CN104065853B - 一种红外相机串扰消除方法 - Google Patents

Abstract

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。

Description

一种红外相机串扰消除方法

技术领域

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

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。

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。

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——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f₁谱段和f₂谱段)分视场成像时，在f₂谱段探测器接收到信号成像时，f₁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f₁谱段探测器接收到信号成像时，f₂谱段对应位置也会受到相似的影响。观察两谱段图像发现，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。

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

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。

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。

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。

下面对该方法流程各步骤进行详细说明。

步骤1，获得初始数据及相关初始化操作；

输入原始相邻谱段的红外遥感图像f₁和f₂，计算图像的尺寸，对图像亮度进行归一化，以及定义图像f₁和f₂中相对彼此亮度较高的地物为目标；

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定位图像中目标的边缘，即给定输入信号f_k,k＝1,2和结构元素s,则图像的形态学内边缘为：

g_1k＝f_k-(f_k⊙s),k＝1,2 (1)

其中，(f_k⊙s)表示对图像f_k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：

其中，表示对图像f_k的形态学膨胀操作；

对g_1k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b_1k；同样地，对g_2k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b_2k；

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f₁和f₂的串扰区域的左右边界为

R₁＝b₂₂-b₁₁ (3)

R₂＝b₂₁-b₁₂ (4)

需要说明的是，R₁和R₂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。

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；

为了更精确定位串扰区域，可利用探测器在基底上的位置参数来提高定位精度；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目标在两谱段图像中的坐标水平方向错位p个像素点；如此，同一目标在f₁中的图像坐标为(i,j)，则在f₂中的坐标为(i,j+p)；利用目标在图像中的宽度，即目标水平方向跨越的像素个数，分两种情况进行定位；一是，若目标的宽度大于等于p个像素点时，在相邻谱段将引起宽度为p的串扰区域；二是，目标的宽度小于p个像素点时，串扰区域宽度等于目标的宽度；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，确定出串扰区域最终的边界集合R₁'和R'₂；

步骤4，建立串扰模型；

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f₁中的灰度值小于在f₂中的灰度值，f₂在f₁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f₂中单个像素对f₁中像素产生串扰的情况进行建模，具体如下：

我们认为串扰呈现线性衰减特性，即随着坐标j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f₂中(i,j)位置的像素对f₁中(i,j)位置的像素产生的串扰为

Δx_i,j＝ax_i,j+b (5)

其中，a和b为f₂对f₁的线性影响系数，x_i,j为f₂中(i,j)位置的真实值；

对(i,j)位置水平方向后续像素点的影响值为：

Δx_i,j+d＝c₁Δx_i,j+c₂,c₂≤0,d＝1,2,…,d_max (6)

其中，Δx_i,j≥0为f₂中(i,j)位置的像素对f₁中(i,j)位置的像素产生的串扰量，c₁为衰减系数，c₂为衰减速率，d_max为被f₂中(i,j)位置的像素串扰影响的像素点个数；

由(5)式和(6)式可得，f₁串扰区域内(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f₁串扰区域中(i,j)位置像素点受到总的串扰量为：

其中，Δx_i,j-n表示来自f₂中(i,j)位置水平方向前第n个位置(i,j-n)的像素引起的串扰量，ΔX_i,j是f₁中(i,j)位置像素点受到的串扰总量，x_i,j为f₂中(i,j)位置的真实值,N为在f₁中(i,j)位置引起串扰的像素最大个数；

由此，图像f₁中(i,j)位置消除串扰后的像素灰度值为：

f₁ ^new(i,j)＝f₁(i,j)-ΔX_i,j (8)

其中，f₁(i,j)是f₁中(i,j)位置像素的测量值，f₁ ^new(i,j)为(i,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；

步骤4只完成了串扰模型的建立，要得到准确的模型公式，须求出系数a，b，c₁，c₂，四个系数，而d_max和N的取值与对应串扰区域受到串扰的情况有关，自适应地取值。将f₁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，c₁，c₂，并预设N的最大取值为5，即f₁中某像素点受到f₂中小于等于5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。

利用式子(8)对f₁串扰区域的每个像素点消除串扰，并输出结果。与步骤4和步骤5类似，对f₂进行相关处理，建立确定的f₂串扰消除模型，然后对f₂中串扰进行消除得到f₂高质量的图像。为了使处理效果更好，可调整模型参数。

本发明的有益效果是：利用串扰的线性衰减特性，建立了自适应的串扰模型，只针对串扰区域进行处理，在消除串扰的同时，有效地保持了原始数据的真实性，并且实现过程简单。

附图说明

图1是红外相机串扰消除方法流程图。

图2是实例串扰区域精定位效果两幅截图。

图3 a)是与实例f₁对应的原始图像；b)是与实例中f₂对应的原始图像；c)是f₁串扰消除后的结果图像；d)左侧是f₁的原始图像的截图，右侧为f₁处理结果图像对应部分截图。

具体实施方式

下面结合实例对本发明的应用方法作进一步说明。

本发明基于数字图像处理方法提出了一种红外多谱段遥感图像串扰消除方法，主要包括：串扰的定位、串扰模型的建立和串扰的消除三个模块。

第一，获取初始数据及相关初始化操作。

本实例采用2012年10月红外相机在航天城(北京)进行外景成像试验获取的外景图像数据。实际数据谱段f₁的波长为1.55±0.02μm～1.75±0.02μm谱段f₂的波长为2.08±0.03μm～2.35±0.03μm。对获得的原始数据进行垂直方向的几何校正，然后转化为.GIF格式读入到处理***中，图像矩阵大小为1024×3012。不失一般性，我们讨论f₂对f₁产生的串扰。

第二，基于数学形态学方法的串扰区域粗定位；

计算形态学内边缘：

g_1k(i,j)＝f_k(i,j)-(f_k⊙s)(i,j),k＝1,2 (9)

i＝1,2,…,1024；j＝1,2,…,3012.

计算跨骑在目标边界上的形态学梯度：

采用大津阈值对整幅图像g_1k和g_2k进行二值化，得到图像b_1k和b_2k。

计算图像f₁串扰区域的左右边界为

R₁＝b₂₂-b₁₁ (11)

在该实例中，图像R₁中每个串扰区域的左边界与图像f₁中目标的真实边界一致，误差发生在右边界。这就要通过步骤3来进行精度提升。

第三，利用红外多谱段扫描仪中相邻谱段探测器的位置参数进行串扰区域精定位；

针对实例来说，统计图像R₁中每行每两个1出现时中间间隔的像素个数m，并与f₁,f₂图像中地物水平方向错位像素个数p进行大小比较。若m＜p，则将该串扰区域的右边界向右扩充至与左边界相差p+5个像素(由前面所述的假设，单个像素最多受到前5个像素的影响)；反之，则不改变串扰区域的边界。对R₁逐行进行判断、更新，得到最终的串扰区域边界图像R₁'。

第四，提取串扰区域的图像数据进行串扰消除模型的参数训练，确定串扰消除模型；

将R₁'的每行里每两个1出现的之间的像素都赋值为1。与f₁图像矩阵点乘，就可以提取出所有串扰区域的图像数据，并存入数据集s₁。与f₂图像矩阵点乘，就可以提取出引起串扰的图像数据，并存入数据集s₂。将s₁和s₂导入串扰模型中进行训练，设定衰减速率c₂＝-2得到系数a＝0.06，b＝6，c₁＝2.8。

第五，按照确定的串扰退化模型消除图像中的串扰，输出结果。

由上述内容可得，在f₁中坐标位置为(i,j)的像素受到的总串扰值为

其中，Δx_i,j-n表示来自f₂中(i,j)位置水平方向前第n个位置(i,j-n)的像素引起的串扰量，ΔX_i,j是f₁中(i,j)位置像素点受到的串扰总量，x_i,j为f₂中(i,j)位置的真实值,N为在f₁中(i,j)位置引起串扰的像素最大个数；

最后，遍历串扰区域中的每个像素点(i,j)，计算

f₁ ^new(i,j)＝f₁(i,j)-ΔX_i,j (13)

就得到消除串扰后的图像f₁ ^new。

以同样的步骤对f₂进行处理，即可得到消除串扰后的将f₁ ^new和写成图像.GIF格式，输出保存。

Claims (1)

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步骤，具体为：

步骤1，获得初始数据及相关初始化操作；

输入原始相邻谱段的红外遥感图像f₁和f₂，计算图像的尺寸，对图像亮度进行归一化，以及定义图像f₁和f₂中相对彼此亮度较高的地物为目标；

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定位图像中目标的边缘，即给定输入信号f_k,k＝1,2和结构元素s,则图像的形态学内边缘为：

g_1k＝f_k-(f_k⊙s),k＝1,2 (1)

其中，(f_k⊙s)表示对图像f_k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：

其中，表示对图像f_k的形态学膨胀操作；

对g_1k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b_1k；同样地，对g_2k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b_2k；

由于求得的边缘带具有一定宽度，利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f₁和f₂的串扰区域的左右边界为

R₁＝b₂₂-b₁₁ (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；

为了更精确定位串扰区域，可利用探测器在基底上的位置参数来提高定位精度；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目标在两谱段图像中的坐标水平方向错位p个像素点；如此，同一目标在f₁中的图像坐标为(i,j)，则在f₂中的坐标为(i,j+p)；利用目标在图像中的宽度，即目标水平方向跨越的像素个数，分两种情况进行定位；一是，若目标的宽度大于等于p个像素点时，在相邻谱段将引起宽度为p的串扰区域；二是，目标的宽度小于p个像素点时，串扰区域宽度等于目标的宽度；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，确定出串扰区域最终的边界集合R′₁和R'₂；

步骤4，建立串扰模型；

假设同一地物在f₁中的灰度值小于在f₂中的灰度值，则f₂中(i,j)位置的像素对f₁中(i,j)位置的像素产生的串扰为

Δx_i,j＝ax_i,j+b (5)

其中，a和b为f₂对f₁的线性影响系数，x_i,j为f₂中(i,j)位置的真实值；同时，f₂中(i,j)位置的像素对f₁中(i,j)位置水平方向后续像素点的影响值为：

Δx_i,j+d＝c₁Δx_i,j+c₂,c₂≤0,d＝1,2,…,d_max (6)

其中，Δx_i,j≥0为f₂中(i,j)位置的像素对f₁中(i,j)位置的像素产生的串扰量，c₁为衰减系数，c₂为衰减速率，d_max为被f₂中(i,j)位置的像素串扰影响的像素点个数；

由(5)式和(6)式可得，f₁串扰区域内(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f₁串扰区域中(i,j)位置像素点受到总的串扰量为：

${\mathrm{\ΔX}}_{i,j}={\mathrm{ax}}_{i,j}+b+\underset{n=1}{\overset{N}{\Σ}}(c_1{\mathrm{\Δx}}_{i,j-n}+c_2)---\left(7\right)$

其中，Δx_i,j-n表示来自f₂中(i,j)位置水平方向前第n个位置(i,j-n)的像素引起的串扰量，ΔX_i,j是f₁中(i,j)位置像素点受到的串扰总量，x_i,j为f₂中(i,j)位置的真实值,N为在f₁中(i,j)位置引起串扰的像素最大个数；

由此，图像f₁中(i,j)位置消除串扰后的像素灰度值为：

f₁ ^new(i,j)＝f₁(i,j)-ΔX_i,j (8)

其中，f₁(i,j)是f₁中(i,j)位置像素的测量值，f₁ ^new(i,j)为(i,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f₁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，c₁，c₂，并预设N的最大取值，即f₁中某像素点受到f₂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。