本技术涉及图像处理领域，尤其涉及一种红外图像非均匀性噪声的优化方法及系统。
背景技术：
1、红外图像在军事、医疗、工业监测等领域具有广泛应用，但其质量往往受到非均匀性噪声(non-uniformitynoise,nun)的影响。非均匀性噪声源于红外探测器阵列中的每个探测器对相同辐射信号的响应不一致，这会导致图像中出现不规则的条纹或斑点，严重影响图像质量和后续的图像处理及分析。因此，如何优化和消除红外图像中的非均匀性噪声是提升红外成像质量的关键问题。优化红外图像的非均匀性噪声对于提高红外成像系统的性能和图像质量至关重要。高质量的红外图像可以为目标检测、温度监测、夜视成像等任务提供可靠的数据支持，从而在军事侦察、医学诊断和工业检测等方面发挥重要作用。此外，优化后的红外图像可以提高机器学习和深度学习算法的准确性和鲁棒性，进一步推动智能化图像处理技术的发展。目前，红外图像非均匀性噪声优化的主要方法包括硬件校正和软件校正。硬件校正通过改进红外探测器的制造工艺和增加温度补偿等手段来减少噪声源，但这种方法成本高且受限于制造技术的进步。软件校正则通过后处理算法对图像进行噪声消除，常用的方法有固定模式噪声校正(fixed patternnoise correction,fpnc)、递归平均法(recursive averaging)、自适应滤波(adaptive filtering)等。固定模式噪声校正方法通过在标准辐射源下获取的校准图像对非均匀性噪声进行建模和校正；递归平均法利用多帧图像的平均值来估计和去除噪声；自适应滤波方法则通过动态调整滤波器参数来优化图像质量。然而，这些方法均存在一定的问题，如校准过程复杂、计算量大、对运动目标效果不佳等。
2、为解决上述问题，目前也有一些新兴的方法被提出，如基于神经网络的非均匀性校正算法。这些方法通过学习大量标注数据中的噪声模式，训练模型以自动识别和去除非均匀性噪声。然而，这些方法仍然面临数据依赖性强、训练过程繁琐、模型泛化能力不足等问题。与传统的非均匀性噪声优化方法相比，基于神经网络的方法虽然在一定程度上提高了噪声去除的效果，但其模型训练需要大量高质量的标注数据，并且在不同应用场景下的泛化能力和鲁棒性仍有待提升。此外，神经网络模型的计算复杂度高，实时性较差，难以在一些实时性要求高的应用中广泛应用。
3、因此，亟需一种技术方案，从而能够有效解决现有方法中存在的数据依赖性强、计算复杂度高、实时性差等问题。
技术实现思路
1、为了解决现有技术的不足，本技术实施例提供了一种红外图像非均匀性噪声的优化方法及系统。本技术解决了现有技术数据依赖性强、计算复杂度高、实时性差等技术问题。
2、本技术实施例提供了一种红外图像非均匀性噪声的优化方法，包括：利用增益校正系数和偏置校正系数对带有固模式噪声的红外图像进行非均匀性校正；对校正后的红外图像进行预设非局部均值滤波操作，以得到期望图像；获取期望图像与校正后的红外图像的误差，以对增益校正系数和偏置校正系数进行优化；在优化增益校正系数和偏置校正系数时，采用自适应方法调节在不同像素区域的学习率的数值；对校正后的红外图像重新进行非均匀性校正，并优化增益校正系数和偏置校正系数，以对红外图像进行多次迭代更新；其中获取迭代次数的方法包括：其中，n表示迭代次数，k表示比例系数，snr表示当前图像的信噪比，snr0表示参考信噪比，ssim表示当前图像与理想图像的结构相似性指数，ssim0表示参考结构相似性指数，psnr表示当前图像与理想图像的峰值信噪比，psnr0表示参考峰值信噪比，mse表示当前图像与理想图像的均方误差，mse0表示参考均方误差，θ表示非线性调节指数，λ表示时间衰减率，t表示已进行的迭代次数。
3、一种可以的实现方式中，其中所述非均匀性校正包括：其中，x(i,j)表示红外相机探测器第(i,j)个像元接收到的红辐射照度，w(i,j)表示增益校正系数，y(i,j)表示红外相机探测器第(i,j)个像元的输出，b(i,j)表示偏置校正系数，c表示常数红辐射照度基线值，d表示正弦函数的频率调制常数，e表示相位偏移常数。
4、一种可以的实现方式中，其中，对校正后的红外图像进行预设非局部均值滤波操作，以得到期望图像，包括：计算像素点之间的相似度；其中所述相似度的计算方法包括：其中，d表示相似度，i(p,q)表示(p,q)索引位置的像素值，i(i,j)表示(i,j)索引位置的像素值，表示图像梯度，h表示预设特征描述符，var表示方差，r表示归一化因子，表示(p,q)位置的图像梯度，表示(i,j)位置的图像梯度，h(p,q)表示(p,q)位置的特征描述，h(i,j)表示(i,j)位置的特征描述；利用改进的余弦核函数构建归一化常数；其中所述改进的余弦核函数包括：其中，d表示相似度，α表示相似度阈值；基于相似度和归一化常数获取权重系数，并对校正后的红外图像的像素值进行加权平均，以得到期望图像。
5、一种可以的实现方式中，其中，基于相似度和归一化常数获取权重系数，包括：其中，k'(i,j)表示(i,j)位置像素的权重系数，σi表示图像强度的标准差，κ表示梯度参数，τ表示图像局部熵阈值。
6、一种可以的实现方式中，其中，获取期望图像与校正后的红外图像的误差，以对增益校正系数和偏置校正系数进行优化，包括：利用目标损失函数计算期望图像与校正后的红外图像的误差；基于所述误差对增益校正系数和偏置校正系数进行求导，以通过最小化误差对增益校正系数和偏置校正系数进行优化；其中所述优化的方法包括：其中，w'(i,j)表示优化后的增益校正系数，w(i,j)表示优化前的增益校正系数，λ表示学习率，err(i,j)表示误差，y'(i,j)表示校正后的红外图像的特征值，b'(i,j)表示优化后的偏置校正系数，b(i,j)表示优化前的偏置校正系数，表示损失函数对w的偏导数，表示损失函数对b的偏导数，σ表示高斯函数宽度超参数。
7、一种可以的实现方式中，其中所述目标损失函数包括：其中，nl(i,j)表示期望图像的特征值。
8、一种可以的实现方式中，其中，在优化增益校正系数和偏置校正系数时，采用自适应方法调节在不同像素区域的学习率的数值，包括：获取平滑程度的数值，并对所述数值进行归一化，以得到归一化平滑程度；基于最小学习率和归一化平滑程度计算不同像素区域的学习率的数值。
9、一种可以的实现方式中，其中，基于最小学习率和归一化平滑程度计算不同像素区域的学习率的数值，包括：其中，λ(i,j)表示(i,j)位置的学习率，η表示最小学习率，表示归一化平滑程度，i(i,j)和iprev(i,j)分别表示当前和上一次迭代在(i,j)位置的像素值，imax表示像素最大值，σ(i,j)表示局部方差，表示梯度幅值的归一化值。
10、本技术实施例还提供了一种红外图像非均匀性噪声的优化系统，包括：输入层、校正层和隐藏层；其中，所述输入层用于获取目标红外图像；所述校正层用于利用增益校正系数和偏置校正系数对带有固模式噪声的红外图像进行非均匀性校正；所述隐藏层用于对校正后的红外图像进行预设非局部均值滤波操作，以得到期望图像；所述校正层还用于获取期望图像与校正后的红外图像的误差，以对增益校正系数和偏置校正系数进行优化；在优化增益校正系数和偏置校正系数时，采用自适应方法调节在不同像素区域的学习率的数值。
11、在如上所提供的一种红外图像非均匀性噪声的优化方法及系统中，本技术实施例通过基于改进的神经网络非均匀性校正算法，并引入改进的非局部均值滤波和自适应学习率技术，能够有效解决现有方法中存在的数据依赖性强、计算复杂度高、实时性差等问题。进一步地，在一些实施例中，采用分段余弦函数代替传统的指数核函数，增加了高相似度像素邻域的权重，减少低相似度像素邻域的干扰，从而更好地去除非均匀性噪声。这一改进有效地提升了期望图像的质量，使得校正后的图像更加接近真实图像。进一步地，在一些实施例中，引入自适应学习率，根据图像平滑度调整学习率，提高了模型在不同图像区域的适应能力，减少了“鬼影”现象。自适应学习率的使用，使得模型在平滑区域具有较快的收敛速度，而在边缘区域则能够更好地保留图像细节。进一步地，在一些实施例中，通过优化神经网络结构，设计计算复杂度低的轻量化模型，显著提高了算法的实时性，使其适用于嵌入式设备和实时性要求高的应用场景。轻量化模型在保持高精度的同时，减少了计算资源的消耗，提升了模型的应用范围。
1.一种红外图像非均匀性噪声的优化方法，其特征在于，包括：
2.根据权利要求1所述的优化方法，其特征在于，其中所述非均匀性校正包括：
3.根据权利要求1所述的优化方法，其特征在于，其中，对校正后的红外图像进行预设非局部均值滤波操作，以得到期望图像，包括：
4.根据权利要求3所述的优化方法，其特征在于，其中，基于相似度和归一化常数获取权重系数，包括：
5.根据权利要求2所述的优化方法，其特征在于，其中，获取期望图像与校正后的红外图像的误差，以对增益校正系数和偏置校正系数进行优化，包括：
6.根据权利要求5所述的优化方法，其特征在于，其中所述目标损失函数包括：
7.根据权利要求1所述的优化方法，其特征在于，其中，在优化增益校正系数和偏置校正系数时，采用自适应方法调节在不同像素区域的学习率的数值，包括：
8.根据权利要求7所述的优化方法，其特征在于，其中，基于最小学习率和归一化平滑程度计算不同像素区域的学习率的数值，包括：
9.一种红外图像非均匀性噪声的优化系统，用于实现如权利要求1-8任一项所述的一种红外图像非均匀性噪声的优化方法，其特征在于，包括：输入层、校正层和隐藏层；其中，
