层出不穷的意思基于目标与背景相异位移配准的非均匀校正算法
杨硕;赵保军;毛二可;唐林波
春城无处不飞花寒食东风御柳斜【摘 要】本文针对场景图像中目标和背景存在着不同运动的情况,提出了一种基于图像分离和配准技术的校正算法,新算法通过傅里叶变换相位相关方法,估计出目标与背景的两种运动位移,然后通过计算匹配像素点的平均绝对误差将目标和背景进行标识区分,建立关于目标和背景位移量的误差平方和方程组,求解得到亚像素位移量,改进了原有的代数校正方法,分别根据目标和背景的位移顺序校正,并通过剔除无匹配点的双线性插值方法对新算法进行完善.计算机模拟图像序列与实际红外图像序列的实验结果表明,该算法比目前常用的代数校正算法具有更好的适应性,具有较高的实用价值.
【期刊名称】《激光与红外》
【年(卷),期】2013(043)011
【总页数】5页(P1286-1290)
剪窗花怎么剪【关键词】相异位移;傅里叶变换;平均绝对误差;双线性插值;代数校正
【作 者】杨硕;赵保军;毛二可;唐林波进出境
【作者单位】北京理工大学,北京100081;北京理工大学,北京100081;北京理工大学,北京100081;北京理工大学,北京100081
【正文语种】中 文
【中图分类】小作文是什么TN911.73
红外焦平面探测器阵列（Infrared Focal Plane Array，IRFPA）是热成像系统的重要组成部分，但由于受到材料、工艺水平等因素的限制，IRFPA各探测元的响应不一致，在图像上表现为固定图案噪声（Fixed Pattern Noi，FPN），呈现非均匀性，影响热成像系统的成像质量［1］。
IRFPA的非均匀校正（Non-Uniformity Correction，NUC）技术目前可分为基于参考源的定标校正［2］和基于场景的自适应校正（Scene-Bad Non-U-niformity Correction，SBNUC）两类，后者不需要使用参考源，能够自适应地更新非均匀性校正参数，已获得成功应用［3］。
在SBNUC算法中，Scribner等人提出了基于神经网络（Neural Network Non-Uniformity Correction，NN-NUC）的非均匀校正算法［4］，Hardie等人提出了基于配准类（Algebraic Scene-Ba Non-Uniformity Correction，ASB-NUC）的非均匀校正算法［5］，已成为相关算法的典范。Ratliff等人提出的代数校正算法是一类有效的方法，但是受到两帧图像必须是整像素位移的约束。2003年Ratliff［6］和2005年Jing Sui［7］在亚像素位移下，提出周边一点校正并向内传递校正参数的代数算法，但需要插入可伸缩的机械边框；2006年金伟其［8］引入分组的思想，无需额外的机械结构。但算法仅适用于帧间只有水平或垂直位移的情况。2011年刘崇亮［9］提出基于虚拟边框视场光阑的校正算法，突破了对位移的严格限制，取得了良好的效果。
上述校正算法都是在图像中仅存在全局运动的条件下，通过相位相关［10］或者Keren［11］算法获得位移估计。但在目标跟踪和制导领域，图像中同时存在着不同运动的目标和背景，在这种情况下，原有的运动估计方法配准精度下降，会导致校正性能不足。本文利用傅里叶变换相位相关方法估计出目标与背景的两种运动位移，并在相邻两帧相同场景亮度恒定不变假设的基础上［12］结合神经网络优化代数算法，利用代数校正算法去除图像的非均匀性噪声。
热成像系统在通常目标场景下，IRFPA的响应近似为线性，即在n时刻对于第（x，y）个红外焦平面阵列探测单元，观测输出值fn（x，y）用线性模型来表示，则：
其中，n为帧数；b（x，y）是第（x，y）个探测元的偏置；gn（x，y）为n时刻第（x，y）个焦平面探测元所接收到辐照度。式（1）的非均匀校正模型为：
其中，o（x，y）＝－b（x，y）为像元（x，y）的偏置校正系数。
3.1 基于目标和背景相异位移的运动粗估计
当图像中存在运动目标和整体背景时，如果假设帧间场景亮度恒定，则关于目标和背景的帧间关系可构造为：
其中，g1（n）（x，y）为目标；g2（n）（x，y）为背景。目标的位移量为（α1（n），β1（n）），背景的位移量为（α2（n），β2（n）），则帧间的互功率谱可表示为：
其中，G1（n）和ejφ1分别表示目标的幅度谱和相位谱；G2（n）和ejφ2分别表示背景的的幅度谱和相位谱。对帧间归一化互功率谱的两端进行傅里叶逆变换，得到相位相关函数表达式如下：
相位相关函数中，第一项和第二项分别在坐标（α1（n），β1（n））和（α2（n），β2（n））位置上出现了冲激函数，在函数结果平面上呈现为两个峰值，分别为运动物体的位移和背景的整体位移。
3.2 基于目标和背景相异亚像素位移的运动估计
3.2.1 原有的背景整体位移的亚像素估计
亚像素位移可采用文献［11］提出用Lucas-Kanade算法实现，基于图像的泰勒展开与近似，通过误差平方和最小化求得闭式解。为了减小运算量，可采用先对图像进行整像素位移粗估计，把帧间位移约束到1个像素之内，再用Lucas-Kanade算法实现微位移的估计。
3.2.2 目标与背景的分离
目标与背景的相对运动示意图如图1所示，背景帧间的位移是（1，1），目标帧间位移为（1，－1）。其中数字100表示第n帧运动目标的灰度，其他数字为背景的灰度。从示意图可以看出第n帧内的数字1，2，3，6，9，10，11，100都可以在第n＋1帧找到匹配点。而数字5在下一帧无匹配点。
为了保证微位移估计的精度，对各像素点按照目标和背景的位移方向做平均绝对误差（Mean Absolute Difference，MAD）运算以确定其隶属于目标点、背景点还是无匹配点，即：
其中，Ωx，y为以（x，y）为中心的邻域窗口，大小为M×N，属于目标或背景的判决条件为：
无匹配点为第n帧内距离目标点位移为（α1（n）－α2（n），β1（n）－β2（n））的像素点，不参与亚像素位移的计算，保证估计精度。
3.2.3 本文目标和背景相异位移的亚像素估计
得到目标点与背景点的位移估计后，将gn（x，y）进行位移得到一帧中间图像g′n（x，y），应用Lucas-Kanade算法进行一阶泰勒级数展开，并求得误差平方和为：
元旦日记50字
要求得误差E（Δα1（n），Δβ1（n），Δα2（n），Δβ2（n））的最小值，分别对Δα1（n）、Δβ1（n）、Δα2（n）和Δβ2（n）求偏导并令其为0，联立求解可以获得Δα1（n）、Δβ1（n）、Δα2（n）和Δβ2（n）的估计值。
3.3 基于目标和背景相异位移的非均匀校正
3.3.1 二维亚像素级运动插值
根据Lucas-Kanade算法得到亚像素估计后，第（n＋1）帧像素点gn＋1（x，y）除了边框点和新增的场景信息点，都可以用图2（a）中第n帧内四个像素点的双线性插值来表示，背景用（x－Δα2（n）－1，y－Δβ2（n）－1）、（x－Δα2（n）－1，y－Δβ2（n））、（x－Δα2（n），y－Δβ2（n）－1）、（x－Δα2（n），y－Δβ2（n））四个像素点来插值，这四个像素点插值的权重分别为γ（1，2（n））、γ（2，2（n））、γ（3，2（n））、γ（4，2（n）），由图2可知：
且γ（1，2（n））＋γ（2，2（n））＋γ（3，2（n））＋γ（4，2（n））＝1。
由此可得：
思维导图作文第（n＋1）帧内（x，y）目标和背景像素的响应可表示为：
3.3.2 校正系数的递归传递
引入偏置校正系数o（x，y）代替b（x，y）并消去辐射项g可得到：
3.3.3 周边神经网络一点校正
为了计算o（x，y），需要已知o（x－αn－1，y－βn－1）、o（x－αn－1，y－βn）、o（x－αn，y－βn－1）、o（x－αn，y－βn－1）这四个偏置系数，所以第（n＋1）帧只能以左上角未校正像素点（αn＋1，βn＋1）为起点开始校正，αn＋1上方和βn＋1左边的区域为需要已知校正系数的周边区域。本文采用文献［9］的方法对图像四周一定宽度的范围进行神经网络偏置校正，定义误差函数en（x，y）为神经元的实际输出＾gn（x，y）与期望值tn（x，y）差，即：
将神经元的中值滤波输出作为期望值，为了使误差函数e2n（x，y）最小，根据最陡下降原则，神经网络校正的迭代方程为：
3.3.4 本文代数校正算法
化痰水果本文提出的算法基于运动目标和背景在相异位移条件下，计算包含无匹配点的双线性插值时，无匹配点的o（p）未知，无法参与相关其他点的校正运算，所以对无匹配点要进行剔
除处理。假定无匹配点属于公式12中p＝2的像素点，公式12改写为如下格式（其他情况以此类推）：
以上节获得的四周一点校正值为初始条件，按照αn＋Δαn和βn＋Δβn方向向内部传递校正系数，从未校正的像素点（αn＋1，βn＋1）开始，向（αn＋1，βn＋1）所在的一行和一列顺序进行校正。以此类推，直到所有的像素点都经过校正处理。
为了测试算法的有效性，设计了模拟红外图像和实际红外图像的神经网络校正处理实验，计算机配置为：Intel酷睿i7 2670qm，基准频率为2.2G，四核睿频为2.8G，内存为4G，处理软件平台为Matlab R2012（a）。
4.1 目标和背景位移估计的仿真实验
图3（a）和图3（b）为选取的两幅240×320，14bit的无噪红外图像，帧间背景整体向右移动了2个像素，向下移动了1个像素，模拟产生5×5大小的运动目标叠加到这两幅图像中的不同位置，第二幅相对于第一幅，目标向左移动了8个像素，向下移动了30个像素。先求得自功率谱的相位相关函数，可得没有相关位移时的坐标为（121，161），如图3（c）所
示，再求得两幅图像的互功率谱的相位相关函数分别估计目标和背景的位移，图3（d）中最高的两个峰值坐标代表了目标和背景的位移量。图3（e）中峰值最高的坐标（120，159），（91，169）为分别表示了背景和目标的位移（1，2），（30，－8），与原图像中事先设定的位移相符。
4.2 模拟非均匀性校正仿真实验
为了验证文中算法对于目标和背景相异位移图像的校正性能，模拟产生均值为0，方差为32的非均匀性噪声同时加入到图像3（a）和图3（b）中，生成的模拟噪声图像如图4（a）和图4（b）所示。从图4（c）中可以看出由于非均匀噪声的影响，目标和背景的两个峰值高度有所下降，但在结果平面上仍然呈现出最大的两个峰值，如果图像中非均匀噪声比较严重，一般可采取低频中心化的方法去除这部分峰值来增加目标和背景的权值。
