[发明专利]一种基于图像熵的红外图像非均匀性参数化校正优选方法

权利要求书

1.一种基于图像熵的红外图像非均匀性参数化校正优选方法，其特征在于，包括以下步骤：

(1)计算输入图像X的奇像元图像和偶像元图像的图像熵，选择熵值大的图像作为基准图像B，基准图像B维数为m行n1列，记录基准图像B的熵值e，另一个图像记为图像C，图像C维数为m行n2列；其中，m和n1，n2均为正整数；

(2)对基准图像B做基于图像熵的非均匀性参数化校正优选处理，得到校正后的基准图像；

(3)将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，最后得到校正之后的结果；

步骤(2)的具体步骤以下：

(21)初始化k＝1；

(22)将基准图像B赋值给过程图像P，初始化i＝1；

(23)计算过程图像P中第i+1列与第i列的对应像元灰度值差，得到m维的列差向量V，并对列差向量V各元素的绝对值进行由小到大排序，得到排序后的绝对值向量U；

(24)计算得到列差向量V中绝对值小于U(k)的所有元素的索引数组Q，索引数组Q为q元数组，按下式计算更新参数：

P(j，i+1)＝aP(j，i+1)+b，j＝1,2,3,...,m；

U(k)为绝对值向量U中的第k个元素；

r₁、r₂、r₃、r₄分别为中间量；

P(x,y)为过程图像P中第x行、第y列的值；

a、b分别为校正系数；Q(j)为索引数组Q中第j个元素；

(25)如果i＝n-1,则更新i＝i+1，返回步骤(23)，否则进入步骤(26)；

(26)计算当前过程图像P的熵值t，如果熵值t大于熵值e，则将熵值e更新为熵值t，并更新当前结果图R为过程图像P；

(27)如果则更新k＝k+1，返回步骤(22)；否则，进入步骤(28)；

(28)将基准图像B更新为结果图R；

步骤(3)的具体步骤如下：

(31)从基准图像B中计算得到待逼近图像D：

如果图像C是输入图像X的奇像元图像，则将图像D的第1列赋值为图像B的第1列，图像D的后n-1列依次赋值为图像B的对应位置相邻两列的平均图像；否则，如果图像C是输入图像X的偶像元图像，将图像D的前n-1列依次赋值为图像B的对应位置相邻两列的平均图像，图像D的最后一列赋值为图像B的最后一列；

(32)遍历g从1到n，计算左端矩阵F和右端向量H：

F(2g，2g)＝2m，

g＝1,2,3…n；j＝1,2,3…m；

F(x,y)为左端矩阵F中第x行、第y列的值；

C(x,y)为图像C中第x行、第y列的值；

H(x)为右端向量H中第x个元素；

D(x,y)为图像D中第x行、第y列的值；

(33)计算线性逼近参数T＝inv(F)·H；inv(F)为矩阵F求逆；

(34)如果图像C是输入图像X的奇像元图像，将图像Y的偶像元灰度设置为基准图像B对应像元灰度，图像Y的奇像元通过遍历g从1到n进行以下更新：

Y(h,2g-1)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；

T(2g-1)、T(2g)分别为矩阵T中第2g-1个、第2g个元素；Y(x,y)为图像Y中第x行、第y列的值；

否则，如果图像C是输入图像X的奇像元图像，将图像Y的奇像元灰度设置为基准图像B对应像元灰度，图像Y的偶像元通过遍历g从1到n进行以下更新：

Y(h,2g)＝T(2g-1)C(h,g)+T(2g)，其中，h＝1,2,3,...,m；

图像Y为最终的校正图像。

2.一种基于图像熵的红外图像非均匀性参数化校正优选系统，其特征在于，包括：

第一模块，用于计算输入图像X的奇像元图像和偶像元图像的图像熵，选择熵值大的图像作为基准图像B，基准图像B维数为m行n1列，记录基准图像B的熵值e，将另一个图像记为图像C，图像C维数为m行n2列；其中，m和n1，n2均为正整数；

第二模块，用于对基准图像B做基于图像熵的非均匀性参数化校正优选处理，得到校正后的基准图像；

第三模块，用于将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，最后得到校正之后的结果；

第二模块中，得到校正后的基准图像的具体方法以下：

(21)初始化k＝1；

(22)将基准图像B赋值给过程图像P，初始化i＝1；

(23)计算过程图像P中第i+1列与第i列的对应像元灰度值差，得到m维的列差向量V，并对列差向量V各元素的绝对值进行由小到大排序，得到排序后的绝对值向量U；

(24)计算得到列差向量V中绝对值小于U(k)的所有元素的索引数组Q，索引数组Q为q元数组，按下式计算更新参数：

P(j，i+1)＝aP(j，i+1)+b，j＝1,2,3,...,m；

U(k)为绝对值向量U中的第k个元素；

r₁、r₂、r₃、r₄分别为中间量；

P(x,y)为过程图像P中第x行、第y列的值；

a、b分别为校正系数；Q(j)为索引数组Q中第j个元素；

(25)如果i＝n-1,则更新i＝i+1，返回步骤(23)，否则进入步骤(26)；

(26)计算当前过程图像P的熵值t，如果熵值t大于熵值e，则将熵值e更新为熵值t，并更新当前结果图R为过程图像P；

(27)如果则更新k＝k+1，返回步骤(22)；否则，进入步骤(28)；

(28)将基准图像B更新为结果图R；

第三模块中，将另一个图像C向基准图像B作基于线性逼近的非均匀性校正，得到校正结果的具体方法如下：

(31)从基准图像B中计算得到待逼近图像D：

如果图像C是输入图像X的奇像元图像，则将图像D的第1列赋值为图像B的第1列，图像D的后n-1列依次赋值为图像B的对应位置相邻两列的平均图像；否则，如果图像C是输入图像X的偶像元图像，将图像D的前n-1列依次赋值为图像B的对应位置相邻两列的平均图像，图像D的最后一列赋值为图像B的最后一列；

(32)遍历g从1到n，计算左端矩阵F和右端向量H：

F(2g，2g)＝2m，

F(x，y)为左端矩阵F中第x行、第y列的值；

C(x，y)为图像C中第x行、第y列的值；

H(x)为右端向量H中第x个元素；

D(x，y)为图像D中第x行、第y列的值；

(33)计算线性逼近参数T＝inv(F)·H；inv(F)为矩阵F求逆；

(34)如果图像C是输入图像X的奇像元图像，将图像Y的偶像元灰度设置为基准图像B对应像元灰度，图像Y的奇像元通过遍历g从1到n进行以下更新：

Y(h，2g-1)＝T(2g-1)C(h，g)+T(2g)，其中，h＝1，2，3，...，m；

T(2g-1)、T(2g)分别为矩阵T中第2g-1个、第2g个元素；Y(x，y)为图像Y中第x行、第y列的值；否则，如果图像C是输入图像X的奇像元图像，将图像Y的奇像元灰度设置为基准图像B对应像元灰度，图像Y的偶像元通过遍历g从1到n进行以下更新：

Y(h，2g)＝T(2g-1)C(h，g)+T(2g)，其中，h＝1，2，3，...，m；

图像Y为最终的校正图像。