基于緩變場景的復雜神經網絡非均勻性校正*

陳博洋

（國家衛星氣象中心，北京100081）

基于緩變場景的復雜神經網絡非均勻性校正*

陳博洋*

（國家衛星氣象中心，北京100081）

針對遙感數據定量化應用對多元紅外探測器非均勻性校正的高精度需求，提出了一種基于緩變場景的復雜神經網絡非均勻性校正算法，在兩點校正基礎上，進一步降低圖像非均勻性。與經典BP神經網絡非均勻性校正及其改進算法相比，復雜神經網絡非均勻性校正算法突破單一層學習神經元結構限制，采用雙層學習神經元結構，第一層學習神經元采用大鄰域中值濾波作為期望函數，第二層學習神經元采用小鄰域均值濾波作為期望函數，通過多層學習神經元配合，兼顧非均勻性校正效果并避免圖像邊緣模糊。經實拍紅外圖像非均勻性校正實驗證明，復雜神經網絡校正與經典BP神經網絡校正相比，取得了更好的非均勻性校正效果，非均勻性評價結果UN=0.75%，次優算法非均勻性評價結果為UN=0.77%，與次優算法相比，復雜神經網絡校正算法有更高的像素平均梯度評價值，達到28.49，而次優算法只有28.30，非均勻性評價結果低并且像素平均梯度高說明復雜神經網絡校正算法在降低圖像非均勻性同時更好地避免了圖像邊緣模糊：這是復雜神經網絡校正算法采用雙層學習神經元的特點與優勢。方法改善了多元紅外探測器非均勻性校正的效果，提高了紅外遙感圖像的質量，促進了紅外遙感的應用。

紅外；非均勻性校正；復雜神經網絡

紅外探測系統在遙感領域有重要作用，紅外探測器件是紅外探測系統的核心，相比傳統的單元探測器件，紅外焦平面器件體現出越來越巨大的優勢，逐漸成為紅外器件發展的主流。由于半導體工藝上的原因，紅外焦平面器件不同敏感元之間不可避免的存在響應率的不一致，稱之為探測器的非均勻性：這種非均勻性會引起紅外圖像的模式噪聲，已經成為進一步提高圖像質量的瓶頸。

探測器非均勻校正技術是紅外焦平面探測器應用的關鍵技術之一，許多非均勻性校正算法被學者提出，從大類方面劃分，主要有基于黑體的校正和基于場景的校正［1］。基于黑體的校正方法主要思路是利用高低溫黑體的響應計算得到形如y=k*x+b的響應曲線的響應系數k和截距b，然后通過不同探測器的k和b計算探測器響應y的補償系數［2］，在進行基于黑體的非均勻性校正時發現，由于觀測誤差存在，非均勻性校正后殘存的非均勻性仍在2%以上，所以基于場景的非均勻性校正被提出，與基于黑體的非均勻性校正聯合工作，進一步降低圖像非均勻性。

BP神經網絡非均勻性校正算法活躍于非均勻性校正領域，廣泛用于圖像傳感器［3］、濕度傳感器［4］、重量傳感器等非均勻性校正［5］，可適應傳感器的非線性特性［6］，是一種常用的基于場景的非均勻性校正方法。但經典BP神經網絡非均勻性校正會引起圖像邊緣模糊，針對BP神經網絡非均勻性校正算法的不足，許多有針對性的改進也逐漸被提出和應用。樊秀梅［7］等人采用加權中值濾波作為期望函數對圖像邊緣進行保護，并在權值修正時加入了動量項加快收斂，劉秀［8］等人增加了邊緣檢測環節對圖像邊緣加以保護，林斌［9］等人在使用BP神經網絡算法時，預先采用中值濾波消除圖像噪聲，以降低噪聲影響，王嫻雅［10］等人在設計期望函數時，不單考慮場景圖像的鄰域相關性，加入了時變特性，取得了良好的處理效果，陳寶國［11］等采用雙向更新系數的策略，保證每個像元每幀都能被更新一次，提高了處理效率，劉永進［12］等采用基于幀間預測方法加強圖像幀間相關性，提高抗噪性。然而，誠如張學峰［13］等人研究后指出，各種校正算法都有一定的局限性，很難找到徹底解決非均勻性問題的方法，并且傳統的BP神經網絡算法及其改進都是在經典神經網絡模型下進行，采用線性校正模型，僅通過改變期望函數來獲得更優的效果，采用幀間配準以及邊緣檢測等策略屬于BP神經網絡算法的擴展，嚴格意義上說也不是對神經網絡算法的改進。

為滿足圖像處理需求，對傳統的BP神經網絡結構進行改進，提出了復雜神經網絡非均勻性校正算法，突破經典BP神經網絡單一層學習神經元結構，采用兩層學習神經元結構，利用復雜神經網絡的學習靈活性，在不同的隱含層采用不同的期望函數，比傳統BP神經網絡取得了更好的非均勻性校正結果，同時也很好地避免了圖像邊緣模糊。

1　經典BP神經網絡非均勻性校正與改進

1.1經典BP神經網絡

基于神經網絡的非均勻性校正算法是常用的基于場景的非均勻性校正算法，能夠實時修正增益和偏移的權值，并且使空域噪聲接近時域噪聲的水平。圖1是誤差反傳神經網絡（BP neural network）校正算法結構圖：BP神經網絡算法利用一個隱含層來獲得相應的實際期望輸出值，并根據期望值與輸出比較得到誤差，可以利用最小均方差的約束條件和最快梯度下降法，更新校正參數。

圖1　BP神經網絡結構

BP神經網絡算法校正利用紅外焦平面器件的線性響應的假設，公式如下：

設 fi，j為期望輸出值，則可以用最速下降法得到增益和偏置的修正值：

此處，下標n表示當前行為第幾行，u為步長參數。需要說明的是，神經網絡必須考慮網絡的收斂性以及穩定性問題，文獻［14］提到，采用Liapunov函數，可以證明這種基于誤差反傳的神經網絡是收斂的并且是穩定的。

1.2BP神經網絡算法的改進

采用BP神經網絡算法進行探測器非均勻性校正，在校正模型沒有變化的前提下，關鍵在于神經網絡輸出期望函數的準確性，從BP神經網絡算法非均勻性校正的發展過程也可以看出，期望函數的改進是算法改進的重點。在BP神經網絡非均勻性校正及改進算法中，不同的期望函數對應不同的空間濾波，可以抑制不同的噪聲，常用的2種濾波函數為：

①平均濾波

平均濾波是空間低通濾波，函數形式為fi，j=mean（Xi，j-k；Xi，j；Xi，j+k），其中系數k的選擇表示不同的臨近空間濾波范圍。

②中值濾波

中值濾波是高通濾波，函數形式為fi，j=median（Xi，j-k；Xi，j；Xi，j+k），其中系數k的選擇表示不同的臨近空間濾波范圍。

在經典BP神經網絡校正及其改進算法中，探測元校正采用線性校正公式，眾多算法的期望函數有不同的表達形式，但是都沒有脫離單一層學習神經元的頂層結構，BP神經網絡的不足的根源也由此而起。當采用小鄰域計算期望輸出時，對噪聲抑制不足、非均勻性校正效果不好，當采用大鄰域時，又會引起邊緣模糊，引入新的噪聲；同時，鄰域計算理論輸出值可以選擇閾值方式或者平均值方式，當采用閾值計算時，結果呈現高通濾波特性，對圖像邊緣保護比較好，但是非均勻校正性能一般不如均值濾波好，當采用均值計算時，結果呈現低通濾波特性，又會引起較大的圖像模糊：所以，當采用單一層學習神經元時，難以兼顧鄰域大小與期望函數，這是由BP神經網絡單一層學習結構引起的，不是單一改變期望函數形式或者鄰域大小能夠解決的。文章提出了一種復雜神經網絡非均勻性校正算法，采用雙層學習神經元結構，通過神經網絡結構的變化改善單一層學習神經元的固有不足。

2　復雜神經網絡非均勻性校正

圖2是復雜神經網絡的結構圖，從結構層次上與圖1相比，除了輸入輸出神經元，增加了一層學習神經元，第二層學習神經元與第一層學習神經元采用不同的期望函數形式，通過兩層學習神經元的配合，以及不同的期望函數約束，可以比經典BP神經網絡更靈活的擬合校正系數，達到更好的非均勻性校正效果。

圖2　復雜神經網絡結構

復雜神經網絡采用雙層學習神經元，在每一層學習神經元內采用不同的期望函數，兼顧校正效果與圖像模糊的平衡。在文中，第一層學習神經元的期望函數采用中值濾波器，中值濾波器是基于排序統計理論的非線性濾波，濾波后能夠較好的保留圖像細節，消除較大的散彈噪聲，根據這一特點，采用大鄰域中值濾波器，既可以較好進行非均勻性校正，又能保護圖像邊緣的銳利性；第二層學習神經元的期望函數采用均值濾波器，均值濾波器可以消除圖像中的高頻噪聲，較好的消除高斯噪聲，但是會引起圖像邊緣模糊，根據這一特點，采用小鄰域均值濾波器，既可以較好的進行非均勻性校正，又避免引起圖像模糊。采用復雜神經網絡的雙層學習神經元，達到比經典BP神經網絡更好的非均勻性校正效果，并且避免圖像模糊。

3　非均勻性校正與結果分析

3.1非均勻性校正結果評價

研究非均勻性校正，首先要明確校正效果的評價函數，常用的評價方式有以下兩種：

①在目標為恒定的輻射背景的時候，即黑體評價方式，采用非均勻性的大小來評價。公式為：

②在通常情況下，更多的是應用的場景，采用期望值與實際輸出的均方差（MSE）作為評價方式。MSE越小，則自適應的效果越好。公式為：

3.2圖像非均勻性校正與分析

圖3是實拍紅外圖像在不同算法下的非均勻性校正結果，文中復雜神經網絡校正第一層學習神經元期望函數采用7鄰域中值濾波，第二層學習神經元期望函數采用3鄰域均值濾波。圖3（a）是經過基于黑體的兩點非均勻性校正的圖像，非均勻評價結果是UN=1.28%，在此基礎上進行不同的基于場景的神經網絡非均勻性校正，圖3（b）是圖3（a）在均值期望下的BP神經網絡校正圖像，非均勻評價結果為UN=0.77%，圖3（c）是圖3（a）在中值期望下的BP神經網絡校正圖像，非均勻評價結果是 UN=0.80%：經仔細調整濾波參數，均值期望下的BP神經網絡校正結果和中值期望下的BP神經網絡校正結果相比，非均勻性更低，但是像素平均梯度也越低，這是由于均值期望的低通濾波特性導致的圖像邊緣模糊；圖 3（d）是圖3（a）經復雜神經網絡非均勻性校正的圖像，非均勻評價結果是UN=0.75%，與均值期望下和中值期望下的BP神經網絡相比，復雜神經網絡校正后的圖像有最低的非均勻性，校正效果更好；從保護圖像邊緣銳利度來分析，復雜神經網絡校正后的圖像又有較高的像素平均梯度，達到28.49，而次優算法只有28.30，這表明復雜神經網絡校正算法不僅取得了最優的非均勻性校正效果，也保護了圖像邊緣銳利度，這是復雜神經網絡非均勻性校正采用雙層學習神經元的優勢。處理圖像評價結果見表1。

圖3　非均勻性校正比較

表1　非均勻性校正評價Table 1　Analysis for different Non-Uniformity correction

為直觀顯示復雜神經網絡非均勻校正的優勢，對圖3（b）（c）（d）三幅圖像的左上主要目標區進行邊緣提取，結合表1，復雜神經網絡校正方法有最優的非均勻性校正結果，同時從圖4中可以看出，與非均勻性校正結果次優的算法相比，圖像邊緣更銳利清晰，避免了模糊。在取得最優的非均勻性校正同時避免圖像模糊，這是復雜神經網絡非均勻性校正算法的優勢。

圖4　邊緣提取比較

4　結論

提出了一種基于緩變場景的復雜神經網絡非均勻性校正算法，算法突破經典BP神經網絡校正及其改進算法的框架，采用雙層學習神經元網絡，在不同的神經網絡層采用不同的期望函數、解決不同的問題，第一層學習神經元采用大鄰域的中值期望函數，第二層學習神經元采用小鄰域的均值期望函數，兩層學習神經元配合，兼顧非均勻性校正效果與圖像模糊的平衡，取得了最優的非均勻性校正結果，避免了圖像模糊。

復雜神經網絡非均勻性校正算法是BP神經網絡非均勻性校正算法的有益拓展，與經典BP神經網絡校正算法相比，進一步有效地降低了多元紅外探測器的模式噪聲，提高了圖像靈敏度，促進了多元紅外探測器遙感數據定量化應用。

［1］陳治宣，周曉東，婁樹理，等.紅外焦平面陣列非均勻性校正研究［J］.海軍航空工程學院學報，2006，21（4）：444-448.

［2］韓開亮，何春芳.基于兩點法的紅外圖像非均勻性校正算法及其DSP實現［J］.紅外技術，2007年，29（9）：541-544.

［3］Scribner D A，Sarkady K A.Adaptive Nouuniformity Correction for Ir Focal Plane Arrays Usiry Neural Networks［J］.Proceeding of the SPIE，1991（4）：100-109.

［4］行鴻彥，鄒水平，徐偉，等.基于PSO-BP神經網絡的濕度傳感器溫度補償［J］.傳感技術學報，2015，28（6）：864-869.

［5］郭偉，張棟，李巨韜，等.改進型BP神經網絡對電容稱重傳感器的非線性校正［J］.傳感技術學報，2012，25（10）：1354-1360.

［6］劉滔，韓華亭，馬婧，等.非線性動態傳感器系統的H模型神經網絡辨識［J］.傳感技術學報，2013，26（10）：1390-1394.

［7］樊秀梅，魏臻，閆富榮，等.基于BP神經網絡的焦平面陣列的非均勻性校正［J］.天津理工大學學報，2010，26（6）：75-78，85.

［8］劉秀，劉詠，金偉其，等.基于邊緣檢測神經網絡非均勻性校正及硬件實現［J］.光電工程，2014，41（2）：63-68.

［9］林斌，范永弘.一種改進的BP神經網絡非均勻性校正算法［J］.測繪工程，2013，22（3）：24-27.

［10］王嫻雅，陳錢，顧國華，等.基于BP神經網絡的紅外焦平面非均勻性校正技術［J］.光子學報，2009，38（6）：1504-1506.

［11］陳寶國，張學峰，牛英宇.改進的基于神經網絡的非均勻性校正算法［J］.紅外與激光工程，2013，42（3）：574-578.

［12］劉永進，朱紅，趙亦工.基于幀間預測的紅外焦平面陣列非均勻校正算法［J］.光子學報，2009，38（4）：997-1000.

［13］張學峰，陳寶國，樊養余，等.基于場景的紅外非均勻性校正算法對比研究［J］.紅外技術，2013，35（9）：560-566.

［14］Finney R L，Ostberg D L.Elementary Differential Equations with Linear Algebra［J］.Addison-Wesley，Reading MA，1981：53-59.

陳博洋（1980-），男，黑龍江哈爾濱人，博士，副研究員，2003年于中國科學技術大學獲得學士學位，2008年于中科院上海技術物理研究所獲得博士學位，現為國家衛星氣象中心風云四號地面系統工程主任設計師，主要從事空間遙感儀器頂層設計、遙感資料預處理和圖像處理與評價，chenby@cma.gov.cn。

Non-Uniformity Correction Based on Complex Neural Network Based on Fixed Scene*

CHEN Boyang*
（National Satellite Meteorological Center，Beijing 100081，China）

Non-Uniformity is a serious problem for the infrared focal plane array，for reducing the non-uniformity of the infrared focal plane，a new Non-Uniformity correction algorithm is suggested，it’s called non-uniformity correction algorithm based on complex neural network based on fixed scene.It’s different with the Non-Uniformity correction algorithms based on traditional BP neural network，which has only one learning-layer，the new algorithm uses two learning-layers，that has many advantages.The traditional Non-Uniformity correction algorithm based on traditional BP neural network blurs the imagemore when the more better correction result is the goal，however，the Non-Uniformity correction algorithm based on complex neural network uses two learning-layers，in the first learninglayer，the medial filter with a large scale neighbor data is used to generate the theory output data，and in the second learning-layer，the average filter with a small scale neighbor data is used to generate the theory output data，by using two learning-layers，not only the non-uniformity reduces，but also the image edge is kept.In the experiment，the Non-Uniformity correction algorithm based on complex neural network has the best result，the UN=0.75%for corrected image，and the UN=0.77%for the second best image，however，the image with UN=0.75%has a bigger average grads value than the image with UN=0.77%，that means the Non-Uniformity correction algorithm based on complex neural network has the advantage both on reducing the Non-Uniformity and avoiding the image edge bluring.

infrared；non-uniformity correction；complex neural network

TN215

A

1004-1699（2016）08-1217-05

EEACC：723010.3969/j.issn.1004-1699.2016.08.016

項目來源：國家自然科學基金（41375023）

2015-12-28修改日期：2016-05-27