基于時間序列的紅外探測器響應特性漂移評價

胡若瀾 尚超 王錦春 彭晶

摘要：?????? 紅外探測器響應特性漂移嚴重影響成像質(zhì)量和系統(tǒng)性能。 針對紅外探測器響應特性漂移缺乏有效評價指標、 難以建模和評價的問題， 本文將紅外探測器輸出的序列圖像看作時間序列數(shù)據(jù)， 基于時差圖像定義漂移度和漂移熵評價指標， 用于評價紅外探測器響應特性漂移程度， 并提出了一種基于時間序列預測的紅外探測器響應特性漂移評價方法。 采用仿真數(shù)據(jù)和真實數(shù)據(jù)進行實驗， 結(jié)果表明， 本文提出的漂移度和漂移熵評價指標可以有效度量響應特性漂移程度， 所提出的評價方法可以實現(xiàn)對紅外探測器響應特性漂移的建模和有效預測評價， 研究工作可用于輔助選擇合適的紅外探測器及其非均勻性校正算法以提高紅外成像系統(tǒng)性能。

關鍵詞：????? 紅外探測器； 響應特性漂移； 評價指標； 時間序列分析； LSTM

中圖分類號：???? ??TJ760； TN215? ??文章編號：???? ?1673-5048（2023）04-0123-08

文獻標識碼：???? A? ? DOI：? 10.12132/ISSN.1673-5048.2022.0265

0引言

紅外探測器具有全天候探測能力， 被廣泛應用于目標偵察監(jiān)視、 目標搜索跟蹤、 遠程監(jiān)控等系統(tǒng)中［1］。 受制造工藝影響， 紅外探測器焦平面陣列具有響應特性非均勻性， 在使用過程中需要進行非均勻性校正［2］。 在實際應用過程中， 紅外探測器受到復雜工作環(huán)境的影響， 其響應特性發(fā)生漂移， 使得初始標定的校正參數(shù)不再適用， 導致紅外探測器的成像質(zhì)量下降， 進而嚴重影響紅外成像探測系統(tǒng)的性能［3-5］。 有效抑制響應特性漂移的影響成為紅外探測器應用中需要解決的重要問題［2，6-8］。 同時， 對紅外探測器響應特性漂移進行定量評價， 是衡量紅外探測器或紅外成像系統(tǒng)是否適用于特定應用場景和任務的關鍵。

目前僅有少量研究工作涉及紅外探測器響應特性漂移的評價。 文獻［9］通過分析非均勻性校正后序列圖像的空域噪聲、 時域噪聲以及卡方分布來度量響應特性漂移， 定義了可校正性、 穩(wěn)定時間和卡方分布理想度等評價指標。 文獻［10］設計采用可校正性、 均方根誤差、 通用圖像質(zhì)量指數(shù)、 粗糙度、 峰值信噪比以及無參考紅外質(zhì)量指數(shù)等指標評價非均勻性校正算法及其長期穩(wěn)定性。 這些評價方法基于非均勻性校正后的圖像分析， 通過評價非均勻性校正算法的性能實現(xiàn)對紅外探測器響應特性漂移的間接評價， 其評價結(jié)果依賴于非均勻性校正算法， 無法有效反映探測器響應特性漂移情況。

實際紅外探測器響應特性漂移可能是一個緩慢的過程， 利用采集的有限序列圖像數(shù)據(jù)難以得到正確的評價結(jié)果。 而紅外探測器響應特性漂移是受多種因素影響的結(jié)果， 難以建立精確的響應特性漂移模型。 序列分析方法通過分析歷史數(shù)據(jù)， 挖掘時間序列的內(nèi)部規(guī)律， 對序列數(shù)據(jù)進行未來預測估計， 已被廣泛應用于金融、 醫(yī)療、 氣象等方面， 用于幫助決策者做出有數(shù)據(jù)支持的重要決策［11］。 傳統(tǒng)的時間序列分析方法， 如移動平均法、 指數(shù)平均法、 自回歸模型、 滑動平均模型、 自回歸滑動平均模型等， 對復雜數(shù)據(jù)的擬合能力較差。 隨著深度學習方法的興起， 深度學習方法也被應用于時間序列分析中［12］。 典型的時間序列分析網(wǎng)絡模型包括RNN［13］、 LSTM［14］、 GRU［15］、 以及增加注意力機制的TFT模型［16］等。 這些網(wǎng)絡模型在語音識別、 金融數(shù)據(jù)分析等方面的得到了廣泛的應用。

針對紅外探測器響應特性漂移缺乏有效評價指標、 難以建模和評價的問題， 本文將紅外探測器輸出的序列圖像看作時間序列數(shù)據(jù)， 根據(jù)紅外探測器輸出圖像的時域變化特征， 設計了基于時差圖像的漂移度和漂移熵評價指標， 同時利用時間序列分析網(wǎng)絡模型對歷史序列數(shù)據(jù)訓練建立紅外探測器響應特性漂移模型， 利用所建立的模型評價其響應特性漂移情況， 采用仿真數(shù)據(jù)和真實數(shù)據(jù)進行了實驗。 實驗結(jié)果表明， 相比文獻［9-10］基于非均勻性校正算法的間接評價方法， 本文提出的方法直接利用紅外探測器輸出的圖像數(shù)據(jù)進行響應特性漂移的評價， 評價結(jié)果不依賴于非均勻性校正算法， 可以在實驗室環(huán)境下實現(xiàn)對紅外探測器的響應特性漂移的有效預測評價， 可以輔助決策挑選合適的紅外探測器及其非均勻性校正算法， 提高紅外成像系統(tǒng)性能。

1紅外探測器響應特性漂移問題

1.1紅外探測器響應特性漂移

紅外探測器對目標在紅外波段的輻射能量進行光電轉(zhuǎn)換后輸出， 其響應特性與入射的輻射能量相關， 而輻射能量與探測目標溫度相關［17］， 即探測單元的響應輸出Odet與入射目標溫度Tobj之間存在一種映射關系f（·）：

Odet=f（Tobj）（1）

紅外探測器響應特性漂移是探測單元的響應輸出Odet與入射目標溫度Tobj之間的映射關系發(fā)生了變化， 即f（·）變?yōu)閒 ′（·）：

Odet=f ′（Tobj） （2）

1.2紅外探測器響應特性漂移與時間序列

隨著開機時間的延長， 紅外探測器響應特性發(fā)生漂移， 即有f（·）隨開機時間t變化， 記為ft（·）：

Odet=ft（Tobj）=g（t）（3）

對紅外探測器的響應輸出Odet進行放大量化處理后輸出紅外圖像I。 在開機時間上進行采樣， 得到紅外探測器響應輸出的序列圖像It0，It1，…，Itk， 由此可以建立紅外探測器響應漂移曲線［3］。 在實驗室內(nèi)采集的-10? ℃黑體探測單元（24， 116）在一段時間內(nèi)響應輸出的漂移曲線如圖1所示。 從圖中可以看到， 隨著開機時間的延長， 探測單元的響應輸出值緩慢升高。

在時間上， 等間隔Δt時間采樣得到的紅外序列圖像It0，It0+Δt，…，It0+k·Δt就是時間序列數(shù)據(jù)， 其中包含了紅外探測器響應特性漂移的特征。

2基于時差圖像的響應特性漂移評價指標

2.1時差圖像

當紅外探測器響應特性發(fā)生漂移時， 對于相同溫度輻射的場景， 紅外探測器輸出的序列圖像中， 當前時刻的圖像與開始時刻的圖像之間存在差異。

定義時差圖像為紅外探測器在兩個時刻對相同溫度輻射場景的響應輸出圖像的差。 時差圖像中就包含了紅外探測器響應特性漂移相關的信息。

實際紅外探測器的響應輸出受各種噪聲的影響， 在分析兩個時刻的響應輸出圖像之間的差異時需要排除噪聲的干擾。 一種簡單的方法是取某一時刻附近一段時間內(nèi)序列圖像的均值圖像作為該時刻響應輸出圖像的估計， 計算公式如下：

因此， 在計算時差圖像時， 首先計算兩個時刻響應輸出的估計圖像， 然后計算估計圖像對應像素的差， 計算公式如下：

圖2給出在實驗室內(nèi)采集的-10 ℃黑體序列圖像中初始時刻與第100幀時刻的時差圖像， 以及該時差圖像中不為零像素的灰度直方圖， 其中時差圖像經(jīng)過顯示變換為8位無符號數(shù)值進行顯示。

2.2漂移度

時差圖像Deft2，t1中不為零的像素個數(shù)越多， 像素值越大， 說明兩個時刻探測器響應輸出的差異越大， 意味著探測器響應特性漂移越嚴重。 對時差圖像中像素值不為零的像素進行統(tǒng)計分析， 得到時差圖像中包含的差異信息的統(tǒng)計特征， 可以用來度量探測器響應特性的漂移情況。

定義漂移度Dr為時差圖像Deft2，t1中所有非零像素的密度函數(shù)， 計算公式如下：

式中： |p|為時差圖像Deft2，t1像素值p的絕對值； |p|max為時差圖像像素絕對值的最大值； HDef（|p|）為時差圖像像素絕對值為|p|的像素個數(shù)； N為像素總個數(shù)。

漂移度的計算中僅統(tǒng)計時差圖像中的非零值像素， 時差圖像中的時差值取絕對值， 只統(tǒng)計差異特征。 漂移度Dr值越大， 說明探測器中探測單元響應特性漂移的平均程度越高， 探測器響應特性漂移越嚴重。

2.3漂移熵

圖像信息熵是衡量圖像中所包含信息豐富程度的一個重要指標。 時差圖像中包含的信息越豐富， 說明兩個時刻探測器響應輸出的差異越大， 探測器響應特性漂移越嚴重。 因此， 可以利用時差圖像的信息熵來度量探測器響應特性的漂移情況。

定義En為時差圖像中所有非零像素的信息熵：

式中： p為時差圖像Deft2，t1像素值； HDef（p）為時差圖像像素值為p的像素個數(shù)， HDef（p）≠0； N為像素總個數(shù)； pmax和pmin分別為時差圖像像素值的最大和最小值。

漂移熵En的計算中僅涉及時差圖像中的非零值像素， 反映了時差圖像中包含的差異信息的豐富程度。 En值越大， 說明探測器中響應特性漂移的探測單元個數(shù)越多且漂移程度越豐富， 探測器響應特性漂移越嚴重。

3基于時間序列的響應特性漂移評價方法

利用漂移度和漂移熵評價指標對采集的一段時間內(nèi)的紅外序列圖像進行分析， 可以得到響應特性漂移的評價結(jié)果。 然而， 實際紅外探測器響應特性漂移可能是一個緩慢的過程， 此時采集的序列圖像數(shù)據(jù)不能充分反映紅外探測器的響應特性漂移， 無法得到正確的評價。 此外， 紅外探測器響應特性漂移是受物理材料、 制作工藝、 工作環(huán)境等多種因素影響產(chǎn)生的， 難以建立精確的數(shù)學模型。 根據(jù)前面的分析， 紅外序列圖像數(shù)據(jù)是時間序列數(shù)據(jù)， 可以利用時間序列分析方法， 通過分析歷史數(shù)據(jù)， 建立紅外探測器響應特性漂移模型， 進而實現(xiàn)預測和響應特性漂移評價。

選擇常用的LSTM網(wǎng)絡模型［14］進行時間序列分析和預測， 設計基于時間序列預測的評價方法包括訓練、 預測和評價3個處理模塊， 如圖3所示。 首先， 將紅外序列圖像作為時間序列特征， 將序列中的多步特征作為輸入， 將其后一步特征作為標簽， 訓練LSTM網(wǎng)絡模型建立探測器響應特性漂移模型。 接著， 利用訓練好的LSTM網(wǎng)絡模型， 采用多次迭代預測方法預測所采集序列圖像之后的序列圖像。 最后， 對預測得到的序列圖像計算漂移度和漂移熵指標， 統(tǒng)計分析并給出評價結(jié)果。

具體處理步驟如下：

（1） 構(gòu)建LSTM網(wǎng)絡模型。 由1層LSTM和1層全連接層組成， 輸入和輸出特征維數(shù)為圖像分辨率大小， 隱含層大小為輸入特征維數(shù)的2倍， 時間步長為2， 損失函數(shù)為均方誤差。

（2） 設置LSTM網(wǎng)絡模型訓練相關參數(shù)， 如學習率、 迭代次數(shù)等。

（3） 數(shù)據(jù)采集。 在實驗室環(huán)境下， 設置采樣間隔時間、 采樣時間長度以及黑體溫度， 采集待測紅外探測器輸出的均勻輻射的序列圖像。

（4） 數(shù)據(jù)集準備。 將采集的紅外序列圖像數(shù)據(jù)進行歸一化處理， 以時間步長進行重組， 得到包含特征和標簽的數(shù)據(jù)集， 以設定的比例將序列數(shù)據(jù)分組為訓練集和驗證集。

（5） 訓練LSTM網(wǎng)絡模型。 將訓練集數(shù)據(jù)輸入LSTM網(wǎng)絡模型中進行訓練， 并輸入驗證集數(shù)據(jù)進行驗證， 直到達到設定的迭代次數(shù)， 保存訓練好的LSTM網(wǎng)絡模型參數(shù)。

（6） 迭代預測。 采用迭代預測方法。 利用訓練好的LSTM網(wǎng)絡模型依次迭代預測得到采集序列之后的250步響應輸出序列圖像。

（7） 評價指標計算。 以采集圖像序列初始時刻為t1時刻， 依次計算預測序列圖像的時差圖像漂移度和漂移熵。

（8） 輸出評價結(jié)果。 繪制預測序列圖像的漂移度和漂移熵曲線并統(tǒng)計平均值， 根據(jù)設定的規(guī)則給出該紅外探測器對給定黑體溫度的響應特性漂移程度等級的評價結(jié)果。

考慮到每個探測器的物理材料、 制作工藝和工作環(huán)境都不同， 該方法對每個待評價探測器的一次數(shù)據(jù)采集訓練一個響應特性漂移模型， 并根據(jù)待評價探測器類型選擇合適的采樣時間間隔和采樣時間長度， 根據(jù)其目標任務確定評價規(guī)則。

4實驗及結(jié)果分析

4.1實驗數(shù)據(jù)準備

實驗數(shù)據(jù)包括真實數(shù)據(jù)和仿真數(shù)據(jù)。

真實數(shù)據(jù)在室內(nèi)采集得到。 實驗用的紅外探測器分辨率為320×240， 每像素14位， 幀頻為50 Hz， 該探測器存在一定的響應特性漂移。 采集數(shù)據(jù)的過程中， 設置黑體溫度從-10 ℃到55 ℃每間隔5 ℃采集一段時間長度的數(shù)據(jù)， 獲得14組每組500幀序列圖像數(shù)據(jù)。 圖4給出了該探測器采集的-10 ℃、 0 ℃和55 ℃溫度黑體圖像數(shù)據(jù)變換為8位后的圖像。 真實數(shù)據(jù)用于對實際紅外探測器進行響應特性漂移的評價實驗。

仿真數(shù)據(jù)參考文獻［18］的非均勻性模型， 并假設內(nèi)部組件溫度隨開機時間的延長線性升高， 同時采用高斯隨機數(shù)模擬紅外探測器響應非均勻性進行仿真得到。 仿真中， 假設紅外探測器為N-on-P型HgCdTe探測器， 探測器單元的組分均值為0.22、 標準偏差為0.001， 探測單元的n區(qū)厚度均值為4、 標準偏差為0.10， 讀出電路的放大系數(shù)均值為1 000、 標準偏差為1.0， 偏置均值為10， 標準偏差為1.0。 考慮內(nèi)部組件溫度對響應特性非均勻性的影響［18］， 冷屏系數(shù)取值范圍設置為［0.7， 0.9］， 內(nèi)部組件溫度隨開機時間線性升高的系數(shù)為0.1。 仿真得到500幀32×32每像素14位的序列圖像。 仿真序列圖像數(shù)據(jù)變換為8位圖像數(shù)據(jù)后顯示， 如圖5所示。

圖5中從左至右依次給出了仿真的序列圖像中的第0幀、 第100幀、 第200幀、 第300幀、 第400幀和第499幀。 該仿真序列圖像模擬了紅外探測器開機工作后隨著內(nèi)部組件溫度升高的響應特性漂移， 可以看到圖像中間的亮斑越來越顯著， 響應特性漂移越來越嚴重。 仿真數(shù)據(jù)用于驗證本文提出的漂移度和漂移熵評價指標以及基于時間序列的響應特性漂移評價方法的可行性。

4.2實驗及結(jié)果分析

4.2.1基于時差圖像的響應特性漂移評價驗證

仿真序列圖像仿真了探測器響應特性隨著開機時間的延長而不斷漂移嚴重的過程。 圖6給出了仿真序列圖像在進行一點非均勻性校正后圖像的非均勻性的變化。

從圖6中可以看到， 仿真序列圖像一點校正后的非均勻性值隨著開機時間的延長而增加， 說明仿真序列圖像中存在嚴重的響應特性漂移。

根據(jù)式（6）～（7）計算仿真序列圖像的漂移度和漂移熵， 繪制曲線如圖7所示

從圖7中可以看到， 隨著開機時間的延長， 仿真序列圖像的漂移度值呈指數(shù)增加， 漂移熵值呈現(xiàn)上升趨勢。 說明漂移度與響應特性漂移正相關， 漂移熵可以反映響應特性漂移的趨勢， 即響應特性漂移的探測單元個數(shù)增多漂移程度更豐富。 漂移度和漂移熵這兩個評價指標可以用來度量紅外探測器響應特性漂移的程度。

4.2.2基于時差圖像的響應特性漂移評價實驗

利用采集的真實數(shù)據(jù)進行響應特性漂移的評價。 選取真實數(shù)據(jù)中黑體溫度分別為-10 ℃、 0 ℃、 55 ℃的序列圖像， 分別計算經(jīng)過一點校正后的非均勻性， 得到結(jié)果如圖8所示。

從圖8中可以看到， 黑體溫度為-10 ℃時一點校正后的非均勻性大于0.000 6并呈現(xiàn)上升趨勢; 黑體溫度為0 ℃時一點校正后的非均勻性穩(wěn)定在0.000 5附近； 黑體溫度為55 ℃時一點校正后的非均勻性大于0.000 3并呈現(xiàn)上升趨勢。 說明當黑體溫度為0 ℃時該探測器響應相對穩(wěn)定， 當黑體溫度為-10 ℃和55 ℃時該探測器響應特性存在一定的漂移。

選取連續(xù)10幀圖像計算得到估計圖像。 以第0幀開始連續(xù)10幀圖像計算得到的估計圖像作為第0時刻的估計圖像， 從第1幀開始依次計算連續(xù)10幀圖像的估計圖像作為當前時刻圖像， 在此基礎上計算時差圖像的漂移度和漂移熵， 得到序列結(jié)果曲線如圖9所示。

從圖9中可以看到， -10 ℃和55 ℃黑體序列圖像的漂移度隨著開機時間的延長呈上升趨勢； 0 ℃黑體序列圖像的漂移度在0.4附近上下波動。 -10 ℃黑體序列圖像的漂移熵隨著開機時間的延長由0.69上升到1.0； 0 ℃黑體序列圖像的漂移熵在0.68附近上下波動； 55 ℃黑體序列圖像的漂移熵在0.91附近上下波動。 說明該紅外探測器對-10 ℃和55 ℃黑體溫度的響應特性漂移較大， 在0 ℃黑體溫度的響應特性漂移較小， 這與一點校正后的非均勻性的實驗結(jié)論是一致的。

統(tǒng)計不同黑體溫度序列圖像漂移度和漂移熵的平均值， 根據(jù)統(tǒng)計得到的漂移度設定漂移等級， Dr≥1.0為嚴重等級， 1.0>Dr≥0.5為一般等級、 Dr<0.5為可接受等級， 對該探測器的評價結(jié)果如表1所示。

對比表1中不同黑體溫度序列圖像的漂移度和漂移熵的平均值， 分別有：

Dr（－10 ℃）>Dr（55 ℃）>Dr（0 ℃）

En（－10 ℃）≈En（55 ℃）>En（0 ℃）

說明該探測器在黑體溫度為-10 ℃時響應特性漂移較大， 在0 ℃時響應特性漂移較小， 在55 ℃時響應特性漂移在兩者之間。

根據(jù)漂移等級評價結(jié)果， 該探測器適合用于目標溫度在0 ℃附近且對探測精度要求不高的場景任務中， 如要提高探測精度需選擇具有一定抑制響應特性漂移能力的非均勻性校正算法。

4.2.3時間序列訓練和預測驗證實驗

考慮到紅外探測器響應特性漂移不具備周期性規(guī)律， 設計LSTM網(wǎng)絡模型由1層LSTM和1層全連接層組成。 以一幀圖像像素值作為輸入特征， 圖像的分辨率為32×32， 輸入特征維數(shù)為1 024， 時間步長為2， 隱含層大小為2 048， 輸出特征維數(shù)為1 024。 輸入圖像經(jīng)過歸一化處理， 考慮到預測值范圍可能超出訓練數(shù)據(jù)最大值， 歸一化系數(shù)根據(jù)圖像數(shù)值范圍設置。

序列圖像長度為500幀， 訓練中取前90%長度序列作為訓練數(shù)據(jù)集， 后10%長度序列作為驗證數(shù)據(jù)集， 標簽為序列圖像中2步后的圖像數(shù)據(jù)。 學習率為1×10-6， 迭代次數(shù)為2 000次。

對仿真序列圖像進行訓練并用驗證集進行驗證， 訓練集和驗證集的均方誤差均在10-5量級。 探測單元（9， 16）的漂移曲線與訓練模型預測的漂移曲線的對比如圖10所示。 可以看到， 訓練模型基本學習到了該探測器單元的響應特性變化趨勢。

利用訓練好的模型預測得到訓練集數(shù)據(jù)之后的250幀序列圖像。 預測圖像像素為14位， 經(jīng)過顯示變換為8位后顯示， 如圖11所示， 圖中從左至右分別為預測的第1幀、 第50幀、 第100幀、 第150幀、 第200幀和第250幀圖像。

計算預測序列圖像與仿真序列中第一幀圖像的漂移度和漂移熵， 得到曲線如圖12所示。

從圖12中可以看到， 隨著預測時間的增加， 預測序列圖像的漂移度和漂移熵均呈現(xiàn)上升趨勢， 說明LSTM網(wǎng)絡模型可以較好的預測探測器響應特性漂移的變化趨勢。

4.2.4基于時間序列的響應特性漂移評價實驗

對采集的-10 ℃、 0 ℃、 55 ℃溫度黑體序列圖像分別進行訓練和預測。 計算原始序列圖像開始的前10幀圖像的估計圖像作為初始時刻圖像， 對訓練模型預測得到的250幀序列圖像， 依次取連續(xù)10幀圖像計算得到當前估計圖像， 計算時差圖像的漂移度和漂移熵， 得到的結(jié)果如圖13所示。

對比圖9和圖13， 可以看到， 預測序列的漂移度和漂移熵曲線反映了訓練模型學習到的規(guī)律。 如圖13（a）中，? -10 ℃黑體溫度預測序列圖像的漂移度和漂移熵具有顯著上升趨勢； 圖13（b）中， 0 ℃黑體溫度序列圖像預測漂移度和漂移熵很快趨于穩(wěn)定； 圖13（c）中， 55 ℃黑體溫度序列圖像的預測漂移度和漂移熵在振蕩后逐漸收斂。

統(tǒng)計預測序列的漂移度和漂移熵的平均值， 列入表2中。 從表2中可以看到：

Dr（－10 ℃）>Dr（55 ℃）>Dr（0 ℃）

En（－10 ℃）>En（55 ℃）>En（0 ℃）

說明該探測器對-10 ℃黑體的響應特性漂移最嚴重， 對55 ℃黑體的響應特性漂移次之， 對0 ℃黑體的響應特性漂移最小。 根據(jù)前面設定的漂移等級， 得到的評價結(jié)果與采集序列的評價結(jié)果相同。

對比表1和表2可以看到，? -10 ℃黑體預測序列的平均漂移度和平均漂移熵均大于原始序列的平均漂移度和平均漂移熵， 而55 ℃黑體預測序列的平均漂移度和平均漂移熵小于原始序列的平均漂移度和漂移熵， 0 ℃黑體預測序列的平均漂移度和平均漂移熵的變化較小， 這也與圖13中曲線的變化趨勢相同。

4.2.5對比實驗及分析

采用文獻［9］中提出的可校正性方法對采集數(shù)據(jù)進行評價， 分別選擇一點校正算法和兩點校正算法進行非均勻性校正， 其中一點校正算法參數(shù)由0 ℃黑體序列圖像的前10幀計算得到， 兩點校正算法參數(shù)由0 ℃和50 ℃均勻黑體序列圖像計算得到。 采用兩種校正算法對0 ℃黑體序列圖像進行非均勻性校正， 計算校正后序列圖像的可校正性， 得到可校正性曲線如圖14所示。

對比圖14（a）和圖14（b）可以看到， 不同校正算法得到的可校正性結(jié)果不同， 說明可校正性評價指標依賴于校正算法， 不能有效反映響應特性漂移情況。

采用兩點校正算法對采集數(shù)據(jù)中-10 ℃和55 ℃黑體序列圖像校正后得到可校正性曲線如圖15所示。

從圖15中可以看到， 黑體溫度為-10 ℃時可校正性大于3， 黑體溫度為55 ℃時可校正性大于4。 根據(jù)可校正性值排序， 采用兩點校正時， 該探測器對55 ℃黑體輻射的響應特性漂移最大， -10 ℃時次之， 0 ℃時最小。 對比本文提出方法的實驗結(jié)果， 可校正性評價指標無法反映實際該探測器對-10 ℃和55 ℃黑體輻射的響應特性漂移情況。

5結(jié)論

本文針對紅外探測器響應特性漂移的評價問題進行研究， 提出了基于時差圖像的漂移度和漂移熵兩個響應特性漂移評價指標， 并提出了一種基于時間序列預測的響應特性漂移評價方法。 對仿真數(shù)據(jù)和真實數(shù)據(jù)進行了的實驗。 結(jié)論如下：

（1） 基于時差圖像的漂移度評價指標與紅外探測器響應特性漂移程度正相關， 可以有效反映紅外探測器響應特性漂移程度;

（2） 基于時差圖像的漂移熵評價指標可以有效反映探測器響應特性漂移的趨勢；

（3） 基于LSTM網(wǎng)絡模型的時間序列預測算法可以建模紅外探測器響應特性漂移特性， 并預測紅外探測器的響應輸出；

（4） 基于時間序列預測的響應特性漂移評價方法可以有效預測和評價紅外探測器響應特性漂移程度。

本文提出的漂移度和漂移熵兩個評價指標， 以及基于時間序列預測的評價方法， 直接利用紅外探測器響應輸出的序列數(shù)據(jù)， 對紅外探測器響應特性漂移進行評價。 相比文獻［9-10］， 不依賴于非均勻性校正算法， 減少了時域噪聲的影響， 并且利用LSTM網(wǎng)絡模型建立探測器響應特性漂移模型， 可用于實驗室環(huán)境下對紅外探測器響應特性漂移的預測評估。 針對特定的應用任務和使用環(huán)境要求， 采集備選探測器的原始序列數(shù)據(jù)及其非均勻性校正處理后的序列數(shù)據(jù)， 運用本文方法進行預測評估， 根據(jù)漂移等級選擇合適的紅外探測器及其非均勻性校正算法， 可以輔助提高紅外成像系統(tǒng)性能。

本文在訓練LSTM模型時僅考慮了紅外探測器輸出的序列圖像作為特征輸入， 還可以增加目標輻射溫度、 環(huán)境溫度、 探測器溫度、 讀出電路溫度等工作環(huán)境特征作為多特征輸入， 建立多因素影響下的紅外探測器響應特性漂移模型。 此外， 實現(xiàn)的預測評價方法沒有考慮計算量和實時性問題， 實際應用中還有待進一步研究。

參考文獻：

［1］ 呂衍秋， 魯星， 魯正雄， 等. 銻化物紅外探測器國內(nèi)外發(fā)展綜述［J］. 航空兵器， 2020， 27（5）： 1-12.

Lü Yanqiu， Lu Xing， Lu Zhengxiong， et al. Review of Antimonide Infrared Detector Development at Home and Abroad［J］. Aero Weaponry， 2020， 27（5）： 1-12.（in Chinese）

［2］ 關同輝， 張同賀. 一種新型實時兩點非均勻性校正方法［J］. 航空兵器， 2021， 28（4）： 112-117.

Guan Tonghui， Zhang Tonghe. A New RealTime TwoPoint NonUniformity Correction Method［J］. Aero Weaponry， 2021， 28（4）： 112-117.（in Chinese）

［3］ 朱瑋， 張衛(wèi)國， 孫志遠. 大面陣紅外焦平面探測器的漂移特性研究［J］. 微計算機信息， 2008， 24（31）： 125-127.

Zhu Wei， Zhang Weiguo， Sun Zhiyuan. The Drifting Characteristic Research on Large Format Infrared FPA Detector［J］. Microcomputer Information， 2008， 24（31）： 125-127.（in Chinese）

［4］ Theocharous E. Stability of the Spectral Responsivity of Cryogenically Cooled InSb Infrared Detectors［J］. Applied Optics， 2005， 44（29）： 6087-6091.

［5］ Kumar B P，Akram M W，Ghosh B，et al. Drift Effects in HgCdTe Detectors［J］. Journal of Engineering Science and Technology，2013，8（4）：472-481.

［6］ 粟宇路， 蘇俊波， 劉傳明， 等. 基于場景的國產(chǎn)紅外探測器非均勻性校正方法［J］. 紅外技術， 2014， 36（8）： 624-627.

Su Yulu， Su Junbo， Liu Chuanming， et al. SceneBased NUC Algorithms for DomesticMade IR Detector［J］. Infrared Technology， 2014， 36（8）： 624-627.（in Chinese）

［7］ 汪大寶， 王中果， 吳明軒， 等. 基于改進伽馬曲線的星載長波紅外焦平面非均勻性校正算法［J］. 紅外與激光工程， 2022， 51（5）： 146-154.

Wang Dabao， Wang Zhongguo， Wu Mingxuan， et al. NonUniformity Correction Algorithm of SpaceBorne LongWave Infrared Focal Plane Arrays Based on Improved Gamma Curve［J］. Infrared and Laser Engineering， 2022， 51（5）： 146-154.（in Chinese）

［8］ Cao X H， Zhu B， Wang S Z， et al. Nonuniformity Correction Algorithm for TECless Uncooled Infrared Imaging System［C］∥5th International Conference on Computer and Communications （ICCC）， 2020： 214-219.

［9］ Gross W， Hierl T， Schulz M J. Correctability and LongTerm Stability of Infrared Focal Plane Arrays［J］. Optical Engineering， 1999， 38（5）： 862-869.

［10］ Svensson T. An Evaluation of Image Quality Metrics Aiming to Validate Long Term Stability and the Performance of NUC Methods［C］∥SPIE Defense， Security， and Sensing. Proc SPIE 8706， Infrared Imaging Systems： Design， Analysis， Modeling， and Testing XXIV， 2013， 8706： 27-40.

［11］ Sezer O B， Gudelek M U， Ozbayoglu A M. Financial Time Series Forecasting with Deep Learning： A Systematic Literature Review： 2005-2019［J］. Applied Soft Computing， 2020， 90： 106181.

［12］ Barra S， Carta S M， Corriga A， et al. Deep Learning and Time SeriestoImage Encoding for Financial Forecasting［J］. IEEE/CAA Journal of Automatica Sinica， 2020， 7（3）： 683-692.

［13］ LeCun Y， Bengio Y， Hinton G. Deep Learning［J］. Nature， 2015， 521（7553）： 436-444.

［14］ Hochreiter S， Schmidhuber J. Long ShortTerm Memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.

［15］ Buczkowski P. Predicting Stock Trends Based on Expert Recommendations Using GRU/LSTM Neural Networks［C］∥ International Symposium on Methodologies for Intelligent Systems， 2017.

［16］ Lim B， Arlk S ， Loeff N， et al. Temporal Fusion Transformers for Interpretable MultiHorizon Time Series Forecasting［J］. International Journal of Forecasting， 2021， 37（4）： 1748-1764.

［17］ Kinch M A. StateoftheArt Infrared Detector Technology［M］.SPIE， 2014.

［18］ 李召龍， 史浩然， 婁樹理. 紅外成像傳感器系統(tǒng)非均勻性成因研究［J］. 紅外， 2016， 37（7）： 29-32.

Li Zhaolong， Shi Haoran， Lou Shuli. Research on Causes for Nonuniformity of IR Imaging Sensor［J］. Infrared， 2016， 37（7）： 29-32.（in Chinese）

Evaluation of Infrared Detector Response Characteristics Drift Based on Time Sequence

Hu Ruolan1，2， Shang Chao3，4*， Wang Jinchun3，4， Peng Jing3，4

（1. School of Artificial Intelligence and Automation， Huazhong University of Science and Technology， Wuhan 430074， China；

2. National Key Laboratory of Science and Technology on Multispectral Information Processing， Huazhong University of

Science and Technology， Wuhan 430074， China； 3. China Airborne Missile Academy， Luoyang 471009， China；

4. Aviation Key Laboratory of Science and Technology on Infrared Detector， Luoyang 471009， China）

[HT]Abstract： The response characteristic drift of infrared detector seriously degrades the imaging quality and system performance. Aiming at the lack of effective evaluation index and difficulty in modeling and evaluating the response characteristic drift of infrared detectors， the sequence image output by infrared detector is regarded as time sequence data， drift degree and drift entropy are defined based on time difference image to evaluate the drift degree of infrared detector response characteristics， and a method for evaluating the drift of infrared detector response characteristics based on time sequence prediction is proposed. Simulation data and real data are used for experiments. The results show that drift degree and drift entropy can effectively measure the drift degree of infrared detector response characteristics， and the evaluation method can establish the response characteristic drift model of infrared detector and realize prediction and evaluation. The research work can be used to help select appropriate infrared detectors and its nonuniformity correction algorithm to improve the combat performance of infrared imaging systems.

Key words： ?infrared detector； response characteristic drift； evaluating index； time sequence analysis； LSTM