基于缓变场景的复杂神经网络非均匀性校正*

陈博洋

（国家卫星气象中心，北京100081）

基于缓变场景的复杂神经网络非均匀性校正*

陈博洋*

（国家卫星气象中心，北京100081）

针对遥感数据定量化应用对多元红外探测器非均匀性校正的高精度需求，提出了一种基于缓变场景的复杂神经网络非均匀性校正算法，在两点校正基础上，进一步降低图像非均匀性。与经典BP神经网络非均匀性校正及其改进算法相比，复杂神经网络非均匀性校正算法突破单一层学习神经元结构限制，采用双层学习神经元结构，第一层学习神经元采用大邻域中值滤波作为期望函数，第二层学习神经元采用小邻域均值滤波作为期望函数，通过多层学习神经元配合，兼顾非均匀性校正效果并避免图像边缘模糊。经实拍红外图像非均匀性校正实验证明，复杂神经网络校正与经典BP神经网络校正相比，取得了更好的非均匀性校正效果，非均匀性评价结果UN=0.75%，次优算法非均匀性评价结果为UN=0.77%，与次优算法相比，复杂神经网络校正算法有更高的像素平均梯度评价值，达到28.49，而次优算法只有28.30，非均匀性评价结果低并且像素平均梯度高说明复杂神经网络校正算法在降低图像非均匀性同时更好地避免了图像边缘模糊：这是复杂神经网络校正算法采用双层学习神经元的特点与优势。方法改善了多元红外探测器非均匀性校正的效果，提高了红外遥感图像的质量，促进了红外遥感的应用。

红外；非均匀性校正；复杂神经网络

红外探测系统在遥感领域有重要作用，红外探测器件是红外探测系统的核心，相比传统的单元探测器件，红外焦平面器件体现出越来越巨大的优势，逐渐成为红外器件发展的主流。由于半导体工艺上的原因，红外焦平面器件不同敏感元之间不可避免的存在响应率的不一致，称之为探测器的非均匀性：这种非均匀性会引起红外图像的模式噪声，已经成为进一步提高图像质量的瓶颈。

探测器非均匀校正技术是红外焦平面探测器应用的关键技术之一，许多非均匀性校正算法被学者提出，从大类方面划分，主要有基于黑体的校正和基于场景的校正［1］。基于黑体的校正方法主要思路是利用高低温黑体的响应计算得到形如y=k*x+b的响应曲线的响应系数k和截距b，然后通过不同探测器的k和b计算探测器响应y的补偿系数［2］，在进行基于黑体的非均匀性校正时发现，由于观测误差存在，非均匀性校正后残存的非均匀性仍在2%以上，所以基于场景的非均匀性校正被提出，与基于黑体的非均匀性校正联合工作，进一步降低图像非均匀性。

BP神经网络非均匀性校正算法活跃于非均匀性校正领域，广泛用于图像传感器［3］、湿度传感器［4］、重量传感器等非均匀性校正［5］，可适应传感器的非线性特性［6］，是一种常用的基于场景的非均匀性校正方法。但经典BP神经网络非均匀性校正会引起图像边缘模糊，针对BP神经网络非均匀性校正算法的不足，许多有针对性的改进也逐渐被提出和应用。樊秀梅［7］等人采用加权中值滤波作为期望函数对图像边缘进行保护，并在权值修正时加入了动量项加快收敛，刘秀［8］等人增加了边缘检测环节对图像边缘加以保护，林斌［9］等人在使用BP神经网络算法时，预先采用中值滤波消除图像噪声，以降低噪声影响，王娴雅［10］等人在设计期望函数时，不单考虑场景图像的邻域相关性，加入了时变特性，取得了良好的处理效果，陈宝国［11］等采用双向更新系数的策略，保证每个像元每帧都能被更新一次，提高了处理效率，刘永进［12］等采用基于帧间预测方法加强图像帧间相关性，提高抗噪性。然而，诚如张学峰［13］等人研究后指出，各种校正算法都有一定的局限性，很难找到彻底解决非均匀性问题的方法，并且传统的BP神经网络算法及其改进都是在经典神经网络模型下进行，采用线性校正模型，仅通过改变期望函数来获得更优的效果，采用帧间配准以及边缘检测等策略属于BP神经网络算法的扩展，严格意义上说也不是对神经网络算法的改进。

为满足图像处理需求，对传统的BP神经网络结构进行改进，提出了复杂神经网络非均匀性校正算法，突破经典BP神经网络单一层学习神经元结构，采用两层学习神经元结构，利用复杂神经网络的学习灵活性，在不同的隐含层采用不同的期望函数，比传统BP神经网络取得了更好的非均匀性校正结果，同时也很好地避免了图像边缘模糊。

1　经典BP神经网络非均匀性校正与改进

1.1经典BP神经网络

基于神经网络的非均匀性校正算法是常用的基于场景的非均匀性校正算法，能够实时修正增益和偏移的权值，并且使空域噪声接近时域噪声的水平。图1是误差反传神经网络（BP neural network）校正算法结构图：BP神经网络算法利用一个隐含层来获得相应的实际期望输出值，并根据期望值与输出比较得到误差，可以利用最小均方差的约束条件和最快梯度下降法，更新校正参数。

图1　BP神经网络结构

BP神经网络算法校正利用红外焦平面器件的线性响应的假设，公式如下：

设 fi，j为期望输出值，则可以用最速下降法得到增益和偏置的修正值：

此处，下标n表示当前行为第几行，u为步长参数。需要说明的是，神经网络必须考虑网络的收敛性以及稳定性问题，文献［14］提到，采用Liapunov函数，可以证明这种基于误差反传的神经网络是收敛的并且是稳定的。

1.2BP神经网络算法的改进

采用BP神经网络算法进行探测器非均匀性校正，在校正模型没有变化的前提下，关键在于神经网络输出期望函数的准确性，从BP神经网络算法非均匀性校正的发展过程也可以看出，期望函数的改进是算法改进的重点。在BP神经网络非均匀性校正及改进算法中，不同的期望函数对应不同的空间滤波，可以抑制不同的噪声，常用的2种滤波函数为：

①平均滤波

平均滤波是空间低通滤波，函数形式为fi，j=mean（Xi，j-k；Xi，j；Xi，j+k），其中系数k的选择表示不同的临近空间滤波范围。

②中值滤波

中值滤波是高通滤波，函数形式为fi，j=median（Xi，j-k；Xi，j；Xi，j+k），其中系数k的选择表示不同的临近空间滤波范围。

在经典BP神经网络校正及其改进算法中，探测元校正采用线性校正公式，众多算法的期望函数有不同的表达形式，但是都没有脱离单一层学习神经元的顶层结构，BP神经网络的不足的根源也由此而起。当采用小邻域计算期望输出时，对噪声抑制不足、非均匀性校正效果不好，当采用大邻域时，又会引起边缘模糊，引入新的噪声；同时，邻域计算理论输出值可以选择阈值方式或者平均值方式，当采用阈值计算时，结果呈现高通滤波特性，对图像边缘保护比较好，但是非均匀校正性能一般不如均值滤波好，当采用均值计算时，结果呈现低通滤波特性，又会引起较大的图像模糊：所以，当采用单一层学习神经元时，难以兼顾邻域大小与期望函数，这是由BP神经网络单一层学习结构引起的，不是单一改变期望函数形式或者邻域大小能够解决的。文章提出了一种复杂神经网络非均匀性校正算法，采用双层学习神经元结构，通过神经网络结构的变化改善单一层学习神经元的固有不足。

2　复杂神经网络非均匀性校正

图2是复杂神经网络的结构图，从结构层次上与图1相比，除了输入输出神经元，增加了一层学习神经元，第二层学习神经元与第一层学习神经元采用不同的期望函数形式，通过两层学习神经元的配合，以及不同的期望函数约束，可以比经典BP神经网络更灵活的拟合校正系数，达到更好的非均匀性校正效果。

图2　复杂神经网络结构

复杂神经网络采用双层学习神经元，在每一层学习神经元内采用不同的期望函数，兼顾校正效果与图像模糊的平衡。在文中，第一层学习神经元的期望函数采用中值滤波器，中值滤波器是基于排序统计理论的非线性滤波，滤波后能够较好的保留图像细节，消除较大的散弹噪声，根据这一特点，采用大邻域中值滤波器，既可以较好进行非均匀性校正，又能保护图像边缘的锐利性；第二层学习神经元的期望函数采用均值滤波器，均值滤波器可以消除图像中的高频噪声，较好的消除高斯噪声，但是会引起图像边缘模糊，根据这一特点，采用小邻域均值滤波器，既可以较好的进行非均匀性校正，又避免引起图像模糊。采用复杂神经网络的双层学习神经元，达到比经典BP神经网络更好的非均匀性校正效果，并且避免图像模糊。

3　非均匀性校正与结果分析

3.1非均匀性校正结果评价

研究非均匀性校正，首先要明确校正效果的评价函数，常用的评价方式有以下两种：

①在目标为恒定的辐射背景的时候，即黑体评价方式，采用非均匀性的大小来评价。公式为：

②在通常情况下，更多的是应用的场景，采用期望值与实际输出的均方差（MSE）作为评价方式。MSE越小，则自适应的效果越好。公式为：

3.2图像非均匀性校正与分析

图3是实拍红外图像在不同算法下的非均匀性校正结果，文中复杂神经网络校正第一层学习神经元期望函数采用7邻域中值滤波，第二层学习神经元期望函数采用3邻域均值滤波。图3（a）是经过基于黑体的两点非均匀性校正的图像，非均匀评价结果是UN=1.28%，在此基础上进行不同的基于场景的神经网络非均匀性校正，图3（b）是图3（a）在均值期望下的BP神经网络校正图像，非均匀评价结果为UN=0.77%，图3（c）是图3（a）在中值期望下的BP神经网络校正图像，非均匀评价结果是 UN=0.80%：经仔细调整滤波参数，均值期望下的BP神经网络校正结果和中值期望下的BP神经网络校正结果相比，非均匀性更低，但是像素平均梯度也越低，这是由于均值期望的低通滤波特性导致的图像边缘模糊；图 3（d）是图3（a）经复杂神经网络非均匀性校正的图像，非均匀评价结果是UN=0.75%，与均值期望下和中值期望下的BP神经网络相比，复杂神经网络校正后的图像有最低的非均匀性，校正效果更好；从保护图像边缘锐利度来分析，复杂神经网络校正后的图像又有较高的像素平均梯度，达到28.49，而次优算法只有28.30，这表明复杂神经网络校正算法不仅取得了最优的非均匀性校正效果，也保护了图像边缘锐利度，这是复杂神经网络非均匀性校正采用双层学习神经元的优势。处理图像评价结果见表1。

图3　非均匀性校正比较

表1　非均匀性校正评价Table 1　Analysis for different Non-Uniformity correction

为直观显示复杂神经网络非均匀校正的优势，对图3（b）（c）（d）三幅图像的左上主要目标区进行边缘提取，结合表1，复杂神经网络校正方法有最优的非均匀性校正结果，同时从图4中可以看出，与非均匀性校正结果次优的算法相比，图像边缘更锐利清晰，避免了模糊。在取得最优的非均匀性校正同时避免图像模糊，这是复杂神经网络非均匀性校正算法的优势。

图4　边缘提取比较

4　结论

提出了一种基于缓变场景的复杂神经网络非均匀性校正算法，算法突破经典BP神经网络校正及其改进算法的框架，采用双层学习神经元网络，在不同的神经网络层采用不同的期望函数、解决不同的问题，第一层学习神经元采用大邻域的中值期望函数，第二层学习神经元采用小邻域的均值期望函数，两层学习神经元配合，兼顾非均匀性校正效果与图像模糊的平衡，取得了最优的非均匀性校正结果，避免了图像模糊。

复杂神经网络非均匀性校正算法是BP神经网络非均匀性校正算法的有益拓展，与经典BP神经网络校正算法相比，进一步有效地降低了多元红外探测器的模式噪声，提高了图像灵敏度，促进了多元红外探测器遥感数据定量化应用。

［1］陈治宣，周晓东，娄树理，等.红外焦平面阵列非均匀性校正研究［J］.海军航空工程学院学报，2006，21（4）：444-448.

［2］韩开亮，何春芳.基于两点法的红外图像非均匀性校正算法及其DSP实现［J］.红外技术，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］行鸿彦，邹水平，徐伟，等.基于PSO-BP神经网络的湿度传感器温度补偿［J］.传感技术学报，2015，28（6）：864-869.

［5］郭伟，张栋，李巨韬，等.改进型BP神经网络对电容称重传感器的非线性校正［J］.传感技术学报，2012，25（10）：1354-1360.

［6］刘滔，韩华亭，马婧，等.非线性动态传感器系统的H模型神经网络辨识［J］.传感技术学报，2013，26（10）：1390-1394.

［7］樊秀梅，魏臻，闫富荣，等.基于BP神经网络的焦平面阵列的非均匀性校正［J］.天津理工大学学报，2010，26（6）：75-78，85.

［8］刘秀，刘咏，金伟其，等.基于边缘检测神经网络非均匀性校正及硬件实现［J］.光电工程，2014，41（2）：63-68.

［9］林斌，范永弘.一种改进的BP神经网络非均匀性校正算法［J］.测绘工程，2013，22（3）：24-27.

［10］王娴雅，陈钱，顾国华，等.基于BP神经网络的红外焦平面非均匀性校正技术［J］.光子学报，2009，38（6）：1504-1506.

［11］陈宝国，张学峰，牛英宇.改进的基于神经网络的非均匀性校正算法［J］.红外与激光工程，2013，42（3）：574-578.

［12］刘永进，朱红，赵亦工.基于帧间预测的红外焦平面阵列非均匀校正算法［J］.光子学报，2009，38（4）：997-1000.

［13］张学峰，陈宝国，樊养余，等.基于场景的红外非均匀性校正算法对比研究［J］.红外技术，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.

陈博洋（1980-），男，黑龙江哈尔滨人，博士，副研究员，2003年于中国科学技术大学获得学士学位，2008年于中科院上海技术物理研究所获得博士学位，现为国家卫星气象中心风云四号地面系统工程主任设计师，主要从事空间遥感仪器顶层设计、遥感资料预处理和图像处理与评价，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

项目来源：国家自然科学基金（41375023）

2015-12-28修改日期：2016-05-27