陳 羽,段海龍,陳永鵬,周曉琳,張漢輝

(河南平原光電有限公司,河南 焦作 454000)

紅外成像系統(tǒng)主要由紅外焦平面探測器、光學成像物鏡和光機掃描系統(tǒng)組成,紅外焦平面探測器的焦平面上排列著光敏元件陣列,光敏元件將接受到的光信號轉(zhuǎn)換為電信號,通過積分、采樣保持、輸出緩沖等處理后轉(zhuǎn)換成標準的視頻信號[1]。

非制冷紅外焦平面陣列是紅外探測器中最核心的器件之一,但是受到加工工藝、所選材料和設計水平的限制,紅外焦平面上各個單元對標準黑體的均勻輻射存在響應不一致的現(xiàn)象[2],導致圖像出現(xiàn)“鬼影”現(xiàn)象,嚴重影響紅外成像質(zhì)量。由于紅外成像系統(tǒng)的光學性能、放大處理電路、儀器的噪聲和環(huán)境的引入噪聲等原因,導致紅外圖像存在邊緣信息模糊、對比度低等問題,所以對非制冷紅外焦平面探測器圖像清晰化設計具有重要的意義。

非均勻性問題是影響紅外焦平面陣列成像的重要因素,常見的解決辦法是采用非均勻性校正算法,校正后的圖像數(shù)據(jù)均勻性將大大提高。非均勻性校正算法大致分為基于定標的非均勻性校正算法和基于場景的非均勻性校正算法。常見的定標類非均勻校正算法分為一點校正法、兩點校正法、多點校正法和插值校正法等,具有原理簡單、易于實現(xiàn)、實時性好等特點。這類非均勻性校正方法的缺點是校正系數(shù)缺乏自適應性,隨著紅外焦平面陣列器件工作時間增加,將導致器件的溫度升高,校正系數(shù)將不再適用溫度變化后的情況,器件的非均勻性會發(fā)生變化,將導致抑制噪聲的效果變差。常見的場景類校正算法是利用場景統(tǒng)計信息計算增益和偏置系數(shù),如時域高通濾波算法、神經(jīng)網(wǎng)絡算法、卡爾曼濾波法以及小波濾波法。這類算法依據(jù)場景的變化自適應各探測單元的增益和偏置系數(shù),不需要重復標定參考源,這類算法由于計算量大、實時性低,校正精度無法保證,因此在實際的工程應用中無法大規(guī)模推廣。

除了非制冷紅外焦平面陣列的非均勻性問題,紅外焦平面陣列還存在一定數(shù)量的盲元,鄰域替代法和時空相關性補償法是消除盲元的兩種有效方法。鄰域替代法是利用幀內(nèi)空間相關性進行盲元補償,而時空相關性補償法不僅利用空間的相關性,而且利用連續(xù)幀之間的相關性進行盲元補償。

由于紅外圖像普遍存在對比度低、圖像層次感差、視覺效果模糊等問題,通過紅外圖像增強處理后,圖像質(zhì)量將大幅提高。根據(jù)處理過程所在空間不同,將圖像增強算法分為基于空間域增強算法和基于頻域增強算法?；陬l域增強算法的思想是通過在頻域內(nèi)設計濾波器,將圖像中的噪聲信息過濾,保留有效信息,以達到有效提高信噪比、改善圖像視覺效果的目的[3],但是因其在增強過程中進行傅里葉變換和反傅里葉變換,計算量較大,算法的實時性無法保證?；诳臻g域增強算法有空域濾波、直方圖均衡化等,這類算法因其簡單有效,可實現(xiàn)硬件的實時處理,因此被工業(yè)界廣泛采用。

本文設計的紅外焦平面探測器圖像清晰化方法首先采用兩點校正法對焦平面陣列各像元的增益核偏移量進行校正,采用鄰域替代法利用幀內(nèi)空間相關性對盲元進行補償;然后對圖像進行3×3窗口的平滑濾波,將濾波后的圖像疊加拉普拉斯算子進行細節(jié)增強;最后通過直方圖均衡化調(diào)整圖像的灰度。仿真結(jié)果證明,所設計的方法能夠有效提高紅外焦平面探測器的清晰度,增強圖像的細節(jié)。

1 紅外焦平面探測器圖像清晰化算法

1.1 基于兩點法的非均勻性校正方法

圖1 兩點法校正示意圖

V=Aφ+B

(1)

式中,V為探測元的響應輸出值;φ為輻射通量;A和B為焦平面陣列的探測元的增益和偏移量[5]。兩點法校正示意圖如圖1所示。

入射輻射強度φ1的平均響應:

(2)

入射輻射強度φ2的平均響應:

(3)

由式2和式3可以得到:

(4)

(5)

由式1～式3可以得到:

(6)

由式6可以得出,只要得到偏置系數(shù)A和增益系數(shù)B的值,即可對整個焦平面陣列的像元響應進行校正并輸出。

1.2 鄰域替代法盲元補償

原始圖像中檢測出的盲元利用盲元像素四鄰域均值來替代,進而得到盲元替代后的圖像[6]。盲元Pi,j的替代公式為:

(7)

盲元分布示意圖如圖2所示。

圖2 盲元分布示意圖

1.3 3×3窗口的平滑濾波

中值濾波是一種非線性去除噪聲平滑濾波算法[7],不僅能夠有效濾除脈沖噪聲,而且能夠有效保留圖像邊緣信息。該算法主要利用鄰域內(nèi)所有像素值的中間值來代替當前像素點的像素值,是一種簡單的比較運算。中值濾波對于斑點噪聲和椒鹽噪聲濾波效果尤為明顯。本文采用3×3的濾波窗口進行濾波,將周圍的8個像素連同選定的像素進行排序,然后選擇排好序的位于中心的像素代替原有的像素。

1.4 拉普拉斯銳化

圖像銳化是通過增強圖像的灰度反差使模糊圖像變得更加清晰。通常圖像銳化采用拉普拉斯銳化算法。拉普拉斯銳化本質(zhì)是對圖像進行卷積運算,本文采用的拉普拉斯算子擴展模板如圖3所示。當圖像中的任一像素的周圍8個像素的平均灰度值高于中心像素灰度值時,此中心像素的灰度應被進一步降低,當圖像中的任一像素的周圍8個像素的平均灰度值低于中心像素灰度值時,此中心像素的灰度應被進一步提高。從模板形式可以看出,該銳化方法可以突出圖像中急劇灰度變化。假如在圖像中較暗的區(qū)域中出現(xiàn)一個亮點,那么經(jīng)過拉普拉斯銳化后,這個點將變得更亮。

圖3 拉普拉斯運算擴展

1.5 直方圖均衡化

為了解決紅外圖像普遍存在對比度低、圖像層次感差的問題,本文采用直方圖均衡化的方法,其原理是利用圖像的基本統(tǒng)計特征,即灰度圖像中每種灰度級出現(xiàn)的頻率,對每種出現(xiàn)的頻率進行概率的調(diào)整,以達到增強圖像的全局對比度的目的。經(jīng)過直方圖均衡化后,圖像的動態(tài)范圍增大,能夠有效改善紅外圖像背景和前景太亮或者太暗的情形[8]。

2 實驗結(jié)果分析

2.1 仿真環(huán)境

為了驗證本文方法能夠有效提高紅外焦平面探測器的清晰度,增強圖像的細節(jié),對本算法進行了仿真。實驗在Windows 10系統(tǒng)上進行,內(nèi)存大小為18G,CPU為2.30 GHz,通過仿真軟件MATLAB 2020a實現(xiàn)。

2.2 主觀評價結(jié)果

主觀評價法有CCIR500推薦的圖像質(zhì)量評價標準,但是由于紅外圖像的對比度和細節(jié)相較于可見光差距較大,憑借人的肉眼觀察只能初步判定圖像質(zhì)量好壞[9]。主觀評價法就是通過觀察者肉眼觀察紅外圖像的視覺效果,并通過圖像之間以及圖像處理前后進行比較分析,該方法完全取決于觀察者的主觀感受,不同的觀察個體會有一定的差異[10-11]。

圖4～圖6分別是紅外焦平面探測元高溫下響應、低溫下響應以及常溫下響應,上個單元對標準黑體的均勻輻射存在響應不一致,導致從紅外焦平面讀出的圖像質(zhì)量產(chǎn)生極大影響。采用兩點法的非均勻性校正方法和鄰域替代法盲元補償法得到的圖像如圖7所示,與圖4～圖6相比,圖像質(zhì)量有了明顯提升。圖8所示為采用3×3窗口的平滑濾波、拉普拉斯圖像銳化以及直方圖均衡化后的圖像,可以明顯看出,邊緣部分增強效果明顯,對比度更加明顯,更符合人類主觀視覺的體驗。

圖4 紅外焦平面探測元高溫下響應

圖5 紅外焦平面探測元低溫下響應

圖6 紅外焦平面探測元常溫下響應

圖7 兩點法校正后圖像

圖8 圖像增強后圖像

2.3 客觀評價結(jié)果

客觀評價法是利用相應的數(shù)值計算來直觀地反映整幅圖像的輸出效果,不依賴觀察者的主觀印象。對于本實驗,對兩點法校正后的圖像和圖像增強后的圖像進行對比,以驗證圖像增強的效果。分別選取了信息熵、圖像平均值和方差作為參考指標。信息熵的概念最早來自于信息論中,用于衡量信息的混沌程度,將信息熵引入到圖像處理中,用于描述圖像傳遞的信息量,信息熵越大說明圖像中含有高頻信息越多,圖像邊緣信息能較好地保留;圖像的平均值描述的是一幅圖像灰度值的狀態(tài)信息,圖像平均值越大說明圖像的亮度具有較大的動態(tài)范圍;方差是指圖像像素灰度值的波動范圍,方差值越大越好。

假設一幅圖像I(x,y)(其中,x=1, 2, 3, 4, …,M,y=1, 2, 3, 4, …,N)的尺寸為M*N,那么信息熵Q、圖像平均值H和方差V的定義公式可表示為:

(8)

(9)

(10)

基于上述3個指標對兩點法校正后圖像進行處理,實驗結(jié)果見表1。

表1 圖像質(zhì)量客觀評價對比

從表1中的數(shù)據(jù)可以看出,圖像經(jīng)過增強后,信息熵、圖像平均值和方差都有不同程度的提升。說明通過本方法的清晰化處理后能夠有效提高紅外焦平面探測器的清晰度,增強圖像的細節(jié)。

3 結(jié)語

為了解決非制冷紅外焦平面探測器在成像過程中存在非均勻性、存在一定數(shù)量的盲元以及紅外圖像質(zhì)量不高等問題,提出了一種新的清晰化組合算法。首先采用兩點校正法對焦平面陣列各像元的增益核偏移量進行校正,采用鄰域替代法利用幀內(nèi)空間相關性對盲元進行補償;然后對圖像進行3×3窗口的平滑濾波,將濾波后的圖像疊加拉普拉斯算子進行細節(jié)增強;最后通過直方圖均衡化調(diào)整圖像的灰度。

實驗結(jié)果表明,所設計的方法能夠有效提高紅外焦平面探測器輸出圖像的清晰度。實驗的不足在于:只在小規(guī)模的測試集上驗證了該方法的有效性,缺乏大規(guī)模實驗驗證。