CN104346784A - 基于msr的短波红外成像辐射量校正方法 - Google Patents

Abstract

本发明公开了基于MSR的短波红外成像辐射量校正方法包括：步骤1：建立短波红外图像的退化和恢复模型；步骤2：将经过步骤1的短波红外图像在短波红外焦平面的MSR算法模型中进行运算；步骤3：将经过步骤2的短波红外图像基于MSR算法的红外成像辐射量校正；本发明采用MSR算法对辐射量退化的短波红外图像进行恢复，同时具有图像增强的作用。

Description

基于MSR的短波红外成像辐射量校正方法

技术领域

本发明涉及红外成像的技术领域，特别是涉及基于MSR的短波红外成像辐射量校正方法。

背景技术

短波红外图像在形成、传输和记录过程中，由于成像系统、传输介质和记录设备的不完善，都会使图像的质量下降，或称退化。图象恢复，又称图象复原，就是要尽可能恢复被退化图像的本来面目。因此，它需要弄清退化的原因，建立相应的数学模型，并沿着使图像降质的逆过程恢复图像。

对于焦平面阵列红外探测成像而言，引起它退化的因素有很多，如：大气湍流的热辐射效应、光学系统的球面效应，探测器的非均匀性，成像结构的热辐射，成像设备与物体的相对运动，及成像积分电路的弹性颗粒噪声等因素。红外成像的退化主要表现为红外图像出现四周减光、辐射度不均匀、对比度下降、图像变模糊，噪声增大等情况。

因此，希望有一种基于MSR的短波红外成像辐射量校正方法来克服或至少减轻上述的缺陷。

发明内容

本发明的目的在于提供基于MSR的短波红外成像辐射量校正方法来克服现有技术中存在的上述问题。

为实现上述目的，本发明提供基于MSR的短波红外成像辐射量校正方法，包括：

步骤1：建立短波红外图像的退化和恢复模型；

步骤2：将经过步骤1的短波红外图像在短波红外焦平面的MSR算法模型中进行运算；

步骤3：将经过步骤2的短波红外图像基于MSR算法的红外成像辐射量校正。

优选地，所述步骤1中短波红外图像受到加性噪声和探测器剩余非均匀性的干扰n(x，y)，短波红外图像的退化图像可写为

g(x，y)＝f(x，y)*h(x，y)+n(x，y)

通过已知退化图像g(x，y)、有关点扩展函数h(x，y)的先验知识、和有关噪声和剩余非均匀性n(x，y)的一些统计特性，对原始图像f(x，y)作估值，使估算出的图像尽可能接近真实的f(x，y)。

优选地，所述步骤1中对原始图像f(x，y)作估值使用的方法包括：逆滤波恢复、Wiener滤波恢复、功率谱均衡恢复、约束最小平方恢复、最大后验恢复或局部增强恢复。

优选地，在所述步骤2中的MSR算法：

$R(x,y)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{w}_n\{1\mathrm{gI}(x,y)-1g[F_n(x,y)*I(x,y)\left]\right\}---\left(5\right)$

$F_n(x,y)=K_n\exp (-\frac{x^2+y^2}{{c_n}^2})---\left(6\right)$

∫∫F_n(x，y)dxdy＝1   (7)

其中，R(x，y)是Retinex的输出，I(x，y)是图像分布，即(x，y)位置的亮度值，*表示卷积运算，F(x，y)是环绕函数，N是尺度因子的个数；w为第n个尺度因子的加权系数，满足通过对不同环绕尺度因子处理后的结果进行加权平均，可以使得不同的尺度因子的影响相互补充，从而获得较好的图像恢复效果。

优选地，在所述步骤3中对经过所述步骤2中的MSR算法的多个尺度处理结果进行加权平均，用于改善单尺度处理带来的局限性，提高处理的视觉效果。

优选地在所述步骤3中经MSR处理后图像的对此度和亮度通常较低，为了获取较好的显示效果，采用线性对比度拉伸进一步提高图像亮度：

$I_{\mathrm{out}}=\left\{\begin{array}{cc}0& I_{\mathrm{in}}\&le;I_{\mathrm{low}}\\ \frac{I_{\mathrm{in}}-I_{\mathrm{low}}}{I_{\mathrm{hi}}-I_{\mathrm{low}}}{d}_{\max }& I_{\mathrm{low}}<I_{\mathrm{in}}<I_{\mathrm{hi}}\\ d_{\max }& I_{\mathrm{in}}\&GreaterEqual;I_{\mathrm{hi}}\end{array}\right.---\left(8\right)$

其中，I_hi为上限截取点，I_low为下限截取点，结合图像的直方图呈近似正态分布，根据显示设备动态范围和图像自身内容自适应调整截取参数的自适应对此度增强算法：

$\left\{\begin{array}{c}{I}_{\mathrm{hi}}=u+3\mathrm{\&sigma;}\\ I_{\mathrm{low}}=u-3\mathrm{\&sigma;}\end{array}\right.---\left(9\right)$

其中，μ和σ分别是输出图像的整体均值和标准方差，经正态截取拉伸MSR处理后，短波红外图像的对此度与亮度均得到了较大的提高，且具有良好的视觉效果。

本发明采用MSR算法对辐射量退化的短波红外图像进行恢复，同时具有图像增强的作用。

具体实施方式：

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

根据本发明一宽泛实施例的基于MSR的短波红外成像辐射量校正方法，包括：

步骤1：建立短波红外图像的退化和恢复模型；

步骤2：将经过步骤1的短波红外图像在短波红外焦平面的MSR算法模型中进行运算；

步骤3：将经过步骤2的短波红外图像基于MSR算法的红外成像辐射量校正。

一般说来，短波红外图像的生成过程可简单地表示为

g(x，y)＝Hf(x，y)   (1)

其中是f(x，y)成像物体，H是包含成像系统所有关键性能的一个算子，f(x，y)是生成的图像。在图像恢复中，f(x，y)可理解为代表物体的原图像，g(x，y)为实际得到的退化图像，而H是所有退化因素的函数，称为成像系统的冲激响应或点扩展函数。

若图像受到加性噪声和探测器剩余非均匀性的干扰n(x，y)，则退化图像可写为

g(x，y)＝f(x，y)*h(x，y)+n(x，y)

我们可以把短波红外图像恢复问题看作用已知的退化图像g(x，y)、有关点扩展函数h(x，y)的先验知识、和有关噪声和剩余非均匀性n(x，y)的一些统计特性，对原始图像f(x，y)去作估值，使估算出的图像尽可能接近真实的f(x，y)。

常见的短波红外图像恢复方法有：逆滤波恢复、Wiener滤波恢复、功率谱均衡恢复、约束最小平方恢复、最大后验恢复或局部增强恢复。

对于短波红外图像，SSR算法可表示为：

R(x，y)＝1gI(x，y)-1g[F(x，y)*I(x，y)]   (2)

其中，R(x，y)是Retinex的输出，I(x，y)是图像分布，即(x，y)位置的亮度值，*表示卷积运算，F(x，y)是环绕函数，其形式如式(3)所示

$F(x,y)=\mathrm{Kexp}(-\frac{x^2+y^2}{c^2})---\left(3\right)$

其中，c为环绕尺度因子；K为归一化常数，使得环绕函数满足

∫∫F(x，y)dxdy＝1   (4)

显然，SSR的性能很大程度上取决于环绕尺度因子c，而MSR算法：

$R(x,y)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_n\{1\mathrm{gI}(x,y)-1g[F_n(x,y)*I(x,y)\left]\right\}---\left(5\right)$

$F_n(x,y)=K_n\exp (-\frac{x^2+y^2}{{c_n}^2})---\left(6\right)$

∫∫F_n(x，y)dxdy＝1   (7)

其中，N是尺度因子的个数，w为第n个尺度因子的加权系数，满足通过对不同环绕尺度因子处理后的结果进行加权平均，可以使得不同的尺度因子的影响相互补充，从而获得较好的图像恢复效果。

当短波红外探测器工作时，因受环境、探测目标和探测距离等的影响，所获得的短波红外图像对比度低且动态范围较大。同时由于红外光谱特性。大气的退化作用和成像结构辐射将严重影响红外探测器的成像质量。根据系统传输理论，借鉴可见光成像机理。当将大气和结构对短波红外图像的退化作用与可见光成像中的照度变化相比拟，就可以利用可见光中的Retinex理论来对短波红外图像进行辐射量恢复处理。

由式(2)可以看出，SSR处理的效果主要取决于环绕函数的环绕尺度因子c，c的大小决定了卷积核的作用范围，f越大，则卷积核范围越大，在计算某一像素点时考虑的周围的影响范围就越大，则图像处理的整体效果就越好；反之则呈现局部锐化现象。试验结果表明，当尺度因子c较小时，图像的局部细节较突出，可实现较强辐射量退化的复原，当c较大时，图像细节突出不够，但整体效果较为自然.MSR则是对多个尺度的处理结果进行加权平均，这样可以进一步改善单尺度处理带来的局限性，提高处理的视觉效果，在实际应用时，环绕函数尺度因子的选择应尽量包含各个范围的尺度，综合考虑处理的实时性和处理效果，一般可选择3个尺度，一个小尺度、一个中间尺度和一个大尺度。对于(m，n)图像(设m＞n)，则3个尺度因子可分别选取m的1％-1.5％，20％-40％，40％-50％之间。这样MSR就包含了多个尺度的特征，能够同时实现大辐射量退化的恢复和对此度的增强，提高了图像的视觉效果。

在所述步骤3中经MSR处理后图像的对此度和亮度通常较低，为了获取较好的显示效果，采用线性对比度拉伸进一步提高图像亮度：

$I_{\mathrm{out}}=\left\{\begin{array}{cc}0& I_{\mathrm{in}}\&le;I_{\mathrm{low}}\\ \frac{I_{\mathrm{in}}-I_{\mathrm{low}}}{I_{\mathrm{hi}}-I_{\mathrm{low}}}{d}_{\max }& I_{\mathrm{low}}<I_{\mathrm{in}}<I_{\mathrm{hi}}\\ d_{\max }& I_{\mathrm{in}}\&GreaterEqual;I_{\mathrm{hi}}\end{array}\right.---\left(8\right)$

其中，I_hi为上限截取点，I_low为下限截取点，结合图像的直方图呈近似正态分布，根据显示设备动态范围和图像自身内容自适应调整截取参数的自适应对比度增强算法：

$\left\{\begin{array}{c}{I}_{\mathrm{hi}}=u+3\mathrm{\&sigma;}\\ I_{\mathrm{low}}=u-3\mathrm{\&sigma;}\end{array}\right.---\left(9\right)$

其中，μ和σ分别是输出图像的整体均值和标准方差，经正态截取拉伸MSR处理后，短波红外图像的对比度与亮度均得到了较大的提高，且具有良好的视觉效果。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.基于MSR的短波红外成像辐射量校正方法，其特征在于，包括：

步骤1：建立短波红外图像的退化和恢复模型；

步骤2：将经过步骤1的短波红外图像在短波红外焦平面的MSR算法模型中进行运算；

步骤3：将经过步骤2的短波红外图像基于MSR算法的红外成像辐射量校正。

2.如权利要求1所述的基于MSR的短波红外成像辐射量校正方法，其特征在于，所述步骤1中短波红外图像受到加性噪声和探测器剩余非均匀性的干扰n(x，y)，短波红外图像的退化图像可写为

g(x，y)＝f(x，y)*h(x，y)+n(x，y)

通过已知退化图像g(x，y)、有关点扩展函数h(x，y)的先验知识、和有关噪声和剩余非均匀性n(x，y)的一些统计特性，对原始图像f(x，y)作估值，使估算出的图像尽可能接近真实的f(x，y)。

3.如权利要求2所述的基于MSR的短波红外成像辐射量校正方法，其特征在于，所述步骤1中对原始图像f(x，y)作估值使用的方法包括：逆滤波恢复、Wiener滤波恢复、功率谱均衡恢复、约束最小平方恢复、最大后验恢复或局部增强恢复。

4.如权利要求1所述的基于MSR的短波红外成像辐射量校正方法，其特征在于，在所述步骤2中的MSR算法：

$R(x,y)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_n\{\mathrm{lgI}(x,y)-\lg [F_n(x,y)*I(x,y)\left]\right\}---\left(5\right)$

$F_n(x,y)=K_n\exp (-\frac{x^2+y^2}{{c_n}^2})---\left(6\right)$

∫∫F_n(x，y)dxdy＝1                 (7)

其中，R(x，y)是Retinex的输出，I(x，y)是图像分布，即(x，y)位置的亮度值，＊表示卷积运算，F(x，y)是环绕函数，N是尺度因子的个数；w为第n个尺度因子的加权系数，满足通过对不同环绕尺度因子处理后的结果进行加权平均，可以使得不同的尺度因子的影响相互补充，从而获得较好的图像恢复效果。

5.如权利要求1所述的基于MSR的短波红外成像辐射量校正方法，其特征在于，在所述步骤3中对经过所述步骤2中的MSR算法的多个尺度处理结果进行加权平均，用于改善单尺度处理带来的局限性，提高处理的视觉效果。

6.如权利要求5所述的基于MSR的短波红外成像辐射量校正方法，其特征在于，在所述步骤3中经MSR处理后图像的对比度和亮度通常较低，为了获取较好的显示效果，采用线性对比度拉伸进一步提高图像亮度：

$I_{\mathrm{out}}=\left\{\begin{array}{cc}0& I_{\mathrm{in}}\&le;I_{\mathrm{low}}\\ \frac{I_{\mathrm{in}}-I_{\mathrm{low}}}{I_{\mathrm{hi}}-I_{\mathrm{low}}}{d}_{\max }& I_{\mathrm{low}}<I_{\mathrm{in}}<I_{\mathrm{hi}}\\ d_{\max }& I_{\mathrm{in}}\&GreaterEqual;I_{\mathrm{hi}}\end{array}\right.---\left(8\right)$

其中，I_hi为上限截取点，I_low为下限截取点，结合图像的直方图呈近似正态分布，根据显示设备动态范围和图像自身内容自适应调整截取参数的自适应对比度增强算法：

$\left\{\begin{array}{c}{I}_{\mathrm{hi}}=u+3\mathrm{\&sigma;}\\ I_{\mathrm{low}}=u-3\mathrm{\&sigma;}\end{array}\right.---\left(9\right)$

其中，μ和σ分别是输出图像的整体均值和标准方差，经正态截取拉伸MSR处理后，短波红外图像的对比度与亮度均得到了较大的提高，且具有良好的视觉效果。