该论文研究红外图像的实时非均匀校正和边缘提取的方法和技术,以达到提高红外图像测量精度的目的.该文采用神经网络算法对红外焦平面探测器非均匀性进行校正,该方法不需要对焦平面器件进行标定,校正系数可以由神经网络方法自适应连续更新,对探测器参数的线性和稳定性要求不高.红外图像的噪声比可见光图像大,用通常的图像增强方法改善红外目标图像对比度的效果并不理想.为此,我们采用分段增强法来增强红外图像对比度.即将图像划分为目标区、过渡区和背景区.准确提取红外图像的边缘是保证图像测量精度的基础,根据红外图像边缘的特征,即邻域内灰度分布的有序性,灰度突变的结构性和边缘点的方向性,建立表征图像边缘的特征向量.神经网络边缘检测法通过对样本集的训练,使网络具有依据边缘特征向量求解场景中物理边缘的能力.用此方法求得的边缘轮廓线总是连续、平滑的,除分支点以外,轮廓线的宽度只有一个像素,避免了用传统边缘检测方法获取的边界线通常是不连续,而且边缘轮廓线有一定宽度的问题.为了验证神经网络检测边缘的精度,用多种边缘检测算法检测标准量块的边缘,进行比对实验.实验结果表明神经网络的边缘检测精度优于其它算法.神经网络复杂的算法和巨大的运算量所耗费的时间是将神经网络用于实时检测系统必须考虑的问题.该论文采用了TMS320C6201数字信号处理器,在仿真器上调试和运行了神经网络的算法程序,并测试其运行时间,结果表明用该硬件系统可以满足实时处理的要求.