[go: up one dir, main page]

CN112945897B - 一种连续太赫兹图像非均匀性校正方法 - Google Patents

一种连续太赫兹图像非均匀性校正方法 Download PDF

Info

Publication number
CN112945897B
CN112945897B CN202110102378.2A CN202110102378A CN112945897B CN 112945897 B CN112945897 B CN 112945897B CN 202110102378 A CN202110102378 A CN 202110102378A CN 112945897 B CN112945897 B CN 112945897B
Authority
CN
China
Prior art keywords
image
terahertz
intensity
continuous
lstm network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110102378.2A
Other languages
English (en)
Other versions
CN112945897A (zh
Inventor
袁飞
周松斌
程韬波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Original Assignee
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Intelligent Manufacturing of Guangdong Academy of Sciences filed Critical Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Priority to CN202110102378.2A priority Critical patent/CN112945897B/zh
Publication of CN112945897A publication Critical patent/CN112945897A/zh
Application granted granted Critical
Publication of CN112945897B publication Critical patent/CN112945897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/127—Calibration; base line adjustment; drift compensation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/50—Manufacturing or production processes characterised by the final manufactured product

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Toxicology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种连续太赫兹图像非均匀性校正方法，涉及太赫兹成像技术领域，所述方法将连续太赫兹探测器像元产生的太赫兹强度信号看作时序信号，利用LSTM网络对时序信号的预测能力，依据像元探测产生的部分太赫兹强度信号预测接下来的太赫兹强度信号，预测数据即当前太赫兹图像对应的非均匀性背景数据，最后利用预测数据对当前图像进行旋转平移式的非均匀性校正。本发明无需增加额外的硬件设备，无需中断探测器的正常工作，无需重复大量复杂的统计计算和相关信息计算分析；本发明利用了LSTM网络对时序信号的预测功能，克服了环境波动带来的影响，泛化能力强，提高了连续太赫兹图像的信噪比。

Description

一种连续太赫兹图像非均匀性校正方法
技术领域
本发明涉及太赫兹成像技术领域，尤其是涉及一种连续太赫兹图像非均匀性校正方法。
背景技术
太赫兹成像技术及其应用是太赫兹技术研究的重要方向之一，在无损检测、安检、食药品安全检测、医疗和生物成像等方面有着广泛的应用前景。太赫兹波成像系统的成像质量取决于太赫兹源、太赫兹探测器和成像技术的发展，目前虽然通过改进太赫兹波成像系统硬件得到了图像质量的部分改善，但受限于太赫兹探测器制作工艺、成像光路和工作环境等因素，造成不同像素之间响应度不均匀，甚至出现盲元等一系列问题，因此需要对太赫兹图像进行非均匀性校正处理。
目前，太赫兹图像非均匀性校正方法主要为基于定标的方法和基于场景的方法。基于定标的方法包括一点定标、两点定标和多点定标，然而此三者都需要周期性地中断探测器的工作，用特定功率太赫兹源进行照射，从而进行标定校正。基于场景的方法利用采集到的图像估计探测器的校正系数，如时域高通滤波器法、神经网络校正法等。基于场景的方法利用多场景中的成像信息，能够有效地估计实际场景下的校正参数，不需要重新定标，但场景发生变化时，会残留固定模式噪声，影响成像质量。
为了克服以上技术问题，亟需提出一种新的校正方法，针对连续太赫兹探测器的非均匀性问题，进行非均匀性校正处理，进而更好地实现太赫兹成像效果。
发明内容
有鉴于此，有必要针对上述的问题，提供一种连续太赫兹图像非均匀性校正方法，将连续太赫兹探测器像元产生的太赫兹强度信号看作时序信号，利用LSTM网络对时序信号的预测能力，依据像元探测产生的部分太赫兹强度信号预测接下来的太赫兹强度信号，预测数据即当前太赫兹图像对应的非均匀性背景数据，最后利用预测数据对当前图像进行旋转平移式的非均匀性校正。
为实现上述目的，本发明是根据以下技术方案实现的：
一种连续太赫兹图像非均匀性校正方法，包括以下步骤：
步骤S1：利用连续太赫兹成像系统采集无检测对象情况下的非均匀性太赫兹强度图像，构建背景图像样本集y；采集关闭太赫兹源时的太赫兹强度图像，构成图像样本集z，样本集z的个数为M；集合y与z中的图像大小均为m×n，其中m为连续太赫兹探测器成像单元个数即单幅图像的行数，n为单幅图像的列数；
步骤S2：对连续太赫兹探测器各成像单元构建LSTM网络模型，共计m个LSTM网络模型；
步骤S3：以背景样本图像集y中各图像第i行前n1个强度数据为输入，第i行后n-n1个强度数据为期望值，对第i个LSTM网络模型进行训练；重复上述步骤，直至完成连续太赫兹探测器m个像素对应的LSTM网络模型训练；
步骤S4：对尺寸为m×n的待非均匀性校正图像x，取第i行前n1个强度数据作为训练后的第i个LSTM网络模型的输入，预测生成n-n1个强度数据；
步骤S5：对图像x的各行重复步骤S4，生成m×(n-n1)预测强度图像，并将图像x前m×n1图像和预测生成的m×(n-n1)预测图像合并为m×n大小的图像
Figure GDA0003782636840000021
步骤S6：对图像
Figure GDA0003782636840000022
第i行进行均值计算，得到均值
Figure GDA0003782636840000023
步骤S7：对图像样本集z，计算太赫兹探测器第i个成像单元的偏置参数
Figure GDA0003782636840000024
计算公式为：
Figure GDA0003782636840000025
其中，zkij为第k个图像第i行第j列强度值；
步骤S8：对图像x各像素xij进行非均匀性校正，校正公式为：
Figure GDA0003782636840000031
其中，
Figure GDA0003782636840000032
为像素值xij校正后的值，各像素校正后构成校正后图像
Figure GDA0003782636840000033
与现有技术相比，本发明的优点和积极效果是：
本发明提出的方法较基于定标的非均匀性校正方法无需增加额外的硬件设备，无需中断正常工作；较基于场景的非均匀性校正方法，无需重复大量复杂的统计计算和相关信息计算分析。
本发明提出的方法利用了LSTM网络对时序信号的预测功能，实现基于待校正图像部分像素预测接下来的非均匀性背景。本发明所述方法能对应生成当前图像对应的非均匀性背景，克服了环境波动带来的影响，泛化能力强，且本发明所述的非均匀性校正方法提高了连续太赫兹图像的信噪比，为连续太赫兹波图像应用提供了可靠的图像分析来源，扩大了太赫兹成像系统的应用范围。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明连续太赫兹图像非均匀性校正方法流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本发明针对连续太赫兹探测器的非均匀性问题，提出基于长短期记忆神经(LSTM)网络的动态非均匀性校正方法。本发明所述方法将连续太赫兹探测器像元产生的太赫兹强度信号看作时序信号，利用LSTM网络对时序信号的预测能力，依据像元探测产生的部分太赫兹强度信号预测接下来的太赫兹强度信号，预测数据即当前太赫兹图像对应的非均匀性背景数据，最后利用预测数据对当前图像进行旋转平移式的非均匀性校正。
本发明的技术方案首先利用连续太赫兹成像系统采集无检测对象情况下的非均匀性太赫兹强度图像，构建图像样本集y；关闭太赫兹源时的太赫兹强度图像，构成图像样本集z，集合y与z中的图像大小均为m×n。再对太赫兹探测器各成像单元构建长短期记忆神经网络模型，并利用图像集合y对其进行训练。训练过程中，取y中某幅强度图像的第i行的前n1个强度数据为第i个LSTM网络的输入，后n-n1个强度数据为期望输出。再对训练好的m个LSTM网络输入待校正强度图像x的前n1列数据，预测生成n-n1列太赫兹强度值，并将预测生成强度数据与前n1列强度数据合并为m×n大小图像
Figure GDA0003782636840000041
该图像为待校正图像x对应的非均匀性背景图像。再计算图像
Figure GDA0003782636840000042
第i行强度数据的均值
Figure GDA0003782636840000043
Figure GDA0003782636840000044
作为成像单元的增益校正系数。再对图像样本集x中强度图像按行进行均值计算，均值结果
Figure GDA0003782636840000045
作为第i个成像单元的偏置校正系数。最后利用校正公式对待校正强度图像x中像素xij进行校正。
具体地，本发明所述连续太赫兹图像非均匀性校正方法，包括以下步骤：
步骤S1：利用连续太赫兹成像系统采集无检测对象情况下的非均匀性太赫兹强度图像，构建背景图像样本集y；采集关闭太赫兹源时的太赫兹强度图像，构成图像样本集z，样本集z的个数为M；集合y与z中的图像大小均为m×n，其中m为连续太赫兹探测器成像单元个数即单幅图像的行数，n为单幅图像的列数；
步骤S2：对连续太赫兹探测器各成像单元构建LSTM网络模型，共计m个LSTM网络模型；
步骤S3：以背景样本图像集y中各图像第i行前n1个强度数据为输入，第i行后n-n1个强度数据为期望值，对第i个LSTM网络模型进行训练；重复上述步骤，直至完成连续太赫兹探测器m个像素对应的LSTM网络模型训练；
步骤S4：对尺寸为m×n的待非均匀性校正图像x，取第i行前n1个强度数据作为训练后的第i个LSTM网络模型的输入，预测生成n-n1个强度数据；
步骤S5：对图像x的各行重复步骤S4，生成m×(n-n1)预测强度图像，并将图像x前m×n1图像和预测生成的m×(n-n1)预测图像合并为m×n大小的图像
Figure GDA0003782636840000051
步骤S6：对图像
Figure GDA0003782636840000052
第i行进行均值计算，得到均值
Figure GDA0003782636840000053
步骤S7：对图像样本集z，计算太赫兹探测器第i个成像单元的偏置参数
Figure GDA0003782636840000054
计算公式为：
Figure GDA0003782636840000055
其中，zkij为第k个图像第i行第j列强度值；
步骤S8：对图像x各像素xij进行非均匀性校正，校正公式为：
Figure GDA0003782636840000056
其中，
Figure GDA0003782636840000057
为像素值xij校正后的值，各像素校正后构成校正后图像
Figure GDA0003782636840000058
与现有技术相比，本发明提出的方法较基于定标的非均匀性校正方法无需增加额外的硬件设备，无需中断正常工作；较基于场景的非均匀性校正方法，无需重复大量复杂的统计计算和相关信息计算分析。
本发明提出的方法利用了LSTM网络对时序信号的预测功能，实现基于待校正图像部分像素预测接下来的非均匀性背景。本发明所述方法能对应生成当前图像对应的非均匀性背景，克服了环境波动带来的影响，泛化能力强，且本发明所述的非均匀性校正方法提高了连续太赫兹图像的信噪比，为连续太赫兹波图像应用提供了可靠的图像分析来源，扩大了太赫兹成像系统的应用范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (1)

1.一种连续太赫兹图像非均匀性校正方法，其特征在于，包括以下步骤：
步骤S1：利用连续太赫兹成像系统采集无检测对象情况下的非均匀性太赫兹强度图像，构建背景图像样本集y；采集关闭太赫兹源时的太赫兹强度图像，构成图像样本集z，样本集z的个数为M；集合y与z中的图像大小均为m×n，其中m为连续太赫兹探测器成像单元个数即单幅图像的行数，n为单幅图像的列数；
步骤S2：对连续太赫兹探测器各成像单元构建LSTM网络模型，共计m个LSTM网络模型；
步骤S3：以背景样本图像集y中各图像第i行前n1个强度数据为输入，第i行后n-n1个强度数据为期望值，对第i个LSTM网络模型进行训练；重复上述步骤，直至完成连续太赫兹探测器m个成像单元对应的LSTM网络模型训练；
步骤S4：对尺寸为m×n的待非均匀性校正图像x，取第i行前n1个强度数据作为训练后的第i个LSTM网络模型的输入，预测生成n-n1个强度数据；
步骤S5：对图像x的各行重复步骤S4，生成m×(n-n1)预测强度图像，并将图像x前m×n1图像和预测生成的m×(n-n1)预测图像合并为m×n大小的图像
Figure FDA0003791831340000011
步骤S6：对图像
Figure FDA0003791831340000012
第i行进行均值计算，得到均值
Figure FDA0003791831340000013
步骤S7：对图像样本集z，计算太赫兹探测器第i个成像单元的偏置参数
Figure FDA0003791831340000014
计算公式为：
Figure FDA0003791831340000015
其中，zkij为第k个图像第i行第j列强度值；
步骤S8：对图像x各像素xij进行非均匀性校正，校正公式为：
Figure FDA0003791831340000016
其中，
Figure FDA0003791831340000017
为像素值xij校正后的值，各像素校正后构成校正后图像
Figure FDA0003791831340000018
CN202110102378.2A 2021-01-26 2021-01-26 一种连续太赫兹图像非均匀性校正方法 Active CN112945897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110102378.2A CN112945897B (zh) 2021-01-26 2021-01-26 一种连续太赫兹图像非均匀性校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110102378.2A CN112945897B (zh) 2021-01-26 2021-01-26 一种连续太赫兹图像非均匀性校正方法

Publications (2)

Publication Number Publication Date
CN112945897A CN112945897A (zh) 2021-06-11
CN112945897B true CN112945897B (zh) 2023-04-07

Family

ID=76236828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110102378.2A Active CN112945897B (zh) 2021-01-26 2021-01-26 一种连续太赫兹图像非均匀性校正方法

Country Status (1)

Country Link
CN (1) CN112945897B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113804758B (zh) * 2021-08-10 2024-03-08 广东省科学院智能制造研究所 一种具有能量回馈功能的磁脉冲敲击器

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101666682A (zh) * 2009-08-06 2010-03-10 重庆邮电大学 基于场景统计的神经网络非均匀性校正方法
CN106644078A (zh) * 2016-12-30 2017-05-10 电子科技大学 一种用于太赫兹图像非均匀性校正的方法
CN109632693A (zh) * 2018-12-10 2019-04-16 昆明理工大学 一种基于blstm-rnn的太赫兹光谱识别方法
CN109709624A (zh) * 2019-02-27 2019-05-03 中国科学院上海技术物理研究所 一种基于lstm模型确定红外探测器闪元的方法
WO2019183843A1 (zh) * 2018-03-28 2019-10-03 西安电子科技大学 基于帧间配准和自适应步长的红外图像非均匀性校正方法
WO2019209194A1 (en) * 2018-04-27 2019-10-31 Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ A method for confident registration-based non-uniformity correction using spatio-temporal update mask

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL173418A (en) * 2006-01-29 2013-10-31 Rafael Advanced Defense Sys Correction of unevenness of characters produced by staring detectors
US10929955B2 (en) * 2017-06-05 2021-02-23 Adasky, Ltd. Scene-based nonuniformity correction using a convolutional recurrent neural network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101666682A (zh) * 2009-08-06 2010-03-10 重庆邮电大学 基于场景统计的神经网络非均匀性校正方法
CN106644078A (zh) * 2016-12-30 2017-05-10 电子科技大学 一种用于太赫兹图像非均匀性校正的方法
WO2019183843A1 (zh) * 2018-03-28 2019-10-03 西安电子科技大学 基于帧间配准和自适应步长的红外图像非均匀性校正方法
WO2019209194A1 (en) * 2018-04-27 2019-10-31 Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ A method for confident registration-based non-uniformity correction using spatio-temporal update mask
CN109632693A (zh) * 2018-12-10 2019-04-16 昆明理工大学 一种基于blstm-rnn的太赫兹光谱识别方法
CN109709624A (zh) * 2019-02-27 2019-05-03 中国科学院上海技术物理研究所 一种基于lstm模型确定红外探测器闪元的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A novel infrared focal plane non-uniformity correction method based on co-occurrence fliter and adaptive learning rate;Li Lingxiao et al;《IEEE Access》;20190327;第7卷;第40941-40950页 *
Non-uniformity correction algorithm for THz array detectors in high-resolution imaging applications;Rungroj Jintamethasawat et al;《International Journal of Infrared and Millimeter Waves》;20200619;第41卷;第940-956页 *
基于神经网络法的焦平面器件非均匀性校正技术研究;曹治国 等;《红外与激光工程》;20000229;第29卷(第1期);第65-68页 *
太赫兹成像技术与图像算法的研究;郑杰;《中国优秀硕士学位论文全文数据库 基础科学辑》;20180315(第3期);第A005-84页 *
太赫兹成像系统的性能评价模型和图像处理方法研究;田莉;《中国博士学位论文全文数据库 信息科技辑》;20190915(第9期);第I138-41页 *

Also Published As

Publication number Publication date
CN112945897A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN110211056B (zh) 基于局部中值直方图的自适应红外图像去条纹算法
CN101308102B (zh) 一种计算机断层扫描成像装置和方法
CN112884712B (zh) 一种显示面板缺陷分类的方法及相关装置
CN113011567B (zh) 一种卷积神经网络模型的训练方法及装置
CN114972085B (zh) 一种基于对比学习的细粒度噪声估计方法和系统
CN112884721B (zh) 一种异常检测方法、系统及计算机可读存储介质
CN110632386B (zh) 一种太阳射电干扰滤除方法、可读存储介质及电子设备
CN106644078A (zh) 一种用于太赫兹图像非均匀性校正的方法
CN114972339A (zh) 用于推土机结构件生产异常检测的数据增强系统
CN112945897B (zh) 一种连续太赫兹图像非均匀性校正方法
CN116167932A (zh) 一种图像质量优化方法、装置、设备及存储介质
CN115689964A (zh) 一种图像增强方法、装置、电子设备及存储介质
CN118037672A (zh) 基于扩散模型及不确定性估计的生成式图像异常检测方法
Yang et al. Latency correction for event-guided deblurring and frame interpolation
CN117333795A (zh) 一种基于筛选后处理的河流表面流速测量方法及系统
CN106709890A (zh) 用于低照度视频图像处理的方法及装置
CN112561818B (zh) 一种图像增强方法、装置、电子设备及存储介质
US20210125324A1 (en) Image signal processing
Wang et al. Neural network based point spread function deconvolution for astronomical applications
Sur et al. Measuring the noise of digital imaging sensors by stacking raw images affected by vibrations and illumination flickering
CN106645220A (zh) X射线线阵探测器校正与滤波
CN114742721B (zh) 基于多尺度stl-sru残差网络的定标红外非均匀性校正方法
CN111986171B (zh) 一种用于红外线阵探测器的异常元检测方法
CN115420386A (zh) 基于相对电流的红外焦平面器件的不稳定像元测试方法
CN107623841A (zh) 一种监控效果好的车载监控系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant