一种基于鱼眼镜头的非均匀性校正方法

HDR及一些非均匀性校正算法

HDR High Dynamic Range ，即高动态范围，比如所谓的高动态范围图象（HDRI）或者高动态范围渲染（HDRR）。动态范围是指信号最高和最低值的相对比值。目前的16位整型格式使用从“0”（黑）到“1”（白）的颜色值，但是不允许所谓的“过范围”值，比如说金属表面比白色还要白的高光处的颜色值。在HDR的帮助下，我们可以使用超出普通范围的颜色值，因而能渲染出更加真实的3D场景。也许我们都有过这样的体验：开车经过一条黑暗的隧道，而出口是耀眼的阳光，由于亮度的巨大反差，我们可能会突然眼前一片白光看不清周围的东西了，HDR在这样的场景就能大展身手了。 HDR可以用3句话来概括：亮的地方可以非常亮暗的地方可以非常暗亮暗部的细节都很明显。HDR的处理在显卡中可以分为3个步骤：将画面用高光照动态范围渲染，并储存每个象素的亮度特性；将HDRI画面转成低动态范围的画面（RGBA或是sRGB）；色彩和Gamma校正后传送到显示设备输出。 计算机在表示图像的时候是用8bit(256)级或16bit(65536)级来区分图像的亮度的，但这区区几百或几万无法再现真实自然的光照情况。HDR文件是一种特殊图形文件格式，它的每一个像素除了普通的RGB信息，还有该点的实际亮度信息。普通的图形文件每个象素只有0 －255的灰度范围，这实际上是不够的。想象一下太阳的发光强度和一个纯黑的物体之间的灰度范围或者说亮度范围的差别，远远超过了256个级别。因此，一张普通的白天风景图片，看上去白云和太阳可能都呈现是同样的灰度/亮度，都是纯白色，但实际上白云和太阳之间实际的亮度不可能一样，他们之间的亮度差别是巨大的。因此，普通的图形文件格式是很不精确的，远远没有纪录到现实世界的实际状况。所以，现在我们就要介绍一下高动态范围图像（简称HDRI）。 HDR高动态范围渲染目前是一种逐渐开始流行的显示技术，其技术出发点就是让计算机能够显示更接近于现实照片的画面质量。目前在民用领域看到最多HDR技术应用的必然是游戏了。 在现实中，当人从黑暗的地方走到阳光下时，我们的眼睛会不由自主的迷起来，那是因为在黑暗的地方，人为了更好的分辨物体，瞳孔张开很大，以便吸收光线;而突然到了光亮处瞳孔来不及收缩，视网膜上的视神经无法承受如此多的光线，人自然会迷上眼睛阻止大量光线冲击视神经。而电脑是不具备这种功能的。所以，HDR的最终效果因该是亮处的效果是鲜亮的，而黑暗处你也可以清晰的分辨物体的轮廓，位置和深度，而不是以前的一团黑。动态、趋近真实的物理环境是HDR的特效表现原则。 实际游戏中会发现井底水面反射的阳光在墙壁上动态的明亮反光，洞口的明亮天空也会稍微变弱些。这样就能更清晰的表现出水面的反光。如果此时低头看水面会发现水面直接将阳光反射到人眼中很刺眼，但仅仅1秒钟时间光线就会减弱，因为人眼适应了直接反射的阳光。 这就是游戏的曝光控制功能，模拟人眼自动适应光线变化的能力，而不是照相机。HDR并不仅仅是反射的光强度要高。在游戏中，如果你盯着一个面向阳光直射的物体，物体表面会出现丰富的光反射;如果盯着不放，物体表面的泛光会渐渐淡出，还原出更多的细节。HDR特效是变化的，因此称作高动态光照。 热成像的非均匀性校正算法有很多种，红外焦平面非均匀性校正算法主要分为基于定标的非均匀校正算法(如一点温度定标算法、二点温度定标算法、多点温度定标算法)和基于场景的自适应非均匀校正算法(如时域高通滤波(THPFC)算法、人工神经网络(ANNC)算法、恒定统计平均(Cs)校正算法等)。目前二点温度定标算法和多点温度定标算法是最为成熟的实用性算法，但是它需要周期性的对它维护，这给红外成像设备维护工作带来很多困难。而基于场景的非均匀

鱼眼图像畸变校正算法

鱼眼图像畸变校正算法 司 磊 朱学玲 （安徽新华学院 信息工程学院 安徽 合肥 230088） 摘 要： 根据鱼眼镜头成像的特点，选择合适的图像畸变校正算法，标定鱼眼图像的中心和半径，用标定得到的参数进行校正，推出校正模型，方法简单，易于实现，并对鱼眼图的畸变矫正问题提出意见与看法。 关键词： 鱼眼图像；畸变矫正；图像预处理；图像增强 中图分类号：TP391 文献标识码：A 文章编号：1671－7597（2012）1110166－02 鱼眼图像的畸变矫正是以某种独特的变换方式将一副鱼眼 2 有关鱼眼图片的粗略校正 图像转换为理想图像的操作，这种操作在全方位视觉导航中具1）求取鱼眼图像行和列的比值 有重要的作用，是系统自动识别、跟踪和定位目标所必须的基将投射生成标准圆变换为鱼眼图片并求取图片中心点的方础操作。 法与普通相机照相原理不同，对于提取出来的鱼眼图片的轮1 畸变图像的校正原理 廓，我们先假定一个阈值，比如设一个灰度值30，用软件勾勒描绘出校正鱼眼图片大概的轮廓，然后先求出该轮廓的中心点根据畸变图像特点标定坐标图，求取标定点像素的理想值坐标，根据轮廓的图形和鱼眼图像的中心点的坐标，可计算出和实际值，同时生成坐标映射表，再把坐标映射表用于畸变图畸变图像的圆半径，从而求取鱼眼图像的中心点坐标和鱼眼图像的校正程序后，即可得到无畸变图像，具体处理过程如下： 像的粗略轮廓的图像的半径相对比，以便于将鱼眼图像的大概1）标定坐标 轮廓重新调整处理，变的更为精确和直观。假定畸变校正的鱼镜头中心的畸变可以忽略为零，以镜头为中心，离镜头越眼图片的半径中的行坐标曲线和列坐标曲线不相等，则我们需远的地方畸变越大。以镜头为中心标定坐标图，对图像进行坐要将畸变校正的鱼眼图像中的园的半径的曲线与下面的公式相标的标定，按正方形均匀排列圆点，如图1所示。 乘，然后就可以变换为普通的标准圆的图像。下面公式中（u，v）是畸变校正的鱼眼图片的中心点，β为畸变校正的鱼眼图像行和列的比值。 图1 2）图像预处理 先通过图像的、突出边缘细节；然后再用二值化处理增强调节对比度的图像，但部分样板点和背景的对比的差值较大，所以是设定一个阈值对整幅图像进行二值化，最后再对二值化后的图像再次进行中值滤波的方法处理，再次使用中值滤波方法可以有效的去除畸变图像中的部分椒盐噪声的影响。二值化的主要作用是可以提高畸变校正图像的质量，预处理图像可以为点阵样板圆点中心的确定提供重要的作用。 3）圆点中心的确定 由于图像畸变的影响，经过图像预处理后的畸变校正图像仍然是不规则的实心圆，然而样板中的确定的圆点却是规则排列的，所以可以在畸变校正的样板图像上把各个圆点的重心近似的2）鱼眼图片的粗略扭曲校正 替换为圆点中心，找出一个圆点的重心作为理想畸变校正样板图在得到中心点的坐标和校正形状之后，把扭曲的鱼眼图像像上与之对应的点，并找出该点处于二维平面坐标之中与之距离通过投射降低图像的扭曲程度变为正常的四方形的图像。 之和最大的圆点，从各个圆点的坐标之中找出与之距离之和最大在图2中，假设在没有扭曲的背景图像中，存在两个具有的圆点坐标，该点坐标即为畸变图像中与之相对应的点的坐标。相同x坐标的点，即k点和h点，并且在背景图像中随着圆上曲线再找出理想的点阵样板图像和该畸变校正图像中各圆点中心的位的经纬度的变大，扭曲程度也就越大，但是三维球面的整体从置，计算出点与点之间的垂直距离，即可得到点阵样板图像中各左到右的各个面的角度的差值全部都是相等的，而且在x轴方向点之间的偏移量，从而可以描绘和构建畸变校正图像上的各个点上与二维畸变校正图像相对应的线段dx的均匀分割经度或是纬之间偏移量的曲面。最后经过图像预处理过程的样板圆点中心的度也是相等的。因此在二维图像的X轴方向上任意点坐标经度或 确定，可计算出其它圆点中心的坐标位置。 图2

11非线性校正

第11讲 并不多余的技术——非线性校正 由于线性系统灵敏度恒定，便于计算和显示，还适用于动态分析，因此希望检测系统为线性系统，对于非线性系统可以加入校正环节使之成为线性系统。 11．1 非线性校正的数字方法P288 下图为利用只读存诸器ROM 进行非线性校正的方法：被测量x 与传感器的输出)(1x f u =是非线性函数关系，在ROM 中存放f 的反函数)(1a f y ?=的函数表，即以顺序排列的A/D 转换器的输出a 作为地址，在ROM 中相应地址的存诸单元中存放)(1i i a f y ?=的数值。这样，可使数据y 与输入x 成线性关系。这种方法设计方便，结构简单，性能稳定。这一方法也可由软件实现，即将ROM 的数据作为软件查询的表格，实现非线性校正。 图 用ROM 进行非线性校正原理框图 数字方法非线性校正精度高，稳定性好，但也存在致命的弱点：A/D 转换器分辨率的损失。例：某位移传感器输入x 量程100μm ，分辨力1μm ，分辨率10-2。若为线性系统，灵敏度为常数，设为1mV/μm ，输出)(1mV x u =，则输出信号范围为0~100mV ，采用8位的A/D ，分辨率可达到1/256≈0.4×10-2，明显高于要求的10-2，满足要求。若为平方律系统：)(2 1mV x u =，其输出为0~104mV ，为能实现要求的分辨力（1μm ），需使输出达到1mV 的分辨力，即10-4的分辨率。若采用12位的A/D 转换器，只能实现1/4096=2.44×10-4的分辨率，远低于所需的10-4的分辨率，不能满足要求。实际上，这里需用到14位以上的A/D 转换器，这样高分辨率的A/D 转换器不仅成本高，而且对整个电路的抗干扰性能的要求也高，使设计调试困难。因此，对于全量程范围内，斜率（灵敏度）变化较大的严重非线性系统，不宜采用数字方法进行非线性校正。 11．2 非线性校正的模拟方法P289 一．开环校正法 开环校正法见下图。在放大器后面串入一个非线性校正环节，使整个系统的输入输出呈线性，即sx u Y =，其中s 为灵敏度。图中由)(1x f u =及12ku u =得)(2x kf u =，从而)/(21k u f x ?=。我们希望)/(21k u sf sx u Y ?==，通过比较)(2u g u Y =可知：g 是f 的反函数，只是坐标按比例作了变换。 图 开环校正检测系统框图

鱼眼畸变矫正软件系统

fisheye畸变矫正软件系统 -西安冉科信息技术有限公司 技术目标： 鱼眼镜头的突出特点是一次性摄入 185°视角内所有的信息，无盲区，无须考虑图像拼合和嵌接等问题。但鱼眼图像具有非常严重的畸变，如果要利用这些具有严重变形图像的信息，就需将这些变形图像校正为人们所习惯的透视投影图像。本系统可以实现展开任意方向轴上的“展开窗口”，对图像中敏感信息的抓取具有积极效果。它的展开效果消除了其它恢复方法边缘“拉扯”的现象，在边缘也可以得到接近现实世界的效果。最终的实验结果表明，此算法具有流程简单、速度快、效果好、实用性强等特点，可以达到处理鱼眼镜头视频图像的实时校正要求。 技术内容： 1、确定鱼眼图像的圆心 2、建立鱼眼图像的符合等距投影原理的球面成像模型 3、建立透视投影平面坐标系与展开后的图像坐标系，并求出这两个坐标系之间的关系 4、建立恢复后图像坐标系与相机坐标系的关系 5、求出恢复后图像坐标系与鱼眼图像坐标系之间的关系

一、确定鱼眼图像圆心O与半径R 读取到视频帧，通过图像处理的方法，对图像进行分割，找到鱼眼图像区域的最小外接矩形，进一步对视频帧进行分割。根据分割出的鱼眼图像，确定鱼眼圆心。 二、建立鱼眼图像的符合等距投影原理的球面成像模型 1 以鱼眼图像的圆心O为原点建立鱼眼图像坐标系。 2 建立相机坐标系。 3 以O为中心，以鱼眼图像的半径R为半径做半球， 建立球面成像模型。 三、建立透视投影平面坐标系与展开后的图像坐标系，并求 出这两个坐标系之间的关系 1、确定展开的方位角、仰角、视角。

2、确定展开图像的大小。 3、根据展开图像大小和透视平面大小确定投影关系。 四、建立恢复后图像坐标系与相机坐标系的关系 1、建立透视投影平面坐标系与相机坐标系的关系 2、求出恢复后图像中点对应的在相机坐标系中的坐 标。 五、求出恢复后图像坐标系与鱼眼图像坐标系之间的关系 1、根据等距投影原理求出相机坐标系中的点在鱼眼图 像中的成像点的坐标。 2、根据所得到的映射关系即可得到恢复后图像任意一 点对应的鱼眼图像点的坐标。 技术方法和路线： UBANTU下结合opencv和ffmpeg对鱼眼视频进行解码和处理，视频帧的是通过ffmpeg解码获得，获得数据后，进行灰度处理，统计直方图，通过寻找最佳阈值，找到鱼眼区域。然后通过改变参数对任意区域进行校正，最后通过四分屏显示校正的结果。 开发语言：C 与 C++ 开发环境：UBANTU14.04 LTS(32bit)，并配置opencv 与 ffmpeg 程序编程：使用gedit编辑、修改c/c++文件，用g++把编辑好的源文件编译成可执行程序，编译时需要链接opencv和线程库(因为使用了多线程)，获得的可执行程序就可以对鱼眼畸变视频进行校正了。

基于圆心共线约束的鱼眼镜头径向畸变估计

第41卷第11期 光电工程V ol.41, No.11 2014年11月Opto-Electronic Engineering Nov, 2014 文章编号：1003-501X(2014)11-0036-08 基于圆心共线约束的鱼眼镜头径向畸变估计 朱云芳1，杜歆2 ( 1. 浙江工商大学计算机与信息工程学院，杭州 310018； 2. 浙江大学信息与电子工程学系，杭州 310027 ) 摘要：提出了基于圆心共线约束的鱼眼镜头径向畸变估计方法。拍摄单幅至少包含空间二组平行直线的标定图像。 在单参数除法径向畸变模型下，空间平行直线被映射为畸变图像上的一组圆弧。通过推导发现由同一组平行直线投影得到的圆弧会相交于二个公共交点，因而它们的圆心具有共线性质。在拟合圆弧参数时利用圆心共线性质，能够达到精确求解的目的。提出了基于圆心共线圆弧的单参数除法模型参数的求解方法，并进一步提出了圆心共线圆弧的非线性优化拟合方法。仿真和真实图像的实验结果都表明，相比传统方法，所提出的方法鲁棒性强，能有效提高标定的精度。 关键词：鱼眼镜头；除法模型；径向畸变；圆弧拟合；失真校正 中图分类号：TP391.7 文献标志码：A doi：10.3969/j.issn.1003-501X.2014.11.006 Estimating Radial Distortion for Fish-eye Lens Based on Collinear Constraint ZHU Yunfang1，DU Xin2 ( 1. College of Computer and Information Engineering, Zhejiang Gongshang University, Hangzhou 310018, China; 2. Department of Information Science and Electronic Engineering, Zhejiang University, Hangzhou 310027, China ) Abstract: A method of calibrating radial distortion for fish-eye lens based on collinear constraint is proposed. The method only needs a single image which contains at least two sets of parallel lines in 3D world. Under single parameter division model, these lines are imaged as circular arcs in the distorted image. These circular arcs imaged from the same set of parallel lines will intersect at two common points, and thus their centers are collinear. Under this constraint, the calculation of parameters of the single parameter division model is then proposed, which can be solved by using the Levenberg-Marquardt algorithm effectively. Experimental results of both synthetic and real images show that the proposed method is simple, robust and accurate. Key words: fisheye lens; division model; radial distortion; arc fitting; distortion correction 0 引 言 鱼眼镜头相机因其具有非常大的视野而在视频监控、机器人导航以及三维重建等领域得到广泛应用。然而，在视野扩大的同时，鱼眼镜头成像也带来了非常大的失真，表现在图像上是越靠近图像的外边缘，畸变的程度越大。这种畸变如果不加以有效的校正，将会给鱼眼镜头的应用带来很大的阻碍。 鱼眼镜头的失真有多种类型，其中径向畸变被认为是主要因素[1]。有众多的学者对鱼眼镜头的失真校正进行了研究，他们采用了不同的径向畸变数学模型。例如有多项式模型[2]、Field-of-view 模型[3]、除法模型[4]、Equi-distant模型[5]、Stereographic模型[6]、非参数化模型[7]等。在这些模型中，多项式模型运用较 收稿日期：2014-03-31； 收到修改稿日期：2014-05-07 基金项目：浙江省自然科学基金项目(LY12F01019)；国家自然科学基金面上项目(61271339) 作者简介：朱云芳(1980-)，女(汉族)，湖北荆州人。副教授，博士，主要研究工作是计算机视觉、图像处理。E-mail: zhuyf@https://www.wendangku.net/doc/106470260.html,。 https://www.wendangku.net/doc/106470260.html,

非均匀性矫正

一、图像的非均匀性矫正

二、图像增强

三、程序代码（MATLAB）%%%%%%%%%%%%%%%%%%%%555555555555555555555555555555555一点矫正HIGH_T=fopen('highdat_151.dat','rb'); HIGH=fread(HIGH_T,[200,200],'uint8'); HIGH=uint8(HIGH); %类型转化为uint8 subplot(321);imshow(HIGH); title('原始高温图像'); subplot(322);mesh(double(HIGH));title('原始高温图像三维显示'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% LOW_T=fopen('lowdat_151.dat','rb'); LOW=fread(LOW_T,[200,200],'uint8'); LOW=uint8(LOW); subplot(323);imshow(LOW); title('原始低温图像'); subplot(324);mesh(double(LOW)); title('原始低温图像三维显示'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% HAND_D=fopen('handdat_60.dat','rb'); HAND=fread(HAND_D,[200,200],'uint8'); HAND=uint8(HAND); subplot(325),imshow(HAND); title('原始手形图像'); subplot(326),mesh(double(HAND)); title('原始手形图像三维显示'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%选取低温图进行定标 S=mean2(LOW(:)); % S为定标值 S_LOW=S*ones(200,200); S_LOW=uint8(S_LOW); %S_LOW为定标矩阵 D_LOW=LOW-S_LOW; %校正系数D_LOW figure; HIGH_L=HIGH-D_LOW; subplot(321);imshow(HIGH_L); title('经低温矫正后的高温图像'); subplot(322);mesh(double(HIGH_L)); title('经低温矫正后的高温图像三维显示'); LOW_L=S_LOW; subplot(323);imshow(LOW_L); title('经低温矫正后的低温图像'); subplot(324);mesh(double(LOW_L)); title('经低温矫正后的低温图像三维显示'); HAND_L=HAND-D_LOW; subplot(325);imshow(HAND_L); title('经低温矫正后的原始手图像'); subplot(326);mesh(double(HAND_L)); title('经低温矫正后的原始手图像三维显示'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%选取高温图进行定标 S=mean2(HIGH(:)); % S为定标值 S_HIGH=S*ones(200,200); S_HIGH=uint8(S_HIGH); %S_LOW为定标矩阵 D_HIGH=HIGH-S_HIGH; %校正系数D_HIGH figure; HIGH_H=S_HIGH; subplot(321);imshow(HIGH_H); title('经高温矫正后的高温图像');

非线性误差校正方法

非线性误差校正方法 1、网格尺寸为26” X 20”，x方向为26”，y方向为20”。以下示图与Campost中网格方向 一致。 y A(0,20) x方向D(26,20) 2、非线性误差校正是通过改变固定位置的偏移量来达到校正的效果。具体描述如下： 偏移量offset(x, y)的单位换算：1 = 0.5mil； 偏移量的正负：正值代表缩短；负值代表拉长； B点为圆点，不存在偏移量offset。 方向拉长万分之一 y方向拉长万分之一 如上图要求校正： y方向拉长万分之一，即20000 X 0.0001 = 2mil 对应偏移量的值为4； x方向拉长万分之一，即26000 X 0.0001 = 2.6mil 对应偏移量的值为5.2.。 给出A, C, D 三点座标如下： A(0,20) --- A.offset(e, -4) C(26,0) --- C.offset(-5, e) D(26,20) --- D.offset(-5, e) 偏移量的值只能取整数，偏移量为e表示程序自动计算。 同理可得缩短的校正方法。 3、矩形的校正 点向下移动1mil

如上图要求校正，给出A, C, D 三点座标如下：A(0,20) --- A.offset(e, e) C(26,0) --- C.offset(e, 2) D(26,20) --- D.offset(e, 2) 第一步确保B点即原点对齐，然后对准A点；C,D两点相对A,B两点向上，偏移量给正值；C,D两点相对A,B两点向下，偏移量给负值； 4、综合2、3两部的校正 给出A, C, D 三点座标如下： A(0,20) --- A.offset(e, -4) C(26,0) --- C.offset(-5, 2) D(26,20) --- D.offset(-5, -2) D点的y值= A点的y值+ C点的y值

红外图像非均匀性校正及增强算法研究

红外图像非均匀性校正及增强算法研究 受限于制造工艺的约束,红外焦平面中各探测像元的光电响应率不一致,即存在非均匀性问题,导致图像中出现固定样式噪声,且具有缓慢的时间漂移性。并且,红外探测器的光电响应动态范围较大,而单幅图像场景的温度范围通常在红外探测器总体动态范围中占比小,导致原始红外图像对比度低、物体边界模糊。 因此,非均匀性校正和图像增强是必不可少的红外图像预处理步骤。本文将围绕基于场景的非均匀性校正和红外图像增强技术展开研究,论文的主要研究内容如下:1.凝视型红外探测器中,传统的基于神经网络的非均匀性校正方法通常假设固定样式噪声满足独立同分布,但在低成本非制冷探测器中,非均匀性的条纹噪声强,噪声分布特性不满足假设,导致现有方法难以兼顾边缘保护与条纹噪声抑制。 针对该问题,本文提出了基于自适应稀疏表示以及局部全局联合约束学习率的非均匀性校正方法,引入稀疏表示理论,利用干净的红外图像集训练出的过完备字典中的原子可稀疏地表示图像场景信息的特性,在自适应的误差容限内重建图像,从而保护图像边缘、将噪声成分当作冗余去除。实验结果表明,在均方根误差指标上,本方法相比传统方法降低了1.1652至1.9107不等、降低了约17.92%至26.37%,能够在保护图像边缘的同时有效去除包括条纹噪声在内的固定样式噪声。 2.扫描型红外探测器中,若直接采用凝视型探测器的非均匀性校正方法,则仍需数百帧图像计算校正系数,算法收敛慢。传统的扫描型探测器校正方法利用扫描成像的特性逐列(假设沿行扫描)更新校正系数,在单帧图像内完成校正。 然而,单帧图像内场景辐射多样性通常有限,导致传统方法易陷入局部最优

红外焦平面阵列非均匀性校正算法的研究

红外焦平面阵列非均匀性校正算法的研究 摘要：红外焦平面阵列普遍存在非均匀性，会严重影响红外成像质量。对非均匀性的主要来源和表现形式进行了探讨，介绍了在工程应用中常用的校正方法，两点温度校正法、时域高通滤波法和人工神经网络法，给出详细的推导，并对几种校正算法进行了分析和研究，对这几种校正算法的优点和缺点进行讨论和综合对比，为进一步开展红外焦平面非均匀性校正提供参考意见。 关键词：红外焦平面阵列非均匀性校正算法对比 Study of Non-uniformity Correction Algorithms for IRFPA Abstract:There usually exist a non-uniformity problem for infrared focal plane arrays.This problem may has a severe influence on the imaging quality of them.The non-uniformity of the major sources and manifestations are discussed.Two temperature correction method,constant statistical average,temporal high-pass filtering and artificial neural network which usually applied in engineering are introduced. Three correction algorithms are analysed and researched, giving a detailed derivation,and advantages and disadvantages of the four correction algorithms are discussed and comprehensively compared. providing a reference suggestions for the further development of non-uniformity correction algorithms for IRFPA.

红外图像非均匀性校正

改进的红外图像神经网络非均匀性校正算法 摘要：红外焦平面阵列（IRFPA）像元响应存在不一致性，会严重影响红外成像系统成像的质量，实际应用中需要采用响应的非均匀性校正（NUC）技术。传统的神经网络校正算法在校正结果中存在图像模糊和伪像的问题，影响人们对于目标的观察。在分析了传统的神经网络性校正算法所出现问题原因的基础上，提出了有效的改进算法：用非线性滤波器代替传统算法中使用的均值滤波器。算法改进之后所得到的校正图像，不仅在清晰度方面有明显的改善，而且有效的消除了传统算法中存在伪像的问题。 关键词：非均匀性；神经网络；模糊；伪像 中图分类号：TN215 文献标识码：A Improved infrared image neural network non-uniformity correction algorithm Abstract：The responsive of infrared focal plane arrays (IRFPA) is different; it will affect the quality of imaging system seriously. Non-uniformity correction technology will need in practical application. The calibrated images have the problems of blurring and existing ghost artifacts when use the traditional neural network correction algorithm. And it is bad for the observation of the target. After analysis the reasons for the problems in the traditional neural network correction algorithm，proposed the improved algorithm. Replace the mean filter, which used in the traditional algorithm, by the nonlinear filter. The corrected image by the improved algorithm not only a marked improvement in clarity, but also effectively eliminate the problem of artifacts in traditional algorithms. Keywords：Non-uniformity; Neural network; Blurring; Ghosting artifacts 0引言 红外技术是20世纪初新出的一种不可见光技术，目前已被广泛应用于军事和民事领域，如红外探测，红外监视等。而IRFPA作为红外技术的核心部分，起着关键的作用，但是IRFPA上存在的非均匀性是影响红外系统的一个重大因素。因此，对于非均匀性的研究是目前广泛讨论的问题。 目前国内外已经出现了多种IRFPA非均匀性校正方法，归纳起来它们大致可以分为两类：基于定标的NUC算法[1]，这类算法由于精度高、算法简单，得到了广泛的应用。但是定标类校正方法由于受到IRFPA工作时间和环境的影响，其响应参数会发生缓慢漂移，进而影响校正精度。因此，定标类校正方法通常需要进行周期性定标校正[2]，这样在校正过程中就需要设备停止工作，所以会带来很大的不便。第二类是基于场景的NUC算法[3]，这类校正算法在一定程度上能够克服IRFPA响应漂移带来的校正误差，并且不需要参考源，因此基于场景的算法成为了目前研究的主要方向。神经网络校正方法以其较好的自适应性和误差跟踪能力而成为场景类校

非线性自校正

非线性自校正 一 传感器非线性校正原因 智能仪表的模拟输入通道一般由传感器、前置放大电路、有源滤波器、采样保持电路(S/H)、A/D 转换器和微机系统等电路组成。传感器非线性的产生是生产过程中敏感芯片在工艺上处理不当造成的,为提高精度对其进行非线性的线性化校正在许多测试计量场合中是十分必要的。由于电子元器件性能参数的离散性、稳定性和温度敏感性等问题，目前还得不到根本的解决。因此，从传感器到A/D 转换之间的任何一个环节都存在非线性的问题，使得A/D 转换值n 与被测量x 不成线性关系，即n ≠ax+b(a 、b 为常数)。如果不解决这种非线性问题，将会严重影响智能仪表的测量精度。这里我们只讨论传感器的非线性校正方法。传感器就是一种以一定的精确度将被测物理量(如位移、力、加速度等)转换为与之有确定对应关系的、易于精确处理和测量的某种物理量的测量部件或装置。狭义地定义为:能把外界非电信号转换成电信号输出的机器或装置。传感器的作用就是把光、声音、温度等各种物理量转换为电子电路能处理的电压或电流信号。理想传感器的输入物理量与转换信号量呈线性关系,线性度越高,则传感器的精度越高,反之,传感器的精度越低。在自动检测系统中,我们总是期望系统的输出与输入之间为线性关系,但在工程实践中,大多数传感器的特性曲线都存在一定的非线性度(有时又称为线性度与积分线性度)误差,另外,非电量转化电路也会出现一定的非线性。传感器非线性特性产生的原因从传感器的变换原理可以看出,利用各类传感器把物理量转换成电量时,大多数传感器的输出电量与被测物理量之间的关系都存在一定的非线性,这是数据采集系统产生非线性特性的主要原因,其次是变换电路的非线性,现分别叙述如下: 1.1传感器变换原理的非线性。 如用热敏电阻测量,热敏电阻Rt 与t 的关系是： Rt=A ?exp(B/T) （1） 式中,T=273+t,t 为摄氏温度;A,B 均为与材料有关的常数,显然Rt 与t 呈非线性。 1.2转换电路的非线性。 如电桥,电桥是将电路参数(L,R,C)的变化转换成电压或电流输出的一种测量电路。电桥在单臂工作时(Z1=Z2=Z3=Z4,Zi=∞),输出电压U0为 U Z U )2(2Z Z 0?+?= （2） 该式表明△Z 与U0关系是非线性的。很多近似线性关系的转换电路,都是相对于一定精度与范围而言的,因此为了提高系统的测量精度,保证系统的线性输出,必须对系统进行线性化处理,也就是非线性的线性化校正。 二 线性校正方法 非线性校正方法分别从硬件和软件两方面给出了校正的方法,并对硬件、软件校正的优缺点做出了总结，即非线性的线性化校正采用何种方法,要根据实际应用的要求来确定。 2.1 用硬件电路实现非线性特性线性化。主要有以下几种： 2.1.1敏感元件特性的线性化。 敏感元件是非电量检测的感受元件,它的非线性对后级影响很大,我们应尽量使它线性化,如式(1)中,热敏电阻Rt 与t 呈非线性关系,我们可以采用一个附加线性电阻与热敏电阻并联,所形成的并联等效电阻Rp 与t 有近似线性关系,如图1,Rp 的整段曲线呈S 形。电路并联的电阻R 可由(4)式确定。 t t P R R R R R += * （3）

鱼眼图像畸变校正算法

据《硅谷》杂志2012年第21期刊文称，根据鱼眼镜头成像的特点，选择合适的图像畸变校正算法，标定鱼眼图像的中心和半径，用标定得到的参数进行校正，推出校正模型，方法简单，易于实现，并对鱼眼图的畸变矫正问题提出意见与看法。 关键词：鱼眼图像；畸变矫正；图像预处理；图像增强 鱼眼图像的畸变矫正是以某种独特的变换方式将一副鱼眼图像转换为理想图像的操作，这种操作在全方位视觉导航中具有重要的作用，是系统自动识别、跟踪和定位目标所必须的基础操作。 1畸变图像的校正原理 根据畸变图像特点标定坐标图，求取标定点像素的理想值和实际值，同时生成坐标映射表，再把坐标映射表用于畸变图像的校正程序后，即可得到无畸变图像，具体处理过程如下：1）标定坐标 镜头中心的畸变可以忽略为零，以镜头为中心，离镜头越远的地方畸变越大。以镜头为中心标定坐标图，对图像进行坐标的标定，按正方形均匀排列圆点，如图1所示。 2）图像预处理 先通过图像的、突出边缘细节；然后再用二值化处理增强调节对比度的图像，但部分样板点和背景的对比的差值较大，所以是设定一个阈值对整幅图像进行二值化，最后再对二值化后的图像再次进行中值滤波的方法处理，再次使用中值滤波方法可以有效的去除畸变图像中的部分椒盐噪声的影响。二值化的主要作用是可以提高畸变校正图像的质量，预处理图像可以为点阵样板圆点中心的确定提供重要的作用。 3）圆点中心的确定 由于图像畸变的影响，经过图像预处理后的畸变校正图像仍然是不规则的实心圆，然而样板中的确定的圆点却是规则排列的，所以可以在畸变校正的样板图像上把各个圆点的重心近似的替换为圆点中心，找出一个圆点的重心作为理想畸变校正样板图像上与之对应的点，并找出该点处于二维平面坐标之中与之距离之和最大的圆点，从各个圆点的坐标之中找出与之距离之和最大的圆点坐标，该点坐标即为畸变图像中与之相对应的点的坐标。再找出理想的点阵样板图像和该畸变校正图像中各圆点中心的位置，计算出点与点之间的垂直距离，即可得到点阵样板图像中各点之间的偏移量，从而可以描绘和构建畸变校正图像上的各个点之间偏移量的曲面。最后经过图像预处理过程的样板圆点中心的确定，可计算出其它圆点中心的坐标位置。 2有关鱼眼图片的粗略校正 1）求取鱼眼图像行和列的比值 将投射生成标准圆变换为鱼眼图片并求取图片中心点的方法与普通相机照相原理不同，对于提取出来的鱼眼图片的轮廓，我们先假定一个阈值，比如设一个灰度值30，用软件勾勒描绘出校正鱼眼图片大概的轮廓，然后先求出该轮廓的中心点坐标，根据轮廓的图形和鱼眼图像的中心点的坐标，可计算出畸变图像的圆半径，从而求取鱼眼图像的中心点坐标和鱼眼图像的粗略轮廓的图像的半径相对比，以便于将鱼眼图像的大概轮廓重新调整处理，变的更为精确和直观。假定畸变校正的鱼眼图片的半径中的行坐标曲线和列坐标曲线不相等，则我们需要将畸变校正的鱼眼图像中的园的半径的曲线与下面的公式相乘，然后就可以变换为普通的标准圆的图像。下面公式中（u，v）是畸变校正的鱼眼图片的中心点，β为畸变校正的鱼眼图像行和列的比值。 2）鱼眼图片的粗略扭曲校正 在得到中心点的坐标和校正形状之后，把扭曲的鱼眼图像通过投射降低图像的扭曲程度变为正常的四方形的图像。