CN103971319A - 一种由计算机执行的图像处理方法 - Google Patents

Abstract

本发明公开了一种图像处理方法，将选取的仪器特征矩阵p(i，j)；与输入图像的每一帧矩阵数据d(i)，计算d(i)和p^T(i，j)的卷积作为再卷积矩阵c(i)；计算p(i，j)和d(i)的归一化再卷积矩阵c^*(i)，设定阈值f_m，判断c^*(i)的每一点是否大于f_m，若是则判定此点为数据突变点或者数据远大于背景的数据点，重复上述步骤，直至c*(i)中所有数据点均小于fm；此时获得去除数据突变点和数据远大于背景的数据点后的矩阵数据，记作d_b(k)；计算d_b(k)和p(i，j)的卷积，记作c_b(i)；通过Gauss-Seidel迭代或Richardson-Lucy迭代方式恢复数据背景；重复上述步骤直到得到收敛结果作为重建后的背景数据。本发明的图像处理方法所获得的图像最大化恢复了图像信息，通过充分利用对仪器和目标的先验知识，实现较大动态范围内的图像还原和特定的信息提取。

Description

一种由计算机执行的图像处理方法

技术领域

本发明涉及数字图像处理领域，特别涉及一种由计算机执行的迭代图像处理方法。

背景技术

常用的处理算法采用迭代计算，提高信噪比。在有噪声和对成像系统参数不可能完美获取的情况下，由于不能严格地解反演的积分方程，基本思想是定义一个目标参量，通过迭代使这个目标参量达到极值。再定义一个极值稳定条件，当条件满足时，认为图像已经完成优化。比较有代表性地算法是最大熵算法，通过“熵”这一统计量地最大化，处理图像。一般的迭代过程，由于只是在运算初始使用了成像系统特征，随后地计算过程会持续将弥散信号聚集到点源中去，随着信噪比的提高，也丢失原始信息。因此，需要提供一种新的图像处理方法，能够克服现有技术中的所述缺陷。

发明内容

本发明提供了一种由计算机执行的图像处理方法，包括如下步骤：

S1、选取仪器特征矩阵p(i，j)；

S2、对于输入图像的每一帧矩阵数据d(i)，计算d(i)和p^T(i，j)的卷积作为再卷积矩阵c(i)；

S3、当矩阵数据d(i)中不存在背景或者背景b(i)已知，则进入步骤S9；

S4、计算p(i，j)和d(i)的归一化再卷积矩阵c^*(i)，

$c^{*}\left(i\right)=\frac{M{\mathrm{\Σ}}_k\left[p(k,i)d\left(k\right)\right]-{\mathrm{\Σ}}_{k}p(k,i){\mathrm{\Σ}}_{k}d\left(d\right)}{M{\mathrm{\Σ}}_k{\left[p(k,i)\right]}^2-{\left[{\mathrm{\Σ}}_{k}p(k,i)\right]}^2}$

其中M是d(i)的每一行的矩阵数据元素；

S5、设定阈值f_m，判断c^*(i)的每一点是否大于f_m，若是则判定此点为数据突变点或者数据远大于背景的数据点，

计算d_b(k)=d(k)-p(k，i_s)f_s，减去上述点的数值；

其中f_s满足：

$\underset{i^{\′}}{\mathrm{\Σ}}{\{c_b\left(i^{\′}\right)-[c^{*}\left(i^{\′}\right)-f_s{c}_s(i^{\′},i_s)\left]\right\}}^2=\min$

其中，d_b(k)是减去数据突变点和数据远大于背景的数据点后的矩阵数据，c_b(i)是d_b(k)和p(i，j)的再卷积矩阵，c_s(i；i_s)是p(i，j)和自身的再卷积矩阵：

$c_s(i;i_s)=\frac{M{\mathrm{\Σ}}_k\left[p(k,i)p(k,i_s)\right]-{\mathrm{\Σ}}_{k}p(k,i){\mathrm{\Σ}}_{k}p(k,i_s)}{M{\mathrm{\Σ}}_k{\left[p(k,i)\right]}^2-{\left[{\mathrm{\Σ}}_{k}p(k,i)\right]}^2}$

重复上述步骤，直至c^*(i)中所有数据点均小于f_m；此时获得去除数据突变点和数据远大于背景的数据点后的矩阵数据，记作d_b(k)；

S6、计算d_b(k)和p(i，j)的卷积，记作c_b(i)；

S7、通过Gauss-Seidel迭代或Richardson-Lucy迭代方式恢复数据背景，其中在所述迭代中所设定的上限是所有的数值均大于等于0；

S8、重复步骤S7直到得到收敛结果作为重建后的背景数据，记作b⁽¹⁾(i)，其中上标1表示迭代1次。

S9，以b⁽¹⁾(i)或者是预先知道的背景作为限制条件，利用Gauss-Seidel迭代或Richardson-Lucy迭代方式计算真实矩阵数据，记作f⁽¹⁾(i)，其中上标1表示为迭代1次；

S10，令f⁽¹⁾(i)满足归一化条件：

$\underset{k}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}p(k,i)f^{\left(1\right)}\left(i\right)=\underset{k}{\mathrm{\Σ}}d\left(k\right)$

满足归一化条件的f⁽¹⁾(i)即为恢复后的矩阵数据。

其中，在所述步骤S7中通过如下公式，采用Gauss-Seidel迭代方式恢复数据背景：

$b^{\left(1\right)}\left(i\right)=\frac{1}{p_1(i,i)}[c_b\left(i\right)-\underset{j\≠i}{\mathrm{\Σ}}{p}_1(i,j)b^{(l-1)}\left(i\right)]$

b⁽¹⁾(i)≥0

其中，f⁽¹⁾(i)表示第1次迭代后的结果，p₁(i，i)是p(i，j)和p^T(i，j)相乘的结果。

可替换地，其中，在所述步骤S7中通过如下公式，采用带有收敛因子的Gauss-Seidel迭代方式恢复数据背景：

$\begin{array}{c}{b}^{\left(1\right)}\left(i\right)=\frac{\mathrm{\α}}{p_1(i,i)}[c_b\left(i\right)\\ -\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{p}_1(i,j)b^{\left(1\right)}\left(i\right)-\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{p}_1(i,j)b^{(l-1)}\left(i\right)+(1-\mathrm{\α})b^{(l-1)}\left(i\right)]\end{array}$

b⁽¹⁾(i)≥0

其中，α是收敛因子，是介于0和1之间的数值。

再可替换地，在所述步骤S7中通过如下公式采用Richardson-Lucy迭代方式恢复数据背景：

$b^{\left(1\right)}\left(i\right)=b^{(l-1)}\left(i\right)\frac{{\mathrm{\Σ}}_j\frac{p(j,i)d\left(j\right)}{{\mathrm{\Σ}}_{i^{\′}}p(j,i^{\′})b^{(l-1)}\left(i\right)}}{{\mathrm{\Σ}}_{j}p(j,i)}$

b⁽¹⁾(i)≥0

。

特别地，在所述步骤S9中通过如下公式采用Gauss-Seidel迭代方式计算真实矩阵数据：

$f^{\left(1\right)}\left(i\right)=\frac{1}{p_1(i,i)}[c\left(i\right)-\underset{j\≠i}{\mathrm{\Σ}}{p}_1(i,j)f^{(l-1)}\left(j\right)]$

f⁽¹⁾(i)≥b⁽¹⁾(i)

。

可替换地，在所述步骤S9中通过如下公式，采用带有收敛因子的Gauss-Seidel迭代方式计算真实矩阵数据：

$\begin{array}{c}{f}^{\left(1\right)}\left(i\right)=\frac{\mathrm{\α}}{p_1(i,i)}[c\left(i\right)\\ -\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{p}_1(i,j)f^{\left(1\right)}\left(j\right)-\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{p}_1(i,j)f^{(l-1)}\left(i\right)+(1-\mathrm{\α})f^{(l-1)}\left(i\right)]\end{array}$

f⁽¹⁾(i)≥b⁽¹⁾(i)

。

再可替换地，在所述步骤S9中通过如下公式采用Richardson-Lucy迭代方式计算真实矩阵数据：

$f^{\left(1\right)}\left(i\right)=f^{(l-1)}\left(i\right)\frac{{\mathrm{\Σ}}_j\frac{p(j,i)d\left(j\right)}{{\mathrm{\Σ}}_{i^{\′}}p(j,i^{\′})b^{(l-1)}\left(i\right)}}{{\mathrm{\Σ}}_{j}p(j,i)}$

f⁽¹⁾(i)≥b⁽¹⁾(i)

。

附图说明

本发明上述的和／或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了利用本发明的图像处理方法处理前后的对比图片。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和／或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和／或设置之间的关系。

在本发明中的权利要求书及说明书的描述中，以下术语具有特定的含义：矩阵数据，表示通过仪器对目标观测后得到的图像进行数字化处理后得到的矩阵数据。仪器特征矩阵：表征仪器在对应方向上响应程度的矩阵，可以通过实验获得。再卷积矩阵：将矩阵数据和仪器特征矩阵的转置矩阵再次卷积得到的矩阵。归一化再卷积矩阵：使用相关算法计算得出的表现A矩阵在B矩阵的情况下存在数值突变位置和大数值位置的矩阵。

根据本发明的由计算机执行的图像处理方法，包括如下步骤：S1、选取仪器特征矩阵p(i，j)；S2、对于输入图像的每一帧矩阵数据d(i)，计算d(i)和p^T(i，j)的卷积作为再卷积矩阵c(i)；S3、当矩阵数据d(i)中不存在背景或者背景b(i)已知，则进入步骤S9；S4、计算p(i，j)和d(i)的归一化再卷积矩阵c^*(i)，

$c^{*}\left(i\right)=\frac{M{\mathrm{\Σ}}_k\left[p(k,i)d\left(k\right)\right]-{\mathrm{\Σ}}_{k}p(k,i){\mathrm{\Σ}}_{k}d\left(d\right)}{M{\mathrm{\Σ}}_k{\left[p(k,i)\right]}^2-{\left[{\mathrm{\Σ}}_{k}p(k,i)\right]}^2};$

其中M是d(i)的每一行的矩阵数据元素；S5、设定阈值f_m，判断c^*(i)的每一点是否大于f_m，若是则判定此点为数据突变点或者数据远大于背景的数据点，计算d_b(k)=d(k)-p(k，i_s)f_s，减去上述点的数值；

其中f_s满足：∑_i′{c_b(i′)-[c^*(i′)-f_sc_s(i′，i_s)]}²=min，

其中，db(k)是减去数据突变点和数据远大于背景的数据点后的矩阵数据，c_b(i)是d_b(k)和p(i，j)的再卷积矩阵，c_s(i；i_s)是p(i，j)和自身的再卷积矩阵：

$c_s(i;i_s)=\frac{M{\mathrm{\Σ}}_k\left[p(k,i)p(k,i_s)\right]-{\mathrm{\Σ}}_{k}p(k,i){\mathrm{\Σ}}_{k}p(k,i_s)}{M{\mathrm{\Σ}}_k{\left[p(k,i)\right]}^2-{\left[{\mathrm{\Σ}}_{k}p(k,i)\right]}^2}$

重复上述步骤，直至c^*(i)中所有数据点均小于f_m；此时获得去除数据突变点和数据远大于背景的数据点后的矩阵数据，记作d_b(k)；S6、计算d_b(k)和p(i，j)的卷积，记作c_b(i)；S7、通过Gauss-Seidel迭代或Richardson-Lucy迭代方式恢复数据背景，其中在所述迭代中所设定的上限是所有的数值均大于等于0；S8、重复步骤S7直到得到收敛结果作为重建后的背景数据，记作b⁽¹⁾(i)，其中上标1表示迭代1次。S9，以b⁽¹⁾(i)或者是预先知道的背景作为限制条件，利用Gauss-Seidel迭代或Richardson-Lucy迭代方式计算真实矩阵数据，记作f⁽¹⁾(i)，其中上标1表示为迭代1次；S10，令f⁽¹⁾(i)满足归一化条件：

$\underset{k}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}p(k,i)f^{\left(1\right)}\left(i\right)=\underset{k}{\mathrm{\Σ}}d\left(k\right)$

满足归一化条件的f⁽¹⁾(i)即为恢复后的矩阵数据。

其中，在所述步骤S7中通过如下公式，采用Gauss-Seidel迭代方式恢复数据背景：

$b^{\left(1\right)}\left(i\right)=\frac{1}{p_1(i,i)}[c_b\left(i\right)-\underset{j\≠i}{\mathrm{\Σ}}{p}_1(i,j)b^{(l-1)}\left(i\right)]$

b⁽¹⁾(i)≥0

其中，f⁽¹⁾(i)表示第1次迭代后的结果，p₁(i，i)是p(i，j)和p^T(i，j)相乘的结果。

可选择地，在所述步骤S7中也可以通过如下公式，采用带有收敛因子的Gauss-Seidel迭代方式恢复数据背景：

$\begin{array}{c}{b}^{\left(1\right)}\left(i\right)=\frac{\mathrm{\α}}{p_1(i,i)}[c_b\left(i\right)\\ -\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{p}_1(i,j)b^{\left(1\right)}\left(i\right)-\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{p}_1(i,j)b^{(l-1)}\left(i\right)+(1-\mathrm{\α})b^{(l-1)}\left(i\right)]\end{array}$

b⁽¹⁾(i)≥0

其中，α是收敛因子，是介于0和1之间的数值。

另外，作为另一种选择，在所述步骤S7中还可以通过如下公式采用Richardson-Lucy迭代方式恢复数据背景：

$b^{\left(1\right)}\left(i\right)=b^{(l-1)}\left(i\right)\frac{{\mathrm{\Σ}}_j\frac{p(j,i)d\left(j\right)}{{\mathrm{\Σ}}_{i^{\′}}p(j,i^{\′})b^{(l-1)}\left(i\right)}}{{\mathrm{\Σ}}_{j}p(j,i)}$

b⁽¹⁾(i)≥0

。

相应地，在所述步骤S9中可以通过如下公式采用Gauss-Seidel迭代方式计算真实矩阵数据：

$f^{\left(1\right)}\left(i\right)=\frac{1}{p_1(i,i)}[c\left(i\right)-\underset{j\≠i}{\mathrm{\Σ}}{p}_1(i,j)f^{(l-1)}\left(j\right)]$

f⁽¹⁾(i)≥b⁽¹⁾(i)。

此外，在所述步骤S9中还可以通过如下公式，采用带有收敛因子的Gauss-Seidel迭代方式计算真实矩阵数据：

$\begin{array}{c}{f}^{\left(1\right)}\left(i\right)=\frac{\mathrm{\α}}{p_1(i,i)}[c\left(i\right)\\ -\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{p}_1(i,j)f^{\left(1\right)}\left(j\right)-\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{p}_1(i,j)f^{(l-1)}\left(i\right)+(1-\mathrm{\α})f^{(l-1)}\left(i\right)]\end{array}$

f⁽¹⁾(i)≥b⁽¹⁾(i)。

作为另一种选择，在所述步骤S9中还可以通过如下公式采用Richardson-Lucy迭代方式计算真实矩阵数据：

$f^{\left(1\right)}\left(i\right)=f^{(l-1)}\left(i\right)\frac{{\mathrm{\Σ}}_j\frac{p(j,i)d\left(j\right)}{{\mathrm{\Σ}}_{i^{\′}}p(j,i^{\′})b^{(l-1)}\left(i\right)}}{{\mathrm{\Σ}}_{j}p(j,i)}$

f⁽¹⁾(i)≥b⁽¹⁾(i)。

图1示出了利用本发明的图像处理方法处理前后的对比图片，可以看出，本发明的算法先处理背景，较好地保留弱源信息。在迭代过程中，可反复使用成像系统参数，提高还原能力。最终的优化条件，不是一个单一参数，而是矩阵判据，信息丢失较少。应用本发明的图像处理方法所获得的处理后的图像最大化恢复了图像信息，通过充分利用对仪器和目标的先验知识，实现较大动态范围内的图像还原和特定的信息提取。

虽然关于示例实施例及其优点已经详细说明，应当理解在不脱离本发明的精神和所附权利要求限定的保护范围的情况下，可以对这些实施例进行各种变化、替换和修改。对于其他例子，本领域的普通技术人员应当容易理解在保持本发明保护范围内的同时，工艺步骤的次序可以变化。

Claims (7)

1.一种由计算机执行的图像处理方法，其特征在于，包括如下步骤：

S1、选取仪器特征矩阵p(i，j)；

S2、对于输入图像的每一帧矩阵数据d(i)，计算d(i)和p^T(i，j)的卷积作为再卷积矩阵c(i)；

S3、当矩阵数据d(i)中不存在背景或者背景b(i)已知，则进入步骤S9；

S4、计算p(i，j)和d(i)的归一化再卷积矩阵c^*(i)，

其中M是d(i)的每一行的矩阵数据元素；

S5、设定阈值f_m，判断c^*(i)的每一点是否大于f_m，若是则判定此点为数据突变点或者数据远大于背景的数据点，

计算d_b(k)=d(k)-p(k，i_s)f_s，减去上述点的数值；

其中f_s满足：

其中，d_b(k)是减去数据突变点和数据远大于背景的数据点后的矩阵数据，c_b(i)是d_b(k)和p(i，j)的再卷积矩阵，c_s(i；i_s)是p(i，j)和自身的再卷积矩阵：

重复上述步骤，直至c^*(i)中所有数据点均小于f_m；此时获得去除数据突变点和数据远大于背景的数据点后的矩阵数据，记作d_b(k)；

S6、计算d_b(k)和p(i，j)的卷积，记作c_b(i)；

S7、通过Gauss-Seidel迭代或Richardson-Lucy迭代方式恢复数据背景，其中在所述迭代中所设定的上限是所有的数值均大于等于0；

S8、重复步骤S7直到得到收敛结果作为重建后的背景数据，记作b⁽¹⁾(i)，其中上标1表示迭代1次。

S9，以b⁽¹⁾(i)或者是预先知道的背景作为限制条件，利用Gauss-Seidel迭代或Richardson-Lucy迭代方式计算真实矩阵数据，记作f⁽¹⁾(i)，其中上标1表示为迭代1次；

S10，令f⁽¹⁾(i)满足归一化条件：

满足归一化条件的f⁽¹⁾(i)即为恢复后的矩阵数据。

2.根据权利要求1的方法，其特征在于，在所述步骤S7中通过如下公式，采用Gauss-Seidel迭代方式恢复数据背景：

b⁽¹⁾(i)≥0 。

其中，f⁽¹⁾(i)表示第1次迭代后的结果，p₁(i，i)是p(i，j)和p^T(i，j)相乘的结果。

3.根据权利要求1的方法，其特征在于，在所述步骤S7中通过如下公式，采用带有收敛因子的Gauss-Seidel迭代方式恢复数据背景：

b⁽¹⁾(i)≥0

其中，α是收敛因子，是介于0和1之间的数值。

4.根据权利要求1的方法，其特征在于，在所述步骤S7中通过如下公式采用Richardson-Lucy迭代方式恢复数据背景：

b⁽¹⁾(i)≥0 。

5.根据权利要求1的方法，其特征在于，在所述步骤S9中通过如下公式采用Gauss-Seidel迭代方式计算真实矩阵数据：

f⁽¹⁾(i)≥b⁽¹⁾(i) 。

6.根据权利要求1的方法，其特征碍于，在所述步骤S9中通过如下公式， 采用带有收敛因子的Gauss-Seidel迭代方式计算真实矩阵数据：

f⁽¹⁾(i)≥b⁽¹⁾(i) 。

7.根据权利要求1所述的方法，其特征在于，在所述步骤S9中通过如下公式采用Richardson-Lucy迭代方式计算真实矩阵数据：

f⁽¹⁾(i)≥b⁽¹⁾(i) 。