CN102968765B - 一种基于sigma滤波器的红外焦平面非均匀性校正方法 - Google Patents

Abstract

本发明公开了一种基于sigma滤波器的红外焦平面非均匀性校正方法，该方法对线性校正后的图像进行模板大小为5x5的sigma滤波，在实现边缘保持平滑滤波的同时，完成校正参数迭代步长自适应调整以及异常像素（坏元、冲激噪声）检测与替换，采用变化参考图像实现运动检测，只有当校正图像与变化参考图像的差值大于变化阈值时才对非均匀性校正参数进行自适应迭代步长的更新。本发明将sigma滤波器用于红外焦平面非均匀性校正，利用其边缘保持特性降低非均匀性参数估计误差，增强“鬼影”抑制能力，同时利用sigma滤波器实现自适应迭代步长与异常像素检测与替换，计算复杂度低，适合硬件电路实现。

Description

一种基于sigma滤波器的红外焦平面非均匀性校正方法

技术领域

本发明属于图像探测处理领域，更具体地，涉及一种基于sigma滤波器的红外焦平面非均匀性校正方法。

背景技术

探测器非均匀性对很多成像系统，特别是红外成像系统的性能存在严重影响。在焦平面阵列（Focal Plane Array，简称FPA）中，构成阵列的每个探测元由于制造过程中的差异，对相同输入的响应特性并不相同，称之为焦平面阵列的非均匀性。非均匀性表现为输出图像中覆盖在实际场景上的固定模式噪声（Fixed Pattern Noise，简称FPN）。FPN严重影响红外图像目标检测、识别等应用的性能，必须通过校正进行抑制或消除。由于非均匀性随时间以及环境条件的变化而漂移，仅在工厂进行一次标定是不够的。但工作过程中进行周期性标定会引起的工作状态中断，而且视场切换需要往外的光学、机械设备。基于场景的非均匀性校正方法仅利用图像中的运动完成非均匀性校正，不需要额外设备或者中断工作状态，因此得到广泛研究。

基于场景的非均匀性校正方法主要分为三类：第一类是基于块的方法。此类方法通常对场景分布进行某种假设，如常统计量（ConstantStati stics，简称CS）方法假设每个探测元输出的一阶、二阶统计量在相当长时间内保持不变，或假设所有探测元的输出信号位于常数区间。基于块的方法优点是计算复杂度最低，但是收敛速度缓慢，往往需要数千帧，而且对场景依赖性较高。第二类是基于图像配准的方法。该方法利用配准获得相邻图像间的位移，并对前一帧校正图像进行相应的运动补偿后作为当前帧实际图像的估计。此类方法对场景不存在依赖，收敛速度最快，且不存在鬼影现象。但是图像配准的计算复杂度过高，且在非均匀性水平较高的情况下难以得到可靠的配准结果。第三类是源于Scribner提出的最小均方（Least Mean Square，简称LMS）算法。该方法以图像与目标图像（一般是基于校正图像的空间低通滤波输出）之间的即时误差为代价函数，并用最陡下降法求解使代价函数最小的非均匀性校正参数。LMS算法存在的明显缺陷是场景运动缺乏时的目标退化、场景变换时的“burn-in”以及强边缘造成的“鬼影”现象等。但是LMS方法具有计算简单、可跟踪非均匀参数的时域漂移等优点。因此，从问世至今，不断涌现各种对该方法改进的非均匀性校正方法。

Scribner等人首次提出LMS非均匀性校正方法（AdaptiveNonuniformity Correction for IR Focal Plane Arrays using NeuralNetworks：Proceedings of the SPIE:Infrared Sensors:Detectors,Electronics,and Signal Processing,T.S.Jayadev,ed.,vol.1541,pp.100–109）。为抑制Scribner方法中的目标退化及“鬼影”现象，Vera等人提出利用图像局部方差控制校正参数迭代步长的自适应学习率LMS方法（Fast Adaptive Nonuniformity Correction for Infrared Focal-PlaneArray Detectors,”URASIP Journal on Appl ied Signal Processing 13,1994–2004）。该方法在边缘区域减小迭代步长，明显抑制了边缘引起的目标退化与“鬼影”现象。为了解决自适应学习率方法在目标长时间静止时出现的目标退化与“鬼影”现象，Hardi e等人提出门控的自适应学习率LMS方法（Scene-Based Non-uniformity Correction with Reduced GhostingUsing a Gated LMS Algorithm”，OPTICS EXPRESS,Vol.17,No.17,17August 2009,14918）。该方法引入变化检测机制，在场景静止时暂停非均匀性校正参数的迭代更新。为解决上述方法中使用线性平滑滤波器引起的边缘模糊，Rossi等人提出基于双边滤波器的LMS方法（Bilateral filter-based adaptive nonuniformity correction for infraredfocal-plane array systems”，Optical Engineering 49(5),057003）。双边滤波器在实现平滑的同时，具有一定的边缘保持能力，从而减小边缘模糊效应引起的高亮目标“鬼影”。但双边滤波器的滤波器系数不但取决于邻域像素与当前像素的空间距离，还取决于邻域像素值与当前像素值的差值，因此计算复杂度较高。此外，该方法没有迭代步长自适应调整机制和变化门控校正参数更新机制，因此对长时间静止场景以及高亮目标“鬼影”抑制能力不足。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于sigma滤波器的红外焦平面非均匀性校正方法，其使用计算复杂度较低的非线性边缘保留平滑滤波器降低边缘模糊，可实现校正参数迭代步长自动更新，可进行变化检测，仅在场景变化时进行校正参数更新，并具有坏元、冲激噪声污染像素等异常像素检测/替换功能，此外，异常像素检测、自适应迭代步长调整不需要额外计算。

为实现上述目的，本发明提供了一种基于sigma滤波器的红外焦平面非均匀性校正方法，包括以下步骤：

步骤101：逐帧接收红外焦平面输出图像，并依据红外焦平面输出图像中当前帧每个像素位置的增益、偏移校正参数值完成线性校正，具体公式如下：

y_ij(n)＝g_ij(n)x_ij(n)+o_ij(n)

其中x_ij(n)为红外焦平面输出图像的当前帧，i和j分别表示像素位置的行、列坐标，n表示当前帧的序号，g_ij(n)和o_ij(n)分别为当前帧的增益、偏移校正系数；

步骤102：对线性校正后的图像进行模板大小为5x5的sigma滤波，以得到目标图像，并校正图像与目标图像相减得到误差图像，具体公式如下：

e_ij(n)＝y_ij(n)-t_ij(n)

其中y_ij(n)为线性校正后的图像，t_ij(n)为sigma滤波器输出图像，e_ij(n)为误差图像。sigma滤波器同时进行异常像素（坏元、冲激噪声）的检测与替换，并输出非均匀性校正参数自适应迭代步长η_ij(n)；

步骤103：将校正图像与变化参考图像相减后取绝对值，得到差值图像。然后将差值图像每个像素的值与变化阈值比较，如果差值图像的像素值大于变化阈值，则以步骤102中的自适应迭代步长作为迭代步长，并将变化参考图像中相应像素位置的值更新为校正图像中该像素位置的值；否则，设置迭代步长为0，并保持变化参考图像的值不变。具体公式如下：

${\mathrm{\η}}_{\mathrm{ij}}^{\′}\left(n\right)=\left\{\begin{array}{c}{\mathrm{\η}}_{\mathrm{ij}}\left(n\right),|t_{\mathrm{ij}}\left(n\right)-z_{\mathrm{ij}}\left(n\right)|>T\\ 0,\mathrm{else}\end{array}\right.$

$z_{\mathrm{ij}}(n+1)=\left\{\begin{array}{c}{t}_{\mathrm{ij}}\left(n\right),|t_{\mathrm{ij}}\left(n\right)-z_{\mathrm{ij}}\left(n\right)|>T\\ z_{\mathrm{ij}}\left(n\right),\mathrm{else}\end{array}\right.$

其中η′_ij(n)为迭代步长，η_ij(n)为步骤102中得到的自适应迭代步长，t_ij(n)为步骤102得到的目标图像，z_ij(n)为变化参考图像，z_ij(n+1)为用于下一帧的变化参考图像，T为变化阈值。z_ij(n)的初始值设置为大于输入图像最大值；

步骤104：完成每个像素位置的校正参数的更新，具体公式如下：

g_ij(n+1)＝g_ij(n)-η_ij(n)e_ij(n)·y_ij(n)

o_ij(n+1)＝o_ij(n)-η′_ij(n)e_ij(n)

其中g_ij(n+1)为更新后的增益校正参数，o_ij(n+1)为更新后的偏移校正参数，η′_ij(n)为步骤103得到的迭代步长，e_ij(n)为步骤102得到的误差图像，y_ij(n)为步骤101得到的校正图像；

步骤105：重复以上步骤101至104，直到红外焦平面输出图像的所有帧都处理完毕为止。

步骤102进一步包括以下子步骤：

步骤201：采用5×5滑动窗口按照光栅扫描顺序依次对当前帧的校正图像进行滤波操作；

步骤202：利用sigma滤波器进行异常像素检测/替换；

步骤203：利用sigma滤波器计算当前像素的自适应迭代步长；

步骤204：重复以上步骤201至203，直到图像的所有像素处理完毕为止。

步骤201包括：

（a）根据预设的增益标准差sigma_a与偏移标准差sigma_b，计算当前像素的2sigma区间S：

S＝[p_ij(n)·(1-2·sigma_a)-2·sigma_b,p_ij(n)·(1+2·sigma_a)+2·sigma_b]

其中p_ij(n)为当前像素的灰度值；

如果仅进行增益非均匀性校正，则2sigma区间定义为：

S＝[p_ij(n)·(1-2·sigma_a),p_ij(n)·(1+2·sigma_a)]

如果仅进行偏移非均匀性校正，则2sigma区间定义为：

S＝[p_ij(n)-2·sigma_b,p_ij(n)+2·sigma_b]

（b）将5×5滑动窗口中每个像素的值与2sigma区间S进行比较，如果像素的值位于区间S内，则将像素的值加入部分累加和，同时将有效像素计数值加1。否则不对累加和与有效像素计数值进行任何操作，具体公式如下：

${\mathrm{sum}}_{\mathrm{ij}}\left(n\right)=\underset{\stackrel{k,l\∈[-\mathrm{2,2}]}{p_{i+k,j+l}\left(n\right)\∈S}}{\mathrm{\Σ}}{p}_{i+k.j+l}\left(n\right)$

${\mathrm{num}}_{\mathrm{ij}}\left(n\right)=\underset{\stackrel{k,l\∈[-\mathrm{2,2}]}{p_{i+k,j+l}\left(n\right)\∈S}}{\mathrm{\Σ}}1$

其中sum_ij(n)为部分累加和，num_ij(n)为有效像素计数值；

（c）以sum与num的商作为sigma滤波器输出的目标图像，即：

t_ij(n)＝sum_ij(n)/num_ij(n)

步骤202具体为，若当前像素位置（i，j）的有效像素计数值小于预设的有效像素阈值，则判定像素位置（i，j）的像素为异常像素，该位置的校正图像像素值、目标图像像素值均用最邻近已处理像素的值替换，即：

$y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{c}{y}_{\mathrm{ij}-1}\left(n\right),j\≠1\\ y_{i-1j}\left(n\right),j=1\end{array}\right.$

$t_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{c}{y}_{\mathrm{ij}-1}\left(n\right),j\≠1\\ y_{i-1j}\left(n\right),j=1\end{array}\right.$

其中y_ij(n)为像素位置(i,j)的校正图像，y_ij-1(n)为像素位置(i,j-1)的校正图像，y_i-1j(n)为像素位置(i-1,j)的校正图像，t_ij(n)为像素位置(i,j-1)的目标图像，i为行序号，j为列序号。

步骤203中的计算公式如下：

${\mathrm{\η}}_{\mathrm{ij}}\left(n\right)=\frac{k\max }{1+256\×{\mathrm{ratio}}_{\mathrm{ij}}\left(n\right)},$

ratio_ij(n)＝1-num_ij(n)/25

其中kmax为迭代步长可取的最大值。

通过本发明所构思的以上技术方案，与现有技术相比，本发明具有以下的有益效果：

1、由于在步骤102中采用了具有边缘保持功能的sigma滤波器作为平滑滤波器，减小了滤波图像的边缘模糊，从而改善目标退化并抑制“鬼影”。而且sigma滤波器只涉及算术运算，计算复杂度较低；

2、由于采用了步骤203，校正参数的迭代步长可由sigma滤波器的输出根据局部平滑程度自适应调整；

3、由于采用了步骤104，校正参数只有在场景变化时才会更新，从而避免了场景静止时的目标退化及场景嵌入校正参数；

4、由于采用了步骤202，sigma滤波器具有坏元、冲激噪声污染像素等异常像素检测/替换能力；

5、由于采用了步骤202和步骤203，仅用sigma滤波器即可实现异常像素检测/替换以及校正参数迭代步长自适应调整，不需要任何额外处理。

附图说明

图1为本发明基于sigma滤波器的红外焦平面非均匀性校正方法的流程示意图。

图2为本发明方法中步骤102的细化流程图。

图3（a）至（h）为本发明与同类代表性方法对模拟数据进行非均匀性校正的“鬼影”现象比较。

图4（a）至（g）为本发明与同类代表性方法对实际红外图像序列进行非均匀性校正的“鬼影”现象比较。

图5（a）至（c）为本发明与同类代表性方法的冲激噪声抑制能力比较。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明基于sigma滤波器的红外焦平面非均匀性校正方法包括以下步骤：

步骤101：逐帧接收红外焦平面输出图像，并依据红外焦平面输出图像中当前帧每个像素位置的增益、偏移校正参数值完成线性校正，校正公式如下：

y_ij(n)＝g_ij(n)x_ij(n)+o_ij(n)

其中x_ij(n)为红外焦平面输出图像的当前帧，i和j分别表示像素位置的行、列坐标，n表示当前帧的序号，g_ij(n)和o_ij(n)分别为当前帧的增益、偏移校正系数。如果当前帧为第一帧，且已对红外焦平面阵列进行过基于黑体的标定，则以标定得到的增益、偏移校正值作为g_ij(n)和o_ij(n)，否则取g_ij(n)=1，o_ij(n)＝0。如果当前帧不是第一帧，则采用前一帧的校正参数更新值作为g_ij(n)和o_ij(n)；

步骤102：对线性校正后的图像进行模板大小为5x5的sigma滤波，以得到目标图像，并校正图像与目标图像相减得到误差图像，具体公式如下：

e_ij(n)＝y_ij(n)-t_ij(n)

其中y_ij(n)为线性校正后的图像，t_ij(n)为sigma滤波器输出图像，e_ij(n)为误差图像。sigma滤波器还要计算当前增益、偏移校正系数的自适应迭代步长，并完成异常像素检测与替换；

步骤103：将校正图像与变化参考图像相减后取绝对值，得到差值图像。然后将差值图像每个像素的值与变化阈值比较，如果差值图像的像素值大于变化阈值，则以步骤102中的自适应迭代步长作为迭代步长，并将变化参考图像中相应像素位置的值更新为校正图像中该像素位置的值；否则，设置迭代步长为0，并保持变化参考图像的值不变。具体公式如下：

${\mathrm{\η}}_{\mathrm{ij}}^{\′}\left(n\right)=\left\{\begin{array}{c}{\mathrm{\η}}_{\mathrm{ij}}\left(n\right),|t_{\mathrm{ij}}\left(n\right)-z_{\mathrm{ij}}\left(n\right)|>T\\ 0,\mathrm{else}\end{array}\right.$

$z_{\mathrm{ij}}(n+1)=\left\{\begin{array}{c}{t}_{\mathrm{ij}}\left(n\right),|t_{\mathrm{ij}}\left(n\right)-z_{\mathrm{ij}}\left(n\right)|>T\\ z_{\mathrm{ij}}\left(n\right),\mathrm{else}\end{array}\right.$

其中η′_ij(n)为迭代步长，η_ij(n)为步骤102中得到的自适应迭代步长，t_ij(n)为步骤102得到的目标图像，z_ij(n)为变化参考图像，z_ij(n+1)为用于下一帧的变化参考图像，T为变化阈值。z_ij(n)的初始值设置为大于输入图像最大值；

步骤104：完成每个像素位置的校正参数的更新，具体计算公式如下：

g_ij(n+1)＝g_ij(n)-η′_ij(n)e_ij(n)·y_ij(n)

o_ij(n+1)＝o_ij(n)-η′_ij(n)e_ij(n)

其中g_ij(n+1)为更新后的增益校正参数，o_ij(n+1)为更新后的偏移校正参数，η′_ij(n)为步骤103得到的迭代步长，e_ij(n)为步骤102得到的误差图像，y_ij(n)为步骤101得到的校正图像。

步骤105：重复以上步骤101至104，直到红外焦平面输出图像的所有帧都处理完毕为止。

图1所示的红外焦平面非均匀性校正方法中，采用5x5大小的sigma滤波器进行目标图像计算目标图像可获得比常用空间均值滤波器更低的估计误差，最终加快校正收敛速度、提高校正结果的准确度。此外，该方法中sigma滤波器同时完成自适应迭代步长计算及异常像素检测，从而省去通常采用的局部方差计算单元与异常像素检测单元，可降低系统成本。

如图2所示，本发明方法中步骤102进一步包括以下子步骤：

步骤201：对校正图像进行sigma滤波，具体操作如下：

采用5×5滑动窗口按照光栅扫描顺序依次对当前帧的校正图像进行滤波操作，滤波方法如下：

（a）根据预设的增益标准差sigma_a与偏移标准差sigma_b，计算当前像素的2sigma区间S：

S＝[p_ij(n)·(1-2·sigma_a)-2·sigma_b,p_ij(n)·(1+2·sigma_a)+2·sigma_b]

其中p_ij(n)为当前像素的灰度值。

如果仅进行增益非均匀性校正，则2sigma区间定义为：

S＝[p_ij(n)·(1-2·sigma_a),p_ij(n)·(1+2·sigma_a)]

如果仅进行偏移非均匀性校正，则2sigma区间定义为：

S＝[p_ij(n)-2·sigma_b,p_ij(n)+2·sigma_b]

（b）将5×5滑动窗口中每个像素的值与2sigma区间S进行比较。如果像素的值位于区间S内，则将像素的值加入部分累加和，同时将有效像素计数值加1。否则不对累加和与有效像素计数值进行任何操作。具体公式如下：

${\mathrm{sum}}_{\mathrm{ij}}\left(n\right)=\underset{\stackrel{k,l\∈[-\mathrm{2,2}]}{p_{i+k,j+l}\left(n\right)\∈S}}{\mathrm{\Σ}}{p}_{i+k.j+l}\left(n\right)$

${\mathrm{num}}_{\mathrm{ij}}\left(n\right)=\underset{\stackrel{k,l\∈[-\mathrm{2,2}]}{p_{i+k,j+l}\left(n\right)\∈S}}{\mathrm{\Σ}}1$

其中sum_ij(n)为部分累加和，num_ij(n)为有效像素计数值；

（c）以sum与num的商作为sigma滤波器输出的目标图像，即：

t_ij(n)＝sum_ij(n)/num_ij(n)；

步骤202：利用sigma滤波器进行异常像素检测/替换，具体操作如下：

若当前像素位置（i，j）的有效像素计数值小于预设的有效像素阈值，则判定像素位置（i，j）的像素为异常像素，该位置的校正图像像素值、目标图像像素值均用最邻近已处理像素的值替换。即：

$y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{c}{y}_{\mathrm{ij}-1}\left(n\right),j\≠1\\ y_{i-1j}\left(n\right),j=1\end{array}\right.$

$t_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{c}{y}_{\mathrm{ij}-1}\left(n\right),j\≠1\\ y_{i-1j}\left(n\right),j=1\end{array}\right.$

其中y_ij(n)为像素位置(i,j)的校正图像，y_ij-1(n)为像素位置(i,j-1)的校正图像，y_i-1j(n)为像素位置(i-1,j)的校正图像，t_ij(n)为像素位置(i,j-1)的目标图像，i为行序号，j为列序号。

步骤203：利用sigma滤波器计算当前像素的自适应迭代步长，计算公式如下：

${\mathrm{\η}}_{\mathrm{ij}}\left(n\right)=\frac{k\max }{1+256\×{\mathrm{ratio}}_{\mathrm{ij}}\left(n\right)},$

ratio_ij(n)＝1-num_ij(n)/25

其中kmax为迭代步长可取的最大值。通过分析可以看出，在图像中的平坦区域，ratio_ij(n)接近0，迭代步长η_ij(n)接近kmax；在边缘区域，ratio_ij(n)接近1，迭代步长较小。由此可见，η_ij(n)可随图像纹理变化自适应取值。

步骤204：重复以上步骤201至203，直到图像的所有像素处理完毕为止。

为了评估本发明的性能，将其与几种基于LMS的代表性非均匀性校正方法进行比较。参与比较的方法有：采用4邻域均值滤波的Scribner方法（Scribner2x2），采用21x21均值滤波的Scribner方法（Scribner21x21），自适应学习率方法（Vera2005），门控的自适应学习率方法（Hardie2009），使用双边滤波器的方法（Rossi2009）。

图3给出不同方法对模拟数据进行非均匀性校正的结果。其中图3(a)与图3(b)分别为参考图像以及加入模拟非均匀性后的图像。图3(c)至(h)分别为Scribner2x2、Scribner21x21、Vera2005、Hardie2009、Rossi2009以及本发明的校正结果。可以看出，其他方法均存在不同程度的“鬼影”现象，只有本发明有效地抑制了“鬼影”。

图4给出不同方法对实际红外数据进行非均匀性校正的结果。其中图4(a)为校正前的图像。图4(b)至(g)分别为Scribner2x2、Scribner21x21、Vera2005、Hardie2009、Rossi2009以及本发明的校正结果。可以看出，其他方法均存在不同程度的“鬼影”，只有本发明有效地抑制了“鬼影”。

图5给出冲激噪声对不同方法性能的影响。其中图5(a)为被1%冲激噪声污染的原始图像，图5(b)为其他方法对该图像的校正结果，图5(c)为本发明的校正结果。可以看出，其他方法受冲激噪声影响很大，而本发明能有效消除冲激噪声。

由此可见，无论对加入模拟非均匀性的可见光图像序列还是对存在非均匀性的实际红外图像序列，本发明的鬼影抑制能力均优于用于比较的其他典型方法。此外，本发明不需要额外处理即可正确检测并替换坏元或冲激噪声等异常像素值。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于sigma滤波器的红外焦平面非均匀性校正方法，其特征在于，包括以下步骤：

步骤101：逐帧接收红外焦平面输出图像，并依据红外焦平面输出图像中当前帧每个像素位置的增益、偏移校正参数值完成线性校正，具体公式如下：

y_ij(n)＝g_ij(n)x_ij(n)+o_ij(n)

其中x_ij(n)为红外焦平面输出图像的当前帧，i和j分别表示像素位置的行、列坐标，n表示当前帧的序号，g_ij(n)和o_ij(n)分别为当前帧的增益、偏移校正参数；

步骤102：对线性校正后的图像进行模板大小为5x5的sigma滤波，以得到目标图像，将校正图像与目标图像相减得到误差图像，具体公式如下：

e_ij(n)＝y_ij(n)-t_ij(n)

其中y_ij(n)为线性校正后的图像，t_ij(n)为sigma滤波器输出的目标图像，e_ij(n)为误差图像，sigma滤波器同时进行坏元、冲激噪声像素的检测与替换，并输出非均匀性校正参数自适应迭代步长η_ij(n)；

步骤103：将校正图像与变化参考图像相减后取绝对值，得到差值图像，然后将差值图像每个像素的值与变化阈值比较，如果差值图像的像素值大于变化阈值，则以步骤102中的自适应迭代步长作为迭代步长，并将变化参考图像中相应像素位置的值更新为校正图像中该像素位置的值；否则，设置迭代步长为0，并保持变化参考图像的值不变，具体公式如下：

$n_{\mathrm{ij}}^{\′}\left(n\right)=\left\{\begin{array}{c}{\mathrm{\η}}_{\mathrm{ij}}\left(n\right),{|t}_{\mathrm{ij}}\left(n\right)-z_{\mathrm{ij}}\left(n\right)|>T\\ 0,\mathrm{else}\end{array}\right.$

$z_{\mathrm{ij}}(n+1)=\left\{\begin{array}{c}{t}_{\mathrm{ij}}\left(n\right),{|t}_{\mathrm{ij}}\left(n\right)-z_{\mathrm{ij}}\left(n\right)|>T\\ z_{\mathrm{ij}}\left(n\right),\mathrm{else}\end{array}\right.$

其中η′_ij(n)为迭代步长，η_ij(n)为步骤102中得到的自适应迭代步长，t_ij(n)为步骤102得到的目标图像，z_ij(n)为变化参考图像，z_ij(n+1)为用于下一帧的变化参考图像，T为变化阈值，z_ij(n)的初始值设置为大于输入图像最大值；

步骤104：完成每个像素位置的校正参数的更新，具体公式如下：

g_ij(n+1)＝g_ij(n)-η′_ij(n)e_ij(n)·y_ij(n)

o_ij(n+1)＝o_ij(n)-η′_ij(n)e_ij(n)

其中g_ij(n+1)为更新后的增益校正参数，o_ij(n+1)为更新后的偏移校正参数，η′_ij(n)为步骤103得到的迭代步长，e_ij(n)为步骤102得到的误差图像，y_ij(n)为步骤101得到的校正图像；

步骤105：重复以上步骤101至104，直到红外焦平面输出图像的所有帧都处理完毕为止。

2.根据权利要求1所述的红外焦平面非均匀性校正方法，其特征在于，步骤102进一步包括以下子步骤：

步骤201：采用5×5滑动窗口按照光栅扫描顺序依次对当前帧的校正图像进行滤波操作；

步骤202：利用sigma滤波器进行坏元、冲激噪声像素检测/替换；

步骤203：利用sigma滤波器计算当前像素的自适应迭代步长；

步骤204：重复以上步骤201至203，直到图像的所有像素处理完毕为止。

3.根据权利要求2所述的红外焦平面非均匀性校正方法，其特征在于，步骤201包括：

(a)根据预设的增益标准差sigma_a与偏移标准差sigma_b，计算当前像素的2 sigma区间S：

S＝[p_ij(n)·(1-2·sigma_a)-2·sigma_b,p_ij(n)·(1+2·sigma_a)+2·sigma_b]

其中p_ij(n)为当前像素的灰度值；

如果仅进行增益非均匀性校正，则2 sigma区间定义为：

S＝[p_ij(n)·(1-2·sigma_a),p_ij(n)·(1+2·sigma_a)]；

如果仅进行偏移非均匀性校正，则2 sigma区间定义为：

S＝[p_ij(n)-2·sigma_b,p_ij(n)+2·sigma_b]

(b)将5×5滑动窗口中每个像素的值与2 sigma区间S进行比较，如果像素的值位于区间S内，则将像素的值加入部分累加和，同时将有效像素计数值加1，否则不对累加和与有效像素计数值进行任何操作，具体公式如下：

${\mathrm{sum}}_{\mathrm{ij}}\left(n\right)=\underset{\underset{p_{i+k,j+l}\left(n\right)\∈S}{k,l\∈[-\mathrm{2,2}]}}{\mathrm{\Σ}}{p}_{i+k,j+l}\left(n\right)$

${\mathrm{num}}_{\mathrm{ij}}\left(n\right)=\underset{\underset{p_{i+k,j+l}\left(n\right)\∈S}{k,l\∈[-\mathrm{2,2}]}}{\mathrm{\Σ}}1$

其中p_i+k,j+l(n)为像素(i+k,j+l)的灰度值，sum_ij(n)为部分累加和，num_ij(n)为有效像素计数值；

(c)以sum与num的商作为sigma滤波器输出的目标图像，即：

t_ij(n)＝sum_ij(n)/num_ij(n)。

4.根据权利要求2所述的红外焦平面非均匀性校正方法，其特征在于，步骤202具体为，若当前像素位置(i，j)的有效像素计数值小于预设的有效像素阈值，则判定像素位置(i，j)的像素为坏元、冲激噪声像素，该位置的校正图像像素值、目标图像像素值均用最邻近已处理像素的值替换，即：

$y_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{c}{y}_{\mathrm{ij}-1}\left(n\right),j\≠1\\ y_{i-1j}\left(n\right),j=1\end{array}\right.$

$t_{\mathrm{ij}}\left(n\right)=\left\{\begin{array}{c}{y}_{\mathrm{ij}-1}\left(n\right),j\≠1\\ y_{i-1j}\left(n\right),j=1\end{array}\right.$

其中y_ij(n)为像素位置(i,j)的校正图像，y_ij-1(n)为像素位置(i,j-1)的校正图像，y_i-1j(n)为像素位置(i-1,j)的校正图像，t_ij(n)为像素位置(i,j-1)的目标图像，i为行序号，j为列序号。

5.根据权利要求3所述的红外焦平面非均匀性校正方法，其特征在于，步骤203中的计算公式如下：

${\mathrm{\η}}_{\mathrm{ij}}\left(n\right)=\frac{k\max }{1+256\×{\mathrm{ratio}}_{\mathrm{ij}}\left(n\right)},$

ratio_ij(n)＝1-num_ij(n)/25

其中kmax为迭代步长可取的最大值。