骤，最终输出恢复图像。本发明从多尺度分析角度，结合自适应回归模型，解决了对盲元检测过于依赖的问题，同时对于具有大量随机或固定盲元的图像都具有很好的适应性，并通过实验验证了新算法的有效性和实用性。

说明书

技术领域

本发明涉及一种红外盲元补偿方法，特别涉及一种基于混合自适应回归的红外盲元补偿方法。

背景技术

随着红外成像设备应用领域的扩展,人们对其成像质量也提出了越来越高的要求。但由于制造工艺、材料等因素的影响，IRFPA(Infrared focal plane array)器件不可避免地存在着噪声、非均匀性等问题。而上述问题会直接导致盲元的产生，如果在成像时不经相应的处理，盲元会使图像出现亮点或暗点，严重影响成像质量。因此，在红外成像系统中剔除盲元是关键的非均匀性校正步骤，而盲元补偿则是剔除盲元的关键。

目前传统的红外盲元补偿方法相对简单和单一，主要包括：线性插值法、邻域滤波法、中值滤波法和这些算法的变形。而各类补偿算法的补偿效果大多依赖于能否尽可能地不漏检和过检盲元。盲元漏检会影响对亮点、暗点的抑制；而盲元过检则会损失真实信息。同时，现有的补偿算法主要是通过简单的邻域像素替代来补偿盲元，缺乏对盲元簇图像的适应性，容易造成模糊细节，产生严重的失真。

发明内容

本发明所要解决的技术问题是提供一种基于混合自适应回归模型的红外盲元补偿算法，从多尺度分析角度，结合自适应回归模型，解决了对盲元检测过于依赖的问题，同时对于具有大量随机或固定盲元的图像都具有很好的适应性，并通过实验验证了新算法的有效性和实用性。

本发明为解决上述技术问题采用以下技术方案：

一种基于混合自适应回归的红外盲元补偿方法，包括以下具体步骤：

步骤1，通过Curvelet变换对红外图像I进行多尺度分解，得到分解后的各尺度图像I₁,…,I_n-1,I_n，n为自然数；n越大，尺度越高，分辨率越低；

步骤2，对分解后的各尺度图像构造非参数模型进行回归补偿，以实现盲元恢复，得到恢复盲元的图像I_1r,…,I_n-1r,I_nr；所述构造非参数模型进行回归补偿具体为：首先，利用盲元检测得到盲元索引矩阵，即得知盲元的具体位置；然后，从分解后的各尺度图像中得到其盲元的邻域像素集，通过非参数模型进行非参数估计，得到盲元像素的估计值，从而得到恢复盲元的图像；

步骤3，对步骤2中恢复盲元后的图像之间构建自回归参数模型，进行各尺度间的衔接与学习，即通过参数方法插值恢复盲元的图像I_nr得到插值图像I_n-1i，并将其作为n-1层尺度的先验图像；所述构建自回归参数模型具体为：首先，从恢复盲元图像中得到已知盲元像素集及其邻域像素集，组成线性方程并求得总体最小二乘解；然后，利用所求总体最小二乘解、插值图像中的盲元像素集及其邻域像素集组成的线性方程，通过最小二乘法求得插值图像中的盲元像素集及其邻域像素集中的未知像素，从而得到插值图像；

步骤4，逐层递归步骤2-步骤3，最终输出恢复图像。

作为本发明的进一步优化方案，在步骤2中对非参数模型多次迭代，以提高非参数估计的精度；所述迭代次数为三次。

本发明采用以上技术方案与现有技术相比，克服了现有算法过于依赖盲元检测和自适应能力差的不足，另辟蹊径，从多尺度分析角度并结合自适应回归模型，解决了对盲元检测过于依赖的问题，同时对于具有大量随机或固定盲元的图像都具有很好的适应性，并通过实验验证了新算法的有效性和实用性。本发明的盲元补偿适应性强，对于具有大量孤立和盲元簇图像均能有效补偿。

附图说明

图1是本发明的流程图。

图2是本发明实施例的流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

一种基于混合自适应回归的红外盲元补偿方法，如图1所示，包括以下具体步骤：

步骤1，通过Curvelet变换对红外图像I进行多尺度分解，得到分解后的各尺度图像I₁,…,I_n-1,I_n，n为自然数；n越大，尺度越高，分辨率越低；

步骤2，对分解后的各尺度图像构造非参数模型进行回归补偿，以实现盲元恢复，得到恢复盲元的图像I_1r,…,I_n-1r,I_nr；

步骤3，对步骤2中恢复盲元后的图像之间构建自回归参数模型，进行各尺度间的衔接与学习，即通过参数方法插值恢复盲元的图像I_nr得到插值图像I_n-1i，并将其作为n-1层尺度的先验图像；

步骤4，逐层递归步骤2-步骤3，最终输出恢复图像。

通过以下具体实施例对本发明的方法进行进一步阐述，如图2所示。

1、输入盲元图像将图像通过Curvelet变换分别形成实施例共有3层分解，具体为：先将分解为低频子带和高频子带然后高频子带再经方向滤波器组分解为2个方向子带，其中低频子带为

2、通过非参数模型估计中盲元像素值，得到低分辨率图像具体如下：

1）利用盲元检测得到的盲元索引矩阵，可知盲元的具体位置；用y₁,…,y_n表示n个未知盲元，n为自然数，y₀为未知盲元的总称；

2）从中得到其像素集{y₁,…,y_n}和{x₀,x₁,…,x_n}；x₀,x₁,…,x_n为盲元y₀的邻域像素；

若是第一次补偿，邻域内可能存在盲元像素，则通过掩模向量去除盲元的影响，掩模向量中“1”表示正常像元，“0”表示盲元，代入以下公式：

$>{\hat{y}}_0=\frac{\underset{j=1}{\overset{n}{\Sigma }}{k}_h\left(\right|\left|m^T(x_0-x_j)\right|\left|\right)y_j}{\underset{j=1}{\overset{n}{\Sigma }}{k}_h\left(\right|\left|m^T(x_0-x_j)\right|\left|\right)}$>

式中，为盲元y₀的像素估计值；m为掩模向量；K_h为标准差为4的高斯核函数；

若不是第一次补偿，则直接代入以下公式：

$>{\hat{y}}_0\approx \frac{\underset{j=1}{\overset{n}{\Sigma }}{k}_h\left(\right|\left|(x_0-x_j)\right|\left|\right)y_j}{\underset{j=1}{\overset{n}{\Sigma }}{k}_h\left(\right|\left|(x_0-x_j)\right|\left|\right)}$>

3）通过不断的迭代可以进行多次的非参数估计；本实施例迭代次数为3次；

3、通过参数模型插值得到高分辨率图像具体如下：

1）根据从中得到的已知像素集{y₁,…,y_n}和{x₀,x₁,…,x_n}形成X和Y，组成如下线性方程，并采用总体最小二乘法求解得出总体最小二乘解

$>Y=X{\hat{a}}_{\mathrm{TLS}}$>

2）高分辨率图像的像素集和包含了已知低分辨率像素和未知高分辨率像素，同样这两组像素集合和上述求得的可以组成方程

3）通过最小二乘法求解得出和中未知的高分辨率像素值，从而得到

4、利用图像作为先验估计，通过非参数模型估计得到其具体过程同步骤2，只不过在收集{x₀,x₁,…,x_n}时利用

5、通过参数模型插值得到其具体过程同步骤3；

6、利用图像作为先验估计，通过非参数模型估计得到其具体过程同步骤4，最终得到输出恢复图像

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。