盲元处理算法范文

盲元处理算法范文（精选3篇）

盲元处理算法 第1篇

近年来,红外焦平面阵列(IRFPA)作为新一代红外探测器件提高了红外系统的空间分辨率和系统灵敏度,其应用日趋广泛[1,2]。但由于制造材料、工艺等因素的影响(如材料的不均匀性、掩模误差、缺陷等),红外焦平面阵列器件存在不可避免的非均匀性,而在不均匀的极端情况下,部分探测器元甚至失去探测能力,成为盲元[3,4]。盲元的数量和分布对红外图像的信噪比和图像质量产生很大的影响,如果盲元过多或者分布过于集中,则红外图像上将出现大量的或者过于集中的白点(黑点),这严重影响红外图像的视觉效果,如果不对这一类问题加以解决,红外热像仪的应用将会受到很大的限制。通过盲元补偿算法可以消除红外图像的白点或者黑点,从而提高焦平面阵列的性能,为热像仪的实际应用带来好处[5],而对盲元进行补偿前提条件便是能够对盲元进行精确定位。

本文在分析盲元产生机理的基础上,指出了盲元随环境温度改变而可能改变的事实,给出了考虑环境温度差异的红外焦平面阵列盲元检测算法。实验结果表明,该算法可以在不同的环境温度范围内有效的检测出盲元。

2 盲元定义以及产生机理

2.1 盲元定义

盲元又称为失效元(Non-effective pixel),包括死像元和过热像元;死像元(Dead Pixel):像元响应率小于平均响应率的1/10的像元;过热像元(Over hot pixel):像元噪声电压大于平均噪声电压10倍的像元。

首先给出凝视焦平面探测器参数的定义:

1)像元的响应率:

像元每单位辐照功率产生的输出信号电压,符号为R(i,j),单位为V/W。其表达式如下:

其中:Vs(i,j)表示第i行第j列像元对应于辐照功率P的响应电压;P表示第i行第j列像元所接受的辐照功率。

2)探测器的平均响应率:

探测器各有效像元响应率的平均值,表示为,其单位为V/W。其表达式为[6]

其中:M、N表示探测器像元的总行数和总列数;d、h分别表示为死像元和过热像元数。

如果有:

那么认为该像元为过冷像元,属于盲元。

平均噪声电压可以采用电压方差来描述:

其中:xi为有效探测元的响应输出电压;u为所有有效探测元的响应均值;σn表示平均噪声电压;n为有效探测元个数。

这里的平均噪声电压的计算也是在去除盲元后的有效像元的平均噪声电压。

对于每个探测元的噪声电压,可以用下式表示:

如果有:

那么认为该像元为过热像元,属于盲元。

2.2 盲元产生机理

凝视焦平面阵列(探测器)的视频输出盲元是红外敏感元件(探测器)、读出电路、半导体特性及放大电路等各种因素综合作用的结果[7]。所以,分析凝视焦平面探测器的盲元来源及表现形式主要应从以下几方面来探讨[8]:

1)焦平面探测器中部分物理像元损坏直接失去绝对探测能力,形成盲元。

2)焦平面探测器中各像元的响应特性不一致。这种不一致是由制造过程中的随机性引起的,如凝视焦平面探测器各像元有效感应面积的不同以及半导体掺杂的变化等原因,使得光电转换特性曲线不一致和暗噪声不均匀等,其表现为信号乘性和加性的变化。当某些像元的这种变化超过一定值时,便形成盲元。

3)1/f噪声。虽然目前对1/f噪声的产生机理尚未完全弄清楚,但通常认为它是由半导体的表面电流所引起的,故又称为电流噪声。不同的像元内部的1/f噪声可以近似地认为彼此不具有相关性。1/f噪声较大时将可能令探测单元性能恶化形成盲元。

4)信号电荷传输读出的影响。在采用移位读出的IRFPA器件中,读出电路的通道障碍可使相关像元信号衰减而形成盲元。

5)焦平面探测器所处环境温度的变化。环境温度变化将对所有的像元起作用,温度过高或者过低时将可能令部分像元失去探测能力,成为盲元。

根据上述的产生原因可以发现在实际的凝视热像仪系统中,盲元可分为器件级和信号通道级两类。器件级的定义是基于实验室的测试标准,这类盲元可以在器件出厂时一次标定。信号通道级的盲元是由于通道障碍或外界因素使相关单元信号衰减而形成,该类盲元具有随机性,尤其该类盲元受探测器所处环境温度影响较大,因此需要引入现场检测技术。

当前存在的盲元检测技术有响应率检测法、偏差检测法、噪声检测法[9]以及这些算法的变形,然而无一例外的均没有考虑环境温度对盲元的影响,本文将在考虑环境温度的基础上提出盲元检测新算法。

3 基于环境温度的盲元检测算法

本算法与传统算法最大的区别就是考虑了环境温度对盲元的影响,并在不同的温度范围内对盲元位置有不同的标定,通常焦平面探测器所处的环境温度在-20℃~40℃之间,因此本算法便在该温度范围内对盲元位置进行标定,具体的步骤如下:

1)初始标定:

将探测器所处环境温度调整为-20℃:

①将阵列规模为M×N的红外探测器对温度为Tb-low的低温黑体进行探测,其中黑体均匀温度面充满探测器的整个视场,探测器的低温响应数据为V(i,j)(Tb-low)。

②用与(1)一样的方法将阵列规模为M×N的红外探测器对温度为Tb-high的高温黑体进行辐照,获得探测器的高温响应数据为V(i,j)(Tb-high)。

③得到探测器对高低温黑体响应的差值:

④得到像元的平均响应差值:

⑤将V(i,j)与V进行对比,参照国家标准对盲元定义的思想,规定凡响应差值V(i,j)大于V的10倍或小于V的1/10的像元被认为是盲元。将盲元的位置记录下来,重新计算像元的平均响应差值:

其中l表示被认为是盲元的像元的个数;

累加公式∑∑V(i,j)中不累加已经被标为盲元的像元的高低温黑体响应差值。

经过式(9)计算之后重新进行⑤,迭代计算直到参与累加的像元中不再出现盲元,并将此时的所有盲元位置信息f-20°C(i,j)记录下来。这样初始标定完成。

(ⅰ):在进行下一步骤之前先阐述寻找盲元位置信息一致的探测器所处环境温度范围的方法,参照数学上的二分法思想:在某一温度范围(Tlow,Thigh)内,调整探测器环境温度为该温度范围的最低温度Tlow和最高温度Thigh,计算出fTlow(i,j)、fThigh(i,j)。如果fTlow(i,j)和fThigh(i,j)不同,则调整探测器所处环境温度为该温度范围的中间温度值(Tlow+Thigh)/2,于是原温度范围(Tlow,Thigh)被细分为两个温度范围:(Tlow,(Tlow+Thigh)/2)、((Tlow+Thigh)/2,Thigh),求出f(Tlow+Thigh)/2(i,j),将其分别与fTlow(i,j)和fThigh(i,j)相比较,如果f(Tlow+Thigh)/2(i,j)与fTlow(i,j)或者(fThigh(i,j))不同,则继续细分上述比较值不同的环境温度范围为(Tlow,(Tlow+Thigh)/2)或者((Tlow+Thigh)/2,Thigh),继续计算出当前温度范围的中间温度值的探测器盲元位置信息fTmid(i,j),再与该温度范围的最低、最高温度时的盲元位置信息相比较、判断,如此反复迭代,直到调整到探测器所处环境温度范围小于1℃或者环境温度范围内盲元位置信息fT(i,j)没有改变时停止,同时将具有相同盲元位置信息的探测器所处环境温度范围合并。这样便将探测器所处环境温度范围(Tlow,Thigh)细分为几个温度范围,并保证了所划分的环境温度范围内的探测器盲元位置信息相同。

2)迭代标定:

①将探测器所处的环境温度由-20℃调整到40℃,重新进行1)的所有步骤,得到f40°C(i,j)。

②对比f-20℃(i,j)和f40℃(i,j),如果二者相同则执行③,否则执行④。

③f-20℃(i,j)和f40℃(i,j)相同说明在该环境温度范围内探测器盲元位置信息没有改变,该盲元位置信息可以用于该温度范围内的探测器盲元校正。

④f-20℃(i,j)和f40℃(i,j)不同表明在-20℃~40℃范围内盲元位置信息已经发生改变,根据(ⅰ)介绍的方法将探测器所处环境温度(-20℃,40℃)细分为盲元位置信息不再改变的几个环境温度范围,并将不同环境温度范围的盲元位置信息记录下来。

经过上述步骤,不同环境温度范围内的盲元位置信息便可以被标定出来。

4 盲元检测算法结果

根据上述的盲元检测算法,对SOFRADIR公司生产的320×240红外焦平面探测器的盲元位置和数量进行检测发现:-20℃~16℃时盲元位置和数量信息不改变,16℃~40℃时盲元位置信息不改变,而这两个温度范围的盲元位置数量信息不同。表1为根据上述盲元检测算法检测出的分别在-20℃~16℃和16℃~40℃环境温度范围的盲元位置信息。根据表1数据发现,两个温度范围内的盲元位置信息发生了改变,编号19及其以前的盲元位置信息是一致的,编号20、21、22的像元在16℃~40℃温度范围内表现为盲元而-20℃~16℃温度范围内却不是盲元,而编号23、24的像元恰好相反。

为了验证该盲元检测算法的有效性,分别采集了在这两个温度范围内的10℃和25℃时没有经过盲元检测和补偿算法的红外图像,根据表1中的数据,在图1中的(95,62)和(203,131)位置(图1中黑色框内的位置)处发现像元和其周围的像元的灰度相差较大,出现了盲元,而图2中的相同位置的像元与周围像元相比较灰度连续,不存在盲元;但是图2中的(45,4),(154,226),(256,155)(图2中的黑色框位置)处的像元的灰度与其周围的像元的灰度相差较大,出现了盲元,而图1中的相同位置处却不存在这种情况。同时对比图1、图2中的红外图像发现,其他位置的视觉可见的盲元位置均相同,而且在表1中均有对这些相同盲元位置的记录,比如表1中标记的(104,140)和(113,106)位置在图1、图2中均可见到明显的盲元。

图1、图2中红外图像的盲元位置不同说明环境温度的不同确实造成了红外图像的盲元位置的改变;而表1中对随环境温度变化而变化的盲元位置的标定又与相对应温度范围的图像中盲元位置的出现相吻合,同时图像中出现的相同位置的盲元位置信息在表1中也得以体现,这说明该盲元检测算法对红外图像的盲元位置检测有效而准确。

5 结论

盲元的精确定位对后续的盲元补偿算法至关重要,本文提出了考虑探测器所处环境温度差异的盲元检测算法,实际数据和图像对比表明,该算法可以将随环境温度改变而变化的盲元信息检测出来,是红外焦平面阵列盲元检测的有效手段,提高了后续盲元补偿算法的针对性和有效性。

摘要：为提高红外焦平面阵列盲元的定位精度,分析了盲元的产生机理,指出了探测器所处环境温度对探测元的探测能力以及焦平面阵列的盲元数量和位置分布的影响,提出了一种考虑环境温度差异的红外焦平面阵列盲元检测算法,精确定位了不同温度范围内的盲元位置。实验结果表明,该算法可将随环境温度改变而改变的盲元位置信息准确检测出来。

关键词：红外焦平面阵列,红外探测机理,盲元检测,环境温度差异,盲元变化

参考文献

[1]石岩,毛海岑,张天序,等.一种新的基于特征直方图分解的红外焦平面阵列无效像元判别方法[J].红外与毫米波学报,2005,24(2):119-124.SHI Yan,MAO Hai-cen,ZHANG Tian-xu,et al.New Approach of IRFPA Non-effective Pixel Discrimination Based on Pixel’Characteristics Histogram Analysis[J].J.Infrared Millim.Waves,2005,24(2):119-124.

[2]赖睿,刘上乾,周慧鑫,等.红外焦平面阵列盲元检测技术研究[J].半导体光电,2005,26(3):219-211.LAI Rui,LIU Shang-qian,ZHOU Hui-xin,et al.Blind-pixel Detection for Infrared Focal Plane Arrays[J].Semiconductor Optoelectronics,2005,26(3):219-211.

[3]Scribner D A,Kruer M R,Gridley C J.Measurement,Characterization,and Modeling of Noise in Staring Infrared Focal Plane Array[J].SPIE,1987,782:147-160.

[4]Boltar K O,Bovina L A,Saginov L D,et a1.IR Imager Based on a128×128HgCdTe Staring Focal Arrays[J].SPIE,1999,3819:92-95.

[5]Dieickx B,Meynants G.Missing Pixels Correction Algorithm for Imager Sensors[J].SPIE,1998,3410:200-203.

[6]周慧鑫,殷世民,刘上乾,等.红外焦平面器件盲元检测及补偿算法[J].光子学报,2004,33(5):598-600.ZHOU Hui-xin,YIN Shin-min,LIU Shang-qian,et al.Algorithm of Blind Pixels Auto-searching and Compensation for IRFPA[J].Semiconductor Optoelectronics,2004,33(5):598-600.

[7]张小军,赵亦工.红外焦平面阵列非均匀性校正的综合处理算法[J].红外技术,2003,25(6):34-38.ZHANG Xiao-jun,ZHAO Yi-gong.Combined Algorithm for Non-uniform Correction of Infrared Focal Plane Arrays[J].Infrared Technology,2003,25(6):34-38.

[8]李怀琼.高性能凝视热像仪处理电子学关键技术研究[D].南京:南京理工大学,2007:13-19.LI Huai-qiong.Research on Processing Electronics Key Technique of the High Performance Staring Thermal Imaging System[D].Nanjing:Nanjing University of Science and Technology,2007:13-19.

盲元处理算法 第2篇

关键词：DSP 自动目标识别(ATR) 并行算法 处理器 软件设计

自动目标识别(ATR)算法通常包括自动地对目标进行检测、跟踪、识别和选择攻击点等算法。战场环境的复杂性和目标类型的不断增长使ATR算法的运算量越来越大，因此ATR算法对微处理器的处理能力提出了更高的要求。由于通用数字信号处理芯片能够通过编程实现各种复杂的运算，处理精度高，具有较大的灵活性，而且尺寸小、功耗低、速度快，所以一般选择DSP芯片作为微处理器来实现ATR算法的工程化和实用化。

为了保证在DSP处理器上实时地实现ATR算法，用算法并行化技术。算法并行化处理的三要素是：①并行体系结构;②并行软件系统;③并行算法。并行体系结构是算法并行化的硬件基础，并行算法都是针对特定的并行体系结构开发的并行程序。根据DSP处理器的数目，ATR算法的并行实现可以分为处理器间并行和处理器内并行。处理器间并行是指多个DSP处理器以某种方式连接起来的多处理器并行系统，ATR算法在多个处理器上并行招待。根据处理器使用存储器的情况，多处理器并行系统又可分为共享存储器多处理器并行系统和分布式多处理器并行系统。处理器内并行是指在单个DSP处理器内通过多个功能单元的指令级并行(ILP)来实现ATR算法的并行化。本文分别对在共享存储器多处理器并行系统、分布式多处理器并行系统和指令级并行DSP处理器上并行实现ATR算法进行了探讨。

1 在共享存储器多处理并行系统上实现ATR算法

在共享存储器多处理器并行系统中，各个处理器通过共享总线对所有的存储器进行操作，实现各个处理器之间的数据通信。而在任一时刻，只允许一个处理器对共享总线进行操作。所以处理器对存储器进行读/写操作时就必须先获得对共享总线的控制权，这通过总线仲裁电路实现。然而，由于所有的处理器只能通过一条共享总线对存储器进行访问，这在处理器数目比较多或者处理器之间频繁交换数据的情况下容易引起总线冲突和等待而降低整个并行系统的运行速度。共享存储器多处理器并行系统的优点是结构简单，当处理器的数目较少时，可以达到较高的加速比。

ADSP2106x处理器支持最为常用的共享存储器多处理器并行系统，组成多处理器系统的每一片ADSP2106x的片内存储器统一编址，任一ADSP2106x可以访问其它任何一片ADSP2106x的片内存储器。由于片内SRAM为双口存储器，因而这种访问并不中断被访问处理器的正常工作。每个处理器片内SRAM既是该处理器的局部存储器，又是共享存储器的部分。在不增加辅助电容的情况下，通过外部总线接口直接相连的处理器数量最多为6个。由于每个处理器的工作程序放在其片内的双口SRAM中，因此各个处理器可以实现并行处理，这是ADSP2106x的存储器结构所决定的。

ATR算法在共享存储器多处理器并行系统中实现时，在编写并行算法程序方面应当重点考虑的问题包括：

(1)均衡地把任务分配给各个处理器

ATR算法在共享存储器多处理器并行系统中实现任务级并行，因此必须把ATR算法划分为计算量均衡的多个任务，把各个任务分配给多个处理器，才能发挥多处理器并行系统的最大并行效率。

(2)尽量减少多处理器之间数据通信

由于多处理器只能通过一条共享总线对存储器进行访问，这在多处理器之间频繁交换数据的情况下容易引起总线竞争而降低整个并行系统的运行速度。

(3)利用单个处理器的并行编程特性

海量数据实时处理算法设计与分析 第3篇

【关键词】海量数据 MapReduce算法 hash

一、背景以及现状

随着互联网的发展，在许多科学领域，信息数量呈指数型增长。截止到2011年全球信息总量为1.8ZB[1]。海量数据的时代已经来临，然而面对海量数据该如何存储，如何有效的处理，及时有效的处理了这些数据对于各行各业乃至整个社会的发展有着重要的意义。过去的几年里单机的性能得到发展，硬件也得到发展。但在理论上这些硬件技术的发展是有限的。现今的多核技术就是并行技术发展的一个实例[2]。

二、MapReduce的技术特征

1）横向扩展与纵向扩展。对于MapReduce集群的构建采用低廉且容易扩展的低端商用服务器，考虑到大量数据存储的需要，基于低端服务器的集群远比基于高端服务器的集群优越，所以基于低端服务器实现都会使用MapReduce并行计算集群。

2）失效与常态。相对低端的服务器适用于MapReduce集群，无论哪个节点失效，其他的节点要无缝接管着失效节点的计算任务；当该节点恢复以后将不需要人工配置而是能自动无缝加入集群。

3）处理向数据迁移。MapReduce采取数据与代码互定位的技术时，计算节点首先计算其本地存储的数据并对其负责使数据发挥本地化的特点。

三、对MapReduce改进

（一）预处理算法

大量事实证明，在数据挖掘中整个工作量的60%到80%都是数据预处理[3]。通过数据预处理工作可以使残缺的数据变得完整，能达到数据类型相同化、数据格式的一致化、数据存储集中化和数据信息精练化[4]。采用Hash算法，间接取余法。公式：f（x）：= x mod maxM ； maxM一般是不太接近 2^t 的一个质数。得余数x，根据x对源数据进行预处理分配，采用Hash取模进行等价映射。

（二）分布缓存

对由N台缓存服务器组成的集群缓存把集群依次编号为0 - （N-1）。

1）hash机器节点。首先求出机器节点处的hash值，然后把它分布到0～2^32的一个圆环上（顺时针分布）。如图3-1，集群中有ABCDE五台机器，通过hash算法把它们分布到如图3-1所示的环上。

2）访问方式。写入缓存的请求，Key值为K计算器hash值为hash（K），Hash（K）对应着图3-1环中的某一个点。若该点没有对应映射到具体的某个机器节点上，就进行顺时针查找直到找到确定的目标节点，也就是首次有映射机器的节点。Hash（K）的值介于A～B之间时，那么它命中的机器节点应当就是图3-1中的B节点。

3）增加节点的处理。如图3-1中如果在原有集群的基础上想再增加一台机器F，过程如下，首先要计算机器节点的Hash值，找到环中的一个节点，把机器映射上，如图3-2所示。在增加机器节点F以后访问策略不发生改变，按2）中的方式继续访问，那么此时仍然是不可避免的是缓存不命中的情况，hash（K）在增加节点之前不能命中的数据是落在C～F之间的数据。hash它使用了虚拟节点的思想，在圆上分配了100～200个点为其中的每一个物理节点，这样就能较好的抑制了分布的不均匀的情况，还能最大限度减小当服务器增减时缓存的重新分布。

{三}复用中间结果

在对海量数据进行了预处理和分布式缓存之后，采用简单随机取样[5]的方法对缓存好的数据进行随机取样具体实现该方法。

四、实验

本论文的实验可以对是某地区房价数据进行处理，简要的过程如下：

第一数据预处理阶段，首先让每一组数据分别自动编号，然后采用取余的方法。第二根据分组情况，分别把各组数据放置到不同的服务器上。第三采用简单随机取样的方法对缓存好的数据进行随机取样，选择出最适合的房产。

五、结束语

本文在算法方面也还有一些不足之处，有待深入的分析。目前海量数据的处理还有很多值得深入研究和挖掘的地方，还将会是热门的话题以及更多专家学者热衷研究的方向。

【参考文献】

[1] John Gantz， David Reinsel .The 2011 Digital Universe study： Extracting Value from Chaos [J]. International Data Corporation （IDC）， 2011

[2]陈康，郑纬民.云计算：系统实例与研究现状[J].软件学报，2009，20（5） ：1337 -1348.

[3]D. Romano， Data Mining Leading Edge： Insurance&Banking， InProceedings of Knowledge Discovery and Data Mining， Unicorn， BrunelUniversity， 1997.

[4]刘军强，高建民，李言等.基于逆向工程的点云数据预处理技术研究.现代制造工程.2005.7： 73-75.