基于BP神经网络的IRFPA改进型非均匀性校正算法

２０　文章编号：１６７２—８７８５（２ｏ１２）ｏ４—００２０－０６　蠢ｌｌ　ｌ＿　级。。熟≯ｌｌ：　ｌｌｌｌｌｌｌｌ｜ｌ蕾＿蠹　羹　＿　纛　譬　　２０１－２　４　基于ＢＰ神经网络的ＩＲＦＰＡ改进型　非均匀性校正算法　陈　强　熊　健　曹　伟　（中国航天科工集团第二研究院，北京１００８５４）　摘　要：提出了一种基于神经网络的红外焦平面阵列（Ｉｎｆｒａｒｅｄ　Ｆｏｃａｌ　Ｐｌａｎｅ　Ａｒｒａ＿ｙ．ＩＲＦＰＡ）　非均匀性自适应专炙正算法。首先，利用归一化思想对图像进行处理以利于选取迭代步　长；其次，优化隐含层结构以获得更接近于真实信号的期望信号。实验结果表明，该方　法在校正精灾、收敛速度和稳定性方面均优于传统的神经网络校正算法。　关键词：红外成像；红外焦平面阵列；神经网络　中图分类号：０４３４．３　文献标识码：　Ａ　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２—８７８５．２０１２．０４．００４　Ａｎ　Ａｄａｐｔｉｖｅ　Ｍｅｔｈｏｄ　Ｂａｓｅｄ　ｏｎ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ｆｏｒ　Ｎｏｎ—ｕｎｉｆｏｒｍｉｔｙ　Ｃｏｒｒｅｃｔｉｏｎ　ｉｎ　Ｉｎｆｒａｒｅｄ　Ｆｏｃａｌ　Ｐｌａｎｅ　Ａｒｒａｙｓ　ＣＨＥＮ　Ｑｉａｎｇ，ＸＩＯＮ６　Ｊｉａｎ，ＣＡＯ　Ｗｅｉ　（Ｔｈｅ　Ｓｅｃｏｎｄ　Ａｃａｄｅｍｙ　ｏｆ　ＣＡＳＩＣ，Ｂｅｉｊｉｎｇ　１００８５４，ＣｈｉｎａＪ　Ａｂｓｔｒａｃｔ：　Ａ　ｎｏｎ—ｕｎｉｆｏｒｍｉｔｙ　ｃｏｒｒｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｆｏｒ　ｉｎｆｒａｒｅｄ　ｆｏｃａｌ　ｐｌａｎｅ　ａｒｒａｙｓ（ＩＲＦＰＡ）ｉｓ　ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ａ　ｎｏｒｍａｌｉｚｅｄ　ｉｄｅａ　ｉｓ　ｕｓｅｄ　ｔｏ　ｐｒｏｃｅｓｓ　ａｎ　ｉｍａｇｅ　ＳＯ　ａｓ　ｔｏ　ｃｈｏｏｓｅ　ａ　ｐｒｏｐｅｒ　ｉｎｔｅｒａｃｔｉｖｅ　ｓｔｅｐ．Ｔｈｅｎ，ｔｈｅ　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｔｈｅ　ｈｉｄｄｅｎ　ｌａｙｅｒ　ｉｓ　ｏｐｔｉｍｉｚｅｄ　ｔｏ　ｏｂｔａｉｎ　ｔｈｅ　ｄｅｓｉｒｅｄ　ｓｉｇｎａｌ　ｍｏｒｅ　ｃｌｏｓｅ　ｔｏ　ｔｈｅ　ｒｅａｌ　ｓｉｇｎａ１．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｉＳ　ｂｅｔｔｅｒ　ｔｈａｎ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｃｏｒｒｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｉｎ　ｃｏｒｒｅｃｔｉｏｎ　ｐｒｅｃｉｓｉｏｎ，ｃｏｎｖｅｒｇｅｎｃｅ　ｒａｔｅ　ａｎｄ　ｓｔａｂｉｌｉｔｙＫｅｙ　ｗｏｒｄｓ：ｉｎｆｒａｒｅｄ　ｉｍａｇｉｎｇ；ｉｎｆｒａｒｅｄ　ｆｏｃａｌ　ｐｌａｎｅ　ａｒｒａｙ；ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　．　０引百　在理想状况下，红外焦平面阵列接收均匀　辐射后输出的信号幅度应该完全相同。但由于　受材料缺陷、低温条件下电路的稳定陛以及集成　俭测方面的应用。对于高质量的红外成像系统　来说，非均匀性校正技术是最为关键的红外信　号处理技术之一。在尽量降低器件非均匀性的条　件下，利用信号处理技术对红外图像进行非均　匀性校正是一种行之有效的方法。　工艺水平的，每个光敏元的响应率不可能　完伞一致，导致输出信号幅度不能完全一样（被　称为红外焦平面阵列的非均匀性）。这种非均匀　基于场景的非均匀性校正算法是目前人们　研究的热点，其主要思想是通过对大量的图像　序列进行统计和分析，从中提取出最接近真实　情况的红外图像。目前主要有恒定统计、人工神　性将会导致系统的温度分辨率下降和目标图像　质量下降，ｒ红外焦平面阵列在高灵敏度　收稿日期：２０１２～０２　１４　作者简介：陈强（１９８６一），在读研究生，主要从事红外制导系统总体研究。Ｅ—ｍａｉｌ：ｃｈｅｎ．１９５⑧ｑｑ．ｃｏｎ　第　３３　－第４期　－＿　√　０ｌ　ｌ＿　＿　ｌｌ　Ｉｊ　。　ｌｌ　｜２１　经网络和卡尔曼滤波等一些算法。其中每种算　法都有其特定的局限性。本文从探测器的图像　非均匀性特点入手，提出一种改进的基于ＢＰ神　式相互连接而形成的信息处理系统。其信息处理　由神经元之间的相互作用来实现；知识与信息　的存储表现为网络单元之间互连分布式的物理　关系；网络的学习和识别决定于各个神经元连　经网络的非均匀性校正算法。该算法简单，收敛　快，实时性好。　接权系数的动态演化过程。人工神经网络是人　们在现代神经科学研究成果的基础上提出的，　它反映了人脑功能的基本特性。但它并不是人　脑的真实描写，而是对其进行的某种抽象、简化　与模拟。　１经典的ＢＰ人工神经网络校正算法　１．１　人工神经网络的概述　人工神经网络（Ａｒｔｉｉｆｃｉａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ，　ＡＮＮ）是一种从生理学角度对真实人脑神经网　神经生理学和神经解剖学证明，人的思维　是通过人脑完成的；神经元是脑组织的基本单　元；人脑是一个由约１０１１个神经元组成的庞大　系统。图１所示为神经元的结构。　突轴　络的结构和功能以及若干基本特性进行某种理　论抽象　简化和模拟的信息处理系统。人工神经　网络是由多个简单的处理单元彼此按照某种方　图１生物神经元的基本结构　图１中，神经元的中心为细胞体，它能够对　接收到的信息进行处理。细胞体周围的纤维可　以分为两大类：一类是用于接收其它神经元信　息的，被称为树突；另一类是用于向其它神经元　发出信息的，被称为轴突。神经元之间通过树突　与轴突相互连接（其接口被称为突轴），从而把　映射是一种高度非线　的映射。它对于复杂的　非线性系统具有较高的建模能力，并且对于数　据具有良好的拟合能力。　众多的神经元连接成一个神经网络。　人工神经元是人工神经网络的基本处理单　元（其结构模型见图２）。　图２所示为神经元的基本结构。其　中，　叫　，Ｗ。，…，ｚ。，…，　为神经元　，训，　的输入信号；　图２神经元的基本结构　为连续权值；０　为设定的阈值；　的计算公式为　、　／　为神经元的输出。　＝，（∑叫　ｚ。＿。。　＼０＝１　／ｎ　Ｒｕｍｅｌｈａｒｔ等人洞察到神经网络在信息处理　方面的重要性后，于１ｇ８２年成立了并行分布式　处理小组，旨在研究并行分布式信息处理方法和　探索人类认知的微结构　此后，他们于１９８６年提　出了误差反传算法（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ，　ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶＯＬ．３３，ＮＯ．４，ＡＰＲ　２０１２　式中，ｆ（ｘ）是神经元的作用函数　我们可以把　神经网络看成一种输入　～输出的映射。则此　ＢＰ）。　ＢＰ网络是一种误差反向传播的多层前向网　络（其结构见图３）。　误差反传（学习算泫）　出值　信譬流　３　ＢＰ人工神经Ｉ碉络算法的结构图　ＢＰ算法主要分为两个阶段。　第一阶段：正向传播过程。输入信息通过输　入层，经隐含层逐层处理（并计算每个单元的实　际输出值），直至输出层（计算出实际输出值）。　第’■阶段：反向过程即学习过程。若在输出　层未能得到期望的输出值，则逐层递归计算实　际输出与期望输出之间的差值（即误差），以便　根据此误差值调节权值。可以看出，ＢＰ算法是　一种监督学习算法。通过将神经元的期望输出　与文际输出之间的偏差作为连接权值调整的参　考，最终可以减少这种偏差。　１９８９年，Ｈｅｃｈｔ　Ｎｉｅｌｓｅｎ对ＢＰ算法进行了详　细的理论分析，并且证明了三层ＢＰ人工神经网　络在隐含层神经元数目可以任意设定的情况下　能够逼近任意的连续函数。本文便采用了三层　ＢＰ人工神经网络结构，这样既可以满足实际需　要，又可以简化数据处理过程和降低算法的复　杂度。　１．２　用于非均匀性校正的ＢＰ神经网络　通过将Ｓｃｒｉｂｎｅｒ　Ｄ　Ａ提出的人工神经网络　（ＡＮＮ）算法用于非均匀性校正，可以完全不对　ＦＰＡ进行标定，这是红外成像系统的理想境界。　依赖于神经网络方法自适应地进行校正系数的　更新是目前实验室研究的热点之一。其具体办　法是，让每一个神经元连接一个阵列元，再设计　一个隐含层；它的每一个神经元就像水平细胞　元那样与邻近的几个阵列元连接起来；得到它　们的平均输出值并将其反馈到它的上层神经元　｜ＮＶｔｌＡＩＲＥ１）（ＭＯＮＴＨＬＹ）／ＶｏＬ．３３，ＮＯ．４，ＡＰＲ　２０１２　里计算非均匀性；依据实际景像，采用最陡下降　法逐帧进行迭代，直至达到最佳状态。　下面介绍对像元（ｉ，Ｊ）进行人工神经网络非　均匀校正的算法。　（１）计算像元（ｉ，Ｊ）的邻域均值（空间邻域期　望１：　＝，（ｚ　＋Ｘ　＋　＋　一　，，＋　计　，，）／４　（２）　（２）校正后像元输出（省略下标）：　Ｙ＝Ｇｘ＋０　（３）　式中，Ｇ为增益校正因子，Ｏ为偏移量校正因　子。则误差函数为　Ｆ（Ｇ，Ｏ）＝（Ｇｘ＋０一，）。　（４）　（３）对Ｇ和０求偏导，得到梯度函数：　＝　（Ｇ卅０＿，）　（ｙ－，）（５）　＝　Ｇ卅ｏ＿，）＝２（ｙ－，）（６）　（４）利用最陡下降法进行迭代，得到计算Ｇ　和０的迭代公式：　Ｇ（ｎ＋１）一Ｇ（几）一２　（ｎ）（玑，，（ｎ）一　，，　）】　（７）　ｏ（ｎ＋１）＝ｏ（ｎ）一２　（礼）一　，　（ｎ）】　（８）　式中，　为下降步长（学习速度），可以影响稳定　性和收敛速度，一般可取为０．０００５；ｎ为帧数。　（５）利用线性校正算法计算校正后的输出：　Ｙ　（ｎ）＝Ｇ　，，（礼）　，，（ｎ）＋Ｏ　，，（佗）　（９）　图４所示为ＢＰ神经网络校正法的具体过　程。　图４　ＢＰ神经网络校正法的流程图　神经网络校正法可以完全不对红外焦平面　阵列进行标定，校正系数也可以经过较短的学　的增益调节公式和偏置调节公式对归一化的灰　度数据进行非均匀性校正。可以看出，此时对增　益和偏置进行调节，可以获得相同数量级的调　整量。这样就避免　迭代步长　难以选取的问　题，并扫除了ＢＰ算法在实际应用中的障碍。　由此可见，归一化ＢＰ人工神经网络算法的　目的就是为了消除增益和偏置的调整量在数量　级上的差别。下面介绍归一化ＢＰ校正算法的具　体实现过程。　习周期进行连续更新，其性能优于温度定标和高　通滤波。但是该方法的计算量大，需要用特殊并　行计算机结构来实现。实时处理需要使用先进　的多处理器机构，其稳定性和收敛性问题也需　要进行反复测试和验证。　２改进的ＢＰ神经网络非均匀性校正　算法　２．１改进一：图像归一化　在进行ＢＰ校正前，对需要处理的每一帧图　像的灰度值进行归一化：　在算法试验仿真中，我们注意到经典ＢＰ校　正算法中的增益校正系数（简称“增益”）的调整　量是偏置校正系数（简称“偏置”）调整量的　，　倍。这就意味着增益的调整量要远远大于偏置　的调整量，而通常增益处于以１为中心的一个区　式中，虿为当前帧图像的灰度均值。　｝＝　一　∑ｚ　，　ｔ　Ｊ　（１１）　间内，这种调整量在数量级上的差别导致算法　实现中的步长值难以选取。按照经典ＢＰ算法进　行校正，当步长取值很小时，收敛缓慢；而当步　长取值过大时，迭代不收敛。这就使该算法在实　际应用中遇到了障碍。　通过对经典ＢＰ校正算法进行分析，我们提　出利用归一化思想来改进经典ＢＰ校正算法，由　此生成归一化ＢＰ人工神经网络校正算法。在实　列数。　式中，　和　分别为当前帧图像的总行数和总　２．２改进二：两点定标取初值　ＢＰ神经网络与两点温度定标的非均匀性校　正综合算法是以实验室两点温度标定的校正增　益和偏移量作为ＢＰ神经网络校正算法中权系数　的初始值，然后根据ＢＰ神经网络对校正增益和　施经典ＢＰ校正算法前，对输入图像的灰度值进　行归一化。输入图像的灰度值经：过归一化后成　为１附近的数值。然后利用经典ＢＰ校正算法中　偏移量逐次迭代更新，并根据更新后的校正增　益和偏移量对下一帧数据进行校正，直到校正效　果令人满意为止。图５所示为该算法的结构图。　图５快变温场条件下的非均匀性校正算法的结构图　ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶｏＬ．３３，Ｎｏ．４，ＡＰＲ　２０１２　第３３，卷，第４期　红　外　参考文献　；ｉｉｉｌｉｉｌ叠　ｉ２５　表１列出了经典算法和改进算法的对比情　出版社，１９７１．　ｆ１］小哈得逊Ｒ　Ｄ．红外系统原理［Ｍ］．北京：国防工业　表ｌ经典算法与改进算　；的比较　非均匀度ＣＰＵ占用时间内存占有量　０　［２］周立伟．　目标探测与识别［Ｍ】．北京：北京理工大　学出版社，２００４．　３１中国航天科工集团第三研究院８３５８所．红外成像　２．８２　ＭＢ　１３１．２５　ＫＢ　系统测试与评价　编辑部，２００６．　．天津：　红外与激光工程》　由此可见，改进算法不仅提升了校正效果，　而且还大大降低丫算法的时间和空间复杂度，　因此更适合实时处理。　［４］Ａｄａｍｓ　Ｊ　Ｈ．Ｔｈｅ　Ｎａｔ　ｕｒａｌ　Ｒａｄｉａｔｉｏｎ　Ｅｎｖｉｒｏｎｍｅｎｔ　ｉｎ—　ｓｉｄｅ　ａ　Ｓｐａｃｅｃｒａｆｔ［Ｊ］．ＩＥＥＥ￣＇ａｎｓ　Ｎｕｃｌ　Ｓｃｉ，１９８２，　２０（２）：１７－－２１．　［５］Ｈｏｌｍｅｓ—Ｓｉｅｄｌｅ　Ａ．］：Ｌａｄｉａｔｉｏｎ　Ｅｆｆｅｃｔｓ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｈａｎｄｂｏｏｋ［Ｍ】＿Ｌｏｎｄｏｎ：ＥＳＡ，１９７８．　『６］张晓飞．基于ＤＳＰ的红外焦平面阵列非均匀性校　４结论　本文提出了一种基于神经网络的改进型非　均匀性校正算法，并对该算法和经典算法进行　了仿真和比较。仿真结果表明，该改进型算法优　于经典算法。　正技术研究＿Ｄ１．重庆：重庆大学，２００２．　ｆ７１国亚双．基于场景的红外成像非均匀校正算法研究　ｆＤ１．北京：中国航天二院，２００６．　【８］Ｖｅｎｋａｔｅｓｗａｒｌｕ　Ｒ，Ｇａｎ　Ｙ　Ｈ．Ｎｏｎ—ｕｎｉｆｏｒｍｉｔｙ　Ｃｏｍ－　Ｍ　ｐｅｎｓａｔｉｏｎ　ｆｏｒ　ＩＲ　Ｆｃ・ｃａｌ　Ｐｌａｎｅ　Ａｒｒａｙ　Ｓｅｎｓｏｒｓ［Ｃ］．　ＳＰＩＥ，２００１，３０６１：９１５　９２０．　（上接第１９页）　ＩｂＸａＳ　Ｉｎｓｔｒｕｍｅｎｔｓ　Ｃｏ．ＴＭ￥３２０ＤＭ６４２　Ｖｉｄｅ—　ｏ／Ｉｍａｇｉｎｇ　Ｆｉｘｅｄ—Ｐｏｉｎｔ　Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ　［９］Ｒａｆａｅｌ　Ｃ　Ｇ，Ｒｉｃｈａｒｄ　Ｅ　Ｗ．Ｄｉｇｉｔａｌ　Ｉｍａｇｅ　Ｐｒｏｃｅｓｓ—　ｉｎｇ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｐｕｂｌｉｓｈｉｎｇ　Ｈｏｕ　ｓｅｓ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ　Ｉｎｄｕｓｔｒｙ，２０１０．　［Ｍ／ＯＬ］．２００４—０８．ｈｔｔｐ：／／ｆｏｃｕｓ．ｔｉ．ｃｏｍ／ｌｉｔ／ｕｇ／ｓｐｒｓ一　２００ｇ／ｓｐｒｓ２００ｇ．ｐｄｆ．　Ｔｅｘａｓ　Ｉｎｓｔｒｕｍｅｎｔｓ　Ｃｏ．ＴＭＳ３２０Ｃ６０００　Ｏｐｔｉ—　【１０］Ｃｈｉｎｇ－ｃｈｕｎｇ　Ｙａｎｇ．Ｉｍａｇｅ　Ｅｎｈａｎｃｅｍｅｎｔ　ｂｙ　Ａｄｊｕｓｔ—　ｉｎｇ　ｔｈｅ　Ｃｏｎｔｒａｓｔ　ｏｆ　Ｓｐａｔｉａｌ　Ｆｒｅｑｕｅｎｃｉｅｓ　Ｏｐｔｉｋ　ｍｉｚｉｎｇ　Ｃｏｍｐｉｌｅｒ　ｖ　６．０　Ｂｅｔａ［Ｍ／ＯＬ］．２００５—０７．　ｈｔｔｐ：／／ｆｏｃｕｓ．ｔｉ．ｃｏｍ／ｌｉｔ／ｕｇ／ｓｐｒｕ１８７１／ｓｐｒｕ１８７１．ｐｄｆ．　ＴＭＳ３２０Ｃ６０００　Ａｓｓｅｍｂｌｙ　Ｌａｎｇｕａｇｅ　Ｔｏｏｌｓ　Ｕｓｅｒ’ｓ　Ｏｐｔｉｃｓ，２００８，１１９（１）：１４３　１４６．　［１　１］Ｚｈａｎｇ　Ｊｉｅ，Ｌｉｕ　Ｚｉｊｉ，Ｌｅｉ　Ｙａｎｚｈａｏ，ｅｔ　ａ１．Ｒｅｓｅａｒｃｈ　ｏｎ　Ｉｎｆｒａｒｅｄ　Ｉｍａｇｅ　Ｅｎｈａｎｃｅｍｅｎｔ　Ａｌｇｏｒｉｔｈｍ　Ｂａｓｅｄ　ｏｎ　Ｇｕｉｄｅ［Ｍ／ＯＬ］．２００４—０４．ｈｔｔｐ：／／ｆｏｃｕｓ．ｔｉ．ｃｏｍ／ｌｉｔ／ｕ—　ｇ／ｓｐｒｕ１８６ｎ／ｓｐｒｕ１８６ｎ．ｐｄｆ．　ＧＵＯ　Ｊｉａ，ＬＩＵ　Ｗｅｉ—ｇｕｏ，ＧＡＯ　Ｊｉａｏ—ｂｏ，ｅｔ　ａ１．Ａｄａｐ—　ｔｉｖｅ　Ａｌｇｏｒ：ｉｔｈｍ　ｏｆ　Ｉｎｆｒａｒｅｄ　Ｔａｒｇｅｔ　Ｅｎｈａｎｃｅｍｅｎｔ　Ｆｏｒ　Ｈｉｓｔｏｇｒａｍ【Ｃ］．ＳＰＩＥ，２０１０，７６５８：７６５８５．　［１２】Ｗｅｎ—Ｃｈｕｎｇ　Ｋａｏ，Ｍｉｎｇ—Ｃｈａｉ　Ｈｓｕ，Ｙｕｅｈ—Ｙｉｉｎｇ　Ｙａｎｇ．　Ｌｏｃａｌ　Ｃｏｎｔｒａｓｔ　Ｅｎｈａｎｃｅｍｅｎｔ　ａｎｄ　Ａｄａｐｔｉｖｅ　Ｆｅａｔｕｒｅ　Ｅｘｔｒａｃｔｉｏｎ　ｆｏｒ　Ｉｌｈｌｍｉｎａｔｉｏｎ－－ｉｎｖａｒｉａｎｔ　Ｆａｃｅ　Ｒｅｃｏｇｎｉ—－　ｔｉｏｎ［Ｊ】．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，２０１０，４３（２）：１７３６　］７４７．　Ｔａｒｇｅｔ　Ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　Ｉｎｆｒａｒｅｄ　Ｄｅｔｅｃｔｏｒ［Ｃ］．ＳＰＩＥ，　２００９．７２８３：７２８３】．　ｈｔｔｐ：／／ｊｏｕ　ｒｎａ１．ｓｉｔｐ．ａｃ．ｃｎ／ｈｗ　ＩＮＦＲＡＲＥＤ（ＭＯＮＴＨＬＹ）／ＶＯＬ．３３，ＮＯ．４，ＡＰＲ　２０１２