專利名稱：基于Wavelet和Curvelet變換的紅外圖像背景抑制方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種紅外圖像處理方法，屬于圖像處理領(lǐng)域。
技術(shù)背景一個(gè)紅外自動(dòng)目標(biāo)識(shí)別系統(tǒng)一般由目標(biāo)檢測(cè)、目標(biāo)識(shí)別、目標(biāo)捕獲、目 標(biāo)高精度跟蹤和攻擊點(diǎn)選擇等功能模塊組成。目標(biāo)檢測(cè)作為紅外成像制導(dǎo)系 統(tǒng)中最前端的處理環(huán)節(jié)，是精確制導(dǎo)中的一個(gè)關(guān)鍵性問(wèn)題。為了盡可能早地 發(fā)現(xiàn)目標(biāo)，使制導(dǎo)系統(tǒng)有足夠的反應(yīng)時(shí)間并提高防御武器的預(yù)警距離，要求 在很遠(yuǎn)的距離上就能夠檢測(cè)到目標(biāo)，從而可以盡早發(fā)現(xiàn)目標(biāo)。當(dāng)探測(cè)距離和 成像視場(chǎng)增大時(shí)，即使目標(biāo)本身很大，在成像平面內(nèi)也僅表現(xiàn)為幾個(gè)像素， 甚至不到一個(gè)像素，稱為小目標(biāo)。此時(shí)，可檢測(cè)信號(hào)相對(duì)較弱，特別是在非 平穩(wěn)的起伏背景干擾下，目標(biāo)甚至被大量復(fù)雜的噪聲(雜波)所淹沒(méi)，圖像信 噪比極低，使點(diǎn)目標(biāo)檢測(cè)工作變得很困難。因此，為了突出小目標(biāo)，提高信 噪比，從而提高目標(biāo)檢測(cè)概率，對(duì)紅外小目標(biāo)圖像進(jìn)行檢測(cè)前的背景抑制和 噪聲濾除是十分必要的。在自動(dòng)目標(biāo)識(shí)別系統(tǒng)中，背景抑制和噪聲削減統(tǒng)稱 為檢測(cè)前濾波預(yù)處理。紅外圖像背景抑制的最終目的是為了消除雜波干擾、保存目標(biāo)信息。目前在紅外圖像處理領(lǐng)域內(nèi)對(duì)背景干擾進(jìn)行抑制的方法大致可以分為兩大類(lèi)時(shí)-空域處理和頻域/變換域處理。前者的典型方法包括線性背景預(yù)測(cè)、 Top-hat變換等，它們通過(guò)空域?yàn)V波來(lái)實(shí)現(xiàn)紅外圖像背景的預(yù)測(cè)，利用預(yù)測(cè)圖 和原始圖做差得到背景抑制的結(jié)果；后者的典型方法包括高通濾波、Wavelet 變換等，主要是通過(guò)對(duì)紅外圖像頻率成分的分析或者通過(guò)多分辨率分解，去 除或抑制包含背景信息的頻率分量或者變換系數(shù)，從而達(dá)到抑制背景的目的。 在上述方法中，Wavelet變換以其具有的信號(hào)多尺度分解與描述能力，在紅外 圖像背景抑制中表現(xiàn)出較好的性能。但Wavelet變換僅適于描述具有零維奇 異性的信號(hào)，也就是說(shuō)，Wavelet變換在實(shí)現(xiàn)背景雜波抑制的同時(shí)，也會(huì)抑制 掉有用的目標(biāo)信息，特別是線特征(如道路、橋梁，機(jī)場(chǎng)、港口等區(qū)域的邊緣)。發(fā)明內(nèi)容本發(fā)明為解決在紅外圖像處理領(lǐng)域內(nèi)對(duì)背景干擾進(jìn)行抑制的方法存在的 在實(shí)現(xiàn)背景雜波抑制的同時(shí)也會(huì)抑制掉有用的目標(biāo)信息的問(wèn)題，提供一種基于Wavelet和Curvelet變換的紅外圖像背景抑制方法。本發(fā)明包括以下步驟 步驟一、對(duì)原始紅外圖像分別進(jìn)行Wavelet變換分解和Curvelet變換分步驟二、對(duì)步驟一中分解得到的Wavelet系數(shù)，保留不同分辨率下的高 頻分解系數(shù)，將低頻分解系數(shù)置零；步驟三、對(duì)步驟一中分解得到的Curvelet系數(shù)，保留不同分辨率下的高 頻分解系數(shù)，將低頻分解系數(shù)置零；步驟四、分別通過(guò)保留的Wavelet系數(shù)和Curvelet系數(shù)對(duì)分解的原始紅 外圖像進(jìn)行圖像重構(gòu)；步驟五、通過(guò)多分辨率分解框架，對(duì)步驟四所得到的Wavelet系數(shù)重構(gòu) 圖像和Curvelet系數(shù)重構(gòu)圖像分別進(jìn)行圖像融合，得到最終的紅外圖像背景 抑制結(jié)果。本發(fā)明的工作原理是分別利用Wavelet和Curvelet對(duì)輸入原始紅外圖 像進(jìn)行背景抑制，在背景抑制結(jié)果中，Wavelet處理結(jié)果圖像中能夠在抑制背 景的同時(shí)，較好地保存目標(biāo)點(diǎn)特征信息，Curvelet處理結(jié)果圖像中能夠較好 地保存目標(biāo)線特征信息。對(duì)Wavelet和Curvelet背景抑制后的圖像，進(jìn)行基 于Wavelet多分辨率分析和局部區(qū)域圖像熵準(zhǔn)則的特征融合，得到有效抑制 背景同時(shí)較好地保存了目標(biāo)點(diǎn)特征信息和線特征信息的結(jié)果圖像。為了充分 發(fā)揮Wavelet和Curvelet信號(hào)描述能力，本發(fā)明中采用了非抽樣Wavelet變換 (Undecimated Wavelet Transform, UWT)和第二代Curvelet變換(快速離散 Curvelet變換，F(xiàn)ast Disprete Curvelet Transform, FDCT)。本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)(1)突破了現(xiàn)有基于Wavelet變換的紅外圖像背景抑制方法存在的不足， 即此類(lèi)方法僅能較好地抑制背景，但同時(shí)也損失了目標(biāo)信息。而本發(fā)明方法 既能有效地抑制背景，又能很好地保存目標(biāo)信息，這樣才達(dá)到了紅外圖像背 景抑制的真正目的。(2) 在目標(biāo)信息保存方面，本發(fā)明方法能夠在有效地保存目標(biāo)信息的基 礎(chǔ)上，更進(jìn)一步地保證目標(biāo)信息的多樣性，即既能夠有效地保存目標(biāo)的點(diǎn)特 征信息，又能夠有效地保存目標(biāo)的線特征信息。點(diǎn)特征信息和線特征信息的 保存是紅外圖像背景抑制的技術(shù)難點(diǎn)，也是后續(xù)紅外圖像目標(biāo)檢測(cè)與識(shí)別的 關(guān)鍵。(3) 由于同時(shí)利用了 Wavelet和Curvdet對(duì)圖像的多尺度描述特性，抑制 背景效果良好，可大大提高如紅外目標(biāo)檢測(cè)與識(shí)別、火場(chǎng)紅外圖像監(jiān)測(cè)等系 統(tǒng)的目標(biāo)探測(cè)能力和定位精度。


圖l為本發(fā)明的圖像處理流程圖；圖2為本發(fā)明的工作流程圖；圖3為 本發(fā)明所采用的非抽樣Wavdet變換與傳統(tǒng)抽樣Wavelet變換對(duì)一維信號(hào)分解 的對(duì)比:傳統(tǒng)抽樣Wavelet變換與非抽樣Wavelet變換對(duì)一維信號(hào)進(jìn)行三層分 解的對(duì)比圖，其中(a)為傳統(tǒng)DWT分解示意圖，(b)為非抽樣Wavelet(UWT) 分解示意圖；圖4為本發(fā)明所采用的快速離散Curvdet變換的頻率空間區(qū)域 分塊圖。
具體實(shí)施方式
具體實(shí)施方式
一參見(jiàn)圖1 圖4，本實(shí)施方式由以下步驟組成步驟一對(duì)原始紅外圖像分別進(jìn)行Wavelet變換分解和Curvelet分解。首先，對(duì)輸入的原始紅外圖像進(jìn)行非抽樣Wavelet變換(Undecimated Wavelet Transform, UWT)分解。傳統(tǒng)的離散小波變換在分解信號(hào)時(shí)采用的是抽樣操作，這使得原始信號(hào) 的部分時(shí)域特征不能保留在分解結(jié)果中，'并且分解結(jié)果是平移可變的。為了 克服這一缺陷并得到更完整的被分析信號(hào)的特性，本發(fā)明采用了非抽樣小波 變換，其基本原理是不對(duì)信號(hào)進(jìn)行抽樣，因此它是平移不變的，，并且提供了 豐富的時(shí)域特征信息和精確的頻率局部化信息。非抽樣小波變換(Undecimated Wavelet Transform, UWT)是一種無(wú)抽取離 散小波變換方法，其在變換中沒(méi)有進(jìn)行下采樣操作，具有各向同性和平移不 變性。具體操作是利用高、低通濾波器frg)分別對(duì)圖像進(jìn)行濾波處理，每一 級(jí)處理之后便得到變換后的高低頻系數(shù)，然后對(duì)濾波器組fcri分別進(jìn)行隔行隔列上采樣，具體的采樣方法是在每一級(jí)分解時(shí)，對(duì)上一級(jí)濾波器進(jìn)行隔行、隔列插O處理,使得其濾波頻率范圍擴(kuò)大一倍。這樣通過(guò)UWT變換的圖像就可 以得到一系列的高頻分量和低頻分量，艮卩s-(s1^2，…，^,^0，其中，^是分 解到第j層的高頻系數(shù)，^是分解J層的低頻系數(shù)。其重構(gòu)方法如式(l)所示<formula>formula see original document page 6</formula>(1)戶o Z其中&g)分別為重構(gòu)高低通濾波器，為了能夠?qū)崿F(xiàn)完備的圖像重構(gòu)，其在頻域中與分解濾波器必須滿足式(2)關(guān)系<formula>formula see original document page 6</formula>(2)其中，//、 G分別是分解濾波器的頻域系數(shù)，#、 d分別是重構(gòu)濾波器的頻域 系數(shù)。其次，對(duì)輸入的原始紅外圖像進(jìn)行快速離散Curvelet分解。 在對(duì)圖像進(jìn)行Curvelet分解時(shí)，本發(fā)明采用的是快速離散Curvelet變換 (Fast Discrete Curvelet Transform, FDCT),即二代Curvelet變換。FDCT是在 原有的Curvelet變換基礎(chǔ)上發(fā)展起來(lái)的二代Cmvelet變換，其原理上簡(jiǎn)化，計(jì) 算更快速。 一代Curvelet變換是將圖像進(jìn)行子帶分解后不同尺度子帶圖像采用 不同大小的分塊，對(duì)每個(gè)塊進(jìn)行Ridgelet分解得到Curvelet系數(shù)，其變換構(gòu)造 中有7個(gè)參數(shù)，導(dǎo)致變換的數(shù)學(xué)分析比較復(fù)雜，且采用的層疊窗口實(shí)現(xiàn)加大了 變換實(shí)現(xiàn)的難度。FDCT將參數(shù)減少到3個(gè)，采用更簡(jiǎn)單、更透明的結(jié)構(gòu)來(lái)構(gòu) 造Curvelet變換，實(shí)現(xiàn)過(guò)程中無(wú)需用到Ridgelet分解，并且采用快速傅立葉變 換加速，大大簡(jiǎn)化了 Curvelet變換過(guò)程。在Curvelet變換的基礎(chǔ)上，F(xiàn)DCT可如下表述<formula>formula see original document page 6</formula>(3)式中,w是離散Curvdet(上標(biāo)D表示離散的)，式(3)是仿照式連續(xù)Curvelet 變換形式。FDCT采用同中心的方塊區(qū)域R來(lái)代替，以適合圖像在離散化處理時(shí)在二維笛卡爾坐標(biāo)系下的處理，其分塊方式如圖4顯示。FDCT定義的笛卡爾坐標(biāo)系下的局部窗為<formula>formula see original document page 6</formula> (4)其中<formula>formula see original document page 7</formula>上式中『是徑向窗函數(shù)，r是角度函數(shù)，r滿足<formula>formula see original document page 7</formula>， (D
為一維低通窗口的內(nèi)積<formula>formula see original document page 7</formula> (6)上式中^是基函數(shù)，引入相同間隔斜率<formula>formula see original document page 7</formula>,則<formula>formula see original document page 7</formula>(7)其中，剪切矩陣&=「 1 ^ ]，離散Curvelet定義為<formula>formula see original document page 7</formula>(8) b取2離散值"x2力，^ x2"72)。離散第二代Curvelet變換定義為<formula>formula see original document page 7</formula> (9)由于剪切塊《"x2-^2x2-^)不是標(biāo)準(zhǔn)矩形，不能采用FFT算法，將上式重寫(xiě)為<formula>formula see original document page 7</formula>(io)最后利用二維離散傅立葉變換<formula>formula see original document page 7</formula> (11)得到運(yùn)用FFT實(shí)現(xiàn)的FDCT<formula>formula see original document page 7</formula> (12)式中和￡2，;分別為窗口的長(zhǎng)度和寬度。在公式(12)中，,(;'，/,"表示不同分解尺度、不同方向下所對(duì)應(yīng)的Curvelet 變換系數(shù)，當(dāng)/ = 0且* = 0時(shí)，對(duì)應(yīng)的系數(shù)表示低頻分量，其余系數(shù)代表高頻分步驟二對(duì)非抽樣小波變換分解得到的Wavelet系數(shù)進(jìn)行處理，保留多 尺度下分解得到的高頻成分，將低頻成分置零。步驟三對(duì)快速離散Curvelet分解得到的Curvelet系數(shù)進(jìn)行處理，保留 多尺度下分解得到的高頻成分，將低頻成分置零。步驟四分別通過(guò)保留的Wavelet系數(shù)和Curvelet系數(shù)對(duì)分解的原始紅 外圖像進(jìn)行圖像重構(gòu)。首先，對(duì)Wavelet系數(shù)篩選采用的是將低頻系數(shù)置零的方法，對(duì)篩選后 得到的Wavelet系數(shù)進(jìn)行非抽樣小波逆變換，得到重構(gòu)的圖像。該步驟的處 理結(jié)果是經(jīng)過(guò)Wavelet變換背景抑制后的重構(gòu)圖像。其次，對(duì)Curvelet系數(shù)篩選采用的是將低頻系數(shù)置零的方法，對(duì)篩選后 得到的Curvelet系數(shù)進(jìn)行UWT逆變換，'得到重構(gòu)的圖像。該步驟的處理過(guò) 程的處理結(jié)果是經(jīng)過(guò)Curvdet變換背景抑制后的重構(gòu)圖像。步驟五通過(guò)多分辨率分解框架，對(duì)步驟四所得到的Wavelet系數(shù)重構(gòu) 圖像和Curvelet系數(shù)重構(gòu)圖像分別進(jìn)行圖像融合，得到最終的紅外圖像背景 抑制結(jié)果。步驟五中所述的圖像融合采用的是基于Wavelet的多分辨率特征融合， 具體過(guò)程為首先，利用非抽樣小波變換對(duì)步驟四所得到的兩幅重構(gòu)圖像分別進(jìn)行分 解，得到兩組Wavelet變換系數(shù)。其次，采用分塊的方式，分別在兩組Wavelet變換系數(shù)上計(jì)算對(duì)應(yīng)塊的 局部區(qū)域圖像熵。然后，根據(jù)局部區(qū)域圖像熵最大準(zhǔn)則，保留兩組Wavelet系數(shù)對(duì)應(yīng)塊的 圖像熵較大的系數(shù)塊。當(dāng)所有分塊都利用局部區(qū)域圖像熵最大準(zhǔn)則進(jìn)行了選 擇后，利用保留的圖像熵較大的分塊系數(shù)構(gòu)成完整的圖像重構(gòu)所需的系數(shù)。最后，對(duì)融合后的Wavelet系數(shù)利用非抽樣小波逆變換進(jìn)行圖像重構(gòu)， 得到最終輸出的結(jié)果圖像。在輸出的結(jié)果圖像中，紅外背景得到有效地抑制， 目標(biāo)信息(點(diǎn)特征、線特征)得到有效地保存。上述過(guò)程中的特征融合準(zhǔn)則采用的是局部區(qū)域圖像熵最大準(zhǔn)則。
權(quán)利要求
1、基于Wavelet和Curvelet變換的紅外圖像背景抑制方法，其特征在于它包括以下步驟步驟一、對(duì)原始紅外圖像分別進(jìn)行Wavelet變換分解和Curvelet變換分解；步驟二、對(duì)步驟一中分解得到的Wavelet系數(shù)，保留不同分辨率下的高頻分解系數(shù)，將低頻分解系數(shù)置零；步驟三、對(duì)步驟一中分解得到的Curvelet系數(shù)，保留不同分辨率下的高頻分解系數(shù)，將低頻分解系數(shù)置零；步驟四、分別通過(guò)保留的Wavelet系數(shù)和Curvelet系數(shù)對(duì)分解的原始紅外圖像進(jìn)行圖像重構(gòu)；步驟五、通過(guò)多分辨率分解框架，對(duì)步驟四所得到的Wavelet系數(shù)重構(gòu)圖像和Curvelet系數(shù)重構(gòu)圖像分別進(jìn)行圖像融合，得到最終的紅外圖像背景抑制結(jié)果。
2、 根據(jù)權(quán)利要求1所述的基于Wavelet和Curvelet變換的紅外圖像背景 抑制方法，其特征在于步驟一中所述的Wavelet變換分解采用的是非抽樣 Wavelet變換。
3、 根據(jù)權(quán)利要求1所述的基于Wavelet和Curvelet變換的紅外圖像背景 抑制方法，其特征在于步驟一中所述的Curvelet變換分解采用的是第二代 Curvelet變換。
4、 根據(jù)權(quán)利要求1所述的基于Wavelet和Curvelet變換的紅外圖像背景 抑制方法，其特征在于步驟五中所述的圖像融合采用的是基于Wavelet的多分 辨率特征融合。
5、 根據(jù)權(quán)利要求1.或4所述的基于Wavelet和Curvelet變換的紅外圖像 背景抑制方法，其特征在于步驟五中所述的特征融合準(zhǔn)則采用的是局部區(qū)域圖 像熵最大準(zhǔn)則。
全文摘要
基于Wavelet和Curvelet變換的紅外圖像背景抑制方法，它涉及一種紅外圖像處理方法，以解決在紅外圖像處理領(lǐng)域內(nèi)對(duì)背景干擾進(jìn)行抑制的方法存在的在實(shí)現(xiàn)背景雜波抑制的同時(shí)也會(huì)抑制掉有用的目標(biāo)信息的問(wèn)題。對(duì)原始紅外圖像分別進(jìn)行Wavelet變換分解和Curvelet變換分解；分別對(duì)Wavelet系數(shù)和Curvelet系數(shù)保留不同分辨率下的高頻分解系數(shù)，將低頻分解系數(shù)置零；分別通過(guò)保留的Wavelet系數(shù)和Curvelet系數(shù)對(duì)分解的原始紅外圖像進(jìn)行圖像重構(gòu)；通過(guò)多分辨率分解框架，對(duì)步驟四所得到的Wavelet系數(shù)重構(gòu)圖像和Curvelet系數(shù)重構(gòu)圖像分別進(jìn)行圖像融合，得到最終的紅外圖像背景抑制結(jié)果。
文檔編號(hào)G06T5/50GK101404084SQ20081013753
公開(kāi)日2009年4月8日 申請(qǐng)日期2008年11月14日 優(yōu)先權(quán)日2008年11月14日
發(fā)明者星 劉, 曄 張, 谷延鋒, 琰 郭, 韓景龍 申請(qǐng)人:哈爾濱工業(yè)大學(xué)