非制冷红外焦平面阵列的固定图案噪声具有与条带噪声相类似的特性.通过对矩匹配算法和时域高通滤波算法的研究, 提出了一种多尺度时域矩匹配非均匀性校正算法.首先利用高斯金字塔对相邻帧待校正图像进行全局运动估计, 然后对各尺度的高斯金字塔和拉普拉斯金字塔分别进行时域矩匹配.对真实红外图像序列的实验结果表明, 该算法在提高收敛速度的同时可有效减少鬼影现象的出现.

深入剖析传统神经网络非均匀性校正方法收敛速度慢以及易产生“鬼影”现象的主要原因,在此基础上,提出一种基于非局部均值滤波和神经网络的红外焦平面阵列非均匀性校正算法.为了加快收敛速度并减少“鬼影”现象,在神经网络隐含层,利用具有全局寻优且能保持边缘的非局部均值滤波器代替传统的均值滤波器以估计具有更高置信度的真值影像;同时设计可变学习率来自适应地调整每个探测元的非均匀性校正参数的迭代更新过程,以进一步消除“鬼影”.采用两组分别受高空间频率和低空间频率非均匀性干扰的真实红外序列图像进行实验.实验结果表明:相较于目前已有的方法,本文方法不仅具有较快的收敛速度,而且较大程度上抑制了“鬼影”现象的发生.

时域高通滤波非均匀性校正是一种典型的基于场景的红外焦平面阵列非均匀性校正算法，但其易产生“鬼影”现象，影响校正效果.本文在时域高通滤波校正算法的原理基础上，分析了其校正过程中“鬼影”现象产生的原因，即由于全部图像信息的叠加而导致静止场景被滤除且运动场景会在当前位置留下反转的图像，从而形成“鬼影”.引入非局部均值滤波方法，提出了一种去“鬼影”的非局部均值滤波-时域高通滤波非均匀性校正方法.该方法首先采用非局部均值滤波将图像信息分离成高低频两部分（其中高频成分含有大部分噪音及非均匀性），并使用高频成分进行时域高通滤波算法中低通输出的递归运算，使得低通滤波后的图像含有较少的场景信息，从而可使校正输出图像含有较少的“鬼影”现象.采用两组真实红外序列图像进行验证，结果表明该算法不仅能获得较好的非均匀性校正效果，而且能较好地抑制时域高通滤波算法中的“鬼影”现象.

提出了一种在基于场景非均匀性校正和定标非均匀性校正之间建立桥梁的思路，利用定标法提供的大量先验信息解决收敛速度和鬼影的矛盾问题.利用贝叶斯方法计算非均匀性参数的正确概率，用参数正确概率来决定是否使用该组参数进行校正，从而在源头上抑制鬼影.对于先验概率，定义了非均匀性的局部同分布约束，并通过定标统计的策略利用该约束构建了先验概率；对于观测概率，发现并详细分析了红外焦平面阵列固有的非均匀增益参数空间相关性，利用空间相关性构建了观测概率.最终，通过本文算法对真实和仿真的红外图像序列进行处理，表明该算法在保证高收敛速度前提下，其参数正确概率有效抑制了鬼影，取得了好的处理效果.

针对基于场景的自适应校正算法普遍存在鬼影的问题, 分析了神经网络算法(NN-NUC)产生鬼影的原因，并在此基础上提出了用基于偏微分方程(PDE)的非线性滤波方法取代NN-NUC算法中邻域平均的方法来获取期望图像,从而减少边缘像素误差，达到消除鬼影的目的.采用实际采集的红外图像进行实验，结果表明,很好地消除了鬼影.与已有的几种去鬼影的方法相比，具有更快的收敛性.