一种基于注意力机制和LSTM的CMOS航天相机温度噪声校正方法与流程

本发明涉及光学遥感技术应用领域，具体涉及cmos航天相机温度噪声校正。

背景技术：

1、近年来，随着半导体技术的不断进步和微电子制造工艺的日益成熟，cmos图像传感器在性能上实现了显著提升，并且其诸多优势逐渐凸显，使得其在航天相机应用领域对传统的ccd图像传感器构成了有力竞争。相较于ccd，cmos传感器在集成度、抗干扰能力、功耗控制、成本效益、体积大小以及重量等方面均表现出更优的特性，这些优点极大地推动了cmos在航天成像系统中的广泛应用。然而，尽管cmos技术取得了长足发展，但因其自身材料结构特性和加工工艺局限性，在航天应用环境中，尤其是面对极端温度变化时，cmos航天相机容易受到温度影响而产生图像信号值的漂移现象，这会导致图像噪声增加，进而严重影响图像质量，限制了cmos航天相机的整体性能和可靠性，也对其在航天领域的进一步推广和使用带来了挑战。

2、因此，针对由温度引起的cmos航天相机噪声校正问题的研究具有极高的工程应用价值和科学意义。这一研究方向吸引了众多学者的关注和投入，旨在开发出更为精确、高效的温度补偿算法和技术手段，以提高cmos航天相机在各种温度条件下的图像质量和稳定性，但是目前传统的温度噪声校正方法依赖于手工设计的规则或模型，无法捕捉复杂的噪声模式，且存在计算校正方法复杂的问题。

技术实现思路

1、为了解决上述问题，本发明提供一种基于注意力机制和lstm的cmos航天相机温度噪声校正方法，所述方法包括如下步骤：

2、s1、利用cmos航天相机采集暗场和光场图片；

3、s2、选择步骤s1中暗场图片的温度和图像dn均值进行样本集的构建，构建的样本集称为暗场单像素点模块样本集；

4、s3、构建多层次lstm网络模型；

5、s4、通过全连接层生成图像的dn均值；

6、s5、选择步骤s1中暗场图片的温度和图像dn值的列均值进行样本集的构建，构建的样本集称为暗场列间差异模块样本集；

7、s6、构建单层lstm网络模型；

8、s7、使用注意力机制得到列间差异特征和单个像素点dn值分别对于图像暗场dn值的影响程度；

9、s8、使用全连接层生成暗场图像的逐像素dn值；

10、s9、选择步骤s1中光场图片的温度和图像dn值的列均值进行样本集的构建，构建的样本集称为光场模块样本集；

11、s10、使用全连接层得到温度和光场图像列均值的嵌入向量表示；

12、s11、使用注意力机制得到温度和光场图像dn值分别对于图像光场噪声的影响程度；

13、s12、使用全连接层生成光场图像噪声的逐像素dn值；

14、s13、根据获取的暗场噪声和光场噪声，计算图像的光场dn值。

15、本发明所述方法的有益效果为：针对cmos航天相机在温度变化环境下产生的噪声问题，创新性地引入深度学习技术进行温度噪声校正，提出了一种基于注意力机制和lstm的cmos航天相机温度噪声校正方法。所述方法的核心是运用了注意力机制的多层次长短期记忆网络(lstm)，分别探究了在暗场和光场两种不同工作条件下，温度变化如何对cmos航天相机性能产生噪声影响。该深度学习模型具备强大的自主学习能力，可以从海量数据中挖掘并理解蕴含其中的复杂噪声规律，从而提升对噪声的识别与校准精度。其关键优势在于采用端到端的学习方式，直接从原始数据中自动学习和建立温度与噪声之间的深层次、非线性关系，无需人工介入进行特征提取或设计复杂的校正算法，这大大增强了模型对于未见过的数据场景的泛化能力和适应性，为cmos航天相机在复杂太空环境下的稳定运行提供了有力的技术保障。

技术特征：

1.一种基于注意力机制和lstm的cmos航天相机温度噪声校正方法，其特征在于，所述方法包括如下步骤：

2.根据权利要求1所述的基于注意力机制和lstm的cmos航天相机温度噪声校正方法，其特征在于，所述步骤s3具体为：

3.根据权利要求1所述的基于注意力机制和lstm的cmos航天相机温度噪声校正方法，其特征在于，所述步骤s4具体为：将第n张图像的单个像素的隐藏状态输入到全连接层中，得到预测dn值的嵌入向量表示。

4.根据权利要求1所述的基于注意力机制和lstm的cmos航天相机温度噪声校正方法，其特征在于，所述步骤s6具体为：

5.根据权利要求1所述的基于注意力机制和lstm的cmos航天相机温度噪声校正方法，其特征在于，所述步骤s7具体为：

6.根据权利要求1所述的基于注意力机制和lstm的cmos航天相机温度噪声校正方法，其特征在于，所述步骤s10具体为：

7.根据权利要求1所述的基于注意力机制和lstm的cmos航天相机温度噪声校正方法，其特征在于，所述步骤s11具体为：

8.根据权利要求1所述的基于注意力机制和lstm的cmos航天相机温度噪声校正方法，其特征在于，所述步骤s13具体为：

技术总结一种基于注意力机制和LSTM的CMOS航天相机温度噪声校正方法。涉及光学遥感技术应用领域，具体涉及CMOS航天相机温度噪声校正技术领域。所述方法的核心是运用了注意力机制的多层次长短期记忆网络(LSTM)，分别探究了在暗场和光场两种不同工作条件下，温度变化如何对CMOS航天相机性能产生噪声影响。该深度学习模型具备强大的自主学习能力，可以从海量数据中挖掘并理解蕴含其中的复杂噪声规律，从而提升对噪声的识别与校准精度。其关键优势在于采用端到端的学习方式，直接从原始数据中自动学习和建立温度与噪声之间的深层次、非线性关系，无需人工介入进行特征提取或设计复杂的校正算法，这大大增强了模型对于未见过的数据场景的泛化能力和适应性。技术研发人员：王雪莹,程龙,马梓旗,厉明受保护的技术使用者：长光卫星技术股份有限公司技术研发日：技术公布日：2024/7/29