CN105547490A - 一种数字tdi红外探测器的实时盲元检测方法 - Google Patents

Abstract

本发明公开了一种数字TDI红外探测器的实时盲元检测方法。该方法对数字TDI红外探测器工作时的图像进行实时采集，将当前帧的图像数据按象元顺序与前一帧缓存器的图像数据、特征缓存器中的特征数据进行比较累加，计算新的象元统计特征。当统计到一定程度的象元统计特征后，在扫描方向以行为单位读出象元特征并进行判决，每一次的判决结果累加到盲元概率表中。利用盲元概率表计算TDI累加权重，通过TDI累加权重实时去除盲元在TDI累加过程中的影响，完成盲元补偿。本发明在不打断TDI成像工作状态，无需额外辅助设备的情况下，准确实时的完成盲元的检测和补偿。

Description

一种数字TDI红外探测器的实时盲元检测方法

技术领域

本发明涉及到红外探测器信号处理技术，具体指一种应用于数字TDI红外探测器的盲元检测及补偿方法。

背景技术

红外遥感成像技术作为当今迅速发展的高新技术之一，越来越广泛地应用于气候预测、自然灾害检测、地球环境检测、导航、农业、天文学、军事等领域。为了满足不断提高的分辨率要求和与之相对应的光通量的要求，在不降低轨道高度的情况下采用时间延迟积分(TimeDelayIntergration，TDI)技术提高分辨率和信噪比。由于TDI技术不仅具有在不牺牲空间分辨率和成像系统工作速度的情况下获得高灵敏度，而且它能够不同程度地增加系统的信噪比和提高探测器响应均匀性的特性使其在空间红外遥感应用中具有广泛的应用前景。TDI的成像过程如图1所示，TDI探测器通过对同一景物在不同时间多次曝光后进行延迟累加，N次曝光得到的图像按照一定的顺序进行累加即可得到目标景物的N级TDI结果^[1]。按照实现形式的不同，TDI红外探测器分为数字TDI与模拟TDI两类，模拟TDI将探测器获得模拟电信号在电荷域进行累加，实现TDI功能，而数字TDI指的是将探测器获得模拟电信号先转换成数字信号，之后通过在数字信号域中进行累加以实现TDI的功能,其处理过程如图2所示。由于数字化得信号可以通过处理进行信号的补偿与校正，因此数字TDI红外探测器与模拟TDI红外探测器比较具有更高性噪比、更高动态范围并且级数可调使用灵活等优点，所以数字TDI红外探测器更广泛的被使用。

由于制造材料、工艺等因素的影响(如材料的不均匀性、掩模误差、缺陷等),红外焦平面阵列器件存在不可避免的盲元(包括死像元和过热像元)问题。因此在TDI延迟累加前需要对探测器的盲元进行定位和补偿，否则会大大降低成像信号的输出信噪比和输出动态范围。目前常用的盲元检测与补偿算法主要分为两大类^[2]：一类是基于黑体定标的检测方法，另一类为基于场景的检测方法。基于黑体定标类的方法目前在各类红外成像系统中得到了最广泛的应用，基于黑体定标的盲元检测算法原理简单，但是需要黑体的配合，无法处理实际应用中因环境温度变化而随机出现的新盲元，其检测效率较低^[3][4]。基于场景检测法不依赖额外的设备，能够有效地校正红外探测器本身所固有的盲元和因环境温度变化而产生的随机盲元。但目前基于于场景的检测方法多在图像空间进行处理和检测，容易受到临域非均匀性和连续盲元的干扰，且运算量大，消耗存储资源多，难以做到硬件实现和实时检测处理^[5]。

[1]谢恺，孙振江等.新型空间红外扫描传感器[J].红外技术,2006,Vol.28(4):230-233

[2]赖睿,刘上乾等.红外焦平面阵列盲元检测技术研究[J].《半导体光电》2005年6月第26卷第3期

[3]张晓琳.红外焦平面阵列的多判据盲元检测方法.中国发明专利授权号CN103076156B

[4]隋修宝，陈钱等.红外焦平面阵列盲元检测算法[J].光电工程，2008.8，Vol.35,NO.8:107-111

[5]顾国华.基于滑动窗口与多帧补偿的自适应盲元检测与补偿算法[J].红外技术,2010.6,Vol.32,NO.7:420:423

发明内容

为了克服上述现有技术的不足，本发明提供了一种数字TDI红外探测器的实时盲元检测方法。该方法利用数字TDI红外探测器成像过程中的数据，独立统计象元在成像过程中的变化差异，利用正常象元与盲元的累积变化差异检测出盲元。具有无需额外辅助设备，运算量低，资源消耗少等优点,能够在不打断数字TDI红外探测器工作状态的情况下，实现实时动态的盲元检测和补偿。

为了解决上述技术问题，本发明是这样实现的：

步骤一实时采集数字TDI红外探测器工作时的图像数据。采集到的图像数据为未进行TDI累加前的探测器原始输出。即对一个M·N的数字TDI红外探测器，每次采集到的图像帧大小为M·N，其中其中M为行数，N为列数，工作时的扫描方向垂直于列方向；

步骤二将当前帧的图像数据按象元顺序与前一帧缓存器的图像数据、特征缓存器中的特征数据进行比较累加，计算新的象元统计特征并将结果存储回特征缓存器中。象元统计特征主要有：象元的累积变化长度，计算公式如下：

$d_n(x,y)=d_{n-1}(x,y)+\sqrt{1+{\left(I_n\right(x,y)-I_{n-1}(x,y\left)\right)}^2}-1---\left(1\right)$

其中n为帧计数，I_n(x,y)为位置为(x,y)的象元的在当前图像的响应值，I_n-1(x,y)为位置为象元的在前一帧的响应值，d_n-1(x,y)为特征缓存器存储的累积变化长度，d_n(x,y)为新的象元累积变化长度。象元的累积正向(或负向)变化次数,计算公式如下：

pt_n(x，y)＝pt_n-1(x，y)+((I_n(x，y)-I_n-1(x，y))＞T_p)(2)

其中pt_n(x,y)为特征缓存器存储的象元累积正向变化次数，pt_n-1(x,y)为新的象元累积正向变化次数，T_p为人工设置的变化有效阈值。象元在统计周期的变化幅度，计算公式如下：

dv_n(x，y)＝max(I_max(x，y)，I_n(x，y))-min(I_min(x，y)，I_n(x，y))(3)

其中I_max(x,y)，I_min(x,y)为特征缓存器存储的统计周期内象元响应最大值和最小值，dv_n(x,y)为新的象元在统计周期的变化幅度。在实际应用中采用上述统计特征中的一种或是多种组合。将象元的统计特征以向量的形式表达如下所示：

E(x，y，k)＝[d(x，y)，pt(x，y)，...，dv(x，y)](4)

其中k为特征索引，其值域为[1,K]，K为所采用的特征数；

步骤三当累加的特征次数达到统计周期N_f时，从特征缓存器中按行读出象元的统计特征送入判决器中，并将特征缓存器中的对应行象元特征清零，重新开始统计；

步骤四判决器通过对同一行象元的统计特征进行计算判别，决定出该行的盲元与正常象元。判决器的判决公式如下：

$D(x,y)=sign\left(\right(\underset{k=1}{\overset{K}{\Σ}}a\left(k\right)\·\frac{E\left(x,y,k\right)-\frac{\left(\underset{i=1}{\overset{N}{\Σ}}E\left(x,i,k\right)\right)}{N}}{\frac{\left(\underset{i=1}{\overset{N}{\Σ}}E\left(x,i,k\right)\right)}{N}})>T_d)---\left(5\right)$

其中a为象元统计特征权重，T_d为人工设置的盲元判别阈值，D(x,y)为象元的盲元判决结果；

步骤五将当前象元判决结果与该象元在盲元概率表中存储的盲元概率计算更新盲元概率，并将结果存储回盲元概率表中。盲元概率计算公式如下：

p_m(x,y)＝β₁·p_m-1(x,y)+β₂·D(x,y)(6)

其中β₁、β₂为概率收敛系数，由人工进行设置，且β₁+β₂＝1，p(x,y)为象元的盲元概率，下标为盲元概率的累加次数；

步骤六从盲元概率表中读出待补偿象元所在行象元的盲元概率，利用盲元概率生成累加权重对该象元进行补偿。累加权重由下式计算得到：

$W(x,y)=\frac{p_m(x,y)<P_b}{\underset{i=1}{\overset{N}{\&Sigma;}}\&lsqb;\left(p_m\right(x,i)<P_b\&rsqb;}---\left(7\right)$

其中P_b为人工设置的盲元概率阈值，W(x,y)为对应象元的累加权重。利用累加权重对该象元进行补偿，计算公式如下：

I_new(x,y)＝W(x,y)·I(x,y)(8)

其中I_new(x,y)为补偿后的象元信号。利用补偿后的信号进行TDI累加，去除盲元在图像中的影响。

与现有技术相比，本发明的有益效果是

1.无需额外辅助设备，降低盲元检测的复杂度和检测成本。

2.计算复杂度低，资源消耗少，可在微处理器和FPGA中实现。

3.不打断数字TDI红外探测器工作状态的情况下，实现实时动态的盲元检测和补偿。

附图说明

图1为本发明中TDI探测器成像原理示意图；

图2为本发明中数字TDI红外信号处理过程示意图；

图3为本发明中实时盲元检测方法的处理过程示意图；

图4为本发明中判决器对第六行象元的判决结果；

图5为本发明以图像形式显示的盲元概率表；

图6为本发明未进行盲元补偿前的图像；

图7为本发明盲元补偿后的图像。

具体实施方式

下面结合附图对本发明进一步说明。其中涉及到若干参数，这些参数需要针对具体处理环境进行调节以达到良好的性能。

利用中科院上海技术物理研究所研制的512*8中波数字TDI红外探测器红对该方法的实际效果进行验证，探测器放置在一维转台上进行扫描成像，转台转速为20°/S，扫描方向垂直于列方向。

实例中选用了象元的累积变化长度，象元的累积正向变化次数两个统计，因此特征数K＝2。计算象元的累积正向变化次数所需的变化有效阈值T_p设置为10。步骤三中的统计周期N_f＝200，由于探测器输出图像帧周期为300us，即每60ms判决器对象元进行一次判决。步骤四中象元统计特征权重a(1)设为0.7，a(2)设为0.3，盲元判别阈值T_d设0.5。步骤五中β₁设置为0.9、β₂设置为0.1。步骤六中的盲元概率阈值P_b设为0.6。实例一共采集2000帧图像，共处理10个统计周期。

图4为第1个统计周期判决器对第六行8个象元的判决情况。由于第五个象元计算出D(6,5)＝2.51大于盲元判别阈值T_d，因此被判定为盲元，其余象元被判定为正常象元。图5为10个统计周期得到512*8中波数字TDI红外探测器盲元概率表的图像表现形式。图中越亮的点表示对应位置的探测器象元为盲元的概率越大。图6中波数字TDI红外探测器未进行盲元补偿前的累加图像结果。图7为采用本发明方法进行盲元补偿后的图像，从图中可以看出，盲元已经被很好的补偿，剩下的条纹噪声是由于探测器非均匀性造成。

Claims (2)

1.一种数字TDI红外探测器的实时盲元检测与补偿方法，其特征在于：所述方法步骤如下：

(1)实时采集数字TDI红外探测器工作时的图像数据，其采集到的图像数据为未进行TDI累加前的探测器原始输出信号；对一个M·N的数字TDI红外探测器，每次采集到的图像帧大小为M·N，其中其中M为行数，N为列数，工作时的扫描方向垂直于列方向；

(2)将当前帧的图像数据按象元顺序与前一帧缓存器的图像数据、特征缓存器中的特征数据进行比较累加，计算新的象元统计特征并将结果存储回特征缓存器中；其中通过缓存器存储前一帧的图像数据，其存储大小与图像大小相同，特征缓存器存储每一个象元对应的特征数据，其大小由图像大小与所选择的特征数共同决定；

常用的象元特征数据特征包括，象元的累积变化长度d，计算公式如下：

其中n为帧计数，I_n(x,y)为位置为(x,y)的象元的在当前图像的响应值，I_n-1(x,y)为位置为象元的在前一帧的响应值，d_n-1(x,y)为特征缓存器存储的累积变化长度，d_n(x,y)为新的象元累积变化长度；象元的累积正向(或负向)变化次数,计算公式如下：

pt_n(x，y)＝pt_n-1(x，y)+((I_n(x，y)-I_n-1(x，y))＞T_p)(2)

其中pt_n(x,y)为特征缓存器存储的象元累积正向变化次数，pt_n-1(x,y)为新的象元累积正向变化次数，T_p为人工设置的变化有效阈值；象元在统计周期的变化幅度，计算公式如下：

dv_n(x，y)＝max(I_max(x，y)，I_n(x，y))-min(I_min(x，y)，I_n(x，y))(3)

其中I_max(x,y)，I_min(x,y)为特征缓存器存储的统计周期内象元响应最大值和最小值，dv_n(x,y)为新的象元在统计周期的变化幅度；

(3)当累加的特征次数达到统计周期N_f时，从特征缓存器中按行读出象元的统计特征送入判决器中，并将特征缓存器中的对应行象元特征清零，重新开始统计；

(4)判决器通过对同一行象元的统计特征进行计算判别，决定出该行的盲元与正常象元；判决器对输入的同一行象元特征按下式进行判决处理：

其中a为象元统计特征权重，T_d为人工设置的盲元判别阈值，D(x,y)为象元的盲元判决结果，其中计算的是第x行象元第k个特征的均值，也可以用第x行象元第k个特征的中值进行替代；

(5)将当前象元判决结果与该象元在盲元概率表中存储的盲元概率计算更新盲元概率，并将结果存储回盲元概率表中。盲元概率计算更新公式如下：

p_m(x,y)＝β₁·p_m-1(x,y)+β₂·D(x,y)(5)

其中β₁、β₂为概率收敛系数，由人工进行设置，且β₁+β₂＝1，p(x,y)为象元的盲元概率，下标为盲元概率的累加次数；

(6)从盲元概率表中读出待补偿象元所在行象元的盲元概率，利用盲元概率生成累加权重对该象元进行补偿。累加权重由下式计算得到：

其中P_b为人工设置的盲元概率阈值，W(x,y)为对应象元的累加权重。利用累加权重对该象元进行补偿，计算公式如下：

I_new(x,y)＝W(x,y)·I(x,y)(7)

其中I_new(x,y)为补偿后的象元信号；利用补偿后的信号进行TDI累加，去除盲元在图像中的影响。

2.根据权利要求1所述的数字TDI红外探测器的实时盲元检测与补偿方法，其特征在于步骤(2)所述的象元统计特征根据实际应用采用统计特征中的一种或多种组合，每个象元的统计特征以向量的形式表达如下所示：

E(x，y，k)＝[d(x，y)，pt(x，y)，...，dv(x，y)](8)

其中k为特征索引，其值域为[1,K]，K为所采用的特征数。