CN103310108B - 一种红外焦平面探测器盲元筛选方法 - Google Patents

Abstract

本发明公开了一种红外焦平面探测器盲元筛选方法。本发明用于筛选面阵红外焦平面探测器中特定形状的盲元，并对其数量、连续盲元团簇的质心、连续盲元数等信息进行统计。本发明的方法步骤包括：1，生成待筛选的特定形状的盲元矩阵，2，求解探测器原始盲元数据中的连续盲元信息，3，寻找包围连续盲元团簇的最小盲元团簇矩阵，4，求解最小盲元团簇矩阵的信息，5，循环判断连续盲元团簇矩阵中是否包含待筛选的特定形状的盲元，6，统计保存筛选结果。本发明的优点是实现了特定形状的盲元筛选的自动化，提高了盲元筛选的效率，并且本发明使用的方法计算过程简单、运算速度快。

Description

一种红外焦平面探测器盲元筛选方法

技术领域：

本发明涉及红外焦平面探测器技术，具体涉及一种红外焦平面探测器盲元筛选方法。

背景技术：

面阵红外焦平面探测器不可避免地存在盲元，特定形状的连续盲元容易影响对特定目标的成功识别和预警。面阵红外焦平面探测器性能测试时，需要根据其不同的使用要求对不同形状的盲元进行统计分析。毛京湘等在《用MATLAB实现红外焦平面探测器盲元的统计分析》一文(《红外》第30卷第3期第44页)中公开了一种统计连续盲元的方法，该方法不能满足对特定形状的盲元进行筛选的要求。目前，若要对探测器进行特定形状的盲元筛选，只能根据探测器的原始盲元数据进行人工手动筛选和统计，效率较低。因此，实现面阵红外焦平面探测器测试时特定形状盲元筛选和统计的自动化十分必要。

发明内容：

为解决上述问题，本发明的目的是实现面阵红外焦平面探测器中特定形状盲元筛选和统计的高效自动化。

为达上述目的，本发明提供一种红外焦平面探测器盲元筛选方法，包括以下步骤：

步骤一：生成待筛选的特定形状的盲元矩阵B=[b_ij]，矩阵B的大小为I×J，有

式中，I×J取8×1，5×2，4×3，3×3或2×2，i，j为下标，i的取值范围是1，2，3，...，I，j的取值范围是1，2，3，...，J；

步骤二：求解红外焦平面探测器原始盲元数据矩阵BW中的连续盲元信息cc，有

cc=bwconncomp(BW)(2)

式中，原始盲元数据矩阵BW为X×Y大小的二值矩阵，由红外焦平面探测器盲元测试系统对实际器件进行盲元测试后生成，X×Y为被测试红外焦平面探测器的规模，bwconncomp()为MATLAB8.0软件中的函数，其中，连续盲元信息cc为bwconncomp()函数生成的数据结构体，该数据结构体包含以下数据：

1.cc.Connectivity，为整数；

2.cc.NumObjects，为整数；

3.cc.ImageSize，为1×2大小的矩阵；

4.cc.PixelIdxList，为1×cc.NumObjects大小的元胞矩阵；

步骤三：求解红外焦平面探测器原始盲元数据矩阵BW中连续盲元团簇的个数S，有

S=cc.NumObjects(3)；

步骤四：求出包围连续盲元团簇的最小盲元团簇矩阵CM_s，其中，s为下标，s的取值为1，2，3，...，S，其中，最小盲元团簇矩阵CM_s的求取步骤如下：

4‐1)求解最小盲元团簇矩阵的大小信息ccbbox，有

ccbbox=regionprops(cc,’BoundingBox’)(4)

式中，regionprops(,’BoundingBox’)为MATLAB8.0软件中的函数，其中，最小盲元团簇矩阵的大小信息ccbbox为regionprops(,’BoundingBox’)函数生成的数据结构体，该数据结构体包含ccbbox.BoundingBox一种数据，其中，ccbbox.BoundingBox为S组1×4大小的矩阵MN_s，有

MN_s=[MN1_sMN2_sMN3_sMN4_s](5)

式中，MN1_s，MN2_s为小数，MN3_s，MN4_s为整数；

4‐2)求解最小盲元团簇矩阵的图像信息ccimg，有

ccimg=regionprops(cc,’Image’)(6)

式中，regionprops(,’Image’)为MATLAB8.0软件中的函数，其中，最小盲元团簇矩阵的图像信息ccimg为regionprops(,’Image’)函数生成的数据结构体，该数据结构体包含ccimg.Image一种数据，其中，ccimg.Image为S组MN3_s×MN4_s大小的最小盲元团簇矩阵有

式中，mn3_s，mn4_s为下标，mn3_s的取值为1，2，3，...，MN3_s，mn4_s的取值范围为1，2，3，...，MN4_s；

步骤五：求解最小盲元团簇矩阵的质心信息ccct，有

ccct=regionprops(cc,’Centroid’)(8)

式中，regionprops(,’Centroid’)为MATLAB8.0软件中的函数，其中，最小盲元团簇矩阵的质心信息ccct为regionprops(,’Centroid’)函数生成的数据结构体，该数据结构体包含ccct.Centroid一种数据，其中ccct.Centroid为S组1×2大小的质心坐标矩阵CT_s，有

CT_s=[ct1_s，ct2_s](9)

式中，ct1_s为第s个最小盲元团簇矩阵的质心的横坐标，ct2_s为第s个最小盲元团簇矩阵的质心的纵坐标；

步骤六：求解最小盲元团簇矩阵的连续盲元数信息ccarea，有

ccarea=regionprops(cc,’Area’)(10)

式中，regionprops(,’Area’)为MATLAB8.0软件中的函数，其中，最小盲元团簇矩阵的连续盲元数信息ccarea为regionprops(,’Area’)函数生成的数据结构体，该数据结构体包含ccarea.Area一种数据，其中，ccarea.Area为S个整数AREA_s，其中，AREA_s为第s个最小盲元团簇矩阵的连续盲元数；

步骤七：令

s=1(11)；

步骤八：若MN3_s≥I且MN4_s≥J，进行步骤九，否则进行步骤十三；

步骤九：计算横向范围PP_s，纵向范围QQ_s，有

PP_s=MN3_s-I+1(12)

QQ_s=MN4_s-J+1(13)；

步骤十：令

pp_s=1(14)；

步骤十一：令

qq_s=1(15)；

步骤十二：计算筛选矩阵CR=[cr_ij]，筛选矩阵CR的大小为I×J，有

${\mathrm{cr}}_{\mathrm{ij}}=b_{\mathrm{ij}}\×{\mathrm{cm}}_{p_s{q}_s}-b_{\mathrm{ij}}---\left(16\right)$

式中，

p_s=i+pp_s(17)

q_s=j+qq_s(18)

若筛选矩阵CR中的元素cr_ij全部等于零，则进行步骤十三,否则进行步骤十四；

步骤十三：记录该盲元团簇编号s，该编号s对应的盲元团簇即为筛选出的特定形状的盲元；

步骤十四：令

qq_s=qq_s+1(19)

若

qq_s≤QQ_s(20)

则返回步骤十二，否则进行步骤十五；

步骤十五：令

pp_s=pp_s+1(21)

若

pp_s≤PP_s(22)

则返回步骤十一，否则进行步骤十六。

步骤十六：令

s=s+1(23)

若

s≤S(24)

则返回步骤八，否则进行步骤十七；

步骤十七：统计步骤十三记录的所有的盲元团簇编号s及相应的盲元团簇矩阵CM_s对应的质心坐标矩阵CT_s和连续盲元数AREA_s，保存统计结果。

本发明的有益效果是：

1）本发明可以实现红外焦平面探测器盲元统计的自动化；

2）本发明算法简单，计算速度快；

附图说明：

附图1：本发明方法的流程示意图。

附图2：本发明具体实施例中原始盲元数据的二值图像。

附图3：本发明具体实施例中待筛选特定形状的盲元示意图。图中(a)、(b)为第一类待筛选的盲元，(c)为第二类待筛选的盲元。

附图4：本发明具体实施例盲元筛选统计的结果。

具体实施方式：

下面结合附图和实施例对本发明做进一步详述：

本实施例对128×128面阵的红外焦平面探测器的原始盲元数据进行筛选，原始盲元数据的二值图像见图2。本实施例对两类特定形状的盲元进行筛选统计，待筛选的特定形状的盲元形状示意图见图3，

盲元筛选时，按照说明书中的方法步骤编写MATLAB代码进行相应的运算。

图4为对图3中的特定形状盲元的筛选统计结果。

上述具体实施例只是为了详细说明本发明，并非对本发明做任何形式上的限定。

Claims (1)

1.一种红外焦平面探测器盲元筛选方法，包括以下步骤：

步骤一：生成待筛选的特定形状的盲元矩阵B＝[b_ij]，矩阵B的大小为I×J，有

式中，I×J取8×1，5×2，4×3，3×3或2×2，i，j为下标，i的取值范围是1至I，j的取值范围是1至J；

步骤二：求解红外焦平面探测器原始盲元数据矩阵BW中的连续盲元信息cc，有

cc＝bwconncomp(BW)(2)

式中，原始盲元数据矩阵BW为X×Y大小的二值矩阵，由红外焦平面探测器盲元测试系统对实际器件进行盲元测试后生成，X×Y为被测试红外焦平面探测器的规模，bwconncomp()为MATLAB8.0软件中的函数，其中，连续盲元信息cc为bwconncomp()函数生成的数据结构体，该数据结构体包含以下数据：

1.cc.Connectivity，为整数；

2.cc.NumObjects，为整数；

3.cc.ImageSize，为1×2大小的矩阵；

4.cc.PixelIdxList，为1×cc.NumObjects大小的元胞矩阵；

步骤三：求解红外焦平面探测器原始盲元数据矩阵BW中连续盲元团簇的个数S，有

S＝cc.NumObjects(3)；

步骤四：求出包围连续盲元团簇的最小盲元团簇矩阵CM_s，其中，s为下标，s的取值为1，2，3，...，S，其中，最小盲元团簇矩阵CM_s的求取步骤如下：

4-1)求解最小盲元团簇矩阵的大小信息ccbbox，有

ccbbox＝regionprops(cc,’BoundingBox’)(4)

式中，regionprops(,’BoundingBox’)为MATLAB8.0软件中的函数，其中，最小盲元团簇矩阵的大小信息ccbbox为regionprops(,’BoundingBox’)函数生成的数据结构体，该数据结构体包含ccbbox.BoundingBox一种数据，其中，ccbbox.BoundingBox为S组1×4大小的矩阵MN_s，有

MN_s＝[MN1_sMN2_sMN3_sMN4_s](5)

式中，MN1_s，MN2_s为小数，MN3_s，MN4_s为整数；

4-2)求解最小盲元团簇矩阵的图像信息ccimg，有

ccimg＝regionprops(cc,’Image’)(6)

式中，regionprops(,’Image’)为MATLAB8.0软件中的函数，其中，最小盲元团簇矩阵的图像信息ccimg为regionprops(,’Image’)函数生成的数据结构体，该数据结构体包含ccimg.Image一种数据，其中，ccimg.Image为S组MN3_s×MN4_s大小的最小盲元团簇矩阵有

式中，mn3_s，mn4_s为下标，mn3_s的取值为1，2，3，...，MN3_s，mn4_s的取值范围为1，2，3，...，MN4_s；

步骤五：求解最小盲元团簇矩阵的质心信息ccct，有

ccct＝regionprops(cc,’Centroid’)(8)

式中，regionprops(,’Centroid’)为MATLAB8.0软件中的函数，其中，最小盲元团簇矩阵的质心信息ccct为regionprops(,’Centroid’)函数生成的数据结构体，该数据结构体包含ccct.Centroid一种数据，其中ccct.Centroid为S组1×2大小的质心坐标矩阵CT_s，有

CT_s＝[ct1_s，ct2_s](9)

式中，ct1_s为第s个最小盲元团簇矩阵的质心的横坐标，ct2_s为第s个最小盲元团簇矩阵的质心的纵坐标；

步骤六：求解最小盲元团簇矩阵的连续盲元数信息ccarea，有

ccarea＝regionprops(cc,’Area’)(10)

式中，regionprops(,’Area’)为MATLAB8.0软件中的函数，其中，最小盲元团簇矩阵的连续盲元数信息ccarea为regionprops(,’Area’)函数生成的数据结构体，该数据结构体包含ccarea.Area一种数据，其中，ccarea.Area为S个整数AREA_s，其中，AREA_s为第s个最小盲元团簇矩阵的连续盲元数；

步骤七：令

s＝1(11)；

步骤八：若MN3_s≥I且MN4_s≥J，进行步骤九，否则进行步骤十三；

步骤九：计算横向范围PP_s，纵向范围QQ_s，有

PP_s＝MN3_s-I+1(12)

QQ_s＝MN4_s-J+1(13)；

步骤十：令

pp_s＝1(14)；

步骤十一：令

qq_s＝1(15)；

步骤十二：计算筛选矩阵CR＝[cr_ij]，筛选矩阵CR的大小为I×J，有

式中，

p_s＝i+pp_s(17)

q_s＝j+qq_s(18)

若筛选矩阵CR中的元素cr_ij全部等于零，则进行步骤十三,否则进行步骤十四；

步骤十三：记录该盲元团簇编号s，该编号s对应的盲元团簇即为筛选出的特定形状的盲元；

步骤十四：令

qq_s＝qq_s+1(19)

若

qq_s≤QQ_s(20)

则返回步骤十二，否则进行步骤十五；

步骤十五：令

pp_s＝pp_s+1(21)

若

pp_s≤PP_s(22)

则返回步骤十一，否则进行步骤十六；

步骤十六：令

s＝s+1(23)

若

s≤S(24)

则返回步骤八，否则进行步骤十七；

步骤十七：统计步骤十三记录的所有的盲元团簇编号s及相应的盲元团簇矩阵CM_s对应的质心坐标矩阵CT_s和连续盲元数AREA_s，保存统计结果。