一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法技术

本发明专利技术公开了一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法，属于红外系统的非均匀性校正领域，该方法包括：在系统多个工作点定标，计算平均灰度响应；采用数学回归的方法计算不同积分时间下平均灰度响应和像素灰度响应的插值曲线；搭建并训练用于非均匀性校正的前向神经网络；用训练好的神经网络进行非均匀性校正，在校正的过程中积分时间可以动态调整。本发明专利技术克服了以往红外系统积分时间分档少、调节跨度大、切换麻烦的缺点，使积分时间的调节更为细腻和灵活，拓展了红外系统对大动态温度范围场景的适应能力，有利于红外系统对目标进行智能成像。

A Neural Network Based Nonuniformity Correction Method for Infrared Focal Plane Array Adaptive to Integral Time Dynamic Adjustment

The invention discloses an infrared focal plane array nonuniformity correction method adapted to integral time dynamic adjustment based on neural network, which belongs to the field of nonuniformity correction of infrared system. The method comprises: calibrating multiple working points of the system, calculating average gray level response, calculating different integrals by mathematical regression method. The interpolation curves of average gray response and pixel gray response in time, the forward neural network for non-uniformity correction are built and trained, and the integration time can be adjusted dynamically in the process of non-uniformity correction using the trained neural network. The invention overcomes the shortcomings of less integral time classification, large adjustment span and trouble switching of the former infrared system, makes the adjustment of integral time more delicate and flexible, expands the adaptability of the infrared system to the scene with large dynamic temperature range, and is beneficial to the intelligent imaging of the target by the infrared system.

【技术实现步骤摘要】
一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法
本专利技术属于红外系统的非均匀性校正领域，特别是一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法。
技术介绍
红外焦平面阵列属于第二代红外成像器件，是红外系统的核心部件，具有集成度高、噪声等效温差低、探测能力强等优点，广泛用于军事、工业、农业、医疗、森林防火等各个领域。在理想情况下，红外焦平面阵列在相同辐射输入条件下其输出信号幅度应该一样。但实际上，由于器件材料的不均匀(内部结构、晶体缺陷、杂质浓度等)、器件暗电流的不均匀、1/f噪声引起的器件响应不均匀、器件响应的非线性以及器件工作状态等因素的影响，红外焦平面阵列的输出具有非均匀性。红外焦平面阵列的非均匀性会严重影响红外系统的探测灵敏度和空间分辨率。因此，在实际使用中都需要对红外焦平面阵列做非均匀性校正。目前，常用的红外非均匀性校正技术有很多种，如基于定标的一点、两点、多点非均匀性校正算法、基于场景的时域高通滤波法、自适应的人工神经网络法和均值滤波算法等等。但是常规的非均匀性校正技术中，一般需要固定积分时间。当目标过暗需要延长积分时间，或目标过亮需要缩短积分时间时，就需要切换积分时间所对应的校正参数，受存储能力和定标工作量等因素的限制，系统往往只存有限的几组积分时间，这就造成了红外系统可用的积分时间往往是分档的，无法做到动态选择最佳积分时间，难以充分发挥红外系统的性能。
技术实现思路
本专利技术的目的在于提供一种适应积分时间动态调整的红外焦平面阵列非均匀性校正方法，使红外系统可以根据目标信号的强弱动态调整红外焦平面阵列的积分时间并进行非均匀性校正，拓展了红外系统对大动态温度范围场景的成像适应能力。实现本专利技术的技术方案为，一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法，包括：步骤一，工作点标定：在系统的多个积分时间、黑体温度点进行工作点定标，获取图像灰度随积分时间和黑体温度变化的原始数据，对原始数据进行多帧平均去噪、盲元替换等预处理，再对预处理后的每个定标点图像求全图平均，得到每个定标工作点的平均灰度响应值；步骤二，平均响应回归和插值：以理论计算的黑体辐射出射度、探测器积分时间和黑体温度为自变量，以平均灰度响应值为因变量进行数学回归，回归方程包括但不限于三个自变量的一阶项、二阶交互项、三阶交互项以及平移项。通过回归计算得到各组成项的回归系数，将回归方程作为计算平均灰度响应随积分时间和黑体温度变化的插值函数，计算出不同积分时间下平均灰度响应的变化曲线；步骤三，像素响应回归和插值：和步骤二类似，以理论计算的黑体辐射出射度、探测器积分时间和黑体温度为自变量，以像素灰度响应值为因变量进行数学回归，回归方程包括但不限于三个自变量的一阶项、二阶交互项、三阶交互项以及平移项。通过回归计算得到各组成项的回归系数，将回归方程作为计算像素灰度响应随积分时间和黑体温度变化的插值函数，计算出不同积分时间下像素灰度响应的变化曲线；步骤四，搭建并训练用于非均匀性校正的神经网络：(1)建立用于回归的前向神经网络，设置神经网络的各项参数，包括：神经网络层数、神经元数、激活函数类型、学习速率、迭代次数、训练类型、训练目标等；(2)将步骤三得到的插值数据里某一像素的灰度响应值和积分时间作为神经网络输入项；(3)将步骤二得到的插值数据里某一像素对应的平均响应值作为神经网络输出项；(4)训练神经网络得到该像素对应的神经网络各节点的校正参数。步骤五，对每一个像素重复步骤三和步骤四，得到所有像素的神经网络校正参数。将校正参数配置到神经网络中，以积分时间和像素原始灰度值作为输入，输出为经过非均匀性校正的图像。步骤六，积分时间动态调整机制：(1)手动调整：适用于对目标强度进行定量分析的场合，精确调整积分时间至最佳效果后固定积分时间，下次试验时根据情况再进行积分时间调整；(2)自动调整：适用于动态目标智能成像场合，在红外系统工作过程中，积分时间随目标信号的强弱自动调整，使目标的最大值或平均值在积分时间可调节能力范围内趋向于设定值。本专利技术与现有技术相比的优点在于：(1)本专利技术将积分时间作为非均匀性校正输入参数的一部分，积分时间能以最小可调节单位进行动态调整，改变了以往积分时间分档少、调节跨度大、切换麻烦的局限性，使积分时间的调整更为细腻和灵活，当系统积分时间调整后图像仍然能保持良好的均匀性；(2)本专利技术采用黑体辐射出射度、探测器积分时间和黑体温度作为对输出响应值回归的参数项，实验表明该回归模型接近红外系统在非理想情况下的实际响应特性，并且神经网络相比传统的基于两点、多点、二项式拟合等方法，其非线性拟合能力更强，因此本方法对红外焦平面阵列非均匀性校正能力更强，校正后图像残余非均匀性更小；(3)本专利技术通过自适应地选择最佳积分时间，拓展了红外系统的温度动态范围，增强了红外系统的场景适应能力，有利于红外系统对目标智能成像。附图说明图1为不同工作点像素响应曲线和平均响应曲线；图2为平均响应及其插值曲线；图3为单个像素灰度响应及其插值曲线；图4为神经网络框图；图5为本实施例校正效果图(按原始图像进行同比例灰度拉伸)；图6为本专利技术一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法流程图。具体实施方式下面结合附图详细说明本专利技术的实施例。如图6所示，本专利技术一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法，具体步骤如下：步骤一，系统标定：在系统的多个积分时间、黑体温度点进行工作点定标，获取图像灰度响应随积分时间和黑体温度变化的实验原始数据，对原始数据进行多帧平均去噪、盲元替换等预处理，再对预处理后的每个定标点图像求全图平均，得到每个定标工作点的平均灰度响应值，如图1所示。步骤二，平均响应回归和插值：以理论计算的黑体辐射出射度、探测器积分时间和黑体温度为自变量、以平均灰度响应值为因变量进行数学回归，回归方程如公式(1)所示：其中，平均灰度响应值；Mλ：黑体辐射出射度，根据普朗克黑体辐射公式：其中λ1和λ2是系统的工作截止波段，Ttemp为黑体温度，c1为普朗克第一辐射常数，c2为普朗克第二辐射常数；Ttemp：黑体温度；Tint：探测器积分时间，取值范围为[T1,T2]，间隔为ΔTint；A～H：通过回归方程求解的系数；通过回归计算得到各组成项的回归系数A～H，将公式(1)作为计算平均灰度响应随积分时间和黑体温度变化的插值函数，计算出不同积分时间下平均灰度响应的变化曲线，如图2所示。步骤三，像素响应回归和插值：和步骤二类似，以理论计算的黑体辐射出射度、探测器积分时间和黑体温度为自变量、以像素灰度响应值为因变量进行数学回归，回归方程如公式2所示：xi,j＝g(Mλ,Tint,Ttemp)＝a·Mλ+b·Tint+c·Ttemp+d·Mλ·Tint+e·Mλ·Ttemp+f·Tint·Ttemp+g·Mλ·Tint·Ttemp+h……(2)其中，xi,j：坐标[i,j]像素的灰度响应值；Mλ：黑体辐射出射度，根据普朗克黑体辐射公式：其中λ1和λ2是系统的工作截止波段，Ttemp为黑体温度，c1为普朗克第一辐射常数，c2为普朗克第二辐射常数；Ttemp：黑体温度；Tint本文档来自技高网...

【技术保护点】
1.一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法，其特征在于，包括以下步骤：步骤A：系统工作点定标，获取原始数据并计算平均灰度响应；步骤B：采用数学回归的方法计算不同积分时间下平均灰度响应插值；步骤C：采用数学回归的方法计算不同积分时间下像素灰度响应插值；步骤D：搭建并训练用于非均匀性校正的前向神经网络；步骤E：用训练好的神经网络进行非均匀性校正；步骤F：积分时间动态调整机制。

【技术特征摘要】
1.一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法，其特征在于，包括以下步骤：步骤A：系统工作点定标，获取原始数据并计算平均灰度响应；步骤B：采用数学回归的方法计算不同积分时间下平均灰度响应插值；步骤C：采用数学回归的方法计算不同积分时间下像素灰度响应插值；步骤D：搭建并训练用于非均匀性校正的前向神经网络；步骤E：用训练好的神经网络进行非均匀性校正；步骤F：积分时间动态调整机制。2.如权利要求1所述的基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法，其特征在于，所述步骤A包括：在系统的多个积分时间、黑体温度点进行工作点定标，获取图像灰度响应随积分时间和黑体温度变化的原始图像数据；对原始数据进行预处理，包括多帧平均去噪、盲元周围像素平均或替换；对预处理后的每个定标点图像求全图平均，得到每个定标工作点的平均灰度响应值。3.如权利要求1所述的基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法，其特征在于，所述步骤B包括：以理论计算的黑体辐射出射度(Mλ)、探测器积分时间(Tint)和黑体温度(Ttemp)为自变量,以平均灰度响应值为因变量进行数学回归；回归方程为三个自变量的复合函数f(Mλ,Tint,Ttemp)，其形式包括但不限于三个自变量的一阶项、二阶交互项，三阶交互项以及平移项；通过回归计算得到各组成项的回归系数，将回归方程作为计算平均灰度随积分时间和黑体温度变化的插值函数，计算出不同积分时间下平均灰度的变化曲线。4.如权利要求1所述的基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法，其特征在于，所述步骤C包括：以理论计算的黑体辐射出射度(Mλ)、探测器积分时间(Tint)和黑体温度(Ttemp)为自变量,以像素响应值为因变量进行数学回归；回归方程的形式为三个自变量的复合函数形式g(Mλ,Tint,Ttemp)，其形式包括但不限于三个自变量的一阶项、二阶交互项，三阶交互项以及平移项；通过回归计算得到各组成项的回归...

【专利技术属性】
技术研发人员：赖雪峰，王宇，周金梅，任栖峰，廖胜，李华，韩维强，黄涛，李素钧，赵旭龙，
申请(专利权)人：中国科学院光电技术研究所，
类型：发明
国别省市：四川,51