A new adaptive nonuniformity correction algorithm for infrared line scanner based on neural networks

The striping pattern nonuniformity of the infrared line scanner (IRLS) severely limits the system performance. An adaptive nonuniformity correction (NUC) algorithm for IRLS using neural network is proposed. It uses a one-dimensional median filter to generate ideal output of network and can complete NUC by a single frame with a high correction level. Applications to both simulated and real infrared images show that the algorithm can obtain a satisfactory result with low complexity, no need of scene diversity or global motion between consecutive frames. It has the potential to realize real-time hardware-based applications.     

自适应地空背景红外图像降噪增强方法

针对地空背景红外图像对比度低,噪声干扰大的特点,提出一种自适应的地空背景红外图像的增强方法。通过基于场景的非均匀校正去掉大部分固定图案噪声,对降噪后的图像进行多宽度窗口联合的局部对比度增强。此算法只需代数运算,原理简单,效果显著,尤其适用于地空背景,海空背景或太空背景的红外图像目标探测与识别。此算法能够自适应地补偿红外图像固定背景噪声的漂移,使低对比度图像的各级细节得到增强,而且能够在压制背景噪声的同时使隐藏在暗处的人眼不可识别的细节清晰自然的显现出来。     

循环神经网络在智能天平研究中的应用

激波风洞地面试验对高超声速飞行器高焓气动特性研究至关重要, 而高精度气动力测量是其中的关键技术. 在脉冲型激波风洞中进行测力试验时, 风洞起动时流场瞬间建立, 对测力系统会产生较大的冲击. 测力系统在瞬时冲击作用下受到激励, 系统的惯性振动信号在短时间内无法快速衰减, 天平的输出信号中会包含惯性振动干扰量, 导致脉冲型风洞测力试验精准度的进一步提高遇到瓶颈. 为了解决短试验时间内激波风洞快速准确测力问题, 发展高精度的动态校准技术是提升受惯性干扰天平性能的关键方法. 因此, 本文采用循环神经网络对天平动态校准数据进行训练和智能处理, 旨在消除输出动态信号中的振动干扰信号. 本文对该方法进行了误差分析, 验证了该方法的可靠性, 并将该方法应用于激波风洞测力试验中, 切实有效降低了惯性振动对天平输出信号的干扰影响. 根据智能模型的样本验证分析, 各分量载荷相对误差比较小, 其中高频轴向力分量处理结果的相对误差约1%. 在风洞试验数据验证中, 也得到了比较理想的结果, 同时与卷积神经网络模型处理的结果进行了对比分析.      

基于场景的红外焦平面阵列非均匀性校正算法综述

红外焦平面阵列的非均匀性噪声是制约红外成像质量的主要因素。基于场景的非均匀校正算法通常利用图像序列并依赖帧间运动对焦平面阵列的非均匀性进行校正。介绍和分析了全局非均匀性校正,Kalman滤波器法,自适应滤波法,轨迹跟踪法,基于场景运动分析的校正算法,基于小波变换实现低通滤波的校正算法,高通滤波与神经网络相结合的算法,基于小波去噪、序列图像配准和正交最小二乘拟合的校正算法,改进的神经网络算法以及代数算法等,对算法进行了比较。