3、非均匀性校正技术（二）：基于场景的自适应校正算法
各位工程师朋友，咱们接着聊非均匀性校正。上一章讲了基于参考源的校正，说白了就是拿黑体当“尺子”去量每个像元的偏差。但实际项目中你会发现——黑体不能一直挡在镜头前面啊！尤其是机载、车载这类移动平台，哪有条件频繁做两点校正？
所以这一章，我们来啃硬骨头：基于场景的自适应校正算法。不需要黑体，不需要快门，全靠场景本身的运动信息来“自学习”校正参数。我做了这么多年热成像系统，可以负责任地说：这是工程落地中最考验算法功底的一环。
3.1 为什么需要自适应校正？
先说说痛点。非均匀性会随着时间漂移——温度变了、偏压变了、探测器老化，都会导致校正参数失效。我记得有一次在户外做长波红外测试，上午刚做完两点校正，下午太阳一晒，机壳温度升了15度，图像上立马出现固定图案噪声（FPN）。
你想想看，如果这时候还要停下来重新做黑体校正，那实战场景下根本没法用。所以业界的主流思路是：利用场景中的运动信息，在线更新增益和偏置。这就是自适应校正的出发点。
3.2 卡尔曼滤波法
卡尔曼滤波法，我个人认为是最优雅的一种自适应校正方法。它把非均匀性校正问题建模成一个状态估计问题——每个像元的增益和偏置就是我们要估计的状态量。
3.2.1 数学模型
假设探测器输出为：
Y(i,j,t) = G(i,j) * X(i,j,t) + O(i,j) + N(i,j,t)其中：
Y(i,j,t)— 像元(i,j)在t时刻的输出G(i,j)— 增益（待估计）O(i,j)— 偏置（待估计）X(i,j,t)— 真实辐射量N(i,j,t)— 时间噪声
卡尔曼滤波的核心步骤分两步：预测和更新。
// 预测阶段
G_pred = G_prev
O_pred = O_prev
P_pred = P_prev + Q // Q为过程噪声协方差
// 更新阶段
K = P_pred * H^T * (H * P_pred * H^T + R)^(-1) // 卡尔曼增益
G_new = G_pred + K * (Y - H * [G_pred, O_pred]^T)
O_new = O_pred + K * (Y - H * [G_pred, O_pred]^T)
P_new = (I - K * H) * P_pred3.2.2 工程实现要点
实际项目中，卡尔曼滤波法有几个坑需要避开：
- 运动检测： 必须加运动检测模块。静止场景下更新参数，反而会引入错误。我习惯用帧差法做运动判断，阈值设在1-2个DN值。
- 收敛速度： 初始100帧内，增益和偏置的估计误差较大。建议前50帧用较大的学习率，后面再降下来。
- 计算量： 每个像元都要维护一个2x2的协方差矩阵。对于640x512的探测器，内存开销不小。我做过一次优化——只对偏置做卡尔曼滤波，增益用全局统计量近似，效果也还行。
3.3 神经网络法
神经网络法，说白了就是用深度学习的方式去学习非均匀性的分布规律。这个方法在近五年发展很快，尤其是卷积神经网络（CNN）的出现，让端到端的校正成为可能。
3.3.1 网络结构
我常用的一个轻量级网络结构如下：
输入: 单帧红外图像 (H x W x 1)
Layer 1: Conv2D(3x3, 16 filters) + ReLU
Layer 2: Conv2D(3x3, 16 filters) + ReLU
Layer 3: Conv2D(3x3, 1 filter) + Linear
输出: 校正后的图像 (H x W x 1)
损失函数: L1 Loss + 梯度平滑约束这个网络只有3层卷积，参数量不到10万，在FPGA上也能跑实时。训练时，我们用两点校正后的图像作为标签，原始图像作为输入。
3.3.2 训练策略
神经网络法最关键的其实是训练数据的获取。我分享一个实战经验：
- 数据采集： 用黑体在不同温度下采集多组数据，做两点校正后作为“干净”标签。同时保留原始未校正图像。
- 数据增强： 对原始图像加入模拟的非均匀性（随机增益+偏置），让网络见过更多“坏”的情况。
- 在线微调： 部署后，每隔一段时间用当前场景做一次自监督微调。损失函数用帧间一致性约束。
| 方法 | 优点 | 缺点 |
|---|---|---|
| 卡尔曼滤波法 | 理论成熟，收敛稳定 | 对运动速度敏感，计算量大 |
| 神经网络法 | 端到端，泛化能力强 | 需要大量训练数据，部署复杂 |
3.4 校正效果评估指标
算法好不好，不能光靠眼睛看。我整理了几个常用的定量评估指标：
3.4.1 空间噪声指标
- 固定图案噪声（FPN）： 对均匀场景（如黑体）计算所有像元输出的标准差。单位：DN或mK。
- 非均匀性（NU）： 通常用
NU = σ / μ表示，其中σ是像元输出的标准差，μ是均值。好的校正系统，NU应该小于0.5%。
3.4.2 时间稳定性指标
- 时间噪声（Temporal Noise）： 对同一个像元，连续采集100帧，计算其标准差。这个指标反映的是随机噪声，不是非均匀性。
- 漂移量（Drift）： 开机后每10分钟测一次FPN，看FPN随时间的变化曲线。好的自适应校正算法，应该能把FPN漂移控制在±1个DN以内。
3.4.3 图像质量指标
- 粗糙度（Roughness）： 计算图像中相邻像素差的绝对值之和。校正后的图像，粗糙度应该明显降低。
- 对比度（Contrast）： 用局部标准差衡量。注意：校正不能过度平滑，否则会损失细节。
3.5 本章知识体系
下面这张图，是我自己总结的自适应校正技术知识框架，方便大家理解各模块之间的关系：
嗯，以上就是本章的全部内容。卡尔曼滤波法和神经网络法各有适用场景，我个人建议：如果硬件资源有限、实时性要求高，优先考虑卡尔曼滤波法；如果数据充足、算力允许，神经网络法能带来更好的校正效果。评估指标这块，千万别只看一个数字——FPN降下来了，但图像细节也丢了，那就不叫成功。
好，这一章就到这里。下一章我们聊时域滤波与空域滤波的联合应用，到时候见。