專利名稱：一種弱小目標圖像的自適應恢復增強方法
技術領域：
本發(fā)明屬于氣動光學與圖像處理相結合的交叉科學技術領域，具體涉及一種弱小目標圖像的自適應恢復增強方法。
背景技術：
氣動光學是研究高速流場對高速飛行器成像探測影響的一門學科。帶有光學成像探測系統(tǒng)的高速飛行器在大氣層內(nèi)飛行時，光學頭罩與來流之間的相互作用形成復雜的流場，對光學成像探測系統(tǒng)造成除熱輻射外的光學波前傳輸畸變或傳輸干擾，引起觀測對象圖像的偏移、抖動、模糊，從而無法正確探測到目標，需要圖像恢復處理，以獲得清晰的目標。點源/斑狀目標經(jīng)氣動光學效應退化后信號很弱，再經(jīng)過傳感器和信道傳輸又會引入噪聲，直接檢測識別則會出現(xiàn)漏檢和誤檢的問題，需要先進行圖像校正處理去除模糊提高點/斑狀目標能量的集中度。點源/斑狀目標在圖像中所占的比例小，但是目前經(jīng)典的算法是針對全圖進行的，不僅浪費很多校正時間，達不到實時性的要求，而且校正性能不好達不到預期的效果，必須發(fā)明新的校正方法。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種弱小目`標圖像的自適應恢復校正方法，該方法構造了邊校正、邊檢測，校正與檢測互動的處理流程，由開始全圖，約束到若干感興趣區(qū)域，保證校正的實時性、智能化和有效性，實現(xiàn)了空間自適應的弱小目標圖像恢復校正。本發(fā)明提供的一種弱小目標圖像的自適應恢復增強方法，其步驟包括:(I)利用光學成像探測系統(tǒng)獲取氣動光學模糊圖像g，圖像大小為M*N，作為觀測圖像；(2)對氣動光學模糊圖像g進行校正增強，得到的初始校正圖像/;(3)對初始校正圖像./進行分割，找出感興趣的區(qū)域i;，./;，..../:,，m為感興趣區(qū)域的數(shù)目；(4)對感興趣的區(qū)域 ,…,再依次進行恢復增強，得到新校正圖像;^ ;(5)將得到的新校正圖像I拼接到其在初始校正圖像^的相應位置。傳統(tǒng)的對點源/斑狀目標的校正增強總是對全圖進行，沒有充分考量點源/斑狀目標在全圖中所占區(qū)域都是很小的特點，不僅浪費很多校正時間，達不到實時性的要求，而且校正結果不好達不到預期的效果。本發(fā)明所提出的對點源/斑狀目標圖像的校正增強方法中要求算法邊校正增強，邊檢測；由開始全圖，約束到若干感興趣區(qū)，保證校正的實時性、智能化和效果。


圖1是本發(fā)明的點源/斑狀目標恢復增強方法的流程圖2是最大似然估計算法(MAP)的流程圖。圖3是根據(jù)初步校正圖像/找出感興趣區(qū)域f1;f2，…乙的流程圖。圖4a、4b、4c、4d、4e、4f、4g、4h和4i是無噪模糊圖像的全圖校正增強和本發(fā)明提出的校正增強算法的實驗結果對比示意圖。圖5a、5b、5c、5d和5e是第一種退化圖像的全圖校正增強和本發(fā)明提出的校正增強算法的實驗結果對比示意圖；圖6a、6b、6c、6d和6e是第二種退化圖像的全圖校正增強和本發(fā)明提出的校正增強算法的實驗結果對比示意圖。圖7a、7b、7c、7d和7e是第一種無噪模糊圖像的全圖校正增強和本發(fā)明提出的校正增強算法的一種實驗結果對比示意圖。圖8a、8b、8c、8d和8e是第三種退化圖像的全圖校正增強和本發(fā)明提出的校正增強算法的實驗結果對比示意圖。圖9a、9b、9c、9d和9e是第四種退化圖像的全圖校正增強和本發(fā)明提出的校正增強算法的實驗結果對比示意圖。圖10a、10b、10c、10d和IOe是第五種退化圖像的全圖校正增強和本發(fā)明提出的校正增強算法的實驗結果對比示意圖。圖lla、llb、llc、lld、lle、llf、llg、llh和Ili是第二種無噪模糊圖像的全圖校正
增強和本發(fā)明提出的校正增強算法的一種實驗結果對比示意圖。圖12a、12b、12c、12d和12e是第六種退化圖像的全圖校正增強和本發(fā)明提出的校正增強算法的實驗結果對比示意圖。圖13a、13b、13c、13d和13e是第七種退化圖像的全圖校正增強和本發(fā)明提出的校正增強算法的實驗結果對比示意圖。
具體實施例方式本發(fā)明方法流程如圖1所示，其中全圖校正及感興趣區(qū)域的校正算法可以利用現(xiàn)有對弱小目標恢復增強的有效校正算法如最大似然估計算法(MAP)，期望最大化校正算法(EM)，遞歸逆濾波盲目去卷積校正算法(NLF)。為了便于闡述該發(fā)明方法，下面在具體步驟階段全圖校正及感興趣區(qū)域校正我們使用最大似然估計算法(MAP)。在具體介紹算法前，我們定義一些變量:X:表示目標圖像f和觀測圖像g的支持域(一般兩者的支持域是相同的，X e R2)；X1:表示感興趣區(qū)域校正圖像和感興趣區(qū)域gi的支持域(一般兩者的支持域是相同的，Xi e R2)；Y:表示點擴散函數(shù)圖像h的支持域(Y e R2)；Y1:表示點擴散函數(shù)圖像^"的支持域(Yi e R2)；g(x):表示觀測圖像g中位置x(x e X)的像素值；f (x):表示校正圖像f中位置x(x e X)的像素值；9UI):表示圖像 中位置U，j)的像素值;h(x):表示點擴 散函數(shù)h中位置x(x e Y)的像素值。如圖1所示，本發(fā)明提供的弱小目標圖像的自適應恢復校正方法，其步驟包括:
(I)利用光學成像探測系統(tǒng)獲取氣動光學模糊圖像g，圖像大小為M*N，作為觀測圖像。(2)對步驟I獲取的氣動光學模糊圖像g進行校正增強；(2.1)用最大似然估計算法對整幅圖像進行校正，其流程如圖2所示:創(chuàng)建一幅與模糊圖像g大小相同，灰度值卻全
權利要求
1.一種弱小目標圖像的自適應恢復增強方法，其步驟包括: (1)利用光學成像探測系統(tǒng)獲取氣動光學模糊圖像g，圖像大小為M*N，作為觀測圖像； (2)對氣動光學模糊圖像g進行校正增強，得到的初始校正圖像/; (3)對初始校正圖像^進行分割，找出感興趣的區(qū)域…尤，m為感興趣區(qū)域的數(shù)目； (4)對感興趣的區(qū)域無義，…大，再依次進行恢復增強，得到新校正圖像/; (5)將得到的新校正圖像又拼接到其在初始校正圖像的相應位置。
2.根據(jù)權利要求1所述的自適應恢復增強方法，其特征在于，步驟(2)采用最大似然估計算法對氣動光學模糊圖像g進行校正增強，得到初始校正圖像/ ,
3.根據(jù)權利要求1所述的自適應恢復增強方法，其特征在于，步驟(3)包括下述過程:(3.1)計算初始校正圖像j的所有像素的灰度值總和
4.根據(jù)權利要求1、2或3所述的自適應恢復增強方法，其特征在于，步驟(4)采用最大似然估計算法對感興趣的區(qū)域i;X-"I，再依次進行恢復增強。
5.根據(jù)權利要求4所述的自適應恢復增強方法，其特征在于，所述最大似然估計算法包括下述過程:(4.1)令 i 為 I ; (4.2)感興趣區(qū)觀測圖像 (4.3)用最大似然估計算法對感興趣區(qū)的觀測圖像gi進行再校正: 創(chuàng)建一幅與感興趣區(qū)模糊圖像gi大小相同，灰度為I中相應位置的灰度值作為點擴展的迭代初值圖像PSFi,即V = PSF1，將觀測圖像gi作為目標圖像^的迭代初值，即f =&,并設置迭代次數(shù)為Li進行迭代，迭代公式如下:
全文摘要
本發(fā)明公開了一種弱小目標圖像的自適應恢復增強方法，步驟為①利用光學成像探測系統(tǒng)獲取氣動光學模糊圖像g，圖像大小為M*N，作為觀測圖像；②對氣動光學模糊圖像g進行校正增強，得到的初始校正圖像③對初始校正圖像進行分割，找出感興趣的區(qū)域m為感興趣區(qū)域的數(shù)目；④對感興趣的區(qū)域再依次進行恢復增強，得到新校正圖像⑤將得到的新校正圖像拼接到其在初始校正圖像的相應位置。本發(fā)明構造了邊校正、邊檢測，校正與檢測互動的處理流程，由開始全圖，約束到若干感興趣區(qū)域，保證校正的實時性、智能化和有效性，實現(xiàn)了空間自適應的弱小目標圖像恢復校正。
文檔編號G06T5/00GK103150705SQ20121052543
公開日2013年6月12日 申請日期2012年12月6日 優(yōu)先權日2012年12月6日
發(fā)明者張?zhí)煨? 左芝勇, 關靜, 周剛, 劉立, 朱生國, 張超, 王正 申請人:華中科技大學