度小，呈现出的视觉效 果为四靶杆比背景更暗更黑，即四靶杆灰度值小于其背景，此时温差类别设为-1。
【附图说明】
[0031] 图1为本发明的热像仪的最小可分辨温差客观测试方法流程图；
[0032] 图2为本发明的计算特征中变量示意图；
[0033] 图3为本发明的分类器FIS结构示意图。
【具体实施方式】
[0034] 如图1所示，本发明的热像仪的最小可分辨温差客观测试方法是基于图像处理与 自适应神经-模糊推理系统技术的热像仪客观客观测试方法，其包括以下步骤：
[0035] 步骤一、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。
[0036] 其中，ANFIS将模糊逻辑系统（FLS与人工神经网络系统（ANN)相结合，利用两者各 自的优点所形成的混合智能系统。用神经网络的连接结构表述模糊逻辑系统，通过ANN的 学习功能使这些FLS规则中出现的许多参数的优化和自适应得以实现。ANFIS是基于数据 的建模方法，其中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的，而 不是基于经验或是直觉给定的。
[0037] 步骤一包括如下子步骤：
[0038] 步骤11，获取某种类型X的热像仪采集视频并进行预处理，获取到当前ROI内四个 靶杆的轮廓和位置。
[0039] 所述预处理包括：经过图像灰度化将一帧彩色图像转化为灰度图像；获取多帧灰 度图像，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；为减少多余工作量，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 ;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。
[0040] 步骤12、对预处理后的当前帧图像进行特征提取，获得均值对比度、对比度、温差 类别三个特征；如图2所示：
[0041] S121、均值对比度Π 的计算
[0042] 均值对比度Π 是四个靶杆的区域内Al大于A3的比例。均值对比度计算方法为： 首先在灰度化图像的ROI区域中，计算四个靶杆上像素点的灰度均值Al ;其次在灰度化图 像的ROI区域中，计算ROI中除四个靶杆外的区域即靶杆背景上像素点灰度均值A2 ;之后 计算Al和A2的平均值A3。均值对比度Π 是四靶杆区域内灰度值大于A3的像素点的比 例。计算的具体步骤如下：
[0043] 在灰度化图像的ROI区域中计算四个靶杆的灰度均值A1，其中具体方法如下：
[0045] 其中Wb代表靶杆的宽度，h b代表靶杆的高度，f k (i，j)代表第k个靶杆的第i行第 j列像素点的灰度值，k代表第k个靶杆，一共有四个靶杆。
[0046] 计算在灰度化图像的ROI区域中，靶杆的背景的灰度均值A2,其中具体方法如下：
[0047] 1)将四靶杆区域内像素点灰度值全部置为0 :
[0048] f(i，j) = 0对任意（i，j) e四靶杆区域
[0049] f (i，j)为四靶杆区域内第i行第j列像素点的灰度值。
[0050] 2)计算将四靶杆区域内灰度值全部置为0之后整个ROI区域内（即背景）的灰度 值之和Ar:
[0052] 其中wR代表ROI区域的宽度，h R代表ROI区域的高度，f'（i，j)代表ROI区域内 第i行第j列像素点的灰度值。
[0053] 3)靶杆的背景的灰度均值A2 :
[0055] 分母wR*hR-wb*Vf^表的ROI区域内革巴杆背景的像素点总数。
[0056] 计算Al和A2的平均值A3,其中具体方法如下：
[0060] 其中N = wb*hb，代表四靶杆区域内的像素点总数；N1代表四靶杆区域内灰度值大 于A3的像素点的数量。
[0061] S122、对比度f2的计算
[0062] 计算在四个靶杆的三个间隔区域的灰度均值A4;最后计算对比度f2:(Al_A4)/ (A1+A4)。计算的具体步骤如下：
[0063] 计算在四个靶杆的三个间隔区域的灰度均值A4具体方法如下：
[0064] 1)计算四个靶杆的三个间隔区域的灰度值总和Alb:
[0066] 其中Wlb代表靶杆间隔的宽度，h lb代表靶杆间隔的高度，f k(i，j)代表第k个靶杆 间隔的第i行第j列像素点的灰度值，该公式中的k代表第k个靶杆间隔，四个靶杆共有三 个靶杆间隔。
[0067] 2)四个靶杆的三个间隔区域的灰度均值
[0069] 其中Wlb代表靶杆间隔的宽度，h lb代表靶杆间隔的高度。
[0070] 计算图像特征对比度f2,其中具体方法如下：
[0072] S123、温差类别f3的计算
[0073] 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。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；在负温差下四靶杆的灰度值较小，即其亮度小，呈现出 的视觉效果为四靶杆比背景更暗更黑。
[0074] 计算的具体步骤如下：
[0075] 1.判断靶杆的灰度均值Al是否大于靶杆背景的灰度均值A2,若是，则特征温差类 别f3为1，代表此时靶杆的灰度均值大于背景的灰度均值，说明此时为正温差；
[0076] 2.判断靶杆的灰度均值Al是否大于靶杆背景的灰度均值A2,若不是，则特征温差 类别f3为-1，代表此时靶杆的灰度均值小于背景的灰度均值，说明此时为负温差。
[0078] 前面提取的三类特征和人眼判断的ANFIS期望输出作为ANFIS的训练数据 TRNDATA。每个输入量的隶属度函数设置为p个，输入隶属度函数的类型设为一般钟形隶属 度函数（gbellmf)。每个输入有p个隶属度函数，产生了 p的三次方条规则，输出隶属度函 数的类型为线型隶属度函数（linear)，输出隶属度函数的个数由输入决定。图3为本发明 中的分类器FIS结构。输入量为某一帧图像对应的三类特征。效果较好的，p为6,即输出 有216个隶属度函数。
[0079] 步骤2,采用所述类型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。其中，热像仪分为扫描型和凝视 型，两者不能混用，即一种类型热像仪采集视频的训练样本形成的MRTD分类模型只能用于 该种类型的MRTD测试。
[0080] 上述热像仪MRTD分类模型客观测试的训练，是自适应神经-模糊推理系统 (ANFIS)的有监督学习训练。
[0081] 具体内容为：在温差由正温差最大Tniax、正温差最大Tniax逐渐减小至正MRTD温差、 正MRTD温差、正MRTD温差逐渐减小到0、0温差逐渐减小至负MRTD温差、负MRTD温差、负 MRTD温差逐渐减小至负温差最小T_、负温差最小1