随着科技的发展，红外热像技术的运用也更加广泛，被测物体以及检测环境的复杂程度也越来越高，基于标定的校正方法已经逐渐跟不上发展的需求了。而国内外的学者也逐步投入更多精力在基于场景的非均匀校正方法的研究上，早在20世纪90年代，美国海军研究实验室的D.A.Scribner等人提出了基于神经网络的场景非均匀校正算法。王娴雅等人通过分析了传统的周期性神经网络自适应非均匀校正方法在采用局部领域数据估计输出期望时其精度不够，从而提出一种利用当前像素领域和读出通道估计输出期望值的方法。该方法可有效抑制焦平面固定图案噪音，提高被测目标的分辨率。在优化单层所使用的期望函数上，B.Chen等人提出双层学习神经网络算法，在不同的神经网络层使用不同的期望函数，双层神经网络之间优势互补，同时具备非均匀性校正效果和改善图像清晰度，获得了更高质量的红外图像，该算法与其他改进BP神经网络算法比较结果如表1所示。
表1 非均匀性校正评价
但在使用神经网络算法进行图像的非均匀校正时，收敛速度和重影是一对矛盾的存在。一般说来，如果想更好地抑制重影，神经网络算法的收敛速度就越慢。因此Li Yiyang等人针对该问题提出了一种自适应门限边缘检测与时域门限相结合的学习速率规则。该算法在保证快速收敛的同时，能很好地抑制重影伪影。通过实验结果表明该方法的消影能力强于其他基于神经网络的非均匀性校正算法。
2.2 图像增强处理
由于红外信号波动范围很大，再加上硬件设备本身存在的缺陷和环境因素的影响，在将其转换为适于人眼观看的可见光图像时，易造成图像的模糊、细节丢失、对比度低下等问题。因此，获取成像清晰且对比度高的图像，是红外图像处理中的一项重要技术。传统的红外图像增强技术主要分为空域图像增强和频域图像增强两类，具体分类如图2所示。空域是指该图像的所有像素集合，是通过对图像中像素灰度值进行处理来达到增强效果的，如灰度值变换、直方图均衡技术、图像平滑和锐化处理、伪彩色处理等技术。频域图像增强是对图像经傅里叶变换后的频谱成分进行操作，然后逆傅里叶变换获得结果，包括低通滤波技术、高通滤波技术、同态滤波技术等。一般情况下，某一类算法只能解决图像中出现的一种问题。因此，针对现实中红外图像出现的复杂问题，为了提升图像处理效果，往往需要多种算法结合使用。目前，在国内外学者不断研究与改进下，给出了更多性能较为完善的算法。
图2 图像增强方法分类
视网膜皮层（Retinex）图像增强理论是根据人类视觉特征来展开研究的理论，其原理是通过去除图像照射分量部分保留反射分量部分，从而获得图像本质特征，最早是在20世纪60年代，由学者Land等人提出。在其原有的基础理论上，经过半世纪的发展，改进的Retinex算法被广泛的运用于各领域。针对Retinex算法在处理图像存在失真和耗时长等问题，Wang W.、LiB.等人提出了一种快速多尺度Retinex算法，以解决基于多尺度Retinex算法的图像增强过程中颜色失真的问题，并改进了一种耗时较慢的图像增强算法的缺点。但此算法在细节处的处理仍需完善，而Hanumantharaju等人提出了一种基于改进的multiscale Retinex（MSR）算法的新的彩色图像增强技术，并使用小波能量来评估增强图像的视觉质量。实验结果证实了基于小波能量的MSR算法有效地表征了增强图像的局部和全局细节。而针对Retinex算法在降噪方面的不足，又有学者提出基于Retinex和三维块匹配（block matching 3D）的图像增强方法。实验结果证明，此算法既能很好地表征图像中的细节，又有效地降低了图像的噪声，其结果与多种算法对比如表2所示。
表2 图像质量评价指标统计数据
