基于参考辐射源/定标的校正算法(一)

简介: 一种基于场景的非均匀校正算法,补充一下更加简单,容易工程化实现的基于参考辐射源的校正算法,也叫基于定标的校正算法。

5cea7140009d43d3bee8b1f871e19c3a.png

基于参考辐射源的校正算法是一种利用像黑体这样可提供均匀且可控红外辐射的设备作为参考辐射源,对IRFPA 的输出进行定标的过程。这类校正算法的原理简单,计算量及数据存储量都较小,易于硬件的实时实现;并且,与基于场景的校正算法相比,其不需要场景的相对运动,非常适合于工厂的批量生产环节。所以,该类校正算法一般应用于红外成像设备的制造过程或者系统的初始化环节。该类算法主要包括有一点校正、两点校正和多点校正,下面分别对上述算法的校正原理进行详细说明。

一点定标校正算法

根据 Mooney 的探测器 **线性响应模型**,第i行第j列的探测器单元的输出信号S(i,j),与其接收到红外辐照度 φ 之间的关系可以表示为

2e5f037e43634c8ea27eafcb3db72568.png

其中,A(i,j)和B(i,j)分别为探测单元响应的增益和偏置系数。通常,对于同一探测单元,一般可假设增益和偏置系数短时间内基本不会发生变化;而对于不同的探测单元,其响应特性是存在差异的。这就导致了不同的探测单元在接受相同的红外辐射的情况下,其响应输出是不同的。在接收到相同的辐照度 φ1时,不同探测器 S1、S2 和 S3 的响应输出存在明显的差异。一点校正的基本原理是在已知辐照度 φ1 的条件下,利用探测器的输出值调整探测器的偏置系数,最终使得不同探测器的输出相同。

对于像素规模为 M×N 的 IRFPA,算法步骤:

step 1:选取辐照度 φ1为 IRFPA 的定标点,记录探测单元(i, j) 的响应输出S(φ)。

step 2:根据步骤 1 记录的响应输出,计算 IRFPA 的理想输出值。该过程可以通过对 IRFPA 中的所有探测单元的输出信号求评价所得,即

ba03eb86a38c4f6d9052e0febe25f51b.png

step 3:计算探测器单元S(φ1)与理想输出的差异,该差值即一点校正算法的校正系数,即有

2b2fba1fc1db4208a94af016cf2adcae.png

step 4:对任意S(φ),其校正的输出值为

ff28abceeccd474b8134a7455335b927.png

3e8dd8c2c7424110a08ceac60c795422.png

优点:只需一次定标计算即可获得校正参数

缺点:只校正了 IRFPA 的响应非均匀性中的偏置成分,而没对增益进行校正


目录
相关文章
|
1月前
|
算法
基于最小二乘正弦拟合算法的信号校正matlab仿真,校正幅度,频率以及时钟误差,输出SNDR,SFDR,ENOB指标
基于最小二乘正弦拟合算法的信号校正matlab仿真,校正幅度,频率以及时钟误差,输出SNDR,SFDR,ENOB指标
|
1月前
|
文字识别 算法 计算机视觉
图像倾斜校正算法的MATLAB实现:图像倾斜角检测及校正
图像倾斜校正算法的MATLAB实现:图像倾斜角检测及校正
|
1月前
|
存储 算法 JavaScript
Java入门高频考查算法逻辑基础知识3-编程篇(超详细18题1.8万字参考编程实现)
解决这类问题时,建议采取下面的步骤: 理解数学原理:确保你懂得基本的数学公式和法则,这对于制定解决方案至关重要。 优化算法:了解时间复杂度和空间复杂度,并寻找优化的机会。特别注意避免不必要的重复计算。 代码实践:多编写实践代码,并确保你的代码是高效、清晰且稳健的。 错误检查和测试:要为你的代码编写测试案例,测试标准的、边缘情况以及异常输入。 进行复杂问题简化:面对复杂的问题时,先尝试简化问题,然后逐步分析和解决。 沟通和解释:在编写代码的时候清晰地沟通你的思路,不仅要写出正确的代码,还要能向面试官解释你的
46 0
|
1月前
|
自然语言处理 算法
基于NIQE算法的图像无参考质量评价算法matlab仿真
基于NIQE算法的图像无参考质量评价算法matlab仿真
|
1月前
|
算法 安全 Java
「译文」Java 垃圾收集参考手册(三):GC 算法基础篇
「译文」Java 垃圾收集参考手册(三):GC 算法基础篇
|
1月前
|
算法 Java
「译文」Java 垃圾收集参考手册(八):GC 算法总结
「译文」Java 垃圾收集参考手册(八):GC 算法总结
|
6月前
|
存储 算法 数据格式
基于LUT查找表方法的图像gamma校正算法FPGA实现,包括tb测试文件和MATLAB辅助验证
基于LUT查找表方法的图像gamma校正算法FPGA实现,包括tb测试文件和MATLAB辅助验证
|
2天前
|
机器学习/深度学习 自然语言处理 算法
m基于深度学习的OFDM+QPSK链路信道估计和均衡算法误码率matlab仿真,对比LS,MMSE及LMMSE传统算法
**摘要:** 升级版MATLAB仿真对比了深度学习与LS、MMSE、LMMSE的OFDM信道估计算法,新增自动样本生成、复杂度分析及抗频偏性能评估。深度学习在无线通信中,尤其在OFDM的信道估计问题上展现潜力,解决了传统方法的局限。程序涉及信道估计器设计,深度学习模型通过学习导频信息估计信道响应,适应频域变化。核心代码展示了信号处理流程,包括编码、调制、信道模拟、降噪、信道估计和解调。
23 8
|
5天前
|
算法
基于GA遗传优化的混合发电系统优化配置算法matlab仿真
**摘要:** 该研究利用遗传算法(GA)对混合发电系统进行优化配置,旨在最小化风能、太阳能及电池储能的成本并提升系统性能。MATLAB 2022a用于实现这一算法。仿真结果展示了一系列图表,包括总成本随代数变化、最佳适应度随代数变化,以及不同数据的分布情况,如负荷、风速、太阳辐射、弃电、缺电和电池状态等。此外,代码示例展示了如何运用GA求解,并绘制了发电单元的功率输出和年变化。该系统原理基于GA的自然选择和遗传原理,通过染色体编码、初始种群生成、适应度函数、选择、交叉和变异操作来寻找最优容量配置,以平衡成本、效率和可靠性。
|
6天前
|
机器学习/深度学习 算法
基于鲸鱼优化的knn分类特征选择算法matlab仿真
**基于WOA的KNN特征选择算法摘要** 该研究提出了一种融合鲸鱼优化算法(WOA)与K近邻(KNN)分类器的特征选择方法,旨在提升KNN的分类精度。在MATLAB2022a中实现,WOA负责优化特征子集,通过模拟鲸鱼捕食行为的螺旋式和包围策略搜索最佳特征。KNN则用于评估特征子集的性能。算法流程包括WOA参数初始化、特征二进制编码、适应度函数定义(以分类准确率为基准)、WOA迭代搜索及最优解输出。该方法有效地结合了启发式搜索与机器学习,优化特征选择,提高分类性能。