红外成像算法与人工智能解析

一、红外光谱成像算法概述

要获得更高质量的红外图像，通常需要依次完成以下关键处理步骤：

原始探测器数据→非均匀校正（NUC）→坏点校正（DPC）→去噪/时域滤波→动态范围压缩（AGC/DDE）→伪彩处理→智能分析（测温/识别/追踪）

整个方案可以归纳为两类核心工作：

前端处理（校正与修复）：侧重修正探测器本身的缺陷，使输出图像具备基本可用性；

后端处理（增强与理解）：进一步优化画面质量并挖掘关键信息，直接影响最终应用效果。

二、核心算法：非均匀性校正（NUC）

1.问题本质

红外焦平面阵列（FPA）中各像元对相同辐射强度的响应并不完全一致，常见原因包括工艺离散性，以及偏置与增益设置存在差异。通常会形成固定条纹、棋盘格或花屏等可见异常。

2.两点校正（工业标准）

基于线性响应关系：

Y=G⋅X+O Y=G⋅X+O

通过两路具有已知温度的黑体辐射源进行标定，进而计算各像元的增益GG与偏置OO，实现像元响应的一致性调整。由于可靠且易于落地，这一方式是当前红外相机中使用最广的校正策略。

3.快门校正

借助周期性机械快门引入均匀辐射参考面，从而持续更新偏置相关参数。其特点是操作直观、稳定性较高；不足在于画面会出现短时“冻结”，并可能带来机械部件的磨损。

4.无快门校正（SBNUC）

采用基于场景特征的自适应校正思路，通过统计规律结合时间变化、运动信息与一致性假设来估计校正参数。常见方法包括时域均值滤波、卡尔曼滤波、最小均方误差（LMS）等。该类方案面向无人机、车载等对机械可靠性要求更高的应用较为合适，但整体算法更复杂，调参工作也更具挑战。

三、坏点校正（DPC）

1.坏点类型

死点：响应显著偏低，画面局部容易变暗；

热点：响应过高，图像局部偏亮；

闪点：输出呈随机跳变现象。

2.常用算法

中值滤波（3×3或5×5窗口）；

邻域插值；

坏点表的动态维护管理。

通常会在非均匀校正之后、动态范围压缩之前完成坏点校正，以确保校正所依据的基准保持一致。

四、红外图像去噪

红外图像噪声