目前普遍使用的红外焦平面阵列(IRFPA)探测器是由对红外辐射敏感的半导体材料制成的, 而半导体材料在掺杂过程中极易出现材料不均、掩膜误差、工艺缺陷等现象, 各像元会不可避免地产生响应非均匀性, 在图像上通常以加性或乘性噪声的形式出现亮暗不均的固定图案或随机噪声^[1], 严重影响探测系统的性能。远距离目标在红外探测器上以点目标的形式呈现, 而且没有形状信息和纹理特征, 这种复杂条件对成像质量的要求非常高^[2]。红外焦平面阵列中存在的盲元等噪点很可能会误判为点目标, 严重阻碍后期进行目标探测。为满足高质量的成像要求, 对探测器进行非均匀性校正和盲元检测替换是红外图像预处理必不可少的关键一步。

国内外的非均匀校正算法主要有基于黑体定标的校正方法^{[3, 4, 5]}和基于场景的校正方法^{[6, 7, 8]}。基于场景的校正法通过计算图像序列获得探测器的校正系数, 常用的场景校正法有:时域高通滤波法^{[9, 10]}、恒定统计法^[11]、神经网络法^[12]、卡尔曼滤波法^[13], 该类算法复杂度较高, 实时处理有难度, 同时会有不同程度鬼影现象, 影响成像质量^{[14, 15]}。定标校正法从非均匀性产生的原理出发, 在不同的已知温度下拍摄黑体, 然后对焦平面阵列中每一个探测元的响应进行校正, 使所有像元在同一温度下输出一致。实际工程对实时性、鲁棒性有较高的要求, 定标法应用非常广泛, 尤其是一点、两点校正算法。但是在实际捕捉目标过程中发现, 黑体辐射定标数据对实际拍摄的天空背景进行非均匀校正效果不佳, 而且考虑到黑体用于机载红外探测系统定标过程繁琐, 成本也昂贵。因此, 利用实验室黑体校正数据很难实时实地对红外暗弱点目标图像进行非均匀校正。

针对上述问题, 本文提出了基于梯度天空背景的红外探测器校正方法, 通过对320× 256红外焦平面探测器采集到的带有严重非均匀性的红外序列图像进行处理, 并对增益因子和偏置系数修正进行盲元替换, 验证了本文提出的方法具有很好的校正效果。最后, 提出了一种小窗口双边滤波和梯度模板联合目标检测算法, 可有效提取出校正后图像中的暗弱点目标。

要开展对红外弱小目标的有效探测, 首先最重要的就是对图像进行背景杂波抑制。传统的小波的方法运算量较大, 难以实时实现。采用高斯滤波或者中值滤波进行处理, 平滑噪声的同时会丢失目标细节信息。双边滤波结合空域信息和灰度信息并对其进行非线性组合, 去除高斯噪声的同时能够很好地保留目标边缘和细节特征, 具有简单、非迭代、局部的优点。本文首先采用小窗口的双边滤波对目标图像进行预处理。

令I为原始含噪图像, I(x, y)为图像中点(x, y)处像素值, I'表示双边滤波处理后图像, 双边滤波定义如下:

I'(x, y)=1M∑i, j∈Nx, yexp-[(i-x)2+(j-y)2]2σd2·exp-|I(i, j)2-I(x, y)2|2σr2·I(i, j)（7）

式中：

M=∑i, j∈Nx, yexp-[(i-x)2+(j-y)2]2σd2·exp-|I(i, j)2-I(x, y)2|2σr2(8)

N_{x, y}为点(x, y)的邻域。双边滤波器由空间邻近因子σ _d和像素相似因子σ _r这两个参数共同调节滤波性能。σ _d变大时, 窗口中能作用于e指数的像素值变多, 会导致图像变得模糊。σ _r对σ _d的变化进行补偿, 灰度差值大于σ _r的像素间不进行运算。经反复验证σ _d取1, σ _r取0.1, 小窗口的双边滤波保边去噪的效果较好。

考虑到红外弱小目标的类斑点状, 本文设计了一个带有保护带的梯度模板与双边滤波结合, 可有效探测出弱小目标。提出的5× 5维度梯度检测模板F如下:

F=-1-2-4-2-1-2242-2-44104-4-2242-2-1-2-4-2-1(9)

相应的改进表达式为:

I'(x, y)=1M∑i, j∈Nx, yexp-[(i-x)2+(j-y)2]2σd2·exp-|I(i, j)2-I(x, y)2|2σr2·F·I(i, j)（10）

其中：

M=∑i, j∈Nx, yexp-[(i-x)2+(j-y)2]2σd2·exp-|I(i, j)2-I(x, y)2|2σr2·F(11)

提出的梯度核矩阵每一项代表对应像素的乘数因子, 核在每个像素的输出等于各个像素与对应因子乘积之和, 作用邻域的尺寸即为核的尺寸5× 5。梯度核矩阵赋予中心较大权值, 能够检测出局部灰度值大的点目标。周围权值绝对值较低而且外层为负值, 用于抑制目标周围复杂背景, 从而提高目标信噪比。优势在于运算速度快、实时性好。

具体目标探测算法为:采集复杂云层背景下弱小目标图像序列1000帧, 将图像序列归一化到[0, 1]矩阵, 进行小窗口双边滤波处理, 窗口滤波核尺寸取3, 空间邻近因子σ _d取1, 像素相似因子σ _r取0.1; 然后将处理后图像与梯度检测模板F做卷积; 对上述处理结果图像进行取反二值化处理, 采用最大类间方差法(OTSU)^[17]获取自适应阈值, 自适应阈值在0.5左右, 然后进行二值化处理。经过此步骤, 得到候选目标点; 观察上述操作的结果图, 候选目标点个数稳定不多, 每帧第一列与最后一列都存在3个位置固定不变的点噪声, 由于其在图像序列中位置固定不变, 本文认定是虚假目标, 予以剔除; 对上述操作处理后的1000帧图像序列进行帧间差分, 帧间间隔为5帧, 得到弱小目标运动轨迹, 通过目标运动轨迹, 验证上述目标检测算法检测出目标的真实性。目标检测结果见图6, 图6(a)为1000帧中选取的6幅目标图像, 图6(b)为小窗口双边滤波检测结果, 图6(c)为最终检测结果。图7为获取的弱小目标运动轨迹。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 目标检测结果Fig.6 Result of target detection

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 弱小目标运动轨迹Fig.7 Dim target motion trajectory

本文图片处理结果在MATLAB R2014a软件平台上实现, 使用PC的CPU为i7-4790, 3.60 GHz, 运行内存为8 GB。

3.1 非均匀性校正算法性能评价

灰度均匀图像的非均匀性好坏可以用标准差(Std)大小来衡量, 通常标准差大的图像均匀性较差。表1列出了校正前与校正后图像标准差, 通过比较发现, 最终结果标准差都在10左右, 剩余坏点剔除效果也比较好, 结果表明本文提出的基于梯度天空背景的非均匀性校正算法有效性强。

表1

Table 1

表1(Table 1)

表1 校正算法性能评价 Table 1 Performance evaluation of correction algorithm 图像序号 原始图像 标准差 初步校正 标准差 剔除坏点 比例/% 最终结果 标准差 1 344.987 51.659 1.622 10.797 2 343.101 43.734 1.471 8.217 3 343.719 56.879 1.609 12.578

表1 校正算法性能评价 Table 1 Performance evaluation of correction algorithm

3.2 目标检测算法性能评价

红外图像工程中常用信噪比SNR和信噪比增益G_SNR作为目标检测结果的评价标准, 两者的定义分别如下:

SNR=|μt-μb|σb(12)

GSNR=SNR2SNR1（13）

式中:μ _t为目标区域灰度均值; μ _b为局部背景区域的灰度均值; σ _b为局部背景区域的标准差。

由于篇幅原因, 表2仅列出了第100帧、200帧、300帧的检测性能评价。

表2

Table 2

表2(Table 2)

表2 目标检测算法性能评价 Table 2 Performance evaluation of target detection algorithm 图像 帧号 原始图像 信噪比 本文方法 信噪比 信噪比 增益 目标位置 100 3.85 61.83 16.06 (156, 159) 200 3.12 60.89 19.52 (160, 150) 300 2.98 52.67 17.68 (164, 141)

表2 目标检测算法性能评价 Table 2 Performance evaluation of target detection algorithm

从信噪比分析来看, 本文方法处理后的信噪比明显高于原图, 信噪比增益在16倍以上, 均精确的检测出目标并定位到目标位置。

红外焦平面阵列响应非均匀性严重影响测量精度和成像质量, 而且非均匀性噪声会随着工作环境和时间的变化发生漂移, 因此, 基于定标的校正方法必须要实时实地获取场景校正系数。本文提出了基于梯度天空背景的两点非均匀性校正法, 首先采取邻域像素值替代的方法对位置固定不变的过热像元进行剔除, 然后利用两个俯仰角度的纯净天空图像作为两个温度点进行两点校正获得增益系数和偏置系数, 最后通过修正增益和偏置来剔除剩余坏点。实验结果表明提出的方法有效性强, 无需复杂的黑体定标过程, 只需在使用前对着纯净无云的天空场景进行两次捕获和处理, 同时算法复杂度不高, 满足实时性要求。其次, 在非均匀性校正后的基础上, 利用小窗口双边滤波和梯度模板联合检测算法进行暗弱点目标探测, 结果表明提出的算法对复杂云层背景的抑制效果较好, 可有效提高图像信噪比。