具备学习能力的红外图像增强技术

简介：
本研究提出了一种创新的红外图像增强方法，利用机器学习技术自动优化和提升低质量红外影像的清晰度与细节，适用于夜间监控、军事侦察及医疗诊断等多个领域。 由于成像环境的变化以及红外成像传感器的局限性，红外图像通常存在对比度低、细节少及边缘不清晰的问题。为了推动红外成像技术的应用，提高这类图像的质量是必要的。为此，在提出的基于增强图像细节与边界的方案下，我们开发了一种新的红外图像增强方法。 一方面，假设高质量图片在结构奇异性的表达上优于低质量图片，因此我们的策略依赖于从这些特征中提取信息来优化图像品质。另一方面，不同于现有的深度学习网络的图像改进算法尝试训练和构建端到端映射以提升整体画质的方法，我们深入研究了堆叠稀疏去噪自动编码器的第一层，并为提出的增强方案设计了一种创新性的特征抽取方法。 实验结果显示，这种新的特征提取技术在处理边缘时没有产生常见的伪影问题，比如块状伪迹、“梯度反转”和伪轮廓。与其他图像改进手段相比，在提升红外图片质量方面，我们的方法表现出了卓越的性能。