CN103150705A - 一种弱小目标图像的自适应恢复增强方法 - Google Patents

Abstract

本发明公开了一种弱小目标图像的自适应恢复增强方法，步骤为：①利用光学成像探测系统获取气动光学模糊图像g，图像大小为M*N，作为观测图像；②对气动光学模糊图像g进行校正增强，得到的初始校正图像

③对初始校正图像

进行分割，找出感兴趣的区域

m为感兴趣区域的数目；④对感兴趣的区域

再依次进行恢复增强，得到新校正图像⑤将得到的新校正图像

拼接到其在初始校正图像

的相应位置。本发明构造了边校正、边检测，校正与检测互动的处理流程，由开始全图，约束到若干感兴趣区域，保证校正的实时性、智能化和有效性，实现了空间自适应的弱小目标图像恢复校正。

Description

一种弱小目标图像的自适应恢复增强方法

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，具体涉及一种弱小目标图像的自适应恢复增强方法。

背景技术

气动光学是研究高速流场对高速飞行器成像探测影响的一门学科。带有光学成像探测系统的高速飞行器在大气层内飞行时，光学头罩与来流之间的相互作用形成复杂的流场，对光学成像探测系统造成除热辐射外的光学波前传输畸变或传输干扰，引起观测对象图像的偏移、抖动、模糊，从而无法正确探测到目标，需要图像恢复处理，以获得清晰的目标。

点源/斑状目标经气动光学效应退化后信号很弱，再经过传感器和信道传输又会引入噪声，直接检测识别则会出现漏检和误检的问题，需要先进行图像校正处理去除模糊提高点/斑状目标能量的集中度。点源/斑状目标在图像中所占的比例小，但是目前经典的算法是针对全图进行的，不仅浪费很多校正时间，达不到实时性的要求，而且校正性能不好达不到预期的效果，必须发明新的校正方法。

发明内容

本发明的目的在于提供一种弱小目标图像的自适应恢复校正方法，该方法构造了边校正、边检测，校正与检测互动的处理流程，由开始全图，约束到若干感兴趣区域，保证校正的实时性、智能化和有效性，实现了空间自适应的弱小目标图像恢复校正。

本发明提供的一种弱小目标图像的自适应恢复增强方法，其步骤包括：

(1)利用光学成像探测系统获取气动光学模糊图像g，图像大小为M*N，作为观测图像；

(2)对气动光学模糊图像g进行校正增强，得到的初始校正图像

(3)对初始校正图像

进行分割，找出感兴趣的区域

m为感兴趣区域的数目；

(4)对感兴趣的区域

再依次进行恢复增强，得到新校正图像

(5)将得到的新校正图像

拼接到其在初始校正图像的相应位置。

传统的对点源/斑状目标的校正增强总是对全图进行，没有充分考量点源/斑状目标在全图中所占区域都是很小的特点，不仅浪费很多校正时间，达不到实时性的要求，而且校正结果不好达不到预期的效果。本发明所提出的对点源/斑状目标图像的校正增强方法中要求算法边校正增强，边检测；由开始全图，约束到若干感兴趣区，保证校正的实时性、智能化和效果。

附图说明

图1是本发明的点源/斑状目标恢复增强方法的流程图；

图2是最大似然估计算法(MAP)的流程图。

图3是根据初步校正图像

找出感兴趣区域f₁，f₂，…f_m的流程图。

图4a、4b、4c、4d、4e、4f、4g、4h和4i是无噪模糊图像的全图校正增强和本发明提出的校正增强算法的实验结果对比示意图。

图5a、5b、5c、5d和5e是第一种退化图像的全图校正增强和本发明提出的校正增强算法的实验结果对比示意图；

图6a、6b、6c、6d和6e是第二种退化图像的全图校正增强和本发明提出的校正增强算法的实验结果对比示意图。

图7a、7b、7c、7d和7e是第一种无噪模糊图像的全图校正增强和本发明提出的校正增强算法的一种实验结果对比示意图。

图8a、8b、8c、8d和8e是第三种退化图像的全图校正增强和本发明提出的校正增强算法的实验结果对比示意图。

图9a、9b、9c、9d和9e是第四种退化图像的全图校正增强和本发明提出的校正增强算法的实验结果对比示意图。

图10a、10b、10c、10d和10e是第五种退化图像的全图校正增强和本发明提出的校正增强算法的实验结果对比示意图。

图11a、11b、11c、11d、11e、11f、11g、11h和11i是第二种无噪模糊图像的全图校正增强和本发明提出的校正增强算法的一种实验结果对比示意图。

图12a、12b、12c、12d和12e是第六种退化图像的全图校正增强和本发明提出的校正增强算法的实验结果对比示意图。

图13a、13b、13c、13d和13e是第七种退化图像的全图校正增强和本发明提出的校正增强算法的实验结果对比示意图。

具体实施方式

本发明方法流程如图1所示，其中全图校正及感兴趣区域的校正算法可以利用现有对弱小目标恢复增强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全图校正及感兴趣区域校正我们使用最大似然估计算法(MAP)。

在具体介绍算法前，我们定义一些变量：

X：表示目标图像f和观测图像g的支持域(一般两者的支持域是相同的，X∈R²)；

X_i：表示感兴趣区域校正图像

和感兴趣区域g_i的支持域(一般两者的支持域是相同的，X_i∈R²)；

Y：表示点扩散函数图像h的支持域(Y∈R²)；

Y_i：表示点扩散函数图像

的支持域(Y_i∈R²)；

g(x)：表示观测图像g中位置x(x∈X)的像素值；

f(x)：表示校正图像f中位置x(x∈X)的像素值；

表示图像

中位置(i，j)的像素值；

h(x)：表示点扩散函数h中位置x(x∈Y)的像素值。

如图1所示，本发明提供的弱小目标图像的自适应恢复校正方法，其步骤包括：

(1)利用光学成像探测系统获取气动光学模糊图像g，图像大小为M*N，作为观测图像。

(2)对步骤1获取的气动光学模糊图像g进行校正增强；

(2.1)用最大似然估计算法对整幅图像进行校正，其流程如图2所示：

创建一幅与模糊图像g大小相同，灰度值却全为

的图像PSF₁作为点扩展的迭代初值，即h⁰＝PSF₁，将观测图像g作为目标图像的迭代初值，即f⁰＝g，并设置迭代次数为L(5≤L≤20，具体实验中我们取L＝15)进行迭代。迭代公式如下：

$f^n\left(x\right)=f^{n-1}\left(x\right)\underset{y\∈X}{\mathrm{\Σ}}g\left(x\right)\frac{h^{n-1}(y-x)}{\underset{z\∈Y}{\mathrm{\Σ}}{h}^{n-1}(y-z)f^{n-1}\left(z\right)},(1\≤n\≤L)---\left(1\right)$

$h^n\left(x\right)=h^{n-1}\left(x\right)\underset{y\∈X}{\mathrm{\Σ}}g\left(x\right)\frac{f^n(y-x)}{\underset{z\∈Y}{\mathrm{\Σ}}{h}^{n-1}\left(z\right)f^n(y-z)},(1\≤n\≤L)---\left(2\right)$

式(1)、(2)中，z∈Y，x∈X，y∈X，fⁿ为第n次迭代得到的校正图像，hⁿ为第n次迭代得到的点扩散函数，g是实际观测图像。

(2.2)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

(3)对步骤2得到的校正图像进行分割，找出感兴趣的区域

(m为感兴趣区域的数目)，其过程如图3所示：

(3.1)计算步骤2得到的初校正图像的所有像素的灰度值总和

$S=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\hat{f}(i,j);$

(3.2)计算大小为W×W(8≤W≤20，具体实验中我们取W＝10)的模板其平均包含能量 $\mathrm{AVG}=\frac{S}{M\×N}\×W\×W;$

(3.3)用W×W的模板在由步骤2得到的初校正图像

中从上到下，从左到右以像素为单位依次移动，将其中该模板中全部像素的灰度值的总和Sum大于T和AVG之和的作为感兴趣的区域；；

为了准确的对感兴趣区域进行校正增强，需要适当增大该区域，用大小为(W+W₀)×(W+W₀)(10≤W₀≤20，具体实验中我们取W₀＝15)的窗口对初校正图像进行分割，得到最终的感兴趣区域

i∈[1，2，...，m]，m为感兴趣区域的数目)。

阈值T，需要根据具体的弱小目标来确定，如果该目标的能量相对背景的能量较高，则选择较大的T，否则选择较小的T，通常阈值T取值范围为20至50。

(3.4)通过3.3步得到最终的感兴趣区域

(m为感兴趣区域的数目)。

(4)对步骤3得到的感兴趣的区域

再依次进行恢复增强；

(4.1)令i为1；

(4.2)感兴趣区观测图像

(4.3)用最大似然估计算法对感兴趣区的观测图像g_i进行再校正，其流程如图2所示：

创建一幅与感兴趣区模糊图像g_i大小相同，灰度为

中相应位置的灰度值作为点扩展的迭代初值图像PSF_i，即

将观测图像g_i作为目标图像

的迭代初值，即

并设置迭代次数为L_i(5≤L_i≤20，具体实验中我们取L_i＝10)进行迭代。迭代公式如下：

${\stackrel{\‾}{f}}_i^n\left(x\right)={\stackrel{\‾}{f}}_i^{n-1}\left(x\right)\underset{y\∈X_i}{\mathrm{\Σ}}{g}_i\left(x\right)\frac{{\stackrel{\‾}{h}}_i^{n-1}(y-x)}{\underset{z\∈Y_i}{\mathrm{\Σ}}{\stackrel{\‾}{h}}_i^{n-1}(y-z){\stackrel{\‾}{f}}_i^{n-1}\left(z\right)},(1\≤n\≤L_i)---\left(3\right)$

${\stackrel{\‾}{h}}_i^n\left(x\right)={\stackrel{\‾}{h}}_i^{n-1}\left(x\right)\underset{y\∈X_i}{\mathrm{\Σ}}{g}_i\left(x\right)\frac{{\stackrel{\‾}{f}}_i^n(y-x)}{\underset{z\∈Y_i}{\mathrm{\Σ}}{\stackrel{\‾}{h}}_i^{n-1}\left(z\right){\stackrel{\‾}{f}}_i^n(y-z)},(1\≤n\≤L_i)---\left(4\right)$

式(3)、(4)中，z∈Y_i，x∈X_i，y∈X_i，

为对感兴趣区域图像g_i第n次迭代得到的校正图像，

为对感兴趣区域图像g_i第n次迭代得到的点扩散函数，g_i是感兴趣区观测图像

(4.4)达到规定的迭代次数n＝L_i，得到校正图像即

以及相应的点扩展函数

(4.5)令i＝i+1；如果i≤m，返回步骤(4.2)；否则执行步骤(5).

(5)把4.3步得到的校正图像

拼接到其在

的相应位置。

实例：

图4是某支撑域为4*4的单个弱小目标经过气动光学效应的无噪模糊图像，经过全图校正增强和本发明提出的校正增强的实验结果；图4a是支撑域为4*4单个弱小目标的仿真图像；图4b是图4a的气动光学效应退化的无噪模糊图像；图4c是图4a中目标的三维显示，其支撑域为5X5；图4d是图4b中目标的三维显示，其支撑域为8X8；图4e是全图校正增强的实验结果；图4f是图4e中目标的三维显示，其支撑域为8X8；图4g是窗口尺度W为10，阈值T为40检测的感兴趣区域的位置图像；图4h是本发明的校正增强实验结果；图4i是图4h中目标的三维显示，其支撑域为5X5。由全图校正增强的实验结果(图4e)和本发明的校正增强实验结果(图4h)知：气动光学模糊使弱小目标能量分散，而本发明的校正增强算法能更好的聚集分散的能量，使校正后斑目标的支撑域接近模糊前斑目标的支撑域。

图5是某支撑域为4*4的单个弱小目标先经过气动光学效应模糊再叠加5分贝高斯噪声后的退化图像，全图校正增强和本发明提出的校正增强算法的实验结果对比；图5a是支撑域为4*4弱小目标的仿真图像；图5b是图5a先经过气动光学效应模糊再叠加5分贝高斯噪声的退化图像；图5c是全图校正增强的实验结果；图5d是窗口尺度W为10，阈值T为40检测的感兴趣区域的位置图像；图5e是本发明的校正增强实验结果。

图6是某支撑域为4*4的单个弱小目标先经过气动光学效应模糊再叠加1分贝高斯噪声后的退化图像，全图校正增强和本发明提出的校正增强算法的实验结果对比；图6a是支撑域为4*4弱小目标的仿真图像；图6b是图6a先经过气动光学效应模糊再叠加1分贝高斯噪声的退化图像；图6c是全图校正增强的实验结果；图6d是窗口尺度W为10，阈值T为30检测的感兴趣区域的位置图像；图6e是本发明的校正增强实验结果。

图7是四个弱小目标经过气动光学效应的无噪模糊图像，全图校正增强和本发明提出的校正增强算法的实验结果对比；图7a是两个支撑域为2*2和3*3的4个弱小目标的仿真图像；图7b是图7a的气动光学效应退化的无噪模糊图像；图7c是全图校正增强的实验结果；图7d是窗口尺度W为10，阈值T为40检测的感兴趣区域的位置图像；图7e是本发明的校正增强实验结果。

图8是四个弱小目标先经过气动光学效应模糊再叠加10分贝高斯噪声后的退化图像，全图校正增强和本发明提出的校正增强算法的实验结果对比；图8a两个支撑域为2*2和3*3的4个弱小目标的仿真图像；图8b是图8a先经过气动光学效应模糊再叠加10分贝高斯噪声的退化图像；图8c是全图校正增强的实验结果；图8d是窗口尺度W为10，阈值T为40检测的感兴趣区域的位置图像；图8e是本发明的校正增强实验结果。

图9是四个弱小目标先经过气动光学效应模糊再叠加5分贝高斯噪声后的退化图像，全图校正增强和本发明提出的校正增强算法的实验结果对比；图9a两个支撑域为2*2和3*3的4个弱小目标的仿真图像；图9b是图9a先经过气动光学效应模糊再叠加5分贝高斯噪声的退化图像；图9c是全图校正增强的实验结果；图9d是窗口尺度W为10，阈值T为30检测的感兴趣区域的位置图像；图9e是本发明的校正增强实验结果。

图10是四个弱小目标先经过气动光学效应模糊再叠加1分贝高斯噪声后的退化图像，全图校正增强和本发明提出的校正增强算法的实验结果对比；图10a两个支撑域为2*2和3*3的4个弱小目标的仿真图像；图10b是图10a先经过气动光学效应模糊再叠加1分贝高斯噪声的退化图像；图10c是全图校正增强的实验结果；图10d是窗口尺度W为10，阈值T为20检测的感兴趣区域的位置图像；图10e是本发明的校正增强实验结果。

图11是某支撑域为4*4的单个弱小目标经过气动光学效应的无噪模糊图像，全图校正增强和本发明提出的校正增强算法的实验结果对比；图11a是支撑域为4*4单个弱小目标的仿真图像；图11b是图11a的气动光学效应退化的无噪模糊图像；图11c是图11a中目标的三维显示；图11d是图11b中目标的三维显示；图11e是全图校正增强的实验结果；图11f是图11中目标的三维显示；图11g是窗口尺度W为10，阈值T为30检测的感兴趣区域的位置图像；图11h是本发明的校正增强实验结果；图11i是图11h中目标的三维显示。

图12是某支撑域为4*4的单个弱小目标先经过气动光学效应模糊再叠加10分贝高斯噪声后的退化图像，全图校正增强和本发明提出的校正增强算法的实验结果对比；图12a是支撑域为4*4弱小目标的仿真图像；图12b是图12a先经过气动光学效应模糊再叠加10分贝高斯噪声的退化图像；图12c是全图校正增强的实验结果；图12d是窗口尺度W为10，阈值T为20检测的感兴趣区域的位置图像；图12e是本发明的校正增强实验结果。

图13是某支撑域为4*4的单个弱小目标先经过气动光学效应模糊再叠加5分贝高斯噪声后的退化图像，全图校正增强和本发明提出的校正增强算法的实验结果对比；图13a是支撑域为4*4弱小目标的仿真图像；图13b是图13a先经过气动光学效应模糊再叠加5分贝高斯噪声的退化图像；图13c是全图校正增强的实验结果；图13d是窗口尺度W为10，阈值T为20检测的感兴趣区域的位置图像；图13e是本发明的校正增强实验结果。

附图5至图13则从单个弱小目标在不同分贝噪声情况下，多弱小目标在无噪声和不同分贝噪声情况下全图校正增强和本发明提出的校正增强的实验结果。

从图4到图13所示的实验结果可以看出全图校正增强后的点目标支撑域比真实的点/斑目标支撑域大，而使用本发明算法校正增强后的点/斑目标支撑域聚集了，缩小了，接近模糊前点/斑目标支撑域，从而反映了本发明所提出的方法在点源/斑状目标的有效性。

目前对点源/斑状目标进行校正增强的方法总是对全图进行的，不仅浪费了很多校正时间，达不到实时性的要求；而且校正结果不好达不到预期的结果即模糊的去除程度差，点源/斑状目标的能量分散(图4e、4f、5c、6c、7c、8c、9c、10c、11e、11f、12c、13c)。而本发明提出的方法不仅能有效的校正增强目标，而且保证校正的实时性、智能化和效果即目标图像模糊校正好，点源/斑状目标能量集中度高(图4h、4i、5e、6e、7e、8e、9e、10e、11h、11i、12e、13e)。

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 (5)

1.一种弱小目标图像的自适应恢复增强方法，其步骤包括：

（1）利用光学成像探测系统获取气动光学模糊图像g，图像大小为M*N，作为观测图像；

（2）对气动光学模糊图像g进行校正增强，得到的初始校正图像

（3）对初始校正图像进行分割，找出感兴趣的区域

m为感兴趣区域的数目；

（4）对感兴趣的区域

再依次进行恢复增强，得到新校正图像

（5）将得到的新校正图像

拼接到其在初始校正图像

的相应位置。

2.根据权利要求1所述的自适应恢复增强方法，其特征在于，步骤（2）采用最大似然估计算法对气动光学模糊图像g进行校正增强，得到初始校正图像

3.根据权利要求1所述的自适应恢复增强方法，其特征在于，步骤（3）包括下述过程：

(3.1)计算初始校正图像

的所有像素的灰度值总和

(3.2)计算大小为的模板其平均包含能量

(3.3)用W×W的模板在由步骤2得到的初校正图像

中从上到下，从左到右以像素为单位依次移动，将其中该模板中全部像素的灰度值的总和Sum大于T和AVG之和的作为感兴趣的区域；

用大小为(W+W₀)×(W+W₀)的窗口对初校正图像

进行分割，得到最终的感兴趣区域

i∈[1,2,...,m]，m为感兴趣区域的数目，其中，10≤W₀≤20；

(3.4)通过3.3步得到最终的感兴趣区域

（m为感兴趣区域的数目）。

4.根据权利要求1、2或3所述的自适应恢复增强方法，其特征在于，步骤（4）采用最大似然估计算法对感兴趣的区域再依次进行恢复增强。

5.根据权利要求4所述的自适应恢复增强方法，其特征在于，所述最大似然估计算法包括下述过程：

(4.1)令i为1；

(4.2)感兴趣区观测图像

(4.3)用最大似然估计算法对感兴趣区的观测图像g_i进行再校正：

创建一幅与感兴趣区模糊图像g_i大小相同，灰度为

中相应位置的灰度值作为点扩展的迭代初值图像PSF_i，即

将观测图像g_i作为目标图像

的迭代初值，即

并设置迭代次数为L_i进行迭代，迭代公式如下：

${\stackrel{\‾}{f}}_i^n\left(x\right)={\stackrel{\‾}{f}}_i^{n-1}\left(x\right)\underset{y\∈X_i}{\mathrm{\Σ}}{g}_i\left(x\right)\frac{{\stackrel{\‾}{h}}_i^{n-1}(y-x)}{\underset{z\∈Y_i}{\mathrm{\Σ}}{\stackrel{\‾}{h}}_i^{n-1}(y-z){\stackrel{\‾}{f}}_i^{n-1}\left(z\right)},$ 1≤n≤L_i

${\stackrel{\‾}{h}}_i^n\left(x\right)={\stackrel{\‾}{h}}_i^{n-1}\left(x\right)\underset{y\∈X_i}{\mathrm{\Σ}}{g}_i\left(x\right)\frac{{\stackrel{\‾}{f}}_i^n(y-x)}{\underset{z\∈Y_i}{\mathrm{\Σ}}{\stackrel{\‾}{h}}_i^{n-1}\left(z\right){\stackrel{\‾}{f}}_i^n(y-z)},$ 1≤n≤L_i

式中，z∈Y_i,x∈X_i,y∈X_i,X表示目标图像f和观测图像g的支持域，X_i示感兴趣区域校正图像

和感兴趣区域g_i的支持域，Y表示点扩散函数图像h的支持域，

为对感兴趣区域图像g_i第n次迭代得到的校正图像，

为对感兴趣区域图像g_i第n次迭代得到的点扩散函数，g_i是感兴趣区观测图像

(4.4)达到规定的迭代次数n=L_i，得到校正图像

即

以及相应的点扩展函数

；

(4.5)令i＝i+1；如果i≤m，返回步骤（4.2）；否则执行步骤(5)。

Images