。从人眼直观看，如图7所示，效果比较明显。经 算法校正后，行均值标准差有了显著的改善。
【附图说明】：
[0046]图1 TDI-CM0S图像传感器结构框图；
[0047]图2原始均匀光图像；
[0048]图3平均灰度值Uk( i)与行序号i的关系；
[0049] 图4 一个周期的RFPN灰度值的估计值a(i)与行序号i的关系；
[0050] 图5列均值向量V和Vc的曲线；
[0051 ]图6估计的CFPN灰度值b(s)与列序号s的关系；
[0052]图7实测图像FPN校正前后视觉效果对比：（a)校正前、（b)校正后；
[0053]图8图7中图像的行均值曲线对比：（a)原始曲线、(b)校正曲线。
【具体实施方式】
[0054]本发明基于TDI-CM0S图像传感器的工作原理，通过分析FPN来源、噪声特点及其对 成像质量的影响，提出了TDI-CM0S图像传感器的噪声模型，并根据该模型设计了一种基于 灰度值补偿的FPN校正方法。
[0055]假设FPN和随机噪声都是加性噪声，而且两者不相关。对于给定的已制造完成的 TDI-CM0S图像传感器芯片，假设其FPN对应的灰度值在相同工作环境下是相等的。随机噪声 服从均值为零的高斯分布。
[0056] 如图1所示，TDI-CM0S图像传感器的像素阵列大小是MXN，即Μ行N列。将行序号和 列序号分别记为i和j。假设不同像素的光响应是不相关的，则输出图像中像素（i，j)的灰度 值y(i，j)可以表示为式(1)。
[0057] y(i, j)=x(i, j)-a(i)+b( j)+r(i, j)l < i < L, 1 < j < N( 1)
[0058] 其中，L是图像在沿轨方向上的尺寸，x(ij)是像素（ij)的理想灰度值，a(i)是第 i行像素对应的RFPN灰度值，b( j)是第j列像素对应CFPN灰度值，而r(i，j)是除FPN外的所有 噪声对应的灰度值。根据TDI工作原理，a( i)满足式(2)。
[0059] a( i) =a( i+T) (2)
[0060] T=M_TDI+1(3)
[0061 ] 其中，M_TDI为TDI累加级数。
[0062]本发明提出的一种基于灰度值补偿的FPN校正方法，首先需要采集样本图像数据， 然后依次对RFPN和CFPN进行估计和校正。
[0063]为了保证对FPN估计结果的有效性和准确性，需要使用图像采集系统采集大量的 图像数据。假定TDI-CM0S图像传感器的分辨率为8-bit。在相同的测试环境下采集K幅平均 灰度值大约是127 (即半饱和)的均匀光图像，记为Yi，Y2，…，Υκ，将这K幅图像用作估计FPN灰 度值的样本数据。对于任一幅图像Yk，式(1)可以表示为式(4)。
[0064] Yk(i , j)=Xk(i, j)-a(i)+b( j)+rk(i, j)l < k < K(4)
[0065] 样本图像采集过程中，选取半饱和灰度值的依据是"EMVA Standard 1288"标准。 该标准由欧洲机器视觉协会(European Machine Vision Association，EMVA)制定，用于描 述图像传感器和相机的特征参数。在该标准中，图像传感器空间不均匀性的测量都是基于 50 %饱和的图像。由于RFPN和CFPN都是一种空间上的不均匀性，因此该标准适用于TDI - CMOS图像传感器。
[0066] ( -）RFPN 消除
[0067] 图像Yk的行均值向量定义为Uk，第i行像素的平均灰度值定义为Uk(i)。如图3所示， 由于RFPN的存在，U k的曲线波动很大，且在横条纹所在的位置出现跳变。然而，所有样本图 像中横条纹的位置并不完全相同。因此，在计算所有样本图像的总行均值向量时，通过直接 取平均得到的结果是无效的，不能用于估计RFPN。为了得到可以用于估计RFPN的有效的总 行均值向量，首先应该检测所有样本图像中沿轨方向第一条横纹的位置，并将该操作称为 "首行检测"。
[0068] 图像Yk的行均值向量中相邻两个元素的比值定义为Dk(i)，如式(5)所示。
[0070] 因此，Uk曲线中跳变所在的位置可以很容易地通过Dk(i)的阈值检测得到，即每个 变化周期的最后一行的行序号可以通过检测得到。将第一个变化周期的最后一行的行序号 记为Sk。在图像Yk中，从第(Sk+Ι)行开始截取t个周期构造一副新的图像Yc,k。将Yc,k的尺寸定 义为L CXN，由式(2-1)可知，Lc满足式(2-6)。
[0071] Lc = tXT = tX(M+l) (6)
[0072] 对收集到的所有K幅样本图像重复进行上述操作，共可以构造 K幅新的图像，记为 Yc, i，Yc, 2，…，Yc,κ。此时，K幅新图像中所有对应的横条纹都处于相同的位置。将图像Yc,k的行 均值向量定义为Uc,k，则所有新图像￥。, 1乂,2，-_乂,1(的总行均值向量说可以表示为式(7)。
[0074] 总行均值向量udi过多次采样取平均计算得到，消除了CFPN和随机噪声的影响， 因此可以基于古计第i行像素对应的RFPN灰度值a(i)(l Si SL。）。而根据上文中的分析，a (i)和Uc中的元素的变化都具有周期性，则只需要估计出一个周期的RFPN灰度值即可。因 此，a(i)表达式如式(8)。&(1)与i关系如图4所示。
[0075] a(i) =round(Uc( 1 )~Uc(i)) 2<i<M+l (8)
[0076] 根据式（1)，可以通过像素原始灰度值加上对应行的RFPN灰度值的估计值来校正 RFPN。在RFPN校正之前，需要首先进行"首行检测"操作。另外，考虑到8-bit图像的灰度值范 围是(0-255)，还需要对校正过程进行一些约束，如式(9)所示。
[0077]
其中，z(i，j)是 像素 (i，j)校正RFPN后的灰度值。
[0078]根据式（1)和式(9)，像素（i，j)校正RFPN后的灰度值z(i，j)可以表示为式（10)。
[0079] z(i,j)=x(i,j)+b(j)+r(i,j) l<i<L,l<j<N (10)
[0080] (二）CFPN 消除
[0081 ] 对所有样本图像Yi，Y2，…，Yk进行RFPN校正后得到K幅新的图像，记为Zi，Z2，…，Ζκ。 Zk(1 < k < K)的列均值向量定义为Vk，则所有K幅新图像的总列均值向量V可以表示为式 (11)0
[0083]总列均值向量V通过多次采样取平均计算得到，消除了随机噪声的影响，因此可以 基于V估计第j列像素对应的CFPN灰度值b(j)(l < j <N)。由于CFPN的存在，V的曲线波动很 大，如图5中浅色曲线所示。
[0084]为了基于向量V估计CFPN灰度值b(j)，首先构造一个曲线近似平滑的理想列均值 向量Vc，如图6中深色曲线所示。贝lj向量V减去向量Vc得到的差即为估计的CFPN向量。
[0085]向量Vc可以通过向量V中几个相邻元素取平均的方式构造，即使用最近邻均值滤 波器(Nearest Neighbor Averaging Filter，NNAF)进行构造。为了构造向量Vc，本文设计 了一种带有参数的NNAF，如式(12)所示。
[0087]其中，W是变量，Vw是使用设计的NNAF构造的列均值向量，而Vw(j)是第j列像素的平 均灰度值。
[0088]基于％估计的CFPN向量定义为％，而第j列像素的平均灰度值定义为Bw(j)。则向量 Bw可以通过式(13)计算得到。
[0089] Bw= floor (V-Vw) (13)
[0090] 向量Bw中所有元素的平均值定义为Bm,w，而Bm,w的绝对值定义为Βμα,ι，如式（14)和式 (15)所示。
[0092] Bma,w= |Bm,w| (15)当Ν足够大时，CFPN向量中的元素服从均值为零的高斯分布。 因此，估计得到的CFPN向量中所有元素的平均灰度值应该为零或近似为零。则对应Βμα,ι值 最小的Bw向量是对CFPN向量的最佳估计，将最佳估计向量Bw记为Bs。因此可得