简介基于Python的卷积神经网络红外图像非均匀性校正毕业设计面向毕业设计、课程设计、大作业及工程实训场景也适合希望入门深度学习图像处理的小白与进阶学习者。项目围绕红外图像非均匀性校正任务提出一种基于残差学习的校正网络RNUC通过两个残差块级联完成特征提取与校正并配套合并式特征提取单元设计能帮助读者理解卷积神经网络在红外图像预处理中的实际落地方式。压缩包内共8个文件以3个Python脚本为主要代码主体覆盖模型定义、训练主程序与工具函数辅以模型摘要、模型结构PNG图、README说明文档与训练日志压缩包约374KB便于快速解压运行与二次开发。目前已有165人学习/浏览内容既适合新手照图复现也适合进阶者在此基础上调整网络结构或训练策略。借助说明文档与代码注释读者可以快速定位关键模块掌握从数据准备、模型训练到结果导出的完整流程为后续完成毕设论文、课程报告或工程实践提供扎实起点。1. 基于Python的卷积神经网络红外图像非均匀性校正毕设核心命题与最终交付红外相机拍出来的画面总像蒙了一层会“定住”的格子布——静止场景下横竖条纹和颗粒状噪声的位置不变这就是红外焦平面阵列响应不一致造成的。做过红外图像处理的同学应该都体会过这个场景刚开机时图像噪点明显环境温度一变化条纹还会漂移。基于Python的卷积神经网络红外图像非均匀性校正要做的就是训练一个端到端的CNN模型输入一张带非均匀性噪声的红外图像直接输出一张干净校正图不再依赖黑体标定出来的那一套静态参数。这篇笔记面向两类人一是正在选毕业设计题目、想让实验有明确指标和对比结果的同学二是做红外测温或安防设备、想在传统两点校正之外找一个更抗场景变化方案的工程师。下面按问题建模、数据仿真、网络训练和避坑顺序拆开说。2. 从传统标定到CNN非均匀性校正为什么要换算法2.1 红外非均匀性的来源与数学建模非均匀性校正的对象很具体红外焦平面阵列上每个像元的光电响应曲线天生不一致。常用的一阶模型把每个像元的响应近似成一条直线y(i,j) g(i,j) * x(i,j) o(i,j) n(i,j)其中g(i,j)是像元增益o(i,j)是像元偏置n(i,j)包含随机噪声。由于制造工艺、材料掺杂浓度和散热条件不同相邻像元之间的g和o会出现几个百分点的偏差。如果不做校正静止场景下每个像元输出亮度的差异被原样保存下来就形成“固定图案噪声”。红外图像的固定图案噪声有两个特点一是强二是稳。强是指噪声幅度常常超过20%的灰度动态范围稳是指在短时间范围内噪声图案几乎不随时间变化因此肉眼看起来格外惹眼。实际工程里固定图案噪声还分两种形态。点噪声是逐像元增益和偏置波动画面上表现为均匀的雪花点条纹噪声则是整行或整列的响应偏差表现为水平或垂直亮暗条纹常见于采用逐行采样读出电路的非制冷长波红外探测器。这两种形态在频域里的表现截然不同点噪声整体抬高频谱背景条纹噪声则会在水平或垂直方向形成一条亮线。这个频域特征后面做验证时会直接用上。在毕业设计里不需要一上来就追求完全精确的物理模型。常见做法是用加性偏置和乘性增益组合来描述退化过程noisy(x) clamp( x * gain_map bias_map row_noise col_noise )这里的gain_map和bias_map是逐像素矩阵row_noise是对每一行叠加的随机偏置col_noise是对每一列叠加的随机偏置。这个模型虽然简单却能覆盖“点噪声条纹噪声”两类主要退化足够让CNN学到有区分度的特征。一组接近真实的参考参数是增益不均约±2%偏置不均约±2%满量程死像元比例0.1%到0.5%。2.2 传统校正方法的边界传统非均匀性校正分两大阵营。第一类是标定法最典型的是两点校正。操作方式是在探测器前放一个均匀黑体分别记录低温段和高温段下每个像元的输出然后通过线性拟合求出增益和偏置做逐像元补偿。两点校正的算法极其简单嵌入式上只占几个乘加运算这是它至今没有被淘汰的原因。缺点同样明显黑体是外置设备工业现场和车载机载环境很难随时标定探测器响应会随着温度、入射光强度和上电时间缓慢漂移标定参数几分钟后就失效画面上又冒出条纹。第二类是基于场景的方法代表有恒定统计法和卡尔曼滤波法。这两种方法不需要黑体利用场景运动时各个像元看到相同统计分布这一假设在线估计增益和偏置。理论上很理想实际有两个坑。第一个坑是场景运动不足时估计方程退化条纹不但没校掉反而会被当成场景细节锁死第二个坑是运动物体与静止背景同时存在时容易产生鬼影物体刚走过的位置会残留一帧深色痕迹。这类方法在低速监控场景还能用放到手持热像仪或高速工业检测上就很别扭。下面这张表能直观看出定位差别方法是否需要黑体抗温度漂移场景运动要求主要缺陷两点校正需要弱无参数易失效恒定统计法不需要中高静止场景退化卡尔曼滤波不需要中高存在鬼影CNN方法不需要较强低依赖训练数据2.3 CNN校正的优势残差学习与端到端映射卷积神经网络的做法和以上完全不同它不做“先估计增益和偏置再补偿”的显式建模而是直接用大量配对数据学习从noisy到clean的映射。传统方法在先验假设上做数学推理CNN在数据分布上做经验拟合。只要训练数据覆盖够广它就能同时压制点噪声和条纹噪声不需要知道具体是哪一个像元的增益漂了。毕设实现时最常见也最稳的网络结构是残差学习思路是让网络输出噪声残差而不是直接输出校正图写成公式就是predict_clean input - net(input)注意这里的net(input)预测的是噪声成分与DnCNN的思路一致。采用残差学习的原因有三个。第一红外固定图案噪声能量集中且结构稀疏网络学习“噪声图”比学习“干净图”容易收敛得多。第二让输出与输入共享绝大部分信息模型只需要把微小扰动拟合出来梯度回传路径短训练初期loss下降非常快。第三如果网络直接输出校正图很容易把图像里本应保留的边缘和纹理当成噪声抹平走残差路径时网络默认输出为零就等价于输入原图至少不会变得更差。也有文献尝试用一维卷积神经网络专门沿行方向处理条纹但我的经验是二维CNN同时利用水平垂直邻域信息对点噪声和条纹噪声都能处理毕设选二维CNN更通用。在搭环境的时候我的习惯是先用Anaconda建虚拟环境再去python官网下载匹配的Python 3.8或3.10安装包之后按顺序装numpy、opencv-pythoncv2、torch。红外图像是单通道灰度图代码里经常出现cv2.imread后只取[:, :, 0]的操作注意不要用cv2默认的三通道当输入。整个网络在CPU上也能训练小patch但强烈建议用NVIDIA显卡60轮训练时间能差20倍以上。3. 数据准备与合成噪声让CNN有足够多的配对样本3.1 构建非均匀性仿真模型CNN训练需要大量“干净图-噪声图”配对样本。真实红外图像获取成本高也很难拿到无噪声真值所以毕业设计里最常用的做法是合成训练集。你需要准备两类东西干净的灰度图以及一个能随机生成不同形态非均匀性噪声的仿真器。干净图可以从红外公开数据集里选也可以直接用普通灰度图做灰度拉伸、加对比度变化因为我们模拟的噪声是叠加在亮度层面上的灰度图足够。仿真器的设计是关键。建议至少包括三个噪声层逐像素增益/偏置、行条纹、列条纹另外预留一个死像元开关。参考参数如下表噪声类型生成方式推荐幅度范围逐像素增益1 均匀随机均值1范围(-gamma, gamma)gamma0.1-0.5逐像素偏置均匀随机范围(-gamma, gamma)乘255gamma0.1-0.5行条纹每行乘随机系数并加随机偏置幅度0-0.2列条纹每列乘随机系数并加随机偏置幅度0-0.2死像元随机置为0或255比例0.1%-0.5%注意幅度范围不要一开始就拉得很宽。实验上gamma从窄范围0.2到0.3开始模型收敛后再加大到0.5训练过程会平稳很多。均匀分布比高斯分布更适合这里的合成因为固定图案噪声在像元间是均匀波动的高斯分布会让大部分像元集中在均值附近模拟不出大偏差坏点。3.2 合成训练集的流程与代码用Python加OpenCV实现仿真器非常直接。下面这段函数可以作为NUC数据生成的核心模块参数都写在函数签名里方便后面做消融实验时反复调用。import numpy as np import cv2 def synthesize_noise(clean, gamma0.3, stripe0.15, col_stripeNone, dead_ratio0.002, seedNone): 输入干净灰度图返回带非均匀性噪声的图。 clean: uint8 单通道灰度图shape(H, W) gamma: 逐像素增益/偏置幅度越大点噪声越强 stripe: 行条纹强度建议 0 ~ 0.3 col_stripe: 列条纹强度默认与行条纹一致 dead_ratio: 死像元比例 if seed is not None: np.random.seed(seed) h, w clean.shape clean_f clean.astype(np.float32) / 255.0 # 1) 逐像素增益和偏置模拟像元响应差异 gain_map np.random.uniform(1 - gamma, 1 gamma, (h, w)) bias_map np.random.uniform(-gamma, gamma, (h, w)) noisy clean_f * gain_map bias_map # 2) 行条纹每一行乘系数并加偏移形成横向固定图案 row_gain np.random.uniform(1 - stripe, 1 stripe, (h, 1)) row_bias np.random.uniform(-stripe, stripe, (h, 1)) noisy noisy * row_gain row_bias # 3) 列条纹强度独立控制 if col_stripe is None: col_stripe stripe col_gain np.random.uniform(1 - col_stripe, 1 col_stripe, (1, w)) col_bias np.random.uniform(-col_stripe, col_stripe, (1, w)) noisy noisy * col_gain col_bias # 4) 死像元少数点被置为极端值模拟坏点 dead_mask np.random.rand(h, w) dead_ratio noisy[dead_mask] np.random.choice([0.0, 1.0], sizedead_mask.sum()) noisy np.clip(noisy, 0, 1) return (noisy * 255).astype(np.uint8)逻辑说明第一步的gain_map和bias_map是逐像素的模拟像元级响应差异。第二步row_gain的形状是(h, 1)乘上时会广播到每一行产生“整行一起亮或一起暗”的效果这正是行条纹的主要来源。第三步用(1, w)形状的col_gain模拟竖条纹。最后用dead_mask模拟坏像元坏像元在红外图像里非常多见不处理会让CNN输出局部特别怪。参数说明gamma和stripe是最需要调的两个超参数。gamma偏大时模型会被迫学习点噪声先验stripe偏大时模型注意力集中在条纹上。两者同时很大时任务过难容易不收敛建议gamma与stripe的比值从2比1起步例如gamma0.3、stripe0.15。col_stripe为None时默认等于stripe如果你的测试数据只有横条纹可以把col_stripe调成0。3.3 数据归一化与增强策略仿真器生成的是配对数据接下来要构建训练集。红外图像是单通道不需要像RGB三通道那样做复杂归一化。我一般把数据统一到[0,1]浮点数再送入网络推理时也这样做输出后再乘以255还原显示。数据增强上用翻转、旋转90度倍数和随机裁剪就够。做旋转时注意如果训练集里行条纹和列条纹强度不对称旋转会改变条纹方向这未必是坏事反而能让模型对两个方向条纹都鲁棒。但如果你只模拟了行条纹并且没做旋转模型遇到竖条纹会彻底失效。另外有一个容易翻车的细节不要在增强阶段对图像做透视畸变或仿射变换去模拟“抖动”。红外固定图案噪声叠加在传感器平面上场景的几何变换不等价于噪声的几何变换。非要模拟场景抖动应该先对干净图做变换再叠加噪声。下面是一个生成patch的Dataset代码配合PyTorch使用import torch from torch.utils.data import Dataset class NUCDataset(Dataset): def __init__(self, clean_paths, patch_size64, gamma_range(0.2, 0.5), stripe_range(0.1, 0.25), length5000): self.paths clean_paths self.patch patch_size self.gamma_range gamma_range self.stripe_range stripe_range self.length length def __len__(self): return self.length def __getitem__(self, idx): img cv2.imread(self.paths[idx % len(self.paths)], cv2.IMREAD_GRAYSCALE) # 随机裁剪保证每个epoch都看到不同局部 h, w img.shape y np.random.randint(0, h - self.patch) x np.random.randint(0, w - self.patch) clean_patch img[y:yself.patch, x:xself.patch].astype(np.float32) / 255.0 # 数据增强水平翻转、90度倍数的旋转 if np.random.rand() 0.5: clean_patch clean_patch[:, ::-1] if np.random.rand() 0.3: clean_patch np.rot90(clean_patch, knp.random.randint(1, 4)) gamma np.random.uniform(*self.gamma_range) stripe np.random.uniform(*self.stripe_range) noisy_patch synthesize_noise(clean_patch, gammagamma, stripestripe) return torch.from_numpy(noisy_patch).float().unsqueeze(0), \ torch.from_numpy(clean_patch).float().unsqueeze(0)这里的length故意设成5000避免每个epoch都重复读文件。同一张原图会被裁剪成不同patch相当于隐式扩充了训练集。gamma_range和stripe_range分别控制在0.2-0.5和0.1-0.25保证不同噪声强度的样本同时存在让模型在未知强度下也能工作。注意代码中的顺序先裁剪、后翻转旋转、再合成噪声。这样每次生成的噪声都与增强后的干净图对齐不会出现噪声图案方向与图像自身方向不一致的问题。如果你在合成噪声后再做旋转条纹方向也会跟着转虽然也能训练但会让“横条纹/竖条纹”的语义变得混乱不利于做可控实验。4. 用PyTorch实现CNN非均匀性校正网络、损失与训练4.1 网络结构选择与代码网络结构不要一上来就搬大模型。红外NUC任务输入输出都是单通道灰度图需要的是大感受野、小计算量。常见做法是参考DnCNN设计一个10层左右的卷积网络前9层为ConvBatchNormReLU最后一层只做Conv输出1通道噪声图。import torch import torch.nn as nn class NUCNet(nn.Module): def __init__(self, in_ch1, base32, depth10): super(NUCNet, self).__init__() layers [] # 第一层输入通道 - base 通道 layers.append(nn.Conv2d(in_ch, base, kernel_size3, padding1, biasFalse)) layers.append(nn.BatchNorm2d(base)) layers.append(nn.ReLU(inplaceTrue)) # 中间层base - base保持特征图尺寸不变 for _ in range(depth - 2): layers.append(nn.Conv2d(base, base, kernel_size3, padding1, biasFalse)) layers.append(nn.BatchNorm2d(base)) layers.append(nn.ReLU(inplaceTrue)) # 输出层base - 1通道噪声残差 layers.append(nn.Conv2d(base, in_ch, kernel_size3, padding1, biasFalse)) self.body nn.Sequential(*layers) def forward(self, x): noise self.body(x) # 残差学习校正图 输入 - 预测噪声 return x - noise, noiseforward返回两个值第一个是校正后的图像第二个是预测噪声。训练时用校正图与真值算损失同时可以拿预测噪声做可视化看网络是否真的学到了条纹。中间层用BatchNorm而不是InstanceNorm原因是红外噪声虽然在场景变化时会漂移但视觉特征比较稳定BN的批统计能加速收敛。参数说明base32是推荐值提升到64参数量会增加到三倍左右效果提升未必对等。depth10的感受野大概是21x21对局部纹理足够。如果图像分辨率很高或条纹空间频率低可以把depth加到14或16同时接受训练时间变长。4.2 损失函数与评价指标训练损失不能只用MSE。MSE会让网络偏向输出平滑结果图像上表现为去条纹的同时抹掉边缘。我常用的组合是L1像素损失加水平梯度一致性损失def nuc_loss(pred, clean, alpha0.5): # L1 像素损失对边缘更友好 loss_l1 torch.abs(pred - clean).mean() # 水平梯度一致性约束左右相邻像素差压制条纹亮线 grad_pred torch.abs(pred[:, :, :, 1:] - pred[:, :, :, :-1]) grad_clean torch.abs(clean[:, :, :, 1:] - clean[:, :, :, :-1]) loss_grad torch.abs(grad_pred - grad_clean).mean() return loss_l1 alpha * loss_gradgrad_pred与grad_clean做绝对差均值本质是约束网络在校正后不把横向梯度关系过度改变。条纹噪声会在横向梯度上形成周期性尖峰这个损失能明显抑制残留条纹同时不会惩罚边缘本身。alpha取0.5左右比较稳取大了会造成图像边缘压缩出现“纸片感”。评价指标建议三个一起看。PSNR衡量像素级重建误差做主指标SSIM衡量结构相似度防止只盯着像素误差粗糙度衡量条纹残留。粗糙度公式为rho (1/(H*(W-1))) * sum_{i,j} |I(i,j1) - I(i,j)|这是横向粗糙度适合评估水平条纹。对竖条纹则对每一列做垂直差分再取平均。注意粗糙度越低越好但太低也意味着图像被过度平滑所以必须和PSNR、SSIM联合判断。SSIM本身是验证指标直接作为训练损失虽然可导但训练不太稳定不建议这么做。4.3 训练参数设置与收敛观察训练参数我的习惯是这样patch_size64batch_size16优化器用Adam初始学习率1e-3损失权重alpha0.5epoch60学习率做余弦退火到1e-5。下面是一个训练主循环模板import torch.optim as optim from torch.utils.data import DataLoader model NUCNet(base32).cuda() dataset NUCDataset(clean_pathsyour_image_path_list, length5000) dataloader DataLoader(dataset, batch_size16, shuffleTrue, num_workers4) optimizer optim.Adam(model.parameters(), lr1e-3) scheduler optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max60, eta_min1e-5) for epoch in range(60): model.train() epoch_loss 0 for noisy, clean in dataloader: noisy, clean noisy.cuda(), clean.cuda() pred, noise_map model(noisy) loss nuc_loss(pred, clean, alpha0.5) optimizer.zero_grad() loss.backward() optimizer.step() epoch_loss loss.item() scheduler.step() if epoch % 5 0 or epoch 59: print(fepoch {epoch:02d}, loss {epoch_loss / len(dataloader):.4f})参数说明num_workers4是台式机的推荐值如果系统是Windows且数据读取总报错改成2或0。T_max60表示在60个epoch内将学习率余弦降低前期学习率大能快速跳过平缓区后期小学习率精调。如果你没有GPU把.cuda()去掉batch_size降到8一样能跑只是速度会慢不少。训练时关注几件事。第一是loss曲线理想情况是前10个epoch快速下降然后缓慢到一个平台。第二是看预测噪声图如果噪声图展现出清晰的横条纹或竖条纹说明网络确实在学固定图案。第三是在验证集上算PSNR通常原图在24到26dB训练后涨1到3dB都正常涨幅低于0.5dB大概率是合成强度太弱需要加大gamma和stripe范围。验证集不要从训练集里抽同一批噪声强度的图。固定几组gamma值比如0.2、0.4、0.6每组生成独立测试样本这样才能看出模型在已知和未知退化强度下的表现。毕业设计论文里最有用的一张对比图是原图、两点校正结果、CNN校正结果并排在一起再配上每张图的峰值信噪比。5. 毕业设计避坑指南从仿真到真实的5个常见问题5.1 仿真数据与真实数据域不一致模型水土不服现象在合成测试集上PSNR提升3dB换上真实红外相机拍的一张图条纹不仅没消除图像反而出现一块块“油渍”。原因仿真模型把非均匀性简化成了增益和偏置真实探测器的响应曲线并不是严格线性还存在温度漂移带来的缓慢变化、电源纹波造成的周期性干扰、坏点簇以及光学系统自身的渐晕。CNN从仿真数据里学到的映射不一定能覆盖这种分布偏移。解决不要一味增加网络复杂度建议从两头做。一是仿真时把gamma和stripe范围调宽并增加column stripe、dead_ratio等自由度让训练集覆盖更大的退化空间。二是保留少量真实红外图做微调哪怕只有几百张无配对真值图也可以用仿真网络输出的结果作为伪标签再训练。我一般会在真实图上选几块平坦背景区域做帧平均生成近似干净图再放到训练集尾部微调。这个方法像吃后悔药但确实有效。5.2 动态场景残留鬼影条纹去不干净现象视频序列中行人从画面中走过行人身后位置在接下来十几帧里都有一个暗色残影同时背景条纹还在。原因红外固定图案噪声在空间上是固定的单帧CNN无法区分“固定条纹”和“静止物体”。如果场景静止模型会把静止物体的纹理也当作噪声源抹掉一部分形成鬼影。另外单帧输入没有帧间信息条纹位置不变但场景移动模型缺少“哪个才是真正固定噪声”的判别线索。解决训练时加入多帧输入。常见做法是把连续两三帧沿通道维度拼接使输入变成多通道让CNN通过帧间差异识别固定成分。例如同时取前后两帧和当前帧在通道维度堆叠成三通道输入网络首层Conv2d的in_ch改为3即可。如果不想改网络也可以在推理时做时域滤波当前帧减去近N帧的逐像素中值背景再把中值背景加回去一部分。这个方法能消掉大部分固定条纹但运动物体边缘会出现新鬼影需要配合运动区域检测做加权融合。5.3 PSNR涨了但视觉变差画面出现塑料感现象指标表里PSNR从24.2涨到25.8SSIM也升了但人眼看着像磨了皮衣服纹理和边缘都没了。原因这是MSE类损失的常见副作用。MSE在统计上等价于求条件均值条件均值会平滑掉高频细节。条纹去除和纹理保持落在同一个频率带上网络为了压条纹只能把高频成分一起删掉。解决把损失从MSE改成L1加梯度一致性必要的时候加入感知损失。感知损失用VGG16浅层特征比较pred和clean的内容差异但红外单通道需要把图像复制成三通道才能送入VGG训练会慢一些。另一个便宜有效的办法是分别在patch级和整图级各算一次梯度损失强制保留边缘锐度。主观验证时不要只看指标一定要把对比图的同一局部区域放大看纹理密集的地方有没有出现“水彩化”。5.4 训练不收敛或loss震荡现象loss在第一个epoch就冲到很大后续完全不降或者前10轮还正常20轮后开始周期性震荡。原因最常见的是噪声强度范围设太大任务超出模型能力。其次是学习率偏高Adam虽然自适应但在小batch下也会不稳定。还有一个隐蔽问题是数据归一化不一致合成噪声时clean在[0,1]范围正常但某张图存在极限值0或255噪声生成后被clip梯度方向会出现奇异值。解决先用窄范围跑通基线例如gamma0.2、stripe0.1、patch64、batch16、lr1e-3。如果这个配置能稳定收敛再逐步加大gamma。如果loss震荡把lr降到3e-4或换成StepLR在40轮时衰减一次。训练前检查数据范围确保输入在[0,1]且死像元比例控制在0.5%以内。死像元本身就是极端值会造成梯度爆炸。5.5 显存不足与训练速度过慢现象batch_size设成32直接OOMbatch_size8虽然不爆但一个epoch要跑十几分钟整体训练时间不可接受。原因红外图像往往分辨率不低如果整图输入显存占用会很大。模型参数不多但激活值会随空间尺寸线性增长。解决用RandomCrop把patch_size设为64这是显存与感受野的折中点batch_size设16大多数消费级显卡都能承受。如果还想加速可以加两行代码torch.backends.cudnn.benchmark True scaler torch.cuda.amp.GradScaler()第一行让cuDNN自适应选择最快的卷积算法第二行启用自动混合精度。这里要注意梯度回传时要用scaler放大loss再反向传播否则float16下可能出现下溢。在我的实验中这两条设置能让训练时间缩短30%到40%精度几乎不变。如果数据读取卡顿把图像路径列表全部读入内存缓存成numpy数组不要每个epoch重复用cv2.imread。6. 从毕设到可交付验证方法、消融实验与进阶改进毕业设计能否通过答辩关键不是模型多花哨而是整条链路是否完整。我建议在写论文前把实验做成三组标准对比组、消融组、鲁棒性组。标准对比组是“两点校正 vs CNN”在测试集上给出PSNR、SSIM、粗糙度三列数据消融组是“直接回归干净图 vs 残差学习”“MSE vs L1梯度损失”的逐项对比鲁棒性组则用训练阶段没见过的高强度噪声测试例如gamma0.8、stripe0.4看模型是否还能稳住。消融对比表的结构可以参考这张配置PSNR(dB)SSIM横向粗糙度原图24.10.860.018两点校正26.50.900.010CNN直接回归26.80.910.009CNN残差学习(L1)27.40.920.007CNN残差学习(L1梯度)27.90.930.005数字不是固定结论但趋势基本如此残差学习优于直接回归梯度一致性对粗糙度指标优势明显。答辩时这张表配合频域前后对比图最有力——把原图和校正图分别做二维FFT指出条纹亮线在去噪后消失这是比PSNR更直观的“去条纹证据”。进阶改进的方向不外乎三个。一是换更强的网络结构例如把DnCNN换成轻量U-Net或加入通道注意力让模型对大范围条纹有更强感受野。二是多帧时序输入连续三帧堆叠成三通道利用帧间运动信息分离固定图案。三是用非配对数据做领域适配真实红外图没有真值可以用CycleGAN式对抗训练把仿真数据学到的校正能力迁移到真实域。我自己做这类课题最深的教训是不要一开始就走大网络。大网络只会放大数据问题不会掩盖它。正确的顺序永远是小网络加窄噪声范围先跑通再逐步加噪声、加深网络、加损失。这套顺序走完论文、代码、答辩素材都会顺理成章出来每张对比图也都能讲出故事。希望这个方向能帮到你也希望你写代码时少走我当年走过的弯路。本文还有配套的精品资源点击获取
