[发明专利]一种结合特征提取与非线性拟合的图像去条纹方法

说明书

本发明针对当前条纹去除方法对硬件资源的使用率高，时间成本较大，在视频监控等资源有限的平台上难以实现实时应用的问题，公开一种结合特征提取与非线性拟合的图像去条纹方法，包括如下步骤：(1)采集待处理图像，通过列平均变换得到一维向量集；(2)求解向量的平滑特征，得到非线性拟合处理结果；(3)利用特征向量，对待处理图像进行按行相减操作，得到初步重构图像；(4)对初步重构图像进行精细处理，消除在步骤3中遗漏的噪声；(5)利用新的特征向量，对初步重构图像进行按行相减操作，得到最终的重构图像。

技术领域

本发明属于图像去噪领域，涉及图像卷积滤波理论以及统计滤波基础上的特征提取以及矩阵恢复的问题。通过对噪声特征的提取以及统计，求解非线性模型，以达到最终去噪的目的。

背景技术

条纹噪声是影响可见光监控、红外等图像质量的最主要的噪声之一。这种噪声一般是由于读出电路工艺上的不完善导致的，随着时间推移以及环境的改变，如红外传感器周边温度的变化、图像传感器不同位置的响应变化等，条纹噪声会逐渐变化，持续的影响图像质量，以及后续的检测和识别等算法的实现效果。虽然在数模信号转换之前会对模拟电信号做一定硬件预处理，但由于校准以及参数准确性的不足，这类预处理并不总是有效的。因此，基于图像的条纹噪声去除逐渐变得越来越重要，特别是当前视频监控、智能识别等领域的快速发展的前提下。

当前研究的算法主要分为三类，第一类是基于场景统计的方法，这类方法的原理是先拍摄温度场恒定的黑体作为参考来校正图像，使各个传感器输出保持一致。再通过对现实场景中的条纹估计实时更新校正信息。典型的算法有Hayat等提出的最小均方误差有限脉冲响应滤波算法，这类方法运算简单，也有一定的效果。但在遇到图像中的条纹产生突变时难以自适应调节，同时在有死像素的情况下场景估计算法失效。第二类是基于滤波的方法，这类方法普遍采用傅里叶变换、小波变换等方式，利用空间以及频域特征提取条纹并去除，因此也被称为基于特征的方法，主要典型有Roshan等人提出的基于小波分析和自适应傅立叶零频幅度归一化算法，这类方法不受条纹突变的影响，实时性较好，但由于该类算法属于全局处理，部分边缘细节会被误去除。最后一个分类是基于优化的变分方法，主要思想是构建与噪声相关的能量泛函和约束条件，依据约束条件将泛函转化为欧拉-拉格朗日偏微分方程，最后求出非约束条件下的极值，即为去噪。结果典型算法有Bouali等人提出的基于各向异性的全变分方法，这类算法对条纹的去除效果较好，但较难对增益的不均匀性产生影响，还存在收敛速度不确定的情况。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种结合特征提取与非线性拟合的图像去条纹方法，解决了现有条纹去除方法对硬件资源的使用率高，时间成本较大，在视频监控等资源有限的平台上难以实现实时应用。

本发明的技术方案是：一种结合特征提取与非线性拟合的图像去条纹方法，步骤如下：

步骤1、采集待处理图像，通过列平均变换得到一维向量集；

步骤2、求解向量的平滑特征，得到非线性拟合处理结果；

步骤3、利用特征向量C_S(1,N)，对待处理图像进行按行相减操作，得到初步重构图像I_rou(M,N)；

步骤4、对初步重构图像I_rou(M,N)进行精细处理，消除在步骤3中遗漏的噪声；

步骤5、利用特征向量，对I_rou(M,N)进行按行相减操作，得到最终的重构图像。

所述步骤1具体包括：通过相机采集到待处理图像I_ref(M,N),其中(M,N)代表待处理图像像素的高度和宽度；接着对图像进行按列求平均得到列平均值，进而得到长度为N的一维向量集C_N(1,N)。

对图像进行按列求平均得到列平均值的公式为：