一种基于红外焦平面非均匀性指纹模式的校正方法

摘要

一种基于红外焦平面非均匀性指纹模式的校正方法，属于红外成像技术领域。目的是在无背景帧的情况下，对非制冷红外焦平面探测器获取的红外图像进行非均匀性校正。本发明包括原始数据采集步骤、非均匀性指纹提取步骤、校正处理步骤。所谓非均匀性指纹，是指每个红外焦平面探测器都有相对稳定的非均匀性模式及其随温度变化的规律，这两者统称为非均匀性指纹。利用这些可以事先估算出来的非均匀性模式和规律，便可以在红外焦平面探测器获取实际红外图像后，对其进行非均匀性校正。与常规的红外焦平面非均匀性校正方法比较本发明能够有效地减小了探测装置的体积，也不需要像常规方法每次校正时都需要利用均匀挡板获取背景帧，从而大大简化了校正过程。

说明书

技术领域

本发明属于红外成像技术领域，具体涉及一种基于红外焦平面非均匀性指纹模式的校正方法。

背景技术

随着红外探测器的发展，红外成像系统也相继发展。在第一代红外成像系统中，采用线列探测器，通过一维光机扫描成像。到了20世纪70年代中期，IRFPA(Infrared FocalPlane Array，红外焦平面阵列)探测器的出现标志着第二代红外成像系统——凝视红外成像系统的诞生。与线列探测器相比，焦平面探测器成像具有空间分辨率高、探测能力强、帧频高等优点，正迅速成为红外成像技术的主流器件。目前凝视红外成像系统已开始广泛应用于夜视、海上营救搜索、天文、工业热探测和医学等民用领域，是红外成像系统的发展方向。然而，红外焦平面阵列存在的非均匀性与无效像元严重影响了系统的成像质量，降低了系统的空间分辨率、温度分辨率、探测距离以及辐射量的正确度量，直接制约着系统的最终性能。尽管随着器件制作工艺的改进，焦平面的非均匀性和无效像元问题有了较大改善，但离完全解决问题还有很大距离，仍是当前红外焦平面阵列成像系统必须解决的首要问题。

针对红外焦平面阵列的非均匀性问题所提出的相应的校正方法，主要分为两大类：一类是基于定标的校正方法，如一点法，两点法等。该类方法原理简洁，硬件易于实现和集成；校正精度高，可用于场景温度的度量；对目标没有任何要求，是实际IRFPA组件产品中主要采用的方法。但这类方法受限于IRFPA响应漂移带来的校正误差；实际校正时需要参考源进行标定，使得设备装置相对复杂；同时在实际应用中需要进行周期性的定标，定标频率取决于系统的稳定性，对于实际探测器不易做到快速反应。另一类是基于场景类的自适应校正方法，如时域高通滤波校正法，神经网络校正法和恒定统计约束校正法等。这类方法可以在一定程度上克服IRFPA响应漂移带来的校正误差，不要求或只需要简单的定标，根据场景信息适应性的更新校正系数，但这类算法应用时计算量大，往往需要特殊并行计算机结构来实现，不利于系统硬件的实现、集成以及对场景的实时处理。

华中科技大学易新建等人在《红外与激光工程》2004年第33卷第1期《红外焦平面阵列非均匀性的两点校正及依据》一文中以普朗克(Plank)辐射定律和红外探测元的线性响应模型为基础，在理论上完整地推导了红外焦平面非均匀性的两点校正方法。文章从理论上论证了两点法的物理依据，表明如果IRFPA的响应是稳定的、线性的，则两点校正的算法没有误差，但实际上IRFPA探测元响应都是非线性的，而且存在响应漂移的问题，因此，用两点校正方法存在较大的剩余误差。

华中科技大学图像识别与人工智能研究所张天序等人在《红外与毫米波学报》2005年第4期《红外焦平面非均匀性噪声的空间频率特性及空间自适应非均匀性校正方法改进》一文中分析了红外焦平面阵列非均匀性噪声的空间频率特性，指出空间低频噪声为其中的主要成分。针对传统空域自适应校正方法去除低频空间噪声存在的不足，提出采用一点校正与神经网络自适应校正相结合的方法。该方法在空间低频噪声占优时能获得较好的校正效果，但存在目标退化问题。

华中科技大学图像识别与人工智能研究所石岩等人在《红外与毫米波学报》2005年第5期《红外焦平面阵列非均匀性自适应校正算法中目标退化与伪像的消除方法》一文中，从场景中边缘信息获取的角度出发，分析到了上述问题出现的原因，并提出了采用边缘指导的神经网络自适应智能型校正算法(ED_NN_NUC)来消除目标退化(fade-out，表明目标图像变模糊，即是目标的信噪比降低、与背景的反差变小、融于背景，不易被识别)。该算法在自适应非均匀校正过程中，自适应地提取当前帧校正后图像边缘信息，以此指导校正参数的更新环节。该算法在能准确获取场景边缘信息的前提下，能较好地抑制目标边缘的退化和伪像，特别有良好的保留弱小亮目标的作用，只是在运算速度方面较慢。

中山大学信息科学与技术学院汪民等人在《红外技术》2007年第6期《一种非制冷焦平面阵列图像漂移的双温度补偿新方法》一文以温度漂移为研究对象，分析环境温度与机芯温度的规律和相互之间的关系，提出了一种双变量线性回归模型进行图像温度漂移补偿的新方法，较好地解决非制冷IRFPA的图像输出因漂移造成图像测温偏差大的工业应用难题。

南京理工大学电子工程与光电技术学院白俊奇等人在《基于环境温度补偿的红外焦平面探测器非均匀性校正模型》一文中通过分析环境变化对红外焦平面阵列探测器输出的影响，建立了一种基于环境温度和目标温度非线性的非均匀性理论模型，实验表明能够提高非均匀性校正的精度。但利用该模型对红外焦平面探测器进行非均匀性校正需要记录大量的数据，对红外焦平面探测器存储硬件要求较高。

分析以往的两大类非均匀性校正方法，基于定标的校正方法，如两点法，由于IRFPA存在响应漂移，实际校正时需要利用均匀参考源作为挡板周期性采集面源黑体图像作为背景帧用于定标，否则校正后会存在较大的剩余误差；基于场景类的自适应校正方法，如神经网络校正法，应用时计算量大，不利于系统的实时处理，而且校正后往往还会出现目标退化和伪像等问题。本发明从研究IRFPA相对稳定的非均匀性模式及其随温度变化的规律(本发明称之为IRFPA的非均匀性指纹)出发，挖掘出相关规律信息，并精炼成代表非均匀性指纹的少量数据，存储在红外焦平面探测器的存储单元中。利用本发明对实际红外图像进行校正时，红外焦平面探测器不需要置于恒温箱中，也无需利用背景帧用于定标，只需要利用存储在红外焦平面探测器存储单元中的少量IRFPA非均匀性指纹数据，经过环境温度的即时测量和简单的运算即可有效地校正IRFPA的非均匀性。

发明内容

本发明提出一种基于红外焦平面非均匀性指纹模式的校正方法，目的是无需利用背景帧用于定标，运算简单，利于硬件实现和实时处理。

一种基于红外焦平面非均匀性指纹模式的图像校正方法，包括(本发明中温度单位均为摄氏度，所用IRFPA的规格为R×C)：

(1)原始数据采集步骤：将红外焦平面置于恒温箱中，在恒温箱内的环境温度从设定的下限温度起，每间隔一恒定温度增量采集一组帧数固定的图像序列，直至持续到设定的上限温度，从而得到多组不同环境温度的图像序列；

(2)非均匀性指纹提取步骤：以上述多组图像序列中红外焦平面工作稳定以后的图像为基础数据，利用归一化和最小二乘法计算出红外焦平面非均匀性指纹；

(3)校正处理步骤：首先，以环境温度作为输入参数，根据上述提取出来的非均匀性指纹计算出非均匀性特征图imgNU，再利用如下公式对红外焦平面实际所成图像进行校正：

AftimgX(i，j)＝imgX(i，j)-imgNU(i，j)+mean(imgNU)，

其中，AftimgX为校正后的图像，(i，j)表示图像矩阵上第i行第j列的像素位置，mean()表示对矩阵求均值。

进一步地，所述的原始数据采集步骤包括：把红外焦平面探测器置于恒温箱内，恒温箱的温度能在一定的温度范围内进行调节，把红外焦平面探测器工作时周围的环境温度记为T_S，红外焦平面探测器在恒温箱设定的环境温度下工作，对面源黑体进行成像，在面源黑体温度T_B恒定的情况下，恒温箱从设定的环境温度下限T_SL变化到环境温度上限T_SH，红外焦平面探测器每间隔环境恒定的温度增量ΔT_S采集一组面源黑体图像序列作为实验数据，红外焦平面探测器在恒温箱设定的每个环境温度下的采集时间相同，均为t秒；采集到的面源黑体图像帧数也一样，用FrmNumber表示，FrmNumber为自然数，红外焦平面探测器共采集到M组图像序列，每组图像序列为FrmNumber帧，M为自然数，计算公式为：

M＝(T_SH-T_SL)/ΔT_S+1，

取采集面源黑体图像序列时的M个环境温度组成T_SA，T_SA为M×1的矩阵，T_SA的各个元素取值为：

T_SA(n)＝T_SL+(n-1)ΔT_S，n＝1，2，…M，

其中，M组面源黑体图像序列每组都具有如下规律：随着采集时间的增大，面源黑体图像每个像素的灰度值都呈上升趋势，到达一定的时间t_s后，面源黑体图像每个像素的灰度值都趋于稳定，t_s是一个和具体红外焦平面阵列(IRFPA)有关的常量，记M组面源黑体图像序列每组趋于稳定的黑体图像帧数均为N。

进一步地，，所述的非均匀性指纹包括非均匀性指纹图f₁、f₂，指纹参数a，b，c，d和p₁，p₂，p₃，非均匀性指纹图f₁、f₂用于记录红外焦平面探测器相对稳定的非均匀性模式，非均匀性参数a，b，c，d和p₁，p₂，p₃分别为两条曲线方程的系数，这两条曲线记录红外焦平面探测器非均匀性随环境温度变化的规律，非均匀性指纹的提取步骤包括：

(1)非均匀性指纹图f₁的计算：把M组面源黑体图像序列每组中趋于稳定后的N帧图像分别取平均：

$\overline{f_{T_S}^n}=\underset{i=1}{\overset{N}{\Sigma }}\stackrel{‾}{X_{T_{\mathrm{SA}}\left(n\right)}^i}/N,n=\mathrm{1,2}...M,$

其中，表示环境温度为T_SA(n)时采集到的面源黑体图像序列中趋于稳定后的第i帧图像，表示环境温度为T_SA(n)时采集到的面源黑体图像序列中，趋于稳定后的N帧图像的平均，

将在环境温度为T_SH时采集到的面源黑体图像序列中趋于稳定后的N帧图像的平均(即中的n＝M)作为f₁：

$\overline{f_1}=\overline{f_{T_S}^M},$

(2)非均匀性指纹参数a，b，c，d的计算：将(n＝1，2…M)相对于f₁进行归一化：

$\overline{D_{T_S}^n}=\overline{f_{T_S}^n}./{\bar{f}}_1,n=\mathrm{1,2}...M,$

(n＝1，2…M)表示(n＝1，2…M)归一化后的结果，是和规格一样的矩阵，./表示点除，该符号两边操作数必须为两个规格一致的矩阵，表示该两矩阵对应位置的元素相除，结果为一个矩阵，规格和操作数矩阵一致，

从矩阵(n＝1，2…M)中选取一个参考位置(i_st，j_st)，(i_st，j_st)的选取原则如下：为矩阵上最小的元素，当n从1到M取值时，组成规格为M×1的矩阵，记为D_st，D_st各个元素的取值如下式所示：

$\overline{D_{\mathrm{st}}}\left(n\right)=\overline{D_{T_S}^n}(i_{\mathrm{st}},j_{\mathrm{st}}),n=\mathrm{1,2}...M,$

选择以下的数学模型，对M组数据(T_SA(n)，D_st(n))(n＝1，2…M)按最小二乘原理进行曲线拟合，即可求得非均匀性指纹参数a，b，c，d：

$f=a+\frac{b}{1+e^{c-d*T}},$

其中，T表示环境温度，为自变量，f为因变量，a，b，c，d为待求的非均匀性指纹参数，*表示数乘，如果该符号两边的操作数都为标量，则表示两个标量相乘，结果仍为标量；如果该符号两边的操作数为标量和矩阵，表示该标量与矩阵每个元素相乘，结果是一个矩阵；

(3)非均匀性指纹参数p₁，p₂，p₃的计算：记(n＝1，2…M)中位置分别为(i_ra，j_ra)和(i_st，j_st)两个元素的差值为(i_st，j_st)为步骤(2)中确定的参考位置，(i_ra，j_ra)为矩阵中任意一个位置，的计算公式为：

$S_{T_S}^n=\overline{D_{T_S}^n}(i_{\mathrm{ra}},j_{\mathrm{ra}})-\overline{D_{T_S}^n}(i_{\mathrm{st}},j_{\mathrm{st}}),n=\mathrm{1,2}...M,$

当n从1到M取值时，组成一个规格为M×1的矩阵，记为把相对于第1个元素进行归一化：

$\overline{C_{T_S}}=\overline{S_{T_S}}/\overline{S_{T_S}}\left(1\right),$

是归一化的结果，是M×1的矩阵，选择以下的数学模型，对M组数据按最小二乘原理进行曲线拟合，即可求得非均匀性指纹参数p₁，p₂，p₃：

y＝p₁*T²+p₂*T+p₃，

其中T表示环境温度，为自变量，y为因变量，p₁，p₂，p₃为待求的非均匀性指纹参数；

(4)非均匀性指纹图f₁的计算：将(n＝1时的)的值和中所述参考位置(i_st，j_st)的元素相减：

$\overline{f_2}=\overline{D_{T_S}^1}-\overline{D_{T_S}^1}(i_{\mathrm{st}},j_{\mathrm{st}}),$

得到第二个非均匀性指纹图f₂，f₂是和规格一样的矩阵。

进一步地，所述的校正处理步骤中，

校正处理步骤是等待红外焦平面探测器输出的红外图像趋于稳定后，对红外焦平面探测器当前输出的实际红外图像imgX进行校正。此步骤中，红外焦平面探测器不再置于恒温箱中，而是置于实际的工作环境中，红外焦平面探测器的环境温度T_S随着周围工作环境的温度而变化。红外焦平面探测器装有温度敏感元，用于测量即时环境温度。记T_SW为红外焦平面探测器工作时，作为输入参数用于计算非均匀性特征图imgNU的温度，红外焦平面探测器温度敏感元输出的即时环境温度为T_SC。非均匀性特征图记录了红外焦平面探测器当前输出的红外图像的非均匀性，具体包括：

(1)记红外焦平面探测器趋于稳定后获取第一帧实际红外图像时温度敏感元输出的环境温度为T_SG，此时T_SW＝T_SG；

(2)以T_SW为输入参数，根据步骤(2)中存储的非均匀性指纹图和非均匀性指纹参数，估算出该环境温度下红外焦平面探测器相对稳定不变的非均匀性特征图imgNU；

(3)通过如下公式对红外焦平面探测器当前输出的实际红外图像imgX进行校正：AftimgX(i，j)＝imgX(i，j)-imgNU(i，j)+mean(imgNU)，0＜i＜R，0＜j＜C，

其中，AftimgX为校正后的图像，R、C表示红外图像的规格和IRFPA的规格一致，为R行，C列，(i，j)表示红外图像第i行第j列的像元，mean(imgNU)表示对imgNU求均值：

$\mathrm{mean}\left(\overline{\mathrm{imgNU}}\right)==\underset{i=1}{\overset{R}{\Sigma }}\underset{j=1}{\overset{C}{\Sigma }}\overline{\mathrm{imgNU}}(i,j)/R\times C,$

(4)红外焦平面探测器获取下一帧实际图像。如果下式成立：

|T_SC-T_SW|＞ΔT_SW，

则

T_SW＝T_SC，

并转步骤(2)，否则T_SW不变，并转步骤(3)，其中，ΔT_SW为设定的判断T_SW是否需要更新的温度阈值。

所述的一种基于红外焦平面非均匀性指纹模式的校正方法，其特征在于所述校正处理步骤中，非均匀性特征图imgNU通过以下公式计算得出：

imgNU的计算公式为：

$\overline{\mathrm{Temp}}=a+\frac{b}{1+e^{c-d*T}}+(p_1*T^2+p_2*T+p_3)*\overline{f_2},$

imgNU＝f₁·*Temp，

其中，T表示作为所述输入参数的环境温度，a，b，c，d，p₁，p₂，p₃为存储的非均匀性指纹数据，·*表示点乘，该符号两边操作数必须为两个规格一致的矩阵，表示该两矩阵对应位置的元素相乘，结果为一个矩阵，规格和操作数矩阵一致。

本发明利用曲线拟合的方法来研究IRFPA响应随环境温度的变化规律，把相关规律用少量数据进行表示，并把这些数据存储在红外焦平面探测器存储单元中。校正时，以红外焦平面探测器的温度敏感元的输出为输入参数，利用存储的数据经过简单的运算即可估算出当前环境温度下红外焦平面探测器的非均匀性，用红外焦平面探测器采集到的实际红外图像和估算出的红外焦平面探测器的非均匀性进行简单运算，即可对实际的红外图像中的非均匀性进行有效的校正。与常规的方法相比，本发明具有以下优点：无需将红外焦平面探测器置于恒温箱中，有效减小探测装置的体积和复杂度；无需利用均匀挡板获取背景帧用于定标，运算简单，利于硬件实现和实时处理，而且有效地克服了IRFPA响应漂移带来的校正误差。

附图说明

图1为本发明的流程图；

图2中的曲线为环境温度T_S＝20度，面源黑体温度T_B＝40度时采集的面源黑体图像序列中位置为(129，99)的像元的灰度值随时间的变化。

图3中的曲线表示(n＝1，2…7)矩阵上的同一位置(20，20)的元素值随环境温度T_S的变化曲线。

图4中所示两条曲线分别表示(n＝1，2…7)矩阵中，位置分别为(i_ra，j_ra)＝(129，99)和(i_st，j_st)＝(20，20)两个元素的值随环境温度T_S变化的趋势。

图5中曲线表示(n＝1，2…7)中位置分别为(i_ra，j_ra)＝(129，99)和(i_st，j_st)＝(20，20)的两个元素的差值随环境温度T_S变化的趋势。

图6中的7个离散的点表示的原始值，曲线表示拟合后的结果。

图7中为环境温度T_S＝20度，面源黑体温度T_B＝40度时采集的面源黑体图像序列第36帧的原始图和校正图，图7(a)为原始图，图7(b)为校正图；

图8中为环境温度T_S＝-10度，面源黑体温度T_B＝40度时采集的面源黑体图像序列第36帧的原始图和校正图，图8(a)为原始图，图8(b)为校正图；

图9中为环境温度T_S＝20度，面源黑体温度T_B＝40度时采集的面源黑体图像序列的第36帧原始图和校正图的直方图，图9(a)为原始图的直方图，图9(b)为校正图的直方图。

图10中为环境温度T_S＝-10度，面源黑体温度T_B＝40度时采集的面源黑体图像序列的第36帧原始图和校正图的直方图，图10(a)为原始图的直方图，图10(b)为校正图的直方图。

具体实施方式

下面结合附图和具体实施方式对本发明作详细说明，其中选用了实际规格为R×C＝288×384的IRFPA(本发明中温度单位均为摄氏度)。

(1)原始数据采集步骤。采集方法：把红外焦平面探测器置于恒温箱内，恒温箱的温度能在一定的温度范围内进行调节。面源黑体温度恒定于T_B＝40度，恒温箱环境温度下限T_SL＝-40度到环境温度上限T_SH＝20度，红外焦平面探测器以每间隔ΔT_S＝10度的环境温度增量采集面源黑体图像作为实验数据。红外焦平面探测器在每个环境温度下的采集时间t相同，均为4800秒；采集到的面源黑体图像帧数FrmNumber也一样，均为36帧。红外焦平面探测器共采集到M＝7组图像序列。

取采集面源黑体图像序列时的7个环境温度组成T_SA。T_SA为7×1的矩阵，T_SA的各个元素取值为：

T_SA(n)＝T_SL+(n-1)ΔT_S，n＝1，2，…7，

其中，7组面源黑体图像序列每组都具有如下规律：随着采集时间的增大，面源黑体图像每个像素的灰度值都呈上升趋势，到达一定的时间t_s后，面源黑体图像每个像素的灰度值都趋向稳定。7组面源黑体图像序列每组趋于稳定的黑体图像帧数为6。

图2所示曲线为环境温度T_S＝20度时，面源黑体图像序列中位置为(129，99)的像元的灰度值随时间的变化。

(2)非均匀性指纹提取步骤。

(2.1)f₁的计算：把7组面源黑体图像序列每组中趋于稳定后的6帧图像分别取平均：

$\overline{f_{T_S}^n}=\underset{i=1}{\overset{6}{\Sigma }}\stackrel{‾}{X_{T_{\mathrm{SA}}\left(n\right)}^i}/6,n=\mathrm{1,2}...7,$

其中，表示环境温度为T_SA(n)时采集到的面源黑体图像序列中趋于稳定后的第i帧图像。表示环境温度为T_SA(n)时采集到的面源黑体图像序列中，趋于稳定后的6帧图像的平均。

将在环境温度为20度时采集到的面源黑体图像序列中趋于稳定后的6帧图像的平均作为f₁：

$\overline{f_1}=\overline{f_{T_S}^7},$

(2.2)非均匀性指纹参数a，b，c，d的计算：将(n＝1，2…7)相对于f₁进行归一化：

$\overline{D_{T_S}^n}=\overline{f_{T_S}^n}./{\bar{f}}_1,n=\mathrm{1,2}...7,$

(n＝1，2…7)表示(n＝1，2…7)归一化后的结果，是和规格一样的矩阵。./表示点除，该符号两边操作数必须为两个规格一致的矩阵，表示该两矩阵对应位置的元素相除，结果为一个矩阵，规格和操作数矩阵一致。

从矩阵(n＝1，2…7)中选取一个参考位置(i_st，j_st)＝(20，20)。(i_st，j_st)的选取原则如下：为矩阵上最小的元素。取(n＝1，2…7)矩阵上的同一位置(20，20)的元素组成规格为7×1的矩阵，记为D_st，D_st各个元素的取值如下式所示：

$\overline{D_{\mathrm{st}}}\left(n\right)=\overline{D_{T_S}^n}\left(\mathrm{20,20}\right),n=\mathrm{1,2}...7,$

选择以下的数学模型，对7组数据(T_SA(n)，D_st(n))(n＝1，2…7)按最小二乘原理进行曲线拟合：

$f=a+\frac{b}{1+e^{c-d*T}},$

即可求得非均匀性指纹参数a＝0.5191，b＝0.5839，c＝-0.02007，d＝0.4609。其中，T表示环境温度，为自变量。f为因变量。*表示数乘，如果该符号两边的操作数都为标量，则表示两个标量相乘，结果仍为标量；如果该符号两边的操作数为标量和矩阵，表示该标量与矩阵每个元素相乘，结果是一个矩阵。

(2.3)非均匀性指纹参数p₁，p₂，p₃的计算：记(n＝1，2…7)中位置分别为(i_ra，j_ra)和(i_st，j_st)两个元素的差值为(i_st，j_st)为(2.2)中确定的参考位置(20，20)，(i_ra，j_ra)为矩阵中任意一个位置。的计算公式为：

$S_{T_S}^n=\overline{D_{T_S}^n}(i_{\mathrm{ra}},j_{\mathrm{ra}})-\overline{D_{T_S}^n}\left(\mathrm{20,20}\right),n=\mathrm{1,2}...7,$

图4中所示两条曲线分别表示(n＝1，2…7)矩阵中，位置分别为(129，99)和(20，20)两个元素的值随环境温度T_S变化的趋势。图5中曲线表示矩阵中位置为(129，99)和(20，20)的两个元素的差值随环境温度T_S变化的趋势。

取(n＝1，2…7)组成一个规格为7×1的矩阵，记为把相对于进行归一化：

$\overline{C_{T_S}\stackrel{}{}}=\overline{S_{T_S}}/\overline{S_{T_S}}\left(1\right),$

是归一化的结果，是7×1的矩阵。选择以下的数学模型，对7组数据(n＝1，2…7)按最小二乘原理进行曲线拟合：

y＝p₁*T²+p₂*T+p₃，

即可求得非均匀性指纹参数p₁＝-0.000167，p₂＝-0.02007，p₃＝0.4609。其中T表示环境温度，为自变量。y为因变量。

图6中的7个离散的点表示的原始值，曲线表示拟合后的结果。

(2.4)非均匀性指纹图f₂的计算：将(n＝1时的)和中参考位置(20，20)的元素相减：

${\bar{f}}_2=\overline{D_{T_S}^1}-\overline{D_{T_S}^1}\left(\mathrm{20,20}\right),$

得到第二个非均匀性指纹图f₂。

(3)校正处理步骤。校正处理步骤是等待红外焦平面探测器输出的红外图像趋于稳定后，对红外焦平面探测器当前输出的实际红外图像imgX进行校正。此步骤中，红外焦平面探测器不再置于恒温箱中，而是置于实际的工作环境中，红外焦平面探测器的环境温度TS随着周围工作环境的温度而变化。红外焦平面探测器装有温度敏感元，用于测量即时环境温度。记T_SW为红外焦平面探测器工作时，作为输入参数用于计算非均匀性特征图imgNU的温度，红外焦平面探测器温度敏感元输出的即时环境温度为T_SC。非均匀性特征图记录了红外焦平面探测器当前输出的红外图像的非均匀性。

(3.1)记红外焦平面探测器趋于稳定后获取第一帧实际红外图像时温度敏感元输出的环境温度为T_SG，此时T_SW＝T_SG。

(3.2)以T_SW为输入参数，根据步骤(2)中存储的非均匀性指纹图和非均匀性指纹参数，估算出该环境温度下红外焦平面探测器相对稳定不变的非均匀性特征图imgNU。

imgNU的计算公式为：

$\overline{\mathrm{Temp}}=a+\frac{b}{1+e^{c-d*T}}+(p_1*T^2+p_2*T+p_3)*\overline{f_2},$

imgNU＝f₁.*Temp，

其中，T表示作为所述输入参数的环境温度。a，b，c，d，p₁，p₂，p₃为存储的非均匀性指纹数据。·*表示点乘，该符号两边操作数必须为两个规格一致的矩阵，表示该两矩阵对应位置的元素相乘，结果为一个矩阵，规格和操作数矩阵一致。

(3.3)通过如下公式对红外焦平面探测器当前输出的实际红外图像imgX进行校正：

AftimgX(i，j)＝imgX(i，j)-imgNU(i，j)+mean(imgNU)，

，

0＜i＜288，0＜j＜384

其中，AftimgX为校正后的图像.(i，j)表示红外图像第i行第j列的像元，0＜i＜288，0＜j＜384，mean(imgNU)表示对imgNU求均值：

$\mathrm{mean}\left(\overline{\mathrm{imgNU}}\right)==\underset{i=1}{\overset{288}{\Sigma }}\underset{j=1}{\overset{384}{\Sigma }}\overline{\mathrm{imgNU}}(i,j)/288\times 384,$

(4)红外焦平面探测器获取下一帧实际图像。如果下式成立：

|T_SC-T_SW|＞ΔT_SW，

则

T_SW＝T_SC，

并转步骤(2)，否则T_SW不变，并转步骤(3)。其中，ΔT_SW为设定的判断T_SW是否需要更新的温度阈值，ΔT_SW＝5度。

校正前后的图像见图7和图8。由图9和图10可以看出，校正前的面源黑体图像的灰度值分布在较大的范围内，即非均匀性比较严重；校正后的面源黑体图像的灰度值分布比较集中，非均匀性得到明显改善。为定量表示本发明的校正效果，应用以下公式计算校正前后面源黑体图像的非均匀性：

$U_R=\frac{1}{\mathrm{means}\left(\overline{V_s}\right)}.\sqrt{\frac{1}{m-d}\underset{i=1}{\overset{m}{\Sigma }}{[\overline{V_s}\left(i\right)-\mathrm{means}\left(\overline{V_s}\right)]}^2},$

其中m为IRFPA探测单元数量，d为焦平面上无效像元的个数，V_s为IRFPA的响应输出电压，means(V_s)为整个IRFPA的平均响应输出电压。

计算结果见表1，由结果可以看出，面源黑体图像的非均匀性得到较大改善。

表1校正前后图像的非均匀性U_R

  环境温度  -40度  -30度  -20度  -10度  0度  10度  20度  校正前  0.1685  0.1519  0.1365  0.1223  0.0979  0.0846  0.0761  校正后  0.0013  0.0011  0.0015  0.0023  0.0032  0.0031  0.0003