红外图像非均匀性校正方法综述_陈锐

〈系统与设计〉红外图像非均匀性校正方法综述Ξ陈　锐,谈新权(华中科技大学电子与信息工程系,湖北武汉,430074)摘要:　红外图像的非均匀性是制约红外成像系统成像质量的限制性因素。

对国内外广泛应用的两点校正法进行了原理探讨,并阐述了恒定统计平均法、时域高通滤波器法和神经网络校正法等几种正在实验室大力研究的非均匀性校正技术。

关键词:　红外焦平面阵列;　非均匀性校正;　两点校正法;　恒定统计平均法;　高通滤波;　神经网络中图分类号:T N216 文献标识码:A 文章编号:100128891(2002)01200012031　概述红外焦平面器件是一种兼具辐射敏感和信号处理功能的新一代红外探测器,采用焦平面探测器的成像系统具有很多优点。

如果系统的探测器元数为N,理论上信噪比可提高N倍。

但由于各个探测器的响应度的不一致,导致红外图像的非均匀性,严重影响着红外传感器的成像质量,因此必须进行红外非均匀性校正。

补偿焦平面探测器非均匀性的方法有多种,但由于此类噪声的来源与瞬态噪声不同,不能采用通常的处理方法(帧Π场处理)。

因此抑制固有空间噪声比抑制瞬态噪声更困难,必须采用现代数据处理的方法。

到目前为止还没有找到适应性较强的算法,方法的研究都是面向某种特定条件和工作模式的。

目前探测器非均匀性校准方法主要有两点温度定标法(TPC)、多点温度定标法(ETPC)、恒定统计平均法(CSC)、时域高通滤波法(THPFC)和人工神经网络法(ANNC)等。

目前应用最广的是两点温度定标法和多点温度定标法。

以上多种方法可分为两大类:线性校正和非线性校正。

其中前三种属于线性校正技术,后两种属于非线性校正技术。

技术上线性校正相对非线性校正来说较为成熟。

2　非均匀性校正方法线性校正假设探测器单元的响应呈线性,y=ax+b(1)式中,x为某一探测器单元的输入信号,y为可测的输出信号。

如果能求出增益因子a和偏移因子b,就可求得无畸变的输入信号x。

改进的红外图像神经网络非均匀性校正算法摘要：红外焦平面阵列（IRFPA）像元响应存在不一致性，会严重影响红外成像系统成像的质量，实际应用中需要采用响应的非均匀性校正（NUC）技术。

传统的神经网络校正算法在校正结果中存在图像模糊和伪像的问题，影响人们对于目标的观察。

在分析了传统的神经网络性校正算法所出现问题原因的基础上，提出了有效的改进算法：用非线性滤波器代替传统算法中使用的均值滤波器。

算法改进之后所得到的校正图像，不仅在清晰度方面有明显的改善，而且有效的消除了传统算法中存在伪像的问题。

关键词：非均匀性；神经网络；模糊；伪像中图分类号：TN215 文献标识码：AImproved infrared image neural network non-uniformitycorrection algorithmAbstract：The responsive of infrared focal plane arrays (IRFPA) is different; it will affect the quality of imaging system seriously. Non-uniformity correction technology will need in practical application. The calibrated images have the problems of blurring and existing ghost artifacts when use the traditional neural network correction algorithm. And it is bad for the observation of the target. After analysis the reasons for the problems in the traditional neural network correction algorithm，proposed the improved algorithm. Replace the mean filter, which used in the traditional algorithm, by the nonlinear filter. The corrected image by the improved algorithm not only a marked improvement in clarity, but also effectively eliminate the problem of artifacts in traditional algorithms.Keywords：Non-uniformity; Neural network; Blurring; Ghosting artifacts0引言红外技术是20世纪初新出的一种不可见光技术，目前已被广泛应用于军事和民事领域，如红外探测，红外监视等。

图片简介:本申请涉及图像处理技术领域，提供了一种红外高光谱图像非均匀性校正方法、装置、计算机设备和存储介质，包括：获取探测器阵列中各探测单元的响应曲线，将各探测单元的响应曲线归一化得到平均响应曲线；获取各光谱通道的图像，基于平均响应曲线对各光谱通道的图像进行两点法校正，得到各光谱通道上各像素的第一校正系数；根据各第一校正系数对各光谱通道进行非均匀性校正；获取各光谱通道对低温黑体真实响应值和平均响应值的第一差值，并获取各光谱通道对高温黑体真实响应值和平均响应值的第二差值；基于第一差值和第二差值获取光谱通道间的第二校正系数；根据第二校正系数对各光谱通道间进行非均匀性校正。

技术要求1.一种红外高光谱图像非均匀性校正方法，其特征在于，所述方法包括：获取探测器阵列中各探测单元的响应曲线，将各所述探测单元的所述响应曲线归一化得到平均响应曲线；获取各光谱通道的图像，基于所述平均响应曲线对各所述光谱通道的图像进行两点法校正，得到各所述光谱通道上各像素的第一校正系数；根据各所述第一校正系数对各所述光谱通道进行非均匀性校正；获取各所述光谱通道对低温黑体真实响应值和平均响应值的第一差值，并获取各所述光谱通道对高温黑体真实响应值和平均响应值的第二差值；基于所述第一差值和所述第二差值获取所述光谱通道间的第二校正系数；根据所述第二校正系数对各所述光谱通道间进行非均匀性校正；所述基于所述第一差值和所述第二差值获取所述光谱通道间的第二校正系数的步骤，包括：根据如下公式计算所述第二校正系数：式中：表示低温黑体在第i个光谱通道上的平均响应；表示高温黑体在第i 个光谱通道上的平均响应；表示各所述光谱通道对低温黑体的响应平均值；表示各所述光谱通道对高温黑体的响应平均值；表示各所述光谱通道对低温黑体真实响应值和平均响应值的所述第一差值；表示各所述光谱通道对高温黑体真实响应值和平均响应值的所述第二差值；ci和di表示所述光谱通道间的第二校正系数。

红外成像系统非均匀性快速校正方法红外成像系统是一种利用物体所放射的红外辐射图像来研究物体表面温度分布的一种技术。

在此技术中，成像系统测量物体表面的不断变化的温度，并将其以数字形式传递给计算机，以便进行图像处理和分析。

然而，在红外成像系统中，成像系统的感受器非均匀性会导致图像质量下降，降低对物体表面温度分布的准确度。

因此，人们需要对红外成像系统进行非均匀性快速校正。

本文将介绍一种红外成像系统非均匀性快速校正方法。

校正步骤如下：第一步：对系统进行预热。

在进行非均匀性快速校正之前，需要确保红外成像系统已经预热。

由于数字红外成像系统是基于变差电阻器制造的，因此这种设备必须在10-30分钟内进行预热，以获得最准确的非均匀校正结果。

第二步：选择一个可见光相同区域的点。

在非均匀性快速校正过程中，应选择一个可见光相同区域的点作为校正点。

在该点附近，可以确定一个区域，以此确定成像系统的校正系数。

其次，在选择校正点时，应选择具有相对稳定温度的物体，以避免校正结果受到外界温度的干扰。

第三步：测量校正点的温度。

在选择了一个可见光相同的校正点之后，需要测量该点的温度。

可以使用一个温度计或其他合适的测量设备进行测量。

此外，在测量过程中，应确保温度计和红外成像系统的范围和标定方式相同。

这可以确保准确度的一致性。

第四步：确定校正系数。

在测量了校正点的温度之后，需要确定校正系数以进行校正。

这需要测量在红外成像系统中检测到的校正区域中的每个像素的参数值。

根据这些值，可以计算出一个在该区域内的校正系数。

这个系数可以被应用到整个图像中，从而对红外成像系统的非均匀性进行校正。

第五步：进行校正。

在确定了校正系数之后，我们可以对不规则成像系统进行校正。

这可以通过将校正系数应用到整个图像中来实现。

在校正后，无论是图像的温度测量还是温度差异均可更加准确。

总体来说，这种红外成像系统非均匀性快速校正方法可以快速有效地进行红外成像系统的非均匀性校正。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910132612.9(22)申请日 2019.02.22(71)申请人 西安天盈光电科技有限公司地址 710003 陕西省西安市经济技术开发区凤城七路南侧凤新路西侧三丰中心思想5号楼裙楼2层201室(72)发明人 王斯建　侯洁　冯哲　(74)专利代理机构 北京元合联合知识产权代理事务所(特殊普通合伙)11653代理人 李非非　杨兴宇(51)Int.Cl.G06T 5/00(2006.01)(54)发明名称红外图像的非均匀校正方法(57)摘要本发明提供了一种红外图像的非均匀校正方法，该方法包括：获取环境信息及原始红外图像；根据环境信息及原始红外图像确定红外图像的校正参数；根据红外图像的校正参数对原始红外图像进行非均匀校正，获得校正红外图像。

该方法的实现使得红外焦平面探测器/机芯可以在不依赖温度调节装置、不提升探测器硬件水平的情况下适用于较宽的工作温度范围，具备较强的温度鲁棒性，因而大幅度降低了红外焦平面探测器的设计成本；最重要的是，该方法减少了红外焦平面探测器的整体功耗，为提升总体系统性能奠定基础。

同时，该方法的适用范围较广，可以适用于近红外、短波红外、可见-短波红外、中波和长波红外焦平面探测器的校正领域以及反射成像领域。

权利要求书2页 说明书7页 附图2页CN 109903245 A 2019.06.18C N 109903245A1.一种红外图像的非均匀校正方法，其中，该方法包括：获取环境信息及原始红外图像；根据环境信息及原始红外图像确定红外图像的校正参数；根据红外图像的校正参数对原始红外图像进行非均匀校正，获得校正红外图像。

2.如权利要求1所述的红外图像的非均匀校正方法，其中，所述环境信息包括焦平面阵列温度值和焦平面阵列照度值。

3.如权利要求1所述的红外图像的非均匀校正方法，其中，所述红外图像的校正参数包括图像像素值校正参数、温度值校正参数及照度值校正参数。

适应积分时间调整的红外图像非均匀性校正方法探究摘要：在积分时间进行调整时，红外探测器的响应值会跟着变化，这会影响红外图像的非均匀性校正算法。

为了解决这个问题，提出了一种适应积分时间调整的红外图像非均匀性校正方法。

这种方法通过将各个积分时间、温度的黑体定标数据及理论红外辐射量进行整合标定，解决了在积分时间发生变化时，红外图像不能适时变化的问题。

关键词：积分时间调整；红外图像；非均匀性校正；引言：受到材料、工艺等因素的影响，使得红外图像非常容易出现非均匀性的现象，大大影响红外图像的成像质量。

而自适应变积分时间功能的实现，能够有效地实现红外系统在目标温度适用范围的扩展，促使目标区域能够始终在最佳响应区间开展工作，以保证获取的图像质量更加优质。

1.红外图像非均匀性校正模型的研究1.1红外图像非均匀性校正模型网络结构的设计需要先建立起一个能够用于回归的前向神经网络，该神经网络结构如图1所示，在这个网络结构之中，其输入层为黑体图像X，所对应的积分时间为T。

输出层需要经过网络校正之后进行输出，其损失函数则为校正后的输出与期望值的均方误差和。

图1.网络结构示意图这里所选用的网络基本单元结构如图2所示：图2.网络基本单元在图2中x代表的是单个像元的灰度值，t代表的是积分时间，而m为辐射量期望值，其中a、b、c、d在中所表示的是单个像元的各个校正系数，y表示的是单个像元校正之后的辐射量输出值。

先对实线箭头所指示方向的正向传递之后，再对y进行输出，这时网络再针对输出值y与期望值m之间的均方误差进行求和，并严格依照图中虚线所指示的方向进行反向传递，进而将校正系数展开逐级修正。

1.2校正模型的网络损失函数及梯度反向传递构建损失函数的评估体系，其主要目的是为了能够针对校正模型输出值的准确性进行衡量，而校正系数的相关修正量在计算时，需要通过梯度反向传递原理来具体实施计算。

因此，经过与前馈神经网络的有机结合，获得出相应的输出矩阵Y，定标辐射量矩阵M，进而建立起相应的均方误差和的相应损失函数L以及oss。

基于场景的红外焦平面非均匀校正
算法综述
基于场景的红外焦平面非均匀校正算法是用来校正红外图像中的非均匀性的一种算法，它的主要作用是消除红外图像的热成像失真，以提高图像质量。

红外图像由于热源分布不均匀、传感器敏感度不一致、物体表面反射特性不同等原因，都会出现明显的焦平面非均匀性（FOVU）。

为了减少这种失真，开发人员需要对图像进行校正，以保证图像的质量。

基于场景的红外焦平面非均匀校正算法具有以下优势：首先，它能够根据场景的具体情况，比如场景中的热源分布、传感器的敏感度等，来实现对红外图像的自动校正，这使得校正工作更加简单、快速。

其次，该算法可以有效减少红外图像的非均匀性，消除失真，从而提高图像的质量。

最后，该算法可以对不同类型的红外图像进行校正，包括单色、多色、多光谱和多投影等，从而满足不同应用场景的需求。

基于场景的红外焦平面非均匀校正算法的实现大致可分为以下几个步骤：首先，根据场景的具体情况，采集相应的红外图像；其次，利用图像处理技术对采集的红外图
像进行预处理；第三，计算场景中的热源分布和传感器的敏感度；第四，建立模型，采用数学优化算法对红外图像进行非均匀校正；最后，将校正后的红外图像输出，以满足应用需求。

基于场景的红外焦平面非均匀校正算法是一种用于消除红外图像FOVU的有效方法，可以有效改善图像的质量，满足不同应用场景的需求。

该算法的实现过程简单易行，可以根据场景的具体情况自动进行校正，具有一定的实用价值。