红外非均匀性校正算法总结

红外校正算法总结

Blog: https://blog.csdn.net/AnimateX
Email: animatex.deng@gmail

1 为什么要使用校正算法

在军用、安防、道路检测和工业产品检测领域，红外成像系统的使用越来越广泛，但是因为材料和工艺的原因，焦平面探测单元的响应率很难做到一致，这就会造成对着均匀辐射目标最后探测器给出的响应电压不一样，带来的直接后果就是IRFPA成像的效果。因此必须对焦平面的像元响应进行校正。

2 常见的校正算法

常见的校正算法主要分为两大类：

1. 基于定标的非均匀性校正

2. 基于场景的非均匀性校正

因为我们要考虑硬件实时性，因此主要考虑定标的非均匀性校正。首先我们要知道基于定标的非均匀性原理。参考图1所示。

图1 像元响应曲线
可以看出不同的像元响应并不是完全一致，因此我们我们要让所有响应的曲线斜率一致，再考虑把所有线变成同一根线。其中前者要靠增益校正系数后者要靠偏移校正系数。如图2所示。

图2 增益校正和偏移校正

3 基于定标的非均匀性校正

学习完第2节，基本原理看图大致可以理解，我们再看看数学公式，后续依次说明响应公式和校正公式

$$V(i,j,\phi) = R_{i,j}\phi_{s}+T_{i,j}\hspace{2.8cm}(1)$$
公式（1）中，R为像元响应率（可以理解为增益量），V为像元输出电压， $\phi$为像元接受的辐射量，T为偏移量。既然我们是定标处理，那么在均匀辐射下，像元的响应不一致便能测出，再根据测出的信息进行计算响应的增益校正系数和偏移校正系数。如公式（2）和公式（3）所示。我们利用同一黑体，分别进行低温和高温数据采集。对应公式（2）和公式（3）。
$$V_L(i,j,\phi) = R_{i,j} \times \phi_{L}+T_{i,j}\hspace{2cm}(2)$$
$$V_H(i,j,\phi) = R_{i,j} \times \phi_{H}+T_{i,j}\hspace{2cm}(3)$$
前面我们已经得到定标（高低温均匀目标）数据，利用这些数据实现均匀性校正。怎么做？
先看我们有什么，首先我们知道所有像元在同一温度下，输出不一致。要均匀怎么办？取整个帧的像素点的均值作为参考值。那么我们有参考的校正对象了。我们还有像元的响应电压。回忆之前我们学过的 $y=kx+b$我们已知了y和x，是不是可以通过两组y和x得到k和b。参考公式（4）和公式（5）。其中A为增益校正系数，B为偏移校正系数。 $Y_H$和 $Y_L$分别为高低温黑体作为目标时的帧响应单元均值。
$$Y_L(i,j) = A_{i,j} \times V_{L}+B_{i,j}\hspace{2.8cm}(4)$$
$$Y_H(i,j) = A_{i,j} \times V_{H}+B_{i,j}\hspace{2.8cm}(5)$$
上述过程即时基于定标非均匀性校正的两点校正。类似的还有多点校正以及分段校正。简单说明下多点校正和分段校正。
如图3所示，原始的响应曲线是一个凸曲线，通过无数小段（无数段两点校正）去拟合接近原曲线的方法即为分段校正。

图3 分段校正
多点校正即是利用更接近实际的响应曲线的函数去拟合。比如上图3中的曲线并非直线，而分段来做又会有较大的工作量。因此引入接近的函数去逼近，常见的有二次曲线和S曲线。不过都需要前期进行大量的数据进行测试验证。

Code

function imgOut = Calibration( object, baff)
%Calibration just process one frame.
    [M, N] = size( object );

    imgOut = coeff .* (object - baff);

end
% 如果是高阶或者多点校正，参考下面说明(化简)
% Three point, Piecewise linear correction
%   V = A*(x^2) + B*x + C
%       V1 = A * (a1^2) + B * (a1) + C
%       V2 = A * (a2^2) + B * (a2) + C
%       V3 = A * (a3^2) + B * (a3) + C
%   Y = mean( V )= A * V^2 + B * V + C
%       Y1 = A * V1^2 + B * V1 + C
%       Y2 = A * V2^2 + B * V2 + C
%       Y3 = A * V3^2 + B * V3 + C
%   Use Cramer's Rule solve linear equations
%   Matrix: D D1 D2 D3
%       |D|  = (V2 - V1) * (V3 - V1) * (V3 - V2)
%       |D1| = mean(V1) * V2 + mean(V2) * V3 + mean(V3) * V1
%              - mean(V1) * V3 - mean(V2) * V1 - mean(V3) * V2
%       |D2| = [mean(V1)]^2 * mean(V2) + [mean(V2)]^2 * mean(V3)
%              + [mean(V3)]^2 * mean(V1) - [mean(V1)]^2 * mean(V3)
%              - [mean(V2)]^2 * mean(V1) - [mean(V3)]^2 * mean(V2)
%       |D3| = [mean(V1)]^2 * mean(V3) * V2 + [mean(V2)]^2 * mean(V1) * V3
%              + [mean(V3)]^2 * mean(V2) * V1 - [mean(V1)]^2 * mean(V2) * V3
%              - [mean(V2)]^2 * mean(V3) * V1 - [mean(V3)]^2 * mean(V1) * V2
%
%       A = |D1| / |D|
%       B = |D2| / |D|
%       C = |D3| / |D|
%