时域高通滤波非均匀性校正算法研究

　　时域高通滤波非均匀性校正是一种典型的基于场景的红外焦平面阵列非均匀性校正算法，但其易产生“鬼影”现象，影响校正效果

　　实现红外焦平面阵列非均匀性自适应校正是红外探测系统研究中追求的重要目标，对提高红外探测系统的空间分辨率、温度分辨率、探测距离以及辐射量的正确度量具有重要意义。分析基于时域高通滤波的红外焦平面自适应非均匀校正算法的视觉神经机制以及滤波器的幅频特性。通过对实际红外图像的实验，提出正确选取时间常数是影响该校正方法最重要的因素。

　　时域高通滤波算法

　　ＩＲＦＰＡ探测单元的响应特性随时间变化很缓慢，所以非均匀性在短时间内可以认为是不变的，即属于低频成分；而场景中相对运动较快的目标则属于高频成分．基于此机理，时域高通滤波（Ｔｅｍｐｏｒａｌ Ｈｉｇｈ ＰａｓｓＦｉｌｔｅｒｉｎｇ，ＴＨＰＦ）非均匀性校正（Ｎｏｎ ＵｎｉｆｏｒｍｉｔｙＣｏｒｒｅｃｔｉｏｎ，ＮＵＣ）算法通过滤除场景中大部分低频成分，从而实现非均匀性校正．整个校正过程可以看成是一个时域上的高通滤波，即

　

　　式中，Ｍ为根据截止频率而预先设定的时间常量，ｘ（ｎ）为第ｎ帧的输入，ｆ（ｎ）为第ｎ帧的低通输出，ｙ（ｎ）为校正后输出

　　“鬼影”分析

　　ＴＨＰＦ算法易于并行实时实现，但其不足之处在于要求场景与成像系统之间存在相对运动，且场景中过亮或过暗的区域对校正参量影响较大

　　如果场景长时间处于静止状态，则会被认为是ＦＰＮ，从而被滤除．而静止的场景开始运动，就会在校正后图像的原位置留下一个反转的图像，从而形成“鬼影”．另外，由于算法中的低通滤波图像是通过递归方式求得，因此如果某些场景的亮度较高，即使其停留时间很短也会对校正参量产生很大的影响，从而引起“鬼影”．

　　在ＴＨＰＦ－ＮＵＣ过程中，通常使用整幅图像来进行校正参量估计，然而图像中的大量场景信息，尤其是过亮或过暗的区域，容易影响其它部分的估计参量．例如，当一个高亮度目标进入场景后，目标区域的校正系数会明显增大；而当目标离开后，使得该位置上的估计参量与实际值之间会有较大偏差，从而引起“鬼影”．由此可知，在ＴＨＰＦ－ＮＵＣ过程中，大量不相关场景的存在是产生“鬼影”的最主要原因

　　对该算法的一种改进方法是先将低频场景信息从原图中滤除，再利用其高频成分来估计非均匀性参量．这样可降低非随机运动和过亮或过暗区域对非均匀性参量的不利影响，从而在一定程度上抑制“鬼影”现象．由此，这种改进最重要的是选择一种合适的预处理方法来预先较好地分离图像的高频成分和低频成分．

　　Ｑｉａｎ提出的ＮＵＣ算法首先采用均值滤波来分离图像，其中低频成分包含大部分场景信息，高频成分则包含大部分噪音，然后再利用高频成分进行校正参量估计．该算法中的难点在于确定滤波阈值，且校正后的图像仍易存在类似光晕的“鬼影”．针对这个问题，Ｚｕｏ提出了基于双边滤波的ＮＵＣ算法（ＢＦＴＨ）．其主要思想是用双边滤波分离图像，并将其高频成分用于参量估计．该方法能够在降低非均匀性的同时保留背景并减少“鬼影”，然而ＢＦＴＨ校正后图像在边缘部分仍然存在“鬼影”现象，而且目标区域亮度变低．分析双边滤波分离出的高频成分，可以看出其除了噪音和非均匀性之外，仍有较多的边界信息，这是导致图像边缘部分“鬼影”现象产生的一个主要原因

　　时域高通滤波校正算法的视觉神经机制

　　时域高通滤波校正算法模仿人眼中光感受器、水平细胞和双极细胞之间的信号处理关系，提出运用原始信号与对应的低通滤器之差构造高通滤波器来对图像进行校正处理。

　　景物在人眼视网膜上所成的像通过一组光感受器传入视觉系统，这些光感受器可以使神经中枢接收并处理信息，。参照人眼视觉神经细胞提出了模型，其原理如图1所示：

　　

　　其中，水平细胞就像一个低通滤波器，它们把光接收器的响应结合成低频偏压给双极细胞。双极细胞在内部中心层，接收来自水平细胞和光感受器传来的信号。然后对光感受器和水平细胞的信号做差运算，光感受器得到的初始信号，水平细胞得到的是低频信号，两者做了差运算后双极细胞的输出值就是时城上高通滤波的结果，

　　滤波器的构造

　　考虑目标背景杂波的红外焦平面阵列图像的非均匀校正。阵列元的响应特性随时间缓慢的变化和阵列元内部的1/f噪声都集中在低频部分，目标相对于杂波背景在像平面上具有较大的运动速度，因此目标信号具有相当的高频能量而背景杂波，如云层等因素在像平面上的移动速度很小或相对因而表现为低频分量。因此采用高通滤波方法可以在实现非均匀校正的同时达到突出目标的目的［6，7］。可以设计出多种高通滤波器，处于减少存储量的考虑，我们采用如下形式的高通滤波器：

　

　　（1）式中，M为预先设定的时间常数，xij （n）为探测元（i，j）第n帧图像非均匀校正前的原始输出，而f，（n）为其低通滤波输出结果，y，（n）为该探测元时域高通滤波非均匀校正后的输出结果

　　当T=1时，取不同的M 值会得到不同的截至频率，其曲线图如图3所示随着M的不断增大，截至频率jf不断减小，也即是当M值增大时，该时域高通滤波系统的通频范围不断增大，更多频率的信号可通过该滤波系统

　　

　　时域高通滤波器幅频特性分析

　　

　　时域高通滤波器性能分析

　　

　　通过以上公式，可以看出，当M取无穷大时那么，此时若取f，（0）=x;（1）f;（n）=f; （0）。（非均匀校正前图像序列的第一帧），则时域高通滤波算法变为：yi;（n）=xi;（n）-xi，（1），即为每一帧都和第一帧相减，得到校正结果，若第一帧设为背景帧，此法即为减背景法

　　

　　

　　时域高通滤波校正算法与减背景校正算法的校正结果（M=20，200，400，700），图像序列共700帧，选取了其中两帧（帧号为533，536）结果进行说明，非均匀校正前的原始图像分别为（al）- （b1）; （a2）- （b2）为M=20时域高通滤波校正的结果，由于位于第533 帧之前的20帧图像中，手机几乎处于静止状态，而从533帧开始移动，随后的几帧图像（a2）- （b2）中，在之前手机静止位置留下了“鬼影（a3）- （b3）为M=200时域高通滤波校正的结果，其中存在同样存在“鬼影问题”，但“鬼影”区域的灰度值已变的很小，（a4）- （b4）为M=400时域高通滤波校正的结果，此时由于M值较大，当前帧校正结果与之前相邻帧的关系不大，更多的是受序列第一帧的影响，因此几乎不存在“鬼影”问题，得到较好的校正效果; （a5）- （b5）为序列图像减去第一帧背景图像的结果，此方法可以对偏移响应非均匀性进行校正，但无法对增益非均匀性进行校正，图中的部分固定图案噪声无法消除。从以上的实验结果可以看出，时域高通滤波算法校正效果很大部分取决于M值的选取，而M值的选取需要根据实际图像序列进行调整，这样对硬件实现带来一定的困难