基于场景的红外成像系统盲元检测及校正
发布时间：2019-09-19 21:02
【摘要】：根据盲元的响应特性,给出了无需依赖黑体辐射定标的、基于时域平均野值提取的盲元检测算法,然后又提出了基于相关像素加权插值的盲元校正算法。详细探讨了盲元检测过程中阈值的设置方法,研究了参与加权估计盲元灰度值的像素数目对估计误差的影响。最后通过仿真实验对检测算法的准确性及校正算法的有效性进行了验证,实验结果表明:本文提出的检测算法结果准确,误检测率低。校正算法校正效果好,结果图像的RMSE低于两种常用校正算法。
【图文】：
度的变化而变化，始终表现为某一较高的固定灰度值;死像元的响应输出值也不随外界辐照度的变化而变化，始终表现为一较低的固定灰度值;正常像元的响应输出值跟随外界辐照度的变化，且二者在IＲFPA的工作范围内近似呈线性关系。3盲元检测及校正算法3．1基于时域平均野值提取的盲元检测算法在红外成像系统输出的视频序列中，若某个像素为盲元，则在不同的帧中，其灰度值基本是固定不变的，而且明显异于正常像素的灰度值。基于此考虑，提出时域平均野值提取(Temporal－MeanOutlier－Extraction，TMOE)的盲元检测算法，如图1所示。图1时域平均野值提取检测算法框图Fig．1BlockdiagramofblindpixelsdetectionusingtheTemporal－MeanOutlier－Extractionprocess具体实现流程如下:(1)取K帧连续红外图像，进行时域平均，得到平均图像I。x(i，k)表示第k帧中(i)坐标处的像素灰度值，则I中该坐标处的灰度时域均值x(i)可表示为:x(i)=1K∑Kk=1x(i，k)(7)(2)在平均图像I中以(i)坐标为中心，取其周围w×w窗口内的所有像素的灰度空域中值，记为medw×wx(i{})，窗口滑动至图像边界时，将图像围绕边界按照镜像反射的方式进行扩展。根据公式(8)计算所有坐标处灰度时域均值与灰度空域中值之差的绝对值D(i):D(i，j)=x(i)－medw×wx(i{})(8)(3)提取野值。设置合理的阈值Thr，，若D(i)＞Thr，则判定x(i)为盲元。3．2基于相关像素加权插值的盲元校正算法图像中不同像素邻域的纹理特征会表现出相似性，这种相似性使得不同位置的像素点具有一定的相关性，因此当前像素的估计值可由图像中与其相关的像素通过加权平均得到［6－7］。权重值由像素点邻域窗口之间的相关程度来确定。设I为一幅含有盲元的图像。盲元i?
不宜选的太大。4实验结果及分析为了能够较好地衡量所提算法的校正效果，采用理想图像与校正图像进行对比，将算法应用于一组仿真得到含盲元的红外视频序列，并将校正效果与常用的邻域均值法(AverageNeighboringmethod，AN)、最近邻替代法(NearestNeighboringmethod，NN)进行了对比。4．1实验数据获取通过在理想图像序列的基础上人为添加盲元的方法得到200帧含盲元的图像序列。理想视频是用武汉高德红外有限公司生产的1161G型长波非制冷热像仪拍摄得到的。由于视频质量较高，可认为是理想视频。其中的第106帧如图2(a)所示。随机生成40个坐标，将每帧图像的40个坐标处的其中20个像素灰度值设置为240，另外20个设置为20。这样便生成了包含20个过热像元及20个死像元的含盲元图像序列，如图2(b)所示，其中“○”位置表示的是过热元，“□”位置表示的是死像元。图2理想图像及其含盲元图像Fig．2Theperfectframesandthedegradedframe4．2盲元检测算法性能实验以检测第100帧图像的盲元为例，对检测算法进行实验。首先按照3．1节中给出的算法流程(1)，取连续多帧红外图像，进行时域平均，得到平均图像I，如图3所示。由于死像元的响应大大低于正常像元响应，过热像元的响应高于正常像元的响应，使得在平均图像上出现了异常的尖峰，其中突出的尖峰为过热像元，下陷的尖峰为死像元。这样便可以将盲元与正常像元进行初步分离。图3第100帧平均图像Fig．3The100thaverageframe然后计算所有坐标处灰度时域均值与灰度空域中值之差的绝对值D(i)，如图4所示。在图4中，正常像素位置处的D(i)数值被压制的很低，接近于零。而过热像元与死像元位置处的D(i)则分别表现为明显的高低两种突出尖峰。并且与图3相比，正常像素位置处对应的
【作者单位】： 海军航空工程学院控制工程系;海军航空工程学院指挥系;
【基金】：国家自然科学基金项目(No.61303192)资助
【分类号】：TN216
本文编号：2538349
【图文】：
度的变化而变化，始终表现为某一较高的固定灰度值;死像元的响应输出值也不随外界辐照度的变化而变化，始终表现为一较低的固定灰度值;正常像元的响应输出值跟随外界辐照度的变化，且二者在IＲFPA的工作范围内近似呈线性关系。3盲元检测及校正算法3．1基于时域平均野值提取的盲元检测算法在红外成像系统输出的视频序列中，若某个像素为盲元，则在不同的帧中，其灰度值基本是固定不变的，而且明显异于正常像素的灰度值。基于此考虑，提出时域平均野值提取(Temporal－MeanOutlier－Extraction，TMOE)的盲元检测算法，如图1所示。图1时域平均野值提取检测算法框图Fig．1BlockdiagramofblindpixelsdetectionusingtheTemporal－MeanOutlier－Extractionprocess具体实现流程如下:(1)取K帧连续红外图像，进行时域平均，得到平均图像I。x(i，k)表示第k帧中(i)坐标处的像素灰度值，则I中该坐标处的灰度时域均值x(i)可表示为:x(i)=1K∑Kk=1x(i，k)(7)(2)在平均图像I中以(i)坐标为中心，取其周围w×w窗口内的所有像素的灰度空域中值，记为medw×wx(i{})，窗口滑动至图像边界时，将图像围绕边界按照镜像反射的方式进行扩展。根据公式(8)计算所有坐标处灰度时域均值与灰度空域中值之差的绝对值D(i):D(i，j)=x(i)－medw×wx(i{})(8)(3)提取野值。设置合理的阈值Thr，，若D(i)＞Thr，则判定x(i)为盲元。3．2基于相关像素加权插值的盲元校正算法图像中不同像素邻域的纹理特征会表现出相似性，这种相似性使得不同位置的像素点具有一定的相关性，因此当前像素的估计值可由图像中与其相关的像素通过加权平均得到［6－7］。权重值由像素点邻域窗口之间的相关程度来确定。设I为一幅含有盲元的图像。盲元i?
不宜选的太大。4实验结果及分析为了能够较好地衡量所提算法的校正效果，采用理想图像与校正图像进行对比，将算法应用于一组仿真得到含盲元的红外视频序列，并将校正效果与常用的邻域均值法(AverageNeighboringmethod，AN)、最近邻替代法(NearestNeighboringmethod，NN)进行了对比。4．1实验数据获取通过在理想图像序列的基础上人为添加盲元的方法得到200帧含盲元的图像序列。理想视频是用武汉高德红外有限公司生产的1161G型长波非制冷热像仪拍摄得到的。由于视频质量较高，可认为是理想视频。其中的第106帧如图2(a)所示。随机生成40个坐标，将每帧图像的40个坐标处的其中20个像素灰度值设置为240，另外20个设置为20。这样便生成了包含20个过热像元及20个死像元的含盲元图像序列，如图2(b)所示，其中“○”位置表示的是过热元，“□”位置表示的是死像元。图2理想图像及其含盲元图像Fig．2Theperfectframesandthedegradedframe4．2盲元检测算法性能实验以检测第100帧图像的盲元为例，对检测算法进行实验。首先按照3．1节中给出的算法流程(1)，取连续多帧红外图像，进行时域平均，得到平均图像I，如图3所示。由于死像元的响应大大低于正常像元响应，过热像元的响应高于正常像元的响应，使得在平均图像上出现了异常的尖峰，其中突出的尖峰为过热像元，下陷的尖峰为死像元。这样便可以将盲元与正常像元进行初步分离。图3第100帧平均图像Fig．3The100thaverageframe然后计算所有坐标处灰度时域均值与灰度空域中值之差的绝对值D(i)，如图4所示。在图4中，正常像素位置处的D(i)数值被压制的很低，接近于零。而过热像元与死像元位置处的D(i)则分别表现为明显的高低两种突出尖峰。并且与图3相比，正常像素位置处对应的
【作者单位】： 海军航空工程学院控制工程系;海军航空工程学院指挥系;
【基金】：国家自然科学基金项目(No.61303192)资助
【分类号】：TN216
本文编号：2538349
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2538349.html
