CN106197673A - 一种自适应宽温度范围非均匀校正方法及系统 - Google Patents

Abstract

本发明公开了一种自适应宽温度范围非均匀校正方法及系统，该方法包括以下步骤：S1、使用不同温度的均匀黑体辐射作为参考源进行分段定标，计算不同温度下的像元的校正系数，并保存校正系数作为标准；S2、获取红外图像，根据不同的场景温度选择合适的校正系数，并根据基于核回归插值技术和人工神经网络算法，结合场景变换自动调整校正系数对红外图像进行校正；S3、判断校正后的图像是否达到精度要求，若图像的非均匀校正不够精确，则返回步骤S2；若图像达到精度要求，完成校正。本发明实现了场景自适应非均匀校正，减少“鬼影”现象产生的概率，实现了宽温度范围的非均匀校正。

Description

一种自适应宽温度范围非均匀校正方法及系统

技术领域

本发明涉及红外成像及红外图像处理技术领域，尤其涉及一种自适应宽温度范围非均匀校正方法及系统。

背景技术

红外焦平面阵列探测器己经成为当今技术性能最先进的红外探测器，其发展速度之快、应用范围之广，使其得到越来越多的研究。利用红外焦平面阵列探测器可做成多种红外热像仪产品，其中手持式红外热像仪，体积小、重量轻，是各国军事领域非常热衷的一款军事装备，在军事作战中将发挥非常巨大的作用。然而在研究热像仪的过程中科学家们发现了些许瓶颈，其中之一就是红外焦平面的非均匀性。

红外焦平面探测器的非均匀性校正方法有很多，主要分为两类:基于参考源的定标类校正算法和基于场景的自适应校正算法。前者算法相对简单，容易在硬件中实现，但是在进行定标时需要用黑体遮挡探测器，暂时停止正常工作，这样用黑体来定标非黑体辐射必然造成理论上的误差，而且探测器响应率会随着时间不断变化需要不断进行校正，不能实现实时的校正。后者不需要用黑体遮挡探测器，而是通过计算数帧图像来获得非均匀校正的参数，能够进行实时校正，具有自适应校正的优点，然而这类算法校正后的图像容易产生“鬼影”现象。

目前的红外校正模型大多数都是针对窄温度区间的线性校正模型，这些模型适用于小动态范围的红外图像的校正工作，但如果目标场景中突然出现温度极高或者极低的目标的时候，采用线性校正模型所获得的图像在高温目标附近就会存在饱和现象，进而丢失大量图像细节，严重制约了红外热像仪的应用。

发明内容

本发明要解决的技术问题在于针对现有技术中目标场景突然出现极高或极低温时，会存在饱和现象，进而丢失大量图像细节的缺陷，提供一种将基于黑体定标的校正技术和场景自适应的校正技术结合起来，结合人工神经网络技术和参数核回归技术的自适应宽温度范围非均匀校正方法及系统。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种自适应宽温度范围非均匀校正方法，包括以下步骤：

S1、使用不同温度的均匀黑体辐射作为参考源进行分段定标，计算不同温度下的像元的校正系数，并保存校正系数作为标准；

S2、获取红外图像，根据不同的场景温度选择合适的校正系数，并根据基于核回归插值技术和人工神经网络算法，结合场景变换自动调整校正系数对红外图像进行校正；

S3、判断校正后的图像是否达到精度要求，若图像的非均匀校正不够精确，则返回步骤S2；若图像达到精度要求，完成校正。

进一步地，本发明的步骤S1中使用黑体进行分段标定的方法具体为：

步骤1、设定黑体的温度为T_1,1，调整红外探测器的积分时间为t₁，使得采集得到的14位红外图像中的灰度均值为第一预设值，此时图像数据矩阵为I_1,1；

步骤2、保持红外探测器的积分时间t₁为不变，设定黑体的温度提高到T_1,2，使得采集得到的14位红外图像中的灰度均值为第二预设值，此时图像数据矩阵为I_1,2；

步骤3、保持红外探测器的积分时间t₁为不变，设定黑体的温度提高到T_1,3，使得采集得到的14位红外图像中的灰度均值为第三预设值，此时图像数据矩阵为I_1,3；

步骤4、保持红外探测器的积分时间t₁为不变，设定黑体的温度提高到T_1,4，使得采集得到的14位红外图像中的灰度均值为第四预设值，此时图像数据矩阵为I_1,4；

其中，第一预设值至第四预设值数值依次增大；

步骤5、计算同一场景在不同温度下的校正系数表；

步骤6、对不同场景，重复步骤1-步骤5，得到不同场景在不同温度下的校正系数表。

进一步地，本发明的第一预设值为2000，第二预设值为5000，第三预设值为9000，第四预设值为12000。

进一步地，本发明的步骤S1中计算各个像元的校正系数的公式为：

$a(i,j)=\left\{\begin{array}{cc}\frac{5000-2000}{I_{1,2}(i,j)-I_{1,1}(i,j)},& I(i,j)<5000\\ \frac{9000-5000}{I_{1,3}(i,j)-I_{1,2}(i,j)},& 5000\&le;I(i,j)<9000\\ \frac{12000-9000}{I_{1,2}(i,j)-I_{1,1}(i,j)},& 9000\&le;I(i,j)\end{array}\right.$

$b(i,j)=\left\{\begin{array}{cc}5000-a(i,j)I_{1,2}(i,j),& I(i,j)<5000\\ 9000-a(i,j)I_{1,3}(i,j),& 5000\&le;I(i,j)<9000\\ 12000-a(i,j)I_{1,4}(i,j),& 9000\&le;I(i,j)\end{array}\right.$

计算结果为得到的场景温度为T_1,1～T_1,4范围时的校正系数表，此时系统设定的积分时间为t₁。

进一步地，本发明的步骤S2中基于核回归插值技术和人工神经网络的场景自适应非均匀校正算法具体为：

设校正系数为a(i,j)和b(i,j)，将其作为自动校正的初始值，对初始值进行更新迭代，得到更新后的校正系数，迭代的公式为：

a(i,j)⁽ⁿ⁺¹⁾＝a(i,j)⁽ⁿ⁾-η₁(i,j)·E(i,j)⁽ⁿ⁾·Y(i,j)⁽ⁿ⁾

b(i,j)⁽ⁿ⁺¹⁾＝b(i,j)⁽ⁿ⁾-η₂(i,j)·E(i,j)⁽ⁿ⁾

其中，上角标n表示第n此迭代，η₁(i,j)和η₂(i,j)分别表示a(i,j)和b(i,j)的更新速率，η₁(i,j)根据下式计算得到：

${\mathrm{\&eta;}}_1(i,j)=\frac{\mathrm{\&zeta;}}{1+{\left(H{\left(i,j\right)}^{\left(n\right)}\right)}^2}$

其中，ζ为人为设定的固定参数；H(i,j)由下式计算得出：

H＝Y-BF(Y)

其中，BF(Y)表示对Y进行双边滤波后的结果，η₂(i,j)根据下式计算得到：

η₂(i,j)＝Γ·η₁(i,j)

其中，Γ为固定参数；

E(i,j)根据下式计算得到：

E(i,j)⁽ⁿ⁾＝a(i,j)⁽ⁿ⁾·Y(i,j)⁽ⁿ⁾+b(i,j)⁽ⁿ⁾-T(i,j)⁽ⁿ⁾

T(i,j)由下式计算得到：

$T\left(r_k\right)=\frac{{\mathrm{\&Sigma;}}_{l\&Element;N\left(k\right)}K(r_l-r_k)y_l}{{\mathrm{\&Sigma;}}_{l\&Element;N\left(k\right)}K(r_l-r_k)}$

$K(r_i-r)=\frac{\sqrt{\det \left(C_i\right)}}{2{\mathrm{\&pi;h}}^2{\mathrm{\&mu;}}_i^2}\exp \{-\frac{{(r_i-r)}^T{C}_i(r_i-r)}{2h^2{\mathrm{\&mu;}}_i^2}\}$

其中，r_k表示像素k的坐标向量，C_i表示协方差矩阵，N(k)表示像素k的邻域。

进一步地，本发明的固定参数ζ设置为0.002；固定参数Γ设置为10³～10⁵。

进一步地，本发明的步骤S1中判断校正后的图像是否达到精度要求具体为：通过人眼主观判断的手段或者图像质量评定算法来判断校正后的图像是否达到精度要求。

本发明提供一种自适应宽温度范围非均匀校正系统，包括：

校正系数获取单元，用于使用不同温度的均匀黑体辐射作为参考源进行分段定标，计算不同温度下的像元的校正系数，并保存校正系数作为标准；

图像校正单元，用于获取红外图像，根据不同的场景温度选择合适的校正系数，并根据基于核回归插值技术和人工神经网络算法，结合场景变换自动调整校正系数对红外图像进行校正；

校正结果判断单元，用于判断校正后的图像是否达到精度要求，若图像的非均匀校正不够精确，则返回图像校正单元；若图像达到精度要求，完成校正。

本发明产生的有益效果是：本发明的自适应宽温度范围非均匀校正方法，根据不同的场景温度范围，设定不同的校正系数，使得最终的红外成像系统具有更强的适应性；采用多点分段定标的技术，可以有效扩大系统的动态响应范围，实现宽温度范围的场景成像；采用核回归插值算法和人工神经网络算法相结合的场景自适应非均匀校正技术，可以有效降低“鬼影”现象出现的概率，并有效降低场景稳定变化引起的校正系数漂移；同时，在非均匀校正的过程中，通过采用非线性校正模型以及多点校正技术，实现了宽温度范围的非均匀校正。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的自适应宽温度范围非均匀校正方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的自适应宽温度范围非均匀校正方法，包括以下步骤：

S1、使用不同温度的均匀黑体辐射作为参考源进行分段定标，计算不同温度下的像元的校正系数，并保存校正系数作为标准；

S2、获取红外图像，根据不同的场景温度选择合适的校正系数，并根据基于核回归插值技术和人工神经网络算法，结合场景变换自动调整校正系数对红外图像进行校正；

S3、判断校正后的图像是否达到精度要求，判断校正后的图像是否达到精度要求具体为：通过人眼主观判断的手段或者图像质量评定算法来判断校正后的图像是否达到精度要求，若图像的非均匀校正不够精确，则返回步骤S2；若图像达到精度要求，完成校正。

步骤S1中使用黑体进行分段标定的方法具体为：

步骤1、设定黑体的温度为T_1,1，调整红外探测器的积分时间为t₁，使得采集得到的14位红外图像中的灰度均值为第一预设值，设置为2000左右，此时图像数据矩阵为I_1,1；

步骤2、保持红外探测器的积分时间t₁为不变，设定黑体的温度提高到T_1,2，使得采集得到的14位红外图像中的灰度均值为第二预设值，设置为5000左右，此时图像数据矩阵为I_1,2；

步骤3、保持红外探测器的积分时间t₁为不变，设定黑体的温度提高到T_1,3，使得采集得到的14位红外图像中的灰度均值为第三预设值，设置为9000左右，此时图像数据矩阵为I_1,3；

步骤4、保持红外探测器的积分时间t₁为不变，设定黑体的温度提高到T_1,4，使得采集得到的14位红外图像中的灰度均值为第四预设值，设置为12000左右，此时图像数据矩阵为I_1,4；

其中，第一预设值至第四预设值数值依次增大；

步骤5、计算同一场景在不同温度下的校正系数表；

步骤6、对不同场景，重复步骤1-步骤5，得到不同场景在不同温度下的校正系数表。

计算各个像元的校正系数的公式为：

$a(i,j)=\left\{\begin{array}{cc}\frac{5000-2000}{I_{1,2}(i,j)-I_{1,1}(i,j)},& I(i,j)<5000\\ \frac{9000-5000}{I_{1,3}(i,j)-I_{1,2}(i,j)},& 5000\&le;I(i,j)<9000\\ \frac{12000-9000}{I_{1,2}(i,j)-I_{1,1}(i,j)},& 9000\&le;I(i,j)\end{array}\right.$

$b(i,j)=\left\{\begin{array}{cc}5000-a(i,j)I_{1,2}(i,j),& I(i,j)<5000\\ 9000-a(i,j)I_{1,3}(i,j),& 5000\&le;I(i,j)<9000\\ 12000-a(i,j)I_{1,4}(i,j),& 9000\&le;I(i,j)\end{array}\right.$

计算结果为得到的场景温度为T_1,1～T_1,4范围时的校正系数表，此时系统设定的积分时间为t₁。

5、根据权利要求1所述的自适应宽温度范围非均匀校正方法，其特征在于，步骤S2中基于核回归插值技术和人工神经网络的场景自适应非均匀校正算法具体为：

设校正系数为a(i,j)和b(i,j)，将其作为自动校正的初始值，对初始值进行更新迭代，得到更新后的校正系数，迭代的公式为：

a(i,j)⁽ⁿ⁺¹⁾＝a(i,j)⁽ⁿ⁾-η₁(i,j)·E(i,j)⁽ⁿ⁾·Y(i,j)⁽ⁿ⁾

b(i,j)⁽ⁿ⁺¹⁾＝b(i,j)⁽ⁿ⁾-η₂(i,j)·E(i,j)⁽ⁿ⁾

其中，上角标n表示第n此迭代，η₁(i,j)和η₂(i,j)分别表示a(i,j)和b(i,j)的更新速率，η₁(i,j)根据下式计算得到：

${\mathrm{\&eta;}}_1(i,j)=\frac{\mathrm{\&zeta;}}{1+{\left(H{\left(i,j\right)}^{\left(n\right)}\right)}^2}$

其中，ζ为人为设定的固定参数，固定参数ζ设置为0.002；H(i,j)由下式计算得出：

H＝Y-BF(Y)

其中，BF(Y)表示对Y进行双边滤波后的结果，η₂(i,j)根据下式计算得到：

η₂(i,j)＝Γ·η₁(i,j)

其中，Γ为固定参数，固定参数Γ设置为10³～10⁵；

E(i,j)根据下式计算得到：

E(i,j)⁽ⁿ⁾＝a(i,j)⁽ⁿ⁾·Y(i,j)⁽ⁿ⁾+b(i,j)⁽ⁿ⁾-T(i,j)⁽ⁿ⁾

T(i,j)由下式计算得到：

$T\left(r_k\right)=\frac{{\mathrm{\&Sigma;}}_{l\&Element;N\left(k\right)}K(r_l-r_k)y_l}{{\mathrm{\&Sigma;}}_{l\&Element;N\left(k\right)}K(r_l-r_k)}$

$K(r_i-r)=\frac{\sqrt{\det \left(C_i\right)}}{2{\mathrm{\&pi;h}}^2{\mathrm{\&mu;}}_i^2}\exp \{-\frac{{(r_i-r)}^T{C}_i(r_i-r)}{2h^2{\mathrm{\&mu;}}_i^2}\}$

其中，r_k表示像素k的坐标向量，C_i表示协方差矩阵，N(k)表示像素k的邻域。

本发明实施例的自适应宽温度范围非均匀校正系统，包括：

校正系数获取单元，用于使用不同温度的均匀黑体辐射作为参考源进行分段定标，计算不同温度下的像元的校正系数，并保存校正系数作为标准；

图像校正单元，用于获取红外图像，根据不同的场景温度选择合适的校正系数，并根据基于核回归插值技术和人工神经网络算法，结合场景变换自动调整校正系数对红外图像进行校正；

校正结果判断单元，用于判断校正后的图像是否达到精度要求，若图像的非均匀校正不够精确，则返回图像校正单元；若图像达到精度要求，完成校正。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种自适应宽温度范围非均匀校正方法，其特征在于，包括以下步骤：

S1、使用不同温度的均匀黑体辐射作为参考源进行分段定标，计算不同温度下的像元的校正系数，并保存校正系数作为标准；

S2、获取红外图像，根据不同的场景温度选择合适的校正系数，并根据基于核回归插值技术和人工神经网络算法，结合场景变换自动调整校正系数对红外图像进行校正；

S3、判断校正后的图像是否达到精度要求，若图像的非均匀校正不够精确，则返回步骤S2；若图像达到精度要求，完成校正。

2.根据权利要求1所述的自适应宽温度范围非均匀校正方法，其特征在于，步骤S1中使用黑体进行分段标定的方法具体为：

步骤1、设定黑体的温度为T_1,1，调整红外探测器的积分时间为t₁，使得采集得到的14位红外图像中的灰度均值为第一预设值，此时图像数据矩阵为I_1,1；

步骤2、保持红外探测器的积分时间t₁为不变，设定黑体的温度提高到T_1,2，使得采集得到的14位红外图像中的灰度均值为第二预设值，此时图像数据矩阵为I_1,2；

步骤3、保持红外探测器的积分时间t₁为不变，设定黑体的温度提高到T_1,3，使得采集得到的14位红外图像中的灰度均值为第三预设值，此时图像数据矩阵为I_1,3；

步骤4、保持红外探测器的积分时间t₁为不变，设定黑体的温度提高到T_1,4，使得采集得到的14位红外图像中的灰度均值为第四预设值，此时图像数据矩阵为I_1,4；

其中，第一预设值至第四预设值数值依次增大；

步骤5、计算同一场景在不同温度下的校正系数表；

步骤6、对不同场景，重复步骤1-步骤5，得到不同场景在不同温度下的校正系数表。

3.根据权利要求2所述的自适应宽温度范围非均匀校正方法，其特征在于，第一预设值为2000，第二预设值为5000，第三预设值为9000，第四预设值为12000。

4.根据权利要求3所述的自适应宽温度范围非均匀校正方法，其特征在于，步骤S1中计算各个像元的校正系数的公式为：

$a(i,j)=\left\{\begin{array}{cc}\frac{5000-2000}{I_{1,2}(i,j)-I_{1,1}(i,j)},& I(i,j)<5000\\ \frac{9000-5000}{I_{1,3}(i,j)-I_{1,2}(i,j)},& 5000\&le;I(i,j)<9000\\ \frac{12000-9000}{I_{1,2}(i,j)-I_{1,1}(i,j)},& 9000\&le;I(i,j)\end{array}\right.$

$b(i,j)=\left\{\begin{array}{cc}5000-a(i,j)I_{1,2}(i,j),& I(i,j)<5000\\ 9000-a(i,j)I_{1,3}(i,j),& 5000\&le;I(i,j)<9000\\ 12000-a(i,j)I_{1,4}(i,j),& 9000\&le;I(i,j)\end{array}\right.$

计算结果为得到的场景温度为T_1,1～T_1,4范围时的校正系数表，此时系统设定的积分时间为t₁。

5.根据权利要求1所述的自适应宽温度范围非均匀校正方法，其特征在于，步骤S2中基于核回归插值技术和人工神经网络的场景自适应非均匀校正算法具体为：

设校正系数为a(i,j)和b(i,j)，将其作为自动校正的初始值，对初始值进行更新迭代，得到更新后的校正系数，迭代的公式为：

a(i,j)⁽ⁿ⁺¹⁾＝a(i,j)⁽ⁿ⁾-η₁(i,j)·E(i,j)⁽ⁿ⁾·Y(i,j)⁽ⁿ⁾

b(i,j)⁽ⁿ⁺¹⁾＝b(i,j)⁽ⁿ⁾-η₂(i,j)·E(i,j)⁽ⁿ⁾

其中，上角标n表示第n此迭代，η₁(i,j)和η₂(i,j)分别表示a(i,j)和b(i,j)的更新速率，η₁(i,j)根据下式计算得到：

${\mathrm{\&eta;}}_1(i,j)=\frac{\mathrm{\&zeta;}}{1+{\left(H{\left(i,j\right)}^{\left(n\right)}\right)}^2}$

其中，ζ为人为设定的固定参数；H(i,j)由下式计算得出：

H＝Y-BF(Y)

其中，BF(Y)表示对Y进行双边滤波后的结果，η₂(i,j)根据下式计算得到：

η₂(i,j)＝Γ·η₁(i,j)

其中，Γ为固定参数；

E(i,j)根据下式计算得到：

E(i,j)⁽ⁿ⁾＝a(i,j)⁽ⁿ⁾·Y(i,j)⁽ⁿ⁾+b(i,j)⁽ⁿ⁾-T(i,j)⁽ⁿ⁾

T(i,j)由下式计算得到：

$T\left(r_k\right)=\frac{{\mathrm{\&Sigma;}}_{l\&Element;N\left(k\right)}K(r_l-r_k)y_l}{{\mathrm{\&Sigma;}}_{l\&Element;N\left(k\right)}K(r_l-r_k)}$

$K(r_i-r)=\frac{\sqrt{\det \left(C_i\right)}}{2{\mathrm{\&pi;h}}^2{\mathrm{\&mu;}}_i^2}\exp \{-\frac{{(r_i-r)}^T{C}_i(r_i-r)}{2h^2{\mathrm{\&mu;}}_i^2}\}$

其中，r_k表示像素k的坐标向量，C_i表示协方差矩阵，N(k)表示像素k的邻域。

6.根据权利要求5所述的自适应宽温度范围非均匀校正方法，其特征在于，固定参数ζ设置为0.002；固定参数Γ设置为10³～10⁵。

7.根据权利要求1所述的自适应宽温度范围非均匀校正方法，其特征在于，步骤S1中判断校正后的图像是否达到精度要求具体为：通过人眼主观判断的手段或者图像质量评定算法来判断校正后的图像是否达到精度要求。

8.一种自适应宽温度范围非均匀校正系统，其特征在于,包括：

校正系数获取单元，用于使用不同温度的均匀黑体辐射作为参考源进行分段定标，计算不同温度下的像元的校正系数，并保存校正系数作为标准；

图像校正单元，用于获取红外图像，根据不同的场景温度选择合适的校正系数，并根据基于核回归插值技术和人工神经网络算法，结合场景变换自动调整校正系数对红外图像进行校正；

校正结果判断单元，用于判断校正后的图像是否达到精度要求，若图像的非均匀校正不够精确，则返回图像校正单元；若图像达到精度要求，完成校正。