技術特征：

1.一種基于矩匹配的TDI-CMOS圖像傳感器FPN校正方法，其特征是，首先對原始圖像進行空間相關濾波，接著使用改進行矩匹配法進行RFPN校正，然后對RFPN校正后的圖像進行雙邊濾波，接著使用改進列矩匹配法進行CFPN校正；改進列矩匹配法進行CFPN校正具體是，

(1)對RFPN校正后的圖像進行雙邊濾波；

(2)計算并保存濾波后圖像每一列的均值μ_j；

(3)設置列矩匹配窗口參數(shù)w；

(4)根據(jù)式(17)計算μ_τ和σ_τ；

$\begin{array}{cc}{\mathrm{\μ}}_{\mathrm{\τ}}=\frac{1}{2w+1}\underset{j=k-w}{\overset{k+w}{\Σ}}{\mathrm{\μ}}_j& k-w\≥1,k+w\≤N\\ {\mathrm{\μ}}_{\mathrm{\τ}}=\frac{1}{w}\underset{j=k}{\overset{k+w-1}{\Σ}}{\mathrm{\μ}}_j& k\<w+1\\ {\mathrm{\μ}}_{\mathrm{\τ}}=\frac{1}{w}\underset{j=k-w+1}{\overset{k}{\Σ}}{\mathrm{\μ}}_j& k\>L-w\\ {\mathrm{\σ}}_{\mathrm{\τ}}=\frac{1}{2w+1}\underset{j=k-w}{\overset{k+w}{\Σ}}{\mathrm{\σ}}_j& k-w\≥1,k+w\≤N\\ {\mathrm{\σ}}_{\mathrm{\τ}}=\frac{1}{w}\underset{j=k}{\overset{k+w-1}{\Σ}}{\mathrm{\σ}}_j& k\<w+1\\ {\mathrm{\σ}}_{\mathrm{\τ}}=\frac{1}{w}\underset{j=k-w+1}{\overset{k}{\Σ}}{\mathrm{\σ}}_j& k\>L-w\end{array}---\left(17\right)$

其中，μ_j是第j列像素均值，σ_j是第j列標準差，μ_τ是參考均值，σ_τ是參考標準差，N是圖像在跨軌方向上的尺寸，圖像校正通過矩匹配算法完成，對標準矩匹配算法進行改進，添加一個移動窗口，k是該窗口中心位置，w是窗口參數(shù)；

(5)將參考均值和標準差帶入到式(16)，校正相應列的CFPN；

(6)沿著列方向移動一個像素，重復步驟4-5，直到最后一列的CFPN被校正。

2.如權利要求1所述的基于矩匹配的TDI-CMOS圖像傳感器FPN校正方法，其特征是，RFPN校正步驟具體是：

(1)對原始圖像進行空間相關濾波；

(2)計算并保存濾波后圖像每一行的μ_i和σ_i；

(3)設置行矩匹配窗口參數(shù)w；

(4)根據(jù)式(9)計算μ_τ和σ_τ；

$\begin{array}{cc}{\mathrm{\μ}}_{\mathrm{\τ}}=\frac{1}{w}\underset{i=k}{\overset{k+w-1}{\Σ}}{\mathrm{\μ}}_i& k\<w+1\end{array}$

$\begin{array}{cc}{\mathrm{\μ}}_{\mathrm{\τ}}=\frac{1}{w}\underset{i=k-w+1}{\overset{k}{\Σ}}{\mathrm{\μ}}_i& k\>L-w\end{array}$

$\begin{array}{cc}{\mathrm{\σ}}_{\mathrm{\τ}}=\frac{1}{2w+1}\underset{i=k-w}{\overset{k+w}{\Σ}}{\mathrm{\σ}}_i& k-w\≥1,k+w\≤L\end{array}$

$\begin{array}{cc}{\mathrm{\σ}}_{\mathrm{\τ}}=\frac{1}{w}\underset{i=k}{\overset{k+w-1}{\Σ}}{\mathrm{\σ}}_i& k\<w+1\end{array}$

$\begin{array}{cc}{\mathrm{\σ}}_{\mathrm{\τ}}=\frac{1}{w}\underset{i=k-w+1}{\overset{k}{\Σ}}{\mathrm{\σ}}_i& k\>L-w\end{array}---\left(9\right)$

其中，μ_i是第i行像素均值，σ_i是第i行標準差，μ_τ是參考均值，σ_τ是參考標準差，L是圖像在沿軌方向上的尺寸，圖像校正通過矩匹配算法完成，對標準矩匹配算法進行改進，添加一個移動窗口，k是該窗口中心位置，w是窗口參數(shù)；

(5)將參考均值和標準差帶入到式(8)，校正相應行的RFPN；

$\begin{array}{cc}{Y}_j=\frac{{\mathrm{\σ}}_{\mathrm{\τ}}}{{\mathrm{\σ}}_i}{X}_{ij}+{\mathrm{\μ}}_{\mathrm{\τ}}-{\mathrm{\μ}}_i\frac{{\mathrm{\σ}}_{\mathrm{\τ}}}{{\mathrm{\σ}}_i}& 1\≤i\≤L,1\≤j\≤N\end{array}---\left(8\right)$

其中，Y_ij是校正后像素(i,j)的灰度值，X_ij是雙邊濾波后像素(i,j)的灰度值，μ_j是第j行像素均值，σ_j是第j行標準差，μ_τ是參考均值，σ_τ是參考標準差；

(6)沿著行方向移動一個像素，重復步驟4-5，直到最后一行的RFPN被校正。

3.如權利要求1所述的基于矩匹配的TDI-CMOS圖像傳感器FPN校正方法，其特征是，空間相關濾波具體步驟是：

第一步，計算第i和i+1行像素的平均值，并分別把它們定義為U₁和U₂，與此同時，計算(i+T×n)和(i+1+T×n)行像素平均值，并把它們定義為U₁(n+1)和U₂(n+1)，其中，(i+T×n)和(i+1+T×n)不大于圖像的行數(shù)，n是正整數(shù)，如式(4)所示。

U₁(n)＝Ave_im(i+T×(n-1))i+T×(n-1)≤L

U₂(n)＝Ave_im(i+1+T×(n-1))i+1+T×(n-1)≤L (4)

Ave_im是一個自定義函數(shù)，用來求取像素的行均值，圖像中由同一積分器輸出的像素，被存儲在同一個向量中。

第二步，對兩個均值向量的差求均值，首先得到兩個向量中較小的長度，然后再求均值，如式(5)：

l＝min(U₁,U₂)

U＝mean(U₂(j)-U₁(j))1≤j≤l (5)

如果U的值大于閾值U_Th，那么i+T×(n-1)就是圖像中條紋的位置，條紋處的a(i)被估計得到，如式(6)所示。

i_jumps＝i+T×(n-1)i+T×(n-1)≤L

a(i_jumps)＝0.5×[Ave_im(i_jumps+1)-Ave_im(i_jumps)]+λ×U (6)

最后，得到的RFPN值會被加到圖像相對應的行像素中，經(jīng)過上述步驟，圖片中的水平條紋可以被檢測到并且a(i)被估計得到，需要重復上述步驟T次，另外，考慮到8-bit圖像的灰度值范圍是(0–255)，還需要對校正過程進行約束，如式(9)所示：

$y\_new\_r\left(i,j\right)=\left\{\begin{array}{cc}y\left(i,j\right)+a\left(i\right)& 1\≤y\left(i,j\right)\≤255-a\left(i\right)\\ y\left(i,j\right)& y\left(i,j\right)=0,ory\left(i,j\right)\>255-a\left(i\right)\end{array}\right.---\left(7\right)$

其中，y_new_r(i,j)是濾波后像素(i,j)的灰度值。

4.如權利要求1所述的基于矩匹配的TDI-CMOS圖像傳感器FPN校正方法，其特征是，雙邊濾波具體步驟是：

(1)計算并保存RFPN校正后圖像每一列的均值μ_j；

(2)設置H_j算子窗口參數(shù)w_bf；

(3)根據(jù)式(13)計算H_j；

(4)將H_j帶入到式(12)，得到

$\hat{X}\left(k\right)=\frac{1}{{\mathrm{\ΣH}}_j}\underset{j=start}{\overset{end}{\Σ}}{H}_j\×Z\left(j\right)---\left(12\right)$

其中，是X的估計值。算子的具體形式如下：

$\begin{array}{c}{H}_j={\mathrm{\α}}_j\×{\mathrm{\β}}_j\\ =\left\{\begin{array}{cc}\exp \[-\frac{\left(j-k\right)^2}{2\×\left(\left(k+w_{bf}+1\right)/2\right)^2}\]\×\exp \[-\frac{\left({\mathrm{\μ}}_j-{\mathrm{\μ}}_k\right)^2}{2\×\left(\left(k+w_{bf}+1\right)/2\right)^2}\]& k-w_{bf}\≥1,k+w_{bf}\≤N\\ \exp \[-\frac{\left(j-k\right)^2}{2\×\left(\left(2w_{bf}+1\right)/2\right)^2}\]\×\exp \[-\frac{\left({\mathrm{\μ}}_j-{\mathrm{\μ}}_k\right)^2}{2\×\left(\left(2w_{bf}+1\right)/2\right)^2}\]& k-w_{bf}\<1\\ \exp \[-\frac{\left(j-k\right)^2}{2\×\left(\left(L+w_{bf}-k+1\right)/2\right)^2}\]\×\exp \[-\frac{\left({\mathrm{\μ}}_j-{\mathrm{\μ}}_k\right)^2}{2\×\left(\left(L+w_{bf}-k+1\right)/2\right)^2}\]& k+w_{bf}\>N\end{array}\right.\end{array}---\left(13\right)$

其中，w_bf是H_j算子窗口參數(shù)，下標bf代表雙邊濾波，以區(qū)別于矩匹配窗口參數(shù)，用于控制窗口大小，該算子包含兩個子函數(shù)α_j和β_j，其中，α_j對那些離窗口中心較近的列分配較高的權重，而對那些較遠的列分配較低的權重，遵循了空間相關性，β_j對那些與中心列均值數(shù)值相近的列分配較大的權重，而對那些均值相差較大的列分配較小的權重，避免了過渡平滑；

(5)沿著列方向移動一個像素，重復步驟3-4，直到計算出最后一行的

最后，得到b(j)，如式(14)所示：

$b\left(j\right)=\hat{X}\left(j\right)-Z\left(j\right)---\left(14\right)$

另外，考慮到8-bit圖像的灰度值范圍是(0–255)，還需要對校正過程進行一些約束，如式(15)所示。

$y\_new\_c\left(i,j\right)=\left\{\begin{array}{cc}z\left(i,j\right)+b\left(j\right)& 1\≤z\left(i,j\right)\≤255-b\left(j\right)\\ z\left(i,j\right)& z\left(i,j\right)=0,orz\left(i,j\right)\>255-b\left(j\right)\end{array}\right.---\left(15\right)$

其中，y_new_c(i,j)是濾波后(i,j)的灰度值。