IRFPA的一种新的非均匀性校正算法
HDR及一些非均匀性校正算法
HDR High Dynamic Range ，即高动态范围，比如所谓的高动态范围图象（HDRI）或者高动态范围渲染（HDRR）。动态范围是指信号最高和最低值的相对比值。目前的16位整型格式使用从“0”（黑）到“1”（白）的颜色值，但是不允许所谓的“过范围”值，比如说金属表面比白色还要白的高光处的颜色值。在HDR的帮助下，我们可以使用超出普通范围的颜色值，因而能渲染出更加真实的3D场景。也许我们都有过这样的体验：开车经过一条黑暗的隧道，而出口是耀眼的阳光，由于亮度的巨大反差，我们可能会突然眼前一片白光看不清周围的东西了，HDR在这样的场景就能大展身手了。 HDR可以用3句话来概括：亮的地方可以非常亮暗的地方可以非常暗亮暗部的细节都很明显。HDR的处理在显卡中可以分为3个步骤：将画面用高光照动态范围渲染，并储存每个象素的亮度特性；将HDRI画面转成低动态范围的画面（RGBA或是sRGB）；色彩和Gamma校正后传送到显示设备输出。 计算机在表示图像的时候是用8bit(256)级或16bit(65536)级来区分图像的亮度的，但这区区几百或几万无法再现真实自然的光照情况。HDR文件是一种特殊图形文件格式，它的每一个像素除了普通的RGB信息，还有该点的实际亮度信息。普通的图形文件每个象素只有0 －255的灰度范围，这实际上是不够的。想象一下太阳的发光强度和一个纯黑的物体之间的灰度范围或者说亮度范围的差别，远远超过了256个级别。因此，一张普通的白天风景图片，看上去白云和太阳可能都呈现是同样的灰度/亮度，都是纯白色，但实际上白云和太阳之间实际的亮度不可能一样，他们之间的亮度差别是巨大的。因此，普通的图形文件格式是很不精确的，远远没有纪录到现实世界的实际状况。所以，现在我们就要介绍一下高动态范围图像（简称HDRI）。 HDR高动态范围渲染目前是一种逐渐开始流行的显示技术，其技术出发点就是让计算机能够显示更接近于现实照片的画面质量。目前在民用领域看到最多HDR技术应用的必然是游戏了。 在现实中，当人从黑暗的地方走到阳光下时，我们的眼睛会不由自主的迷起来，那是因为在黑暗的地方，人为了更好的分辨物体，瞳孔张开很大，以便吸收光线;而突然到了光亮处瞳孔来不及收缩，视网膜上的视神经无法承受如此多的光线，人自然会迷上眼睛阻止大量光线冲击视神经。而电脑是不具备这种功能的。所以，HDR的最终效果因该是亮处的效果是鲜亮的，而黑暗处你也可以清晰的分辨物体的轮廓，位置和深度，而不是以前的一团黑。动态、趋近真实的物理环境是HDR的特效表现原则。 实际游戏中会发现井底水面反射的阳光在墙壁上动态的明亮反光，洞口的明亮天空也会稍微变弱些。这样就能更清晰的表现出水面的反光。如果此时低头看水面会发现水面直接将阳光反射到人眼中很刺眼，但仅仅1秒钟时间光线就会减弱，因为人眼适应了直接反射的阳光。 这就是游戏的曝光控制功能，模拟人眼自动适应光线变化的能力，而不是照相机。HDR并不仅仅是反射的光强度要高。在游戏中，如果你盯着一个面向阳光直射的物体，物体表面会出现丰富的光反射;如果盯着不放，物体表面的泛光会渐渐淡出，还原出更多的细节。HDR特效是变化的，因此称作高动态光照。 热成像的非均匀性校正算法有很多种，红外焦平面非均匀性校正算法主要分为基于定标的非均匀校正算法(如一点温度定标算法、二点温度定标算法、多点温度定标算法)和基于场景的自适应非均匀校正算法(如时域高通滤波(THPFC)算法、人工神经网络(ANNC)算法、恒定统计平均(Cs)校正算法等)。目前二点温度定标算法和多点温度定标算法是最为成熟的实用性算法，但是它需要周期性的对它维护，这给红外成像设备维护工作带来很多困难。而基于场景的非均匀
基于分段线性模型的卡尔曼滤波非均匀校正算法
第34卷增刊JOURNAL OF XIDIAN UNIVERSITY Vol.34 Sup. 基于分段线性模型的卡尔曼滤波 非均匀校正算法 秦翰林1，周慧鑫1，刘上乾1，简耀波23, (1. 西安电子科技大学 技术物理学院，陕西 西安 710071； 2. 华中科技大学 电子工程系，湖北 武汉 430074； 3. 深圳大学 工程技术学院，广东 深圳 518060） 摘要：为了降低探测器响应的漂移以及非线性对非均匀性校正的影响，提出了一种基于分段 线性模型的卡尔曼滤波红外焦平面阵列非均匀性校正算法。该算法引入探测器响应曲线的分 段线性模型，对基于卡尔曼滤波器的红外焦平面非均匀性校正算法进行了扩展和改进，不仅 能减小探测器的偏置和增益随时间漂移对校正的影响，而且还能消除探测器响应非线性对非 均匀性校正性能的影响。一组利用真实红外图像序列进行的实验验证了该算法可获得较好的 校正性能。 关键词：非均匀校正；卡尔曼滤波；非线性模型；红外焦平面阵列 中图分类号：TN21 文献标识码：A 文章编号：1001-2400(2007)S1-0168-05 Nonuniformity correction algorithm based on the Kalman-filter with a piecewise model for infrared image sequences QIN Han-lin1, ZHOU Hui-Xin1, LIU Shang-qian1, JIAN Yao-bo2,3 （1 School of Technical Physics, Xidian University, Xi'an 710071， China; 2 Institute of Optoelectronics Science and Engineering, HUST, Wu'han 430074, China; 3 School of Engineer and Technology, ShenZhen University, Shenzhen 518060, China) Abstract:To reduce the effect that the detector nonlinear response imposes on the nonuniformity correction, a nonuniformity correction algorithm based on the Kalman-filter with a piecewise model is presented. This paper introduces a piecewise linear model of a detector response curve. And the Kalman-filter based nonuniformity correction algorithm is improved, which adapts to infrared focal plane arrays with nonlinearity of the response characteristic. Compared with the original algorithm, it can solve not only the problems of detector offset and gain drift with time, but also the influence of the detector nonlinear response to the nonuniformity correction performance to some extent. Therefore it achieves a better effect of the nonuniformity correction than the original algorithm. The nonuniformity correction capability of the improved algorithm is validated with real infrared image sequences. Key word: nonuniformity correction; Kalman filter; nonlinear model; infrared focal plane arrays At present, the infrared imaging system is more and more utilized in military and civil applications. Over those available infrared imaging system, the infrared focal plane arrays (IRFPA) imaging system, which has many advantages, such as compact-structure and high-sensitivity, is paid more and more attention to. It is well known that response nonuniformity in IRFPA can markedly degrade the quality of infrared images. It results in a fixed pattern noise superimposed on the true image, and this deteriorates the temperature and spatial resolutions of the IRFPA imaging systems seriously. So a corresponding nonuniformity correction (NUC) technology must be employed in nearly all IRFPA imaging systems applied for engineering[1,2] . Since the 1980’s, numerous nonuniformity correction techniques have been developed, which can fall into two main types. In the first type of NUC algorithm, such as two-point or multi-point correction techniques [1-3], the known blackbody calibration-source is necessary. Although these techniques have a high correcting accuracy, they can not effectively eliminate the drift of IRFPA’s response[1-3]. The other group of NUC techniques is scene-based algorithms which rely on signal processing to remove the nonuniformity noise, such as constant-statistical algorithm[4], neural-network algorithm[5], temporal high-pass filter technique[6], Kalman filter algorithm[7,8], etc. Scene-based NUC techniques are more desirable than the traditional calibration-based NUC techniques in many IRFPA imaging applications since they do not require a blackbody calibration-source and do not interrupt the normal operation of the IRFPA camera. In recent years, special attention has been paid to developing scene-based techniques —————————————— 投稿日期：2007-06-09 基金项目：国家自然科学基金资助项目(60377034) 作者简介：秦翰林（1982-），男，西安电子科技大学博士研究生
11非线性校正
第11讲 并不多余的技术——非线性校正 由于线性系统灵敏度恒定，便于计算和显示，还适用于动态分析，因此希望检测系统为线性系统，对于非线性系统可以加入校正环节使之成为线性系统。 11．1 非线性校正的数字方法P288 下图为利用只读存诸器ROM 进行非线性校正的方法：被测量x 与传感器的输出)(1x f u =是非线性函数关系，在ROM 中存放f 的反函数)(1a f y ?=的函数表，即以顺序排列的A/D 转换器的输出a 作为地址，在ROM 中相应地址的存诸单元中存放)(1i i a f y ?=的数值。这样，可使数据y 与输入x 成线性关系。这种方法设计方便，结构简单，性能稳定。这一方法也可由软件实现，即将ROM 的数据作为软件查询的表格，实现非线性校正。 图 用ROM 进行非线性校正原理框图 数字方法非线性校正精度高，稳定性好，但也存在致命的弱点：A/D 转换器分辨率的损失。例：某位移传感器输入x 量程100μm ，分辨力1μm ，分辨率10-2。若为线性系统，灵敏度为常数，设为1mV/μm ，输出)(1mV x u =，则输出信号范围为0~100mV ，采用8位的A/D ，分辨率可达到1/256≈0.4×10-2，明显高于要求的10-2，满足要求。若为平方律系统：)(2 1mV x u =，其输出为0~104mV ，为能实现要求的分辨力（1μm ），需使输出达到1mV 的分辨力，即10-4的分辨率。若采用12位的A/D 转换器，只能实现1/4096=2.44×10-4的分辨率，远低于所需的10-4的分辨率，不能满足要求。实际上，这里需用到14位以上的A/D 转换器，这样高分辨率的A/D 转换器不仅成本高，而且对整个电路的抗干扰性能的要求也高，使设计调试困难。因此，对于全量程范围内，斜率（灵敏度）变化较大的严重非线性系统，不宜采用数字方法进行非线性校正。 11．2 非线性校正的模拟方法P289 一．开环校正法 开环校正法见下图。在放大器后面串入一个非线性校正环节，使整个系统的输入输出呈线性，即sx u Y =，其中s 为灵敏度。图中由)(1x f u =及12ku u =得)(2x kf u =，从而)/(21k u f x ?=。我们希望)/(21k u sf sx u Y ?==，通过比较)(2u g u Y =可知：g 是f 的反函数，只是坐标按比例作了变换。 图 开环校正检测系统框图
非均匀性矫正
一、图像的非均匀性矫正
二、图像增强
三、程序代码（MATLAB）%%%%%%%%%%%%%%%%%%%%555555555555555555555555555555555一点矫正HIGH_T=fopen('highdat_151.dat','rb'); HIGH=fread(HIGH_T,[200,200],'uint8'); HIGH=uint8(HIGH); %类型转化为uint8 subplot(321);imshow(HIGH); title('原始高温图像'); subplot(322);mesh(double(HIGH));title('原始高温图像三维显示'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% LOW_T=fopen('lowdat_151.dat','rb'); LOW=fread(LOW_T,[200,200],'uint8'); LOW=uint8(LOW); subplot(323);imshow(LOW); title('原始低温图像'); subplot(324);mesh(double(LOW)); title('原始低温图像三维显示'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% HAND_D=fopen('handdat_60.dat','rb'); HAND=fread(HAND_D,[200,200],'uint8'); HAND=uint8(HAND); subplot(325),imshow(HAND); title('原始手形图像'); subplot(326),mesh(double(HAND)); title('原始手形图像三维显示'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%选取低温图进行定标 S=mean2(LOW(:)); % S为定标值 S_LOW=S*ones(200,200); S_LOW=uint8(S_LOW); %S_LOW为定标矩阵 D_LOW=LOW-S_LOW; %校正系数D_LOW figure; HIGH_L=HIGH-D_LOW; subplot(321);imshow(HIGH_L); title('经低温矫正后的高温图像'); subplot(322);mesh(double(HIGH_L)); title('经低温矫正后的高温图像三维显示'); LOW_L=S_LOW; subplot(323);imshow(LOW_L); title('经低温矫正后的低温图像'); subplot(324);mesh(double(LOW_L)); title('经低温矫正后的低温图像三维显示'); HAND_L=HAND-D_LOW; subplot(325);imshow(HAND_L); title('经低温矫正后的原始手图像'); subplot(326);mesh(double(HAND_L)); title('经低温矫正后的原始手图像三维显示'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%选取高温图进行定标 S=mean2(HIGH(:)); % S为定标值 S_HIGH=S*ones(200,200); S_HIGH=uint8(S_HIGH); %S_LOW为定标矩阵 D_HIGH=HIGH-S_HIGH; %校正系数D_HIGH figure; HIGH_H=S_HIGH; subplot(321);imshow(HIGH_H); title('经高温矫正后的高温图像');
非线性误差校正方法
非线性误差校正方法 1、网格尺寸为26” X 20”，x方向为26”，y方向为20”。以下示图与Campost中网格方向 一致。 y A(0,20) x方向D(26,20) 2、非线性误差校正是通过改变固定位置的偏移量来达到校正的效果。具体描述如下： 偏移量offset(x, y)的单位换算：1 = 0.5mil； 偏移量的正负：正值代表缩短；负值代表拉长； B点为圆点，不存在偏移量offset。 方向拉长万分之一 y方向拉长万分之一 如上图要求校正： y方向拉长万分之一，即20000 X 0.0001 = 2mil 对应偏移量的值为4； x方向拉长万分之一，即26000 X 0.0001 = 2.6mil 对应偏移量的值为5.2.。 给出A, C, D 三点座标如下： A(0,20) --- A.offset(e, -4) C(26,0) --- C.offset(-5, e) D(26,20) --- D.offset(-5, e) 偏移量的值只能取整数，偏移量为e表示程序自动计算。 同理可得缩短的校正方法。 3、矩形的校正 点向下移动1mil
如上图要求校正，给出A, C, D 三点座标如下：A(0,20) --- A.offset(e, e) C(26,0) --- C.offset(e, 2) D(26,20) --- D.offset(e, 2) 第一步确保B点即原点对齐，然后对准A点；C,D两点相对A,B两点向上，偏移量给正值；C,D两点相对A,B两点向下，偏移量给负值； 4、综合2、3两部的校正 给出A, C, D 三点座标如下： A(0,20) --- A.offset(e, -4) C(26,0) --- C.offset(-5, 2) D(26,20) --- D.offset(-5, -2) D点的y值= A点的y值+ C点的y值
红外图像非均匀性校正及增强算法研究
红外图像非均匀性校正及增强算法研究 受限于制造工艺的约束,红外焦平面中各探测像元的光电响应率不一致,即存在非均匀性问题,导致图像中出现固定样式噪声,且具有缓慢的时间漂移性。并且,红外探测器的光电响应动态范围较大,而单幅图像场景的温度范围通常在红外探测器总体动态范围中占比小,导致原始红外图像对比度低、物体边界模糊。 因此,非均匀性校正和图像增强是必不可少的红外图像预处理步骤。本文将围绕基于场景的非均匀性校正和红外图像增强技术展开研究,论文的主要研究内容如下:1.凝视型红外探测器中,传统的基于神经网络的非均匀性校正方法通常假设固定样式噪声满足独立同分布,但在低成本非制冷探测器中,非均匀性的条纹噪声强,噪声分布特性不满足假设,导致现有方法难以兼顾边缘保护与条纹噪声抑制。 针对该问题,本文提出了基于自适应稀疏表示以及局部全局联合约束学习率的非均匀性校正方法,引入稀疏表示理论,利用干净的红外图像集训练出的过完备字典中的原子可稀疏地表示图像场景信息的特性,在自适应的误差容限内重建图像,从而保护图像边缘、将噪声成分当作冗余去除。实验结果表明,在均方根误差指标上,本方法相比传统方法降低了1.1652至1.9107不等、降低了约17.92%至26.37%,能够在保护图像边缘的同时有效去除包括条纹噪声在内的固定样式噪声。 2.扫描型红外探测器中,若直接采用凝视型探测器的非均匀性校正方法,则仍需数百帧图像计算校正系数,算法收敛慢。传统的扫描型探测器校正方法利用扫描成像的特性逐列(假设沿行扫描)更新校正系数,在单帧图像内完成校正。 然而,单帧图像内场景辐射多样性通常有限,导致传统方法易陷入局部最优
红外焦平面阵列非均匀性校正算法的研究
红外焦平面阵列非均匀性校正算法的研究 摘要：红外焦平面阵列普遍存在非均匀性，会严重影响红外成像质量。对非均匀性的主要来源和表现形式进行了探讨，介绍了在工程应用中常用的校正方法，两点温度校正法、时域高通滤波法和人工神经网络法，给出详细的推导，并对几种校正算法进行了分析和研究，对这几种校正算法的优点和缺点进行讨论和综合对比，为进一步开展红外焦平面非均匀性校正提供参考意见。 关键词：红外焦平面阵列非均匀性校正算法对比 Study of Non-uniformity Correction Algorithms for IRFPA Abstract:There usually exist a non-uniformity problem for infrared focal plane arrays.This problem may has a severe influence on the imaging quality of them.The non-uniformity of the major sources and manifestations are discussed.Two temperature correction method,constant statistical average,temporal high-pass filtering and artificial neural network which usually applied in engineering are introduced. Three correction algorithms are analysed and researched, giving a detailed derivation,and advantages and disadvantages of the four correction algorithms are discussed and comprehensively compared. providing a reference suggestions for the further development of non-uniformity correction algorithms for IRFPA.
红外图像非均匀性校正
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：A Improved infrared image neural network non-uniformity correction algorithm Abstract：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 artifacts 0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。而IRFPA作为红外技术的核心部分，起着关键的作用，但是IRFPA上存在的非均匀性是影响红外系统的一个重大因素。因此，对于非均匀性的研究是目前广泛讨论的问题。 目前国内外已经出现了多种IRFPA非均匀性校正方法，归纳起来它们大致可以分为两类：基于定标的NUC算法[1]，这类算法由于精度高、算法简单，得到了广泛的应用。但是定标类校正方法由于受到IRFPA工作时间和环境的影响，其响应参数会发生缓慢漂移，进而影响校正精度。因此，定标类校正方法通常需要进行周期性定标校正[2]，这样在校正过程中就需要设备停止工作，所以会带来很大的不便。第二类是基于场景的NUC算法[3]，这类校正算法在一定程度上能够克服IRFPA响应漂移带来的校正误差，并且不需要参考源，因此基于场景的算法成为了目前研究的主要方向。神经网络校正方法以其较好的自适应性和误差跟踪能力而成为场景类校
非线性自校正
非线性自校正 一 传感器非线性校正原因 智能仪表的模拟输入通道一般由传感器、前置放大电路、有源滤波器、采样保持电路(S/H)、A/D 转换器和微机系统等电路组成。传感器非线性的产生是生产过程中敏感芯片在工艺上处理不当造成的,为提高精度对其进行非线性的线性化校正在许多测试计量场合中是十分必要的。由于电子元器件性能参数的离散性、稳定性和温度敏感性等问题，目前还得不到根本的解决。因此，从传感器到A/D 转换之间的任何一个环节都存在非线性的问题，使得A/D 转换值n 与被测量x 不成线性关系，即n ≠ax+b(a 、b 为常数)。如果不解决这种非线性问题，将会严重影响智能仪表的测量精度。这里我们只讨论传感器的非线性校正方法。传感器就是一种以一定的精确度将被测物理量(如位移、力、加速度等)转换为与之有确定对应关系的、易于精确处理和测量的某种物理量的测量部件或装置。狭义地定义为:能把外界非电信号转换成电信号输出的机器或装置。传感器的作用就是把光、声音、温度等各种物理量转换为电子电路能处理的电压或电流信号。理想传感器的输入物理量与转换信号量呈线性关系,线性度越高,则传感器的精度越高,反之,传感器的精度越低。在自动检测系统中,我们总是期望系统的输出与输入之间为线性关系,但在工程实践中,大多数传感器的特性曲线都存在一定的非线性度(有时又称为线性度与积分线性度)误差,另外,非电量转化电路也会出现一定的非线性。传感器非线性特性产生的原因从传感器的变换原理可以看出,利用各类传感器把物理量转换成电量时,大多数传感器的输出电量与被测物理量之间的关系都存在一定的非线性,这是数据采集系统产生非线性特性的主要原因,其次是变换电路的非线性,现分别叙述如下: 1.1传感器变换原理的非线性。 如用热敏电阻测量,热敏电阻Rt 与t 的关系是： Rt=A ?exp(B/T) （1） 式中,T=273+t,t 为摄氏温度;A,B 均为与材料有关的常数,显然Rt 与t 呈非线性。 1.2转换电路的非线性。 如电桥,电桥是将电路参数(L,R,C)的变化转换成电压或电流输出的一种测量电路。电桥在单臂工作时(Z1=Z2=Z3=Z4,Zi=∞),输出电压U0为 U Z U )2(2Z Z 0?+?= （2） 该式表明△Z 与U0关系是非线性的。很多近似线性关系的转换电路,都是相对于一定精度与范围而言的,因此为了提高系统的测量精度,保证系统的线性输出,必须对系统进行线性化处理,也就是非线性的线性化校正。 二 线性校正方法 非线性校正方法分别从硬件和软件两方面给出了校正的方法,并对硬件、软件校正的优缺点做出了总结，即非线性的线性化校正采用何种方法,要根据实际应用的要求来确定。 2.1 用硬件电路实现非线性特性线性化。主要有以下几种： 2.1.1敏感元件特性的线性化。 敏感元件是非电量检测的感受元件,它的非线性对后级影响很大,我们应尽量使它线性化,如式(1)中,热敏电阻Rt 与t 呈非线性关系,我们可以采用一个附加线性电阻与热敏电阻并联,所形成的并联等效电阻Rp 与t 有近似线性关系,如图1,Rp 的整段曲线呈S 形。电路并联的电阻R 可由(4)式确定。 t t P R R R R R += * （3）