CN104917936B - 一种基于灰度相关的时域高通非均匀性校正方法 - Google Patents

Abstract

本发明公开的一种基于灰度相关的时域高通非均匀性校正方法，涉及一种用于红外成像领域的基于灰度相关的时域高通非均匀性校正方法，属于红外成像技术领域。本发明采用与入射辐射值相关的一点非均匀性校正模型，将带有边缘保护的空域低通滤波结果作为校正参考源对输入图像进行预校正。结合时域高通滤波计算每一帧的校正偏置值，根据每帧相同位置入射辐射的变化量改变偏置值与灰度的映射关系完成下一帧校正偏置值，消除校正过程中的“鬼影”，提高红外成像质量。本发明可减小实时化的红外成像系统非均匀性校正算法出现的“鬼影”和“过校正”出现的概率，提高红外成像质量，且计算量以及存储空间较少，方便硬件实现。

Description

一种基于灰度相关的时域高通非均匀性校正方法

技术领域

本发明涉及一种基于灰度相关的时域高通非均匀性校正方法，尤其涉及一种用于红外成像领域的基于灰度相关的时域高通非均匀性校正方法，属于红外成像技术领域。

背景技术

红外成像器件非均匀性引起的固定图案噪声是影响其成像质量的关键因素，需要在后续的图像处理中引入非均匀性校正(Nonuniformity Correction)方法消除噪声。非均匀性校正的方法目前主要有基于辐射参考源的定标校正(Calibration Based Non-uniformity Correction,CBNUC)和基于场景的自适应校正(Scene Based Non-uniformityCorrection,SBNUC)。

CBNUC需要在探测器前加入辐射挡板作为校正算法需要的均匀辐射参考源，但是由于算法需要在视场中不断地插入参考源，一定程度上影响了成像系统的连续成像，在一些应用领域受到了很大限制。因此SBNUC技术近年得到很大重视，该算法不需要参考源，依靠场景信息就可以完成NUC过程。目前主要的SBNUC算法有恒定统计法、神经网络法、时域高通滤波法、配准类校正法。这些算法依赖于场景的多样性以及帧间的运动，通过统计方法或者配准技术逐帧迭代能够在一定程度上校正非均匀性。另一方面，可以硬件实时化的自适应校正算法受到很大关注。但是这些自适应算法容易产生“鬼影”，校正过程中收敛条件不合理会引起“过校正”。例如基于均值滤波的神经网络算法，容易在滤波窗口内丢失细节生成不当的参考源，引起“鬼影”的出现；后续的基于双边滤波的神经网络算法可以一定程度保持细节生成稳定的参考源，但在前后帧场景变化大的情况下，神经网络的校正参数难以正确地更新，引起“鬼影”。

发明内容

为解决可实时化的红外成像系统非均匀性校正算法出现的“鬼影”和“过校正”问题，本发明公开的一种基于灰度相关的时域高通非均匀性校正方法，要解决的技术问题是减小实时化的红外成像系统非均匀性校正算法出现的“鬼影”和“过校正”出现的概率，提高红外成像质量。

本发明的目的是通过下述技术方案实现的。

本发明公开的一种基于灰度相关的时域高通非均匀性校正方法，采用与入射辐射值相关的一点非均匀性校正模型，将带有边缘保护的空域低通滤波结果作为校正参考源对输入图像进行预校正，校正参考源作为期望值用于防止“过校正”。结合时域高通滤波计算每一帧的校正偏置值，所述的校正偏置值实现方法为，根据每帧相同位置入射辐射的变化量改变偏置值与灰度的映射关系完成下一帧校正偏置值，消除校正过程中的“鬼影”，提高红外成像质量。

本发明公开的一种基于灰度相关的时域高通非均匀性校正方法，包括如下步骤：

步骤1，对输入图像进行预校正。利用灰度的时域特性，对预校正偏置矩阵进行约束。即当入射辐射值变化时，探测器单元的非均匀性也变化，相应的偏置值也变化，这就是所说的灰度相关。因此，当前帧(k+1帧)与上一帧灰度差距大时，当前帧偏置值b_k+1(i,j,t)＝0；当前帧(k+1帧)与上一帧灰度差距小时，当前帧偏置值其中，t表示背景温度。

因为，当前帧(k+1帧)与上一帧灰度差距大时，当前帧b_k+1(i,j,t)＝0，对当前帧偏置值b_k+1(i,j,t)进行重新计算，消除上一帧对当前帧偏置值b_k+1(i,j,t)的影响，减小校正过程中“鬼影”出现的概率。

步骤2，对预校正后的图像进行空域滤波，估计入射辐射值。所述的空域滤波优选自适应选择性空域均值低通滤波器进行空域滤波，自适应选择性空域均值低通滤波器能够保护窗口内高梯度信息，在迭代校正的过程中，保留图像的边缘信息，减轻“过校正”，同时，自适应选择性空域均值低通滤波能够更精准地估算输入信号，进一步减小校正过程中“鬼影”出现的概率。第k帧时的入射辐射的空域估计值为：

其中，s×s是窗口尺寸，y_k是探测器响应值，δ是自适应选择因子，定义如下：

其中，T_sp为自适应高梯度剔除阈值，T_sp与图像的非均匀性的形式有关，T_sp表述形式如式(3)，其中α和β的数值与非均匀性的形式有关，d₁是空域阈值稀释系数，其在0.5至3间变化，随着非均匀性现象的严重，d₁可加大，如果非均匀性形状为“横向”条纹，α＝0，β＝1；如果非均匀性形状为“纵向”条纹，α＝1，β＝0；如果非均匀性形状为“网格”性或者“水纹”，α＝0.5，β＝0.5。

步骤3，基于时域高通滤波估计偏置值。第k帧的偏置估计值为：

为了消除随机噪声的影响，在时域对偏置值取平均。

其中，为温度t时，探测元(i,j)偏置的估计值。假设n_k(i,j)在时域上的数值分布符合均值为0的随机正态分布，那么当K足够大时：

步骤4，用一点校正模型对原始输入图像校正，所述的一点校正模型如公式(8)，

x(i,j,t)＝y_k+1(i,j,t)-b_k+1(i,j,t) (8)

其中x(i,j,t)作为输出图像，b_k+1(i,j,t)是第k帧计算出的偏置值，b_k+1(i,j,t)用于下一帧非均匀性校正，返回步骤1迭代。

步骤5，重复步骤1至4的基于灰度相关的时域高通非均匀性校正方法，对每一帧图像进行校正处理，随着时间递进，非均匀性校正后输出的红外成像质量逐渐提高。

有益效果：

本发明与现有的神经网络非均匀性校正算法、恒定统计非均匀性校正算法、时域高通滤波算法相比，具有如下优势：

1、本发明使用自适应选择性空域均值低通滤波器进行滤波处理，处理后的入射辐射估计值用于保护强梯度，保留图像细节，同时会防止“过校正”，克服了神经网络算法和时域高通滤波算法在处理静止图像时出现的图像退化现象；

2、本发明使用时域高通滤波器估计偏置值，并根据入射辐射值调整偏置值，等价于加入了运动估计，可以有效地消除神经网络校正算法和传统时域高通滤波算法出现的“鬼影”现象。

3、本发明需要的计算量以及存储空间较少，方便硬件实现。

附图说明

图1是本发明的基于灰度相关的时域高通非均匀性校正算法的流程图；

图2(a)是使用国产384×288的VOx焦平面探测器采集原始图像第11帧；

图2(b)是第11帧预校正偏置绝对值灰度图；

图2(c)是第11帧入射辐射的空域估计图像；

图2(d)是第11帧计算得到的校正偏置绝对值灰度图；

图2(e)是第11帧校正后的输出图。

图3(a1)使用国产384×288的VOx焦平面探测器采集原始图像第1帧图；

图3(a2)使用国产384×288的VOx焦平面探测器采集原始图像第11帧图；

图3(a3)使用国产384×288的VOx焦平面探测器采集原始图像第35帧图；

图3(b1)使用恒定统计算法对原始视频序列非均匀性校正的结果第1帧图；

图3(b2)使用恒定统计算法对原始视频序列非均匀性校正的结果第11帧图；

图3(b3)使用恒定统计算法对原始视频序列非均匀性校正的结果第35帧图；

图3(c1)使用神经网络算法对原始视频序列非均匀性校正的结果第1帧图；

图3(c2)使用神经网络算法对原始视频序列非均匀性校正的结果第11帧图；

图3(c3)使用神经网络算法对原始视频序列非均匀性校正的结果第35帧图；

图3(d1)使用时域高通滤波算法对原始视频序列非均匀性校正第1帧图；

图3(d2)使用时域高通滤波算法对原始视频序列非均匀性校正第11帧图；

图3(d3)使用时域高通滤波算法对原始视频序列非均匀性校正第35帧图；

图3(e1)使用本发明算法对原始视频序列非均匀性校正的结果第1帧图；

图3(e2)使用本发明算法对原始视频序列非均匀性校正的结果第11帧图；

图3(e3)使用本发明算法对原始视频序列非均匀性校正的结果第35帧图；

使用本算法、神经网络、恒定统计和时域高通滤波算法处理带有非均匀性的视频序列处理效果对比图，包括第1帧，第11帧和第35帧的处理效果对比。

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。

实施例1：

本实例使用国产384×288的VOx焦平面探测器采集的视频序列，进行对比试验验证本发明对于真实探测器的“条纹”非均匀性的处理效果。图像视频序列为探测器拍摄静止暖气片，不断用手切入视场中验证算法的处理效果及收敛速度。

采用本实施例公开的一种基于灰度相关的时域高通非均匀性校正方法对上述的图像视频序列进行校正处理，并将校正处理后的红外成像质量与已有技术的神经网络非均匀性校正算法、恒定统计非均匀性校正算法、时域高通滤波算法校正处理的红外成像质量进行对比，说明本实施例公开的一种基于灰度相关的时域高通非均匀性校正方法的有益效果。

本实施例的方法流程图如图1所示，本实施例公开的一种基于灰度相关的时域高通非均匀性校正方法，具体实施步骤如下：

步骤1，对输入图像进行预校正。对于第11帧原始图(如附图2(a))来说，预校正的偏置值使用的是第10帧计算得到的，利用第11帧与第10帧灰度的时域特性，对预校正偏置值矩阵进行灰度相关约束。即同一位置第11帧与第10帧的灰度差距不大时，偏置值否则，第11帧偏置值变为b₁₁(i,j,t)＝0。对第11帧偏置值灰度相关约束后的偏置绝对值灰度图如图2(b)。从图中可见，第11帧图像的右侧手指存在的区域与第10帧灰度变化较大，预校正偏置值的置零位置较多，达到减小校正过程中“鬼影”出现概率的目的。

步骤2，对预校正后的图像进行空域滤波，估计入射辐射值。所述的空域滤波优选自适应选择性空域均值低通滤波器进行空域滤波，自适应选择性空域均值低通滤波器能够保护窗口内高梯度信息，在迭代校正的过程中，保留图像的边缘信息，减轻“过校正”，同时，自适应选择性空域均值低通滤波能够更精准地估算输入信号，进一步减小校正过程中“鬼影”出现的概率。根据公式(1)，计算得到第11帧的入射辐射的空域估计值如图2(c)，其中，窗口尺寸是7×7，根据公式(3)，自适应高梯度剔除阈值T_sp为3.0881，7×7窗口内灰度梯度大于3.0881的像素不参与自适应选择性空域均值低通滤波。

步骤3，基于时域高通滤波估计偏置值。根据公式(7)，第11帧计算得到第12帧的预校正偏置估计值其绝对值灰度图如图2(d)。

步骤4，根据公式(8)所述的一点校正模型对第11帧原始输入图像校正，得到第11帧校正后的输出图像，如图2(e)所示。作为第11帧计算出的偏置值，返回步骤1用于第12帧图像的非均匀性预校正。

步骤5，重复步骤1至4的基于灰度相关的时域高通非均匀性校正方法，对每一帧图像进行校正处理，随着时间递进，非均匀性校正后输出的红外成像质量逐渐提高。

结合附图3(a)-(e)，使用本实施例方法、神经网络、恒定统计和时域高通滤波算法处理带有非均匀性的视频序列处理效果对比图，包括第1帧，第11帧和第35帧的处理效果对比，可以明显看出，当场景中出现手遮挡后面的暖气片时，由于神经网络，恒定统计和时域高通滤波算法校正过程中校正参数与探测器输出灰度值没有建立相关关系，在11帧之后都或多或少的出现了鬼影，在35帧中表现得很明显。本实施例方法则很好地避免了这类场景下非均匀性校正出现的鬼影。通过图3(c2)与图3(e2)的对比，可以看出本实施例方法在减轻过“过校正”方面较神经网络算法要好。

本发明保护范围不仅局限于实施例，本实施例用于解释本发明，凡与本发明在相同原理和构思条件下的变更或修改均在本发明公开的保护范围之内。

Claims (1)

1.一种基于灰度相关的时域高通非均匀性校正方法，其特征在于：采用与入射辐射值相关的一点非均匀性校正模型，将带有边缘保护的空域低通滤波结果作为校正参考源对输入图像进行预校正，校正参考源作为期望值用于防止“过校正”；结合时域高通滤波计算每一帧的校正偏置值，所述的校正偏置值实现方法为，根据每帧相同位置入射辐射的变化量改变偏置值与灰度的映射关系完成下一帧校正偏置值，消除校正过程中的“鬼影”，提高红外成像质量；

所述方法的具体实现步骤如下，

步骤1，对输入图像进行预校正，利用灰度的时域特性，对预校正偏置矩阵进行约束，当前帧(k+1帧)与上一帧灰度差距大时，当前帧偏置值b_k+1(i,j,t)＝0；当前帧(k+1帧)与上一帧灰度差距小时，当前帧偏置值其中，t表示背景温度；

步骤2，对预校正后的图像进行空域滤波，估计入射辐射值；所述的空域滤波为自适应选择性空域均值低通滤波器进行空域滤波，自适应选择性空域均值低通滤波器能够保护窗口内高梯度信息，在迭代校正的过程中，保留图像的边缘信息，减轻“过校正”，同时，自适应选择性空域均值低通滤波能够更精准地估算输入信号，进一步减小校正过程中“鬼影”出现的概率；第k帧时的入射辐射的空域估计值为：

<mrow> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>m</mi> <mo>=</mo> <mo>-</mo> <mi>s</mi> </mrow> <mi>s</mi> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>n</mi> <mo>=</mo> <mo>-</mo> <mi>s</mi> </mrow> <mi>s</mi> </munderover> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> </mrow> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> </mrow> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>m</mi> <mo>=</mo> <mo>-</mo> <mi>s</mi> </mrow> <mi>s</mi> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>n</mi> <mo>=</mo> <mo>-</mo> <mi>s</mi> </mrow> <mi>s</mi> </munderover> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

其中，s×s是窗口尺寸，y_k是探测器响应值，δ是自适应选择因子，定义如下：

<mrow> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>|</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&lt;</mo> <msub> <mi>T</mi> <mrow> <mi>s</mi> <mi>p</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>|</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&gt;</mo> <msub> <mi>T</mi> <mrow> <mi>s</mi> <mi>p</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

其中，I(i,j)表示k取任意帧数的探测器响应y_k(i,j)；T_sp为自适应高梯度剔除阈值，T_sp与图像的非均匀性的形式有关，T_sp表述形式如式(3)，其中α和β的数值与非均匀性的形式有关，d₁是空域阈值稀释系数，其在0.5至3间变化，随着非均匀性现象的严重，d₁相应加大，如果非均匀性形状为“横向”条纹，α＝0，β＝1；如果非均匀性形状为“纵向”条纹，α＝1，β＝0；如果非均匀性形状为“网格”性或者“水纹”，α＝0.5，β＝0.5；

<mrow> <msub> <mi>T</mi> <mrow> <mi>s</mi> <mi>p</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>d</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mrow> <mi>&amp;alpha;</mi> <mfrac> <mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>M</mi> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>|</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mrow> <mrow> <mo>(</mo> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mi>N</mi> </mrow> </mfrac> <mo>+</mo> <mi>&amp;beta;</mi> <mfrac> <mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>2</mn> </mrow> <mi>N</mi> </munderover> <mo>|</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>t</mi> </mrow> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mrow> <mi>M</mi> <mrow> <mo>(</mo> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

M表示图像的行总数，N表示图像的列总数；

步骤3，基于时域高通滤波估计偏置值，第k帧的偏置估计值为：

<mrow> <msub> <mover> <mi>b</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>n</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

为了消除随机噪声的影响，在时域对偏置值取平均；

<mrow> <mover> <mi>b</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>K</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mover> <mi>b</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

其中，K表示多帧平均的总帧数；为温度t时，探测元(i,j)偏置的估计值，假设n_k(i,j)在时域上的数值分布符合均值为0的随机正态分布，那么当K足够大时：

<mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>n</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <mn>0</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mover> <mi>b</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>K</mi> </mfrac> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

步骤4，用一点校正模型对原始输入图像校正，所述的一点校正模型如公式(8)，

x(i,j,t)＝y_k+1(i,j,t)-b_k+1(i,j,t) (8)

其中x(i,j,t)作为输出图像，b_k+1(i,j,t)是第k帧计算出的偏置值，b_k+1(i,j,t)用于下一帧非均匀性校正，返回步骤1迭代，

步骤5，重复步骤1至4的基于灰度相关的时域高通非均匀性校正方法，对每一帧图像进行校正处理，随着时间递进，非均匀性校正后输出的红外成像质量逐渐提高。