一种红外相机串扰消除方法
【专利摘要】一种红外相机串扰消除方法，即一种利用相邻红外谱段的图像信息分析定位图像的串扰区域、对红外图像串扰区域中不同像元进行特征构造、依据构造的特征完成串扰消除的方法。该方法步骤如下：第一，获取初始数据及相关初始化操作；第二，通过串扰的定位模块完成图像串扰区域的粗定位和精定位；第三，通过串扰模型的建立模块获得用于串扰消除的特征组合；第四，通过串扰的消除模块，使用特征构造结果对实例进行串扰消除，并输出结果。本发明的优点在于具有保真性，即针对性地处理图像串扰区域，有效地保持原始数据的真实性；相比硬件设计途径，具有成本低、操作简单的优点。
【专利说明】一种红外相机串扰消除方法
【技术领域】
[0001] 本发明涉及一种红外相机串扰消除方法，具体是一种消除红外遥感图像串扰的技 术，属于红外遥感图像处理领域。
【背景技术】
[0002] 随着光谱研究的深入和技术的发展，要求传感器的宽波段探测通道向窄波段或细 分波段技术发展。1970年以来，我国研制了多种类型的通用及专用航空扫描仪，其工作波段 包括紫外、可见光至红外。在资源、环境、海洋、灾害等领域的航空遥感应用中获得了大量有 用的地物光谱信息。其中，热红外遥感对研究全球能量变换和可持续发展具有重要的意义。 尤其在生态学领域，借助地面实测数据和遥感数据，通过红外波段的解析、反演可以进行各 种问题的定量化。红外遥感技术集合了空间、电子、光学、计算机、生物学和地学等科学的最 新成就，是现代高新【技术领域】的重要组成部分。同时，它为人类认识国土、开发资源、监测环 境、研究灾害以及分析全球气候变化等提供了新的途径。
[0003] 早期的热红外遥感影像均是宽谱带的单波段影像。由于影像空间分辨率较低，较 多应用于大区域的地热资源调查、水文地质调查和火山与地震预报等方面。随着高光谱成 像光谱技术的发展，热红外多-高光谱扫描仪开始投入遥感应用，即利用多通道传感器，把 地面上的物体辐射的电磁波分割成若干个较窄的谱段带（或波谱）进行同步扫描，取得同 一地物的不同谱段的影像特征，从而获得大量的信息。
[0004] 然而，光学遥感卫星的性能和质量很大程度上由它们的有效载荷一光学遥感器 所决定。一般情况下，红外多光谱扫描仪中不同谱段遥感探测器在同一基底上排列，由于探 测器读出电路等原因，可能造成相邻谱段成像时相互之间产生串扰，这种串扰会影响成像 质量，影响后续遥感数据的分析、利用情况。该串扰的表现形式为相邻谱段（假设为4谱 段和f 2谱段）分视场成像时，在f2谱段探测器接收到信号成像时，谱段此时没有信号进 入其视场，但在该谱段输出图像中，相应位置也会有信号出现。同样，在fi谱段探测器接收 到信号成像时，f 2谱段对应位置也会受到相似的影响。观察成像得到的图像，串扰主要发生 在相邻谱段明暗交叠的区域，而非整幅图像存在串扰。
[0005] 目前，关于串扰现象的消除方法主要分为两类：对探测器本身的改进和采用数字 图像处理的方法对成像图像进行后处理。前者成本和功耗将会大大地增加，后者多是面向 特定对象提出的非普适性方法。暂时没有一种有效的方法专门用来解决红外相机的串扰问 题。
【发明内容】
[0006] 针对上述现有技术存在的问题和以及消除相邻红外相机串扰的要求，本发明提供 一种红外相机串扰消除的数字图像处理方法，具体来讲是利用相邻红外谱段的图像信息来 消除彼此之间的串扰影响，从而达到获得清晰遥感图像的目的。本方法针对红外相机串扰 的表现形式，分析串扰发生的原理，利用数学形态学方法和设备参数准确定位串扰存在的 区域，针对串扰区域的图像特点，建立自适应的串扰模型，并采用学习的方式，求取串扰模 型的参数，最后采用图像恢复的手段消除串扰。该解决方案只针对串扰区域进行处理，很好 的保持了原始数据的真实性，在有效去除串扰的同时，改善了图像的视觉效果。相比于硬件 设计的解决途径，该方案具有简单有效、成本低的优点。
[0007] 为了实现上述目的，本发明采用的技术方案是：一种红外相机串扰消除方法，主要 包括：定位串扰、建立串扰模型和消除串扰等三个模块。定位串扰模块包括串扰区域粗定 位和精定位两个步骤，准确定位受到串扰的像素点，避免未受到串扰的图像数据真实性被 破坏。建立串扰模型模块是根据串扰区域不同位置串扰程度不一的特点完成的。通过提取 串扰区域内的图像数据与相邻谱段对应位置的数据进行训练，从而得到串扰消除模型的参 数。消除串扰模块利用串扰模型计算出某个像素点具体的串扰值，然后对其进行削减。
[0008] 本发明所涉及的方法流程包括以下步骤：（1)获得初始数据及相关初始化操作； (2)基于数学形态学方法的串扰区域粗定位；（3)利用红外相机相邻谱段探测器的位置参 数进行串扰区域精定位；(4)建立串扰模型；5)将串扰区域的图像数据代入串扰模型，通过 训练获得模型参数的具体数值；(6)遍历全部的串扰区域，消除串扰并输出结果。
[0009] 下面对该方法流程各步骤进行详细说明。
[0010] 步骤1，获得初始数据及相关初始化操作；
[0011] 如果原始数据不是常见的图像格式，将在这一步完成数据格式的转换，将转换后 的数据读入处理系统中，以备后续处理；假设信号fi和f 2分别为待处理的相邻谱段红外遥 感图像，图像矩阵行数为m，列数为n，并称图像中相对于相邻谱段较亮的地物为目标；
[0012] 步骤2,基于数学形态学方法的串扰区域粗定位；
[0013] 采用数学形态学梯度来定位图像中目标的边缘，给定输入信号fi，i = 1，2和结构 元素 s，则图像的形态学内边缘：
[0014] gu = fi-(fi Θ s), i = 1, 2 (1)
[0015] 其中，（fi Θ s)表示对图像fi的形态学腐蚀操作；
[0016] 图像中跨骑在目标边界上的形态学梯度：
[0017] g2i = (fi ? s) (fi Θ s), i = 1, 2 (2)
[0018] 其中，（fi Θ s)i表示对图像fi的形态学膨胀操作；
[0019] 对gn采用大津阈值进行二值化，就可以得到目标的内边缘带，记作bn，i = 1，2; 同样地，对g2i采用大津阈值进行二值化，就可以得到跨骑在目标边界上的边缘带，记作 b2i, i = l,2；
[0020] 因为求得的边缘带具有一定宽度，所以用目标的边缘带与内边缘带相减的方式来 获得串扰区域更准确的边缘，得到图像和f 2的串扰区域的左右边界为
[0021] Ri = b22-bn (3)
[0022] R2 = b21-b12 (4)
[0023] 需要说明的是，R_1和R_2实际上包含的是若干个串扰区域的左右边界。即从左 向右数，奇数次出现数值1的构成了串扰区域的左边界，偶数次出现数值1的构成了串扰区 域的右边界；相邻的左右边界包络了一个串扰区域。
[0024] 步骤3,利用红外相机相邻谱段探测器的位置参数进行精定位；
[0025] 经过步骤2的处理，串扰区域所在位置已基本定位；为了更精确，我们利用探测器 在基底上的位置参数来提高定位精度；由于相邻谱段探测器在基底上的错位距离映射到图 像中表现为同一地物在两谱段图像中的坐标水平方向错位P像素点，不考虑垂直方向的错 位；不失一般性，假设同一物点在4中的图像坐标为（1，」），在4中的坐标为（i，j+P);利 用位置参数进行精确定位的原理是幅值较大的地物在图像中的宽度（该地物跨越的最大 水平像素个数）大于等于P像素点时，在相邻谱段将引起宽度为P的串扰区域；否则，地物 宽度为多大，串扰区域宽度为多大；于是，对步骤2所定位的每块串扰区域对应的目标宽度 与P逐一进行比较，确定出最终的串扰区域的边界集合R' 1和1?/2;
[0026] 步骤4,建立串扰模型；
[0027] 由于同一地物在不同谱段的红外下成像，辐射强度是不同的，不失一般性，我们假 设同一地物在中的灰度值小于在f 2中的灰度值，4在4中引起的串扰将在这里被讨论， 反之类推。由串扰产生的物理原因以及串扰像素点幅值升高的特点，我们对f 2中单个像素 对4中像素产生串扰的情况进行建模，具体如下：
[0028] 我们认为串扰呈现线性衰减特性，即随着坐标y值增加，单个像素引起的串扰程 度逐渐减小，直至为零。我们只考虑水平方向的串扰影响（由于探测器是按行扫描成像）， 于是f 2中（i，j)位置的像素对中（i，j)位置的像素产生的串扰为
[0029] Δ xi；J = axi；J+b (5)
[0030] 其中，a和b为f2对的线性影响系数；
[0031] 对（i，j)位置水平方向后续像素点的影响值为：
[0032] Δ xi；J+k = 〇! Δ xi; j+c2, c2 ^ 0, k = 1, 2, ···, Κ (6)
[0033] 其中，Λ Xy彡0, Xi，j为f2谱段未受到谱段串扰影响的图像灰度值；Cl为衰减 系数，c 2为衰减速率，K为引起串扰的像素点最大个数；
[0034] 从另一个角度来讲，串扰区域内的（i，j)位置的像素受到f2中对应位置以及水 平方向前N像素所引起的串扰，因此串扰区域中（i, j)位置像素点受到总的串扰：
[0035]
【权利要求】
1. 一种红外相机串扰消除方法，其特征在于：通过定位串扰区域，提取串扰区域内的 数据用于训练，建立自适应的串扰模型，消除串扰获得清晰的图像，具有定位串扰、建立串 扰模型和消除串扰三个功能模块，其步骤如下： 步骤1，获得初始数据及相关初始化操作； 如果原始数据不是常见的图像格式，将在这一步完成数据格式的转换，将转换后的数 据读入处理系统中，以备后续处理；假设信号fi和f2分别为待处理的相邻谱段红外遥感图 像，图像矩阵行数为m，列数为n，并称图像中相对于相邻谱段较亮的地物为目标； 步骤2,基于数学形态学方法的串扰区域粗定位； 采用数学形态学梯度来定位图像中目标的边缘，给定输入信号fi，i = 1，2和结构元素 s，则图像的形态学内边缘： gli = fi_(fi Θ s), i = 1, 2 (1) 其中，（fi Θ s)表示对图像&的形态学腐蚀操作； 图像中跨骑在目标边界上的形态学梯度： = (fi θ s)_ (fi Θ s)，i = 1，2 (2) 其中，（fi Θ s)表示对图像fi的形态学膨胀操作； 对gli采用大津阈值进行二值化，就可以得到目标的内边缘带，记作bn，i = 1，2 ;同样 地，对g2i采用大津阈值进行二值化，就可以得到跨骑在目标边界上的边缘带，记作b2i，i = 1,2 ； 因为求得的边缘带具有一定宽度，所以用目标的边缘带与内边缘带相减的方式来获得 串扰区域更准确的边缘，得到图像和f2的串扰区域的左右边界为 Ri = b22-bn (3) R2 = b21-b12 (4) 步骤3,利用红外相机相邻谱段探测器的位置参数进行精定位； 经过步骤2的处理，串扰区域所在位置已基本定位；为了更精确，我们利用探测器在基 底上的位置参数来提高定位精度；由于相邻谱段探测器在基底上的错位距离映射到图像中 表现为同一地物在两谱段图像中的坐标水平方向错位P像素点，不考虑垂直方向的错位； 不失一般性，假设同一物点在4中的图像坐标为（1，」），在4中的坐标为（i，j+P);利用位 置参数进行精确定位的原理是幅值较大的地物在图像中的宽度（该地物跨越的最大水平 像素个数）大于等于P像素点时，在相邻谱段将引起宽度为P的串扰区域；否则，地物宽度 为多大，串扰区域宽度为多大；于是，对步骤2所定位的每块串扰区域对应的目标宽度与p 逐一进行比较，确定出最终的串扰区域的边界集合V :和!^ 2; 步骤4,建立串扰模型； 假设同一地物在中的灰度值小于在f2中的灰度值，f2中（i，j)位置的像素对中 (i，j)位置的像素产生的串扰为 Δ xi； j = axi； j+b (5) 其中，a和b为f2对的线性影响系数； 对（i，j)位置水平方向后续像素点的影响值为： Δ xi；J+k = 〇! Δ xi；J+c2, c2 ^ 0, k = 1, 2, ···, Κ (6) 其中，Λ Xi，」> 0, Xi，」为f2谱段未受到谱段串扰影响的图像灰度值；Cl为衰减系数， c2为衰减速率，K为引起串扰的像素点最大个数； 从另一个角度来讲，串扰区域内的（i，j)位置的像素受到f2中对应位置以及水平方 向前N像素所引起的串扰，因此串扰区域中（i, j)位置像素点受到总的串扰：
(7) 其中，Λ Xi,」_η表示f2中（i，j-n)位置的像素引起的串扰值，Λ &」是中（i，j)位置 像素点受到的串扰总值，Xi，j为4中（i，j)位置的真实值，N为在（i，j)位置引起串扰的最 大像素个数； 由此，图像中（i，j)位置消除串扰后的像素灰度值为：
(8) 其中，fji，j)是中a，j)位置像素的测量值，/r(u)为a，j)位置的消除串扰后 的灰度值； 步骤5,将串扰区域的图像数据代入串扰模型，通过训练获得模型参数的具体数值； 将串扰区域中的图像数据以及f2中对应位置的图像数据提取出来作为模型训练的 输入，通过多样本学习得到系数a，b，Cl，c2，并预设N的最大取值，即中某像素点受到f 2中 小于等于N个像素点共同引起的串扰； 步骤6,遍历全部的串扰区域，消除串扰并输出结果。
【文档编号】H04N5/21GK104065853SQ201410267039
【公开日】2014年9月24日 申请日期:2014年6月16日 优先权日:2014年6月16日
【发明者】尹继豪, 朱红梅, 周峰, 谢凤英, 李岩, 吴叶芬, 李阳 申请人:北京航空航天大学, 北京空间机电研究所