无损检测反射干扰去除方法、装置及计算机可读存储介质

技术领域

本发明涉及红外热像去干扰技术领域，尤其涉及一种无损检测反射干扰去除方法、装置及计算机可读存储介质。

背景技术

随着现代工业的发展，红外热成像技术作为目前运用非常广泛的一种无损检测技术，其应用前景巨大。但是在成像时，光滑的金属表面由于存在强烈的反射干扰现象，对最终的缺陷检测结果造成严重影响。

长期以来，消除反射一直是计算机视觉领域中的难题，它的困难之处不仅在于没有相应的混合函数，还在于在输出空间也没有约束。随着神经网络的发展，研究人员尝试将神经网络应用于图像去反射领域。如J.Yang提出BDN网络(J.Yang,D.Gong,L.Liu,andQ.Shi,“Seeing deeply and bidirectionally:A deep learning approach for singleimage reflection removal,”in Proc.Eur.Conf.Comput.Vis.(ECCV),2018,pp.654–669.)，通过估计反射来估计背景图像，再利用反射图片和原图作为输入生成真正的背景图像；K.Wei提出了ERRNet网络(K.Wei,J.Yang,Y.Fu,D.Wipf,and H.Huang,“Single imagerefl ection removal exploiting misaligned training data and networkenhancements,”in Proc.IEEE Conf.Comput.Vis.Pattern Recognit.,Jun.2019,pp.8178–8187.)，在CNN的基础上加入上下文信息，通过非对齐的训练数据进行单一图像的反射消除，红外图像样本单一，数量较少，难以获得准确度高的缺陷检测结果。

发明内容

本发明主要解决的技术问题是提供一种无损检测反射干扰去除方法、装置及计算机可读存储介质，解决在非对齐的训练数据中，红外图像样本单一，数量较少，训练出的神经网络难以获得准确度高的缺陷检测结果的问题。

为解决上述技术问题，本发明采用的一个技术方案是提供一种无损检测反射干扰去除方法，包括步骤：红外视频采集，在具有缺陷的待测对象上施加热源，获取可区分所述待测对象上的所述缺陷所在区域和非缺陷所在区域的红外视频，所述红外视频包括所述待测对象上无反射干扰的无反射视频和所述待测对象上具有反射干扰的反射视频；红外视频处理，将所述无反射视频和所述反射视频进行解帧，分别获得无反射图像和反射图像，按解帧次序将所述无反射图像与所述反射图像一一对应，进而组成训练图像；对抗网络训练，构建包括生成器和判别器的对抗网络，将所述训练图像输入到所述对抗网络，对所述对抗网络进行训练获得去反射模型，由所述去反射模型去除反射干扰。

优选的，将所述待测对象固定，使用阻挡反射源的挡板合围在所述待测对象外围，所述热源设置在所述待测对象的正前方，在昏暗环境下使用红外热成像设备拍摄所述待测对象，得到所述无反射视频。

优选的，在不改变获取所述无反射视频时的待测对象、挡板、热源、红外热成像设备的位置的情况下，在所述待测对象的前侧设置光滑平面的反射体，所述反射体产生的干扰反射到所述待测对象上，使用所述红外热成像设备拍摄所述待测对象，得到所述反射视频。

优选的，以所述待测对象为圆心移动所述反射体，所述反射体产生的干扰反射到所述待测对象上时，反射干扰在所述待测对象上的位置对应的进行变化，进而获得具有多个位置不同的反射干扰的反射视频。

优选的，调整所述热源的温度，获取多组在不同温度下具有多个位置不同的反射干扰的反射视频。

优选的，截取所述无反射图像和所述反射图像中所述待测对象的所在区域，分别获取大小相同的无反射截取图像和反射截取图像，将所述无反射截取图像和所述反射截取图像放大或缩小，获得无反射训练图像和反射训练图像，由所述无反射训练图像和所述反射训练图像组成所述训练图像。

优选的，将所述反射训练图像输入到所述生成器中，所述生成器进行反射训练图像的去反射干扰任务，获得去反射图像，所述无反射训练图像和所述去反射图像输入到所述判别器内，所述判别器通过损失函数对所述无反射训练图像和所述去反射图像进行对抗损失计算，交替训练对抗网络中的生成器和判别器，若所述损失函数的损失值稳定，完成对所述对抗网络的训练获得所述去反射模型。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种无损检测反射干扰去除装置，包括处理模块和训练模块；处理模块，用于将所述无反射视频和所述反射视频进行解帧，分别获得无反射图像和反射图像，按解帧次序将所述无反射图像与所述反射图像一一对应，进而组成训练图像；训练模块，包括生成器和判别器的对抗网络，用于将所述训练图像输入到所述对抗网络，对所述对抗网络进行训练获得去反射模型，由所述去反射模型去除反射干扰。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种无损检测反射干扰去除装置，包括：存储器，用于存储计算机程序；处理器，用于读取并执行所述存储器中存储的所述计算机程序，当所述计算机程序被执行时，所述处理器执行上述无损检测反射干扰去除方法。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述计算机指令在计算机上运行时，使得所述计算机执行上述无损检测反射干扰去除方法。

本发明的有益效果是：本发明采集红外视频，对红外视频进行解帧获取数量较多的样本，对采集的红外视频进行处理，获取训练图像，将训练图像输入到具有生成器和判别器的对抗网络中，对对抗网络进行训练，获得去反射模型，由获得去反射模型去除红外图像上的反射干扰。获得的去反射模型去除反射干扰的效果较好，准确度较高。

附图说明

图1是根据本发明无损检测反射干扰去除方法一实施例的流程图；

图2是根据本发明无损检测反射干扰去除方法一实施例的对抗网络的结构示意图；

图3是根据本发明无损检测反射干扰去除方法一实施例的生成器的网络结构图；

图4是根据本发明无损检测反射干扰去除方法一实施例的判别器的网络结构图；

图5是根据本发明无损检测反射干扰去除方法一实施例的反射干扰相对较强的反射图像及使用不同的损失函数去除反射干扰的效果示意图；

图6是根据本发明无损检测反射干扰去除方法一实施例的反射干扰相对较弱的反射图像及使用不同的损失函数去除反射干扰的效果示意图；

图7是根据本发明无损检测反射干扰去除方法一实施例的使用去反射模型和传统的物理方法去除反射干扰的效果示意图；

图8是根据本发明无损检测反射干扰去除方法一实施例的通过去反射模型去除反射干扰相对较强的反射图像的效果示意图；

图9是根据本发明无损检测反射干扰去除方法一实施例的通过去反射模型去除反射干扰相对较弱的反射图像的效果示意图；

图10是本申请提供的红外热像无损检测反射干扰去除装置一实施例的框架示意图；

图11是本申请提供的红外热像无损检测反射干扰去除装置另一实施例的框架示意图；

图12是本申请提供的计算机可读存储介质一实施例的框架示意图。

具体实施方式

为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限值本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

图1显示了本发明无损检测反射干扰去除方法的实施例，包括：

红外视频采集S1，在具有缺陷的待测对象上施加热源，获取可区分待测对象上的缺陷所在区域和非缺陷所在区域的红外视频，所述红外视频包括待测对象上无反射干扰的无反射视频和待测对象上具有反射干扰的反射视频。

红外视频处理S2，将所述无反射视频和所述反射视频进行解帧，分别获得无反射图像和反射图像，按解帧次序将无反射图像与反射图像一一对应，进而组成训练图像。

对抗网络训练S3，构建包括生成器和判别器的对抗网络，将训练图像输入到所述对抗网络，对所述对抗网络进行训练获得去反射模型，由所述去反射模型去除反射干扰。

本发明采集红外视频，对红外视频进行解帧获取数量较多的样本，对采集的红外视频进行处理，获取训练图像，将训练图像输入到具有生成器和判别器的对抗网络中，对对抗网络进行训练，获得去反射模型，由获得去反射模型去除红外图像上的反射干扰。获得的去反射模型去除反射干扰的效果较好，准确度较高。

优选的，在红外视频采集S1中，在待测对象上人为制作缺陷，向所述待测对象上施加热源，直至可在所述待测对象上区分待测对象上的缺陷所在区域和非缺陷所在区域，使用红外热像设备采集待测对象的红外视频，所述红外视频包括待测对象上无反射干扰的无反射视频和待测对象上具有反射干扰的反射视频。

优选的，所述待测对象为表面光滑的金属材料，如铁轨、钢板等，优选表面光滑的钢板，钢板优选为正方形，钢板的面积优选为10cm*10cm。

优选的，人为制作的所述缺陷设置在待测对象的中心处，优选的缺陷为直径为2cm、深度为1cm的圆形盲孔。施加热源后，红外图像上待测对象缺陷处的温度与待测对象其他区域的温度不同，从而表现在图像上缺陷处的颜色与其他区域的颜色不同。

优选的，所述热源为恒定热源，热源的温度为200℃-500℃，优选400℃。

提供热源的方式包括有水热源加热，光热源加热，风热源加热，摩擦生热，电磁加热，电阻加热。

水热源加热，通过设置不同的温度的水流，对待测对象进行热水浴加热，包括对待测对象的表面整体进行水热源加热，或者对表面局部进行水热源加热，通过控制水流截面的大小和水流速度实现对水热源加热的调控。

光热源加热，通过设置不同的温度的光照，对待测对象进行光照加热，包括对待测对象的表面整体进行光照加热，或者对表面局部进行光照加热，通过控制光照的光面的大小和光照功率实现对光热源加热的调控。例如通过不同规格的热光源进行光照加热，由此可以模拟强太阳光下的光照加热。

风热源加热，通过设置不同的温度的热风，对待测对象进行热风加热，包括对待测对象的表面整体进行热风加热，或者对表面局部进行热风加热，通过控制热风的风口大小和风热功率实现对光热源加热的调控。例如通过不同规格的热风机进行风热源加热。

摩擦生热，通过设置平滑的摩擦物体摩擦待测对象，包括对待测对象的表面整体进行摩擦生热，或者对表面局部进行摩擦生热，通过控制摩擦时间和摩擦物体的表面光滑度实现对摩擦生热的调控。由此可以模拟列出运行时与轨道产生摩擦力的摩擦生热。

电磁加热，通过设置的线圈产生高频磁场，待测物体受磁场感应而发热。包括对待测对象的表面整体进行电磁加热，或者对表面局部进行电磁加热，通过控制线圈的数量和电磁加热的功率实现对电磁加热的调控。

电阻加热，电流通过电阻体的热效应，对待测对象进行电阻加热，包括对待测对象的表面整体进行电阻加热，或者对表面局部进行电阻加热，通过控制电阻体电阻的大小和电流的功率实现对电阻加热的调控。

进一步的，所述缺陷所在区域即为上述人为制作的缺陷在钢板上的范围，所述非缺陷所在区域为钢板上缺陷外的区域。

优选的，所述红外热像设备为PI450红外热像仪。

优选的，所述无反射视频由下述方式获得：将所述待测对象固定，使用挡板合围在待测对象的后侧、上侧、下侧、左侧、右侧，挡板能够阻挡反射源，避免产生反射。热源设置在待测对象的正前方，热源的中心与待测对象的中心对应。红外热像设备邻近热源设置，可适应性调整红外热像设备的位置和角度。在昏暗环境下使用红外热像设备拍摄待测对象，得到无反射视频。

优选的，分别设定200℃、300℃、400℃、500℃的热源获取4个不同温度下的无反射视频。

优选的，所述反射视频由下述方式获得：在不改变上述获取无反射视频时待测对象、挡板、热源、红外热像设备的位置的情况下，在待测对象的前侧设置光滑平面的反射体，向待测对象上反射干扰。反射体产生的干扰反射到待测对象上。使用红外热像设备拍摄待测对象，得到反射视频。

优选的，反射体为长方体的光滑金属，反射体设置在待测对象前侧的0.3米-0.8米处，优选0.5米，将反射体倾斜设置，与待测对象的夹角为110°-120°，优选115°。

进一步的，以所述待测对象为圆心移动所述反射体，所述反射体产生的干扰反射到所述待测对象上时，反射干扰在所述待测对象上的位置对应的进行变化，进而使获得的反射视频中具有多个位置不同的反射干扰。

优选的，以待测对象为圆心按顺时针方向移动所述反射体，每次移动的角度为90°，依次获得0°、90°、180°、270°位置处的反射视频。

优选的，获取在热源为200℃时，反射体的角度分别为0°、90°、180°、270°位置处的反射视频。该反射视频的时长与200℃时的无反射视频的时长相等。例如，当200℃时的无反射视频的时长为40秒时，在200℃时的反射视频的时长为40秒，该40秒的反射视频时长中包括有10秒反射体角度为0°时的反射视频，10秒反射体角度为90°时的反射视频，10秒反射体角度为180°时的反射视频，10秒反射体角度为270°时的反射视频，共40秒。

同样的获取热源为300℃、400℃、500℃时反射体的角度分别为0°、90°、180°、270°位置处组合成的反射视频。

优选的，红外视频处理S2中，将所述无反射视频和反射视频按时间顺序进行解帧，分别获得无反射图像和反射图像，按解帧出的次序将无反射图像与反射图像一一对应，进而组成训练图像。

优选的，获取的无反射视频和反射视频的时长均为40秒，视频的帧率为10帧/秒，对无反射视频和反射视频解帧，可由无反射视频解帧出400张无反射图像，可由反射视频解帧出400张反射图像。

优选的，可分别获取不同热源温度下的无反射视频和反射视频，进而获得不同热源温度下的无反射图像与反射图像。

优选的，获取200℃时的无反射视频的时长为40秒时，对应的获取200℃时的反射视频的时长为40秒时，该40秒的反射视频时长中依次包括0°、90°、180°、270°位置处的反射视频，40秒无反射视频按时间依次解帧后获得400张无反射图像，40秒反射视频按时间依次解帧后获得400张反射图像，按时间次序将400张无反射图像和400张反射图像一一对应。

同样的获取热源为300℃、400℃、500℃时的无反射图像和反射图像。

进一步的，截取无反射图像和反射图像中待测对象的所在区域，分别获取大小相同的无反射截取图像和反射截取图像，将无反射截取图像和反射截取图像放大或缩小，获得无反射训练图像和反射训练图像，由无反射训练图像和反射训练图像组成训练图像。

优选的，可使用双线性插值法、最近邻插值法、双三次插值法将无反射截取图像和反射截取图像扩大或缩小。

而使用最近邻插值法会导致像素的变化不连续，在图像中会出现锯齿。双三次插值法会出现像素值越界的情况，需要截断。

优选的，使用双线性插值法将无反射截取图像和反射截取图像扩大或缩小为分辨率为720*720的无反射训练图像和反射训练图像。

优选的，对抗网络训练S3中，构建包括生成器和判别器的对抗网络，将训练图像输入到所述对抗网络，对所述对抗网络进行训练获得去反射模型，由所述去反射模型去除红外图像上的反射干扰。

训练图像的分辨率低，生成对抗网络可以保存图像的细节纹理特征，提高了对图像细节的恢复能力。生成器提高训练图像分辨率，判别突出训练图像的高频细节。

进一步的，如图2所示，将所述反射训练图像输入到所述生成器中，生成器进行反射训练图像的去反射任务，获得去反射图像，无反射训练图像和去反射图像输入到所述判别器内，判别器通过损失函数对所述无反射训练图像和去反射图像进行对抗损失计算，若损失函数趋于稳定完成对所述对抗网络的训练获得去反射模型。

进一步的，交替训练对抗网络中的生成器和判别器，直到损失函数中的损失值趋于稳定。

使用标准高斯分布随机初始化生成对抗网络中生成器和判别器的权重参数。

反射训练图像输入到生成器中，通过生成器对输入的反射训练图像处理，得到去反射图像。

去反射图像和反射训练图像对应的无反射训练图像输入到判别器中，在判别器中进行对抗损失计算，判断去反射图像和上述反射训练图像对应的无反射训练图像是否相近，越相近则判别器越准确，损失函数中的损失值越稳定，当损失函数中的损失值不再下降时，对抗网络训练完成，即可获得去反射模型，由所述去反射模型去除反射图像上的反射干扰。

进一步的，如图3所示，所述生成器为U-net型网络结构，输入的反射训练图像依次通过前处理模块、下采样模块、残差模块、上采样模块和后处理模块后输出。生成器包括1个前处理模块、2个下采样模块、9个残差模块(在图中未完全标出)、2个上采样模块、1个处理模块。

其中，前处理模块依次包括有7*7卷积层、标准化层、激活层。

下采样模块依次包括有3*3卷积层、标准化层、激活层。

残差模块依次包括有3*3卷积层、标准化层、激活层、3*3卷积层、激活层。残差模块输出的结果为3*3卷积层、标准化层、激活层、3*3卷积层、激活层该五个层输出的总结果。

上采样模块包括有转置卷积、标准化层、激活层。

后处理模块包括有7*7卷积层、激活层。后处理模块输出的结果与输入的反射训练图像结合并输出。

其中下采样模块的7*7卷积层的滤波器的大小、步长和填充分别为3，2，1；上采样模块的转置卷积的滤波器的大小、步长分别为3，1。

残差模块中的卷积层的滤波器的大小、步长分别为3，1。

反射训练图像经过前处理模块处理后输入到下采样模块，下采样模块提取反射训练图像的特征，残差模块避免网络深度增加带来的训练困难问题，上采样模块输出的结果经过后处理模块处理后输出去反射图像。

进一步的，生成器的训练目标L

式中，λ为100,

进一步的，对抗性损失

式中，I

进一步的，内容损失L

式中，W

进一步的，如图4所示，无反射训练图像和去反射图像一一对应输入到所述判别器内，由判别器输出去反射图像为真或假的概率。

所述判别器由5个卷积构成。判别器前四个卷积由4*4卷积层、标准化层、激活层组成，该激活层优选ReLU激活层，该卷积层的滤波器大小、步长和填充分别为4，2，0。最后一个卷积由4*4卷积层和激活层组成，该激活层优选sigmoid激活层。该4*4卷积层的滤波器的大小、步长和填充分别为4，1，0。

进一步的，判别器的训练目标L

式中，I

进一步的，所述损失函数包括有LSGAN损失函数、WGAN-GP损失函数和SNGAN损失函数。

使用不同的损失函数，对反射干扰去除的效果不同，在下文中图像中的中心白色区域为缺陷所在区域11，白色方格内的区域为反射干扰区域12，为了便于图像的观测，仅仅以图5中(a)为例对缺陷所在区域为11，反射干扰区域为12进行标注。其余图像仅用白色方格圈定出反射干扰区域12，与图5中(a)中的标注含义相同，不再赘述。同样，图6至图9中的图像，其中白色方格12圈定出反射干扰区域，与图5中(a)中的标注含义相同，不再赘述。

如图5和图6所示，图5中的(a)为反射干扰相对较强的反射图像，其中相对较强指的是反射干扰的颜色与缺陷干扰的颜色相近；图5中的(b)为使用WGAN-GP损失函数对(a)图通过对抗网络去除反射干扰后的效果图，图5中的(c)为使用SNGAN损失函数去除反射干扰后的效果图，图5中的(d)为使用LSGAN损失函数去除反射干扰后的效果图。

图6中的(e)为反射干扰相对较弱的反射图像，反射干扰和缺陷的辐射相差大，在图像上表示为相对较弱的是反射干扰的颜色与缺陷干扰的颜色相差较小。

图6中的(f)为使用WGAN-GP损失函数去除反射干扰后的效果图，图6中的(g)为使用SNGAN损失函数去除反射干扰后的效果图，图6中的(h)为使用LSGAN损失函数去除反射干扰后的效果图，使用不同的损失函数去除反射干扰结果如表1所示：

表1：不同的损失函数去除反射干扰结果

在表1中，LSGAN损失函数处理反射干扰相对较强和反射干扰相对较弱结果的PSNR(平均峰值信噪比)大于WGAN-GP损失函数和SNGAN损失函数处理结果的PSNR，LSGAN损失函数处理反射干扰相对较强和反射干扰相对较弱结果的SSIM(平均结构相似性)大于WGAN-GP损失函数和SNGAN损失函数处理结果的SSIM，更接近于1，因此优选使用LSGAN损失函数去除反射干扰。

进一步的，对所述去反射模型进行测试，验证所述去反射模型的去除反射干扰的效果。

在上述获得的热源为300℃、400℃、500℃时的无反射图像和反射图像中，可以将热源为300℃时的无反射图像和反射图像作为测试数据，对反射模型进行测试，验证本发明对抗网络中去反射模型的去除反射干扰的效果。

根据上述方法进行实验分析去除反射干扰的效果。实验的配置为：带有TensorFlow 2.0.0-alpha且型号为GTX1660Ti的GPU，型号为IntelCorei7的CPU和python3.6。去反射模型是生成器和判别器交替优化了200轮次后的结果。在训练过程中，使用Adam优化器，将初始学习率设置为10

如图7所示，使用本发明去反射模型和传统的物理方法去除反射干扰进行对比，传统物理方法去除反射干扰为在相同的条件下向待测对象上喷涂黑漆，获得物理去反射图像。在图7中，(i)为未经去反射模型和喷涂黑漆的原始反射图像，(j)为原始反射图像经去反射模型处理后的去反射图像，(k)为通过传统的物理方法获得的物理去反射图像。使用去反射模型和传统的物理方法去除反射干扰获得的结果如表2所示：

表2去反射模型和传统的物理方法去除反射干扰结果

结果如表2所示，去反射模型获取的去反射图像的PSNR为25.57，大于20，而SSIM为0.95，即接近于1；和传统的物理方法相比较，去反射模型的PSNR和SSIM值都大于传统的物理方法去除反射干扰的PSNR和SSIM值。由此证明去反射模型能有效去除红外图像上的反射干扰。与传统的物理方法相比，去反射模型的用途更加广泛，能够适用于不便于喷涂黑漆的对象的检测，例如飞机机翼、铁轨等。

如图8和图9所示，图8中(l)为无反射图像，(m)为具有反射干扰相对较强的反射图像，(n)为通过去反射模型去除(m)反射图像中的反射干扰后的去反射图像。图9中(o)为无反射图像，(p)为具有反射干扰相对较弱的反射图像，(q)为通过去反射模型去除(p)反射图像中的反射干扰后的去反射图像。通过去反射模型分别对反射干扰相对较强的反射图像和反射干扰相对较弱的反射图像进行去除反射干扰的结果如表3所示。

表3去反射模型去除反射干扰相对较强和反射干扰相对较弱的反射图像结果

结果如表3所示，可以看到去反射模型去除反射干扰相对较强图像的PSNR、SSIM值皆小于反射干扰相对较弱的图像的值，由此证明去反射模型对反射干扰相对较弱的红外上的反射干扰去除效果更佳。

本发明采集红外视频，对红外视频进行解帧获取数量较多的样本，对采集的红外视频进行处理，获取训练图像，将训练图像输入到具有生成器和判别器的对抗网络中，对对抗网络进行训练，获得去反射模型，由获得去反射模型去除红外图像上的反射干扰。获得的去反射模型去除反射干扰的效果较好，准确度较高。

请参阅图10，图10是本申请提供的一种红外热像无损检测反射干扰去除装置一实施例的框架示意图。红外热像无损检测反射干扰去除装置100包括处理模块101和训练模块102。

其中，处理模块101，用于将所述无反射视频和所述反射视频进行解帧，分别获得无反射图像和反射图像，按解帧次序将所述无反射图像与所述反射图像一一对应，进而组成训练图像。

训练模块102，包括生成器和判别器的对抗网络，用于将所述训练图像输入到所述对抗网络，对所述对抗网络进行训练获得去反射模型，由所述去反射模型去除反射干扰。

请参阅图11，图11是本申请提供的红外热像无损检测反射干扰去除装置另一实施例的框架示意图。红外热像无损检测反射干扰去除装置110包括相互耦接的存储器111和处理器112，处理器112用于执行存储器111中存储的程序指令，以实现上述任一无损检测反射干扰去除方法实施例的步骤。在一个具体的实施场景中，红外热像无损检测反射干扰去除装置110可以包括但不限于：微型计算机、服务器，此外，红外热像无损检测反射干扰去除装置110还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。

具体而言，处理器112用于控制其自身以及存储器111以实现上述任一无损检测反射干扰去除方法实施例的步骤。处理器112还可以称为CPU(Central Processing Unit，中央处理单元)。处理器112可能是一种集成电路芯片，具有信号的处理能力。处理器112还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器112可以由集成电路芯片共同实现。

请参阅图12，图12是本申请提供的计算机可读存储介质一实施例的框架示意图。计算机可读存储介质120存储有能够被处理器运行的程序指令1201，程序指令1201用于实现上述任一无损检测反射干扰去除方法实施例的步骤。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本发明的实施例，并非因此限值本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。