红外焦平面阵列非均匀性自适应校正方法

作者:刘慧;朱明超;吴泽鹏;郭玲玲;赵其昌;贾宏光;宣明 刊名:红外与激光工程 上传者:徐莹

【摘要】分析基于场景的红外焦平面阵列非均匀性校正方法中的景物退化和鬼影现象,提出了一种基于边缘约束高斯滤波的红外焦平面阵列非均匀性自适应校正方法。该方法设计了一个边缘约束高斯滤波器来获取理想的估计图像,利用最陡下降法得到计算增益校正因子和偏移量校正因子的迭代公式,并通过迭代步长的自适应控制来增快算法的收敛速度。通过仿真实验和真实红外图像处理对比实验表明:相较于目前已有的方法,该方法在有效抑制景物退化和鬼影现象的同时,较好地去除原始红外图像的固定图案噪声,保留了图像细节信息,提高了图像质量。

全文阅读

0引言红外焦平面阵列器件(IRFPA)是当前技术性能先进的红外探测器[1-2],它在红外跟踪、预警、制导等领域都有广泛的应用。由于制造工艺的限制,IRFPA各探测元的响应度不一致,导致生成的图像存在叠加的固定图案噪声(FPN),且FPN随着时间和环境变化缓慢漂移。为此,需将存在噪声影响的原始图像进行非均匀性校正(NUC)得到一个高质量的去噪图像。国内外的非均匀性校正方法主要有两个思路:基于黑体标定(BBNUC)和基于场景的非均匀性校正(SBNUC)。BBNUC方法中最为常用的是两点标定法(TPC)。尽管BBNUC方法的准确度是最高的,但是需周期性地重新标定,为实际工作带来不便。基于场景的非均匀性校正方法无需黑体标定,能克服BBNUC方法的缺点。SBNUC的方法得到了广泛的研究:假设各探测元输出的一阶统计量和二阶统计量相同,M.M.Hayat[3-4]提出了恒定统计的NUC校正;通过最小化观察图像和估计图像的差值实现图像的非均匀性校正[5],D.A.Scribner[6]提出了基于神经网络的LMS算法(NN-NUC),参考文献[7]通过自适应步长设置,加快了收敛速度(FA-NUC),RussellC.Hardie[8]又做了进一步总结。得益于全变分(TV)算法在图像去噪中的应用,EstebanVera[9]提出了基于全变分的NUC算法(TV-NUC)。若不考虑增益因子的影响,BradleyM.Ratliff[10]提出了代数类的方法。上述非均匀校正方法在一定环境下能得到较好的实验效果,但是,不可避免的,上述基于场景的非均匀性校正方法均存在较强的鬼影现象和目标景物退化[11-12]等问题。在详细分析红外焦平面阵列非均匀性校正过程中鬼影现象和目标退化问题产生的原因后,提出了一种改进的基于LMS算法的红外焦平面阵列非均匀性校正方法。该方法在得到较好的非均匀性校正效果的同时,有效地解决了图像的鬼影现象以及景物退化的问题。最后通过仿真实验及真实红外场景分析验证了此结论。1基本原理1.1IRFPA非均匀性校正模型尽管红外焦平面阵列中探测器的输出与相应激励是非线性的,但在某一时间段内通常可以用线性模型来近似表示。Yij(n)=AijXij(n)+Bij(1)式中:(i,j)表示探测元的位置;n可视为时刻n或者视频的第n帧;Xij(n)表示时刻n位于(i,j)探测元的辐射照度;Yij(n)为从探测元对应的输出值;Aij和Bij为探测位于(i,j)探测元的非均匀性增益量因子和偏移量因子。非均匀性校正的算法是通过探测器的读出值Yij(n)以及计算或者估计得到的系数A赞ij和B赞ij来获取真实的红外辐射照度X赞ij(n)。其非均匀性校正模型为:X赞ij(n)=G赞ij(n)Yij(n)+O赞ij(n)(2)其中,G赞ij(n)=1A赞ij,O赞ij(n)=-B赞ijA赞ij。1.2基于LMS的非均匀性校正方法经典的基于LMS的非均匀性校正方法,首先由Scribner提出,其流程图如图1所示。图1LMS非均匀性校正原理框图Fig.1Block-schemeofLMS-basedNUCmethod其中dij(n)为Xij(n)的期望估计,而实际上真实无FPN的图像不可获知,因此,在实验中只能选取其估计值。经典的方法把探测元的邻域像素点通过线性空间滤波器(低通滤波,高斯滤波等)来获取期望dij(n)。若以f表示线性空间滤波器,则有:dij(n)=f(yij(n))(3)在获取期望校正值后,可定义校正误差eij(n)为:eij(n)=X赞ij(n)-dij(n)=G赞ij(n)

参考文献

引证文献

问答

我要提问