基于多尺度耦合的密集残差网络红外图像增强

摘要：

为了提升非制冷红外热像仪的图像质量,满足低对比度弱小区域的观瞄与锁定的需求,提出了一种基于多尺度密集残差网络的红外图像超分辨重建模型,该模型的基本框架是通过级联多个残差特征进行学习,以粗到细的方式重建高分辨率图像.首先提出一种多尺度跨域融合模块,通过对不同感受野的分支结果进行融合,不仅可以融合不同感受野的互补信息,还可有助于提升梯度收敛和特征传输;然后叠加多个跨域融合模块,并采用残差特征学习进行优化,最终学习出高分辨率细节信息.仿真实验结果表明,所提出的超分辨模型能够较好的超分辨重建效果,在微弱结构保持和点目标保持上的性能也更加突出.所提的模型已经在海思嵌入式深度学习平台上实现了高质量的红外增强,具有较高的工程应用价值.

关键词：红外图像;图像增强;深度学习;特征级联;密集残差网络;多尺度耦合

所属期刊栏目：35

分类号：TN219(光电子技术、激光技术)

资助基金：国家自然科学基金青年项目21706096

在线出版日期：2021-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：148-155