基于时间序列的红外探测器响应特性漂移评价

摘要：       红外探测器响应特性漂移严重影响成像质量和系统性能。 针对红外探测器响应特性漂移缺乏有效评价指标、 难以建模和评价的问题， 本文将红外探测器输出的序列图像看作时间序列数据， 基于时差图像定义漂移度和漂移熵评价指标， 用于评价红外探测器响应特性漂移程度， 并提出了一种基于时间序列预测的红外探测器响应特性漂移评价方法。 采用仿真数据和真实数据进行实验， 结果表明， 本文提出的漂移度和漂移熵评价指标可以有效度量响应特性漂移程度， 所提出的评价方法可以实现对红外探测器响应特性漂移的建模和有效预测评价， 研究工作可用于辅助选择合适的红外探测器及其非均匀性校正算法以提高红外成像系统性能。

关键词：      红外探测器； 响应特性漂移； 评价指标； 时间序列分析； LSTM

中图分类号：       TJ760； TN215    文章编号：      1673-5048（2023）04-0123-08

文献标识码：     A    DOI：  10.12132/ISSN.1673-5048.2022.0265

0引言

红外探测器具有全天候探测能力， 被广泛应用于目标侦察监视、 目标搜索跟踪、 远程监控等系统中［1］。 受制造工艺影响， 红外探测器焦平面阵列具有响应特性非均匀性， 在使用过程中需要进行非均匀性校正［2］。 在实际应用过程中， 红外探测器受到复杂工作环境的影响， 其响应特性发生漂移， 使得初始标定的校正参数不再适用， 导致红外探测器的成像质量下降， 进而严重影响红外成像探测系统的性能［3-5］。 有效抑制响应特性漂移的影响成为红外探测器应用中需要解决的重要问题［2，6-8］。 同时， 对红外探测器响应特性漂移进行定量评价， 是衡量红外探测器或红外成像系统是否适用于特定应用场景和任务的关键。

目前仅有少量研究工作涉及红外探测器响应特性漂移的评价。 文献［9］通过分析非均匀性校正后序列图像的空域噪声、 时域噪声以及卡方分布来度量响应特性漂移， 定义了可校正性、 稳定时间和卡方分布理想度等评价指标。 文献［10］设计采用可校正性、 均方根误差、 通用图像质量指数、 粗糙度、 峰值信噪比以及无参考红外质量指数等指标评价非均匀性校正算法及其长期稳定性。 这些评价方法基于非均匀性校正后的图像分析， 通过评价非均匀性校正算法的性能实现对红外探测器响应特性漂移的间接评价， 其评价结果依赖于非均匀性校正算法， 无法有效反映探测器响应特性漂移情况。

实际红外探测器响应特性漂移可能是一个缓慢的过程， 利用采集的有限序列图像数据难以得到正确的评价结果。 而红外探测器响应特性漂移是受多种因素影响的结果， 难以建立精确的响应特性漂移模型。 序列分析方法通过分析历史数据， 挖掘时间序列的内部规律， 对序列数据进行未来预测估计， 已被广泛应用于金融、 医疗、 气象等方面， 用于帮助决策者做出有数据支持的重要决策［11］。 传统的时间序列分析方法， 如移动平均法、 指数平均法、 自回归模型、 滑动平均模型、 自回归滑动平均模型等， 对复杂数据的拟合能力较差。 随着深度学习方法的兴起， 深度学习方法也被应用于时间序列分析中［12］。 典型的时间序列分析网络模型包括RNN［13］、 LSTM［14］、 GRU［15］、 以及增加注意力机制的TFT模型［16］等。 这些网络模型在语音识别、 金融数据分析等方面的得到了广泛的应用。

针对红外探测器响应特性漂移缺乏有效评价指标、 难以建模和评价的问题， 本文将红外探测器输出的序列图像看作时间序列数据， 根据红外探测器输出图像的时域变化特征， 设计了基于时差图像的漂移度和漂移熵评价指标， 同时利用时间序列分析网络模型对历史序列数据训练建立红外探测器响应特性漂移模型， 利用所建立的模型评价其响应特性漂移情况， 采用仿真数据和真实数据进行了实验。 实验结果表明， 相比文献［9-10］基于非均匀性校正算法的间接评价方法， 本文提出的方法直接利用红外探测器输出的图像数据进行响应特性漂移的评价， 评价结果不依赖于非均匀性校正算法， 可以在实验室环境下实现对红外探测器的响应特性漂移的有效预测评价， 可以辅助决策挑选合适的红外探测器及其非均匀性校正算法， 提高红外成像系统性能。

1红外探测器响应特性漂移问题

1.1红外探测器响应特性漂移

红外探测器对目标在红外波段的辐射能量进行光电转换后输出， 其响应特性与入射的辐射能量相关， 而辐射能量与探测目标温度相关［17］， 即探测单元的响应输出Odet与入射目标温度Tobj之间存在一种映射关系f（·）：

Odet=f（Tobj）（1）

红外探测器响应特性漂移是探测单元的响应输出Odet与入射目标温度Tobj之间的映射关系发生了变化， 即f（·）变为f ′（·）：

Odet=f ′（Tobj） （2）

1.2红外探测器响应特性漂移与时间序列

随着开机时间的延长， 红外探测器响应特性发生漂移， 即有f（·）随开机时间t变化， 记为ft（·）：

Odet=ft（Tobj）=g（t）（3）

对红外探测器的响应输出Odet进行放大量化处理后输出红外图像I。 在开机时间上进行采样， 得到红外探测器响应输出的序列图像It0，It1，…，Itk， 由此可以建立红外探测器响应漂移曲线［3］。 在实验室内采集的-10  ℃黑体探测单元（24， 116）在一段时间内响应输出的漂移曲线如图1所示。 从图中可以看到， 随着开机时间的延长， 探测单元的响应输出值缓慢升高。

在时间上， 等间隔Δt时间采样得到的红外序列图像It0，It0+Δt，…，It0+k·Δt就是时间序列数据， 其中包含了红外探测器响应特性漂移的特征。

2基于时差图像的响应特性漂移评价指标

2.1时差图像

当红外探测器响应特性发生漂移时， 对于相同温度辐射的场景， 红外探测器输出的序列图像中， 当前时刻的图像与开始时刻的图像之间存在差异。

定义时差图像为红外探测器在两个时刻对相同温度辐射场景的响应输出图像的差。 时差图像中就包含了红外探测器响应特性漂移相关的信息。

实际红外探测器的响应输出受各种噪声的影响， 在分析两个时刻的响应输出图像之间的差异时需要排除噪声的干扰。 一种简单的方法是取某一时刻附近一段时间内序列图像的均值图像作为该时刻响应输出图像的估计， 计算公式如下：

因此， 在计算时差图像时， 首先计算两个时刻响应输出的估计图像， 然后计算估计图像对应像素的差， 计算公式如下：

图2给出在实验室内采集的-10 ℃黑体序列图像中初始时刻与第100帧时刻的时差图像， 以及该时差图像中不为零像素的灰度直方图， 其中时差图像经过显示变换为8位无符号数值进行显示。

2.2漂移度

时差图像Deft2，t1中不为零的像素个数越多， 像素值越大， 说明两个时刻探测器响应输出的差异越大， 意味着探测器响应特性漂移越严重。 对时差图像中像素值不为零的像素进行统计分析， 得到时差图像中包含的差异信息的统计特征， 可以用来度量探测器响应特性的漂移情况。

定义漂移度Dr为时差图像Deft2，t1中所有非零像素的密度函数， 计算公式如下：

式中： |p|为时差图像Deft2，t1像素值p的绝对值； |p|max为时差图像像素绝对值的最大值； HDef（|p|）为时差图像像素绝对值为|p|的像素个数； N为像素总个数。

漂移度的计算中仅统计时差图像中的非零值像素， 时差图像中的时差值取绝对值， 只统计差异特征。 漂移度Dr值越大， 说明探测器中探测单元响应特性漂移的平均程度越高， 探测器响应特性漂移越严重。

2.3漂移熵

图像信息熵是衡量图像中所包含信息丰富程度的一个重要指标。 时差图像中包含的信息越丰富， 说明两个时刻探测器响应输出的差异越大， 探测器响应特性漂移越严重。 因此， 可以利用时差图像的信息熵来度量探测器响应特性的漂移情况。

定义En为时差图像中所有非零像素的信息熵：

式中： p为时差图像Deft2，t1像素值； HDef（p）为时差图像像素值为p的像素个数， HDef（p）≠0； N为像素总个数； pmax和pmin分别为时差图像像素值的最大和最小值。

漂移熵En的计算中仅涉及时差图像中的非零值像素， 反映了时差图像中包含的差异信息的丰富程度。 En值越大， 说明探测器中响应特性漂移的探测单元个数越多且漂移程度越丰富， 探测器响应特性漂移越严重。

3基于时间序列的响应特性漂移评价方法

利用漂移度和漂移熵评价指标对采集的一段时间内的红外序列图像进行分析， 可以得到响应特性漂移的评价结果。 然而， 实际红外探测器响应特性漂移可能是一个缓慢的过程， 此时采集的序列图像数据不能充分反映红外探测器的响应特性漂移， 无法得到正确的评价。 此外， 红外探测器响应特性漂移是受物理材料、 制作工艺、 工作环境等多种因素影响产生的， 难以建立精确的数学模型。 根据前面的分析， 红外序列图像数据是时间序列数据， 可以利用时间序列分析方法， 通过分析历史数据， 建立红外探测器响应特性漂移模型， 进而实现预测和响应特性漂移评价。

选择常用的LSTM网络模型［14］进行时间序列分析和预测， 设计基于时间序列预测的评价方法包括训练、 预测和评价3个处理模块， 如图3所示。 首先， 将红外序列图像作为时间序列特征， 将序列中的多步特征作为输入， 将其后一步特征作为标签， 训练LSTM网络模型建立探测器响应特性漂移模型。 接着， 利用训练好的LSTM网络模型， 采用多次迭代预测方法预测所采集序列图像之后的序列图像。 最后， 对预测得到的序列图像计算漂移度和漂移熵指标， 统计分析并给出评价结果。

具体处理步骤如下：

（1） 构建LSTM网络模型。 由1层LSTM和1层全连接层组成， 输入和输出特征维数为图像分辨率大小， 隐含层大小为输入特征维数的2倍， 时间步长为2， 损失函数为均方误差。

（2） 设置LSTM网络模型训练相关参数， 如学习率、 迭代次数等。

（3） 数据采集。 在实验室环境下， 设置采样间隔时间、 采样时间长度以及黑体温度， 采集待测红外探测器输出的均匀辐射的序列图像。

（4） 数据集准备。 将采集的红外序列图像数据进行归一化处理， 以时间步长进行重组， 得到包含特征和标签的数据集， 以设定的比例将序列数据分组为训练集和验证集。

（5） 训练LSTM网络模型。 将训练集数据输入LSTM网络模型中进行训练， 并输入验证集数据进行验证， 直到达到设定的迭代次数， 保存训练好的LSTM网络模型参数。

（6） 迭代预测。 采用迭代预测方法。 利用训练好的LSTM网络模型依次迭代预测得到采集序列之后的250步响应输出序列图像。

（7） 评价指标计算。 以采集图像序列初始时刻为t1时刻， 依次计算预测序列图像的时差图像漂移度和漂移熵。

（8） 输出评价结果。 绘制预测序列图像的漂移度和漂移熵曲线并统计平均值， 根据设定的规则给出该红外探测器对给定黑体温度的响应特性漂移程度等级的评价结果。