CN103076096A - 基于中值直方图均衡的红外非均匀性校正算法 - Google Patents

Abstract

本发明公开了一种基于中值直方图均衡的红外非均匀性校正算法，本算法步骤如下：首先采集一幅红外图像；再确定每一列的统计直方图，根据统计直方图获得每一列的累积直方图；根据相邻列的累积直方图进行高斯加权运算重新获得当前列的累积直方图；将每一列上各个像素根据得到的累积直方图计算出相应地灰度值；最后输出图像，输出的图像大小和采集的图像相同。本发明算法简单且非常适合于并行实现；进行非均匀性校正时候不需要进行定标，也不需要进行相机的补偿运动，也不需要关闭孔径传感器进行均衡。

Description

基于中值直方图均衡的红外非均匀性校正算法

技术领域

本发明属于红外非均匀性校正技术范围内的一种，具体涉及一种基于中值直方图均衡的红外非均匀性校正算法，特别适用于红外热像仪图像校正，减少红外图像非均匀性，避免“鬼影”。

背景技术

理想情况下，当红外焦平面阵列受到均匀辐射时，焦平面的响应输出应完全一样。实际上，由于制作器件的半导体材料不均匀、缺陷、工艺条件等因素影响下，红外焦平面阵列的不同像元在同一均匀入射辐射下，其视频输出信号幅度不同，这就是红外焦平面阵列输出响应的非均匀性。和单点扫描方式和线阵扫描方式相比，红外焦平面阵列更容易受到红外响应非均匀性的影响。单点扫描方式不存在红外响应非均匀性的问题，线阵扫描方式的响应非均匀性只存在于线阵方向，而对于焦平面阵列，这种红外响应的非均匀性存在于整个像平面上。而且由于制作探测器的材料不同，其非均匀性严重程度也有所不同；并且愈是大规模的器件，非均匀性问题就愈突出，因此有必要减少器件的非均匀性。

和非均匀性相关的概念有非均匀性(nonuniformity)、空间噪声(spatial noise)、固定模式噪声(fixedpatternnoise)等。J.M.Mooney认为空间噪声是对一幅红外图像进行校正后的噪声，在不同的帧之间该噪声具有相关性。空间噪声在监视器上以固定的模式出现，随时间或工作环境略有变化，这个术语强调的是这种固定模式噪声的统计特性。实际上，空间噪声是在校正后的非均匀性。该特性可以被用于判断探测器的应用场合及评估系统的最终性能。而非均匀性是焦平面阵列输出在时域平均后的波动，表现为在红外图像上面会产生条纹现象。条纹的存在影响红外图像的清晰度，不利于观察者进行观察和测量，所以应尽量减少或者避免条纹，校正图像的非均匀性。

非均匀性校正方法主要包括两种：一类是定标法，另一类是场景法。定标法即基于红外参照源的方法，这类方法的典型代表是两点温度定标算法，由于校正参数的生成不是来源于真实均匀外场辐射，所以校正性能难免会受到影响，又由于红外系统的不稳定性，使得非均匀性会随时间发生漂移，因此系统需要重复标定，这是定标法最大的缺点（D.A.Scribner,K.A.Sarkady.Nonuniformitycorrectionfor staring IR focal plane arrays using scene-based techniques[C].InfraredDetectors and Focal Plane Arrays,SPIE,1990,1308(1):224～233.）。另外一种场景法是依据实际场景的信息实现非均匀性校正，它极大的克服了温度定标类NUC方法的不足，不需要参照源，简化了系统结构，而且具有自适应校正的特点，兼顾了系统的不稳定性，成为NUC技术的发展的主要方向，将逐步替代定标法（D.A.Scribner,K.Asarkady，M.R.Kruer,et al.Adaptive retina-like preprocessing forimaging detector arrays[C],Proc.IEEE,1993,1955～1960.）。

中值算法最初是用来修正各相机中传感器增益之间的差异，采用中值算法可以比较由不同相机获得的图像被直方均衡后更容易些，因此这种方法随后被扩大到闪烁校正上的应用上。

假设两个累积直方图H₁,H₂,则校正图像的中值累积直方图表示为：

${\mathrm{Hmid}}^{-1}=\frac{H_1^{-1}+H_2^{-1}}{2}$

这中取均值的方法可以被推广到任一数量级的图像上。一旦采用中值直方图进行对比度均衡，那么图像就会出现明显地单调对比变化，这样就可以将中值直方图Hmid指定为图像的直方图，不再用简单的累积直方图当作图像的直方图。因此，所有图像直方图都可以采用取中值直方图的方法来获得，也可以使用取中值直方图的方法来对红外图像的非均匀性进行校正。

发明内容

本发明的目的在于提供一种基于中值直方图均衡的红外非均匀性校正算法，减少红外热像仪的非均匀性，避免鬼影。

实现本发明目的的技术解决方案为：

本发明的算法是建立在取中值直方图算法基础上，并进行一些改进得到的。

红外非均匀性校正算法在许多文献中提到，用来去除邻近像元传感器由于缺少均衡产生的噪声。一些非均匀校正算法尝试消除传感器参数来进行校正，而另一些算法试图尝试再现真实场景来进行校正。大多数算法对像元传感器使用了一个简单的线性变换模型来描述传感器的转换功能：

z_t(X)=u0_t(X)g_t(X)+b_t(X)+η_t(X)

其中X是像素的位置，t是相机拍摄时间，z_t(X)是传感器的输出值，u0_t(X)是场景的实际灰度值，g_t(X)是传感器的增益，b_t(X)是经过传感器后的偏移量，η_t(X)是随机噪声。采用这些算法得到的都是一系列图像而不是一帧的图像，而且有的算法使用前需要进行标定而且校正效果一般，有的则需要相机进行补偿移动而且算法的计算量很大。和上述方法相比，使用基于中值算法校正的时候既不需要标定，也不需要相机补偿移动，而且可以只需要对单帧进行运算，这样大大减少了算法的计算量，也易于算法的硬件化。

目前许多红外非均匀校正算法已经被广泛地应用到均衡每个像元传感器的直方图，其中采用中值直方图进行均衡要比采用其他简单直方图均衡得到地效果更好。一般而言直方图的均衡是建立在单个独立于读出系统而且自身含有很多信息的列（或行）基础上的。然而对于连续的图像，两个相邻列之间的差异很小，因此可以推断出两个相邻列的直方图几乎相同。尽管中值直方图和简单直方图相似，但是采用中值直方图均衡的方法更好地适用于图像本身的内部均衡。所以可以把图像每一列（行）的直方图转变成两个相邻的列（行）之间的中值直方图。但是由于混合图样噪声（FPN）一般不是独立存在地，对于图像中存在强烈的FPN，则应该采用取更多地相邻列（行）的中值直方图进行均衡的方法。本发明在中值直方图上面作了一些改进，并不是采用取两个相邻列直方图均值的方法，而是对许多相邻列的直方图采用高斯公式加权的方法，这样做虽然算法的计算量增加了，但是可以获得更高质量的图像，同时可以大幅度降低图像内部噪声（尤其FPN）。

算法步骤如下：

第一步：采集一幅8bit的图像o(i,j)∈{0,...,255}，其中(i,j)∈{1,...,N}×{1,...,M}，像素数为M*N，i表示图像上像素的行所在位置，j表示图像上像素的列所在位置，M表示采集图像的行数，N表示采集图像的列数。

第二步：对于一幅图像的每一列j∈{1,...,M}，确定每一列c_j的统计直方图H′_j，然后根据统计直方图获得每一列的累积直方图H_j

H_j:{0,...,255}→H_j:[0,1]

$l\→H_j\left(l\right)={\mathrm{\Σ}}_{k=0}^l{\mathrm{\Σ}}_{i=1}^N{1}_{\{o(i,j)=k\},}$

1为某一个像素的灰度值，k为小于1的灰度值；由于8bit的图像灰度值范围为[0,255]，将灰度值进行归一化处理。统计直方图H′_j具体是先统计某一个灰度值为1的像素的个数，累积直方图是在统计直方图基础上将灰度值小于1的灰度值个数进行累计，从而得到H_j(l)。这样就可以知道灰度值1和H_j(l)对应关系。

第三步：然后将每一列累积直方图中的像素灰度值并转变成由相邻列的累积直方图加权得到灰度值

${\tilde{H}}_j^{-1}=\mathrm{\Σ}\underset{k\∈(-n,...,n)}{g}\left(k\right)H_{k+j}^{-1}$

式中：g(k)为高斯权重 $g\left(k\right)=g_s\left(k\right)=\frac{1}{s\sqrt{2\mathrm{\π}}}{e}^{\frac{{-k}^2}{{2s}^2}},$ s为标准偏差，宽度n=floor(4s)，k表示距离当前列的左右相邻列的个数。重新获得当前列累积直方图的时候并没有采用简单的取中值方法，这是因为图像中存在强烈的混合图样噪声，而且这些噪声并不是独立存在的，它们之间有一定地相关性，因此采用简单的取加权平均值并不能很好地减少噪声。由于和当前列相邻越近的列，它们的直方图就越相似，计算的时候相比于其他离得远的列来说，占得比重更大。而且采用高斯公式得到的是钟形曲线，用它来进行加权运算更能符合上述变化规律，所以采用高斯加权运算要比采用简单地加权平均更好些。高斯公式中标准偏差s的选择依赖于相机的选取，与场景的变化无关。因此，对于不同的相机，标准偏差s需要改变一次。要想获得一个好的标准偏差s可以通过先选取一个小的参数，然后逐渐增大该参数值直到获得高质量的图像为止。

第四步：每一列c_j上每一个像素的灰度值指定到由第三步获得的累积直方图中对应的灰度值

$d(i,j)={\tilde{H}}_j^{-1}\left(H_j\left(o(i,j)\right)\right)\∀i\∈\{1,...,N\}$

第五步：输出图像：d(i,j)。

本发明与现有技术相比，其显著优点：

（1）本发明算法简单且非常适合于并行实现，这是因为采用该算法，图像的每一列都可以进行独立处理。

（2）本发明算法都是分开处理图像，因此不存在“鬼影”，而且随着时间的推移，一些参数的漂移带来地影响也是可以忽略不计的。

（3）本发明算法得到地输出图像受高斯残留时间噪声的影响要比受非均匀性的影响大，这就使得再应用一些其他的去噪算法可以获得更清晰，质量更好的图像。

（4）本发明算法进行非均匀性校正时候不需要进行定标，也不需要进行相机的补偿运动，也不需要关闭孔径传感器进行均衡。

附图说明

图1是本发明算法的流程示意图。

图2是原始红外图像。

图3是经过本发明算法校正后的红外图像。

具体实施方式

下面结合附图对本发明作进一步详细描述。

结合图1，本发明算法的流程示意图，包括（1）读入一幅图像；（2）确定出每一列的统计直方图，在统计直方图的基础上得到该列的累积直方图；（3）根据相邻列的累积直方图通过高斯加权方法重新获得当前列的累积直方图；（4）每一列上各个像素根据重新得到的累积直方图获得相应地灰度值（5）输出图像。

结合图2和图3，具体算法实现过程：

采用MATLAB2010软件来对算法进行编译和仿真。

（1）读入一幅8bit的红外图像，图像大小为284*384，像素数为109056，灰度值范围为[0,255]。

（2）首先计算每一列c_j的统计直方图H′_j，计算后的每一列的统计直方图大小为384*256的矩阵。根据统计直方图H′_j计算出每一列c_j的累积直方图H_j，计算后整个图像的累积直方图大小为384*256的矩阵。

（3）根据相邻列的累积直方图进行高斯加权运算重新获得当前列的累积直方图，其中相邻列的个数左右各取12个，高斯公式中s的大小取4。

（4）每一列上各个像素根据得到的累积直方图计算出相应地灰度值。

（5）输出图像，输出的图像大小仍然为284*384。

通过观察原始的红外图像发现，原始的红外图像上面的红外非均匀性很重，表现为有许多的竖条纹，而且条纹十分明显。原始的红外图像的对比度也比较弱，层次感不明显。通过算法处理后，可以很清楚地看见竖条纹的个数有了大幅度减少，非均匀性得到了明显地改善，而且处理后的图像对比度也有一定增强，层次感相比于原始红外图像更鲜明了。

Claims (1)

1.基于中值直方图均衡的红外非均匀性校正算法，其特征在于，算法步骤如下：

第一步：采集一幅8bit的红外图像o(i,j)∈{0,...,255}，其中(i,j)∈{1,...,N}×{1,...,M}，像素数为M*N，i表示图像上像素的行所在位置，j表示图像上像素的列所在位置，M表示采集图像的行数，N表示采集图像的列数；

第二步：对于一幅图像的每一列j∈{1,...,M}：

确定每一列c_j的统计直方图H′_j，然后根据统计直方图获得每一列的累积直方图H_j

$H_j:\{0,...,255\}\→[0,1]$

$l\→H_j\left(l\right)=\frac{1}{N}{{\mathrm{\Σ}}_{k=0}^l\mathrm{\Σ}}_{i=1}^N{1}_{\{o(i,j)=k\},}$

l为某一个灰度值像素的个数；

统计直方图H′_j具体是先统计某一个灰度值l像素的个数，累积直方图是在统计直方图基础上将灰度值小于l的灰度值个数进行累计，从而得到H_j(l)；

第三步：然后将每一列累积直方图中的像素灰度值并转变成根据相邻列的累积直方图加权计算得到灰度值

${\tilde{H}}_j^{-1}=\mathrm{\Σ}\underset{k\∈(-n,...,n)}{g}\left(k\right)H_{k+j}^{-1};$

其中g(k)为高斯权重 $g\left(k\right)=g_s\left(k\right)=\frac{1}{s\sqrt{2\mathrm{\π}}}{e}^{\frac{{-k}^2}{2s^2}},$ s为标准偏差，宽度n=floor(4s)，k表示距离当前列的左右相邻列的个数；

第四步：每一列c_j上每一个像素的灰度值指定到由第三步获得的累积直方图中对应的灰度值

$d(i,j)={\tilde{H}}_j^{-1}\left(H_j\left(o(i,j)\right)\right)\∀i\∈\{1,...,N\};$

第五步：输出图像：d(i,j)。

Images