一种热像仪的最小可分辨温差客观测试方法
【技术领域】
[0001] 本发明属于图像处理和自适应神经模糊推理技术领域，尤其涉及一种热像仪的最 小可分辨温差客观测试方法。
【背景技术】
[0002] 随着各种新型的红外成像系统在军事和民用领域获得广泛应用，对红外成像系统 的性能评价显得越来越重要。最小可分辨温差（MRTD)是热像仪的一个重要性能参数，它反 映了红外热像仪的空间分辨率和热灵敏度，融合了系统的成像质量等因素，能够较全面反 映系统的探测能力，可以作为评价红外热像仪的综合指标，。以往对红外成像系统MRTD的 传统测试方法通常采用的是人眼主观判读方法，观察者（一般为接受过训练的专业人员） 直接观察被测系统的靶标像，在确定的空间频率下，刚好能分辨出4杆靶图案（高宽比7:1) 时，目标与背景之间的温差为该空间频率的MRTD。这种MRTD测试方法与测试者密切相关， 但由于受人眼主观因素的影响，测试结果随测试者的训练水平、心理素质、视觉能力和环境 的变化而变化，测量结果不稳定、测试周期长，同时也容易引起争议。因此客观的对热像仪 MRTD测试成为红外成像系统的必然要求。
【发明内容】
[0003] 为达到上述目的，本发明提供一种热像仪的最小可分辨温差MRTD测试方法，该方 法将图像处理与自适应神经-模糊推理系统技术结合起来，能够实现MRTD参数的客观测 试，不仅提高了测试速度，同时避免了传统测试方法中人工的重复性工作及主观因素干扰。
[0004] 本发明的热像仪的最小可分辨温差客观测试方法，其包括以下步骤：
[0005] 步骤1，构建用于测试的自适应神经-模糊推理系统ANFIS，该ANFIS具有三个输 入节点和一个输出节点，三个输入节点的输入值分别为热像仪采集图像的均值对比度A、 对比度f2、温差类别f3这三个特征，输出节点输出值为分类结果，包括1、〇、-1三类，其中，1 表示清晰、〇表示清晰与模糊之间、-1表示模糊；
[0006] 其中，针对每帧热像仪采集图像获得三个特征参数的方式为：
[0007] 步骤11，对获取的多帧热像仪采集视频进行预处理，获得感兴趣处理图像ROI以 及该ROI区域中四个靶杆的轮廓和位置；
[0008] 步骤12,均值对比度Π 的计算方法为：计算四个靶杆上像素点的灰度均值A1，以 及灰度化图像的ROI区域中除四个靶杆外的区域即背景上像素点的灰度均值A2 ;计算Al 和A2的平均值A3 ;均值对比度Π 为四个靶杆上各像素点的灰度值大于A3的像素数&与 四个靶杆所占总像素数N的比例；
[0009] 对比度f2的计算方法为：计算四个靶杆之间的三个间隔区域的灰度均值A4 ;对比 度 f2 为（A1-A4V(A1+A4);
[0010] 温差类别f3的计算方法为：若Al大于A2,则f3为1，代表靶杆的灰度均值大于背 景的灰度均值，此时为正温差；若Al小于A2,则f3为-1，代表靶杆的灰度均值小于背景的 灰度均值，此时为负温差；
[0011] 步骤2,采用一种类型X的热像仪采集视频，在采集的过程中调整热像仪的温差， 使得温差遍历整个温差范围，从视频中截取多帧图像，针对每帧图像计算均值对比度A、对 比度f2、温差类别f3这三个特征，并通过观察每帧图像的清晰、模糊程度给出每幅图像的期 望输出，期望输出值包括1、〇和-1，同一帧图像的均值对比度A、对比度f2、温差类别&和 期望输出值形成一个训练样本；利用训练样本对步骤一构建的自适应神经-模糊推理系统 ANFIS进行训练，获得该类型X热像仪的MRTD分类模型；
[0012] 步骤3,针对类型X的热像仪进行MRTD测试时，在某种温差下采集被测热像仪的图 像，提取均值对比度A、对比度f2、温差类别&这三个特征输入MRTD分类模型，获得分类结 果；根据一段视频中各测试图像帧的分类结果调整被测热像仪的温差，重复本步骤3,直到 获得测试结果；
[0013] 根据分类结果的调整方式为：
[0014] 若该段视频的分类结果中，1类的个数占测试帧数的比例大于给定的精度阈值，则 进一步判断：若此时温差类别&为1，则降低被测热像仪的温差；若此时温差类别〖3为-1， 则升高被测热像仪的温差；
[0015] 若该段视频的分类结果中，-1类的个数占测试帧数的比例大于给定的精度阈 值，则进一步判断：若此时温差类别&为1，则升高被测热像仪的温差；若此时温差类别f3为-1，则降低被测热像仪的温差；
[0016] 若该段视频的分类结果中，0类的个数占测试帧数的比例大于给定的精度阈值，则 此时被测热像仪的当前温差即为测试结果；若此时温差类别&为1，则测试结果为正MRTD 值；若此时温差类别&为-1，则测试结果为负MRTD值。
[0017] 进一步的，步骤1所构建的自适应神经-模糊推理系统ANFIS中，每个输入节点对 应6个输入隶属度函数，输入隶属度函数采用钟形隶属度函数，输出隶属度函数为线型隶 属度函数。
[0018] 进一步的，所述步骤1中的预处理包括：
[0019] 1)获取多帧灰度图像，经过图像灰度化将每一帧彩色图像转化为灰度图像；
[0020] 2)对多帧灰度图像的各像素点求灰度平均值，获得一帧模拟人眼积分效应的灰度 图像；
[0021] 3)对模拟人眼积分效应的灰度图像进行感兴趣处理获得感兴趣处理图像ROI ;
[0022] 4)对ROI进行轮廓提取和查找靶杆位置获得四个靶杆的区域和位置。
[0023] 有益效果：
[0024] 1.本发明的热像仪的最小可分辨温差MRTD测试方法能够实现MRTD参数的客观测 试，其是自适应神经-模糊推理系统根据学习样本训练产生相应的分类器模型，再由分类 器模型对热像仪MRTD参数进行预测；相比之前的方法，本文提出的方法能快速、有效地测 试红外热像仪的MRTD参数，同时避免了传统测试方法中人工的重复性的工作的麻烦，从而 快速、有效地测试红外热像仪的MRTD参数，减小测试结果的易变性。
[0025] 2.红外图像是红外成像系统将物体自然发射的红外辐射转变为人眼可见的图像， 表征景物的温度分布，为灰度图像，没有彩色信息。而灰度图像是指只含有亮度信息，不含 有色彩信息的图像，图像的信息主要是通过各像素的灰度差异来反映的，图像中灰度级的 变化差异形成了图像的轮廓和图案。用单一的对比度值代表整个图像的可分辨水平.难免 会存在一定的判断偏差，故采用灰度均值进行特征计算。
[0026] 在客观法中我们所提取的特征不可能和主观法中人脑所提取的特征一样。但这些 特征应该方便于以后ANFIS的识别。特征提取的好坏，直接关系到识别的速度和准确度（也 即ANFIS的速度和准确度）。
[0027] 对于不同的阈值图像（即主观测量法中观察者以50%概率分辨的四杆靶图像）， 其靶标尺寸各不相同，具有不同的特征。若对各自的特征都进行学习，则网络将会十分繁 杂，且迭代运算次数将大大增加。但通过分析红外图像的灰度值可知，它们有以下几个共同 特征：
[0028] 第一个特征：均值对比度是四靶杆区域内像素灰度值大于A3的比例。该特征反映 了四靶杆区域内灰度值和整个ROI区域灰度均值的对比关系。
[0029] 第二个特征：对比度是四个靶杆的灰度均值Al与四个靶杆的三个间隔区域的灰 度均值A4之差与两者之和的比。该特征反映了四靶杆的灰度均值与其间隔区域灰度均值 的对比关系。
[0030] 第三个特征：温差类别反映的是温差的正负。在正温差下四靶杆的灰度值较大，即 其亮度大，呈现出的视觉效果为四靶杆比背景更亮更白，即四靶杆灰度值大于其背景灰度 值，此时温差类别设为1 ;在负温差下四靶杆的灰度值较小，即其亮