Space-Time Domain Adaptive Filtering Non-uniformity Correction Algorithm
-
摘要: 由于红外焦平面探测器受到制造工艺等限制，图像不可避免地会存在非均匀性。传统神经网络算法会留下“鬼影”的问题，本文改进传统神经网络算法，利用引导滤波图像作为期望模板，防止图像的边缘被滤波器平滑。当场景运动时，通过时域迭代的策略来不断进行非均匀性校正参数的更新。为了抑制算法中常见的鬼影现象，设计了基于空域局部方差和时域场景变化率相结合的自适应学习率，利用前后的校正参数自适应调整阈值。实验仿真表明，本文所提的算法相比于传统算法均方根误差下降45.45%左右，可以在校正图像非均匀性的同时很好地抑制“鬼影”现象。Abstract: Because the infrared focal plane detector is limited by manufacturing technology, the image is inevitably nonuniform. The traditional neural network algorithm solves the "ghost" problem using the guided filtering image as the expected template to prevent image edge smoothing by the filter. When the scene is moving, the nonuniformity correction parameters are continuously updated using the time-domain iteration strategy. To suppress the common ghosting phenomenon in the algorithm, an adaptive learning rate was designed based on a combination of the spatial local variance and the time-domain scene change rate, and the threshold was adjusted adaptively using the correction parameters before and after. Simulation results show that the root mean square error of the proposed algorithm is reduced by 45.45% compared with that of the traditional algorithm, and the proposed algorithm can suppress the "ghost" phenomenon well while correcting image nonuniformity.
-
Keywords:
- infrared focal plane /
- non-uniformity correction /
- scene-based /
- neural network /
- guided filter
-
0. 引言
太阳光中包含各种波段的光，但是地球大气层中的臭氧层会对220~280 nm波段的紫外光进行吸收，因此该波段的光很难到达地球表面，该波段又被称为“日盲”紫外波段[1]。我们通过220~280 nm紫外光的日盲特性对处于该波段的目标物进行检测成像，能够有效地排除掉阳光对其造成的影响。而高压输电线路由于其自身的故障会在大气中产生电晕，电晕放电会放射出波段为220~280 nm的紫外光[2-6]。传统的电晕探测技术有红外热探测和超声波探测，日盲紫外电晕探测相比于这两种技术有极大的改进：和红外技术相比，在早期就能检测到高压输电线上的电晕放电现象，并且不受周边环境干扰；和超声波技术相比，能够探测的距离长，并且能够检测出电晕放电产生的位置。如今，国内的紫外检测技术飞速发展，以国产碲铯阴极紫外像增强器为核心的紫外成像仪能够对电力设备故障进行实时的检测[7-9]。
1. 光子计数原理
在日盲紫外电晕成像探测过程中，一般是根据显示器上所显示的日盲紫外图像来主观判断电晕放电的程度，这样会带来很大的误差，所以需要通过具体的算法对日盲紫外电晕放电进行量化分析。考虑到日盲紫外电晕信号十分微弱，达到了单光子水平，普通的量化分析方法不能满足要求，因此需要设计合理的光子计数算法来对日盲紫外信号进行量化分析。
图 1是单光子探测的原理图。首先，光信号通过光学镜头进行光学聚焦；然后，前端光电探测器将光信号转化成电信号；其次，将电信号输入至信号处理模块进行处理；最后，后端读出电路模块将处理之后的信号进行输出。其中，因为日盲紫外信号十分微弱，传统的固体探测器件难以达到要求，因此一般会采用真空器件对信号进行光电转换和电子倍增。与此同时，当需要对目标信号强弱进行分析并对其进行成像时，采用像增强器作为光电转换和成像器件[10]。
当日盲紫外光子信号低于3×10－15 W/cm2时，光电转换器就会产生离散脉冲信号，合适的CMOS传感器就能探测到光子信号，所以能够统计日盲紫外信号光子的数量来实现对目标源信号的定量化分析。光子的能量公式为：
$$ E = h\frac{c}{\lambda } $$ (1) 式中：h为普朗克常数；c为真空中的光速；λ为光的波长。其中日盲紫外波段为200~280 nm[3]，通过计算得出一个日盲紫外光子的能量为7.1×10－19~1×10－18 J。
日盲紫外光光功率P表示为：
$$ P＝N×E $$ (2) 式中：N表示光子数；E表示单光子能量，所以单位时间内通过的光能量表示光流强度。
目标源信号的光功率可以通过统计一个截面上的光子数量来计算得到[4-7]。由于图像传感器靶面尺寸约为1.56 cm2，通过对单位时间内探测到的紫外图像上出现的光斑进行计数统计，就能计算得出一帧图像的光子数以及日盲紫外信号源的光功率。
2. 测试系统
本文所设计的日盲紫外成像系统原理框图如图 2所示，成像系统主要由紫外ICMOS模组、可见光探测器、ARM+FPGA嵌入式处理系统组成。其中，紫外ICMOS模组用来采集日盲紫外微弱信号，并经过模数转换将数字图像信号输入嵌入式平台中；可见光探测器采集可见光图像为日盲紫外信号提供位置信息；ARM+FPGA嵌入式处理系统通过采集紫外数字图像信息，完成图像处理和光子计数算法，并将处理后的图像输出显示。
![]()
图 2 日盲紫外成像系统整体设计框图Figure 2. Block diagram of overall design of solar blind ultraviolet imaging system图 3是所设计的日盲紫外成像系统整机实物图，尺寸（长×宽×高）为244 mm×135 mm×96 mm。其中1为相机窗口，2为LCD液晶屏，3为按键控制面板，4为电源充电口和TF卡槽，5为腕带。
3. 日盲紫外光子计数算法设计
3.1 传统光子计数算法分析
传统的光子计数算法通常为连通域标记光子计数算法，其算法主要思路为：假设单光子经过像增强器倍增以后，在荧光屏上所显示的每一个光斑都未重合。那么每一个光斑就对应了一个光电子，因此只需要对一帧图像中光斑出现的数量，就可以得出一帧图像中日盲紫外光子数。在连通域标记算法中，对经过图像预处理后的紫外图像进行二值化处理，得到一幅二值化图像。每个由灰度255组成的连通域表示为一个光子事件，图 4为连通域标记算法的示意图。
然后，对所采集到的一帧紫外图像进行连通域算法仿真分析，图 5为所采集到的日盲紫外图像和二值化后的图像。
通过对图进行连通域标记光子计数算法仿真，可以得出共有12个光子。通过分析二值化后的图像可知，连通域标记算法将光斑较大和较小的区域都默认为一个光子事件进行统计，这样显然影响了光子计数的准确度，因此需要对此光子计数算法进行改进。
3.2 基于时间相关的光子计数算法设计
弥散圆斑算法是一种从三维空间上统计光子数的方法，由于所设计的高帧频算法，可以使得光斑的变化在时间域上被捕获，因此本文在此基础上添加了时间因素，弥补光斑出现时间的随机性，找出四维空间中的最大点，约束条件如式(3)：
$$ \left\{ \begin{gathered} {f_x}'(x,y,z) \leqslant 0 \hfill \\ {f_y}'(x,y,z) \leqslant 0 \hfill \\ {f_t}'(x,y,z) \leqslant 0 \hfill \\ \end{gathered} \right. $$ (3) 由于加入了时间的约束，所以只有找出一段时间内几帧图像同一位置光斑的极大值点才能准确计算光子数。本文采用的CMOS传感器图像输出频率为3 ms每帧，而荧光屏的余晖时间为6 ms，即光斑在荧光屏上的起伏时间为6 ms，因此我们通过连续采样得到3帧图像就能得到光斑的变化范围，如图 6所示，其中a、b、c表示图像中光斑的灰度值。
如图 6所示，中间一帧图像中b灰度值最大，可以将b记作一个光子数，因此只要中间帧图像中光斑的灰度值大于前后帧图像光斑的灰度值，就能将其记为一个光子数。
这样就能统计出一帧图像的光子数[10]：
$$ n = \sum\limits_{k = 1}^f {\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {Y(i,j,k)} } } $$ (4) 式中：f为日盲紫外成像探测器的帧频；k为第k帧图像；(i, j)为二维空间坐标；Y(i, j, k)为四维空间中的极大值点。由于日盲紫外成像探测器能达到300帧/s的帧频，两帧之间的变化时间较小，因此Y(i, j, k)又能满足：
$$ B(i,j,k)≥B(i±i′,j±j′,k±k′) $$ (5) 式中：B(i, j, k)为第k帧(i, j)点的灰度值。由上式可见，极大值点Y(i, j, k)的约束条件为：B(i, j)在i′×j′矩阵像素中具有最大的灰度值，且在前后k′帧的同一位置的灰度值也是最大的。根据日盲紫外成像探测器的输出帧频，这里k′＝1，同时i′×j′矩阵可设定为3×3矩阵或5×5矩阵。
4. 实验流程与不确定性度分析
4.1 光子计数算法的仿真实验分析
首先，本文用日盲紫外成像探测器采集图像，然后运用Matlab软件分别对两种算法进行仿真，比较仿真结果来判断时间相关的光子计数算法能否提高计数精度。
首先选用260 nm波段的紫外光源，然后日盲紫外成像探测器的增益电压调节为2.5 V，调节紫外光源光功率密度，从3×10－19 W/cm2每次往上增加一个数量级，采集3组不同光强的实验图像，每组实验记录3幅图像，如图 7所示。
运用MATLAB软件对采集的图像仿真，得出的光子数如表 1所示。表 1中的两种算法为连通域计数算法和基于时间相关算法。
表 1 两种算法光子计数统计表Table 1. Photon counting statistic table of two algorithmConnected domain labeling algorithm Dispersion circular algorithm Group 1 7 6 Group 2 78 78 Group 3 88 291 结果显示，当信号源很弱时，光子就会分散分布，因此两种算法的计数结果比较相近。在增强紫外光源的光功率后，光斑会重叠，并且连通域标记光子计数算法得出的光子数量没有太大变化，而本文所设计的算法随着信号的增强，计数值不断增加，由此可知，弥散圆斑算法相对于连通域计数算法更加精确，可对日盲紫外单光子进行准确统计。
4.2 基于日盲紫外成像系统的光子计数算法实验及分析
通过对两种算法的仿真分析可知，本文所设计的光子计数算法更具准确性，但由于所设计成像系统的资源和速度限制，我们将日盲紫外图像的14 bit数据压缩成8 bit数据进行处理，因此会使得计数精度上有所偏差，所以通过对紫外光源的实验来验证硬件实现的效果。
实验采用氘灯作为日盲紫外目标源进行光子计数实验测试，紫外ICMOS模组的增益电压保持不变，进行了如下3组实验：
第一组，关闭日盲紫外信号源，实验结果如图 8所示。
通过采集3帧图像，所计算的光子数一直为0，说明所设计的成像系统暗计数良好。
第二组，打开氘灯光源，并调节光源强度到最弱，采集到的图像如图 9所示。
第三组，输出光源光功率密度加到1×10－18 W/cm2，采集到的图像如图 10所示。
然后，我们利用Matlab对每组连续的3帧图像进行所设计的光子计数算法仿真，仿真结果与FPGA计算的结果如表 2所示。
表 2 四组光子计数实验结果Table 2. Results of four groups of photon counting experimentsGroup1 Group 2 Group 3 FPGA output result 0 24 141 Matlab simulation result 0 23 149 通过表 2可知，硬件实验的光子计数算法与仿真结果相近，证明了所设计的基于时间域的弥散圆斑光子计数算法在成像系统中可以硬件实现，并且效果良好。
5. 结论
日盲紫外电晕探测是近年来一种新型的电晕探测方式，但是紫外图像单靠人眼无法精确地判断电晕信号的强弱，因此本文研究了日盲紫外光子计数算法，通过对连通域标记算法和弥散圆斑算法进行分析提出了基于时间相关算法，然后使用Matlab对两种算法进行了实验仿真，结果显示基于时间相关算法对光子计数更加准确，最后，通过实验验证所设计的算法可以在成像系统中的FPGA硬件平台上实现，并且实现的效果良好，能够用于紫外成像仪中对信号进行量化分析。
-
![]()
图 3 室内场景校正前后的图像粗糙度对比
Figure 3. Roughness comparison of indoor scene before and after correction
![]()
图 5 室外场景校正过程图（每组图中左侧为传统神经网络算法，右侧是本文改进算法）
Figure 5. Outdoor scene correction process diagram(In each set of figures, the left is the traditional neural network algorithm, and the right is the improved algorithm in this paper)
![]()
图 6 室外场景校正前后的图像粗糙度对比
Figure 6. Roughness comparison of outdoor scene before and after correction
-
[1] 马晓平, 赵良玉. 红外导引头关键技术国内外研究现状综述[J]. 航空兵器, 2018(3): 3-10. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ201803001.htm MA Xiaoping, ZHAO Liangyu. An overview of infrared seeker key technologies at home and abroad[J]. Aero Weaponry, 2018(3): 3-10. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ201803001.htm
[2] 周永康, 朱尤攀, 赵德利, 等. 基于场景的红外焦平面非均匀校正算法综述[J]. 红外技术, 2018, 40(10): 952-960. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201810005.htm ZHOU Yongkang, ZHU Youpan, ZHAO Deli, et al. Overview of scene-based non-uniform correction algorithms for infrared focal plane[J]. Infrared Technology, 2018, 40(10): 952-960. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201810005.htm
[3] 李旭, 杨虎. 基于两点的红外图像非均匀性校正算法应用[J]. 红外与激光工程, 2008, 37: 608-610. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ2008S2064.htm LI Xu, YANG Hu. Application of a non-uniformity correction algorithm for IRFPAs based on two points[J]. Infrared and Laser Engineering, 2008, 37: 608-610. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ2008S2064.htm
[4] 关同辉, 张同贺. 一种新型实时两点非均匀性校正方法[J]. 航空兵器, 2021, 28(4): 112-117. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ202104018.htm GUAN Tonghui, ZHANG Tonghe. A new real-time two-point non-uniformity correction method[J]. Aero Weaponry, 2021, 28(4): 112-117. https://www.cnki.com.cn/Article/CJFDTOTAL-HKBQ202104018.htm
[5] 陈芳林. 基于场景的红外焦平面非均匀性校正算法及FPGA实现[D]. 南京: 南京理工大学, 2017. CHEN Fanglin. Scene-based Infrared Focal Plane Non-Uniformity Correction Algorithm and FPGA Implementation[D]. Nanjing: Nanjing University of Science and Technology, 2017.
[6] 钱润达, 赵东, 周慧鑫, 等. 基于加权引导滤波与时域高通滤波的非均匀性校正算法[J]. 红外与激光工程, 2018, 47(12): 1204001-1-1204001-6. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201812022.htm QIAN Runda, ZHAO Dong, ZHOU Huixin, et al. Non-uniformity correction algorithm based on weighted guided filter and temporal high-pass filter[J]. Infrared and Laser Engineering, 2018, 47(12): 1204001 -1-1204001-6. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201812022.htm
[7] 徐泽林, 路东明, 王利平, 等. 利用灰度差估计的条纹非均匀性校正方法[J]. 光学学报, 2021, 41(5): 511001-1-511001-6. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202105004.htm XU Zelin, LU Dongming, WANG Liping, et al. Fringe non-uniformity correction method based on gray different estimation[J]. Acta Optica Sinic, 2021, 41(5): 511001-1-511001-6. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202105004.htm
[8] CHAO Zuo, QIAN Chen, GU Guohua, et al. Improved interframe registration based nonuniformity correction for focal plane arrays[J]. Infrared Physics & Technology, 2012, 55(4): 263-269. . http://www.onacademic.com/detail/journal_1000035395320710_83c7.html
[9] ZUO C, ZHANG Y, CHEN Q, et al. A two-frame approach for scene-based nonuniformity correction in array sensors[J]. Infrared Physics & Technology, 2013, 60(1): 190-196. http://www.zuochao.org/uploads/1/1/0/7/11076000/2013_irt_tfnuc.pdf
[10] 李谦, 杨波, 粟宇路, 等. 基于神经网络的红外焦平面光学非均匀性校正改进算法[J]. 红外技术, 2019, 41(3): 251-255. http://hwjs.nvir.cn/article/id/hwjs201903009 LI Qian, YAN Bo, SU Yulu, et al. An improved algorithm for irfpa optical nonuniformity correction based on neural networks[J]. Infrared Technology, 2019, 41(3): 251-255. http://hwjs.nvir.cn/article/id/hwjs201903009
[11] RONG Shenghui, ZHOU Huixin, QIN Hanlin, et al. Guided filter and adaptive learning rate based non-uniformity correction algorithm for infrared focal plane array[J]. Infrared Physics & Technology, 2016, 76: 691-697. http://www.sciencedirect.com/science?_ob=ShoppingCartURL&_method=add&_eid=1-s2.0-S1350449515300529&originContentFamily=serial&_origin=article&_ts=1480172376&md5=3e335208352d8436eca4420b9fdcff9b
[12] 刘会通, 马红伟. 自适应非均匀性校正中"鬼影"问题的分析[J]. 红外技术, 2003, 23(5): 30-36. DOI: 10.3969/j.issn.1001-8891.2003.05.008 LIU Huitong, MA Hongwei. An analysis of the ghosting artifact in adaptive nonuniformity correction[J]. Infrared Technology, 2003, 23(5): 30-36. DOI: 10.3969/j.issn.1001-8891.2003.05.008
[13] 陈芳林, 张宝辉, 汪贵华, 等. 改进的神经网络非均匀性校正算法研究[J]. 科学技术与工程, 2016, 33(16): 215-220. https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201633039.htm CHEN Fanglin, ZHANG Baohui, WANG Guihua, et al. Research on improved neural network non-uniformity correction algorithm[J]. Science Technology and Engineering, 2016, 33(16): 215-220. https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201633039.htm
[14] Scribner D A, Caulfield J T. Nonuniformity correction for staring IR focal plane arrays using scene - based techniques[C]//Proceedings of SPIE the International Society for Optical Engineering, 1990, 12: 21730.
[15] 张红辉, 罗海波, 余新荣, 等. 改进的神经网络红外图像非均匀性校正方法[J]. 红外技术, 2013, 35(4): 232-237. http://hwjs.nvir.cn/article/id/hwjs201304011 ZHANG Honghui, LUO Haibo, YU Xinrong, et al. Improved algorithm of neural network used in IR image non-uniformity correction[J]. Infrared Technology, 2013, 35(4): 232-237. http://hwjs.nvir.cn/article/id/hwjs201304011
[16] 张菲菲, 王文龙, 马国锐, 等. 基于非局部均值滤波与神经网络的红外焦平面阵列非均匀性校正算法[J]. 红外技术, 2015, 37(4): 265-271. http://hwjs.nvir.cn/article/id/hwjs201504001 ZHANG Feifei, WANG Wenlong, MA Guorui, et al. Neural network nonuniformity correction algorithm for infrared focal plane array based on non-local means filter[J]. Infrared Technology, 2015, 37(4): 265-271. http://hwjs.nvir.cn/article/id/hwjs201504001
[17] 陆余洋君. 基于神经网络的红外焦平面非均匀性校正算法研究与FPGA实现[D]. 合肥: 中国科学技术大学, 2021. LU Yuyangjun. Research on Algorithms Nonuniformity Correction on Infrared Focal Plane Array Based on Neural Net Works and FPGA Implement[D]. Hefei: University of Science and Technology of China, 2021.
-
期刊类型引用(1)
1. 杨晓超，郝慧良. 矿用电缆放电监测系统研究设计. 中国煤炭. 2024(S1): 406-410 . 
百度学术
其他类型引用(1)
下载:
计量
- 文章访问数: 183
- HTML全文浏览量: 101
- PDF下载量: 63
- 被引次数: 2
