基于无监督核回归分析的红外图像背景抑制方法技术

基于无监督核回归分析的红外图像背景抑制方法，它属于图像处理领域，它解决了在红外图像背景杂波抑制领域中存在的需要先验知识、自适应性较差的技术难题。首先设定滑动窗口用于背景预测；通过确定高斯函数作为无监督核回归分析的核函数；将预测背景杂波样本代入函数中，计算无监督核回归方程；再将中心测试样本（Ｏ）输入到所述的无监督核回归方程，得到中心测试样本（Ｏ）的预测值；之后中心测试样本（Ｏ）值减去预测值；接下来移动滑动窗口，重复上一过程，直到遍历全图，并输出背景抑制结果图像。它能够有效提高如红外目标识别与跟踪、红外图像监测等系统的目标探测能力和定位精度。

【技术实现步骤摘要】

本专利技术涉及一种红外图像背景抑制方法，属于图像处理领域。
技术介绍
在红外自动目标探测系统中，为了尽可能早地发现目标，使红外制导系统 有足够的反应时间并提高防御武器的预警距离，要求在很远的距离上就能够检 测到目标，从而可以尽早发现目标。当探测距离和成像视场增大时，即使目标 本身很大，在成像平面内也仅表现为几个像素，甚至不到一个像素，称为小目 标。此时，可检测信号相对较弱，特别是在非平稳的起伏背景干扰下，目标甚 至被大量复杂的噪声(杂波)所淹没，图像信噪比极低，使点目标检测工作变得 很困难。因此，为了突出小目标，提高信噪比，从而提高目标检测概率，对红 外小目标图像进行检测前的背景抑制和噪声滤除是十分必要的。在自动目标识 别系统中，背景抑制和噪声削减统称为检测前滤波预处理。红外图像背景抑制 的最终目的是为了消除杂波干扰、保存目标信息。目前，在红外图像背景抑制处理中，空域滤波是较为重要、应用广泛的一大类方法。典型的空域滤波方法包括线性背景预测、Top-hat变换(形态学滤波)、 非线性滤波(均值滤波、高斯滤波)等，它们通过空域滤波来实现红外图像背景 的预测，利用预测图和原始图做差得到背景抑制的结果，从而达到抑制背景的 目的。近年来，神经网络、支持向量回归等有监督机器学习方法也被逐渐应用于 红外图像背景抑制处理中，并取得了较好的抑制效果。但有监督学习方法需要 有大量先验知识(即训练样本)，事先进行背景抑制模型的学习训练，无法满足 实际处理中无先验知识情况，且不具有自适应性。
技术实现思路
本专利技术为解决在红外图像背景杂波抑制领域中存在的需要先验知识、自适 应性较差的技术难题，提供一种基于无监督核回归分析的红外图像背景抑制方 法。本专利技术包括以下步骤步骤一、设定滑动窗口用于背景预测；滑动窗口采用双窗口模式，内窗的 中心为中心测试样本；外窗中的样本为预测背景杂波样本；步骤二、采用高斯函数作为无监督核回归分析的核函数；步骤三、利用当前外窗的预测背景杂波样本信息作为回归数据样值代入到 无监督核回归分析的核函数中，计算得到无监督核回归方程；步骤四、将当前内窗的中心测试样本信息输入到所述的无监督核回归方 程，得到中心测试样本的预测杂波灰度值；步骤五、利用当前内窗的中心测试样本灰度值减去步骤四得到的中心测试 样本的预测杂波灰度值，从而抑制红外图像的背景杂波；步骤六、移动滑动窗口，其移动步长为l，返回步骤三，直到遍历全图， 输出背景抑制后的红外图像。本专利技术与现有技术相比，具有如下优点(1) 采用核回归技术，能够有效地处理强起伏、复杂红外背景杂波数据， 具有良好的非线性数据预测能力。(2) 无需事先训练回归模型(即无需训练样本先验知识)，根据测试图像自 身数据进行无监督学习，具有良好的局部自适应预测能力。(3) 采用双窗口对红外图像局部区域进行回归预测，抑制背景效果良好， 同时有效保存重要目标，可大大提高如红外目标识别与跟踪、红外图像监测等 系统的目标探测能力和定位精度。附图说明图1为滑动窗口的示意图；图2是滑动窗口的内窗B的中心测试样本O 位于红外图像C的边缘的位置示意图。 具体实施例方式具体实施方式一结合图1说明本实施方式，本实施方式步骤如下 步骤一、设定滑动窗口用于背景预测；滑动窗口采用双窗口模式对背景杂 波进行预测，滑动窗口由内窗B和外窗A组成；内窗B位于滑动窗口的中心， 内窗B的中心为中心测试样本O，内窗B用于保护位于滑动窗口中心的中心 测试样本O信息，中心测试样本O以外的内窗B区域相当于保护区域，防止 在测试样本O为目标像素的情况下在选择背景杂波样本的过程中选择到与目标相关的样本，因此产生了保护区域；滑动窗口内窗B的外部为外窗A，外 窗A中的样本为预测背景杂波样本，外窗A用于选择预测背景杂波样本信息;步骤二、采用高斯函数作为无监督核回归分析的核函数；用于度量背景杂 波样本之间的相似性；步骤三、利用当前外窗A的预测背景杂波样本信息作为回归数据样值代 入到无监督核回归分析的核函数中，计算得到无监督核回归方程；步骤四、将当前内窗B的中心测试样本O信息输入到所述的无监督核回 归方程，得到中心测试样本O的预测杂波灰度值；步骤五、利用当前内窗B的中心测试样本O的灰度值减去步骤四得到的 中心测试样本O的预测杂波灰度值，从而抑制红外图像的背景杂波；若当前 内窗B的中心测试样本O是背景杂波，则所述的中心测试样本O的灰度值将 被去除；若当前内窗B的中心测试样本O是目标像素，则抑制叠加在内窗B 的中心测试样本O上的背景杂波灰度值；步骤六、移动滑动窗口，其移动步长为l,返回步骤三，直到遍历全图， 输出背景抑制后的红外图像。具体实施方式二结合图2说明本实施方式，本实施方式与具体实施方 式一不同点在于若当前处理的内窗B的中心测试样本O位于红外图像C的边 缘，则滑动窗口中的缺失部分的样本采用镜像对称方式来获得，即采用镜像对 称方式来获得缺失部分像素点的灰度值。其它步骤与具体实施方式一相同。具体实施方式三本实施方式与具体实施方式一不同点在于步骤三中求 得无监督核回归方程的步骤如下回归估计公式如下-_y,=z(x,) + s,，/ = l，，户， (1) 其中，；c,.为2xl维向量，表示二维空间的坐标，乂代表相应的图像灰度值； 称作回归函数，e,为随机误差或随机干扰，它是一个分布与^无关的随机变量， 它是均值为0的正态分布随机变量；将芈,)在邻域展开，可叫得到如下公式<formula>formula see original document page 6</formula><formula>formula see original document page 7</formula>而参数&是通过求解下面最优化问题得到的<formula>formula see original document page 7</formula>其中<formula>formula see original document page 7</formula>i^W为核加权函数，H称为平滑矩阵；利用数学运算方法进行化简，求得z(;c)的零阶估计值为-<formula>formula see original document page 7</formula>其中《是一个第一行元素为i，其它为o的列向量，<formula>formula see original document page 7</formula>由上面的公式可以看出，评价的结果^c)部分取决于平滑矩阵的选择；这里， 使用一个简单且计算效率较高的模型来表示<formula>formula see original document page 7</formula>在上式中，",表征数据采样密集程度(一般令",=1)， a称作平滑参数，它的取值是通过一系列迭代公式计算出来的；为了计算简便， 一般情况下，/z的取值 在"2"附近；这样，只要确定图像局部邻域内每个像素点的灰度值，并按照公式9至公 式12计算，将计算结果代入公式8本文档来自技高网...

【技术保护点】
基于无监督核回归分析的红外图像背景抑制方法，其特征在于它的步骤如下：　步骤一、设定滑动窗口用于背景预测；滑动窗口采用双窗口模式，内窗（Ｂ）的中心为中心测试样本（Ｏ）；外窗（Ａ）中的样本为预测背景杂波样本；　步骤二、采用高斯函数作 为无监督核回归分析的核函数；　步骤三、利用当前外窗（Ａ）的预测背景杂波样本信息作为回归数据样值代入到无监督核回归分析的核函数中，计算得到无监督核回归方程；　步骤四、将当前内窗（Ｂ）的中心测试样本（Ｏ）信息输入到所述的无监督核回归 方程，得到中心测试样本（Ｏ）的预测杂波灰度值；　步骤五、利用当前内窗（Ｂ）的中心测试样本（Ｏ）灰度值减去步骤四得到的中心测试样本（Ｏ）的预测杂波灰度值，从而抑制红外图像的背景杂波；　步骤六、移动滑动窗口，其移动步长为１，返回步骤 三，直到遍历全图，输出背景抑制后的红外图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：谷延锋，王晨，张晔，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：93[中国|哈尔滨]