红外焦平面阵列快速自适应非均匀校正技术研究

红外焦平面阵列检测器（IRFPA）因其在众多领域的广泛应用，如军事防御、监控、遥感和地面测量，成为关键的技术组件。IRFPA的工作原理是将独立的探测器阵列聚焦在成像系统的焦平面上，然而，它们的响应会因个体差异呈现不均匀性，表现为图像中的固定模式噪声（FPN）。FPN不仅影响图像质量，还会随时间漂移，对于非制冷红外系统来说，这个问题尤为突出。 针对这一挑战，本文提出了快速自适应非均匀校正（Fast Adaptive Nonuniformity Correction，简称FANC）技术，这是一种创新的解决方案。FANC结合了自适应场景学习和视网膜样神经网络，能够实时估计和校正检测器参数，如增益和设置参数。特别地，文中采用了自适应学习速率规则，通过调整平均窗口尺寸的减小策略，提高了对固定模式噪声估计的精度和稳定性。 相比于传统的基于两点校准（例如，利用不同温度的黑体）的方法，FANC不需要频繁打断系统运行进行校准，从而减少了对系统性能的影响。它能够动态跟踪参数变化，对场景变化和不均匀性条件有良好的适应性，显著降低了FPN，并确保了图像序列的连续性和高质量。 评估部分，研究者使用包含模拟和实际固定模式噪声的红外图像序列，对FANC算法进行了性能测试。实验结果显示，FANC不仅能有效地抑制FPN，而且在处理时间漂移方面表现出色，证明了其在实际应用中的优越性能。关键词和短语包括：红外探测器、焦平面阵列、非均匀校正、固定模式噪声、神经网络以及最小均方误差。 总结来说，红外焦平面阵列检测器的快速自适应非均匀校正方法是当前红外成像技术的一个重要进展，它通过优化的算法策略，提高了图像质量和系统的稳定运行，对于提高红外成像系统的整体效能具有重要意义。