基于二重判别器生成对抗网络的无监督的红外单图超分的制作方法

1.本发明涉及一种基于二重判别器生成对抗网络的无监督的红外单图超分，属于图像处理技术领域。


背景技术：

2.随着计算机技术的进步，各领域对高质量红外图像的需求不断增加，如：视频监控、医疗诊断和遥感等等。但是由于红外传感器技术的限制，如红外光学衍射效应和传感器响应不均匀等问题，红外成像系统获取的红外图像往往分辨率低、噪声大、对比度差；此外，同等分辨率的红外成像系统远比可见光成像系统昂贵，所以难以广泛应用。增大感光器尺寸和减小像元尺寸等改进硬件设计的方案是提高成像质量最根本和最直接的方式，但需要漫长的技术积累，而且无法避免传感器的物理极限。近年来随着视觉增强技术的发展，超分辨率视觉算法实现了提高图像分辨率、改进图像质量的功能，相较于改进传感器的路线，从数据层面优化成像质量，可以更加直接地增强数据视觉观感，有着巨大潜力。因此通过设计红外图像的超分重建算法放大红外分辨率、补充高频信息可以拓展成像系统极限性能，有效降低红外成像成本，具有非常重要的意义。
3.单图超分是基于单张低分辨率图像反向求解高分辨率图像，用于提升空间传感器分辨率的超分算法。考虑到红外成像系统的常用技术：非均匀性校正，会不定期改变成像特性，相较于基于多张低分辨率图像求解高分辨率图像的多图超分，单图超分更适合红外图像的超分重建。基于神经网络的可见光图像的单图超分已经发展得十分丰富，但是由于红外图像和可见光图像的成像原理及特性不同，可见光图像的单图超分的研究成果并不能直接应用到红外图像上。此外，红外数据的缺乏也进一步加剧了红外图像单图超分的研究的缺乏。由于红外图像分辨率低、噪声大、对比度差，相较于可见光图像的超分技术面临的研究挑战，红外图像对这些难题的攻克更为迫切。
4.目前，基于神经网络的超分大多搭建一个端到端的依赖于配对数据集的监督网络：把高分辨率的原始传感器图像及其由双三次插值降采样生成的低分辨率图像作为配对数据集，网络训练由像素级别的损失进行监督约束。然而，这种依赖配对数据集的监督训练策略并不令人信服。首先，像素级别的监督会导致网络生成的像素趋于平均，超分图像过平滑，不符合人眼观感。其次，高分辨率图像和低分辨率图像实际是十分复杂的非线性对应关系，由双三次插值进行降采样构成的配对数据集会导致训练网络有过拟合的倾向，这样的网络在真实图像上应用时超分的效果较差。针对像素级别监督导致图像过平滑的问题，christian等人引入生成对抗网络，通过像素约束、对抗约束、特征约束等联合约束，使超分图像更逼近真实图像。此后，一些工作延续该思路，通过改进约束方式或网络模型等方法优化超分图像。但是，超分图像与自然图像仍然存在较大差异，如伴随着大量异常像素点等，因此还需要进一步改进判别器的约束效果。针对配对数据集导致网络训练过拟合的问题，主流研究的解决策略基本是设计生成更复杂或者更真实的与高分辨率图像对应的低分辨率图像，以此丰富配对数据集中的构成，改善真实低分图像送入网络后生成的超分图像特
性，尽管如此，仍然有文献证明，没有可用的真实的高低分图像对。因此不可避免地要探寻不依赖于配对数据集的无监督的超分算法。yuan yuan等人提出cincgan网络和zhi
‑
song liu等人提出dsrvae网络就该问题进行探讨。但cincgan网络依赖现有的监督的超分网络模型进行调优训练，dsrvae网络中类似迭代反投影的约束可能导致图像模糊，此外两者是针对可见光图像的研究，视觉和指标上的提升也得益于超分模块前的降噪模块，而降噪模块并不适用于分辨率低、对比度差、信噪比低的红外图像，因此不依赖于配对数据集的红外图像的无监督超分算法仍有很多研究和突破空间。


技术实现要素：

5.为了解决上述技术问题，本发明提供一种基于二重判别器生成对抗网络的无监督的红外单图超分，其具体技术方案如下：基于二重判别器生成对抗网络的无监督的红外单图超分，包括以下步骤：步骤1：构造学习框架，构造一个非配对的无监督学习框架，所述非配对的无监督学习框架包括生成对抗网络和内容约束模块，所述生成对抗网络包括生成器和判别器，所述非配对的无监督学习框架从图像中提取红外特征，生成逼真的超分红外图像；步骤2：搭建二重判别器结构，构造一种二重判别器模块结构同时改善判别器约束能力，以增强超分图像生成过程中的全局结构特性和局部高频细节，二重判别器由风格判别器和纹理判别器构成，风格判别器读取大图像块，给出全局的真假判定，致力于抑制异常像素点的产生和维持图像整体视觉感受统一协调，纹理判别器读取小图像块，给出局部的真假判定，致力于提升纹理细节的重建效果，此外，风格判别器使用绝对概率，如公式（1）和（2）所示（1）（2）式中，l
r
是由真实图像裁剪的大图像块，l
f
是由超分图像裁剪的大图像块，d(
·
)代表风格判别器的最终输出，c
style
代表风格判别器网络，σ代表sigmoid函数；与风格判别器不同，纹理判别器使用相对平均概率，指导生成器生成更真实的纹理信息，如公式（3）和（4）所示（3）（4）式中，s
r
是由真实图像裁剪的小图像块，s
f
是由超分图像裁剪的小图像块，d
ra
(
·
)代表纹理判别器的最终输出，c
texture
代表纹理判别器网络，e[
·
]代表均值计算；因此，风格判别器的生成对抗损失函数如公式（5）和（6）所示（5）（6）式中，r代表的是真实图像域，f代表超分图像域；
纹理判别器的生成对抗损失函数如公式（7）和（8）所示（7）（8）；步骤3：模块联合，内容约束模块和风格
‑
纹理判别器模块联合约束网络收敛，内容约束模块在超分时维持低频信息不损坏、不遗漏，保留图像的基本内容信息，约束超分图像的低频信息与预先插值放大的图像一致，对只包含超分图像的低频信息的图像和预先插值放大的图像约束采取的方式是最小化均方误差, 如公式（9）所示（9）式中，代表内容约束，x是传感器图像，r是基于像素的r阶估计，u是插值函数，w 和h是目标尺寸，ψ是提取超分图像低频信息的函数，f
θ
是超分网络，总的损失函数如公式（10）所示（10）式中，α、β、γ代表各约束的权重，代表风格判别器约束，代表纹理判别器约束；步骤4：创建数据集，创建红外超分辨率数据集并提出评估红外超分图像的非参考评价方法，所述数据集包括模拟数据集和红外图像数据集，模拟数据集对消融实验的定量和定性分析，红外图像数据集比较超分算法在真实图像上的重建效果。
[0006]
进一步的，所述步骤1中非配对的无监督学习框架设置有无监督超分网络，所述无监督超分网络将低分图像装换成超分图像，所述真实图像不经过降采样，真实图像直接进入无监督超分网络获得超分图像。
[0007]
进一步的，所述内容约束模块在图像超分时维持低频信息不损坏，不遗漏，保留图像的内容信息。
[0008]
进一步的，所述模拟数据集包括训练集和测试集，所述训练集和测试集的数据互不包含，所述测试集的不同分辨率图像经过尺寸缩放后像素精准对应。
[0009]
进一步的，所述训练集包含400张原始图像，所述测试集包含100张原始图像和100张高清图像。
[0010]
本发明的有益效果：本发明使超分图像具有噪声小、边缘纹理清晰、对比度高的优点；通过超分图像的退化图像和预先插值放大的图像保留、维持低频信息；利用风格
‑
纹理双判别器在对图像的高频信息进行重构的同时，保持整体图像风格的和谐统一和避免异常像素的产生；改进判别器结构，利用像素级别的真假判别矩阵增强对纹理细节信息的重建。
附图说明
[0011]
图1是本发明的方法流程图，图2是本发明的监督训练方法示意图，
图3是本发明的无监督训练方法示意图，图4是本发明的生成对抗网络的红外超分算法示意图，图5是本发明的drrn的简化结构示意图，图6是本发明的模拟数据集的模拟图像，图7是本发明的红外图像数据集的红外图像，图8是本发明的不同框架结构就模拟数据集的定性评估图，图9是本发明的窄带提取示意图，图10是本发明的不同宽度窄带的psnr定量评估图，图11是本发明的超分图像示意图i，图12是本发明的超分图像示意图ii，图13是本发明的超分图像示意图iii。
具体实施方式
[0012]
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
[0013]
如图1所示，本发明的基于二重判别器生成对抗网络的无监督的红外单图超分。本发明提出的网络模型主要受到patchgan、enlightengan和u
‑
net gan三篇工作的启发。patchgan提出判别器基于图像块（尺寸远小于原图像）可以更好地约束高频信息，具体地，判别器遍历图像上的每个n*n大小的图像块，判别每块图像块的真假概率值，使用平均图像块概率值约束高频信息；enlightengan提出一个全局
‑
局部判别器结构，全局判别器通过原图像在图像全局范围内提升亮度的同时，局部判别器通过小图像块适应性地增强图像的局部区域；u
‑
net gan构建u
‑
net结构的判别器，编码器对输入逐步降采样，提炼整体信息进行判别，再由解码器逐步升采样，得到与原输入等尺寸的概率矩阵进行像素级别的判别，这样的判别器对图像的全局特性和局部特性都能提供约束。
[0014]
监督的超分模型的训练和评价可以概述为：真实图像作为高分图像，降采样得到低分图像，构建配对数据集。训练过程中，超分模型由低分图像生成超分图像，生成效果由对应的真实高分图像进行约束；评价模型时，将低分图像送入模型后生成超分图像，与对应原始图像比较，给出参考评价指标。显然，通过这样的训练和评价方式得到的超分模型，不能保证真实图像上的超分效果。为了提升超分模型在真实图像上的性能，本发明提出新型的模型训练与评价方式：不构建配对数据集；模型训练直接依赖于原始图像进行无配对的无监督学习；模型的评价不依赖于参考评价指标，而是直接对真实图像的超分结果进行视觉观感上无参考评价。下面从数据集构成、网络训练和网络评价方式三个方面对本文提出的方案与监督的网络模型方案的不同进行具体阐述。假设存在k张真实图像y构成的真实图像集hr
w*h*c
={y
i
}, i =1,2,3,
…
,k，其中w、h是图像尺寸，c是图像通道数。监督的超分模型训练依赖于配对数据集s = {x
i
,y
i
},i =1,2,3,
…
,k，其中，高分图像由真实图像直接构成，低分图像由真实图像经过双三次插值降采样对应生成，低分图像x
i
lr w /α*h/α*c
，α是模型放大系数。与此不同，本文提出的方法不依赖于配对数据集s，而直接依赖于真实图像集hr
w*h*c
,在整个训练测试过程中，低分图像x
i
lr w /α*h/α*c
都不会出现。模型训练目的是由数据
集训练得到一个由参数集θ参数化的实现超分重建功能的网络模型：，其中，参数集θ= {w
1:l
,b
1:l
}代表一个l层网络各层的网络权重和偏置，参数集θ由损失函数l
sr
约束。传统的超分模型训练方式如图2所示，从低分图像x到真实图像y的超分重建过程，是依赖于配对数据集的监督学习，具体地，参数集θ由配对数据集s约束的公式如下：与此不同，本发明提出的超分模型训练方式如图3所示，直接对真实图像进行超分重建，是不依赖于配对数据集的无监督学习，具体地，参数集θ由真实图像集hr
w*h*c
约束的公式如下：其中，是真实图像集hr
w*h*c
中非的任意随机选择的图像。
[0015]
监督的超分模型学习的是从低分图像到真实图像的超分重建过程，因此其性能评价常依赖于有参考的评价方式，如psnr和ssim等。具体地，假设存在一张真实图像不属于真实图像集，将其双三次插值降采样得到低分图像输入模型，得到超分图像，则评价结果由超分图像和真实图像比较得到。与此不同的是，本发明中的超分模型学习的是真实图像的超分重建过程，没有参考图像进行评价，因此选用红外领域中传统的无参考评价方式对模型效果进行评价。一般而言，图像的低频信息形成图像的基本灰度等级和主要边缘结构，决定图像基本构成，高频信息形成图像边缘和细节，对图像内容进一步强化。依据超分算法中残差学习的理论研究和实践探讨，高分图像和低分图像享有相同的低频信息，而高分图像相较于低分图像包含更多的高频信息，因此可以说，图像的超分重建过程就是从基于含有低频信息的低分图像恢复含有更多高频信息的高分图像的过程。
[0016]
本发明提出了基于一个生成对抗网络的红外超分算法，如图4所示。生成器致力于恢复生成高频信息，约束由保留低频信息的内容约束模块和监督高频信息生成的风格
‑
纹理双重判别器模块联合组成。训练过程是只有原始图像参与的不依赖于配对数据集的无监督学习。我们提出的uisr地总体结构。原始图像在被送入生成器之前预先被插值放大到目标大小。低频信息由超分图像和插值图像约束。高频信息由风格
‑
纹理双重判别器约束。
[0017]
生成器，鉴于无监督学习的困难，本发明采用预先地上采样的方式来实现图像尺寸的放大，以降低网络的生成难度，促进生成器专注于高频信息的学习。换句话说，原始图像在被送入生成器之前已经被插值到目标大小。因此，任意生成器只要满足模型输入输出大小相同的特点，并具有恢复高频信息的功能，本发明提出的方法就可以应用。本文以drrn为例作为生成器网络进行实践测试。如图5所示，给出的是drrn的简化结构，图中由红色虚线框框定的递归模块实际上使用了25个由绿色虚线框定的残差单元。如图5所示，drrn的简化结构。该简化结构中，红色虚线框框定的递归模块包含了2个由绿色虚线框定的残差单元。在递归模块中，残差单元中相应的卷积层共享相同的权重。
⊕
是单元素的对应的加法。
[0018]
内容约束模块，高分图像和低分图像共享的低频信息决定图像的基本框架和构成特性，即构成图像的基本内容信息，内容约束模块就是在超分时维持低频信息不损坏、不遗
漏，保留图像的基本内容信息。准确来说，就是约束超分图像的低频信息与预先插值放大的图像一致。其中，超分图像的低频信息由傅里叶变换实现提取：将超分图像经傅里叶变换，从空域映射至频域，经频移将低频信息转移到频域中央，截取频域中央的一定范围内的低频信息，再由傅里叶反变换得到只包含低频信息的图像。对只包含超分图像的低频信息的图像和预先插值放大的图像约束采取的方式是最小化均方误差：其中，其中x是传感器图像，r是基于像素的r阶估计，u是插值函数，w 和h是目标尺寸，ψ是提取超分图像低频信息的函数，f
θ
是超分网络。
[0019]
风格
‑
纹理双重判别器。当下超分中生成对抗网络的常见做法是，由真实图像和超分图像分别随机裁剪的一个小的图像块（尺寸为放大系数*48*48个像素）得到各自是真实样本的概率值，再由该概率值进行对抗性约束，这样的做法存在两个问题：一是只用小的图像块进行约束，可能导致图像全局上的风格差异；二是小的图像块只对应一个概率值，可能导致在纹理细节特征上的约束过弱。针对提及的这两个问题，本发明搭建一个二重判别器结构实现大尺度的整体风格和小尺度的纹理细节的协同约束，并改进判别器结构增强对纹理细节信息的约束性能。二重判别器由风格判别器和纹理判别器构成：风格判别器读取大图像块，给出全局的真假判定，致力于抑制异常像素点的产生和维持图像整体视觉感受统一协调；纹理判别器读取小图像块，给出局部的真假判定，致力于提升纹理细节的重建效果。受patchgan启发，优化纹理判别器结构，具体地，图像块输入后，输出等尺寸的概率矩阵，即不是简单给出图像块可能是真实样本的一个概率值，而是给出每个像素是真实样本可能性的等尺寸概率矩阵，以此增强纹理细节约束性能。这样的风格
‑
纹理判别器，可以有效地确保超分图像整体风格协调统一没有异常区域，同时增强边缘和纹理图案使图像更清晰。此外，风格判别器使用绝对概率，公式如下：公式如下：其中，l
r
是由真实图像裁剪的大图像块，l
f
是由超分图像裁剪的大图像块，d(
·
)代表风格判别器的最终输出，c
style
代表风格判别器网络，σ 代表sigmoid函数。与风格判别器不同，纹理判别器使用最近提出的相对平均概率。相对平均概率评估真实图像比超分图像更真实的相对平均概率和超分图像比真实图像更虚假的相对平均概率，这可以更好地指导生成器生成更真实的纹理信息。具体公式如下：具体公式如下：其中，s
r
是由真实图像裁剪的小图像块，s
f
是由超分图像裁剪的小图像块，d
ra
(
·
)代表纹理判别器的最终输出，c
texture
代表纹理判别器网络，e[
·
] 代表均值计算，σ 代表sigmoid函数。因此，风格判别器的生成对抗损失函数可定义如下：
其中，r代表的是真实图像域，f代表超分图像域。同理，纹理判别器的生成对抗损失函数可定义如下：可定义如下：其中，r代表的是真实图像域，f代表超分图像域。内容约束模块和风格
‑
纹理判别器模块联合约束网络收敛，总的损失函数可以总结为：式中，α、β、γ代表各约束的权重。
[0020]
为了验证方法的可靠性和有效性，本发明设计模拟数据集并进行消融实验，采集真实红外图像，并与其他一些超分方法比较超分效果。数据集和实施细节。实验部分共设计并制作两组图像数据，一组是人工制作的模拟数据集，用于消融实验的定量和定性评价，一组是红外传感器采集的真实红外图像数据集，用于比较超分算法在真实图像上的重建效果。本发明是基于原图像进行超分，没有参考图像进行定量评价，尽管可以使用其他无参考指标进行评价，但是出于方案验证的严谨性和完备性考虑，本发明设计模拟数据集，用于克服没有参考图像进行定量评价的问题。模拟数据集由两部分构成：训练集只包含400张原始图像（640*640 resolution），测试集包含100原始图像（640*640 resolution）和100张高清图像（1280*1280 resolution）。模拟数据集的部分图像，如图6所示。训练集和测试集的数据互不包含，由于是通过程序生成，测试集的不同分辨率图像之间可以实现尺寸缩放后像素间的精准对应。真实红外图像数据集由同一台商用非制冷长波红外摄像机在不同场景下进行采集，场景环境丰富，包含大量的人物、街道、树木和建筑等等，真实红外图像数据集的部分图像，如图7所示。原始图像（640*512 resolution）分为两部分，900张作为训练集，100张作为测试集。模拟数据集和红外真实图像数据集在训练时采用相同的实施方案，随机将两者的训练集的原始图像裁剪分辨率为256*256的大图像块送入网络，网络内部在大图像块的基础上随机裁剪6个分辨率为96*96的小图像块，大、小图像块构成训练部分的数据源整体。总的损失函数的各权重分别设置为：α=0.001、β=0.001、γ=1、η=0.001。网络实验在一块nvidia 2080ti gpu上实现。实验过程中，使用adam优化器，每层的学习率设置在0.0001，batch size为6，epoch为500。
[0021]
消融实验，为了验证本文方案的可靠性和有效性，本部分设计四个对比结构在模拟图像上进行比较。第一个框架结构是依赖于配对数据集的监督网络，网络模型与本文生成器相同，训练集的原始图像通过双三次插值降采样生成低分图像，一一对应构成配对数据集，低分图像经超分网络生成超分图像，网络的收敛依赖于超分图像和原始图像的均方差最小化进行约束。第二个框架结构是不依赖于配对数据集且不依赖于生成对抗网络的超分网络，网络模型与生成器相同，原始图像经超分网络生成高分图像，再由高分图像提取低频信息生成退化图像，网络的收敛依赖于退化图像和原始图像的均方差最小化进行约束。第三个框架结构是不依赖于配对数据集、只根据小图像块进行生成对抗的超分网络，即在本文网络结构的基础上去掉风格判别器，只从原始图像随机裁剪小图像块送入网络，用相
同的内容约束、特征约束和对抗生成约束联合约束网络收敛。第四个框架结构是不依赖于配对数据集、判别器只给出单一真假判断进行生成对抗的超分网络，即在本文网络结构的基础上将纹理判别器的输出改为只给出单一的真假判定，其他约束方式不变，共同约束网络收敛。将本发明提出的模型和上述四个结构都训练收敛后，分别用测试集中的原始图像测试超分效果，由测试集中的高清数据进行比较评价，具体的评价结果，如表1所示。
[0022]
表1就psnr指标对不同结构的定量评估结构监督风格判别器纹理判别器psnrstructure1√
××
45.586581structure2
×××
41.823485structure3
××
√42.336435structure4
×
√
×
43.290939ours
×
√√43.944832同时，给出部分图像的局部细节如图8所示，用于视觉上的评价比较。综合比较可以看出，与本文提出的完整结构相比，结构1是典型的依赖配对数据集的监督型的超分网络，尽管在参考指标上有优势，但是实际的视觉效果并不理想，梯度突变区域趋于平滑模糊；结构二不依赖于对抗学习，图像的高频信息得不到合理约束，参考评价指标过低；结构三缺乏整体风格约束，在局部区域可能有异常像素点，使图像整体风格不统一；结构四对于图像细节把控不够精准，丢失部分图像纹理信息。为了进一步验证本发明提出的完整结构相较于结构三和结构四的优势，沿着图像的灰度突变区域选择不同宽度的窄带，并且在这些窄带中对重建效果进行比较，比较结果如图9和图10所示，可以看出本发明结构对于纹理细节信息即灰度突变区域有更强的高频恢复性能。将本发明提出的模型与多个有典型的具有竞争性的方法进行比较，这些方法包括传统的双三次插值、drrn、wdsr、srgan、dsrvae。上述对比网络都使用官方源码，并根据需求进行一些调整：drrn模型重建的是可见光图像的y通道，将其修改为重建红外图像的单通道；依据论文内容，调整dsrvae源码，只调用无监督的超分模块。各模型训练完成后，用真实红外图像数据集的测试集图像进行模型检验，因为没有参考图像，因此选用红外图像领域中经典的无参考评价指标对各方法的超分结果进行定性分析：1、方差（v），反应一幅图像的高频部分的大小，对比度越大，图像的对比度越大；2、边缘强度（es）：反映一幅图像中边缘的锐利程度，也就是边缘点梯度的幅值；3、信息熵（ie）：衡量一幅图像所含信息的多少，信息熵越大，说明图像中所含有的信息更丰富，增强效果越好。具体的评价结果如表2所示。
[0023]
表2根据方差、边缘强度和信息熵对红外图像的不同超分方法进行定量评估 bicubicdrrnwdsrsrgandsrvaeours方差2654.6199482695.3998832697.6403222703.6373172634.9921472741.004498边缘强度60.6814666769.5833034570.029702374.1486724160.5716436871.25566207信息熵7.1259045987.1450494257.1409494257.1481551727.1278425297.145855172
由指标上可以发现：srgan和我们的方法最有竞争力，但是根据下面真实图像的视觉观感可以知道，srgan的边缘强度和信息熵很大程度上是由网络模型人为增加图像噪声导致的，而我们的方法在不引入额外人造像素点的情况下，可以在各无参考评价指标上取得良好的评价。各方法的部分超分图像也可以在图11、图12和图13中查看。可以看出：基于
双三插值方法的超分图像模糊，视觉观感较差，而基于迭代反投影的dsrvae增强与插值方法的联系，导致图像同样较为模糊；drrn和wdsr的超分图像视觉效果接近，都有放大噪声、造成图像虚影等问题；srgan地超分图像尽管有时局部拥有较好清晰效果，但是总体上有很多马赛克现象，给人杂乱、图片质量差的视觉观感；而我们的方法在很大程度上抑制图像噪声、保持图像观感真实的同时，有较为清晰的纹理和细节，在一定程度上提升对比度，在这些方法中拥有最好的观感效果。
[0024]
本发明提出一种不依赖于配对数据集的无监督的红外图像的超分方法。它旨在提高真实红外图像的超分效果，使超分图像具有噪声小、边缘纹理清晰、对比度高的特点。该方法成功的原因主要包括三个关键：1、利用超分图像的退化图像和预先插值放大的图像保留、维持低频信息；2、利用风格
‑
纹理双判别器在对图像的高频信息进行重构的同时，保持整体图像风格的和谐统一和避免异常像素的产生；3、改进判别器结构，利用像素级别的真假判别矩阵增强对纹理细节信息的重建。消融实验验证方案真实有效；与其他的超分方法对真实红外图像进行超分效果的比较可以发现，本发明提出的方法可以取得较好的评价结果，同时超分结果具有良好的视觉效果。在红外成像领域，有很强的技术应用和商业前景。
[0025]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。