CN111353495A - 一种红外成像盲元的统计分析及评价方法 - Google Patents

Abstract

本发明涉及一种红外成像盲元的统计分析及评价方法，检测红外原始图像中的盲元像素，转换成二值化图像；将二值化图像定义四个区域，进行盲元连通区域标识，并对整个图像进行扫描，得到所有盲元连通区域；计算每个连通区域的像素数量，根据每个连通区域的像素数量进行分类，分别统计四个区域内的连通区域的像素数量分布；计算盲元概率密度、盲元密度和盲元离散度，对二值化图像进行评价。本发明采用盲元数量、盲元概率密度、盲元密度、盲元离散度四个指标分析盲元的分布情况，可以准确、客观地给出盲元的影响程度。

Description

一种红外成像盲元的统计分析及评价方法

技术领域

本发明涉及盲元统计分析的技术领域，具体地说是一种红外成像盲元的统计分析及评价方法。

背景技术

随着红外成像系统在军事、消防、电力和医疗等领域的广泛应用，红外成像的质量也在逐渐提高，然而，在红外成像过程中，受探测器本身的硬件限制和外部环境等因素的影响，图像中会不可避免地存在盲元：即图像中无法正常成像，表现为类似椒盐噪声的过亮或过暗的像素点。盲元的存在会对红外图像的质量产生影响，且盲元的数量、出现位置的不同，对图像质量影响的程度也随之不同。

目前存在的问题是，对于存在大面积密集分布的盲元图像而言，以人眼进行主观观察的方法姑且能给出图像是否有效的判断，但无法给出客观定量评价；而对于盲元数量不多的情况，主观判断的方法模棱两可，更无法进行客观判断。因此，准确对盲元的几何分布和连通分布进行计算，用科学的指标进行统计分析，是客观评估盲元对图像的影响程度的重要依据。

发明内容

针对现有技术的不足，本发明提供一种红外成像盲元的统计分析及评价方法,解决了对于存在大面积密集分布的盲元图像而言，以人眼进行主观观察的方法姑且能给出图像是否有效的判断，但无法给出客观定量评价；而对于盲元数量不多的情况，主观判断的方法模棱两可，更无法进行客观判断的问题。

本发明为实现上述目的所采用的技术方案是：

一种红外成像盲元的统计分析及评价方法，包括以下步骤：

步骤1：检测红外原始图像I_org中的盲元像素，并转换成二值化图像I_bin；

步骤2：将二值化图像I_bin定义四个区域，分别为关键区，关注区，无关区和整图区；

步骤3：对二值化图像I_bin进行盲元连通区域标识，并对整个图像进行扫描，得到所有盲元连通区域；

步骤4：计算每个连通区域的像素数量，根据每个连通区域的像素数量进行分类，分别统计关键区，关注区，无关区和整图区内的连通区域的像素数量分布；

步骤5：计算盲元概率密度pd、盲元密度dens和盲元离散度disp；

步骤6：根据二值化图像I_bin的盲元概率密度pd、盲元密度dens、盲元数量num和盲元离散度disp对二值化图像I_bin进行评价。

所述检测红外图像中的盲元像素，并转换成二值化图像，包括：

步骤1.1：对原始图像I_org进行5×5中值滤波，得到中值滤波图像I_med；

步骤1.2：将原始图像I_org与中值滤波图像I_med进行对减操作，得到背景抑制图像I_flt；

步骤1.3：将原始图像I_org与中值滤波图像I_med分别进行对加操作与对减操作，分别得到对加图像I_add和对减图像I_sub，即I_add＝Io_rg+I_med，I_sub＝|Io_rg-I_med|；

步骤1.4：将对减图像I_sub与对加图像I_add进行对除操作，得到对比度图像I_con，即I_con＝I_sub./I_add，其中，若当分母为零时，结果为零；

步骤1.5：设置对比度阈值T，若对比度图像I_con的值不小于阈值T，则将对比度图像I_con的值置为1，否则置为0，得到二值化图像I_bin。

所述将二值化图像I_bin定义四个区域，包括：

定义二值化图像I_bin为整图区，在二值化图像内设置两个同心且大小不同的矩形框，其中小矩形框内的区域为关键区，大矩形框内的区域为关注区，大矩形框与二值化图像I_bin边缘之间的区域为无关区。

所述对二值化图像I_bin进行盲元连通区域标识，包括：

选取二值化图像I_bin中某一盲元点，判断其周围像素点中是否有相邻盲元，如果是，则该盲元点与相邻盲元均为该盲元连通区域中的点；否则，该盲元的连通区域为该盲元点。

所述计算盲元概率密度pd，包括：分别计算关键区、关注区内的盲元概率密度；

计算盲元概率密度为：

将对应区域进行网格划分，计算每个网格的盲元数量与对应区域所有盲元数量的占比，得到该区域内每个网格的盲元概率密度pd，其中，所有网格盲元概率密度pd的最大值记为pd_max。

所述计算盲元密度dens，包括：分别计算关键区、关注区、无关区和整图区内的盲元密度；

计算盲元密度为：

计算对应区域内的盲元数量与对应区域内像素数量的占比，得到对应区域的盲元密度dens。

所述计算盲元离散度disp，包括：分别计算关键区、关注区和整图区内盲元的离散度；

计算盲元离散度为：

计算对应区域内所有盲元连通区域的中心点坐标的均值：

该区域所有盲元连通区域的中心点坐标与均值计算距离，得到距离数组D＝(d₁,d₂,...,d_n)，其中n是该区域内盲元连通区域数量。

所述盲元连通区域的中心点为该盲元连通区域外接矩形的几何中心点。

所述对二值化图像I_bin进行评价，包括：

步骤6.1：设定关键区的盲元概率密度阈值T₁₁，关注区的盲元概率密度阈值T₁₂，且T₁₁<T₁₂；

步骤6.2：设定关键区的盲元密度阈值T₂₁，关注区的盲元密度阈值T₂₂，无关区的盲元密度阈值T₂₃，整图区的盲元密度阈值T₂₄，且T₂₁<T₂₂<T₂₄<T₂₃；

步骤6.3：设定关键区的盲元数量阈值T₃₁，关注区的盲元数量阈值T₃₂，无关区的盲元数量阈值T₃₃，整图区的盲元数量阈值T₃₄，且T₃₁<T₃₂<T₃₄<T₃₃；

步骤6.4：设定关键区的盲元离散度阈值T₄₁，关注区的盲元离散度阈值T₄₂，整图区的盲元离散度阈值T₄₃，且T₄₁<T₄₂<T₄₃；

步骤6.5：分别将关键区的盲元概率密度最大值pd_max1和关注区的盲元概率密度最大值pd_max2与关键区的盲元概率密度阈值T₁₁和关注区的盲元概率密度阈值T₁₂比较，如果pd_max1≤T₁₁且pd_max2≤T₁₂同时成立，则进行步骤6.6；否则，二值化图像I_bin无效；

步骤6.6：分别将关键区的盲元密度值dens₁、关注区的盲元密度值dens₂、无关区的盲元密度值dens₃和整图区的盲元密度值dens₄与关键区的盲元密度阈值T₂₁、关注区的盲元密度阈值T₂₂、无关区的盲元密度阈值T₂₃和整图区的盲元密度阈值T₂₄比较，如果dens₁≤T₂₁且dens₂≤T₂₂且dens₃≤T₂₃且dens₄≤T₂₄同时成立，则进行步骤6.7；否则，二值化图像I_bin无效；

步骤6.7：分别将关键区的盲元数量值num₁、关注区的盲元数量值num₂、无关区的盲元数量值num₃和整图区的盲元数量值num₄与关键区的盲元数量阈值T₃₁、关注区的盲元数量阈值T₃₂、无关区的盲元数量阈值T₃₃和整图区的盲元数量阈值T₃₄比较，如果num₁≤T₃₁且num₂≤T₃₂且num₃≤T₃₃且num₄≤T₃₄同时成立，则进行步骤6.8；否则，二值化图像I_bin无效；

步骤6.8：分别将关键区的盲元离散度值disp₁、关注区的盲元离散度值disp₂和整图区的盲元离散度值disp₃与关键区的盲元离散度阈值T₄₁、关注区的盲元离散度阈值T₄₂和整图区的盲元离散度阈值T₄₃比较，如果disp₁≤T₄₁且disp₂≤T₄₂且disp₃≤T₄₃同时成立，则二值化图像I_bin有效；否则，二值化图像I_bin无效。

本发明具有以下有益效果及优点：

1.本发明采用盲元数量、盲元概率密度、盲元密度、盲元离散度四个指标分析盲元的分布情况，可以准确、客观地给出盲元的影响程度；

2.本发明定义了图像关键区、关注区、无关区和整图的四个图像区域，不同区域内判别指标的阈值可以分别设置，可以适应不同的应用需求。

附图说明

图1是本发明的整体流程图；

图2(a)是红外图像的盲元；

图2(b)是检测出的二值化图像；

图3是四个区域的划分示意图；

图4是8连通算法；

图5是一个连通区域示意图；

图6(a)是50*50尺度全局概率密度分布图；

图6(b)是30*30尺度全局概率密度分布图；

图7是盲元块中心示意图；

图8是计算盲元块分布方法示意；

图9是盲元影响的判据流程。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

如图1所示为本发明的整体流程图，包括以下步骤：

(1)针对探测器获取的红外图像，采用背景抑制法检测出图像中的盲元像素并转换成二值化图像；

(2)定义图像四个区域，分别为关键区，关注区，无关区和整图；

(3)计算盲元连通区域，得到图像所有盲元连通区域的分布情况；

(4)计算盲元概率密度分布；

(5)计算盲元密度；

(6)计算盲元离散度。

背景抑制法检测红外图像中盲元像素的具体方法为：

盲元像素在图像中表现为类似于椒盐噪声的过亮或过暗的像素点，不规则地散落在图像中，如图2(a)所示。盲元相对于背景具有较强的对比度，利用背景抑制进行预处理，利用图像中对比度较高的位置来定位盲元。

对原始图像I_org进行中值滤波，滤波器大小为5×5，得到中值滤波图像I_med作为背景估计，将原始图像I_org与中值滤波图像I_med分别进行像素对加和像素对减操作，即：

I_add＝I_org+I_med

I_sub＝|I_org-I_med|

将得到的对减图像I_sub与对加图像I_add进行像素对除操作，得到对比度图像I_con。对比度图像I_con在点p的像素值的表达式可以写成：

设置一定的对比度阈值T，若对比度图像I_con的对比度强度值不小于阈值T，则认为是盲元点，将二值化图像I_bin该点的值置为1，否则置为0，表达式可以写成：

在本实施例中，阈值T的取值为0.1，二值化图像如图2(b)所示。

接下来将图像区域划分为四个区域：关键区、关注区、无关区、整图区域。如图3所示以图像中心点为中心做矩形，其宽和高的长度分别为原图像宽和高的三分之一，这一矩形围成的区域为关键区；以图像中心点为中心做矩形，其宽和高的长度分别为原图像宽和高的三分之二，这一矩形围成的区域为关注区；原图像全部区域为整图区域，整图与关注区之间的区域为无关区。

对于已检测出盲元的二值图像各个区域进行盲元连通区域标识，如图4所示，这里认为某一盲元点P周围8个像素(上、下、左、右、左上、右上、左下、右下)若有相邻盲元，则该盲元点与相邻盲元都被认为是该盲元连通区域中的点。如图5所示，可以看到标记为1的区域即为整个区域中的连通区域。对整个图像进行扫描，得到所有连通区域。然后计算每个连通区域的面积(即像素数)，并按面积的大小进行分类数量统计。

下表列出了四个感兴趣区域按照连通区域面积分类的情况：

表1

盲元在图像中出现的位置决定对图像质量产生的影响大小，在关键区域中出现的概率高则对图像的影响大，出现的概率低则对图像的质量影响小。通过采用不同尺度的网格，计算每个网格出现盲元的概率，得到整个区域的盲元概率密度分布，如果在关键区或者关注区出现多个网格的盲元概率密度均较高，那么就是无效图像；如果无关区的盲元概率密度较高，那么对图像质量的影响相对较小。

对检测出的盲元二值图像计算多尺度概率密度分布图，尺度大小代表网格对图像分割的细致程度，尺度数值越大，代表对图像分割越精细，反之同理。分别以尺度50*50和30*30为例，密度范围按照最大最小值进行归一化操作，并通过不同的颜色分布进行标记，分别如图6(a)和(b)所示。

由于各个分析区域的面积大小不同,单从盲元数量上不能度量对各个区域的影响程度。因此,通过计算盲元在各个区域中的密度分析，来准确度量盲元对各个区域的影响，盲元密度大，则影响程度大；反之，盲元密度小，则影响程度小。并且针对单个盲元和聚集盲元对图像质量的影响程度不同,计算盲元密度时作如下区分：

-盲元单点：连通盲元数为1或2个；

-盲元块：连通盲元数大于2个；

通过数量评估指标得到的数据，再结合不同区域的面积得到相应的密度指标。如区域面积为S_n，该区域盲元单点数量为p_n，盲元块面积为：b_n，n为区域索引号(1,2,3,4)。则盲元密度的表达式为：

盲元单点密度的表达式为：

盲元块密度的表达式为：

得到四个区域的盲元密度如表2所示：

表2

盲元密度	关键区	关注区	无关区	整图区
					盲元	0.0036	0.0029	0.0017	0.0020
盲元单点	0.0002	0.0002	0.0001	0.0001
					盲元块	0.0034	0.0027	0.0016	0.0019

盲元在区域中的位置是随机散布的，但散布的聚集程度对图像质量影响也不相同，如果盲元过于聚集，则它们的影响会叠加放大，因此，通过计算盲元离散度来度量盲元的聚集程度，评估多个盲元共同的影响程度。

计算该区域所有盲元块的中心(盲元块外接矩形的几何中心)，如图7所示，中间区域的红点就是该盲元块的中心。

求出所有这些盲元块中心坐标的均值(x_mean,y_mean)，例如图8所示，该区域中共有三个盲元块中心(三个蓝点)，其中：

即图8中的红点。该区域所有盲元块中心坐标(x_center(i),y_center(i))逐个与均值(x_mean,y_mean)计算距离，得到距离数组D＝(d₁,d₂,...,d_n)，n是该图中盲元块总数。

最后计算该距离数组的方差与标准差以衡量数据的离散度。方差公式如下：

其中，

是距离数组的均值，n是距离数组中的样本数；标准差的公式为：

则标准差与方差越小，说明数据越接近均值，样本间差距越小，说明分布越紧密。

得到关键区、关注区和整图区的盲元离散度如表3所示(无关区未列入计算范围)：

表3

盲元离散度	关键区	关注区	整图区
				方差	608.5047	2575.0448	10415.6516
标准差	24.6679	50.7449	102.0571

根据上述盲元概率密度、盲元密度、盲元数量、盲元离散度等各项指标的重要程度，定义了一个判决流程，如图9所示，设置了T0、T1、T2和T3共4个阈值来指导判决流程的进行，依次计算图像盲元的4项指标并分别与对应阈值进行比较，只有4项指标同时满足不超过阈值范围的图像，才被认为是有效图像。

针对不同的应用需求，图像关键区、关注区、无关区、整图区的4个感兴趣区域范围，以及盲元概率密度、盲元密度、盲元数量、盲元离散度的4个指标阈值，都可以按需调整，因此对不同性能的探测器、不同应用场景的红外图像具有广泛的适应性。

Claims (9)

1.一种红外成像盲元的统计分析及评价方法，其特征在于，包括以下步骤：

步骤1：检测红外原始图像I_org中的盲元像素，并转换成二值化图像I_bin；

步骤2：将二值化图像I_bin定义四个区域，分别为关键区，关注区，无关区和整图区；

步骤3：对二值化图像I_bin进行盲元连通区域标识，并对整个图像进行扫描，得到所有盲元连通区域；

步骤4：计算每个连通区域的像素数量，根据每个连通区域的像素数量进行分类，分别统计关键区，关注区，无关区和整图区内的连通区域的像素数量分布；

步骤5：计算盲元概率密度pd、盲元密度dens和盲元离散度disp；

步骤6：根据二值化图像I_bin的盲元概率密度pd、盲元密度dens、盲元数量num和盲元离散度disp对二值化图像I_bin进行评价。

2.根据权利要求1所述的红外成像盲元的统计分析及评价方法，其特征在于：所述检测红外图像中的盲元像素，并转换成二值化图像，包括：

步骤1.1：对原始图像I_org进行5×5中值滤波，得到中值滤波图像I_med；

步骤1.2：将原始图像I_org与中值滤波图像I_med进行对减操作，得到背景抑制图像I_flt；

步骤1.3：将原始图像I_org与中值滤波图像I_med分别进行对加操作与对减操作，分别得到对加图像I_add和对减图像I_sub，即I_add＝I_org+I_med，I_sub＝|I_org-I_med|；

步骤1.4：将对减图像I_sub与对加图像I_add进行对除操作，得到对比度图像I_con，即I_con＝I_sub./I_add，其中，若当分母为零时，结果为零；

步骤1.5：设置对比度阈值T，若对比度图像I_con的值不小于阈值T，则将对比度图像I_con的值置为1，否则置为0，得到二值化图像I_bin。

3.根据权利要求1所述的红外成像盲元的统计分析及评价方法，其特征在于：所述将二值化图像I_bin定义四个区域，包括：

定义二值化图像I_bin为整图区，在二值化图像内设置两个同心且大小不同的矩形框，其中小矩形框内的区域为关键区，大矩形框内的区域为关注区，大矩形框与二值化图像I_bin边缘之间的区域为无关区。

4.根据权利要求1所述的红外成像盲元的统计分析及评价方法，其特征在于：所述对二值化图像I_bin进行盲元连通区域标识，包括：

选取二值化图像I_bin中某一盲元点，判断其周围像素点中是否有相邻盲元，如果是，则该盲元点与相邻盲元均为该盲元连通区域中的点；否则，该盲元的连通区域为该盲元点。

5.根据权利要求1所述的红外成像盲元的统计分析及评价方法，其特征在于：所述计算盲元概率密度pd，包括：分别计算关键区、关注区内的盲元概率密度；

计算盲元概率密度为：

将对应区域进行网格划分，计算每个网格的盲元数量与对应区域所有盲元数量的占比，得到该区域内每个网格的盲元概率密度pd，其中，所有网格盲元概率密度pd的最大值记为pd_max。

6.根据权利要求1所述的红外成像盲元的统计分析及评价方法，其特征在于：所述计算盲元密度dens，包括：分别计算关键区、关注区、无关区和整图区内的盲元密度；

计算盲元密度为：

计算对应区域内的盲元数量与对应区域内像素数量的占比，得到对应区域的盲元密度dens。

7.根据权利要求1所述的红外成像盲元的统计分析及评价方法，其特征在于：所述计算盲元离散度disp，包括：分别计算关键区、关注区和整图区内盲元的离散度；

计算盲元离散度为：

计算对应区域内所有盲元连通区域的中心点坐标的均值：

该区域所有盲元连通区域的中心点坐标与均值计算距离，得到距离数组D＝(d₁,d₂,...,d_n)，其中n是该区域内盲元连通区域数量。

8.根据权利要求7所述的红外成像盲元的统计分析及评价方法，其特征在于：所述盲元连通区域的中心点为该盲元连通区域外接矩形的几何中心点。

9.根据权利要求1所述的红外成像盲元的统计分析及评价方法，其特征在于：所述对二值化图像I_bin进行评价，包括：

步骤6.1：设定关键区的盲元概率密度阈值T₁₁，关注区的盲元概率密度阈值T₁₂，且T₁₁<T₁₂；

步骤6.2：设定关键区的盲元密度阈值T₂₁，关注区的盲元密度阈值T₂₂，无关区的盲元密度阈值T₂₃，整图区的盲元密度阈值T₂₄，且T₂₁<T₂₂<T₂₄<T₂₃；

步骤6.3：设定关键区的盲元数量阈值T₃₁，关注区的盲元数量阈值T₃₂，无关区的盲元数量阈值T₃₃，整图区的盲元数量阈值T₃₄，且T₃₁<T₃₂<T₃₄<T₃₃；

步骤6.4：设定关键区的盲元离散度阈值T₄₁，关注区的盲元离散度阈值T₄₂，整图区的盲元离散度阈值T₄₃，且T₄₁<T₄₂<T₄₃；

步骤6.5：分别将关键区的盲元概率密度最大值pd_max1和关注区的盲元概率密度最大值pd_max2与关键区的盲元概率密度阈值T₁₁和关注区的盲元概率密度阈值T₁₂比较，如果pd_max1≤T₁₁且pd_max2≤T₁₂同时成立，则进行步骤6.6；否则，二值化图像I_bin无效；

步骤6.6：分别将关键区的盲元密度值dens₁、关注区的盲元密度值dens₂、无关区的盲元密度值dens₃和整图区的盲元密度值dens₄与关键区的盲元密度阈值T₂₁、关注区的盲元密度阈值T₂₂、无关区的盲元密度阈值T₂₃和整图区的盲元密度阈值T₂₄比较，如果dens₁≤T₂₁且dens₂≤T₂₂且dens₃≤T₂₃且dens₄≤T₂₄同时成立，则进行步骤6.7；否则，二值化图像I_bin无效；

步骤6.7：分别将关键区的盲元数量值num₁、关注区的盲元数量值num₂、无关区的盲元数量值num₃和整图区的盲元数量值num₄与关键区的盲元数量阈值T₃₁、关注区的盲元数量阈值T₃₂、无关区的盲元数量阈值T₃₃和整图区的盲元数量阈值T₃₄比较，如果num₁≤T₃₁且num₂≤T₃₂且num₃≤T₃₃且num₄≤T₃₄同时成立，则进行步骤6.8；否则，二值化图像I_bin无效；

步骤6.8：分别将关键区的盲元离散度值disp₁、关注区的盲元离散度值disp₂和整图区的盲元离散度值disp₃与关键区的盲元离散度阈值T₄₁、关注区的盲元离散度阈值T₄₂和整图区的盲元离散度阈值T₄₃比较，如果disp₁≤T₄₁且disp₂≤T₄₂且disp₃≤T₄₃同时成立，则二值化图像I_bin有效；否则，二值化图像I_bin无效。

Images