图像条纹噪声消除

条纹噪声

sensor中由于传感器的差异产生固定模式噪声(FPN),FPN与条纹噪声有相似之处。

条纹噪声(Stripe noise )是由于红外焦平面阵列(infrared focal plane array, IRFPA)中读出电路的不同而造成的。因为IRFPA上位于不同列的传感器采用不同的读出电路,读出电路偏置电压的差异会在红外图像上产生明暗。

目前针对IRFPA响应的非均匀校正算法主要包括*基于标准源定标**基于场景的校正方法*两类。

基于参考源定标类方法是早期提出的一种易于实现且较有效的方法。典型的如一点校正法,两点校正法,多点校正法等。这类方法一般通过更新非均匀性校正算法的参数实现,且需要一个额外的电子设备,进行多次重复定标。不但增加了系统复杂度,还会打断图像采集过程。

基于场景的非均匀性校正算法,如基于恒定统计算法,神经网络算法。这些基于场景的算法主要根据实际场景提取校正系数,可以自适应地校正探测器因温度和时间漂移引起的变化。为了估计出可靠的参数,这类算法需要利用一组图片进行提前训练,一般收敛速度较慢,并且场景的帧间差异要足够小。

目前的非均匀性矫正算法的缺点:

1、收敛速度慢

2、不能实时性处理

3、条纹噪声具有方向性(水平垂直)和贯穿性

预设条纹噪声模型

​ 假设图像中像素$(i, j)$的值 $z(i, j)$表示为:

$$ z(i, j)=A(i, j)x(i, j)+B(i, j)+v(i, j) $$

其中,$A(i, j)$和 $B(i, j)$分别为第$(i, j)$个传感器的增益和偏置;$x(i, j)$是传感器捕获的入射红外辐射;$v(i, j)$表示电子噪声;增益$ A(i, j)$表示固定模式噪声中的乘性分量;偏置分量 $B(i, j)$表示固定模式噪声中的加性分量。

评价指标

粗糙度,评价非均匀性校正效果,指标越小表示条状噪声越少,处理效果越好

$$ \theta = \frac{h_1 * P+h_2 * P}{p} $$

其中,$h_1=[-1,1]$是水平方向掩膜,$h_2 = h_1^{'}$是垂直方向掩膜,$*$代表卷积

基于频率滤波

首先通过傅里叶变换从空域转到时域,在时域与高斯低通/带通滤波器进行卷积,进行低通/带通滤波,剔除高频信息或者指定位置的信息,通过imageJ软件测试效果

img!

img

图、imageJ软件处理步骤

img

img

损失了一部分细节,频域滤波器的参数可以精调

基于空域滤波

非均匀校正算法具有普遍性,对于条纹噪声,有时达不到满意的效果。因此一些文献又提出了针对性更强的算法,例如基于小波的改进算法,基于全变分理论的非均匀校正算法,基于双边滤波的算法

这里就不展示了,空域降噪为了不损失细节强调保边效果

感兴趣可以留言讨论,也可以参考大佬的文章

https://www.cnblogs.com/Imageshop/p/13380435.html

参考:

《基于空时域级联滤波的红外焦平面条状噪声消除算法》

我的个人博客主页,欢迎访问

我的CSDN主页,欢迎访问

我的GitHub主页,欢迎访问

最后修改:2021 年 12 月 01 日
如果觉得我的文章对你有用,请随意赞赏