基于先验知识的实时两点非均匀性校正新方法:提升红外图像质量与检测精度
《IEEE Photonics Journal》:A Real-Time Two-Point Non-Uniformity Correction Method for Infrared Images Based on Prior Knowledge
【字体:
大
中
小
】
时间:2025年12月17日
来源:IEEE Photonics Journal 2.4
编辑推荐:
本文针对红外探测器非均匀性导致图像质量下降、检测精度降低的关键问题,报道了一种改进的实时两点非均匀性校正(NUC)方法。研究团队通过将多帧场景图像向量化为级联矩阵、沿帧维度进行全像素排序并划分均匀区域,创新性地结合实验室黑体图像先验知识筛选最优均匀区域用于两点校正计算。该方法在保留传统两点校正简便高效优点的同时,有效解决了因时间漂移需频繁重新校准的难题。仿真与真实实验数据均表明,该算法在主客观评价上均优于现有主流方法,为红外成像系统的实时高质量校正提供了可靠技术方案。
在军事侦察、安防监控、工业检测乃至医疗诊断等诸多领域,红外成像技术正发挥着不可或代的作用。然而,理想很丰满,现实却很骨感——当我们透过红外相机观察世界时,获得的图像往往并不完美,常常布满令人不悦的“雪花点”或明暗不均的条纹。这些瑕疵并非场景本身的特征,而是源于红外探测器自身的“先天不足”,即非均匀性(Non-Uniformity)。由于制造材料、工艺过程及读出电路等因素的细微差异,探测器中成千上万个像素点即便接收到完全相同的红外辐射,其电信号响应也会各不相同。这种像素间的响应差异严重降低了图像质量,犹如给观察者戴上了一副布满污点的眼镜,使得目标的识别与测量准确性大打折扣。
为了解决这一顽疾,研究人员们提出了多种非均匀性校正(Non-Uniformity Correction, NUC)方法。其中,两点校正法因其原理简单、计算复杂度低、易于实现而成为应用最广泛的校准类方法之一。其核心思想颇为巧妙:将每个像素的响应曲线近似为一条直线,通过获取探测器在高、低两种不同温度黑体辐射下的响应值,为每个像素计算出一组增益和偏移校正系数,从而将所有像素的响应“对齐”到一条理想的标准曲线上。然而,传统的两点校正法有一个致命的弱点——它需要定期使用黑体辐射源进行重新校准,因为探测器的响应会随着时间发生漂移。这种频繁的校准需求在实际应用中,尤其是在需要连续、实时显示图像的任务中,带来了极大的不便。
于是,另一种思路——基于场景的校正方法应运而生。这类方法试图直接从拍摄的现实场景图像中提取信息来更新校正系数,从而摆脱对黑体源的依赖。例如,有研究通过重新排列推扫式红外传感器一定数量扫描线的像素值,选择相对明亮和黑暗的区域参与两点校正计算;也有工作将类似方法扩展到凝视型探测器,通过逐行构建像素响应曲线模型来校正非均匀性。然而,这些方法各有局限:有的在消除原有条纹噪声的同时会引入新的水平条纹伪影;有的则难以有效分离图像细节与非均匀性噪声。
正是在这样的背景下,王伦、周金梅等研究人员在《IEEE Photonics Journal》上发表了他们的研究成果,提出了一种改进的实时两点非均匀性校正方法。该方法旨在保留两点校正高精度、低复杂度的优良传统,同时攻克其因时间漂移需频繁校准的痛点,并避免现有场景法引入新伪影的缺陷。
为了达成这一目标,研究人员巧妙地运用了几项关键技术。首先,他们摒弃了传统的逐行处理方式,创新性地将连续采集的F帧M行N列的红外图像(图2a)进行“向量化”处理。具体而言,将每帧图像重塑为一个大小为MN×1的一维列向量(图2b),然后将这些向量拼接成一个大小为MN×F的矩阵(图2c)。这个矩阵的每一行,恰好代表了同一个像素在所有F帧图像中的完整响应序列。接着,对每一行像素值按升序进行排序(图2d),从而形成一个有序的响应矩阵。随后,将这个矩阵沿垂直方向(即帧维度)均匀划分为n个区域(图2e),每个区域被视作一个近似均匀的区域,其宽度L = F/n。
本研究最具创新性的部分在于如何从这n个均匀区域中智能地筛选出最适合用于两点校正的两个“最优”区域。研究人员另辟蹊径,利用了实验室环境下获取的“先验知识”。他们通过对六种不同探测器在不同黑体温度下采集的图像进行分析,发现了一个重要的统计规律:黑体图像的平均值(Meanblackbody)与其标准差(Stdblackbody)之间存在极强的线性关系(图3)。线性拟合的确定系数R2均超过了0.999,这表明该线性关系是探测器一个非常稳定且独特的“指纹”特征。
基于这一发现,研究人员建立了一个筛选机制(图4)。他们将实验室黑体图像拟合得到的连续线性函数F1作为黄金标准。对于场景图像划分出的每个均匀区域,计算其均值(Meanscene)和标准差(Stdscene),形成离散函数F2。然后,计算函数F3 = |F2 - F1|,即每个区域的标准差与F1预测值之差的绝对值。F3值越小,表明该区域的统计特性越接近在同等入射辐射下理想黑体图像的特性。因此,选择使F3最小化的两个区域,就意味着选择了最接近理想校准条件的区域。为了避免所选两个区域的灰度值过于接近影响校正精度,还设置了一个动态阈值g,确保最终选定的两个最优区域(其索引记为idx1和idx2)既有良好的统计代表性,又有足够的灰度差异。
选定区域i和j后,分别计算全局理想响应Pi和Pj(即所有像素在区域i和j内的平均响应),以及每个像素k在区域i和j内的局部平均响应Qi(k)和Qj(k)。随后,通过求解经典的二元一次方程组,为每个像素k计算出其独有的增益校正系数a(k)和偏移校正系数b(k)(公式9-10,及公式11-14)。最后,将这些系数向量重塑回二维矩阵形式(图2h),即可应用于后续采集的图像进行实时校正,得到高质量的输出结果(图2i)。
研究团队首先在公开的CAMEL数据集上进行了仿真实验。该数据集包含多种场景的红外图像序列。通过向无噪声的理想图像添加模拟的线性非均匀性噪声,生成了用于测试的仿真数据。同时,也生成了模拟的非均匀黑体图像,用于算法中先验知识引导的区域选择步骤。
在视觉对比(图6)中,本文方法(Ours)与常数统计法(CS)都取得了较好的效果,明显优于中途红外均衡法(MIRE)、一维引导滤波法(1D-GF)和Li等人的方法。特别是Li的方法由于逐行校正,在放大细节中可见引入了新的水平条纹。客观评价指标峰值信噪比(PSNR)和结构相似性(SSIM)的结果(表I,图7)进一步证实了本文方法的优越性,其PSNR和SSIM值在各个场景下均高于其他对比算法,表明校正后的图像更接近无噪声的原始图像。
在真实实验中,使用了一款中波红外探测器(分辨率256×320,14位图像)。研究人员采集了包含多云天空场景和复杂草地场景的两个数据集(各1000帧),并从中随机组合成一个500帧的“组合数据集”用于评估。图8展示了三个数据集的灰度值分布,组合数据集因其包含更丰富的场景信息,具有更大的动态范围,更有利于校正。
视觉对比结果(图9)显示,在帧数有限(200帧)的现实条件下,各对比方法的局限性更为明显。MIRE方法仍有残留条纹,1D-GF方法存在沙状噪声,CS方法和Li的方法都留下了明显的伪影(蓝色矩形框所示),且Li的方法引入了新的水平条纹(红色矩形框所示)。相比之下,本文方法在主观视觉上取得了最佳的校正效果。
客观评价采用局部非均匀性(NU)和局部标准差(std)作为指标(计算公式19-20)。结果(表II,图10)表明,本文方法在四个测试图像上均取得了最低的局部NU和局部std值,客观验证了其在真实场景下的卓越性能。
本研究在已有工作的基础上,提出了两项关键改进:一是用全像素排序替代逐行排序,有效避免了校正后图像出现新水平条纹伪影的问题;二是提出了一种基于先验知识的更有效的均匀区域选择方法,利用实验室黑体图像建立的统计规律作为筛选标准,确保了用于校正的区域更接近理想的黑体辐射条件。这项研究成功地将校准类两点校正法的高精度与场景类校正法的实时性相结合,在不中断探测器正常工作的情况下,实现了持续、高效的非均匀性校正。通过详尽的仿真与真实实验对比,该算法在主观视觉质量和客观评价指标上均展现出显著优势,为提升红外成像系统在实际应用中的性能和可靠性提供了一种强有力的解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号