CN103868601B - Irfpa探测器非均匀响应的双边全变分正则化校正方法 - Google Patents

Abstract

本发明公开了一种IRFPA探测器非均匀响应的双边全变分正则化校正方法，其特征在于，针对IRFPA探测器非均匀响应的校正输出对伪影抑制和细节保持的要求，在能量泛函中引入双边全变分正则项，并与校正参数的回归估计方法相结合，充分利用了双边全变分各向异性的扩散特性，有效地降低了校正后响应输出的伪影效应，更好地保持了原始场景中的细节信息，从而使得IRFPA探测器的温度分辨率得到有效的提升。

Description

IRFPA探测器非均匀响应的双边全变分正则化校正方法

技术领域

本发明涉及一种IRFPA探测器非均匀性校正方法，具体涉及一种将双边全变分正则化与校正参数回归估计相结合的IRFPA探测器非均匀性校正方法，属于数字信号处理技术领域。

背景技术

红外焦平面阵列探测器(简称IRFPA探测器)响应不均匀所引起的固定图案噪声已严重影响到IRFPA成像系统的信噪比、温度分辨率和空间分辨率。而消除固定模式噪声的最根本途径是在探测器制造过程中采用新的材料和工艺以提升各探测元响应的一致性，然而，新材料和工艺的开发需要大量的经费投入和较长的研究周期，难以满足工程应用对成像系统输出信噪比提升的迫切需求。鉴于此，将数字信号处理技术应用于修正IRFPA探测器的非均匀响应，确是一条见效快且效费比高的技术实现途径。

现存的IRFPA探测器非均匀响应校正方法主要有：参考辐射源定标校正法和场景自适应滤波校正法。

参考辐射源定标校正法利用参考辐射源为IRFPA探测器提供均匀辐照，通过对各探测单元的响应进行测量以计算出对应单元的校正参数，进而用于对探测器的实际场景辐照响应进行校正，此类方法由于在实际场景的校正过程中只需将已通过定标获取的校正参数直接用于计算校正输出，因此实时性高，但参考辐射源定标校正法的局限性在于无法自适应地更新校正参数。

场景自适应滤波校正法则利用当前场景辐照响应数据自适应地估计校正参数，并用于后续场景辐照响应的校正，此类方法不断地对校正参数进行迭代估计，不受器件工作状态变化引起参数漂移的影响，因此校正结果的时间稳定性好、精度高。鉴于此，在校正精度要求较高的应用中多采用基于场景的自适应滤波校正方法。

现有的各种基于场景的自适应校正方法中，采用参数回归估计的神经网络校正方法(Adaptive nonuniformity correction for IR FocalPlane Arrays Using Neural Networks,Infrared Sensors:Detectors,Electronics,and Signal Processing,SPIE,1991,Vol.1541,pp.100-109)较之其它方法具有校正效果好、稳定性高以及计算量小的优点。然而，在非均匀响应较为严重的情况下，该方法未能很好地解决伪影现象且对真实场景的结构信息保护欠佳。

综上前述，针对如何在有效保持场景细节信息的前提下消除探测器的非均匀响应，寻求一种可靠的方法对IRFPA非均匀响应进行自适应校正就显得尤为重要。

发明内容

本发明的目的在于将双边全变分正则化加入校正参数的回归估计过程，提出一种新颖的IRFPA探测器非均匀响应的双边全变分正则化校正方法，以减小校正后响应值与实际场景辐照值之间的偏差，进而提高IRFPA探测器的温度分辨率。

为了实现上述目标，本发明采用如下的技术方案：

一种IRFPA探测器非均匀响应的双边全变分正则化校正方法，其特征在于，将双边全变分正则化引入校正参数回归估计中，具体包括如下步骤：

(1)、IRFPA探测器采集得到t时刻的场景辐射观测值Y_t；

(2)、利用当前增益校正参数的估计值和偏置校正参数的估计值计算出当前场景辐射观测值Y_t的校正值

(3)、利用邻域平均法计算出当前场景的校正值的期望值T_t；

(4)、利用当前场景的校正值和期望值T_t，获得由保真项和双边全变分正则项构成的能量泛函E_t；

(5)、采用最陡下降优化方法求解能量泛函E_t最小化问题，获得t+1时刻的增益校正参数和偏置校正参数

(6)、根据t+1时刻的增益校正参数和偏置校正参数计算出t+1时刻IRFPA探测器场景辐射观测值Y_t+1的校正值

(7)、对IRFPA探测器采集到的后续场景辐射观测值Y_n依次执行步骤(3)到步骤(6)，便可得到相应的校正值前述n≥t+2。

前述的方法，其特征在于，在步骤(2)和步骤(6)中，基于该时刻增益校正参数和偏置校正参数的场景辐射观测值Y的校正值的计算公式为：

$\hat{X}=\hat{G}\·Y+\hat{O}.$

前述的方法，其特征在于，在步骤(3)中，场景校正值的期望值T_t的计算公式为：

$T_t={\hat{X}}_t\⊗\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$

式中，符号代表卷积运算。

前述的方法，其特征在于，在步骤(4)中，能量泛函E_t表示为：

$E_t=|{\hat{X}}_t-T_t|+\mathrm{\δ}\underset{l=-1}{\overset{1}{\Σ}}\underset{m=-1}{\overset{1}{\Σ}}{\mathrm{\α}}^{\left|m\right|+\left|l\right|}|{\hat{X}}_t-S_x^l{S}_y^m{\hat{X}}_t|$

式中，和分别代表将图像沿x和y方向平移l和m个像素的平移算子。

前述的方法，其特征在于，在步骤(5)中，获取t+1时刻的增益校正参数和偏置校正参数的迭代计算公式分别为：

${\hat{G}}_{t+1}={\hat{G}}_t+\mathrm{\λ}\[sign({\hat{X}}_t-T_t)+\mathrm{\δ}\underset{l=-1}{\overset{1}{\Σ}}\underset{m=-1}{\overset{1}{\Σ}}{\mathrm{\α}}^{\left|m\right|+\left|l\right|}\left(F_1\right({\hat{X}}_t,m,l)-F_2({\hat{X}}_t,m,l\left)\right)\]Y_t$

${\hat{O}}_{t+1}={\hat{O}}_t+\mathrm{\λ}\[sign({\hat{X}}_t-T_t)+\mathrm{\δ}\underset{l=-1}{\overset{1}{\Σ}}\underset{m=-1}{\overset{1}{\Σ}}{\mathrm{\α}}^{\left|m\right|+\left|l\right|}\left(F_1\right({\hat{X}}_t,m,l)-F_2({\hat{X}}_t,m,l\left)\right)\]$

式中，λ为迭代步长，sign(·)代表符号函数，δ为尺度参数，正则项中的

$F_2({\hat{X}}_t,m,l)=S_y^{-m}{S}_x^{-l}\left(sign\right({\hat{X}}_t-S_x^l{S}_y^m{\hat{X}}_t\left)\right).$

本发明的有益之处在于：本发明的方法在能量泛函中引入双边全变分正则项，并与校正参数的回归估计方法相结合，充分利用了双边全变分各向异性的扩散特性，有效地降低了校正后响应输出的伪影效应，更好地保持了原始场景中的细节信息，从而使得IRFPA探测器的温度分辨率得到有效的提升。

附图说明

图1是本发明的实现框图；

图2是一幅室外场景非均匀响应图像；

图3是图2中的图像经神经网络方法校正后输出的图像；

图4是图2中的图像经本发明的方法校正后输出的图像。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

参照图1，本发明的IRFPA探测器非均匀响应的双边全变分正则化校正方法，将双边全变分正则化引入校正参数回归估计中，具体包括如下步骤：

(1)、IRFPA探测器采集得到t时刻的场景辐射观测值Y_t。

(2)、利用当前增益校正参数的估计值和偏置校正参数的估计值计算出当前场景辐射观测值Y_t的校正值

(3)、利用邻域平均法计算出当前场景校正值的期望值T_t：

式中，符号代表卷积运算。

(4)、利用当前场景的校正值和期望值T_t，获得由保真项和双边全变分正则项构成的能量泛函E_t：

式中，为保真项，用于控制估计图像与期望值T_t之间的逼近度；

为双边全变分正则项，用于控制平滑度；

和分别代表将图像沿x和y方向平移l和m个像素的平移算子。

(5)、采用最陡下降优化方法求解能量泛函E_t最小化问题，获得t+1时刻的增益校正参数和偏置校正参数计算公式分别为：

式中，sign(·)代表符号函数，λ为迭代步长，δ为尺度参数，在保真项和正则项间起平衡作。而正则项中：

(6)、根据步骤(5)所获得的t+1时刻的增益校正参数和偏置校正参数计算出t+1时刻IRFPA探测器场景辐射观测值Y_t+1的校正值

(7)、对IRFPA探测器采集到的后续场景辐射观测值Y_n(n≥t+2)依次执行步骤(3)到步骤(6)，便可得到相应的校正值

采用现在使用的神经网络方法校正图2中的图像后，输出的图像见图3。

采用本发明的方法校正图2中的图像后，输出的图像见图4。

通过图3和图4的对比可以看出，经本发明方法校正后图像较之神经网络校正方法的校正结果，细节更清晰，锐度更高，残余非均匀性更小，基本观察不到伪影现象。

下面，分别采用粗糙度参数(ρ)、峰值信噪比(PSNR)和结构相似度(SSIM)，来量化评估本发明提出的双边全变分正则化非均匀性校正方法与现有神经网络校正方法的性能。

(1)、粗糙度参数

粗糙度参数ρ的数学表达式为：

式中，f表示校正后输出图像，h₁表示水平差分模板[1,-1]，h₂＝h₁ ^T表示垂直差分模板，符号代表卷积运算，||·||₁则表示L₁范数。ρ取值越小则表明图像更平滑，非均匀性越小。

(2)、峰值信噪比

峰值信噪比PSNR的数学表达式为：

式中，I和I₀分别表示尺寸为M×N的校正后图像和未受噪声污染图像，PSNR取值越大表明对噪声抑制越好。

(3)、结构相似度

结构相似度SSIM的数学表达式为：

其中，亮度比较项μ_X和μ_Y分别表示参考图像X和估计图像Y的均值；对比度比较项σ_X和σ_Y分别表示参考图像X和估计图像Y的方差；结构比较项用参考图像X和估计图像Y的归一化信号(X-μ_X)/σ_X和(X-μ_Y)/σ_Y的相关系数来表示，SSIM取值越大说明校正后图像与原始场景结构相似度越高，细节保持能力越好。

对比测试的实验结果见表1。

表1对比测试结果的量化参数对比表

由表1可见：

(1)、经本发明提出的方法校正后的图像的粗糙度参数(ρ)明显低于神经网络校正方法校正结果，说明校正后图像均匀性更高。

(2)、经本发明提出的方法校正后的图像的峰值信噪比(PSNR)明显高于神经网络校正方法校正结果，说明校正后图像残留噪声更小。

(3)、经本发明提出的方法校正后的图像的结构相似性系数(SSIM)明显高于神经网络校正方法校正结果，说明校正后图像保留了原始场景更多的结构信息。

上述结果充分说明了，本发明的方法可有效提升IRFPA探测器响应的均匀性，使校正输出值更加接近实际的响应值。

综上，本发明所提出的双边全变分正则化非均匀性校正方法可有效降低校正后的响应值与实际场景辐照值之间的偏差，对提升IRFPA探测器的温度分辨率起到了重要作用。

需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (5)

1.IRFPA探测器非均匀响应的双边全变分正则化校正方法，其特征在于，将双边全变分正则化引入校正参数回归估计中，具体包括如下步骤：

(1)、IRFPA探测器采集得到t时刻的场景辐射观测值Y_t；

(2)、利用当前增益校正参数的估计值和偏置校正参数的估计值计算出当前场景辐射观测值Y_t的校正值

(3)、利用邻域平均法计算出当前场景的校正值的期望值T_t；

(4)、利用当前场景的校正值和期望值T_t，获得由保真项和双边全变分正则项构成的能量泛函E_t；

(5)、采用最陡下降优化方法求解能量泛函E_t最小化问题，获得t+1时刻的增益校正参数和偏置校正参数

(6)、根据t+1时刻的增益校正参数和偏置校正参数计算出t+1时刻IRFPA探测器场景辐射观测值Y_t+1的校正值

(7)、对IRFPA探测器采集到的后续场景辐射观测值Y_n依次执行步骤(3)到步骤(6)，便可得到相应的校正值所述n≥t+2。

2.根据权利要求1所述的方法，其特征在于，在步骤(2)和步骤(6)中，基于该时刻增益校正参数和偏置校正参数的场景辐射观测值Y的校正值的计算公式为：

$\hat{X}=\hat{G}\·Y+\hat{O}.$

3.根据权利要求1所述的方法，其特征在于，在步骤(3)中，场景校正值的期望值T_t的计算公式为：

$T_t={\hat{X}}_t\⊗\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$

式中，符号代表卷积运算。

4.根据权利要求1所述的方法，其特征在于，在步骤(4)中，能量泛函E_t表示为：

$E_t=|{\hat{X}}_t-T_t|+\mathrm{\δ}\underset{l=-1}{\overset{1}{\Σ}}\underset{m=-1}{\overset{1}{\Σ}}{\mathrm{\α}}^{\left|m\right|+\left|l\right|}|{\hat{X}}_t-S_x^l{S}_y^m{\hat{X}}_t|$

式中，和分别代表将图像沿x和y方向平移l和m个像素的平移算子，δ为尺度参数，α为双边距离权调节参数，0<α<1。

5.根据权利要求1所述的方法，其特征在于，在步骤(5)中，获取t+1时刻的增益校正参数和偏置校正参数的迭代计算公式分别为：

${\hat{G}}_{t+1}={\hat{G}}_t+\mathrm{\&lambda;}\&lsqb;sign({\hat{X}}_t-T_t)+\mathrm{\&delta;}\underset{l=-1}{\overset{1}{\&Sigma;}}\underset{m=-1}{\overset{1}{\&Sigma;}}{\mathrm{\&alpha;}}^{\left|m\right|+\left|l\right|}\left(F_1\right({\hat{X}}_t,m,l)-F_2({\hat{X}}_t,m,l\left)\right)\&rsqb;Y_t$

${\hat{O}}_{t+1}={\hat{O}}_t+\mathrm{\&lambda;}\&lsqb;sign({\hat{X}}_t-T_t)+\mathrm{\&delta;}\underset{l=-1}{\overset{1}{\&Sigma;}}\underset{m=-1}{\overset{1}{\&Sigma;}}{\mathrm{\&alpha;}}^{\left|m\right|+\left|l\right|}\left(F_1\right({\hat{X}}_t,m,l)-F_2({\hat{X}}_t,m,l\left)\right)\&rsqb;$

式中，λ为迭代步长，sign(·)代表符号函数，δ为尺度参数，α为双边距离权调节参数，0<α<1，正则项中的

$F_1({\hat{X}}_t,m,l)=sign({\hat{X}}_t-S_x^l{S}_y^m{\hat{X}}_t),F_2({\hat{X}}_t,m,l)=S_y^{-m}{S}_x^{-l}\left(sign\right({\hat{X}}_t-S_x^l{S}_y^m{\hat{X}}_t\left)\right).$