一種雙模非局部均值濾波方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理與目標(biāo)檢測(cè)技術(shù)領(lǐng)域，更具體地，是一種用于弱小運(yùn)動(dòng)目標(biāo) 提取的雙模非局部均值濾波方法。
【背景技術(shù)】
[0002] 在復(fù)雜背景且信噪比較低的情況下，圖像序列中弱小運(yùn)動(dòng)目標(biāo)的檢測(cè)一直是圖像 處理領(lǐng)域中比較困難的問(wèn)題。當(dāng)目標(biāo)處于遠(yuǎn)距離時(shí)，它們?cè)谙衩嫔蟽H占幾個(gè)像素，無(wú)形狀 與結(jié)構(gòu)特征，且強(qiáng)度較弱，并處于復(fù)雜背景下，被看作是復(fù)雜環(huán)境下的弱小目標(biāo)。弱小運(yùn)動(dòng) 目標(biāo)處于復(fù)雜背景中時(shí)，由于目標(biāo)和背景的雙重復(fù)雜性，使得目標(biāo)檢測(cè)的難度大為增加。因 此，對(duì)復(fù)雜背景下弱小運(yùn)動(dòng)目標(biāo)的檢測(cè)技術(shù)的研究，對(duì)于提高現(xiàn)代化高技術(shù)武器的作戰(zhàn)距 離及反應(yīng)速度具有重要意義。
[0003] 目標(biāo)檢測(cè)算法按照目標(biāo)增強(qiáng)和背景估計(jì)兩個(gè)方面的思路進(jìn)行分類(lèi)。目標(biāo)增強(qiáng)的 本質(zhì)是充分利用目標(biāo)本身所固有的、規(guī)律性的多種特性，使變換后的目標(biāo)特性得到有效的 增強(qiáng)，改進(jìn)目標(biāo)特性的顯著性和與背景的分離性；而背景估計(jì)的本質(zhì)是充分利用背景本身 所固有的、規(guī)律性的變化特性，使變換后的背景特性具有某種相對(duì)的穩(wěn)定性，改進(jìn)背景估計(jì) 的精度和與目標(biāo)特性的分離性。在目標(biāo)的可利用特征有限的情況下，背景估計(jì)方法更有優(yōu) 勢(shì)。圖像中的任何一個(gè)像素都不是孤立的，而是與其周?chē)南袼攸c(diǎn)結(jié)合在一起，共同構(gòu)成圖 像的幾何結(jié)構(gòu)。W某一像素點(diǎn)為中也的窗口鄰域（或稱(chēng)圖像塊），可W很好地描述像素點(diǎn)的 結(jié)構(gòu)特征。任何一個(gè)像素點(diǎn)的圖像塊的所有集合，可W看作是圖像的一種過(guò)完備表示。另 夕F，圖像還具有自相似性質(zhì)，也就是說(shuō)，處于圖像中不同位置上的像素點(diǎn)常常表現(xiàn)出明顯的 強(qiáng)相關(guān)性。
[0004] 對(duì)于背景估計(jì)算法，國(guó)內(nèi)外學(xué)者已做了很多富有成效的工作。簡(jiǎn)單的時(shí)空域?yàn)V波 方法如高通濾波，中值濾波，匹配濾波等無(wú)法滿(mǎn)足復(fù)雜背景下弱小目標(biāo)的提取需求，基于小 波變換的濾波方法對(duì)小波基的選取要求較高，簡(jiǎn)單的小波基對(duì)弱小目標(biāo)提取的效果并不理 想，而復(fù)雜的小波基又在計(jì)算復(fù)雜度和計(jì)算量上有待改進(jìn)。固定權(quán)值背景預(yù)測(cè)算法是最簡(jiǎn) 單的線(xiàn)性低通濾波背景預(yù)測(cè)算法，計(jì)算簡(jiǎn)單快捷，但不適用于預(yù)測(cè)強(qiáng)起伏的背景；基于形態(tài) 學(xué)濾波的背景預(yù)測(cè)利用形態(tài)學(xué)中腐蝕與膨脹操作的對(duì)稱(chēng)性可W很好地估計(jì)出背景。膨脹運(yùn) 算使得在比結(jié)構(gòu)元素小的區(qū)域中的黑色細(xì)節(jié)將被減少或去除，腐蝕運(yùn)算使得在比結(jié)構(gòu)元素 小的區(qū)域中的明亮細(xì)節(jié)經(jīng)腐蝕后將被減少或去除，其結(jié)果與高通濾波器是相似的，雖然在 抑制噪聲方面有一些優(yōu)點(diǎn)，但對(duì)低信噪比圖像的小目標(biāo)檢測(cè)性能有限，而且形態(tài)學(xué)濾波中 對(duì)結(jié)構(gòu)元的選取要求很高。非局部均值濾波方法是由Buades提出的一種基于單一模型的 空域?yàn)V波方法，利用對(duì)含噪聲的圖像的背景估計(jì)得到去噪圖像，針對(duì)高斯噪聲非常有效，但 用于弱小目標(biāo)檢測(cè)中的背景抑制會(huì)導(dǎo)致目標(biāo)丟失。
[0005] 基于背景估計(jì)原理的目標(biāo)檢測(cè)算法，其難點(diǎn)在于需要在目標(biāo)存在的情況下精確地 估計(jì)出不含目標(biāo)的背景，由于背景估計(jì)過(guò)程建立在原始圖像之上，往往會(huì)受到目標(biāo)的影響 而無(wú)法估計(jì)出正確背景，導(dǎo)致目標(biāo)殘留，得出的殘差圖像中目標(biāo)丟失，檢測(cè)率降低。而且預(yù) 警系統(tǒng)中的目標(biāo)檢測(cè)算法受到星上運(yùn)算系統(tǒng)的限制，計(jì)算量和存儲(chǔ)量都有一定要求，因此 實(shí)時(shí)魯棒的小目標(biāo)自動(dòng)檢測(cè)技術(shù)尚未完全突破。

【發(fā)明內(nèi)容】

[0006] 針對(duì)現(xiàn)有技術(shù)的W上缺陷或改進(jìn)需求，本發(fā)明提供了一種雙模非局部均值濾波方 法，能對(duì)圖像原始背景進(jìn)行估計(jì)，從而對(duì)背景抑制結(jié)果進(jìn)行目標(biāo)提取，有效地解決了由于復(fù) 雜背景造成的強(qiáng)雜波干擾W及弱小目標(biāo)可利用特征有限的問(wèn)題，提高了復(fù)雜背景下弱小目 標(biāo)的檢測(cè)概率。
[0007]為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種雙模非局部均值濾波方法，包括如下步 驟：
[000引（1)圖像數(shù)據(jù)輸入：
[0009] 輸入待處理的圖像序列；
[0010] (2)濾波模型參數(shù)確定：
[0011] 根據(jù)目標(biāo)先驗(yàn)知識(shí)確定濾波模型參數(shù)；
[0012] (3)相似窗和干涉區(qū)域定位：
[0013] 根據(jù)圖像中的待處理像素為中也劃定相似窗，并在下一峽圖像中確定干涉區(qū)域范 圍；
[0014] (4)匹配向量提?。?br>[0015]W干涉區(qū)域中當(dāng)前像素確定匹配窗，根據(jù)（3)中的相似窗和當(dāng)前匹配窗的像素灰 度值得到相似窗向量和匹配窗向量；
[0016] (5)背景模型和目標(biāo)模型相似度測(cè)量：
[0017] 利用步驟（4)中的相似窗向量和匹配窗向量進(jìn)行背景模型和目標(biāo)模型的相似度 測(cè)量。
[001引 （6)雙模權(quán)值計(jì)算
[0019]根據(jù)步驟巧）中的背景模型和目標(biāo)模型相似度測(cè)量值計(jì)算雙模權(quán)值。
[0020] (7)背景估計(jì)值計(jì)算：
[0021] 判斷當(dāng)前處理的匹配窗是否是W干涉區(qū)域內(nèi)最后一個(gè)像素為中也的匹配窗，如果 滿(mǎn)足條件，貝村Ij用步驟（4)-(6)得到的所有匹配窗中也像素值和該匹配窗的權(quán)值獲得待處 理像素對(duì)應(yīng)的估計(jì)值然后進(jìn)行步驟巧），否則返回步驟（4)繼續(xù)處理干涉區(qū)域下一個(gè)像素； [00過(guò) 做殘差獲?。?br>[0023] 判斷當(dāng)前處理像素是否為圖像中最后一個(gè)像素，如果滿(mǎn)足條件，則將所得估計(jì)背 景圖像與原始圖像作差，得到目標(biāo)得到增強(qiáng)而背景得到抑制的圖像，否則轉(zhuǎn)到步驟（3)處 理圖像中的下一像素。
[0024] 在本發(fā)明的一個(gè)實(shí)施例中，在步驟（2)濾波模型參數(shù)確定步驟中，根據(jù)輸入的目 標(biāo)尺寸的先驗(yàn)知識(shí)確定濾波模型的尺寸，濾波模版分別為相似窗，匹配窗和干涉區(qū)域，相似 窗和匹配窗尺寸相同，都為RXR，干涉區(qū)域大小為L(zhǎng)XL，且滿(mǎn)足R《L< 2R，窗口模版分為 目標(biāo)模型和背景模型區(qū)域，目標(biāo)模型為W待處理像素為中也的中央小型窗rXr大小的區(qū) 域B，背景模型區(qū)域?yàn)槭Ｏ虏糠纸M成的環(huán)形區(qū)域A，目標(biāo)尺寸若不超過(guò)tXt像素塊大小，貝U r, 1:，R的關(guān)系滿(mǎn)足R>r=t，一般取值為R=r+2,L=R+2。
[0025]目標(biāo)模型權(quán)值采用高斯模型《=exp(-DlSe/tg計(jì)算權(quán)值，背景模型采用復(fù)合指 數(shù)模型W=exp化i/值ISa+1))計(jì)算權(quán)值。其中DISa和DISe分別為背景模型和目標(biāo)模型的