| 摘要 |
本发明公开了一种基于混合自适应回归的红外盲元补偿方法，首先通过Curvelet变换对红外图像I进行多尺度分解，分解为I<sub>1</sub>,…,I<sub>n-1</sub>,I<sub>n</sub>，n为自然数；其次对分解后的各高阶尺度子带图像利用非参数模型进行盲元恢复，得到图像I<sub>1r</sub>,…,I<sub>n-1r</sub>,I<sub>nr</sub>；对非参数模型多次迭代，以提高非参数估计的精度；再次利用参数模型对各高阶尺度间进行衔接与学，即通过参数方法插值I<sub>nr</sub>得到图像I<sub>n-1i</sub>，并使其作为n-1层尺度的先验图像；最后，逐层递归以上步骤，最终输出恢复图像。本发明从多尺度分析角度，结合自适应回归模型，解决了对盲元检测过于依赖的问题，同时对于具有大量随机或固定盲元的图像都具有很好的适应性，并通过实验验证了新算法的有效性和实用性。 |
| 主权项 |
一种基于混合自适应回归的红外盲元补偿方法，其特征在于，包括以下具体步骤：步骤1，通过Curvelet变换对红外图像I进行多尺度分解，得到分解后的各尺度图像I<sub>1</sub>,…,I<sub>n‑1</sub>,I<sub>n</sub>，n为自然数；步骤2，对分解后的各尺度图像构造非参数模型进行回归补偿，以实现盲元恢复，得到恢复盲元的图像I<sub>1r</sub>,…,I<sub>n‑1r</sub>,I<sub>nr</sub>；步骤3，对步骤2中恢复盲元后的图像之间构建自回归参数模型，进行各尺度间的衔接与学习，即通过参数方法插值恢复盲元的图像I<sub>nr</sub>得到插值图像I<sub>n‑1i</sub>，并将其作为n‑1层尺度的先验图像；步骤4，逐层递归步骤2‑步骤3，最终输出恢复图像。 |
