CN103049889A - 一种强噪声气动光学效应退化图像的预处理方法 - Google Patents

Abstract

本发明公开了一种强噪声气动光学效应退化图像的预处理方法，该方法包括下述步骤：(1)获取强噪声气动光学效应退化图像g，图像大小为M×N；(2)对退化图像g进行保结构频域滤波处理，得到去噪图像g1；(3)利用最大似然估计算法，对去噪图像g1进行校正，得到校正图像

本发明提出的图像预处理方法，在分析噪声/目标的空频特性的基础上，提出了有效的频域滤波去噪方法，在去噪的同时尽可能保留图像的边缘和细节信息。并与现有的气动光学效应校正算法结合起来，实现了强噪声气动光学效应退化图像的良好校正恢复。

Description

一种强噪声气动光学效应退化图像的预处理方法

技术领域

本发明属于气动光学与图像处理相结合的交叉科学技术领域，具体涉及了一种强噪声气动光学效应退化图像的预处理方法。

背景技术

带有红外成像探测系统的高速飞行器在大气层内飞行时，其光学头罩与来流之间形成复杂的流场，流场对红外成像探测系统的热辐射和场景红外信号传输的干扰，引起目标图像饱和、反差降低、偏移、抖动、模糊等，这种不利的效应称为气动光学效应。与此同时，由于成像设备的影响，获得的图像还含有很强的传感器噪声。气动光学效应和强烈的传感器噪声严重地影响了成像探测系统对目标的探测、精确定位和跟踪精度。因此，必须开展相关的数字图像预处理工作。

通常情况下，由于成像条件和传感器的影响，图像往往会被噪声污染。噪声的强度一般采用信噪比(snr)和分贝数(dB)来定义。信噪比即是图像中信号和噪声的功率比值，信噪比和分贝数的转换关系为

dB＝10log₁₀snr

一般情况下，气动光学效应退化图像的预处理主要是对图像进行去模糊(图像校正)。但是，去模糊是图像退化的逆过程，噪声在该过程中会被放大。现有的气动光学效应校正算法的抗噪能力还很低，在强噪声条件下，算法效果常常很差，甚至于算法失效。

而强噪声可能正是高速飞行条件下成像的实际情况。如在动平台条件下成像，成像积分时间很短，导致了传感器噪声很强；或者由于成像条件太差，目标距离成像太远，目标辐射强度很低，导致了噪声相对较强。因此，开展高速飞行条件下的数字图像预处理工作，需要将图像去噪算法与校正算法结合起来，以提升预处理的抗噪能力。

同时，传统的去噪方法一般是利用一个低通滤波器对图像进行滤波，去除图像频谱中的高频成分，从而实现对图像的去噪。利用传统的低通滤波器对空间目标图像进行去噪，会在去除噪声的同时丢失图像的边缘和细节信息，使得图像更加模糊，增加了后续处理工作(如图像校正、目标识别等)的难度。

因此，需要研究有效的图像去噪方法，使得在对图像去噪的同时保留图像的边缘和细节信息，减小噪声对气动光学效应校正算法的影响，降低图像预处理和后续处理的难度。

由噪声的空间特性：(1)无方向性；(2)空间局部性，支撑域很小。可合理定义噪声的频谱特性为：(1)其在幅频谱中没有方向性；(2)在幅频谱中距离原点较远，即处于图像幅频谱的中高频部分。

由目标形状的空间特性：(1)目标有较大的支撑域，具有空间多尺度特性；(2)目标的各个部件具有空间方向性。可合理定义目标的频谱特性：(1)目标的支撑域大表明其会有充分的低频成分；(2)目标的组成部件具有带方向性的高频或中频成分，即沿着其结构走向表现为低频，垂直结构走向表现为高频。

综上所述，根据噪声和目标的空频特性，可研究相应的图像去噪方法，尽可能地保留目标信息和去除噪声干扰，减小图像校正的难度。并和现有的气动光学效应校正算法结合起来，形成一个具有良好抗噪能的预处理过程。

发明内容

本发明的目的在于提供一种强噪声气动光学效应退化图像的预处理方法，该方法实现了强噪声气动光学效应退化图像的良好校正恢复。

本发明提供的一种强噪声气动光学效应退化图像的预处理方法，其步骤包括：

(1)获取强噪声气动光学效应退化图像g，图像大小为M×N；

(2)对退化图像g进行保结构频域滤波处理，得到去噪图像g1；

(3)对去噪图像g1进行校正，得到校正图像

作为上述技术方案的改进，步骤(2)包括下述过程：

(2.1)将退化图像g变换到频域，并将其中心化，得到退化图像g的中心化频谱G；

(2.2)构造滤波器函数H；判断中心化频谱G的方向性，并设定参数r_i，i＝0，1，2，3和λ，其中r_i为频谱F中需抑制的高频分量半径，λ为最终保留高频成分的百分比，其中， $1\≤r_i\≤\sqrt{M^2+N^2}/2,$ 0≤λ≤1；

构造的滤波器函数H由下式定义：

$H(u,v)=\left\{\begin{array}{cc}1& (u,v)\∈\mathrm{\Ω}-{\mathrm{\Ω}}_0\\ \mathrm{\λ}& (u,v)\∈{\mathrm{\Ω}}_0\end{array}\right.$

其中(u，v)表示图像频谱的点坐标，区域Ω是整个频谱空间，Ω₀是以中心化频谱G的4个角为圆心，r_i为半径的四个

圆；

(2.3)将频谱G与滤波器函数H点乘，得到频谱G1，实现对图像g的频域滤波；即G1＝G.*H，其中.*表示点乘，其意义为G1的每个点均为G和H对应点的乘积，即

G1(u，v)＝G(u，v)*H(u，v)(u，v)∈Ω

(2.4)将频谱G1进行反傅立叶变换，并对反变换结果取模，即得到滤波后图像g1，即g1＝|IFFT(G1)|，其中|.|表示取模运算，IFFT(G1)表示对G1做反傅立叶变换。

作为上述技术方案的进一步改进，步骤(3)利用最大似然估计算法，对去噪图像g1进行校正，具体包括下述过程：

(3.1)设定校正算法的迭代初值，目标初值f⁰＝g1，点扩展函数初值h⁰设定为一个高斯函数；和最大迭代次数L；

(3.2)通过迭代对图像进行校正，迭代公式如下：

$h^{n+1}\left(x\right)=h^n\left(x\right)(\frac{g1\left(x\right)}{h^n\left(x\right)\⊗f^n\left(x\right)}\⊗f^n(-x))$

$f^{n+1}\left(x\right)=f^n\left(x\right)(\frac{g1\left(x\right)}{f^n\left(x\right)\⊗h^{n+1}\left(x\right)}\⊗h^{n+1}(-x))$

上述式中，f^k表示目标图像的第k次估计，h^k表示点扩展函数的第k次估计，

表示求卷积，x是一个二维向量，表示图像空间中的像素点坐标；

(3.3)达到规定的迭代次数n＝L，得到校正图像即以及总体点扩展函数

一般的图像预处理方法将去噪和校正看作是相互独立的，在去噪的时候没有考虑其操作给后续校正工作带来的影响，因此在去噪的同时丢失了大量的图像边缘和细节信息，降低了图像校正的质量。本发明提出的图像预处理方法，在分析噪声/目标的空频特性的基础上，提出了有效的频域滤波去噪方法，在去噪的同时尽可能保留图像的边缘和细节信息。并与现有的气动光学效应校正算法结合起来，实现了强噪声气动光学效应退化图像的良好校正恢复。

附图说明

图1是本发明的强噪声气动光学效应退化图像校正恢复方法流程图，图1a是本发明的校正恢复方法总体流程图；图1b是本发明的保结构频域滤波方法流程图；图1c是本发明的气动光学效应校正方法流程图。

图2是构造滤波器函数是确定区域Ω₀的示意图。

图3是最大似然估计校正算法点扩展函数迭代初值的三维显示。

图4a、4b、4c是Hubble仿真图像的气动光学效应退化实验结果。

图5a、5b、5c、5d、5e和5f是对于第一幅退化图像使用本发明提出的预处理方法的实验结果及其与直接校正、理想低通滤波后校正的结果对比示意图。

图6a、6b、6c、6d、6e和6f是对于第二幅退化图像使用本发明提出的预处理方法的实验结果及其与直接校正、理想低通滤波后校正的结果对比示意图。

图7a、7b、7c是某地面目标仿真图像的气动光学效应退化实验结果。

图8a、8b、8c、8d、8e和8f是对于第三幅退化图像使用本发明提出的预处理方法的实验结果及其与直接校正、理想低通滤波后校正的结果对比示意图。

图9a、9b、9c、9d、9e和9f是对于第四幅退化图像使用本发明提出的预处理方法的实验结果及其与直接校正、理想低通滤波后校正的结果对比示意图。

具体实施方式

下面结合附图和实例对本发明作进一步详细的说明。

如图1(a)所示，本发明方法包括下述步骤：

(1)利用成像装置获取强噪声退化图像g，图像大小为M×N。

(2)对图像数据g进行保结构频域滤波处理，得到去噪图像g1。其具体过程为：

(2.1)将含噪的图像数据g变换到频域，并将其中心化，得到图像数据g的中心化频谱G。

(2.2)构造滤波器函数H。判断中心化频谱G的方向性，并设定参数r_i，i＝0，1，2，3和λ，其中r_i为频谱F中需抑制的高频分量半径，λ为最终保留高频成分的百分比，其中， $1\≤r_i\≤\sqrt{M^2+N^2}/2,$ 0≤λ≤1。

构造的滤波器函数H由下式定义：

$H(u,v)=\left\{\begin{array}{cc}1& (u,v)\∈\mathrm{\Ω}-{\mathrm{\Ω}}_0\\ \mathrm{\λ}& (u,v)\∈{\mathrm{\Ω}}_0\end{array}\right.$

其中(u，v)表示图像频谱中频谱坐标即点坐标，区域Ω是整个频谱空间，Ω₀是以频谱G的4个角为圆心，r_i为半径的四个

圆，如图2所示。在具体实验中我们取 $r_i=\sqrt{M^2+N^2}/4(i=\mathrm{0,1,2,3})\·$

如图2所示，图中白色区域为即为Ω₀，灰色区域为Ω-Ω₀。

(2.3)将频谱G与滤波器函数H点乘，得到频谱G1，实现对图像g的频域滤波。即G1＝G.*H，其中.*表示点乘，其意义为G1的每个点均为G和H对应点的乘积，即

G1(u，v)＝G(u，v)*H(u，v)(u，v)∈Ω

(2.4)将频谱G1进行反傅立叶变换，并对反变换结果取模，即得到滤波后图像g1。即g1＝|IFFT(G1)|，其中|.|表示取模运算，IFFT(G1)表示对G1做反傅立叶变换。

(3)图像校正算法可以利用现有的有效校正算法如最大似然估计算法(MAP)，期望最大化校正算法(EM)，递归逆滤波盲目去卷积校正算法(NLF)。为了便于阐述该发明方法，下面在具体步骤阶段我们使用最大似然估计算法，对去噪图像g1进行校正，得到校正图像

和估计的点扩展函数

(3.1)设定校正算法的迭代初值，目标初值f⁰＝g1，点扩展函数初值h⁰设定为一个高斯函数；和最大迭代次数L(20≤L≤50)。

图3显示了一个二维高斯函数，该高斯函数是可分的，其在X方向和Y方向的标准差都为5。

(3.2)通过迭代对图像进行校正。迭代公式如下：

$h^{n+1}\left(x\right)=h^n\left(x\right)(\frac{g1\left(x\right)}{h^n\left(x\right)\⊗f^n\left(x\right)}\⊗f^n(-x))$

$f^{n+1}\left(x\right)=f^n\left(x\right)(\frac{g1\left(x\right)}{f^n\left(x\right)\⊗h^{n+1}\left(x\right)}\⊗h^{n+1}(-x))$

上述式中，f^k表示目标图像的第k次估计，h^k表示点扩展函数的第k次估计，

表示求卷积，x是一个二维向量，表示图像空间中的像素点坐标。

(3.3)达到规定的迭代次数n＝L，得到校正图像

即

以及总体点扩展函数

实例：

图4是Hubble仿真图像的气动光学效应退化实验结果，其点扩展函数支撑域为10X10；图4a是Hubble仿真图像；图4b是Hubble的气动光学效应效应退化仿真图像；图4c是Hubble仿真图像退化的点扩展函数三维显示。

图5是在Hubble气动光学效应退化图像(即图4b)上叠加了信噪比为5db(即snr＝3.16)的高斯白噪声后，本发明提出的预处理方法的实验结果及其与直接校正、理想低通滤波后校正的结果对比；图5a是在Hubble气动光学效应退化图像(即图4b)上叠加了信噪比为5db的高斯白噪声后的图像；图5b是直接利用最大似然估计算法对图5a进行校正的结果；图5c是图5a经过理想低通滤波后最大似然估计算法校正的图像；图5d是图5a经过频域滤波后的去噪图像；图5e是去噪图像(图5d)经过最大似然估计算法校正后图像；图5f是校正估计的点扩展函数的三维显示。

图6是在Hubble气动光学效应退化图像(即图4b)上叠加了信噪比为3db(即snr＝1.99)的高斯白噪声后，本发明提出的预处理方法的实验结果及其与直接校正、理想低通滤波后校正的结果对比；图6a是在Hubble气动光学效应退化图像(即图4b)上叠加了信噪比为3db的高斯白噪声后的图像；图6b是直接利用最大似然估计算法对图5a进行校正的结果；图6c是图6a经过理想低通滤波后最大似然估计算法校正的图像；图6d是图6a经过频域滤波后的去噪图像；图6e是去噪图像(图6d)经过最大似然估计算法校正后图像；图6f是校正估计的点扩展函数的三维显示。

图7是某地面目标仿真图像的气动光学效应退化实验结果。其点扩展函数支撑域为10X10；图7a是某地面目标仿真图像；图7b是某地面目标的气动光学效应效应退化仿真图像；图7c是某地面目标仿真图像退化的点扩展函数三维显示。

图8是在某地面目标气动光学效应退化图像(即图7b)上叠加了信噪比为5db(即snr＝3.16)的高斯白噪声后，本发明提出的预处理方法的实验结果及其与直接校正、理想低通滤波后校正的结果对比；图8a是在某地面目标气动光学效应退化图像(即图7b)上叠加了信噪比为5db的高斯白噪声后的图像；图8b是直接利用最大似然估计算法对图5a进行校正的结果；图8c是图8a经过理想低通滤波后最大似然估计算法校正的图像；图8d是图8a经过频域滤波后的去噪图像；图8e是去噪图像(图8d)经过最大似然估计算法校正后图像；图8f是校正估计的点扩展函数的三维显示。

图9是在某地面目标气动光学效应退化图像(即图7b)上叠加了信噪比为3db(即snr＝1.99)的高斯白噪声后，本发明提出的预处理方法的实验结果及其与直接校正、理想低通滤波后校正的结果对比；图9a是在某地面目标气动光学效应退化图像(即图7b)上叠加了信噪比为3db的高斯白噪声后的图像；图9b是直接利用最大似然估计算法对图5a进行校正的结果；图9c是图9a经过理想低通滤波后最大似然估计算法校正的图像；图9d是图9a经过频域滤波后的去噪图像；图9e是去噪图像(图9d)经过最大似然估计算法校正后图像；图9f是校正估计的点扩展函数的三维显示。

步骤(1)所获取的图像数据如图5a、6a、8a、9a所示，获得的图像为叠加了强烈高斯白噪声(信噪比不高于5db)的气动光学效应退化图像。

经过步骤(2.4)处理后的结果如图5b、6b、8b、9b所示，都是对加噪后的气动光学效应退化图像进行频域滤波的结果。可以看出，图中噪声大部分被去除，图像也保留了大部分的边缘和细节信息。

经过本发明方法处理后的结果如图5c、6c、8c、9c所示，去噪后的图像经过校正算法的处理，其能量得到了聚集，在一定程度上消除了气动光学效应导致的能量扩散。

通过比较图5f，6f与4c；8f，9f与7c可以看出，本专利发明的方法估计的点扩散函数与原始退化的点扩散函数几乎相同。

本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。

Claims (3)

1.一种强噪声气动光学效应退化图像的预处理方法，其特征在于，该方法包括下述步骤：

(1)获取强噪声气动光学效应退化图像g，图像大小为M×N；

(2)对退化图像g进行保结构频域滤波处理，得到去噪图像g1；

(3)对去噪图像g1进行校正，得到校正图像

2.根据权利要求1所述的预处理方法，其特征在于，步骤(2)包括下述过程：

(2.1)将退化图像g变换到频域，并将其中心化，得到退化图像g的中心化频谱G；

(2.2)构造滤波器函数H；判断中心化频谱G的方向性，并设定参数r_i，i＝0，1，2，3和λ，其中r_i为频谱F中需抑制的高频分量半径，λ为最终保留高频成分的百分比，其中， $1\≤r_i\≤\sqrt{M^2+N^2}/\mathrm{2,0}\≤\mathrm{\λ}\≤1;$

构造的滤波器函数H由下式定义：

$H(u,v)=\left\{\begin{array}{cc}1& (u,v)\∈\mathrm{\Ω}-{\mathrm{\Ω}}_0\\ \mathrm{\λ}& (u,v)\∈{\mathrm{\Ω}}_0\end{array}\right.$

其中(u，v)表示图像频谱的点坐标，区域Ω是整个频谱空间，Ω₀是以中心化频谱G的4个角为圆心，r_i为半径的四个

圆；

(2.3)将频谱G与滤波器函数H点乘，得到频谱G1，实现对图像g的频域滤波；即G1＝G.*H，其中.*表示点乘，其意义为G1的每个点均为G和H对应点的乘积，即

G1(u，v)＝G(u，v)*H(u，v)(u，v)∈Ω

(2.4)将频谱G1进行反傅立叶变换，并对反变换结果取模，即得到滤波后图像g1，即g1＝|IFFT(G1)|，其中|.|表示取模运算，IFFT(G1)表示对G1做反傅立叶变换。

3.根据权利要求1或2所述的预处理方法，其特征在于，步骤(3)利用最大似然估计算法，对去噪图像g1进行校正，具体包括下述过程：

(3.1)设定校正算法的迭代初值，目标初值f⁰＝g1，点扩展函数初值h⁰设定为一个高斯函数；和最大迭代次数L；

(3.2)通过迭代对图像进行校正，迭代公式如下：

$h^{n+1}\left(x\right)=h^n\left(x\right)(\frac{g1\left(x\right)}{h^n\left(x\right)\⊗f^n\left(x\right)}\⊗f^n(-x))$

$f^{n+1}\left(x\right)=f^n\left(x\right)(\frac{g1\left(x\right)}{f^n\left(x\right)\⊗h^{n+1}\left(x\right)}\⊗h^{n+1}(-x))$

上述式中，f^k表示目标图像的第k次估计，h^k表示点扩展函数的第k次估计，

表示求卷积，x是一个二维向量，表示图像空间中的像素点坐标；

(3.3)达到规定的迭代次数n＝L，得到校正图像

即以及总体点扩展函数

Images