CN100433793C - 基于运动检测指导的红外焦平面非均匀性校正方法 - Google Patents

Abstract

基于运动检测指导的红外焦平面非均匀性校正方法，属于红外焦平面探测器领域，目的在于能够自适应，有效抑制目标退化，解决伪像(鬼影)问题，并且易于硬件实现，本发明包括(1)预处理步骤，(2)校正步骤，(3)迭代步长调整步骤，(4)增益校正系数更新步骤。本发明有效的解决和抑制了场景类算法中产生的目标退化和伪象现象，去除了固定图案噪声，具有自适应性，计算操作简单，利于硬件实现，达到实时性。

Description

基于运动检测指导的红外焦平面非均匀性校正方法

技术领域

本发明属于红外焦平面探测器领域，具体涉及一种基于运动检测指导的红外焦平面非均匀性校正方法。

背景技术

红外焦平面阵列IRFPA(Infrared Focal Plane Array)成像系统是红外成像技术发展的方向，是现代红外成像系统的核心器件。在第一代红外成像系统中，采用线列探测器，通过一维光机扫描实现成像。与第一代红外成像系统相比，红外焦平面阵列以凝视方式工作，不需要运动的光学元件对景物进行一维或二维光机扫描。因此具有结构简单、工作稳定、空间分辨率高、探测能力强、帧频高等优点。目前凝视红外成像系统已开始广泛应用于夜视、海上营救搜索、天文、工业热探测和医学等民用领域，是红外成像系统的发展方向。然而由于制造材料、工艺以及工作环境等方面的原因，红外焦平面阵列普遍存在非均匀性问题。其非均匀性与无效象元严重影响了系统的成像质量，降低了系统的空间分辨率、温度分辨率、探测距离以及辐射量的正确度量，直接制约着系统的最终性能。尽管随着器件制作工艺的改进，焦平面的非均匀性和无效象元有了较大改善，但离完全解决问题还有很大距离，仍是当前红外焦平面阵列成像系统必须解决的首要问题。

目前已有的红外焦平面阵列的非均匀性校正方法，主要分为两大类：一类是基于定标的校正方法，该类方法原理简洁，易于硬件实现和集成；校正精度高，可用于场景温度的度量，对目标没有任何要求，是实际IRFPA组件产品中主要采用的方法。但这类方法受限于IRFPA响应漂移带来的校正误差；实际校正时需要参考源进行标定，使得设备装置相对复杂；同时在实际应用中需要进行周期性的定标，定标频率取决于系统的稳定性，对于实际探测器不易做到快速反应。另一类是基于场景类的自适应校正方法，如时域高通滤波校正法，神经网络校正法和恒定统计约束校正法等。这类方法可以在一定程度上克服IRFPA响应漂移带来的校正误差，不要求或只需要简单的定标，根据场景信息适应性的更新校正系数，成为目前算法研究和系统应用的重要研究方向。

但是基于场景类方法都存在伪像(ghosting artifact，也称为“鬼影”，即是在真实场景周围出现的与之相同景象的重影)问题，如传统的神经网络校正算法，其方法结合了空域处理(以四邻域空间均值为期望输出)和时域处理(以神经网络误差反馈实现校正系数的迭代更新)的特点，自适应地实现非均匀性校正，但其要求目标处于不断的运动状态，一旦目标趋于静止，则会出现目标退化(fade-out，表明目标图象变模糊，即是目标的信噪比降低、与背景的反差变小、融于背景，不易被识别)；而当目标由于运动离开后，又会在原位置留下一个呈反像的伪像(鬼影)。

Narendra在“Shutterless fixed pattern noise correction for infraredimaging arrays”(Proc.SPIE，1981，282：44-51)中提出等统计量非均匀性校正方法时，曾原则性地提出一种简单的方法来克服“鬼影”，即在景物不变时停止校正系数的更新。

1997年Harris等人在“Minimizing the ghosting artifact in scene-basednonuniformity correction”(Proc.SPIE，1998，3377：106-113)一文中将上述Narendra提出的方法加以实现，在更新环节设置了一个阈值，当某个像素的变化超过该阈值时可以更新其校正系数，低于该阈值时则停止更新。

2003年刘会通等人分析了上述两篇文章处理上的缺陷，在《自适应非均匀性校正中“鬼影”问题的分析》(红外技术，2003，25(5)：30-32)一文中提出了基于运动取阈值的方式的几点不足之处，主要有下面两个方面：(1)阈值不易确定；(2)空间噪声基本不变，不能校正——这里可以理解为固定图案噪声不好校正，因为固定图案噪声基本上是不变的“图形噪声”，它几乎不运动。

Esteban等人在“Ghosting reduction in adaptive nonuniformitycorrection of infrared focal-plane array image sequences”(IEEE，Imageprocessing，2003，vol.2：II-1001-4)一文中提出通过改变迭代步长的方法来进行“ghosting reduction”，迭代系数与3×3邻域内的变化成反比。也即是说邻域内变化快的地方迭代得慢；而邻域变化慢的地方迭代加快，其中邻域变化的快慢由邻域灰度值的方差来决定。该方法从根本上还只是保住了边缘信息，防止目标退化，没有真正解决伪像(鬼影)问题。

2004年赵亦工等人也在《基于神经网络的红外焦平面非均匀校正的新算法》(红外技术，2004，26(2)：44-47)一文中提到“如果场景长时间静止，则大多数基于场景的方法都将失效”。他们的做法是首先将场景静止时的第一帧图象保存，然后判断场景是否运动，如果没有运动，就用保存的图象代替。然后进一步改进为如果场景静止，就用保存的第一帧静止图象作为“期望值”来计算神经网络方法的校正系数。

纵观这几年来消除场景类校正算法中的伪像(鬼影)问题的研究现状，大多数研究人员都从场景的运动情况入手，但是仍然存在一些问题和难点没有解决：

(1)运动检测的步骤不能过于复杂，否则难以达到实时性，使本来应该为辅助性预处理的非均匀性校正工作耗时过多，喧宾夺主。

(2)运动检测的判断阈值不易确定。

(3)基于运动检测类的方式，导致空间噪声基本不变，不能校正，因为固定图案噪声基本上是不变的“图形噪声”，它几乎不运动。

发明内容

本发明提供一种基于运动检测指导的红外焦平面非均匀性校正方法，目的在于能够自适应，有效抑制目标退化，解决伪像(鬼影)问题，并且易于硬件实现，对红外焦平面的非均匀性进行校正。

本发明的一种基于运动检测指导的红外焦平面非均匀性校正方法，顺序包括：

(1)预处理步骤，用红外焦平面探测器采集M帧均匀辐照的图像，然后对它们进行时域平均得到背景帧图像B，其各象元点灰度值B_i，j；对背景帧图像各象元点利用基于场景的无效象元检测算法进行无效象元检测，检测结果存入坏元模板，根据检测结果计算背景帧图像中有效象元的灰度平均值B_ave；设定待校正原始图像序列总帧数为N，N为自然数，初始化待校正原始图像各个象元的增益校正系数 $G_{i,j}^1=1,$ 初始化待校正原始图像序列号n＝1，M为10～100；

(2)校正步骤，输入第n帧原始图像Vⁿ，其各象元点灰度值为V_i，j ⁿ，将V_i，j ⁿ减去背景帧对应位置的灰度值B_i，j，得到第n帧待校正图像Xⁿ，其各象元点灰度值为X_i，j ⁿ：

$X_{i,j}^n=V_{i,j}^n-B_{i,j},$

其中下标i，j分别为象元在图像中的横坐标和纵坐标；

读取坏元模板，对待校正图像Xⁿ对应坏元模板中有效象元位置的象元进行校正，校正公式为：

$Y_{i,j}^n=G_{i,j}^n\×X_{i,j}^n+B_{\mathrm{ave}},$

其中，G_i，j ⁿ为第n帧增益校正系数；同时对待校正图像Xⁿ对应无效象元位置的像素值用左邻域象元像素和上领域象元像素之和的平均值替代，最后得到校正后图像Yⁿ，其各象元灰度值为Y_i，j ⁿ；

(3)迭代步长调整步骤，判断是否n＞1，否则转步骤(4)；是则计算前后两帧校正后图像对应象元运动方差σ_T，ij ²，判断是否 ${\mathrm{\σ}}_{T,\mathrm{ij}}^2>{\mathrm{\σ}}_{T\max }^2,$ 否则调整迭代步长μ_i，j ⁿ，转步骤(4)，是则再次初始化 $G_{i,j}^{n+1}=1,$ 待校正原始图像序列号n加1，判断是否n＞N，是则结束，否则转步骤(2)，其中运动方差阈值σ_Tmax ²为(0.5～1)B_ave；

(4)增益校正系数更新步骤，利用神经网络校正算法对图像的增益非均匀性进行补偿，即更新增益校正系数，公式为：

$G_{i,j}^{n+1}=G_{i,j}^n-2{\mathrm{\μ}}_{i,j}^n{X}_{i,j}^n(Y_{i,j}^n-f_{i,j}^n),$ $f_{i,j}^n=(Y_{i+1,j}^n+Y_{i,j+1}^n+Y_{i-1,j}^n+Y_{i,j-1}^n)/4,$

其中f_i，j ⁿ为校正后图像Yⁿ中各象元的四邻域象元灰度值均值，增益校正系数更新后，待校正原始图像序列号n加1，判断是否n＞N，是则结束，否则转步骤(2)。

所述的基于运动检测指导的红外焦平面非均匀性校正方法，其特征在于，所述预处理步骤中，无效象元检测过程为：

(1)分别计算背景帧图像在X、Y方向的一维算子，计算公式为：

bad_xmax＝max{2B_i，j-1-B_i，j-2，2B_i，j+1-B_i，j+2，B_i，j-1，B_i，j+1}，

bad_xmin＝min{2B_i，j-1-B_i，j-2，2B_i，j+1-B_i，j+2，B_i，j-1，B_i，j+1}，

bad_ymax＝max{2B_i-1，j-B_i-2，j，2B_i+1，j-B_i+2，j，B_i-1，j，B_i+1，j}，

bad_ymin＝min{2B_i-1，j-B_i-2，j，2B_i+1，j-B_i+2，j，B_i-1，j，B_i+1，j}；

(2)对背景帧图像各象元点进行判定：

(B_i，j-bad_xmax)/B_i，j＞badTH、(B_i，j-bad_ymax)/B_i，j＞badTH、

(bad_xmin-B_i，j)/B_i，j＞badTH或(bad_ymin-B_i，j)/B_i，j＞badTH，

四式中任一成立，则判定背景帧图像B该象元B_i，j为无效象元，否则为有效象元，式中，badTH为无效象元判断阈值。

所述的基于运动检测指导的红外焦平面非均匀性校正方法，其特征在于，所述迭代步长调整步骤中：

(1)前后两帧校正后图像对应象元运动方差σ_T，ij ²为：

${\mathrm{\σ}}_{T,\mathrm{ij}}^2=[{(Y_{i,j}^{n-1}-\stackrel{\‾}{Y_{i,j}})}^2+{(Y_{i,j}^n-\stackrel{\‾}{Y_{i,j}})}^2]/2,$ $\stackrel{\‾}{Y_{i,j}}=(Y_{i,j}^{n-1}+Y_{i,j}^n)/2,$

其中Y_i，j ^n-1为第n-1帧校正后图像坐标i，j象元的灰度值，Y_i，j为两帧校正后图像坐标i，j象元的灰度均值；

(2)调整迭代步长μ_i，j ⁿ过程为：

令临时迭代步长 ${{\mathrm{\μ}}_{i,j}}^{\′}={\mathrm{\σ}}_{T,\mathrm{ij}}^2\×{\mathrm{\μ}}_{\min },$

若μ_i，j′＞μ_max，则 ${\mathrm{\μ}}_{i,j}^n={\mathrm{\μ}}_{\max };$ 若μ_i，j′≤μ_max，则 ${\mathrm{\μ}}_{i,j}^n={{\mathrm{\μ}}_{i,j}}^{\′};$

其中μ_max＝2×10^-8～2×10^-6为保真迭代步长，μ_min＝μ_max/100～μ_max/1000为缓慢迭代步长。

表1表示原始神经网络方法、仅通过本方法预处理步骤后的原始神经网络方法、本发明方法的综合性能比较。

表1.四种算法的综合比较

比较指标	原始神经网络法	基于取阈值的运动判断神经网络方法	仅通过预处理步骤后原始神经网络法	本发明方法
					目标退化(图5a-图8a)	有目标退化	无目标退化	有目标退化	无目标退化
伪象(图5b-图8b)(图5c-图8c)	有伪象	无伪象	有伪象	无伪象
					单帧小目标信噪比(db)(图5a-图8a)	2.118986	7.106184	6.294982	11.524273
图像的粗糙程度(图5c-图8c)	0.043690	0.055771	0.034379	0.034816
					固定图案污染去除情况	没去除	没去除	去除	去除
方法自适应性	无须人为参与	需要人为不断调整判断运动与否的阈值	无须人为参与	无须人为参与

表1所示的单帧小目标信噪比(db)采用如下公式计算：

$\mathrm{SNR}=20l{\mathrm{og}}_{10}\left(\frac{S-{\mathrm{\μ}}_0}{{\mathrm{\σ}}_0}\right)=20{\log }_{10}\left(A\right)\mathrm{dB}$

其中的s为目标的亮度均值；μ₀为背景均值，σ₀为背景标准差；SNR值越大代表小目标的信噪比越高，效果越好。从表1可见，本发明提出的方法，单帧小目标信噪比(db)最大，几乎为原始神经方法的5倍、为仅通过预处理步骤后原始神经网络法的2倍、为基于取阈值的运动判断神经网络方法的1.5倍。另外计算得知红外焦平面非均匀性校正的传统两点定标方法(无目标退化)，在相同的图象及归一化情况下其单帧小目标信噪比为11.619666，本发明方法单帧小目标信噪比与其相当，所以本发明方法能够达到防止小目标退化的目的。

图象的粗糙程度采用如下公式计算：

$\mathrm{\ρ}\left(f\right)=\frac{{\left|\right|h_1*f\left|\right|}_1+{\left|\right|h_2*f\left|\right|}_1}{{\left|\right|f\left|\right|}_1}$

其中，f表示数字图象，h₁＝[1，-1]为水平模板(horizontal mask)， $h_2=h_1^T$ 为垂直模板(vertical mask)，*代表离散卷积，‖‖₁代表L₁范数。

此指标可以在真实图象未知的情况下，通过计算固定噪声污染图象和校正后图象的粗糙度来评价算法的性能。其值越小越好。由表1所示数据结果显示出使用本文的预处理步骤后，图象的粗糙度比原始神经网络方法和基于取阈值的运动判断神经网络方法都要低，表示图象的固定噪声污染被降低。本文的方法得到的校正后图象粗糙度也比原始神经网络方法和基于取阈值的运动判断神经网络方法都要低，所以校正效果更好。

除了计算得到的数据指标之外，主观评价中没有加入运动因素的方法(原始神经网络法和仅通过预处理步骤后原始神经网络法)都存在目标退化及伪像问题；其次，原始神经网络方法和基于取阈值的运动判断神经网络方法都没有去除红外焦平面所呈现的固定图案污染，尤其是原来文献中所提出的基于取阈值的运动判断神经网络方法，需要人为参与调整运动判断阈值，降低了系统的自适应性。而本发明的方法不但去除了固定图案污染、不出现目标退化和伪像、还无须人为参与选择阈值及如传统方式的定标操作，提高了非均匀性校正的自适应性。

本发明采用背景帧处理、坏元检测替换和基于运动检测自适应调整神经网络迭代步长、指导神经网络校正的方法，有效的解决和抑制了场景类算法中产生的目标退化和伪象现象。目标退化和产生伪像的根本成因在于场景的运动与否，在场景不断运动时才应该根据场景信息进行校正，否则应该停止场景信息的更新。所以本方法根据场景的运动方差，作为神经网络迭代步长的正比信息，自适应地在场景运动充分时，增大迭代步长，在场景运动缓慢时，减小迭代步长，从而控制了校正系数的更新速度。这样在运动充分的时候校正系数能够正常更新，而运动平缓时减缓校正系数的更新，甚至在场景静止时，停止校正系数的更新。而且本方法在处理前使用预处理步骤来去除固定图案噪声，不需要设定专门的运动检测阈值来指导系数更新，也没有复杂的计算操作(如除法)，解决了现有方法的种种不足之处，利于硬件实现，达到实时性。

附图说明

图1为本发明的流程示意图；

图2为双向线性外推算子像素分布图，用于判断坏元；

图3a～图3c分别为图4a～图4c的背景帧图像；

图4a、图4b为飞机小目标的原始红外图像(图上用黑色箭头和白色方框指示飞机小目标位置，并不属于原始红外图象)；

图4c为手与手机目标的原始红外图像；

图5a～图5c分别为用原始的神经网络方法对图4a～图4c处理后的结果图(图5a用黑色箭头和白色方框指示飞机小目标位置，表明其出现目标退化现象；图5b用黑色箭头和白色方框指示飞机小目标位置，表明其出现伪象；图5c用黑色箭头指示手出现伪象的位置)；

图6a～图6c分别为用基于取阈值的运动判断神经网络方法对图4a～图4c处理后的结果图(图6a用黑色箭头和白色方框指示飞机小目标位置、图6b用黑色箭头和白色方框指示飞机小目标位置，用白色虚线方框指示了一个没有被处理掉的坏元示例)；

图7a～图7c分别为仅通过本发明预处理步骤后的原始神经网络方法对图4a～图4c处理后的结果图(图7a用黑色箭头和白色方框指示飞机小目标位置，表明其出现目标退化现象；图7b用黑色箭头和白色方框指示飞机小目标位置，表明其出现伪象；图7c用黑色箭头指示手出现伪象的位置)；

图8a～图8c分别为通过本发明对图4a～图4c处理后的结果图(图8a用黑色箭头和白色方框指示飞机小目标位置，表明其没有出现目标退化现象；图8b用黑色箭头和白色方框指示飞机小目标位置，表明其没有出现伪象；图8c用黑色箭头指示手没有出现伪象的位置)。

具体实施方式

下面的说明采用了从实际128×128规格LW MCT IRFPA所采集到的几组序列图像，采集帧率为100帧/秒。如图1所示，本发明的具体实施过程为：

(1)预处理步骤，在实时校正前，盖上红外焦平面探测器镜头盖、或者将红外焦平面探测器对着无目标无场景的空白地方，分别把在空白场景下采集到的两组各10帧飞机小目标图像和一组10帧手和手机图像的时域平均作为三组背景帧图像B，如图3a～图3c；用探测器分别采集两组飞机小目标原始红外图像，如图4a，图4b，和一组手和手机的原始红外图像，如图4c。利用基于场景的无效象元检测算法对背景帧进行无效象元检测，将检测结果存储于坏元模板badTemplet中；

计算背景帧图像B中有效象元(非坏元点)的灰度平均值B_ave；初始化第一帧图像各个象元的增益校正系数 $G_{i,j}^1=1.$

无效象元(坏元点)检测采用以下方法确定：

将采集的焦平面阵列的图像采用5×5的阵列作为内核进行双向线性外推算子的计算，如图2所示。首先分别计算二维图像在X、Y方向的一维算子，计算公式如下：

bad_xmax＝max{2B_i，j-1-B_i，j-2，2B_i，j+1-B_i，j+2，B_i，j-1，B_i，j+1}

bad_xmin＝min{2B_i，j-1-B_i，j-2，2B_i，j+1-B_i，j+2，B_i，j-1，B_i，j+1}

bad_ymax＝max{2B_i-1，j-B_i-2，j，2B_i+1，j-B_i+2，j，B_i-1，j，B_i+1，j}

bad_ymin＝min{2B_i-1，j-B_i-2，j，2B_i+1，j-B_i+2，j，B_i-1，j，B_i+1，j}

如果实际获得的B_i，j的灰度值满足：

(B_i，j-bad_xmax)/B_i，j＞10％或(B_i，j-bad_ymax)/B_i，j＞10％

则判定该像素为过热无效象元；

如果实际获得的B_i，j的灰度值满足：

(bad_xmin-B_i，j)/B_i，j＞10％或(bad_ymin-B_i，j)/B_i，j＞10％

则判定该像素为过冷无效象元。

(2)校正步骤，输入如图4a～图4c中的一帧原始图像Vⁿ，其各象元点灰度值V_i，j ⁿ，将V_i，j ⁿ减去背景帧对应位置的灰度值B_i，j，得到该帧待校正图像Xⁿ，其各象元点灰度值X_i，j ⁿ，其中下标i，j分别为象元在图像中的横坐标和纵坐标，即：

$X_{i,j}^n=V_{i,j}^n-B_{i,j}$

读取坏元模板badTemplet，对有效象元(非坏元点)进行校正，得到校正后的图像Yⁿ，其各象元点灰度值Y_i，j ⁿ，校正公式为：

$Y_{i,j}^n=G_{i,j}^n\×X_{i,j}^n+B_{\mathrm{ave}}$

其中，G_i，j ⁿ为该帧增益校正系数。

同时对无效象元位置的像素值用左邻域像素和上邻域像素之和的平均来替代，最后得到校正后的图像，如图8a～图8c。

(3)迭代步长调整步骤，计算前后两帧对应点运动方差σ_T，ij ²，前后两帧校正后的图像对应点运动方差σ_T，ij ²采用以下方法确定：

$\stackrel{\‾}{Y_{i,j}}=(Y_{i,j}^{n-1}+Y_{i,j}^n)/2$

${\mathrm{\σ}}_{T,ij}^2=[{(Y_{i,j}^{n-1}-\stackrel{\‾}{Y_{i,j}})}^2+{(Y_{i,j}^n-\stackrel{\‾}{Y_{i,j}})}^2]/2$

其中Y_i，j ⁿ为该帧坐标i，j象元点校正后的值，Y_i，j ^n-1为前一帧坐标i，j象元点校正后的值，Y_i，j为两帧图像坐标i，j象元点的灰度均值。

判断 ${\mathrm{\σ}}_{T,\mathrm{ij}}^2>4000$ 是否成立，是，则再次初始化 $G_{i,j}^{n+1}=1,$ 转步骤(2)；否，则调整迭代步长μ_i，j ⁿ，转步骤(4)；其中4000即为运动方差阈值σ_Tmax ²。

调整迭代步长μ_i，j ⁿ采用以下方法确定：

临时迭代步长 ${{\mathrm{\μ}}_{i,j}}^{\′}={\mathrm{\σ}}_{T,\mathrm{ij}}^2\×{\mathrm{\μ}}_{\min }$

如果临时迭代步长大于保真迭代步长，则取保真迭代步长作为最终增益系数更新的迭代步长，即μ_i，j′＞μ_max，则 ${\mathrm{\μ}}_{i,j}^n={\mathrm{\μ}}_{\max };$ 反之，即μ_i，j′≤μ_max，则用计算所得临时迭代步长作为最终增益系数更新的迭代步长， ${\mathrm{\μ}}_{i,j}^n={{\mathrm{\μ}}_{i,j}}^{\′};$

其中保真迭代步长表示使用神经网络法校正时，能够保证校正参数迅速收敛而又不会使图象最终校正结果超出有效范围的迭代速度，可具体取为μ_max＝2×10^-7，缓慢迭代步长也即是使校正参数缓慢收敛时的迭代速度，可具体取为μ_min＝μ_max/100。

(4)增益校正系数更新步骤，增益校正系数更新公式为：

$G_{i,j}^{n+1}=G_{i,j}^n-2{\mathrm{\μ}}_{i,j}^n{X}_{i,j}^n(Y_{i,j}^n-f_{i,j}^n)$

其中f_i，j ⁿ为校正后的图像Y_i，j ⁿ的四领域均值，f_i，j ⁿ计算公式为：

$f_{i,j}^n=(Y_{i+1,j}^n+Y_{i,j+1}^n+Y_{i-1,j}^n+Y_{i,j-1}^n)/4,$ 转步骤(2)。

图5a～图5c所示为用原始的神经网络方法对图4a～图4c处理后的结果图；图6a～图6c所示为用基于取阈值的运动判断神经网络方法对图4a～图4c处理后的结果图；图7a～图7c所示为仅通过本方法预处理步骤后的原始神经网络方法对图4a～图4c处理后的结果图。上三组图与图8a～图8c相比，可明显发现，原始的神经网络方法处理的图效果并不好，有如图5a中标注位置所示明显的目标退化问题和如图5b、图5c中标注位置所示明显的伪象问题，而且该方法并没有去除红外焦平面成像的固定图案污染；用基于取阈值的运动判断神经网络方法虽然由于加入了运动判断，防止了小目标退化和伪象问题，但是其仍然有如图6a～图6c所示的固定图案污染，以及如图6b中虚线框所示的坏元等问题，且其不同序列的运动判断阈值不同，需要人为选定；而仅通过本方法预处理步骤后的原始神经网络方法处理的图有如图7a的目标退化问题，和如图7b和图7c的明显的伪象问题。通过本方法处理后的图像为图8a～图8c，可见本方法不仅具有自适应性，而且有效的去除了伪象，解决了目标退化问题。

Claims (3)

1.一种基于运动检测指导的红外焦平面非均匀性校正方法，顺序包括：

(1)预处理步骤，用红外焦平面探测器采集M帧均匀辐照的图像，然后对它们进行时域平均得到背景帧图像B，其各象元点灰度值B_i，j；对背景帧图像各象元点利用基于场景的无效象元检测算法进行无效象元检测，检测结果存入坏元模板，根据检测结果计算背景帧图像中有效象元的灰度平均值B_ave；设定待校正原始图像序列总帧数为N，N为自然数，初始化待校正原始图像各个象元的增益校正系数 $G_{i,j}^1=1,$ 初始化待校正原始图像序列号n＝1，M为10～100；

(2)校正步骤，输入第n帧原始图像Vⁿ，其各象元点灰度值为V_i，j ⁿ，将V_i，j ⁿ减去背景帧对应位置的灰度值B_i，j，得到第n帧待校正图像Xⁿ，其各象元点灰度值为X_i，j ⁿ：

$X_{i,j}^n=V_{i,j}^n-B_{i,j},$

其中下标i，j分别为象元在图像中的横坐标和纵坐标；

读取坏元模板，对待校正图像Xⁿ对应坏元模板中有效象元位置的象元进行校正，校正公式为：

$Y_{i,j}^n=G_{i,j}^n\×X_{i,j}^n+B_{\mathrm{ave}},$

其中，G_i，j ⁿ为第n帧增益校正系数；同时对待校正图像Xⁿ对应无效象元位置的像素值用左邻域象元像素和上领域象元像素之和的平均值替代，最后得到校正后图像Yⁿ，其各象元灰度值为Y_i，j ⁿ；

(3)迭代步长调整步骤，判断是否n＞1，否则转步骤(4)；是则计算前后两帧校正后图像对应象元运动方差σ_T，ij ²，判断是否 ${\mathrm{\σ}}_{T,\mathrm{ij}}^2>{\mathrm{\σ}}_{T\max }^2,$ 否则调整迭代步长μ_i，j ⁿ，转步骤(4)，是则再次初始化 $G_{i,j}^{n+1}=1,$ 待校正原始图像序列号n加1，判断是否n＞N，是则结束，否则转步骤(2)，其中运动方差阈值σ_Tmax ²为(0.5～1)B_ave；

(4)增益校正系数更新步骤，利用神经网络校正算法对图像的增益非均匀性进行补偿，即更新增益校正系数，公式为：

$G_{i,j}^{n+1}=G_{i,j}^n-2{\mathrm{\μ}}_{i,j}^n{X}_{i,j}^n(Y_{i,j}^n-f_{i,j}^n),$ $f_{i,j}^n=(Y_{i+1,j}^n+Y_{i,j+1}^n+Y_{i-1,j}^n+Y_{i,j-1}^n)/4,$

其中f_i，j ⁿ为校正后图像Yⁿ中各象元的四邻域象元灰度值均值，增益校正系数更新后，待校正原始图像序列号n加1，判断是否n＞N，是则结束，否则转步骤(2)。

2.如权利要求1所述的基于运动检测指导的红外焦平面非均匀性校正方法，其特征在于，所述预处理步骤中，无效象元检测过程为：

(1)分别计算背景帧图像在X、Y方向的一维算子，计算公式为：

bad_xmax＝max{2B_i，j-1-B_i，j-2，2B_i，j+1-B_i，j+2，B_i，j-1，B_i，j+1}，

bad_xmin＝min{2B_i，j-1-B_i，j-2，2B_i，j+1-B_i，j+2，B_i，j-1，B_i，j+1}，

bad_ymax＝max{2B_i-1，j-B_i-2，j，2B_i+1，j-B_i+2，j，B_i-1，j，B_i+1，j}，

bad_ymin＝min{2B_i-1，j-B_i-2，j，2B_i+1，j-B_i+2，j，B_i-1，j，B_i+1，j}；

(2)对背景帧图像各象元点进行判定：

(B_i，j-bad_xmax)/B_i，j＞badTH、(B_i，j-bad_ymax)/B_i，j＞badTH、

(bad_xmin-B_i，j)/B_i，j＞badTH或(bad_ymin-B_i，j)/B_i，j＞badTH，

四式中任一成立，则判定背景帧图像B该象元B_i，j为无效象元，否则为有效象元，式中，badTH为无效象元判断阈值。

3.如权利要求1所述的基于运动检测指导的红外焦平面非均匀性校正方法，其特征在于，所述迭代步长调整步骤中：

(1)前后两帧校正后图像对应象元运动方差σ_T，ij ²为：

${\mathrm{\σ}}_{T,\mathrm{ij}}^2=[{(Y_{i,j}^{n-1}-\stackrel{\‾}{Y_{i,j}})}^2+{(Y_{i,j}^n-\stackrel{\‾}{Y_{i,j}})}^2]/2,$ $\stackrel{\‾}{Y_{i,j}}=(Y_{i,j}^{n-1}+Y_{i,j}^n)/2,$

其中Y_i，j ^n-1为第n-1帧校正后图像坐标i，j象元的灰度值，Y_i，j为两帧校正后图像坐标i，j象元的灰度均值；

(2)调整迭代步长μ_i，j ⁿ过程为：

令临时迭代步长 ${{\mathrm{\μ}}_{i,j}}^{\′}={\mathrm{\σ}}_{T,\mathrm{ij}}^2\×{\mathrm{\μ}}_{\min },$

若μ_i，j′＞μ_max，则 ${\mathrm{\μ}}_{i,j}^n={\mathrm{\μ}}_{\max };$ 若u_i，j′≤μ_max，则 ${\mathrm{\μ}}_{i,j}^n={{\mathrm{\μ}}_{i,j}}^{\′};$

其中μ_max＝2×10^-8～2×10^-6为保真迭代步长，μ_min＝μ_max/100～μ_max/1000为缓慢迭代步长。

Images