[发明专利]一种基于CNN神经网络的MRTD参数测试方法

说明书

本发明公开了一种基于CNN神经网络的MRTD参数测试方法，首先采集同一型号的热像仪在不同温度下、不同空间频率下的系列四杆靶图像数据，对获取的系列四杆靶图像进行裁剪，提取感兴趣的区域，将处理后的四杆靶图像数据分两部分，一部分用作CNN神经网络的训练，一部分用作CNN神经网络的测试，训练CNN神经网络，直到测试正确率在95％以上，用训练好的CNN神经网络去测试红外热像仪的MRTD值。本发明利用训练好的CNN神经网络对四杆靶图像进行判读，消除了由测试人员的不同状态导致的误判，测试结果更稳定，具有客观判读、重复性好、正确率高、测试时间短等优点。

技术领域

本发明属于红外测试领域，特别是一种基于CNN神经网络的MRTD参数测试方法。

背景技术

在热成像系统中，MRTD(最小可分辨温差)是综合评价系统温度分辨力和空间分辨力的重要参数，它不仅包括了系统特性还包括了观察者的主观因素。传统的主观MRTD测试方法是将特定频率的四杆靶图案放置于均匀的黑体辐射背景中，由多名通过专门训练过的观察员(3人以上)独立观察热成像系统的显示屏幕，首先对四杆靶加大一个大的温差，然后缓慢降低，当超过半数的人认为四杆靶图像有75％的分辨概率时的温差则为此空间频率下的最小可分辨温差。为避免温度漂移影响，这个过程通常以正温差和负温差分别测量后取绝对值的均值。热成像系统作为直接观察系统，这种主观测试方法易于受到人们接受，但它极易受到测试人员在操作时状态的影响，不同人的测试结果通常有50％的测试误差；且主观测试过程耗时时间长，容易使观察者疲劳造成判断失误。尤其是对于多台同类型的热像仪进行评价，工作量非常大，测试结果波动范围大。

在论文《应用神经网络智能测量热成像系统MRTD》(孙军月.应用神经网络智能测量热成像系统MRTD[D].中国科学院研究生院(长春光学精密机械与物理研究所),2006.)中作者提出了利用BP神经网络客观判断MRTD图像的测试方法。该方法以四杆靶图像的对比度、表示正温差或负温差图像的类别量、四杆靶图像条纹像素宽度三个特征值作为神经网络的输入，以人眼能分辨四杆靶图像(100)、阈值图像(010)、人眼分辨不出图像(001)作为输出，使用了两层隐层，隐层转移函数为tansig，输出层转移函数为logsig。在专利《一种红外热像仪MRTD客观评测方法》(公开号：CN101275870A)中作者也采用了BP神经网络，不过使用了均值对比度、背景极值对比度、相邻极值差对比度三个特征值作为BP神经网络输入。BP神经网络以图像特征值作为输入，但图像特征值无法完整反映四杆靶图像的完整信息，尤其是局部图像信息，这导致BP神经网络输出结果与实际值有一定的误差。

CNN神经网络早在1998年就被提出，因CNN神经网络具有权值共享、局部感受野等优势在图像识别领域有着独特的优势。时至今日CNN神经网络经过了LeNet、AlexNet、VGGNet、GoogleNet等多种网络架构的发展，其中LeNet网络结构(Lecun Y,Bottou L,Bengio Y,et al.Gradient-based learning applied to document recognition[J].Proceedings ofthe IEEE,1998,86(11):2278-2324.)，首先提出了卷积层、池化层、激活函数、损失函数、全连接层等重要概念，具有重要的开创作用，其他网络架构都是在其基础上演进而来。针对MRTD测试中所使用的四杆靶图像特点，本发明在LeNet网络结构的基础上，通过改进网络结构参数达到了识别四杆靶图像准确测试MRTD参数的目的。

发明内容

本发明的目的在于提供一种基于CNN神经网络的MRTD参数测试方法，通过改进网络结构实现识别四杆靶图像准确测试MRTD参数。

实现本发明目的的技术方案为：一种基于CNN神经网络的MRTD参数测试方法，步骤如下：

步骤一，采集同一型号的热像仪在不同温度下、不同空间频率下的系列四杆靶图像数据，对每一幅图像数据做相应的标签，标签的分类有人眼可分辨出四杆靶图像、人眼不可分辨出四杆靶图像、阈值图像；