CN1834689A - 基于统计约束模型的线阵扫描图像非均匀性校正方法 - Google Patents

Abstract

一种基于持续统计约束模型的线阵扫描图像非均匀性校正方法，用于推帚扫描图像，包括步骤：a.通过辐射定标或图像统计模型等方法获取初始的图像校正参数；b.对目标图像数据进行非均匀性校正，输出校正图像；c.在非均匀性校正过程中利用一定的统计方法得到新的校正系数；d.新校正参数与原始校正参数一起对原始校正参数模型进行修正；e.对图像序列重复步骤b～d，直到达到预设要求。本发明的非均匀性校正方法可应用于光谱图像，也可应用于灰度图像，可以有效去除由CCD探测器的非均匀性响应带来的图像DN值的不均匀性，并且可以有效地减小基于场景的适应性算法中存在的地物对图像的影响。

Description

基于统计约束模型的线阵扫描图像非均匀性校正方法

技术领域：

本发明涉及一种线阵扫描图像的非均匀性校正方法，具体地说，是一种基于统计约束模型的机载推帚式数字成像系统图像非均匀性校正方法。

背景技术：

推帚扫描成像系统受线性CCD探测器单元的空间非均匀性的影响目前是不能避免的，这种非均匀形式使获得的图像质量下降，影响视觉效果或者后续的应用。非均匀性校正(NUC)算法的任务就是补偿空间非均匀性、提高图像质量。非均匀校正技术可分为两类，基于标定和基于场景的校正技术。定标法在需要精确测量温度的应用中是必要的。然而，在很多实际应用中不需要十分精确的结果，而只需相应的非均匀性补偿来消除固定模式噪声。

在航空遥感与测绘业中，航空数字相机是未来航空摄影发展的趋势，目前并存两种高空间分辨力数字相机——面阵框幅式和线阵推扫式，其中线阵推扫式相机每行像元数多、视场较宽，又利用位置姿态测量系统解决了定位难题，因而目前已经颇受重视。推扫成像的高空间分辨力数字相机每次对地面的垂直于飞行方向的一行像元成像，频率一般高达200Hz，每10分钟就能采集超过10万行图像，数据量大，因此对整幅图像进行校正，一方面需要高效，另一方面由于数据采集过程中可能存在的仪器状态、环境变化，需要引入相应的算法对校正参数进行实时修正或更新，提高校正效果。

发明内容

本发明的目的在于针对现有遥感系统中高光谱成像仪获得的图像数据，对其灰度进行非均匀性校正，以求达到较好的图像质量。基于场景的非均匀性校正受地物的影响大，本发明通过统计加权的方法，来修正校正参数模型系数，用以减小地物对校正参数的影响。

本发明的技术方案如下：

根据本发明的一种基于统计约束模型的线性推帚式图像非均匀性校正方法，系直接以辐射定标或原始图像统计和图像数据作为处理分析的对象进行校正参数模型计算和其系数约束处理，其步骤包括：

a.通过辐射定标或图像统计等方法得到初始校正参数模型；

b.生成新校正参数：读取一个图像块，对图像数据进行数学统计，得到非均匀性校正模型所需要的统计数据，从而生成新的基于场景的校正参数；

c.更新校正参数：根据参数更新模型利用图像统计数据和新校正参数对原始校正参数进行修正，得到更新的校正参数；

d.利用更新后的校正参数对图像块进行非均匀性校正，输出校正图像；

e.读取下一个的图像块，重复步骤b～d，直到完成整个图像校正。

进一步在步骤b中，还利用加权统计等方法得到新的校正系数，假设在整个图像范围内任一波段的每个探测单元的输出信号的统计平均值恒定，通过对非均匀高光谱图像的每个探测单元信号加权来达到消除图像条带。例如灰度列均衡法就是一种图像均匀性校正统计方法，该统计方法认为列的非均匀性等效为列像元的增益不同而引起，基于这一点，得到每个像元的修正值(也就是新的参数)为：

$X(i,j)=X^{\′}(i,j)\×\frac{M}{M\left(j\right)},$

其中：X(i，j)为修正后的值；X′(i，j)为测量值；M为整幅图像的灰度平均值。M(j)为CCD上相应的光敏元整幅图像上一列的平均值：

$M\left(j\right)=\frac{\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{DN}}_{\mathrm{pixel}(i,j)}}{m},$

$M=\frac{\underset{i=0}{\overset{k}{\mathrm{\Σ}}}\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{DN}}_{\mathrm{pixel}(i,j)}}{k\×m};$

在步骤c中，参数更新规则可以根据情况设计，最简单的更新可以采用加权平均算法，设M₀为初始参数，M₁为基于场景的新参数，M′为更新后的参数，则加权平均算法表示为：

M′＝aM₀+bM₁；

在步骤d中，采用更新后的校正参数对原始校正参数模型进行修正，由于基于场景的非均匀性校正受地物的影响大，本发明的目的在于通过统计加权的方法，来不断修正校正参数模型系数，从而减小地物对图像的影响。修正模型考虑了原始图像与后继图像，使得其更具有适应性。

如上所述，本发明的优点是：新校正参数与原始校正参数一起对原始校正参数模型进行修正，将初始校正系数和图像统计参数的作用都考虑到了。并且，本发明直接以辐射定标或原始图像统计和图像数据作为处理分析的对象进行校正参数模型计算和其系数约束处理，因此，不增加现有硬件系统的设计复杂度和增加成本便能对图像质量有所提高。

附图说明

图1是本发明中的算法模块框图。

图2是本发明中的算法流程图。

图3-1～图3-6是根据本发明方法对所选取的一个有数十万行的数据的高光谱图像的处理结果图像，其中图3-1、3-3、3-5为原始图像，图3-2、3-4、3-6为经过非均匀性校正后的图像。

具体实施方式：

下面结合图1～图3-6给出本发明的实施例，并予以详细描述，以便更好地说明本方法特点和功能，使能更易于理解本发明，而不是用来限定本发明的范围。

请先参阅图1，如图所示，图1为在机载推帚式数字成像系统中所设置持续统计约束模型非均匀性的校正算法模块框图，各模块功能说明如下：

初始校正参数模型模块M1，通过由辐射定标或大量图像统计结果所获取的初始校正参数模型；

非均匀性校正模块M2，对目标图像数据D2进行非均匀性图像统计，输出基于场景的非均匀性校正参数，并在矫正参数可接受的情况下对图像进行校正；

非均匀校正参数模型模块M3，其对初始校正参数利用M2产生的新的统计结果利用一定的模型进行约束；

在非均匀性校正过程中利用加权统计等方法得到新的校正系数，其中：X(i，j)

为修正后的值；X′(i，j)为测量值；M为整幅图像的灰度平均值。则每个像元的修正值为： $X(i,j)=X^{\′}(i,j)\×\frac{M}{M\left(j\right)};$ 新校正参数与原始校正参数一起对原始校正参

数模型进行修正，可以用加权平均的算法，加权系数根据系统需要设定；

对图像序列重复进行模块M1～M3的操作步骤，最终输出受场景影响小的图像均匀性校正参数，输出的图像可以是利用每一步输出的校正参数的校正结果，也可以是最后得到最终的校正参数后的校正结果。

本发明的基于持续统计约束模型的线阵扫描图像非均匀性校正方法，其实现步骤如下：

1)由辐射定标或图像统计等方法获取初始图像后生成初始校正参数模型；

2)取图像第i块；

3)通过统计平均的方法生成新的参数；

4)将生成的新参数与初始参数通过加权平均的方法合成校正参数模型新的参数，并将此参数作为初始校正模型的更新参数存储其中；

5)用带有合成参数的校正模型对图像块i进行非均匀性校正；

6)判断校正后的图像块质量是否满足要求，若不满足，则执行步骤7)；若满足要求，则执行步骤8)；

7)参数更新；

8)取图像块i+1，判断图像是否结束，若未结束，则重复步骤2)～6)；否则就结束。

参阅图2，其示出本发明驻留于机载推帚式数字成像系统中的持续统计约束模型非均匀性校正程序100，运行步骤如下：

S1000，由辐射定标或原始图像统计等方法生成初始校正参数模型，其参数矩阵为

S1001，取图像第i块，I_i；

S1002，通过统计平均的方法生成新的参数矩阵

S1003，将生成的新参数矩阵 与初始参数矩阵 通过加权平均的方法合成校正参数模型新的参数矩阵 $\stackrel{\mathrm{\ρ}}{R^{\′}}=\frac{m}{m+n}\stackrel{\mathrm{\ρ}}{R_i}\left(I_i\right)+\frac{n}{m+n}\stackrel{\mathrm{\ρ}}{R_0}\left(I_0\right),$ 并将此参数作为初始校正模型的更新参数存储其中；

S1004，用带有合成参数矩阵 的校正模型对图像块i进行非均匀性校正；

S1005，判断校正后的图像块质量是否满足要求，若不满足，则执行步骤S1006，若满足要求，则执行步骤S1007；

S1006，参数更新；

S1007，取图像块i+1，判断图像是否结束，若未结束，则重复步骤S1001～S1005；否则就执行S1008，程序结束。

最后，请参阅图3-1～图3-6，其中图3-1，图3-3，图3-5为原始图像；相应地，图3-2，图3-4，图3-6为经过本发明方法所作的非均匀性校正后的图像，可以很清晰地看出，原始图中模糊的黑条带经过非均匀性校正，变得淡化了，说明校正后的图像灰度值具有更好的均匀性。

Claims (4)

1、一种基于统计约束模型的线阵扫描图像非均匀性校正方法，包括步骤：

a.通过辐射定标或原始图像统计方法获取初始图像得到初始校正参数模型；

b.读取一个图像块，对目标图像数据进行数学统计，得到非均匀性校正模型所需要的统计数据，生成新的基于场景的校正参数；

c.根据参数更新模型利用图像统计数据或新校正参数对原始校正参数进行修正，得到更新的校正参数；

d.利用更新后的校正参数对目标图像块进行非均匀性校正，输出校正的目标图像；

e.读取下一个图像块，重复步骤b～d，直到整个图像校正完成。

2、根据权利要求1所述的基于统计约束模型的线阵扫描图像非均匀性校正方法，其特征在于，步骤b中，还利用加权统计方法得到新的校正系数，设定整个图像范围内任一波段的每个探测单元的输出信号的统计平均值恒定，通过对非均匀高光谱图像的每个探测单元信号加权来消除图像条带。

3、根据权利要求1所述的基于统计约束模型的线阵扫描图像非均匀性校正方法，其特征在于，步骤c中，针对系统获取的图像非均匀性在弱信号时比较明显，采用灰度列均衡法，得到每个像元的修正值为： $X(i,j)=X^{\′}(i,j)\×\frac{M}{M\left(j\right)},$

其中：X(i，j)为修正后的值、X′(i，j)为测量值、M为整幅图像的灰度平均值、M(j)为CCD上相应的光敏元整幅图像上一列的平均值：

$M\left(j\right)=\frac{\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{DN}}_{\mathrm{pixel}(i,j)}}{m},$

$M=\frac{\underset{i=0}{\overset{k}{\mathrm{\Σ}}}\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{\mathrm{DN}}_{\mathrm{pixel}(i,j)}}{k\×m}.$

4、根据权利要求1所述的基于统计约束模型的线阵扫描图像非均匀性校正方法，其特征在于，步骤d中，还采用新校正参数与原始校正参数一起对原始校正参数模型进行修正，来修正校正参数模型系数，减小地物对图像的影响。

Images