一种基于场景的图像自适应非均匀校正方法与流程

本发明涉及到光学遥感成像的技术领域，特别涉及到一种基于场景的图像自适应非均匀校正方法。

背景技术：

红外焦平面探测器是现有红外成像或者探测系统的核心部件，广泛应用于军事和民用领域，是保证航天航空、国防军事、国土资源调查、精准农业、环境监测、大气探测、极端灾害预报等领域高速发展的关键技术。随着焦平面探测器工艺水平的提高，红外焦平面的规模已扩大至上百万像元。但由于现有制造工艺水平和材料的限制，造成了红外焦平面阵列输出幅度并不相同，即红外焦平面阵列在外界同一均匀辐射场输入时各个像元之间响应输出的不一致性，通常称这种不一致性噪声为非均匀性噪声，在图像上具体表现为空间噪声或固定图案噪声，严重影响了系统的成像质量，降低了图像清晰度和图像的识别应用，极大程度的限制了红外焦平面阵列成像系统的应用和发展。

非均匀校正主要就是解决由探测器响应造成的非均匀性噪声问题。现有技术中非均匀性校正主要采用定标法与场景法两大类。虽然基于定标的非均匀性校正算法复杂度低、易于工程实现，但是这类算法容易受到外界环境的影响，并且像元响应参数会随着时间发生漂移，而定标产生的非均匀校正系数无法适应系统参数的漂移现象，所以目前大多采用基于场景的非均匀性校正方法。基于场景的非均匀性校正方法的参数更新都是来自于对场景的估计，它能够很好的跟踪参数漂移，适应性强。但传统的场景法主要是基于两点法对图像进行非均匀校正，通过人工判读在图像中寻找亮暗均匀区域，且该区域需要覆盖整个空间维的像元(或是选择若干个小块均匀区域覆盖整个空间维)，对于地物细节较多、均匀区域小且分散的复杂场景并不适用。尤其，无法满足当前海量图像的快速自动校正。

因此，要满足当前复杂场景的海量图像的快速校正的需求，必须研究出一种快速有效的非均匀性校正方法，并能保证图像的成像质量和清晰度，能够为后续图像分析和应用奠定基础。

技术实现要素：

基于上述问题的存在，本发明提出一种基于场景的图像自适应非均匀校正方法，能够自适应各种复杂地物场景的海量图像的非均匀校正，而且能够解决图像每个谱段均匀特性不一致的情况，提高了图像的成像质量和清晰度，为后续图像分析和应用奠定基础。

为此，本发明采用以下技术方案：

一种基于场景的图像自适应非均匀校正方法，通过对图像的DN值按不同像元自动排序，分别确定至少一个相对暗均匀区域和亮均匀区域，按照算法计算得到每个像元的校正系数，完成一个图像的校正，自动进入下一个图像的校正，直到完成所有图像的非均匀校正，具体包括以下步骤：

1)对一个包括像元数为K的图像，利用计算机对每个像元获取的Z个DN值自动排序，并截取一定范围的中间数值为有效DN值；

2)在每个像元有效DN值中取最小的数值组成为至少一个相对暗均匀区域(K×D)_x，最大的数值组成为至少一个相对亮均匀区域(K×L)_y；

3)计算每一个暗均匀区域的统计平均值为P_1x，区域内每个像元的平均DN值分别为Q_1x(i),i＝1,2,...，K；计算每一个亮均匀区域的统计平均值为P_2y，区域内每个像元的平均DN值分别为Q_2y(i),i＝1,2,...，K；

4)构建如下线性方程，得到每个像元响应的增益校正因子a(i),i＝1,2,...，K和偏移量校正因子b(i),i＝1,2,...，K：

5)对该图像每个像元处的实际响应值DN(i,j),i＝1,2,...，K；j＝1,2,...，Z进行非均匀校正，得到校正后的响应值DN(i,j)＝a(i)×DN(i,j)+b(i),i＝1,2,...，K；j＝1,2,...，Z；

6)引入F作为非均匀性校正结果的评价参数，并设置F＝S为阈值，当F≤S，校正完成；当F>S时，则进行进一步的校正，直至完成该图像数据的校正。

7)完成这一图像的校正后，自动进入下一图像，重复上述步骤，直到完成所有图像的非均匀校正。

优选的，所述F＝max(f_i)，并设置F＝0.5％为阈值，当F≤0.5％，校正完成；当F>0.5％时，则进行进一步的校正，直至完成该图像数据的校正。

优选的，所述进一步的校正的步骤包括以增益校正因子a(i),i＝1,2,...，K和偏移量校正因子b(i),i＝1,2,，..，K为初始值，固定不变，分别沿和两个方向最小化目标优化目标函数f_i，求得所有非均匀校正系数再按照上述的步骤5)的方法完成该图像数据的校正。

优选的，所述组成暗均匀区域的个数x为1-10个，所述每一个暗均匀区域K×D中所取的每个像元的DN值个数D为30-60；所述组成亮均匀区域的个数y为1-10个，所述每一个亮均匀区域K×L中所取的每个像元的DN值个数L为30-60。

优选的，所述有效DN值为截取的重新排列后DN值中间数值的70％-90％。

本发明采用以上技术方案，通过对图像的DN值按不同像元自动排序，分别确定至少一个相对暗均匀区域和亮均匀区域，按照算法计算得到每个像元的校正系数，完成图像的非均匀校正。本发明所述的方法适合复杂场景、暗目标、红外等非均匀严重和校正难度大的海量图像的非均匀校正，大幅简化了校正的复杂性和成本，校正方法基于场景，但是突破了场景自身的限制，具有很好的通用性和自适应性，无需人工判读，校正工作全自动化，计算速度快，校正效果好。

附图说明

图1为本发明中非均匀校正方法实现流程图。

图2为实施例中机载飞行试验中获取的短波红外图像。

其中，(a1-1)为场景A在波长1000nm处的影像；(a2-1)为场景A在波长1600nm处的影像；(b1-1)为场景B在波长1000nm处的影像；(b2-1)为场景B在波长1600nm处的影像；

图3为实施例中经本发明中方法进行非均匀校正后的短波红外图像。

其中，(a1-2)为校正后场景A在波长1000nm处的影像；(a2-2)为校正后场景A在波长1600nm处的影像；(b1-2)为校正后场景B在波长1000nm处的影像；(b2-2)为校正后场景B在波长1600nm处的影像；

具体实施方式

为了使本发明的目的、特征和优点更加的清晰，以下结合附图及实施例，对本发明的具体实施方式做出更为详细的说明，在下面的描述中，阐述了很多具体的细节以便于充分的理解本发明，但是本发明能够以很多不同于描述的其他方式来实施。因此，本发明不受以下公开的具体实施的限制。

一种基于场景的图像自适应非均匀校正方法，如图1所示，通过对图像的DN值按不同像元自动排序，分别确定至少一个相对暗均匀区域和亮均匀区域，按照算法计算得到每个像元的校正系数，完成一个图像的校正，自动进入下一图像的校正，直到完成所有图像的非均匀校正。具体包括如下步骤

实施例一

1)对一个包括像元数为K的图像，利用计算机对每个像元获取的Z个DN值自动排序，并截取一定范围的中间数值为有效DN值；

2)在每个像元有效DN值中取最小的D个数值组成一个相对暗均匀区域(K×D)₁，最大的L个数值组成一个相对亮均匀区域(K×L)₁；

3)计算暗均匀区域的统计平均值为P₁₁，区域内每个像元的平均DN值分别为Q₁₁(i),i＝1,2,...，K；计算每一个亮均匀区域的统计平均值为P₂₁，区域内每个像元的平均DN值分别为Q₂₁(i),i＝1,2,...，K；

4)构建如下线性方程，得到每个像元响应的增益校正因子a(i),i＝1,2,...，K和偏移量校正因子b(i),i＝1,2,...，K：

5)对该图像每个像元处的实际响应值DN(i,j),i＝1,2,...，K；j＝1,2,...，Z进行非均匀校正，得到校正后的响应值

6)引入F作为非均匀性校正结果的评价参数，并设置F＝S为阈值，当F≤S，校正完成；当F>S时，则进行进一步的校正，直至完成该图像数据的校正。

7)完成这一图像的校正后，自动进入下一图像，重复上述步骤，直到完成所有图像的非均匀校正。

优选的，所述F＝max(f_i)，并设置F＝0.5％为阈值，当F≤0.5％，校正完成；当F>0.5％时，则进行进一步的校正，直至完成该图像数据的校正。

优选的，所述进一步的校正的步骤包括以增益校正因子a(i),i＝1,2,...，K和偏移量校正因子b(i),i＝1,2,...，K为初始值，固定和不变，分别沿和两个方向最小化目标优化目标函数f_i，求得所有非均匀校正系数再按上述的步骤5)的方法完成该图像数据的校正。

优选的，所述每一个暗均匀区域K×D中所取的每个像元的DN值个数D为30-60；所述每一个亮均匀区域K×L中所取的每个像元的DN值个数L为30-60。

优选的，所述有效DN值为截取的重新排列后DN值中间数值的70％-90％。

实施例二

1)对一个包括像元数为K的图像，利用计算机对每个像元获取的Z个DN值自动排序，并截取一定范围的中间数值为有效DN值；

2)在每个像元有效DN值中取最小的D个数值组成两个相对暗均匀区域(K×D)₁、(K×D)₂最大的L个数值组成一个相对亮均匀区域(K×L)₁、(K×L)₂；

3)计算每一个暗均匀区域的统计平均值为P₁₁、P₁₂，区域内每个像元的平均DN值分别为Q₁₁(i),i＝1,2,...，K、Q₁₂(i),i＝1,2,...，K；计算每一个亮均匀区域的统计平均值为P₂₁、P₂₂，区域内每个像元的平均DN值分别为Q₂₁(i),i＝1,2,...，K、Q₂₂(i),i＝1,2,...，K；

4)构建如下线性方程，得到每个像元响应的增益校正因子a(i),i＝1,2,...，K和偏移量校正因子b(i),i＝1,2,...，K：

5)对该图像每个像元处的实际响应值DN(i,j),i＝1,2,...，K；j＝1,2,...，Z进行非均匀校正，得到校正后的响应值

6)引入F作为非均匀性校正结果的评价参数，并设置F＝S为阈值，当F≤S，校正完成；当F>S时，则进行进一步的校正，直至完成该图像数据的校正。

7)完成这一图像的校正后，自动进入下一图像，重复上述步骤，直到完成所有图像的非均匀校正。

优选的，所述F＝max(f_i)，并设置F＝0.5％为阈值，当F≤0.5％，校正完成；当F>0.5％时，则进行进一步的校正，直至完成该图像数据的校正。

优选的，所述进行进一步的校正的步骤包括以增益校正因子a(i),i＝1,2,...，K和偏移量校正因子b(i),i＝1,2,...，K为初始值，固定不变，分别沿两个方向最小化目标优化目标函数f_i，求得所有非均匀校正系数再按照上述的步骤5)的方法完成该图像数据的校正。

优选的，所述每一个暗均匀区域K×D中所取的每个像元的DN值个数D为30-60；所述每一个亮均匀区域K×L中所取的每个像元的DN值个数L为30-60。

优选的，所述有效DN值为截取的重新排列后DN值中间数值的70％-90％。

下面以一机载飞行实验中获取的短波红外图像为例，场景A和场景B在波长1000nm和1600nm处得到的影像，如图2所示，分别按本发明所述的方法，进行非均匀校正。该图像的像元数为320，另一空间维由1000条推扫列组成，有效光谱通道181个，覆盖900nm到1700nm光谱范围。

非均匀校正的具体过程如下：

1)对一个包括像元数为320的图像，利用计算机算法自动对每个像元获取的1000个DN值按照从小到大的顺序重新排列，并截取一定范围的中间数值为有效DN值；

2)分别取每个像元有效DN值中最小的40个数值组成为暗均匀区域320×40，最大的40个数值组成为亮均匀区域320×40；

3)计算暗均匀区域的统计平均值为P₁，区域内每个像元的平均DN值分别为Q₁(i),i＝1,2,...，320；计算亮均匀区域的统计平均值为P₂，区域内每个像元的平均DN值分别为Q₂(i),i＝1,2,...，320；

4)构建如下线性方程，得到每个像元响应的增益校正因子a(i)i,＝1,2，...，320和偏移量校正因子b(i),i＝1,2,...，320：

5)对该图像每个像元处的实际响应值DN(i,j),i＝1,2,...，320；j＝1,2,...，1000进行非均匀校正，得到校正后的响应值

6)引入F作为非均匀性校正结果的评价参数，F＝max(f_i)，并设置F＝0.5％为阈值，当F≤0.5％，校正完成；当F>0.5％时，则进行进一步的校正，直至完成一个图像数据的校正。其中，进行进一步的校正的步骤包括以增益校正因子a(i),i＝1,2,...，320和偏移量校正因子b(i),i＝1,2,...，320为初始值，固定a(160)和b(160)不变，分别沿i＝159,158,...，1和i＝161，162,...，320两个方向最小化目标优化目标函数f_i，求得所有非均匀校正系数再按照上面所述的步骤5)完成该数据的校正。

7)完成这一图像的校正后，自动进入下一谱段，重复上述步骤，直到完成图像所有谱段的非均匀校正。

经过本发明所述的方法非均匀校正后的短波红外图像，如图3所示，可以看出图像的非均匀性得到了明显的改善，条带噪声现象也消除了，所以采用本发明所述的方法对短波红外图像校正效果显著，能够大大改善图像的成像质量，特别是包含水等弱信号场景时，校正效果更为显著。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。