复杂背景下红外背景预测算子的自动选择方法

摘要

本发明一种复杂背景下红外背景预测算子的自动选择方法，可概括为：首先对单帧图像中的每个点进行邻域操作得到以该点为中心的子图像邻域，并计算该子图像的平滑度，然后根据子图像的平滑度选择对应的背景预测算子，以获得背景图像。对具有不同图像平滑度的局部邻域自动采用不同的预测算子进行背景预测，比单独采用某一种预测算子计算得到的背景图像更接近原图，能够更大程度上的抑制背景噪声。

主权项

1、一种复杂背景下红外背景预测算子的自动选择方法，其特征在于，包括下述几个步骤：(1)获取子图像邻域：采用红外成像系统获得红外弱小目标图像并对其直接进行处理，即对红外成像系统产生的单帧图像进行处理，来获取子图像邻域，该红外成像系统的成像参数如下：光学系统有效面积A0＝12.0(cm2)，探测器星响应度$D^{*}=2\times {10}^{10}(\mathrm{cm}\sqrt{\mathrm{Hz}}/W),可探测最小信噪比SNR＝4，探测器面积Ad＝0.4(mm2)，等效噪声带宽\Delta f＝2000.0(Hz)，光学系统红外辐射透过率\tau 0＝0.8，信号衰减因子\delta \approx 1；“目标成像系统”和“辅助成像系统”的成像波段为红外中波波段(3\mu m-5\mu m)；(2)计算局部图像的平滑度复杂背景下红外弱小运动目标中的图像目标信息很弱，对获得的子图像邻域首先计算局部图像的平滑度，然后根据计算结果判断是否需要进一步计算局部图像灰度均值，以选择最适合的背景预测算子，具体步骤如下：计算局部图像的平滑度：平滑度用于描述图像灰度的偏移，设方差为v，则平滑度R可表示为：$ R=1-\frac{1}{1+v}---\left(13\right)显然R\in [0，1]，且R越小表示图像越平滑，方差v的计算公式如下：$ v=\underset{i=\mathrm{0,1}L,L-1}{\Sigma }[(z_i-m)·P\left(z_i\right)]---\left(14\right)式中，L表示图像的灰度级，zi表示图像的灰度随机变量，P(zi)表示该灰度随机变量的概率，m表示局部图像灰度均值；(3)根据局部图像的平滑度计算结果选择背景预测算子3.1计算局部图像灰度均值m当平滑度小于平滑度阈值TR时，需要计算局部图像灰度均值m，局部图像灰度均值m表示图像的整体灰度，其计算公式如下：$ m=\underset{i=\mathrm{0,1}···,L-1}{\Sigma }{z}_{i}P\left(z_i\right)---\left(15\right)式中，L表示图像的灰度级，zi表示图像的灰度随机变量，P(zi)表示该灰度随机变量的概率；3.2基本加权背景预测当平滑度R大于平滑度阈值TR时，选择基本加权背景预测算子，基本加权背景预测算子计算较为简单，具体计算方法如下(16)-(17)所示；所有的背景预测算子均由同一个背景预测的算法模型衍生出来，此背景预测的算法模型可表示为：$ Y(i,j)=\underset{S}{\Sigma }\Sigma [W_n(l,k)·X(i-l,j-k)]---\left(18\right)式中，(i，j)表示图像中某点的坐标，Y(i，j)表示该点的背景预测值，S表示以该点为中心的邻域，X(i-l，j-k)表示原图像中该邻域中某点的像素值，Wn(l，k)表示该点的权重；基本加权背景预测算子在背景预测算法模型的基础上定义了邻域各点的权重，如下所示：$ W_n(l,k)=\frac{r(i,j)}{\underset{i,j\in S}{\Sigma }\mathrm{\Sigma r}(i,j)}---\left(19\right)式中，Wn(l，k)表示邻域S中的某一点的权重，r(i，j)表示该点到中心点的距离，本发明采用7\times 7的模板进行背景预测，权重Wn(l，k)用矩阵形式Wn可表示为：$ W_n=\left[\begin{array}{ccccccc}9& 9& 9& 9& 9& 9& 9\\ 9& 4& 4& 4& 4& 4& 9\\ 9& 4& 1& 1& 1& 4& 9\\ 9& 4& 1& 0& 1& 4& 9\\ 9& 4& 1& 1& 1& 4& 9\\ 9& 4& 4& 4& 4& 4& 9\\ 9& 9& 9& 9& 9& 9& 9\end{array}\right]---\left(20\right)将式(6)代入式(4)，即可求出基本加权背景预测算子的计算结果；(4)选择背景预测算子根据局部图像平滑度和局部图像灰度均值的计算结果，在下列4种背景预测算子中选择合适的算子作为当前邻域的背景预测算子：即基本加权背景预测算子、最大化背景预测算子、最小化背景预测算子以及最相似背景预测算子；以图像中某点为中心邻域S，以该点为中心划分为4个象限，用数字i表示为i＝1，2，3，4，根据基本加权背景预测的计算方法(将式(6)代入式(4))，计算4个象限对应的预测值，分别为：Y1，Y2，Y3，Y4，最小背景预测算子取其中最小值作为背景预测值，用Ymin\; 表示最小背景预测算子计算得到的背景预测值，用于计算背景灰度均值较小区域的背景预测值，如下式所示：$ Y_{\min }=\underset{i=\mathrm{1,2,3,4}}{\min }\left(Y_i\right)---\left(21\right)最大背景预测算子取其中最大值作为背景预测值，用Ymax表示最大背景预测算子计算得到的背景预测值，如下式所示：$ Y_{\max }=\underset{i=\mathrm{1,2,3,4}}{\max }\left(Y_i\right)---\left(22\right)最相似背景预测算子取Y1～Y4中与原图像的点灰度值最接近的值作为背景预测值，如下式所示：$ Y_s=\mathrm{Arg}\left\{\underset{i=\mathrm{1,2,3,4}}{\min }\left(\mathrm{abs}(Y_i-X)\right)\right\}---\left(23\right)式(24)中abs(Yi-X)分别表示4个象限的预测值和原图像素值X差的绝对值；如果当前领域S的局部图像灰度均值m小于Tm1，则中心点的灰度值低的可能性大，因此选择最小化背景预测算子(如式(7))；同理，如果当前领域S的局部图像灰度值m大于Tm2，则采用最大化背景预测算子(如式(8))；如果当前领域S的局部图像灰度值m属于[Tm1，Tm2]，则选择最相似背景预测算子(如式(9))；根据蒙特卡洛实验结果，灰度阈值取值如下：Tm1＝0.2，Tm2＝0.5。$$$$$$$$$$