基于Wiener滤波理论的非制冷红外焦平面非均匀校正算法制造技术

本发明专利技术提出了一种基于Ｗｉｅｎｅｒ滤波理论的非制冷红外焦平面非均匀校正算法，来源于对随机信号处理理论的深入分析，在现代信号处理技术（主要是自适应滤波技术）的支持下，构建的一种数字滤波器结构，将这种滤波器结构的分析用于非制冷红外焦平面非均匀校正问题，不但有更高的校正精度，而且具备良好的实时性。

【技术实现步骤摘要】

本专利技术涉及非制冷红外焦平面成像系统(IRFPA)的校正技术，特别涉及非制冷红外焦平面成像系统的非均匀校正技术。
技术介绍
对于任何在OK以上温度的物体，构成物体的分子，原子等都处在振动和旋转的运动之中，并且向外界空间释放电磁波。不同温度的目标，其辐射波强度不同。微弱的红外射线被测度，再根据红外射线强度的大小识别物体，形成图像，这就是非制冷红外焦平面成像系统的原理。像素的多少是成像质量的一个关键指标。要得到清晰的图像效果，就需要由许多探测元构成的成像阵列。由于工艺的原因，每个探测元对于相同强度的红外辐射，其输出结果不相同，甚至是差别很大的。非制冷红外焦平面非均匀校正算法，即是为解决这个问题而提出的理论方法。非制冷红外焦平面非均匀性校正是红外焦平面成像系统的关键技术之一。虽然现在已提出了很多种校正算法，如两点校正法、神经网络法等，但这些方法或者过于简单，校正效果不够理想(如两点校正)，或者是太过复杂，计算量大而难于实现实时性，都存在不足之处。首先，IRFPA探测元受红外辐射而造成的温升可以看成是一种随机过程。由于在实际工程中确定某一类过程的多维分布函数是相当困难，有时甚至是不可能的。因此通常的处理方法是用其统计特征来表征该过程，常用的数字特征是均值、方差和相关函数。我们用随机过程X表示在该随机过程中的温升ΔT，由于温升ΔT＞＝0，故其均值E＝mT＞0，根据随机过程理论得知，对数字信号的处理应先对其零均值化，零均值化的方法可以对其取均方微分，即一阶差分。随机过程的自相关函数表征的是其不同时刻信号的相关程度，由于输入信号是相同的，其不同时刻的响应存在一定的相关性。于是在此基础上可以构建FIR(有限冲激响应)横向滤波器对其进行信号处理。非制冷红外焦平面非均匀性校正是红外焦平面成像系统的关键技术之一。虽然现在已提出了很多种校正算法，但他们或者过于简单，校正效果不够理想(如两点校正)，或者是太过复杂，计算量大而难于实现实时性，因而都有一些不足之处。本文提出的基于Wiener滤波理论的校正方法不但具有更高的校正精度，而且具备良好的实时性。
技术实现思路
本专利技术提出的基于Wiener滤波理论的非制冷红外焦平面非均匀校正算法，来源于对随机信号处理理论的深入分析，在现代信号处理技术(主要是自适应滤波技术)的支持下，构建的一种数字滤波器结构，如图1所示。将这种滤波器结构的分析用于非制冷红外焦平面非均匀校正问题，不但有更高的校正精度，而且具备良好的实时性。本专利技术假定焦平面读出电路已具备，且封装于光学镜头内，信号可以通过A/D转换读出数据并保存，扫描速率为每秒30帧。本算法用于非均匀校正的步骤如下1、确定Wiener滤波器阶数设ui＝u(i)，i＝1，2，…，m，表示平稳离散时间随机过程的m个独立观测得到的数据，即焦平面不同时刻的输出。g(ui)表示ui的概率密度函数。设 表示ui的条件概率密度函数，并给定用于对过程建模的参数估计向量 设m为模型阶数，则可以写出θΛm=T]]>从而我们得到表示感兴趣过程的相互竞争的若干模型。用Akaike提出的信息理论标准选择模型，使得AIC(m)=-2L(θΛm)+2m]]>最小化。函数 定义为L(θΛm)=maxΣi=1NlnfU(ui|θ^m)]]>式中ln表示自然对数。 称为模型参数的最大对数似然估计。选择适当的m值使得函数AIC(m)的值最小，该m值即可作为模型的阶数。2、工作温度范围内黑体定标设焦平面探测的目标温度区间是T1～Tm，将平均取m个温度点，分别为T1，T2，T3……Tm。对应于每一个温度点用该温度的黑体作为红外辐射源(可从市场购买)。调节红外辐射源的温度为T1，并将其置于待定标的焦平面镜头前，开机，读出m个数据(A11，A12，A13……A1m)并保存。关机，让焦平面自然冷却到室温。重复该步骤，调节红外辐射源的温度为T2，再次开机，读出m个数据(A21，A22，A23……A2m)并保存。关机并让其自然冷却。重复相同的步骤共m次，得到由m×m个数据组成的矩阵A。3、Wiener滤波器权值的确定按先前的假设，焦平面探测的目标温度区间是T1～Tm，由于形成的是灰度图像，因此可以认为当焦平面的温度为T1和Tm时，图像的灰度等级为0和2k-1(k是模数转换的阶数)。所以对应于T1温度，期望响应是2k-1，对应于Tm温度，期望响应是0(电阻为负温度系数)。在工作区范围内，IRFPA可以看成一个线性时不变系统。因此，将平均分为m个点，这m个点对应的期望响应即是bm＝于是由线性方程组AmmWmT＝bmT得到滤波器权值WmT＝Amm-1bmT4、校正数据的输出将由步骤3所得到的滤波器的权值WmT与输入向量u(m)，经系统实时运算，得到输出数据d(m)＝u(m)WmTd(m)即为校正后的灰度图像数据。本算法是一种具有比较广泛应用的理论，具体的实施方式多种多样。可以设计各种信号处理系统，应用各种数字信号处理芯片，均可以达到非均匀校正的目的。附图说明图1拟采用的滤波器结构。在所采用的滤波器结构中，u(n-M)～u(n)分别是n-M时刻到n时刻的输入，Wi是对应的权值， 是n时刻的滤波输出。图2算法实现结构示意图。该系统的前端输入是焦平面读出电路的输出，系统的输出结果用于最终的图像显示。具体实施例方式下面以使用专用数字数字信号处理芯片PDSP16256为例简要说明其使用的方式。专用DSP芯片PDSP16256，其晶振频率F为40MHz，数据吞吐率为40M/2m，(其中m是与阶数有关的一个系数)。系数字长12bit，输入数据字长16bit(对应于AD转换bit数)，输出数据字长32bit，学习好的系数存于EPROM之中。由于专用DSP芯片相对通用DSP而言有很高的数据吞吐率，因此该结构有良好的实时性，能够满足实用化的要求。该部分结构附图2所示。权利要求1.一种基于Wiener滤波理论的非制冷红外焦平面非均匀校正算法，其特征在于包括以下步骤本专利技术假定焦平面读出电路已具备，且封装于光学镜头内，信号可以通过A/D转换读出数据并保存，扫描速率为每秒30帧。本算法用于非均匀校正的步骤如下1、确定Wiener滤波器阶数设ui＝u(i)，i＝1，2，…，m，表示平稳离散时间随机过程的m个独立观测得到的数据，即焦平面不同时刻的输出。g(ui)表示ui的概率密度函数。设 表示ui的条件概率密度函数，并给定用于对过程建模的参数估计向量 设m为模型阶数，则可以写出θΛm=T]]>从而我们得到表示感兴趣过程的相互竞争的若干模型。用Akaike提出的信息理论标准选择模型，使得AIC(m)=-2L(θΛm)+2m]]>最小化。函数 定义为L(θΛm)=maxΣi=1NlnfU(ui|θ^m)]]>式中1n表示自然对数。 称为模型参数的最大对数似然估计。本文档来自技高网...

【技术保护点】
一种基于Ｗｉｅｎｅｒ滤波理论的非制冷红外焦平面非均匀校正算法，其特征在于包括以下步骤：本专利技术假定焦平面读出电路已具备，且封装于光学镜头内，信号可以通过Ａ／Ｄ转换读出数据并保存，扫描速率为每秒３０帧。本算法用于非均匀校正的步骤如下：　 　１、确定Ｗｉｅｎｅｒ滤波器阶数设ｕ↓［ｉ］＝ｕ（ｉ），ｉ＝１，２，…，ｍ，表示平稳离散时间随机过程的ｍ个独立观测得到的数据，即焦平面不同时刻的输出。ｇ（ｕ↓［ｉ］）表示ｕ↓［ｉ］的概率密度函数。设ｆ↓［ｕ］（ｕ↓［ｉ］｜＊↓［ ｍ］）表示ｕ↓［ｉ］的条件概率密度函数，并给定用于对过程建模的参数估计向量＊↓［ｍ］。设ｍ为模型阶数，则可以写出＊↓［ｍ］＝［＊↓［１ｍ］，＊↓［２ｍ］，…，＊↓［ｍｍ］］↑［Ｔ］从而我们得到表示感兴趣过程的相互竞争的若干模 型。用Ａｋａｉｋｅ提出的信息理论标准选择模型，使得：ＡＩＣ（ｍ）＝－２Ｌ（＊↓［ｍ］）＋２ｍ最小化。函数Ｌ（＊↓［ｍ］）定义为：Ｌ（＊↓［ｍ］）＝ｍａｘ＊ｌｎｆ↓［Ｕ］（ｕ↓［ｉ］｜＊↓［ｍ］）式中ｌｎ表示自 然对数。Ｌ（＊↓［ｍ］）称为模型参数的最大对数似然估计。选择适当的ｍ值使得函数ＡＩＣ（ｍ）的值最小，该ｍ值即可作为模型的阶数。...

【技术特征摘要】

【专利技术属性】
技术研发人员：蒋亚东，甄德根，吴志明，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：90[中国|成都]