Tesis Doctorado
Formulación de un modelo generalizado de gauss-markov para la reducción de no-uniformidad en sistemas de imágenes infrarrojas.
Autor
San Martín-Salas, César Enrique
Institución
Resumen
En ese trabajo se propone estimar los parámetros de ganancia y offset de cada detector
infrarrojo, componentes de un arreglo de sensores de una cámara infrarroja, utilizando
herramientas de procesamiento estadístico de señales. El arreglo de sensores es una matriz
ubicada en el piano focal del sistema óptico que es capaz de generar secuencias de
imágenes o frames, y en donde los valores de los pixeles de cada imagen corresponden a la
energía infrarroja incidente en cada detector. Dado que esta energía es débil, los sensores
infrarrojos deben ser capaces de detectar adecuadamente esos niveles de energía.
Desafortunadamente, aun no existen sensores que operen perfectamente en el rango
infrarrojo, por lo cual, del arreglo de detectores, se obtiene una imagen que presenta una
distorsión conocida como "no-uniformidad". Esto es, si el arreglo de detectores es irradiado
con la misma energía infrarroja, a la salida, los sensores no entregan los mismos valores,
generando la no-uniformidad. Esto también es conocido en la literatura como ruido de
patrón fijo. Para corregir este problema inicialmente se le asocia a cada sensor un modelo
lineal con dos parámetros: ganancia y offset. Luego, estimando adecuadamente estos
parámetros es posible eliminar este ruido, técnica conocida como "corrección de nouniformidad".
En este problema no es posible utilizar métodos tradicionales de estimación
de parámetros, ya que la variable a estimar, es decir, la energía incidente, es totalmente desconocida. Luego, para realizar corrección de no-uniformidad, se propone que las variables de
ganancia y offset sean estimadas óptima y recursivamente a partir de las imágenes
infrarrojas no uniformes. Es decir, estimar una variable desconocida a partir de mediciones
que dependen de ésta, pero que contienen ruido. Para ello se definirán como estados el
sistema compuesto por la ganancia y offset, y la ecuación de estados modelará el
desplazamiento temporal de estos parámetros. En nuestro caso, se utilizará la suposición de
que los parámetros permanecen constantes en un intervalo de tiempo fijo o bloque de
frames. Luego, la variación de un bloque a otro de los parámetros es considerada como un
proceso aleatorio temporal de Gauss-Markov. Esto significa que el ruido asociado tiene una
distribución gaussiana y que el estado actual depende sólo del estado inmediatamente
anterior. Respecto del modelo de observación, la principal suposición es que la irradiancia
de entrada (que es desconocida) tiene una distribución uniforme en un rango que es común
a todos los sensores del arreglo. Esto permite formular el sistema compuesto por una
ecuación de estados (la ganancia y offset) y el modelo de observación (imágenes con ruido
e irradiancia de entrada).
La innovación en este trabajo es que este modelo se generaliza asumiendo que existe
correlación cruzada entre el estado actual y el próximo. Una vez establecida la
generalización, se debe buscar la solución al sistema compuesto por la ecuación de estados
y el modelo de observación. Esto dependerá del sistema resultante. En particular, si el
sistema se describe por ecuaciones lineales, un Filtro de Kalman es la herramienta adecuada
para resolver este problema. Una vez obtenida la solución al sistema planteado, el método
se evaluará con imágenes infrarrojas reales capturadas con cámaras infrarrojas operando en
determinados intervalos de longitud de onda. Para medir la calidad de la corrección se
utilizarán indicadores estándares como el error cuadrático medio y la rugosidad.
Adicionalmente, los resultados serán contrastados con otros métodos de corrección de nouniformidad,
de modo tal de obtener conclusiones lo más certeras posibles. PFCHA-Becas Doctor en Ciencias de la Ingeniería Mención en Ingeniería Eléctrica 71p. PFCHA-Becas TERMINADA