時域高通濾波非均勻性校正是一種典型的基于場景的紅外焦平面陣列非均勻性校正算法，但其易產生“鬼影”現象，影響校正效果

　　實現紅外焦平面陣列非均勻性自適應校正是紅外探測系統研究中追求的重要目標，對提高紅外探測系統的空間分辨率、溫度分辨率、探測距離以及輻射量的正確度量具有重要意義。分析基于時域高通濾波的紅外焦平面自適應非均勻校正算法的視覺神經機制以及濾波器的幅頻特性。通過對實際紅外圖像的實驗，提出正確選取時間常數是影響該校正方法最重要的因素。

　　時域高通濾波算法

　　ＩＲＦＰＡ探測單元的響應特性隨時間變化很緩慢，所以非均勻性在短時間內可以認為是不變的，即屬于低頻成分；而場景中相對運動較快的目標則屬于高頻成分．基于此機理，時域高通濾波（Ｔｅｍｐｏｒａｌ Ｈｉｇｈ ＰａｓｓＦｉｌｔｅｒｉｎｇ，ＴＨＰＦ）非均勻性校正（Ｎｏｎ ＵｎｉｆｏｒｍｉｔｙＣｏｒｒｅｃｔｉｏｎ，ＮＵＣ）算法通過濾除場景中大部分低頻成分，從而實現非均勻性校正．整個校正過程可以看成是一個時域上的高通濾波，即

　　式中，Ｍ為根據截止頻率而預先設定的時間常量，ｘ（ｎ）為第ｎ幀的輸入，ｆ（ｎ）為第ｎ幀的低通輸出，ｙ（ｎ）為校正后輸出

　　“鬼影”分析

　　ＴＨＰＦ算法易于并行實時實現，但其不足之處在于要求場景與成像系統之間存在相對運動，且場景中過亮或過暗的區域對校正參量影響較大

　　如果場景長時間處于靜止狀態，則會被認為是ＦＰＮ，從而被濾除．而靜止的場景開始運動，就會在校正后圖像的原位置留下一個反轉的圖像，從而形成“鬼影”．另外，由于算法中的低通濾波圖像是通過遞歸方式求得，因此如果某些場景的亮度較高，即使其停留時間很短也會對校正參量產生很大的影響，從而引起“鬼影”．

　　在ＴＨＰＦ－ＮＵＣ過程中，通常使用整幅圖像來進行校正參量估計，然而圖像中的大量場景信息，尤其是過亮或過暗的區域，容易影響其它部分的估計參量．例如，當一個高亮度目標進入場景后，目標區域的校正系數會明顯增大；而當目標離開后，使得該位置上的估計參量與實際值之間會有較大偏差，從而引起“鬼影”．由此可知，在ＴＨＰＦ－ＮＵＣ過程中，大量不相關場景的存在是產生“鬼影”的最主要原因

　　對該算法的一種改進方法是先將低頻場景信息從原圖中濾除，再利用其高頻成分來估計非均勻性參量．這樣可降低非隨機運動和過亮或過暗區域對非均勻性參量的不利影響，從而在一定程度上抑制“鬼影”現象．由此，這種改進最重要的是選擇一種合適的預處理方法來預先較好地分離圖像的高頻成分和低頻成分．

　　Ｑｉａｎ提出的ＮＵＣ算法首先采用均值濾波來分離圖像，其中低頻成分包含大部分場景信息，高頻成分則包含大部分噪音，然后再利用高頻成分進行校正參量估計．該算法中的難點在于確定濾波閾值，且校正后的圖像仍易存在類似光暈的“鬼影”．針對這個問題，Ｚｕｏ提出了基于雙邊濾波的ＮＵＣ算法（ＢＦＴＨ）．其主要思想是用雙邊濾波分離圖像，并將其高頻成分用于參量估計．該方法能夠在降低非均勻性的同時保留背景并減少“鬼影”，然而ＢＦＴＨ校正后圖像在邊緣部分仍然存在“鬼影”現象，而且目標區域亮度變低．分析雙邊濾波分離出的高頻成分，可以看出其除了噪音和非均勻性之外，仍有較多的邊界信息，這是導致圖像邊緣部分“鬼影”現象產生的一個主要原因

　　時域高通濾波校正算法的視覺神經機制

　　時域高通濾波校正算法模仿人眼中光感受器、水平細胞和雙極細胞之間的信號處理關系，提出運用原始信號與對應的低通濾器之差構造高通濾波器來對圖像進行校正處理。

　　景物在人眼視網膜上所成的像通過一組光感受器傳入視覺系統，這些光感受器可以使神經中樞接收并處理信息，。參照人眼視覺神經細胞提出了模型，其原理如圖1所示：

　　其中，水平細胞就像一個低通濾波器，它們把光接收器的響應結合成低頻偏壓給雙極細胞。雙極細胞在內部中心層，接收來自水平細胞和光感受器傳來的信號。然后對光感受器和水平細胞的信號做差運算，光感受器得到的初始信號，水平細胞得到的是低頻信號，兩者做了差運算后雙極細胞的輸出值就是時城上高通濾波的結果，

　　濾波器的構造

　　考慮目標背景雜波的紅外焦平面陣列圖像的非均勻校正。陣列元的響應特性隨時間緩慢的變化和陣列元內部的1/f噪聲都集中在低頻部分，目標相對于雜波背景在像平面上具有較大的運動速度，因此目標信號具有相當的高頻能量而背景雜波，如云層等因素在像平面上的移動速度很小或相對因而表現為低頻分量。因此采用高通濾波方法可以在實現非均勻校正的同時達到突出目標的目的［6，7］。可以設計出多種高通濾波器，處于減少存儲量的考慮，我們采用如下形式的高通濾波器：

　　（1）式中，M為預先設定的時間常數，xij （n）為探測元（i，j）第n幀圖像非均勻校正前的原始輸出，而f，（n）為其低通濾波輸出結果，y，（n）為該探測元時域高通濾波非均勻校正后的輸出結果

　　當T=1時，取不同的M 值會得到不同的截至頻率，其曲線圖如圖3所示隨著M的不斷增大，截至頻率jf不斷減小，也即是當M值增大時，該時域高通濾波系統的通頻范圍不斷增大，更多頻率的信號可通過該濾波系統

　　時域高通濾波器幅頻特性分析

　　時域高通濾波器性能分析

　　通過以上公式，可以看出，當M取無窮大時那么，此時若取f，（0）=x;（1）f;（n）=f; （0）。（非均勻校正前圖像序列的第一幀），則時域高通濾波算法變為：yi;（n）=xi;（n）-xi，（1），即為每一幀都和第一幀相減，得到校正結果，若第一幀設為背景幀，此法即為減背景法

　　時域高通濾波校正算法與減背景校正算法的校正結果（M=20，200，400，700），圖像序列共700幀，選取了其中兩幀（幀號為533，536）結果進行說明，非均勻校正前的原始圖像分別為（al）- （b1）; （a2）- （b2）為M=20時域高通濾波校正的結果，由于位于第533 幀之前的20幀圖像中，手機幾乎處于靜止狀態，而從533幀開始移動，隨后的幾幀圖像（a2）- （b2）中，在之前手機靜止位置留下了“鬼影（a3）- （b3）為M=200時域高通濾波校正的結果，其中存在同樣存在“鬼影問題”，但“鬼影”區域的灰度值已變的很小，（a4）- （b4）為M=400時域高通濾波校正的結果，此時由于M值較大，當前幀校正結果與之前相鄰幀的關系不大，更多的是受序列第一幀的影響，因此幾乎不存在“鬼影”問題，得到較好的校正效果; （a5）- （b5）為序列圖像減去第一幀背景圖像的結果，此方法可以對偏移響應非均勻性進行校正，但無法對增益非均勻性進行校正，圖中的部分固定圖案噪聲無法消除。從以上的實驗結果可以看出，時域高通濾波算法校正效果很大部分取決于M值的選取，而M值的選取需要根據實際圖像序列進行調整，這樣對硬件實現帶來一定的困難