CN103335724A - 基于定标的场景自适应irfpa非均匀性校正方法 - Google Patents

Abstract

本发明公开了一种基于定标的场景自适应非均匀校正方法，属于红外焦平面探测领域。结合定标类算法的运算量小、实时性强优点和场景的非均匀性算法能自适应改变校正系数的优点，提出一种基于定标的场景自适应IRFPA非均匀性校正方法。该方法包括，均匀辐射下的红外模板图像的提取，多点温度校正算法增益系数和偏置系数的计算，红外场景图像与红外模板图像之间的相关系数计算，实时场景图像的非均匀性校正。本发明方法实施过程简单、运算量小、图像校正效果明显，具有应用和推广价值。

Description

基于定标的场景自适应IRFPA非均匀性校正方法

技术领域

本发明涉及图像探测处理技术领域，具体属于红外焦平面探测技术中图像的校正方法。

背景技术

红外焦平面阵列成像系统由于具有灵敏度高,体积小,结构紧凑，作用距离远、抗干扰性好、穿透烟尘雾霾能力强、可全天候工作等优点，已成为红外热成像技术发展的趋势，而凝视型红外焦平面阵列已成为未来红外热成像系统发展的主流探测器件。但由于材料工艺和制造水平的局限性，红外焦平面阵列(IRFPA)各探测单元响应特性之间普遍存在着非均匀性，导致红外成像系统的温度分辨率等性能显著降低，直接影响系统性能，以至难以满足工程应用要求，因而工程中使用的红外焦平面阵列几乎毫无例外地都采用非均匀性校正技术。

目前国内外已出现多种多样的红外焦平面阵列非均匀性校正方法，归纳起来大致可以分为两类：一类是基于定标的校正方法，主要包括两点温度定标法(TPC)和多点温度定标法(ETPC)。该类校正方法具有算法简单灵活，运算速度快，易于硬件实现等优点，是目前工程应用中的主流方法。但受红外焦平面阵列工作时间和环境变化的影响，响应系数会发生缓慢漂移，从而影响非均匀性校正精度，通常需要周期性的定标，而不具有自适应校正能力，因此难以应对复杂多变的环境。另一类是基于场景的校正方法，主要包括恒定统计平均法(CSC）、时域高通滤波法(THPFC)和人工神经网络法(ANNC）等。该类方法通常利用图像序列并依据帧间运动来计算非均匀性校正系数，能够有效地克服红外焦平面阵列随工作时间和环境变化引起的响应系数漂移，不需要进行定标，只需根据场景信息实现IRFPA非均匀性自适应校正。却存在着算法复杂、运算量大、硬件实现困难，难以应用到工程系统中，无法在工程系统中展现其非均匀性校正效果的优越性。

在基于定标类的校正方法中，以两点温度校正法最具代表性，其算法原理简单，计算量小，易于实现，且校正精度较高，成为目前IRFPA成像系统中采用最广泛的一种校正方法。采用两点校正法需两个假设条件：一是每个探测元的响应是线性的，这一假设在探测元响应的大部分区域是成立的，但是在输入较小和接近饱和时不成立，因此此时探测单元表现出有较大的非线性；二是探测元的响应具有时间稳定性，否则，定标数据将会在使用时失去意义。

在实际应用中，每个探测元的响应并非完全线性，尤其在辐照度变化范围较大时，会引入较大的误差，表现出较明显的非线性。因此可以采用多点温度校正法来降低非线性带来的误差，其原理是将探测元的响应曲线合理地分为若干段，每段用两点校正算法校正，定标点越多，校正精度越高，合理的选择定标点的数目和位置，可使得整个校正系统达到最佳的配置和运行。

因此结合基于均匀辐射参考源的定标类算法的运算量小、实时性强和基于场景的非均匀性算法能自适应改变校正系数的优点，提出一种基于定标的场景自适应非均匀性校正方法，对红外图像进行实时非均匀性校正。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种自适应校正能力强、运算量较小、提高图像处理效果的基于定标的场景自适应IRFPA非均匀性校正方法。为达到上述目的，本发明的技术方案是：

基于定标的场景自适应IRFPA非均匀性校正方法，其包括以下步骤：

101、在均匀标准参考面源的辐射下，采集红外焦平面阵列IRFPA至少两个不同温度点的红外图像作为模板，模板图像对应探测单元的响应V_ij(φ)，其中：φ为均匀辐射通量，i、j分别为红外焦平面阵列探测单元的横坐标和纵坐标；

102、根据若干个温度点时的模板图像对应的响应V_ij(φ)，计算出校正增益系数G(i,j)和校正偏置系数O(i,j)；

103、根据场景图像的响应X(i,j)与模板图像的响应V_ij(φ)之间的相关系数计算式计算出相关系数R(p,q),,其中(p,q)为区域块的位置坐标；

104、根据公式Y(i,j)=G(i,j)*X(i,j)+R(p,q)*O(i,j)，得出校正后的场景图像输出Y(i,j)。

进一步的，步骤101中，红外焦平面阵列温度选取范围为-20°C到80°C。

进一步的，步骤102中，校正增益系数G(i,j)的计算公式为：

$G(i,j)=\frac{\stackrel{\‾}{V_{\mathrm{ij}}}\left({\mathrm{\φ}}_2\right)-\stackrel{\‾}{V_{\mathrm{ij}}}\left({\mathrm{\φ}}_1\right)}{V_{\mathrm{ij}}\left({\mathrm{\φ}}_2\right)-V_{\mathrm{ij}}\left({\mathrm{\φ}}_1\right)},$ 校正偏置系数O(i,j)的计算公式为

其中V_ij(φ₁)和V_ij(φ₂)为焦平面上各探测单元在φ₁和φ₂处的响应值，

和为焦平面上各探测单元在φ₁和φ₂处的响应均值。

进一步的，步骤103中，相关系数R(p,q)的计算式为

$R(p,q)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}[V_{\mathrm{ij}}\left(\mathrm{\φ}\right)-{\stackrel{\‾}{V}}_{\mathrm{ij}}\left(\mathrm{\φ}\right)]*[X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_{\mathrm{ij}}]}{{\{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[V_{\mathrm{ij}}\left(\mathrm{\φ}\right)-{\stackrel{\‾}{V}}_{\mathrm{ij}}\left(\mathrm{\φ}\right)]}^2*\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_{\mathrm{ij}}]}^2\}}^{1/2}},$ 式中，M表示图像的行数，N表示图像的列数，M×N表示图像像素的个数，

和

分别表示场景图像和模板图像的均值。

进一步的，步骤104中，对校正后的场景图像区域块采用均值滤波法对边界灰度值进行补偿。

本发明的优点及有益效果如下：

本发明提出了基于定标的场景自适应非均匀性校正算法，利用多点校正方法偏置系数能够依据场景进行实时更新，来实现图像的非均匀性校正。算法具有较强的自适应校正能力和较高的非线性校正精度，并能够获得理想的校正图像。本发明方法实现简单，运算量小，具有较大的应用价值和实用前景。

附图说明

图1为本发明实施例的校正方法流程示意图；

图2为多点温度校正的响应模型；

图3为两点温度校正原理图；

图4为图像的区域分块图，图4(a)为场景图像的区域分块图，图4(b)为某个模板图像的区域分块图；

图5为非均匀性校正程序流程图；

图6为不同校正算法校正后的效果图，图6(a)为原始红外图像；图6(b)为两点温度校正后的图像效果；图6(c)为多点温度校正后的图像效果；图6(d)为本发明提出算法的校正效果。

具体实施方式

下面结合附图给出一个非限定性的实施例对本发明作进一步的阐述。

图1为本发明方法的实施流程图，具体包括以下步骤：红外模板图像的提取，非均匀性增益系数和偏置系数的计算，场景图像与模板图像相关系数的计算，对场景图像进行非均匀性校正。下面具体阐述各个步骤的实施过程：

（1）红外模板图像的提取

在进行红外模板图像的提取时，红外成像系统接收的红外辐射能与红外焦平面探测器工作温度有直接关系，焦平面工作温度范围一般在-20°到80°之间，以10°为间隔对红外焦平面工作温度点进行划分，在同一实验环境条件下利用黑体作为均匀辐射的参考源，采集每个不同温度点下的红外图像作为模板图像并保存。

(2)多点校正的增益和偏置系数计算

多点校正方法通过分段线性校正来实现，在每个定标区间内其方法如同两点温度校正法,将各探测单元的非线性响应当作线性响应来处理,通过平移和旋转把各探测单元的非线性响应校正为一致。多点温度校正法系数利用上述均匀辐射的模板图像来计算，采用六点均匀辐射(30°到80°)的模板图像，每10°为一定标区间，V表示探测单元的响应，φ表示辐射通量(φ₁，φ₂，φ₃，φ₄，φ₅，φ₆表示定标点)，其响应模型如图2所示。对红外焦平面阵列采用分段线性模型进行校正，校正原理图如图3所示，校正模型为：

Y_i,j(n)=G_i,j(n)·X_i,j(n)+O_i,j(n)    （1）

其中Y_i,j表示图像非均匀校正后的输出，X_i,j表示原始图像的输入，G_i,j(n)表示多点温度校正增益系数，O_i,j(n)表示多点温度校正偏置系数。增益系数G_i,j(n)和偏置系数O_i,j(n)的数学表达式为：

$G_{\mathrm{ij}}\left(n\right)=\frac{\stackrel{\‾}{V_{\mathrm{ij}}}\left({\mathrm{\φ}}_{n+1}\right)-\stackrel{\‾}{V_{\mathrm{ij}}}\left({\mathrm{\φ}}_n\right)}{V_{\mathrm{ij}}\left({\mathrm{\φ}}_{n+1}\right)-V_{\mathrm{ij}}\left({\mathrm{\φ}}_n\right)}---\left(2\right)$

$O_{\mathrm{ij}}\left(n\right)=\frac{V_{\mathrm{ij}}\left({\mathrm{\φ}}_{n+1}\right){\stackrel{\‾}{V}}_{\mathrm{ij}}\left({\mathrm{\φ}}_n\right)-V_{\mathrm{ij}}\left({\mathrm{\φ}}_n\right){\stackrel{\‾}{V}}_{\mathrm{ij}}\left({\mathrm{\φ}}_{n+1}\right)}{V_{\mathrm{ij}}\left({\mathrm{\φ}}_{n+1}\right)-V_{\mathrm{ij}}\left({\mathrm{\φ}}_n\right)}---\left(3\right)$

(3)场景图像与模板图像之间相关系数的计算

利用相关性来衡量模板图像和场景图像的相似程度，根据数学理论公式，场景图像X_ij和模板图像V_ij(φ)（φ表示φ₁，φ₂，φ₃，φ₄，φ₅，φ₆均匀辐射下的一个）的相关系数R为：

$R=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}[V_{\mathrm{ij}}\left(\mathrm{\φ}\right)-{\stackrel{\‾}{V}}_{\mathrm{ij}}\left(\mathrm{\φ}\right)]*[X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_{\mathrm{ij}}]}{{\{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[V_{\mathrm{ij}}\left(\mathrm{\φ}\right)-{\stackrel{\‾}{V}}_{\mathrm{ij}}\left(\mathrm{\φ}\right)]}^2*\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_{\mathrm{ij}}]}^2\}}^{1/2}}---\left(4\right)$

上式中，M表示图像的行数，N表示图像的列数，M×N表示图像像素的个数，

和分别表示场景图像和模板图像的均值。

在实际应用过程中，为了能够得到图像之间的最大相似程度并凸显校正图像质量，把场景图像和多个模板图像（黑体在30°到80°均匀辐射下的模板图像）进行区域分块处理，将场景图像和模板图像分成像素大小为20*20的区域块，如图4所示。分别计算多个模板图像与场景图像对应区域块的相关系数，选取同一区域块所对应的最大相关系数作为校正系数。

为了进一步减小计算相关系数的运算量，求取场景图像和多个模板图像各个区域块的平均值，在对应区域块位置选取与场景图像平均像素值最为接近的一个模板区域块作为计算相关系数的区域块模板，即场景中的高温区域块匹配高温辐射模板块，低温区域块匹配低温辐射模板块，最后求得图像每个区域块的相关系数R(p,q)，将相关系数表示式（4）式修正为：

$R(p,q)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}[V_{\mathrm{ij}}\left(\mathrm{\φ}\right)-{\stackrel{\‾}{V}}_{\mathrm{ij}}\left(\mathrm{\φ}\right)]*[X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_{\mathrm{ij}}]}{{\{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[V_{\mathrm{ij}}\left(\mathrm{\φ}\right)-{\stackrel{\‾}{V}}_{\mathrm{ij}}\left(\mathrm{\φ}\right)]}^2*\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_{\mathrm{ij}}]}^2\}}^{1/2}}---\left(5\right)$

上式中，m表示图像区域块的行数，n表示图像区域块的列数，m×n表示图像区域块像素的个数，R(p,q)为图像区域块的相关系数，(p,q)为区域块的位置坐标。

(4)基于场景的非均匀性校正

基于场景的非均匀校正法以多校正法为基础，其非均匀性校正数学表达式为：

Y(i,j)=G(i,j)*X(i,j)+R(p,q)*O(i,j)    （6）

其中R(p,q)为图像区域块的相关系数，O(i,j)为多点校正中的偏置系数，R(p,q)*O(i,j)为实时场景非均匀性偏置系数，G(i,j)为多点校正中的增益系数，X(i,j)为输入的原始场景图像，Y(i,j)为校正后的场景图像，非均匀性校正流程如图5所示。

校正后的场景图像由于各个分块中的相关系数的差异，导致图像区域块边界存在毛刺，影响成像的质量。采用均值滤波对每个分块边界灰度值进行补偿，近一步改善图像质量，增强图像的视觉效果。

图6为不同校正算法校正后的效果图，图6(a)为原始红外图像；图6(b)为两点温度校正后的图像效果；图6(c)为多点温度校正后的图像效果；图6(d)为本发明提出算法的校正效果。从图6(a)中看出原始红外图像存在较大的非均匀性，视觉效果较差；从图6(b)中看出校正后图像的非均匀性有所降低，视觉效果有所改善；从图6(c)中可以看出校正后图像的效果好于图6(b)，非均匀性得到进一步降低；从图6(d)中可以看出校正后的图像的非均匀性得到有效消除，图像的视觉效果比图6(b)、6(c)都要清晰。

本发明提出了基于定标的场景自适应非均匀性校正算法，利用多点校正方法偏置系数能够依据场景进行实时更新，来实现图像的非均匀性校正。算法具有较强的自适应校正能力和较高的非线性校正精度，并能够获得理想的校正图像。本发明方法实现简单，运算量小，具有较大的应用价值和实用前景。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于定标的场景自适应IRFPA非均匀性校正方法，其特征在于包括以下步骤：

101、在均匀标准参考面源的辐射下，采集红外焦平面阵列IRFPA在至少两个不同温度点的红外图像作为模板，模板图像对应探测单元的响应V_ij(φ)，其中：φ为均匀辐射通量，i、j分别为红外焦平面阵列探测单元的横坐标和纵坐标；

102、根据若干个温度点时的模板图像对应的响应V_ij(φ)，计算出校正增益系数G(i,j)和校正偏置系数O(i,j)；

103、根据场景图像的响应X(i,j)与模板图像的响应V_ij(φ)之间的相关系数计算式计算出相关系数R(p,q),,其中(p,q)为区域块的位置坐标；

104、根据公式Y(i,j)=G(i,j)*X(i,j)+R(p,q)*O(i,j)，得出校正后的场景图像输出Y(i,j)。

2.根据权利要求1所述的基于定标的场景自适应IRFPA非均匀性校正方法，其特征在于：步骤101中，红外焦平面阵列温度选取范围为-20°C到80°C。

3.根据权利要求1所述的基于定标的场景自适应IRFPA非均匀性校正方法，其特征在于：步骤102中，校正增益系数G(i,j)的计算公式为：

校正偏置系数O(i,j)的计算公式为

其中V_ij(φ₁)和V_ij(φ₂)为焦平面上各探测单元在φ₁和φ₂处的响应值，

和

为焦平面上各探测单元在φ₁和φ₂处的响应均值。

4.根据权利要求1所述的基于定标的场景自适应IRFPA非均匀性校正方法，其特征在于：步骤103中，相关系数R(p,q)的计算式为 $R(p,q)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}[V_{\mathrm{ij}}\left(\mathrm{\φ}\right)-{\stackrel{\‾}{V}}_{\mathrm{ij}}\left(\mathrm{\φ}\right)]*[X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_{\mathrm{ij}}]}{{\{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[V_{\mathrm{ij}}\left(\mathrm{\φ}\right)-{\stackrel{\‾}{V}}_{\mathrm{ij}}\left(\mathrm{\φ}\right)]}^2*\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[X_{\mathrm{ij}}-{\stackrel{\‾}{X}}_{\mathrm{ij}}]}^2\}}^{1/2}},$ 式中，M表示图像的行数，N表示图像的列数，M×N表示图像像素的个数，

和

分别表示场景图像和模板图像的均值。

5.根据权利要求1所述的基于定标的场景自适应IRFPA非均匀性校正方法，其特征在于：步骤104中，对校正后的场景图像区域块采用均值滤波法对边界灰度值进行补偿。

Images