本发明专利技术提供一种基于在线稀疏的红外图像冗余信息剔除方法，包括以下步骤：步骤1、对连续输入的图像帧构造训练样本；步骤2、判断输入图像是否背景复杂：如果是，则进行冗余信息剔除，如果否，则结束冗余信息剔除；步骤3、冗余信息剔除，其实现包括：步骤3-1、使用构造方式创建一个空字典D0，定义所有样本向量的系数都为零；步骤3-2、以在线运行方式并根据ALD判断准则剔除冗余样本向量，保留有效样本向量。本发明专利技术还涉及一种基于在线稀疏的红外图像冗余信息剔除装置。采用本发明专利技术的上述方案，可剔除杂波背景中的冗余信息，从而高效表示红外图像，提高算法的运算效率与预测准确性，同时减小后续处理量和提高预测准确性。
【技术实现步骤摘要】
本专利技术涉及红外图像处理领域，具体而言涉及一种基于在线稀疏的红外图像冗余 信息剔除方法与装置，用于在动目标检测中剔除红外图像背景的冗余信息。
技术介绍
红外动目标检测面临的环境复杂，云层、建筑、树木、地形起伏等背景呈现明显的 非线性、非平稳分布特性，这些背景的边缘灰度突变使得传统的小目标检测算法的性能大 都严重下降。采用非线性算法能较好的适应复杂背景，但这类算法运算量很大，无法满足实 时性的要求。 基于机器学习的背景抑制算法，将原始图像中像素点的灰度值视为样本，利用机 器学习算法预测出图像的背景，然后用原始图像减去预测出来的背景，得到只有目标和少 量背景的残差图像，达到抑制背景、增强目标的目的，最后在残差图像上进行门限检测完成 目标分割。 但现有的文献中，例如 "Online Sparse IR Background Estimation via KRLS"（朱斌等著，载于IEEE 2010 ICIA，June20-23)，利用KRLS算法进行在线稀疏的红外 背景估计，其中对估计算法前的样本数据进行了 ALD测试，从而降低后续估计算法的数据 处理量、提高估计的准确性，但该估计方法中针对每帧图像的每一个样本均进行了 ALD测 试，没有加以区分，即对复杂背景和不复杂背景均进行ALD测试，做了很多无用功，这一处 理无形中更增加了样本数据前期处理的负担，影响在线稀疏的运行效率，这是目前希望看 到改进的。
技术实现思路
本专利技术目的在于提供一种基于在线稀疏的红外图像冗余信息剔除方法与装置，对 红外图像序列进行稀疏表示，剔除背景中大量的冗余信息，高效表示红外图像，提高后续检 测算法的运算效率与预测准确性。 本专利技术的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有 利的方式发展独立权利要求的技术特征。 为达成上述目的，本专利技术所采用的技术方案如下： -种基于在线稀疏的红外图像冗余信息剔除方法，包括以下步骤： 步骤1、对连续输入的图像帧构造训练样本； 步骤2、判断输入图像是否背景复杂：如果是，则进行冗余信息剔除，如果否，则结 束冗余信息剔除； 步骤3、冗余信息剔除，其包括： 步骤3-1、使用构造方式创建一个空字典Dtl，定义所有样本向量的系数都为零； 步骤3-2、以在线运行方式并根据ALD判断准则剔除冗余样本向量，保留有效样本 向量。 进一步的实施例中，前述步骤1的构造训练样本，其实现包括： 对于连续输入的图像帧，所构造的训练样本中的第i个输入样本是由第i帧图像 中像素点（m，η)及其周围预测窗口区域的灰度值构成的（ Xi，yi)，其中Xi是由像素点（m，η) 周围预测窗口区域内的灰度值构成的向量A = (?,?;，?，ρ为预测窗口内的除目标以 外的像素点数目，Yi是像素点（m，η)的原始灰度值。 进一步的实施例中，前述预测窗口为矩形预测窗口，窗口大小为（2q+l) X (2q+l)， q为正整数。 进一步的实施例中，前述预测窗口为准圆形预测窗口。 进一步的实施例中，前述步骤2中背景复杂度的判断包括以下步骤： 步骤2-1、定义起伏系数Θ (m，n)，表示图像中像素点（m，n)与其右侧和下方两个 相邻的像素点的灰度差值之和，即： Θ (m, η) = Δ Dr (m, η) + Δ Dd (m, η) (I) 式中，ADr(m, η) = D(m, n)-D(m, n+1), ADd(m, η) = D(m, n)-D(m+l, η)，分别表示 像素点（m，n)与其右侧和下方像素点的灰度差值； 对整幅图像，利用背景平均起伏系数以下式来定义：【主权项】1. 一种基于在线稀疏的红外图像冗余信息剔除方法，其特征在于，包括以下步骤： 步骤1、对连续输入的图像帧构造训练样本； 步骤2、判断输入图像是否背景复杂：如果是，则进行冗余信息剔除，如果否，则结束冗 余信息剔除； 步骤3、冗余信息剔除，其实现包括： 步骤3-1、使用构造方式创建一个空字典Dtl，定义所有样本向量的系数都为零； 步骤3-2、以在线运行方式并根据ALD判断准则剔除冗余样本向量，保留有效样本向 量。2. 根据权利要求1所述的基于在线稀疏的红外图像冗余信息剔除方法，其特征在于， 前述步骤1的构造训练样本，其实现包括： 对于连续输入的图像帧，所构造的训练样本中的第i个输入样本是由第i帧图像中像 素点（m，η)及其周围预测窗口区域的灰度值构成的（Xi，yi)，其中Xi是由像素点（m，η)周围 预测窗口区域内的灰度值构成的向量x,_ =(?,?;，\)『，P为预测窗口内的除目标以外的 像素点数目，Yi是像素点（m，η)的原始灰度值。3. 根据权利要求1所述的基于在线稀疏的红外图像冗余信息剔除方法，其特征在于， 前述预测窗口为矩形预测窗口，窗口大小为（2q+l) X (2q+l) , q为正整数。4. 根据权利要求1所述的基于在线稀疏的红外图像冗余信息剔除方法，其特征在于， 前述预测窗口为准圆形预测窗口。5. 根据权利要求1所述的基于在线稀疏的红外图像冗余信息剔除方法，其特征在于， 前述步骤2中背景复杂度的判断包括以下步骤： 步骤2-1、定义起伏系数Θ (m，n)，表示图像中像素点（m，n)与其右侧和下方两个相邻 的像素点的灰度差值之和，即： Θ (m, η) = Δ Dr (m, η) + Δ Dd (m, η) (I) 式中，ADr(m，n) =D(m，n)-D(m，n+l)，ADd(m，n) =0〇11，11)-〇(111+1，11)，分别表示像素 点（m，n)与其右侧和下方像素点的灰度差值； 对整幅图像，利用背景平均起伏系数以下式来定义：(2) 式中，Μ，N为图像的大小； 步骤2-2、将对空红外图像中的背景起伏状况划分为以下3个程度： a. 均匀：0 < Θ彡4 ; b. 稍有起伏：4 < Θ < 5. 5 ; c. 剧烈起伏：Θ > 5. 5 ; 步骤2-3、计算输入图像的第一帧的背景平均起伏系数Θ，当Θ >5. 5时判断为背景 复杂，需要进行冗余信息剔除；当Θ <5. 5时判断为背景不复杂，不需要剔除冗余信息，结 束冗余信息剔除。6. 根据权利要求1所述的基于在线稀疏的红外图像冗余信息剔除方法，其特征在于， 前述步骤3中，如果新到样本向量与字典中的样本向量之间不符合ALD准则，则将该样本向 量加入到字典中；如果新到样本向量与字典中的样本向量之间满足ALD准则，则将其剔除， 不加入字典。7. 根据权利要求1所述的基于在线稀疏的红外图像冗余信息剔除方法，其特征在于， 前述步骤3中的以在线运行方式并根据预设的判断准则剔除冗余样本向量，其实现包括以 下步骤： 对于输入的一个新样本向量xt，以在线运行的方式进行近似线性相关测试： (1) 如果Xt的特征值Φ OO与字典中的样本向量近似线性相关，则只考虑这个样本对 后续算法中预测函数中已存在的系数产生的影响，将其剔除，即t时刻的字典为D t = Dt+ Dw为t-1时刻的字典； (2) 如果Xt的特征值Φ (Xt)与字典中的样本向量不近似线性相关，则将其添加进字典 Dw，与特征值Φ (Xt)对应的系数a t也被加入到本文档来自技高网...
【技术保护点】
一种基于在线稀疏的红外图像冗余信息剔除方法，其特征在于，包括以下步骤：步骤1、对连续输入的图像帧构造训练样本；步骤2、判断输入图像是否背景复杂：如果是，则进行冗余信息剔除，如果否，则结束冗余信息剔除；步骤3、冗余信息剔除，其实现包括：步骤3‑1、使用构造方式创建一个空字典D0，定义所有样本向量的系数都为零；步骤3‑2、以在线运行方式并根据ALD判断准则剔除冗余样本向量，保留有效样本向量。
【技术特征摘要】
【专利技术属性】
技术研发人员：朱斌，程正东，樊祥，马东辉，冯一，李晓霞，方义强，施展，张发强，郭宇翔，邓潘，
申请(专利权)人：中国人民解放军电子工程学院，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。