CN117475242B - 一种基于渐进式分类模型的红外探测器盲元动态检测方法 - Google Patents

Abstract

本发明公开了一种基于渐进式分类模型的红外探测器盲元动态检测方法，分别检测红外探测器中固定盲元位置信息和红外探测器的随机盲元位置信息，首次使用红外探测器时，完成固定盲元检测，得到固定盲元位置信息；探测器正常工作时，再进行随机盲元检测得到随机盲元位置信息；在完成多次红外图像的随机盲元检测后，构建基于隶属度的三支决策分类模型；根据分类模型，将随机盲元检测得到的标记窗口集合进行分类，再对每个分类结果进行渐进式分类处理，将符合判定条件的随机盲元更新为固定盲元，从而实现了固定盲元的实时更新。该方法不仅增强设备的实时性和适应性，而且所构建的渐进式分类模型使得后续随机盲元检测时间大大减少，提高设备的效率。

Description

一种基于渐进式分类模型的红外探测器盲元动态检测方法

技术领域

本发明涉及红外图像处理技术领域，特别是涉及一种基于渐进式分类模型的红外探测器盲元动态检测方法。

背景技术

红外探测器由于不同单元的像元响应率存在差异，会导致红外图像产生非均匀性，同时红外探测器也受到工艺、制造材料和环境等各种因素的限制，多数红外探测器输出的红外图像都存在一定数量的盲元。盲元在成像上相比于有效像元会呈现出过亮点和过暗点，干扰后续目标的检测识别，并且严重影响成像质量。

传统的盲元检测都会受到设备的系统噪声和非均匀噪声的影响，常用的基于场景检测法中的3原则检测法能够有效的检测出大部分盲元，但未考虑非均匀噪声的影响，会导致盲元的误判，且计算量大。

通常红外探测器的盲元检测涉及到两种类型的盲元，即固定盲元和随机盲元，但传统的固定盲元检测只是出厂前对红外探测器的固定盲元位置进行标定，未考虑到环境和人为因素影响所导致的红外探测器固定盲元的位置变化，并且随着红外探测器的使用和其他不确定因素，红外探测器必然会出现新的固定盲元，如果还是以随机盲元检测方法去处理这些盲元，会导致计算量大大增加，不仅降低了设备的工作效率，还增加了设备的功耗。

发明内容

为了解决以上技术问题，本发明提供一种基于渐进式分类模型的红外探测器盲元动态检测方法，包括以下步骤

S1、通过红外探测器采集红外图像，通过第一次采集到的红外图像标定固定盲元位置信息，将标定为固定盲元的像元构建盲元表I；

S2、在随机盲元检测之前，对红外探测器正常工作时采集到的红外图像边缘进行中值滤波；

S3、检测随机盲元位置信息，取(2N+1)×(2N+1)滑动窗口遍历红外图像得到灰度共生矩阵，并对灰度共生矩阵分别统计对比度特征值和熵特征值；

S4、设置差异阈值，通过差异阈值对潜在盲元窗口进行标记，计算所有遍历窗口得到潜在盲元窗口集合Y；

S5、对潜在盲元窗口集合Y进行二次盲元筛选，构建盲元表Ⅱ；

S6、判断是否完成K帧红外图像检测，如果是，则执行下一步骤；如果否，则转至步骤S10；

S7、在连续检测K帧红外图像后，根据连续K帧红外图像的随机盲元检测结果，构建标记窗口集合W{w₁,w₂,...,w_r}，r表示标记的窗口；

S8、构建基于隶属度三支决策分类模型，计算被标记窗口的出现频次，对标记窗口集合W{w₁,w₂,...,w_r}进行三支决策分类；

S9、根据三支决策分类结果，判定是否生成新的固定盲元，如果是，则将新的固定盲元更新至盲元表I，并转至步骤S1；如果否，则执行下一步骤；

S10、得到最终盲元检测结果。

本发明进一步限定的技术方案是：

进一步的，步骤S1中，计算红外探测器待测像元的响应率，通过将待测像元的响应率与红外探测器像元平均响应率进行对比来判断待测像元是否为固定盲元，得到固定盲元位置信息；

红外探测器待测像元的响应率和红外探测器像元平均响应率的计算公式如下所示：

（1）

（2）

其中，G(i,j)表示红外探测器待测像元的响应率，表示红外探测器像元平均响应率，g(i,j)为辐照功率P下位于(i,j)处像元的响应电压，P为辐照功率，M和N分别为红外探测器的行和列输出像素数，V表示无效像元数；

当待测像元的响应率满足时，该待测像元被判定为欠响应盲元；当待测像元的响应率满足/>时，该待测像元被判定为过响应盲元；当待测像元的响应率满足/>时，该待测像元被判定为正常像元。

如前所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，步骤S2中，在红外图像边缘处，取目标像元周围领域像元的灰度中值，用目标像元周围领域像元的灰度值对目标像元的灰度值进行替换。

如前所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，步骤S3中，在窗口中任意选取一点P(i,j)，则该点对应的灰度值为(P_i,P_j)，令点P(i,j)在整个窗口进行移动，得到不同的灰度值(P_i,P_j)；

设红外图像的最大灰度级为L，则P_i与P_j有L×L种组合方式，随后统计出整个窗口每一种(P_i,P_j)出现的次数，将它们排列成灰度共生矩阵M，对灰度共生矩阵M分别统计对比度特征值CON和熵特征值ENT, 如下式所示：

（3）

（4）

其中，d表示图像中两点的固定位置关系，θ表示矩阵生成方向。

如前所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，步骤S3中，(2N+1)×(2N+1)滑动窗口的N取值为2、3、4、5四个数值中的任意一个。

如前所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，步骤S4具体包括以下分步骤

S4.1、通过式（3）计算出整幅红外图像的对比度特征值CON_all，通过式（4）计算出整幅红外图像的熵特征值ENT_all；

S4.2、设置对比度差异阈值T₁和熵差异阈值T₂，T₁=nCON_all，T₂=mENT_all，其中n表示整幅红外图像与窗口图像灰度值的对比度特征值相关度，m表示整幅红外图像与窗口图像灰度值的熵特征值相关度；

S4.3、计算窗口对比度特征值CON与整幅红外图像的对比度特征值CON_all的差值D₁，；再计算窗口熵特征值ENT与整幅红外图像的熵特征值ENT_all的差值D₂，/>；

当窗口统计特征值满足或者/>时，则将该窗口标记为潜在盲元窗口；

S4.4、计算所有遍历窗口得到潜在盲元窗口集合Y。

如前所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，步骤S5具体包括以下步骤

S5.1、分别计算各窗口的像素灰度均值X_mean和标准差X_s，如下式所示：

（5）

（6）

其中，(i,j)为中心像元坐标，2N+1为窗口宽度，表示窗口中位于坐标/>处像元的灰度值；

S5.2、分别计算每个窗口的像素灰度均值X_mean与坐标处像元灰度值/>的差值，如下式所示：

（7）

其中，表示像素灰度均值X_mean与坐标/>处像元灰度值/>的差值；

S5.3、根据标准差X_s设置阈值T₃，T₃=3X_s，若满足>T₃，则将待测像元判定为盲元，并标记该窗口；

S5.4、重复步骤S5.1至步骤S5.3，直到潜在盲元窗口集合Y中的所有窗口像素都被检测完，构建盲元表Ⅱ。

如前所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，步骤S8中，设置三个划分区域，分别为POS区域、NEG区域以及BND区域；POS区域表示被划分到该区域内的标记窗口确定生成新的固定盲元；NEG区域表示被划分到该区域内的标记窗口未生成新的固定盲元；BND区域表示被划分到该区域内的标记窗口不确定是否生成新的固定盲元，需要继续进一步处理；

通过下式计算标记窗口对三个划分区域的隶属度，

（8）

其中，表示标记窗口在K帧红外图像检测中被标记的次数，/>是该标记窗口在K帧红外图像检测中的总数，c_i表示划分类别；

当满足时，将标记窗口划分到POS区域；当满足/>时，将标记窗口划分到BND区域；当满足/>时，将标记窗口划分到NEG区域；其中/>为检测阈值，满足/>。

如前所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，步骤S9中，对于在POS区域的标记窗口集合，已经判定生成了新的固定盲元，取最后次随机盲元检测结果，将该/>次随机盲元检测中都被检测为盲元的像元判定为新生成的固定盲元，并更新至盲元表Ⅰ；对于在NEG区域的标记窗口集合，则表示该标记窗口没有生成新的固定盲元。

如前所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，步骤S9中，对于在BND区域的标记窗口集合，不确定是否生成新的固定盲元，需要继续进一步处理，具体处理方法包括以下步骤

S9.1、计算待分类样本BND区域的标记窗口集合与训练样本特征向量的相似度，如下式所示：

（9）

其中，分别代表待分类样本的特征向量和训练样本的特征向量；/>为向量空间的维数；F_iv表示待分类样本特征向量/>的第几维；v表示特征向量的维数；F_jv表示表示待分类样本特征向量/>的第几维；

S9.2、选择红外图像的灰度特征作为特征向量，构建训练样本的特征项集合，特征项集合/>由步骤S1得到的正常像元、过响应盲元和欠响应盲元的特征向量构成，根据三种像元的平均灰度值不同，将特征向量分为NOR、THR以及DEA，NOR为正常像元的平均灰度值h₁，THR为过响应盲元的平均灰度值h₂，DEA为欠响应盲元的平均灰度值h₃，且满足h₃<h₁<h₂；

S9.3、按照相似度，对比待分类像元的灰度值与特征项集合的平均灰度值判断是否生成新的固定盲元，计算BND区域内窗口像素的灰度值h_i，计算h_i和训练样本像元的灰度值的差值；

若满足，表示该像元与特征项集合/>中过响应盲元类别相似，则将该像元判断为过响应盲元，且更新至盲元表I；若满足/>，表示该像元与特征项集合/>中欠响应盲元类别相似，则将该像元判断为欠响应盲元，且更新至盲元表I；若既不满足/>也不满足/>，则将该像元判断为正常像元。

本发明的有益效果是：

（1）本发明中，分别检测红外探测器中固定盲元位置信息和红外探测器的随机盲元位置信息，首次使用红外探测器时，完成固定盲元检测，得到固定盲元位置信息；探测器正常工作时，再进行随机盲元检测得到随机盲元位置信息；在完成多次红外图像的随机盲元检测后，构建基于隶属度的三支决策分类模型；根据分类模型，将随机盲元检测得到的标记窗口集合进行分类，再对每个分类结果进行渐进式分类处理，将符合判定条件的随机盲元更新为固定盲元，从而实现了固定盲元的实时更新，不仅增强设备的实时性和适应性，而且所构建的渐进式分类模型使得后续随机盲元检测的时间大大减少，提高设备的效率；

（2）本发明中，在随机盲元位置信息检测中，利用盲元与正常像元在红外图像的纹理特征中的统计特征值的区别，盲元在红外图像中局部对比度特征值异常高或异常低并且熵特征值较低；使用可变的滑动窗口遍历图像得到图像的灰度共生矩阵，再统计灰度共生矩阵的特征值来判定潜在盲元区域，再针对潜在的盲元区域进行二次盲元筛选，既减少了计算时间，又提高了盲元检测准确率。

附图说明

图1为本发明的整体流程示意图；

图2为本发明实施例中三支决策分类的流程示意图。

实施方式

本实施例提供的一种基于渐进式分类模型的红外探测器盲元动态检测方法，如图1所示，包括以下步骤

S1、由于红外探测器固定位置上存在过响应或者欠响应的像元，通过红外探测器采集红外图像，设备首次上电时，通过第一次采集到的红外图像标定固定盲元位置信息，将标定为固定盲元的像元构建盲元表I。

计算红外探测器待测像元的响应率，通过将待测像元的响应率与红外探测器像元平均响应率进行对比来判断待测像元是否为固定盲元，得到固定盲元位置信息；

红外探测器待测像元的响应率和红外探测器像元平均响应率的计算公式如下所示：

（1）

（2）

其中，G(i,j)表示红外探测器待测像元的响应率，表示红外探测器像元平均响应率，g(i,j)为辐照功率P下位于(i,j)处像元的响应电压，P为辐照功率，M和N分别为红外探测器的行和列输出像素数，V表示无效像元数；

当待测像元的响应率满足时，该待测像元被判定为欠响应盲元；当待测像元的响应率满足/>时，该待测像元被判定为过响应盲元；当待测像元的响应率满足/>时，该待测像元被判定为正常像元。

S2、在随机盲元检测之前，对红外探测器正常工作时采集到的红外图像边缘进行中值滤波，尽可能的消除红外图像边缘的盲元；即在红外图像边缘处，取目标像元周围领域像元的灰度中值，用目标像元周围领域像元的灰度值对目标像元的灰度值进行替换。

S3、取(2N+1)×(2N+1)滑动窗口遍历红外图像，在窗口中任意选取一点P(i,j)，则该点对应的灰度值为(P_i,P_j)，令点P(i,j)在整个窗口进行移动，得到不同的灰度值(P_i,P_j)。

设红外图像的最大灰度级为L，则P_i与P_j有L×L种组合方式，随后统计出整个窗口每一种(P_i,P_j)出现的次数，将它们排列成灰度共生矩阵M，对灰度共生矩阵M分别统计对比度特征值CON和熵特征值ENT, 如下式所示：

（3）

（4）

其中，d表示图像中两点的固定位置关系，θ表示矩阵生成方向。

步骤S3中，(2N+1)×(2N+1)滑动窗口的N取值为2、3、4、5四个数值中的任意一个；窗口大小与盲元检测准确率存在一定的关系，N大于5时，窗口太大，会出现平均化和模糊效应；当N小于2时，窗口较小，易造成盲元的漏检和计算量增大；当N为2、3、4或者5时，可以较为全面的检测出盲元，且检测时间较为合理，本实施例中N取5，使用11×11的滑动窗口遍历图像，并且灰度等级L取8，d取1，θ分别取0°、45°、90°以及135°四个方向。

S4、设置差异阈值，通过差异阈值对潜在盲元窗口进行标记，计算所有遍历窗口得到潜在盲元窗口集合Y，具体包括以下分步骤

S4.1、通过式（3）计算出整幅红外图像的对比度特征值CON_all，通过式（4）计算出整幅红外图像的熵特征值ENT_all。

S4.2、设置合适的对比度差异阈值T₁和熵差异阈值T₂来区分盲元与正常像素，其中T₁=nCON_all，T₂=mENT_all，n表示整幅红外图像与窗口图像灰度值的对比度特征值相关度，m表示整幅红外图像与窗口图像灰度值的熵特征值相关度，根据实验结果得出n取3，m取2。

S4.3、计算窗口对比度特征值CON与整幅红外图像的对比度特征值CON_all的差值D₁，；再计算窗口熵特征值ENT与整幅红外图像的熵特征值ENT_all的差值D₂，/>。

当窗口统计特征值满足或者/>时，则将该窗口标记为潜在盲元窗口。

S4.4、计算所有遍历窗口得到潜在盲元窗口集合Y。

S5、对潜在盲元窗口集合Y进行二次盲元筛选，构建盲元表Ⅱ，具体包括以下步骤

S5.1、分别计算各窗口的像素灰度均值X_mean和标准差X_s，如下式所示：

（5）

（6）

其中，(i,j)为中心像元坐标，2N+1为窗口宽度，表示窗口中位于坐标/>处像元的灰度值。

S5.2、分别计算每个窗口的像素灰度均值X_mean与坐标处像元灰度值/>的差值，如下式所示：

（7）

其中，表示像素灰度均值X_mean与坐标/>处像元灰度值/>的差值。

S5.3、根据标准差X_s设置阈值T₃，T₃=3X_s，若满足>T₃，则将待测像元判定为盲元，并标记该窗口。

S5.4、重复步骤S5.1至步骤S5.3，直到潜在盲元窗口集合Y中的所有窗口像素都被检测完，构建盲元表Ⅱ。

S6、判断是否完成K帧红外图像检测，如果是，则执行下一步骤；如果否，则转至步骤S10。

S7、在连续检测K帧红外图像后，根据连续K帧红外图像的随机盲元检测结果，构建标记窗口集合W{w₁,w₂,...,w_r}，r表示标记的窗口。

S8、构建基于隶属度三支决策分类模型，计算被标记窗口的出现频次，如图2所示，对标记窗口集合W{w₁,w₂,...,w_r}进行三支决策分类，再根据每个类别中的窗口像元规律判断是否生成新的固定盲元。

步骤S8中，设置三个划分区域，分别为POS区域、NEG区域以及BND区域；POS区域表示被划分到该区域内的标记窗口确定生成新的固定盲元；NEG区域表示被划分到该区域内的标记窗口未生成新的固定盲元；BND区域表示被划分到该区域内的标记窗口不确定是否生成新的固定盲元，需要继续进一步处理。

通过下式计算标记窗口对三个划分区域的隶属度，根据隶属度将对象窗口分类到对应的区域，

（8）

其中，表示标记窗口在K帧红外图像检测中被标记的次数，/>是该标记窗口在K帧红外图像检测中的总数，c_i表示划分类别。

当满足时，将标记窗口划分到POS区域；当满足/>时，将标记窗口划分到BND区域；当满足/>时，将标记窗口划分到NEG区域；其中/>为检测阈值，满足/>，根据优化函数获得阈值/>取0.85，/>取0.25。

S9、根据三支决策分类结果，判定是否生成新的固定盲元，如果是，则将新的固定盲元更新至盲元表I，并转至步骤S1；如果否，则执行下一步骤。

K取50，对于在POS区域的标记窗口集合，已经判定生成了新的固定盲元，由于随着检测次数的增加，新生成的固定盲元位置与最后几次随机盲元检测结果的相关性最大，本实施例取最后次，即10次随机盲元检测结果，将该10次随机盲元检测中都被检测为盲元的像元判定为新生成的固定盲元，并更新至盲元表Ⅰ。

对于在NEG区域的标记窗口集合，则表示该标记窗口没有生成新的固定盲元。

对于在BND区域的标记窗口集合，不确定是否生成新的固定盲元，需要继续进一步处理，具体处理方法包括以下步骤

S9.1、计算待分类样本BND区域的标记窗口集合与训练样本特征向量的相似度，如下式所示：

（9）

其中，分别代表待分类样本的特征向量和训练样本的特征向量；/>为向量空间的维数；F_iv表示待分类样本特征向量/>的第几维；v表示特征向量的维数；F_jv表示表示待分类样本特征向量/>的第几维。

S9.2、本实施例选择红外图像的灰度特征作为特征向量，构建训练样本的特征项集合，特征项集合/>由步骤S1得到的正常像元、过响应盲元和欠响应盲元的特征向量构成，根据三种像元的平均灰度值不同，将特征向量分为NOR、THR以及DEA，NOR为正常像元的平均灰度值h₁，THR为过响应盲元的平均灰度值h₂，DEA为欠响应盲元的平均灰度值h₃。

同一温度下，正常像元的灰度值与物体的温度成正比关系，所以平均灰度值为一个常数，过响应盲元的平均灰度值会高于正常像元，欠响应盲元的平均灰度值会低于正常像元，所以三者的平均灰度值满足h₃<h₁<h₂；三种像元在灰度值上较大，适合作为训练样本向量空间的特征向量。

S9.3、按照相似度，对比待分类像元的灰度值与特征项集合的平均灰度值判断是否生成新的固定盲元，计算BND区域内窗口像素的灰度值h_i，计算h_i和训练样本像元的灰度值的差值。

若满足，表示该像元与特征项集合/>中过响应盲元类别相似，则将该像元判断为过响应盲元，且更新至盲元表I；若满足/>，表示该像元与特征项集合/>中欠响应盲元类别相似，则将该像元判断为欠响应盲元，且更新至盲元表I；若既不满足/>也不满足/>，则将该像元判断为正常像元。

S10、得到最终盲元检测结果。

本实施例分别检测红外探测器中固定盲元位置信息和红外探测器的随机盲元位置信息，首次使用红外探测器时，完成固定盲元检测，得到固定盲元位置信息；探测器正常工作时，再进行随机盲元检测得到随机盲元位置信息；在完成多次红外图像的随机盲元检测后，构建基于隶属度的三支决策分类模型；根据分类模型，将随机盲元检测得到的标记窗口集合进行分类，再对每个分类结果进行渐进式分类处理，将符合判定条件的随机盲元更新为固定盲元，从而实现了固定盲元的实时更新，不仅增强设备的实时性和适应性，而且所构建的渐进式分类模型使得后续随机盲元检测的时间大大减少，提高设备的效率。

在随机盲元位置信息检测中，利用盲元与正常像元在红外图像的纹理特征中的统计特征值的区别，盲元在红外图像中局部对比度特征值异常高或异常低并且熵特征值较低；使用可变的滑动窗口遍历图像得到图像的灰度共生矩阵，再统计灰度共生矩阵的特征值来判定潜在盲元区域，再针对潜在的盲元区域进行二次盲元筛选，既减少了计算时间，又提高了盲元检测准确率。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (10)

1.一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：包括以下步骤

S1、通过红外探测器采集红外图像，通过第一次采集到的红外图像标定固定盲元位置信息，将标定为固定盲元的像元构建盲元表I；

S2、在随机盲元检测之前，对红外探测器正常工作时采集到的红外图像边缘进行中值滤波；

S3、检测随机盲元位置信息，取(2N+1)×(2N+1)滑动窗口遍历红外图像得到灰度共生矩阵，并对灰度共生矩阵分别统计对比度特征值和熵特征值；

S4、设置差异阈值，通过差异阈值对潜在盲元窗口进行标记，计算所有遍历窗口得到潜在盲元窗口集合Y；

S5、对潜在盲元窗口集合Y进行二次盲元筛选，构建盲元表Ⅱ；

S6、判断是否完成K帧红外图像检测，如果是，则执行下一步骤；如果否，则转至步骤S10；

S7、在连续检测K帧红外图像后，根据连续K帧红外图像的随机盲元检测结果，构建标记窗口集合W{w₁,w₂,...,w_r}，r表示标记的窗口；

S8、构建基于隶属度三支决策分类模型，计算被标记窗口的出现频次，对标记窗口集合W{w₁,w₂,...,w_r}进行三支决策分类；

S9、根据三支决策分类结果，判定是否生成新的固定盲元，如果是，则将新的固定盲元更新至盲元表I，并转至步骤S1；如果否，则执行下一步骤；

S10、得到最终盲元检测结果。

2.根据权利要求1所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：所述步骤S1中，计算红外探测器待测像元的响应率，通过将待测像元的响应率与红外探测器像元平均响应率进行对比来判断待测像元是否为固定盲元，得到固定盲元位置信息；

红外探测器待测像元的响应率和红外探测器像元平均响应率的计算公式如下所示：

（1）

（2）

其中，G(i,j)表示红外探测器待测像元的响应率，表示红外探测器像元平均响应率，g(i,j)为辐照功率P下位于(i,j)处像元的响应电压，P为辐照功率，M和N分别为红外探测器的行和列输出像素数，V表示无效像元数；

当待测像元的响应率满足时，该待测像元被判定为欠响应盲元；当待测像元的响应率满足/>时，该待测像元被判定为过响应盲元；当待测像元的响应率满足/>时，该待测像元被判定为正常像元。

3.根据权利要求1所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：所述步骤S2中，在红外图像边缘处，取目标像元周围领域像元的灰度中值，用目标像元周围领域像元的灰度值对目标像元的灰度值进行替换。

4.根据权利要求1所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：所述步骤S3中，在窗口中任意选取一点P(i,j)，则该点对应的灰度值为(P_i,P_j)，令点P(i,j)在整个窗口进行移动，得到不同的灰度值(P_i,P_j)；

设红外图像的最大灰度级为L，则P_i与P_j有L×L种组合方式，随后统计出整个窗口每一种(P_i,P_j)出现的次数，将它们排列成灰度共生矩阵M，对灰度共生矩阵M分别统计对比度特征值CON和熵特征值ENT, 如下式所示：

（3）

（4）

其中，d表示图像中两点的固定位置关系，θ表示矩阵生成方向。

5.根据权利要求1所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：所述步骤S3中，(2N+1)×(2N+1)滑动窗口的N取值为2、3、4、5四个数值中的任意一个。

6.根据权利要求1所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：所述步骤S4具体包括以下分步骤

S4.1、通过式（3）计算出整幅红外图像的对比度特征值CON_all，通过式（4）计算出整幅红外图像的熵特征值ENT_all；

S4.2、设置对比度差异阈值T₁和熵差异阈值T₂，T₁=nCON_all，T₂=mENT_all，其中n表示整幅红外图像与窗口图像灰度值的对比度特征值相关度，m表示整幅红外图像与窗口图像灰度值的熵特征值相关度；

S4.3、计算窗口对比度特征值CON与整幅红外图像的对比度特征值CON_all的差值D₁，；再计算窗口熵特征值ENT与整幅红外图像的熵特征值ENT_all的差值D₂，；

当窗口统计特征值满足或者/>时，则将该窗口标记为潜在盲元窗口；

S4.4、计算所有遍历窗口得到潜在盲元窗口集合Y。

7.根据权利要求1所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：所述步骤S5具体包括以下步骤

S5.1、分别计算各窗口的像素灰度均值X_mean和标准差X_s，如下式所示：

（5）

（6）

其中，(i,j)为中心像元坐标，2N+1为窗口宽度，表示窗口中位于坐标/>处像元的灰度值；

S5.2、分别计算每个窗口的像素灰度均值X_mean与坐标处像元灰度值/>的差值，如下式所示：

（7）

其中，表示像素灰度均值X_mean与坐标/>处像元灰度值/>的差值；

S5.3、根据标准差X_s设置阈值T₃，T₃=3X_s，若满足>T₃，则将待测像元判定为盲元，并标记该窗口；

S5.4、重复步骤S5.1至步骤S5.3，直到潜在盲元窗口集合Y中的所有窗口像素都被检测完，构建盲元表Ⅱ。

8.根据权利要求1所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：所述步骤S8中，设置三个划分区域，分别为POS区域、NEG区域以及BND区域；POS区域表示被划分到该区域内的标记窗口确定生成新的固定盲元；NEG区域表示被划分到该区域内的标记窗口未生成新的固定盲元；BND区域表示被划分到该区域内的标记窗口不确定是否生成新的固定盲元，需要继续进一步处理；

通过下式计算标记窗口对三个划分区域的隶属度，

（8）

其中，表示标记窗口在K帧红外图像检测中被标记的次数，/>是该标记窗口在K帧红外图像检测中的总数，c_i表示划分类别；

当满足时，将标记窗口划分到POS区域；当满足/>时，将标记窗口划分到BND区域；当满足/>时，将标记窗口划分到NEG区域；其中/>为检测阈值，满足/>。

9.根据权利要求1所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：所述步骤S9中，对于在POS区域的标记窗口集合，已经判定生成了新的固定盲元，取最后次随机盲元检测结果，将该/>次随机盲元检测中都被检测为盲元的像元判定为新生成的固定盲元，并更新至盲元表Ⅰ；对于在NEG区域的标记窗口集合，则表示该标记窗口没有生成新的固定盲元。

10.根据权利要求1所述的一种基于渐进式分类模型的红外探测器盲元动态检测方法，其特征在于：所述步骤S9中，对于在BND区域的标记窗口集合，不确定是否生成新的固定盲元，需要继续进一步处理，具体处理方法包括以下步骤

S9.1、计算待分类样本BND区域的标记窗口集合与训练样本特征向量的相似度，如下式所示：

（9）

其中，分别代表待分类样本的特征向量和训练样本的特征向量；/>为向量空间的维数；F_iv表示待分类样本特征向量/>的第几维；v表示特征向量的维数；F_jv表示表示待分类样本特征向量/>的第几维；

S9.2、选择红外图像的灰度特征作为特征向量，构建训练样本的特征项集合，特征项集合/>由步骤S1得到的正常像元、过响应盲元和欠响应盲元的特征向量构成，根据三种像元的平均灰度值不同，将特征向量分为NOR、THR以及DEA，NOR为正常像元的平均灰度值h₁，THR为过响应盲元的平均灰度值h₂，DEA为欠响应盲元的平均灰度值h₃，且满足h₃<h₁<h₂；

S9.3、按照相似度，对比待分类像元的灰度值与特征项集合的平均灰度值判断是否生成新的固定盲元，计算BND区域内窗口像素的灰度值h_i，计算h_i和训练样本像元的灰度值的差值；

若满足，表示该像元与特征项集合/>中过响应盲元类别相似，则将该像元判断为过响应盲元，且更新至盲元表I；若满足/>，表示该像元与特征项集合/>中欠响应盲元类别相似，则将该像元判断为欠响应盲元，且更新至盲元表I；若既不满足/>也不满足/>，则将该像元判断为正常像元。