賈俊濤

(洛陽電光設備研究所，河南 洛陽 471023)

引言

由于自身材料和制造工藝水平的限制，紅外探測器各探測元間響應的非均勻性較大，嚴重影響了成像質量，降低了系統的探測和識別距離。更為復雜的是，探測元響應參數會隨時間緩慢漂移，使得無法通過單次定標的方法徹底解決非均勻性問題[1-2]。非均勻性校正是指通過信號處理的方法將不同像元的響應特性曲線校正到同一期望輸出曲線，根據真實值估計方法的不同，可分為基于定標的校正方法和基于場景的自適應校正方法[3]。基于場景的非均勻性校正算法有神經網絡法、時域高通濾波法[4]、恒定統計法[5]、代數校正算法[6]、Kalman濾波法[7]等。時域高通濾波器算法(THPF)具有計算量小、易于實現等優(yōu)點，已成為新一代紅外探測器中集成的標準算法[8]之一。但由于該算法參數更新的盲目性，導致其校正結果極易出現鬼影現象，限制了其應用。本文針對THPF存在的鬼影問題，提出了一種新的基于混合高斯模型的校正算法，新算法選擇性地更新校正系數，有效地抑制了鬼影。

1 時域高通濾波校正算法

Harris[9]等人提出了一種基于運動檢測(MD-THPF)的鬼影抑制算法，該算法通過設置全局門限判斷當前像元對應的場景是否發(fā)生運動，只對運動區(qū)域進行參數更新。MD-THPF算法抑制了低頻場景的干擾，能在一定程度上緩解鬼影問題，但是存在2個不足：一是需要更長的時間才能收斂；二是算法等效于提高了截止頻率，偏置值的估計更易受到場景高頻分量的影響，校正效果可能比原始算法更差。

本文基于背景建模[10]思想，利用一個混合高斯模型[11]對場景進行建模，只有在像元輸出值滿足一定條件的時候，才將其更新到校正系數中。校正系數的選擇性更新可以有效地防止前景目標被學習到校正系數中，從而抑制了鬼影。

2 基于混合高斯模型的非均勻性校正算法

當紅外探測器加非均勻噪聲占主導，且工作場景動態(tài)范圍較小時，探測元的響應可以用一個簡單的線性模型描述：

xi,j(n)=yi,j(n)+oi,j(n)

(1)

式中：xi,j(n)為探測元的響應輸出值；yi,j(n)為輸入的真實場景值；oi,j(n)為像元響應的偏置系數。將像元響應的偏置系數看成是背景，其不受光照條件和背景雜波的干擾，因此用單高斯模型對每個像元的偏置系數進行建模。偏置系數的漂移過程對應著高斯模型的均值變化。

當應用場景較復雜時，如機載紅外搜索系統，場景可能長期偏離背景，此時偏置系數較長時間內得不到更新，因此也應對前景進行建模。當前景處于平穩(wěn)狀態(tài)時，前景的更新過程也應反映到背景中。算法中用2個高斯分布組成混合模型對前景進行建模，為簡化計算假設2個分布的方差相同且為常量，其值可以等于背景方差，也可取經驗值。選用2個高斯分布描述前景主要是從有效性和可實現性兩方面考慮。

綜上所述，算法假設探測元的響應值是由前景和背景(偏置系數)2個分量相加而成，其中前景由2個高斯分布的混合模型表示，背景由單個高斯分布表示。前景建模的目的是在場景長期偏離背景時也能更新校正系數。

產后出血是產科常見并發(fā)癥,集中發(fā)生在產后2h內。引起產后出血的病因,包括子宮收縮乏力、軟產道損傷以及胎盤因素、凝血功能障礙,各個原因能夠合并存在,也能互為存在,其中以子宮收縮乏力為主[4]。產后出血處理原則:補充血容量、糾正休克、預防感染。相關資料指出,第一以及第二產程期間產婦自身的負性情緒以及滯產均是導致宮縮乏力的主要因素,而第三產程期間胎盤剝離不全導致的子宮收縮以及分娩造成的產道撕裂均會誘發(fā)產婦出血。在產后出血預防方面常規(guī)護理干預效果并不顯著,而助產士通過進行第一、二、三產程以及產后護理可以成功提高產婦產后出血預防效果,提高母嬰安全。

背景建模算法需要對背景賦初始值，常用的方法有初始定標法、光學鏡頭散焦法、時間平均值法和時間中值法等。

基于混合高斯模型的非均勻性校正算法(GMM-NUC)流程如下：

2) 等待新的圖像幀。t時刻探測元輸出值為Xt。

3) 判斷Xt是否為背景。背景的判斷準則如下：

(2)

如果為背景，則按如下公式對背景進行更新：

(3)

式中α是學習率參數，取值范圍為0～1。同時如果前景分布的計數值大于1，則降低計數值cnti,t=cnti,t-1-1，隨后轉入流程5)。

4) 判斷Xt是否為前景。判別第i個前景的準則如下：

(4)

如果滿足條件則按如下公式對第i個前景進行更新：

(5)

判斷cnti,t是否大于閾值T，如果大于則表示前景處于長時間平穩(wěn)狀態(tài)，其更新過程應反映到背景中，以跟蹤探測元的漂移過程。此更新過程如下：

(6)

不滿足條件的前景分布保持均值不變，同時計數值減1。

3 實驗結果

本節(jié)通過仿真和實際的紅外序列說明本文所提算法的有效性。對于已知真實值的序列采用峰值信噪比(PSNR)指標進行評價。實驗中重點考察算法是否會出現鬼影和目標退化，以及背景更新能力。為忽略算法初始值對性能的影響，用真實的或定標的偏置系數作為背景初始值。實驗中主要對比THPF、MD-THPF、GMM-NUC 3種算法的性能。

3.1 仿真的時間序列

基于時域的非均勻性校正算法是基于單個像元的處理模式，仿真單個像元1 000幀時間序列。原始序列如圖1(a)所示，在第300幀至第500幀期間均勻背景上疊加了一個目標，此過程仿真了一個運動目標進入場景，靜止一段時間后離開場景的情景。探測元偏置系數的漂移過程如圖1(b)所示，偏置系數初始值為10，每幀遞增0.01。圖1(c)是生成的探測元輸出仿真序列，該序列包含了目標、時間隨機噪聲(標準分布的高斯噪聲)和參數漂移過程，用于評價校正算法的鬼影抑制能力和參數更新能力。PSNR指標用于評價校正誤差，序列期望值作為背景參考。整個序列的平均PSNR為25.41。

圖1 仿真的1 000幀序列Fig.1 1 000 frames sequence simulation

原始THPF算法的校正結果如圖2(a)，2(b)和2(c)所示。濾波器的時間常數為50。校正結果曲線中第300幀至500幀區(qū)間目標逐漸退化至完全消失，第500幀過后目標已經離開場景，但校正結果中仍存在反向的目標鬼影。整個序列THPF算法的平均PSNR為40.67，比未校正序列提高了15 dB。MD-THPF算法的校正結果如圖2(d)，2(e)和2(f)所示。濾波器的時間常數為50，運動判決門限為10。校正結果中沒有出現鬼影，但校正效果不明顯。整個序列校正系數只更新2次，不能及時地跟蹤場景的漂移過程，收斂速度慢。校正結果平均PSNR為40.99，因為沒有出現目標退化和鬼影，其統計性能略優(yōu)于THPF算法。

基于混合高斯模型的校正算法中背景標準差為2，前景標準差為5，前景更新的閾值T為10，學習率參數為1。GMM-NUC算法的校正結果如圖2(g)，2(h)和2(i)所示。校正結果接近于期望值，沒有出現鬼影。算法中背景始終跟隨著參數的漂移，背景學習能力較強。整個序列算法均取得了較好的性能，平均PSNR為49.59，比原始未校正序列提高了24 dB。

圖2 不同校正算法性能曲線Fig.2 Performance curves of different correction algorithms

3.2 線列探測器紅外序列

圖3是采集的一幀紅外線列探測器輸出的原始圖像，探測器的掃描方向為從左向右。原始圖像的大小為600像素×480像素。

圖3 線列探測器原始輸出圖像Fig.3 Original image output by linear array detector

探測器輸出的原始圖像受時域噪聲的影響較大，圖4給出了圖像第170行和第440行的響應輸出，兩行均對應純背景。第170行圖像的最大最小響應差值為16，標準差為3.2。第440行的最大差值為20，標準差為4.1。由于探測元參數的漂移幅度較大，基于定標的單點校正算法無法取得較好的校正效果。

圖4 線列探測器行響應輸出Fig.4 Line response output by linear detector

對圖像每行前20列求均值，將其作為偏置系數的初始定標值。圖5給出了相應的實驗結果。由于探測元的漂移幅度較大，單次定標的算法無法徹底抑制非均勻性噪聲。單點校正結果仍存在明顯的橫條紋。THPF算法中時間常數為50，算法有效地抑制了原圖中的橫條紋。但由于THPF算法無選擇性地更新背景，場景中的亮目標存在嚴重拖尾，即鬼影。MD-THPF算法中時間常數也為50，運動判決門限為10。校正結果中沒有出現拖尾現象，但由于場景中運動目標較少，算法校正效果不明顯。GMM-NUC算法中前景和背景的標準差均為5，前景更新的門限T為10，學習率參數為0.5。由于算法對背景有選擇性地更新，既跟蹤了背景的漂移過程，又沒有把前景亮目標學習到背景中。從實驗結果也可看出，基于混合高斯模型的校正算法有效消除了橫條紋(非均勻性)，同時又沒有出現目標退化和鬼影。

圖5 校正結果比較圖Fig.5 Comparison chart of correction results

3.3 焦平面探測器紅外序列

紅外序列來源于一個長波制冷型焦平面陣列探測器，圖像分辨率為320像素×240像素，有效數據寬度為14位，序列長度為2 000幀。序列中的場景為背景固定，人隨機運動。序列的前100幀鏡頭散焦，將其時間均值作為校正算法偏置系數的初始值。

圖6和圖7分別給出了序列第900幀和第1 400幀的校正結果。THPF和MD-THPF算法均存在著目標退化和鬼影現象，嚴重影響了成像質量?；诨旌细咚鼓Ｐ偷母倪M算法較好地解決了參數更新問題，避免了鬼影的出現。

圖6 序列第900幀校正結果Fig.6 Correction results of the 900th frame sequence

圖7 序列第1 400幀校正結果Fig.7 Correction results of the 1 400th frame sequence

4 結語

傳統時域高通濾波算法將非均勻性看成是時間上的低頻噪聲，通過時域高通濾波器對其進行校正。目標退化和鬼影問題嚴重影響了算法的性能。本文所提出的基于混合高斯模型的校正算法是一種有選擇性的背景更新算法，排除了前景對背景更新的影響。當前景長時間靜止時，算法能有效地響應探測元偏置系數的漂移過程?；诨旌细咚鼓Ｐ偷男Ｕ惴瓤紤]了灰度值本身，又考慮了灰度值的時間差值對參數更新的影響，因此能夠更加有效地抑制參數的漂移過程。

[1] Chang Benkang, Cai Yi. Infrared imaging array and system[M]. Beijing:Science Press, 2006.

常本康, 蔡毅. 紅外成像陣列與系統[M]. 北京：科學出版社, 2006.

[2] Cheng Yao, Wang Yuhan, Yuan Xianghui. Nonuniformity correction experiment system of pyroelectric IRFPA[J]. Journal of Applied Optics, 2014, 35(1):106-110.

程瑤, 王玉菡, 袁祥輝. 熱釋電IRFPA非均勻性校正實驗系統研究[J]. 應用光學, 2014, 35(1):106-110.

[3] Dong Liquan, Jin Weiqi, Sui Jing. Summarize on the scene-based nonuniformity correction algorithms for IRFPA[C]. USA: SPIE, 2005.

[4] Scribner D, Sarkady K,Kruer M, et al. Adaptive retina-like preprocessing for image detector arrays[J]. IEEE Conference on Neural Network, 1993, 3: 1955-1960.

[5] Harris J G, Chiang Y M.Nonuniformity correction of infrared image sequences using the constant-statistics constraint[J]. IEEE Transactions on Image Processing, 1999, 8(8): 1148-1151.

[6] He Ming, Wang Xinsai, Lu Jianfang, et al. New algebraic scene-based non-uniformity correction in infrared focal plane array[J]. Journal of Applied Optics, 2011, 32(6):1217-1221.

賀明, 王新賽, 路建方,等. 一種新的紅外焦平面陣列非均勻性代數校正算法[J]. 應用光學, 2011, 32(6): 1217-1221.

[7] Torres S N, Hayat M M. Kalman filtering for adaptive nonuniformity correction in infrared focal-plane arrays[J]. Journal of the Optical Society of America, 2003, 20(3): 470-480.

[8] Oelmaier W R.Third gen focal plane array IR detection modules at AIM[J]. Infrared Physics & Technology, 2002, 43: 257-263.

[9] Harris J G, Chiang Y M.Minimizing the ghosting artifact in scene-based nonuniformity correction[J]. SPIE, 1998, 3377: 106-113.

[10] Power P W, Schoonees J A.Understanding background mixture models for foreground segmentation[C]. Australia: Proceedings of Image and Vision Computing, 2002.

[11] Cucchiara R,Grana C, Piccardi M, et al. Detecting moving objects, ghosts, and shadows in video streams[J]. IEEE Trans. Pattern Analysis and Machine Intelligence, 2003, 25(10): 1337-1342.