蔡競晨,許 靜,李江勇,劉紀洲

(華北光電技術(shù)研究所,北京 100015)

1 引 言

目前線列型紅外探測器在軍事偵察、導航與制導,預警和跟蹤有著廣泛應用[1]。由于器件的制造工藝受限,任何一個紅外探測器制造完成,就會存在非均勻性,這是紅外焦平面的固有屬性[2]。

去除非均勻性信息主要有兩種方法[3],第一種方法是提高成像探測元的制作工藝,然而目前的工藝水平很難使各探測元的光電響應完全一致,即使在出廠時達到一致,隨著使用時間的增長,器件會有一定程度的損耗,導致新的非均勻性信息出現(xiàn)[4]。第二種方法是對帶有非均勻性信息的紅外圖像通過數(shù)字圖像處理手段,用非均勻性校正方法來去除非均勻性信息;該方法實現(xiàn)起來簡單,成本低,不受環(huán)境制約,是目前主要的非均勻性校正方法,該方法可被分為基于定標的校正方法和基于場景的非均勻校正方法[5]。

大部分的線列紅外探測器都采用基于定標的非均勻性校正算法[6];基于定標的校正方法雖然原理簡單、操作方便,但是其假設的線性或者局部線性關系往往與真實的探測器響應模型并不完全符合,而且紅外焦平面探測器在連續(xù)工作過程中,其工作狀態(tài)也會發(fā)生變化,這也會導致定標法計算出的原校正參數(shù)不再適用,原校正參數(shù)甚至會降低成像質(zhì)量,造成圖像模糊[7]。

對于線列紅外探測器,通過單一的定標校正算法并不能完全將圖像校正干凈,在圖像上甚至仍然會有著掃描線存在。本文針對紅外掃描熱像儀成像時產(chǎn)生的掃描線提出了一種基于線列探測器的場景校正算法。該算法可以更精確地提取掃描線,避免場景影響,再通過后續(xù)補償算法對特殊場景進行識別、剔除,降低誤填率,提升補償效果,獲得更好的成像質(zhì)量。

2 掃描線非均勻性分析

掃描型紅外熱像儀成像時對同一目標物體進行多次掃描并將得到的信號積累后輸出。圖1是線列探測器掃描模型示意圖,可以看到熱像儀通過掃描每次讀取一行像素,后通過寄存器合成最終的成像畫面,如圖2所示。

圖1 線列探測器掃描模型示意圖

圖2 寄存器模型示意圖

通過分析發(fā)現(xiàn),對于線列紅外探測器,掃描系統(tǒng)的非均勻性是一維的,即掃描方向上存在的非均勻性尤為明顯,這也導致了采用傳統(tǒng)兩點校正算法校正后仍會出現(xiàn)掃描線。從圖3(a)、(b)可以看到掃描線會嚴重影響紅外圖像質(zhì)量,所以需要對線列校正后的圖像再進行掃描線補償。

圖3 掃描線場景

傳統(tǒng)的掃描線補償算法一般采用列比較補償[8]。當原始圖像輸入時,首先計算4鄰域均值組成的比對矩陣。通過計算列之間的差值來求得校正矩陣。最后利用校正矩陣,進行逐行校正。傳統(tǒng)的校正算法雖然簡單方便,易于實現(xiàn),但無法準確的識別提取與掃描線平行的線型特殊場景,常常會出現(xiàn)掃描線誤判,尤其是對建筑物掃描成像時,常常造成電線衰減或是墻壁窗戶的邊沿消失的情況。

3 掃描線識別與提取

3.1 認證點判定

傳統(tǒng)算法常常無法準確識別掃描線,為了能夠更好地識別掃描線,本文算法將圖像像素點與其鄰域的標準差作為基礎識別,通過類標準差對圖像的差異信息進行計算,從而改善像素偏差提取功能。在掃描線識別中,掃描線與其鄰域存在顯著的差異就是掃描線的認證點個數(shù)應該充分的多。

為了能更好地識別圖像邊緣,對圖像階躍性變化進行有效提取,通過大量實驗,我們將算法矩陣擴充至1×5大小,便于中心點與四周點差異的有效提取,這樣可以更好地識別圖像階躍,從而提取掃描線。在某些特殊環(huán)境(如物體邊沿,建筑物與填空銜接處,建筑物自身窗框等),像素點灰度數(shù)值有時呈現(xiàn)階躍現(xiàn)象,若利用傳統(tǒng)的掃描線識別算法進行檢測,極易照成誤判,為了解決這一問題,本算法還增加了像素灰度階躍檢測的特殊模塊,該部分能對像素灰度階躍進行檢測篩除,對窗口內(nèi)所有可能的邊緣信息及逆行剔除,以此保留圖像的邊緣細節(jié)。

由于本文中所采用的探測器掃描方向為豎直方向,掃描線將以列形態(tài)出現(xiàn)。為了方便觀察,本文將圖片在輸出后進行轉(zhuǎn)置,使其符合人眼觀察規(guī)律。根據(jù)當前圖像的矩陣的內(nèi)一個像素進行1×5的水平開窗操作,利用公式(1)計算像素點四鄰域均值矩陣,計算窗口各點與矩陣差值,并求出標準差均值矩陣c:

(1)

a是當前紅外圖像的灰度矩陣;b是以a(i,j)為中心的1×5開窗中與其4個鄰域灰度值的均值矩陣;d1(i,j),d2(i,j),d3(i,j),d4(i,j),d5(i,j)是窗口各點與矩陣差值;c是標準差均值矩陣,利用dk(i,j)做標準差,求均值得到。為了能識別掃描線,設定基礎識別條件為當像素點鄰域均差d1(i,j),d2(i,j),d4(i,j),d5(i,j)均小于c(i,j)的3倍且像素點均值差d3(i,j)大于c(i,j)的2倍,當滿足上述條件,則判定為該像素點需要校正。如公式(2)所示:

(2)

通過公式(3)求得的像素點還需要再進行篩選:去除符合階躍模型的像素點,余下的點才是該列有效的需要校正的像素點,也就是認證點。

在1×5開窗中,若像素點符合階躍模型,則矩陣邊緣至中心點的差值會成階梯狀,且差值均大于閾值Th,如公式(3)～(6)所示。閾值Th通過大量實驗后得出。在滿足基礎識別條件的像素點中,利用四個公式,將符合階躍模型的像素點剔除,從而求得認證點。

(3)

(4)

(5)

(6)

圖4是某建筑物的窗戶模型,若利用傳統(tǒng)算法識別的像素點如圖所5示,圖6則是改進的算法模型,白色為識別的像素點。如圖4所示,可以看到原算法的判定條件較為單一,誤判的像素點過多,且無法過濾掉圖像的邊緣信息。不僅如此,能明顯看到窗戶邊緣也被錯誤識別為認證點。如圖5所示,本文算法可以有效識別窗戶間的掃描線,并規(guī)避窗戶邊緣的信息,很好地識別窗戶間的掃描線。

圖4 某建筑物窗戶紅外圖像

圖5 原算法窗戶認證點判定圖

圖6 改進算法對窗戶認證點判定圖

3.2 掃描線提取算法

在認證點判定的基礎上,通過原理分析可以得到,掃描線應滿足如下幾個條件:掃描線中認證點數(shù)量較多;掃描線中認證點數(shù)量符合該列補償平均值的概率關系;掃描線中所有認證點的補償標準差較小,即對某一掃描線其與鄰域的灰度差異是一個基本固定的值。

在掃描線的判定中,掃描線與其鄰域存在最顯著的區(qū)別是,掃描線的認證點個數(shù)應該充分的多。由于在實際紅外熱像儀成像過程存在多種環(huán)境因素,認證點統(tǒng)計結(jié)果數(shù)量也會隨著背景環(huán)境變化而不同,隨著場景信息的豐富,掃描線認證點與非掃描線認證點數(shù)量均呈上升趨勢。在進行掃描線判定時,算法采用固定數(shù)值法,但是該固定數(shù)值會隨著真實圖像中所有列的認證點數(shù)量的平均值f對掃描線判定數(shù)值進行實時調(diào)整。根據(jù)大量實驗驗證,確定當某列認證點數(shù)量大于f的2倍時,認為該列符合掃描線的認證點數(shù)量特征。為避免環(huán)境等單一因素造成的誤判,還需要對f進行下限保護,設定限值。

在較為復雜的環(huán)境,某些物體可能符合掃描線與其鄰域的差異特征并滿足掃描線的認證點數(shù)量判別條件(例如磚塊,電線等)。這些場景若是被誤判成掃描線,并進行補償,對成像質(zhì)量會造成極大的影響。經(jīng)過大量仿真統(tǒng)計可以發(fā)現(xiàn),掃描線在數(shù)字響應大時,認證點數(shù)量也會隨之變多;數(shù)字響應小時,認證點數(shù)量也少。與磚塊電線等邊沿場景進行對,邊沿場景信息的灰度信息與場景所在的圖像列認證點數(shù)量無明顯概率關系。該類場景的認證點數(shù)量主要取決于場景的環(huán)境變量,如在實際場景里,電線的認證點數(shù)量隨電線自身在圖片中的長度,方向一致性等因素有關;當電線以探測器掃描的方向筆直的穿過圖像時,其認證點數(shù)量將達到最高值。但電線與其鄰域的差值是由輻射決定而相對固定的。因此可以通過某一列認證點數(shù)量與該列列補償平均值的概率關系判斷該列是否為掃描線。

根據(jù)大量實驗結(jié)果,可以發(fā)現(xiàn)掃描線認證點統(tǒng)計數(shù)量與其補償值存在如下關系。如圖7所示,橫坐標是認證點數(shù)量,縱坐標為補償值,黑色點為實際掃描線,灰色則是掃描線近似模型?？梢曰菊J定,當認證點大于512時,該列必然是掃描線。

圖7 掃描線補償數(shù)量與其補償值

4 掃描線補償算法

4.1 補償算法設計

傳統(tǒng)算法對掃描線補償?shù)姆椒ㄊ菍φ邢袼厥褂孟噜彽膬闪袛?shù)據(jù)的均值進行補償,補償方法與盲元填充的思想類似,這就會導致圖像直接丟失該像元信息,從而使得補償后的圖像模糊失真,丟失大量細節(jié)(例如單像素線狀場景)。

為了可以保留更多的圖像信息,對原始算法進行改進:

1)掃描線補償根據(jù)該列標準差δS(1,j)自動選擇補償方式,當δS(1,j)大于閾值時只補償認證點,反之則進行整行補償;

當算法對認證點進行鄰域補償時,鄰域補償值為像素點灰度值與1×5矩陣中4鄰域均值的差,即像素點補償值變量s(i,j)。在均勻背景下,4鄰域均值具有良好的代表性,但是在復雜背景下,由背景變化劇烈,4鄰域均值極容易造成圖像背景扭曲等問題;為了能避免4鄰域?qū)D像邊緣所造成的影響,考慮在復雜背景的情況下,采用2鄰域均值作為圖片的補償值。當4鄰域均值和2鄰域相差過大時,掃描線補償值采用2均值效果將遠好于4均值。經(jīng)過大量仿真實驗,可以發(fā)現(xiàn)當差值大于10時,選擇2鄰域均值可以很好地解決上述問題。

在對掃描線進行認證點補償時,發(fā)現(xiàn)部分掃描線經(jīng)過補償后出現(xiàn)點狀像素,掃描線校正不完整;圖8是某建筑的外墻部分,僅對圖片進行認證點補償后,會出部分點狀像素;圖像中標記位置出現(xiàn)保留了原掃描線中的非認證點信息,與認證點補償后的像素點形成圖像差異,如圖9所示。

圖8 某建筑物外墻

圖9 僅對認證點補償后的掃描線

為了能夠減少掃描線補償不充分所帶來的影響,考慮設計一個梳狀濾波器,用于平滑補償值保留圖像原始信息,改善補償值引起的圖像差異。經(jīng)過實驗,設計好的梳狀濾波器可以將補償值趨近于(1,j),相對于直接使用鄰域均值補償有利于保留圖像的高頻信息。對補償值作梳狀濾波平滑處理后,可以看到點狀像素明顯消除不少,如圖10所示。

圖10 梳狀濾波前后對比圖

在實際成像中單像素格柵類場景也具備掃描線判斷條件,所以原始算法常常對該場景造成誤判。通過多次實驗仿真可以發(fā)現(xiàn),由于光學的畸變,圖像邊緣大片的格柵在成像中并不是一條格柵對應著一列像素,單條格柵常常在光學畸變的影響下由直線變?yōu)榍€,因此.多條格柵會在同一列像素上交錯呈現(xiàn)。在認證點識別中1×5矩陣仍具備差異識別特征,且由于格柵貫穿圖像的場景特征和紅外輻射特征滿足前文的掃描線判斷。如圖11所示,該建筑物由樓頂?shù)母駯藕拖虏糠值牟ＡТ皯艚M成,可以看到圖片上玻璃窗戶上分布著不少的掃描線,如圖12所示。這嚴重影響了成像效果,通過補償可以看到,掃描線都被很好地補償了,但是樓頂?shù)母駯沤?jīng)過補償后邊的模糊,故需要對格柵場景進行剔除。

圖11 格柵場景原始圖像

圖12 格柵場景補償圖片

分析格柵的模型特征,可以發(fā)現(xiàn)格柵與掃描線相比所在列的標準差相差較大;不僅如此單像素格柵所在列的補償值時正時負,統(tǒng)計補償值的正負數(shù)數(shù)量,發(fā)現(xiàn)正負數(shù)數(shù)量基本平均。因此為避免場景特征等因素引起的列認證點的補償值標準差較大,綜合格柵模型特征,可以采用以下兩點作為判斷條件,在前文判斷的基礎上剔除誤判掃描線:

1)該列中所有認證點的補償值標準差大于閾值;

2)該列中灰度差異的符號統(tǒng)計值大于認證點統(tǒng)計量的二分之一。

閾值通過大量實驗求得,調(diào)整后的格柵補償如圖13所示,可以看到格柵場景類型很好地從掃描線補償?shù)倪^程中剔除,且對其他場景不會造成影響。不僅如此,掃描線也被很好地補償。

圖13 樓頂格柵調(diào)整后補償圖

4.2 算法補償結(jié)果

為了能更好地驗證掃描線補償?shù)男Ч?選取多個不同場景進行仿真如圖14所示,選擇多個場景紅外圖像(左),仿真加入不同強度的掃描線(中),然后進行校正(右)。圖14(a)可以看到校正后的圖像與原始圖像相比,并沒有造成窗戶邊緣消失與電線衰減的現(xiàn)象。圖14(b)則是電線場景的校正圖,可以發(fā)現(xiàn)校正后的電線與原圖基本一致,細節(jié)丟失少,這也說明了本文的算法可以很好地對掃描線進行提取補償,且誤判率低。為了能驗證復雜背景下,算法的校正效果,對圖像14(c)進行仿真,可以看到校正后房子邊緣清晰可見,電線并未衰減;房子底部的格柵場景并未被誤判成掃描線錯誤補償,校正后的格柵場景仍然清晰可見。由此可見算法的補償效果顯著。

(a)掃描線校正結(jié)果圖

5 結(jié) 語

本文提出了一種基于場景的非均勻校正算法,能夠有效地校正掃描型紅外熱像儀成像時出現(xiàn)的掃描線。該算法不僅計算簡單,且可以根據(jù)場景進行自適應校正,還可以很好地避免窗戶,電線等場景的對掃描線識別造成誤判,滿足熱像儀的成像需求。試驗結(jié)果表明,該算法校正效果顯著,能夠為后續(xù)工程應用提供思路。