现有国产非制冷红外探测器多采用挡板校正进行非均匀性校正，影响了红外探测器的观测效果与目标搜跟。
近期，湖北久之洋红外系统股份有限公司的科研团队在《光学与光电技术》期刊上发表了以“国产非制冷红外探测器新型场景校正方法”为主题的文章。该文章第一作者为刘品伟，主要从事红外技术方面的研究工作。
本文提出了基于国产非制冷红外探测器的新型场景校正方法。该方法包含两部分：第一部分是基于高频非均匀性的场景校正；第二部分是基于低频非均匀性的场景校正。通过对不同频域非均匀性分别进行处理来去除探测器响应的非均匀性。
国产非制冷红外探测器非均匀性分析
国产非制冷红外探测器工作过程中，探测器的状态参数会产生缓变，从而导致图像非均匀性的变化。图1所示是以黑体为目标的具有较强非均匀性的非制冷红外图像。
图1 具有较强非均匀性的非制冷红外图像
非均匀性包括低频非均匀性与高频非均匀性两部分。低频非均匀性表现为全局灰度分布不均匀，在图像中表现为平缓的明暗变化，如图像四周与中心灰度值差别大，如图2所示。低频非均匀性主要是由探测器及镜头不同位置温度变化不均匀引起的。高频非均匀性表现为局部区域灰度值剧烈变化，在图像中表现为亮暗点或条纹。高频非均匀性主要是探测器的响应不均匀引起的，如图3所示。
图2 低频非均匀性的三维显示
图3 9×9邻域内高频非均匀性的三维显示
传统的场景校正方式很少涉及对低频非均匀性的消除，而对高频非均匀性的消除容易产生“鬼影“等副作用，同时消除低频与高频非均匀性才能真正提高图像质量。因此，本文将针对高频与低频非均匀性，采用不同的场景校正方法处理。
基于高频非均匀性的场景校正
国产非制冷红外探测器在工作过程中，随着探测器整体温度的变化，由于探测器响应的不均匀性，会出现较强的高频非均匀性，具体在图像上表现为散粒及细条纹，如图4所示。
图4 高频非均匀性的不同类型
目前常用的场景校正算法有恒定统计法、时域高通滤波法、神经网络校正算法、基于图像配准的校正算法等。这些算法能够在一定程度上根据场景的信息自适应地补偿热像仪的增益和偏置的漂移，但是在实际使用过程中，这类算法存在各种各样的使用限制条件。以传统的神经网络场景校正算法为例，该算法要求场景信息不断变化，否则会造成图像退化或者模糊，并且如果图像中存在较强边缘信息，该算法容易导致图像出现“鬼影”现象，严重影响图像质量。
对此，提出了一种基于神经网络的新型场景校正算法来消除图像退化和“鬼影”现象。首先分析图像退化与“鬼影”现象产生的原因。当原始图像中存在较强的边缘信息时，低通滤波会使边缘信息产生损失，预测图像会产生模糊失真现象。若场景保持静止不动，随着场景校正参数的不断更新，图像就会逐渐退化失真；若场景长期静止后开始运动，图像就会包含静止图像中损失的边缘信息，也就是“鬼影”现象，如图5所示。
图5 传统场景校正算法产生的“鬼影”现象
为了解决传统场景校正算法存在的问题，提出了一种基于中值滤波=2。同时采用时空联合阈值作为校正判断条件，选择更新系数与校正区域。时空联合阈值分为两个阈值条件：时域连续运动条件与空域邻域均匀性条件。针对高频非均匀性的场景校正算法流程图如图6所示。的自适应场景校正算法。由于高频非均匀性中包含大量的散粒非均匀性，同时为了更好地保留图像的边缘信息，该算法采用中值滤波作为滤波器，中值滤波半径r。
图6 高频非均匀性场景校正算法流程图
分别用此算法与传统神经网络场景校正算法对原始图像进行处理，比较两种算法是否具有“鬼影”现象。将热像仪静止工作500帧后，观察两种方法处理后的运动图像。可以看到，该算法基本没有“鬼影”现象，而传统算法“鬼影”现象严重。因此，该算法能够有效地抑制“鬼影”现象。
图7 本文方法与传统神经网络“鬼影”现象比较
基于低频非均匀性的场景校正
高频非均匀性去除后，图像仍残留有大量的低频非均匀性。低频非均匀性在非制冷探测器开始工作时较弱，随着探测器及镜头温度的变化，图像的低频非均匀性会逐渐增加，在图像上表现为四角与中心灰度值差别较大。如图8所示，可以看到，图像灰度分布不均匀，四周有明显的光圈，影响图像观感与图像质量。
图8 低频非均匀性对图像的影响
这里提出了一种基于时空联合低频滤波的场景校正方法，通过在时域和空域同时进行低通滤波，分离出图像的固定低频非均匀性并进行去除。
由于探测器输出图像的低频非均匀性在短时间内位置保持不变，当图像产生运动时，可以通过时域低频滤波对低频非均匀性进行分离去除，因此首先需要判断场景是否处于运动中。这里仍采用上节提到的连续运动条件来判断场景是否处于连续运动中。当场景处于连续运动时，采用基于自适应时间常数的时域低频滤波来筛选图像的低频信息。
时域滤波结果包含低频非均匀性与部分边缘细节信息，因此还需要对在空域上进行低通滤波，以消除存在的边缘信息细节，达到获取低频非均匀性的目的。采用均值滤波进行空域的低通滤波。
为了验证此场景校正算法的效果，对仅处理高频非均匀性的图像与高频低频非均匀性均处理的图像进行比较，如图9所示。可以看到，此算法对低频非均匀性有良好的处理效果，能够有效地减少图像四周与中央灰度差异较大的问题。
图9 运动200帧后是否处理低频非均匀性图像对比
为进一步验证此场景校正算法的效果，使用两台相同规格的红外机芯，第一台仅对高频非均匀性进行处理，第二台对高频低频非均匀性都进行处理，均在运动条件下连续工作1 h后，对同一温度黑体成像，计算其图像非均匀性。结果表明，仅处理高频非均匀性的图像非均匀性为2.3%，而对高频低频非均匀性都进行处理的图像非均匀性为0.5%，该算法有利于提高输出图像的均匀性。
算法总体流程及效果图
本文算法首先通过连续运动条件判断场景是否处于连续运动中，若处于运动过程则分别更新高频与低频非均匀性处理模块校正参数，然后进行非均匀性校正；否则直接进行非均匀性校正，整体流程如图10所示，最终效果如图11所示。
图10 本文算法流程图
图11 最终校正输出结果
结论
本文提出了一种基于非制冷红外探测器的新型场景校正方法。首先通过改进的神经网络场景校正方法滤除高频非均匀性，在此基础上通过时空联合的低频滤波去除低频非均匀性，得到最终校正结果。该方法具有良好的校正效果，并且能够有效地抑制“鬼影”现象，有利于非制冷红外探测器的推广应用。