基于稀疏表示的背景杂波量化方法技术

本发明专利技术公开了一种基于稀疏表示的背景杂波量化方法，主要解决现有杂波尺度不能很好地符合背景杂波相对性的物理实质及不能充分地体现人眼视觉特性的问题。其实现步骤是：将待量化的灰度背景图像分割成若干个大小相等的小单元，组合成背景矩阵；提取目标向量和背景矩阵的主要特征，得到目标特征向量和背景特征矩阵；对目标特征向量和背景特征矩阵进行归一化处理；计算归一化目标特征向量在归一化背景特征矩阵中的最稀疏表示；将最稀疏表示的绝对值的总和作为整幅图像的背景杂波尺度。本发明专利技术充分利用了人眼搜索时的两大特征，提高了预测目标探测概率与主观实际目标探测概率的一致性，可用于光电成像系统目标获取性能的预测和评估。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别是借助稀疏表示的背景杂波量化方法，可用 于光电成像系统目标获取性能的预测和评估。
技术介绍
光电成像系统目标获取性能是光电对抗、侦察、预警和伪装等军事任务中的一个 重要概念。近年来，随着新材料的引入和制造工艺的进步，光电探测器已达到或接近背景 限，背景因素已成为限制光电成像系统目标获取性能的一个关键因素。光电成像系统目标 获取性能表征模型中使用合理准确的背景杂波量化尺度，能够使其预测结果更准确地体现 成像系统的外场性能。背景杂波是一种视觉感知效应，指的是干扰目标探测的类目标物，它具有两个 典型特性基于背景和目标特征的；相对感兴趣目标而言的。自上世纪八十年代以来，国 外研究者在背景杂波的量化表征方面进行了大量的研究，提出了多种背景杂波量化描述 尺度，其中应用最广泛的是统计方差尺度SV，如D. EJchmieder and Μ. R. Weathersby, "Detection performance in clutter with variable resolution,"IEEE Trans. Aerosp. Electron. Syst. AES-19 (4)，622-630 (1983)，和边缘概率尺度 Ρ0Ε，如 G. Tidhar, G. Reiter, Z. Avital,Y. Hadar,S. R. Rotmam,V. George,and Μ. L. Kowalczyk, "Modeling human search and target acquisition performance :IV.Detection probability in the cluttered environment, " Opt. Eng. 33,801-808(1994)。然而，统计方差尺度SV建立在对光电图像统 计处理的基础上，没有考虑人眼视觉感知特性；边缘概率尺度POE仅以背景信息为参考，违 背了背景杂波是相对目标而言的物理实质。这使得由二者建立的杂波尺度不能合理地反映 背景对目标获取过程的影响，难以准确地用于光电成像系统外场性能的预测和评估。
技术实现思路
本专利技术的目的在于克服以往背景杂波量化方法的不足，提出一种基于稀疏表示的 背景杂波尺度，以提高对成像系统外场性能预测和评估的准确度。为了实现这样的目的，本专利技术通过降维技术将目标和背景信息由空间域变换到特 征域，并在特征空间利用稀疏表示理论对背景杂波进行量化。具体步骤如下(1)将二维的目标图像列向量化，得到目标向量χ ；(2)将背景图像分成N个大小相等的小单元，每个小单元水平和垂直方向的大小 均为目标相应尺寸的二倍；(3)将每个二维的背景小单元列向量化，并组合成背景矩阵Ψ ；(4)借助主成分分析PCA对目标向量χ和背景矩阵Ψ降维，分别得到目标特征向 量f和背景特征矩阵Φ ；(5)对目标特征向量f进行归一化处理，得到归一化目标特征向量^X = x/||x||2其中Μ · ι I2表示向量的I2范数；(6)将背景特征矩阵φ中每个向量进行归一化处理得到的结果Θ i，按下标序号 从小到大的顺序，构成归一化背景特征矩阵Θ， i = Φ^Ι ^iI I2, i = 1,2,... ,N其中，C^和Qi分别为背景特征矩阵Φ和归一化背景特征矩阵Θ的第i个列向 量，N为背景特征矩阵Φ中列向量的个数；(7)计算归一化目标特征向量^在归一化背景特征矩阵Θ中的最稀疏表示，获得 相似向量s 即求解满足i = Θχ的s的最小1°范数解min | | s | |。满足i = 05 ；(8)取相似向量s中非零元素绝对值戈，i = 1，2，. . .，K，的总和，作为背景杂波量化尺度-.SRC = YjS1，其中K为相似向量S中非零元素的个数。 /=1本专利技术具有如下优点1)本专利技术由于采用PCA方法对目标和背景信息的降维处理来模拟搜索过程中人 眼视觉的第一个阶段一特征选择阶段，且通过获得目标特征向量在背景特征矩阵中的最 稀疏表示来模拟搜索过程中人眼视觉的第二个阶段一联合搜索阶段，符合目标获取过程 中人眼视觉的感知特性；2)本专利技术由于在背景杂波量化中不仅考虑了背景特征，还将目标特征的相对性影 响纳入其中，符合背景杂波的物理本质。基于以上两点，本专利技术的背景杂波量化方法与外场试验中背景信息影响目标获取 过程的物理机制更相符。实验结果表明与以往常用的杂波量化方法相比，本专利技术的背景杂 波量化方法对目标探测概率的预测与观察者实际试验得到的目标探测概率更加一致，对目 标获取性能的预测更加精确。附图说明图1为本专利技术实现过程的示意图；图2为本专利技术使用的低背景杂波图像、目标图像及相似向量分布图；图3为本专利技术使用的中背景杂波图像、目标图像及相似向量分布图；图4为本专利技术使用的高背景杂波图像、目标图像及相似向量分布图；图5为以％arCh_2图像数据库为实验数据，各背景杂波量化尺度与观察者实际目 标探测概率之间的拟合曲线。具体实施例方式参照图1，本专利技术实现步骤如下步骤1，将目标图像的像素值以列为单位，按最初所在列序号从小到大的顺序，组 成目标向量χ — {t1A, t2，i，t3，i，· · ·，tc，i，t1 2 · · ·，tc，D}其中ty表示位置在(i，j)处的目标像素值，C和D分别表示目标图像的行数和 列数，T表示对向量进行转置操作。步骤2，将待量化的背景图像分成N个大小相等的小单元，每个小单元的水平方向 和垂直方向的大小均为目标相应尺寸的两倍。N的大小由待量化的背景图像的大小AXB和每个小单元的大小M = CXD确定，即 N= $ χ ^，其中，A和B分别表示背景图像的行数和列数，i ！表示取小于或等于χ的最 大整数。步骤3，将各个背景小单元依次列向量化得到的列向量為权利要求1. 一种，包括如下过程(1)将二维的目标图像列向量化，得到目标向量X;(2)将背景图像分成N个大小相等的小单元，每个小单元水平和垂直方向的大小均为 目标相应尺寸的二倍；(3)将每个二维的背景小单元列向量化，并组合成背景矩阵Ψ；(4)借助主成分分析PCA对目标向量χ和背景矩阵Ψ降维，分别得到目标特征向量f 和背景特征矩阵Φ ；(5)对目标特征向量f进行归一化处理，得到归一化目标特征向量h其中，I I · I I2表示向量的I2范数；(6)将背景特征矩阵Φ中每个向量进行归一化处理得到的结果 i，按下标序号从小 到大的顺序，构成归一化背景特征矩阵Θ，2.根据权利要求1所述的背景杂波量化方法，其中步骤(4)所述的借助主成分分析 PCA对目标向量χ和背景矩阵Ψ降维，按如下步骤进行(4a)将用背景矩阵Ψ中的每个元素减去所在行元素均值得到的结果)(。_，以下标(i， j)为序，构成背景差别矩阵X，3.根据权利要求1所述的背景杂波量化方法，其中步骤(7)所述的计算归一化目标特 征向量^在归一化背景特征矩阵Θ中的最稀疏表示，按如下步骤计算 (7a)求满足i = Θ^的s的最小I1范数解 min| |s| I1 满足 =<1>(7b)将式<1>松弛为全文摘要本专利技术公开了一种，主要解决现有杂波尺度不能很好地符合背景杂波相对性的物理实质及不能充分地体现人眼视觉特性的问题。其实现步骤本文档来自技高网...

【技术保护点】
一种基于稀疏表示的背景杂波量化方法，包括如下过程：（１）将二维的目标图像列向量化，得到目标向量ｘ；（２）将背景图像分成Ｎ个大小相等的小单元，每个小单元水平和垂直方向的大小均为目标相应尺寸的二倍；（３）将每个二维的背景小单元列向量化，并组合成背景矩阵Ψ；（４）借助主成分分析ＰＣＡ对目标向量ｘ和背景矩阵Ψ降维，分别得到目标特征向量＊和背景特征矩阵Φ；（５）对目标特征向量＊进行归一化处理，得到归一化目标特征向量＊：＊＊＊其中，｜｜·｜｜↓［２］表示向量的ｌ↑［２］范数；（６）将背景特征矩阵Φ中每个向量进行归一化处理得到的结果Θ↓［ｉ］，按下标序号从小到大的顺序，构成归一化背景特征矩阵Θ，Θ↓［ｉ］＝Φ↓［ｉ］／｜｜Φ↓［ｉ］｜｜↓［２］，ｉ＝１，２，．．．，Ｎ其中，Φ↓［ｉ］和Θ↓［ｉ］分别为背景特征矩阵Φ和归一化背景特征矩阵Θ的第ｉ个列向量，Ｎ为背景特征矩阵Φ中列向量的个数；（７）计算归一化目标特征向量＊在归一化背景特征矩阵Θ中的最稀疏表示，获得相似向量ｓ：即求解满足＊＝Θｓ的ｓ的最小ｌ↑［０］范数解：ｍｉｎ｜｜ｓ｜｜０满足＊＝Θｓ；（８）取相似向量ｓ中非零元素绝对值＊↓［ｉ］，ｉ＝１，２，．．．，Ｋ，的总和，作为背景杂波量化尺度：ＳＲＣ＝＊＊↓［ｉ］，其中Ｋ为相似向量ｓ中非零元素的个数。...

【技术特征摘要】

【专利技术属性】
技术研发人员：杨翠，李倩，吴洁，张建奇，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87