红外热成像设备可以非接触式的采集测量物体的温度信息,并有效应用于高端装备运行状态的实时监测。然而,红外图像中往往包含大量的噪声并且分辨率较低,低质量的红外图像已经成为制约红外技术应用的瓶颈。本文结合国家自然科学基金面上项目“红外热成像信号特征提取和降噪理论及其方法”(51575486)和国家自然科学基金青年基金项目“复合材料结构件缺陷的红外成像检测机理研究”(51605428),针对非制冷长波红外热成像图像中普遍存在的条状噪声和低分辨率两种缺陷展开研究。论文的主要研究内容如下:(1)详细探讨了条状噪声和低分辨率的产生机理。通过黑体标定实验,准确分离条状噪声和真实红外输出信号,建立条状噪声非线性模型。(2)研究了基于传统滤波的条状噪声消除方法。为了更加彻底的去除条状噪声,提出了一种基于小波分解的多尺度一维引导滤波方法:在不同的小波分解尺度上采用不同的滤波窗口进行多尺度去噪。为了在去除噪声的同时,准确保留垂直方向边缘,提出了一种空间自适应滤波方法:设计了一个一维水平梯度统计指标用于区分条状噪声和垂直方向边缘,根据该指标调整滤波窗口,自适应地滤除条状噪声。(3)研究了基于卷积神经网络的条状噪声消除方法。根据非线性模型模拟生成了大量的训练数据,构建了包含各类(不同种类、不同强度)条状噪声特性的训练库。通过在包含各种条状噪声特性的训练集上训练,建立基于卷积神经网络的含噪图像至无噪图像的重建关系,获得条状噪声的消除模型,然后将真实红外图像在该模型上运行,实现条状噪声的去除。(4)针对大尺度(X8倍)红外图像超分辨率问题,通过研究红外图像在下采样过程中结构边缘和微小细节损失的不同表现形式,根据“分而治之”的思路,在×2倍下采样处设置了一个中间点,将下采样过程中的损失信息分成两部分:第一部分主要由损失的微小细节组成,第二部分主要由损失的边缘结构组成。针对第一部分,采用了感受野相对较小的网络用于恢复小尺度的微小细节;针对第二部分,采用了感受野相对较大的网络用于恢复大尺度的结构边缘。提出的基于多感受野级联网络的红外图像超分辨率算法,提升了大尺度(×8倍)下红外图像超分辨率的效果。(5)考虑到不同频谱的相机成本相差较大,为了降低红外图像应用的门槛,提出了一种基于多频谱融合的红外图像超分辨率方法。探讨了利用低成本图像中的信息(即可见光信息)来提升高成本图像(即红外图像)超分辨率质量的可行性。训练需要大量配准的红外-可见光图像对,通过相机采集并手动精配准建立了一个多频谱配准数据集。