CN114463192B 一种基于深度学习的红外视频畸变校正的方法 （浙江浙能嘉华发电有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114463192B(45)授权公告日2025.07.08

(21)申请号202111321639.6

(22)申请日2021.11.09

(65)同一申请的已公布的文献号申请公布号CN114463192A

(43)申请公布日2022.05.10

(73)专利权人浙江浙能嘉华发电有限公司

地址310009浙江省杭州市解放路85号

1401、1501、1601室专利权人中国计量大学

浙江浙能电力股份有限公司

(72)发明人刘宏芳赵朝阳戴超超庄杰栋

郑恩辉顾天成

(74)专利代理机构杭州求是专利事务所有限公司33200

(51)Int.CI.

GO6T5/80(2024.01)

GO6T5/60(2024.01)

G06T7/90(2017.01)

GO6T3/02(2024.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

WO2021057810A1,2021.04.01

RongJ等.RadialLensDistortion

CorrectionUsingConvolutionalNeural

NetworksTrainedwithSynthesizedImages.《Springer》.2017,第35-49页.

审查员刘海艳

专利代理师林超

权利要求书1页说明书4页附图2页

(54)发明名称

一种基于深度学习的红外视频畸变校正的

方法

S1采集红外无畸变图像，赋予畸变参数与校正参数，畸变图像与校正参数组成

S1

采集红外无畸变图像，赋予畸变参数与校正参数，畸变图像与校正参数组成数据集

S2

设计适用于红外图像低分辨率特点的卷积神经网络结构，在保证效率的同时，尽可能地提高精度

将图像像素信息转换为张量信息作为卷积神经网络的输入，图像的校正参数作为监督信号，进行迭代训练

将图像预处理后按批次输入到训练完成的卷积神经网络中，得到每幅图像对

应的校正参数，利用校正参数计算得到去畸变的红外图像。

S3

S4

CN114463192B本发明公开了一种基于深度学习的红外视频畸变校正的方法。创建一个红外畸变图像数据集；构建实现精度要求并能快速推断的卷积神经网络；利用卷积神经网络对红外畸变图像数据集进行训练；将待测的红外畸变图像输入到训练后的卷积神经网络中，得到校正参数并对待测的红外畸变图像进行校正。本发明方法利用卷积神经网络提取红外畸变图像的特征信息，并建立畸变特征与红外畸变图像校正参数之间的映射关系；

CN114463192B

CN114463192B权利要求书1/1页

2

1.一种基于深度学习的红外视频畸变校正的方法，其特征在于，所述方法包括如下步

骤：

步骤1:创建一个红外畸变图像数据集；

步骤2:构建实现精度要求并能快速推断的卷积神经网络；

所述步骤2中，所述的卷积神经网络由3-4个神经结构单元依次连接构成；每个神经结构单元均包括四个连续的卷积层，神经结构单元输入的图经四个连续的卷积层后输出最终的特征图，在第一个卷积层之后分别连接2倍下采样操作和4倍下采样操作，2倍下采样操作之后经上采样操作再连接到第二个卷积层的输出，2倍下采样操作和4倍下采样操作之后分别经卷积操作、2倍上采样后连接到相加融合层，相加融合层的输出再连接到第三个卷积层的输出；

所述神经结构单元输入的图XO经第一个卷积层处理获得特征图X1,特征图X1经2倍下采样操作获得特征图X4,特征图X1输入第二个卷积层获得特征图X2,特征图X2和特征图X4相加融合后输入到第三个卷积层处理获得特征图X3;同时，特征图X4经卷积操作获得特征图X5,特征图X1经4倍下采样操作获得特征图X6,特征图X6经2倍上采样操作后的结果和特征图X4经卷积操作后的结果相加融合得到特征图X5,特征图X5经上采样后和特征图X3相加融合后输入到第四个卷积层处理获得最终的特征图Y;

步骤3:利用卷积神经网络对红外畸变图像数据集进行训练；

步骤4:将待测的红外畸变图像输入到训练后的卷积神经网络中，得到校正参数并对待测的红外畸变图像进行校正。

2.根据权利要求1所述的基于深度学习的红外视频畸变校正的方法，其特征是：所述的步骤1包括如下步