基于离散优化的红外探测器自适应非均匀性校正机理和方法研究

As an important tool to acquire information of target scene, infrared detector is widely used in imaging guidance field. Because of the limit of material and technique, the performance of infrared imaging system is known to be strongly affected by the spatial nonuniformity in the photo response of the detectors in the array. What makes this problem even more challenging is that the spatial nonuniformity varies slowly in time, which makes it impossible to solve the problem thoroughly through one-time-calibration. The traditional scene-based nonuniformity correction algorithms rely highly on the changes in the scene, and the insufficient changes of scene content result in difficulty in convergence or serious ghosting artifact in correction result. Thus how to calculate the correction parameters from a single image or few images is the key to solve the problems in scene-based nonuniformity correction algorithms. A new idea is put forward in this project — to treat nonuniformity correction as blind signal separation between the foreground image and the background image, and calculate the correction parameters with use of discrete optimiazation technique. Firstly, the project will start with statistical properties of the infrared image, and use priori knowledge of the sparsity of gradient distribution to simplify blind signal separation. And then the focus will be put on the introduction of the close form solution. Finally, analysis and evaluation will be made of the performance of the algorithm studied in this project.

由于自身材料和制造工艺水平的限制，红外探测器各探测元间响应的非均匀性较大，严重影响了成像质量，从而限制了系统的探测性能。更为复杂的是，探测元响应参数会随时间缓慢漂移，使得无法通过单次定标的方法彻底解决非均匀性问题。传统的自适应非均匀性校正算法严重依赖场景的变化信息，当场景内容变化不充分时算法将难以收敛，或者校正结果存在严重的鬼影问题。如何从单帧图像或少数几帧图像序列中求解校正参数是解决自适应类校正算法存在问题的关键。本项目提出新的研究思路，将非均匀性校正问题看成是图像中前景部分（真实红外场景）和背景部分（非均匀性噪声）的盲分离问题，利用离散优化理论求解校正参数。首先从红外图像的统计特性入手，利用梯度分布稀疏性的先验知识计算校正系数的粗解；然后利用闭合解抠图方法计算校正系数的精细解；最后通过与目前主流算法的实验对比，分析和评价本项目所研究算法的性能。

红外焦平面阵列探测元响应会随着外部条件的改变而发生缓慢的漂移，使得无法通过单次的定标彻底解决非均匀性问题。.本项目主要研究内容包括：.（1）对红外探测器非均匀性响应分布特征进行统计与分析，提出了一种基于图像块先验单帧红外图像自适应校正的算法，在单帧内完成非均匀性校正；.（2）针对中间红外直方图均衡非均匀性校正方法未充分考虑红外探测器非均匀性响应中存在散点类型分布的不足，通过引入分段自回归预测模型，提出了一种自适应中间均衡自回归预测非均匀性校正算法；.（3）针对条纹非均匀性噪声，结合条件生成对抗网络特点，提出了一种基于条件生成对抗网络的非均匀性校正算法。在条件生成网络中使用多尺度特征提取策略提取红外图像的浅层表征，在条件判别网络中使用PatchGAN结构，并对卷积核进行剪枝加快训练速度；.（4）基于UNet结构进行网络设计，提出了基于残差编解码网络的非均匀性校正算法。使用左右对称的编解码网络，学习残差映射得到四个尺度下的非均匀性残差图像，利用残差学习理论得到最后的校正图像;.（5）结合离散小波变换和残差网络，提出了一种基于级联小波残差网络的非均匀性校正算法。针对增益条纹非均匀性响应具有方向性的特点，利用离散小波变换进行滤波分解，将增益条纹非均匀性响应校正问题转变为小波系数预测问题。改进传统卷积神经网络卷积层的简单堆叠的方式，使用三个卷积层组合的残差单元，改善网络性能。..重要成果.（1）研究了红外探测器非均匀性噪声统计分布特征，从多个角度进行非均匀性校正方法研究，分别提出了基于图像块先验单帧自适应校正算法、自适应中间均衡自回归预测校正算法、基于条件生成对抗网络的校正算法、基于残差编解码网络的校正算法、基于级联小波残差网络的校正算法；.（2）发表学术论文6篇；..本项目建立了多个典型场景下的红外未校正原始图像库，并利用该图像库训练了多个网络模型，对于后续自适应校正算法研究和实际应用提供了支撑。