CN104778662A - 一种毫米波图像增强方法及系统 - Google Patents

Abstract

本发明涉及一种毫米波图像增强方法及系统，包括：对毫米波图像进行中值滤波降噪，非局部滤波、频域高通滤波、边缘处理、叠加处理。本发明的一种毫米波图像处理方法及系统采用的非局域滤波不同于有些方法中采用的领域滤波，领域滤波虽能在一定程度上滤除散斑噪声，但边缘信息更加模糊，非局部滤波对噪声更具有抵抗性，滤除部分中含有的几何结构信息较少。

Description

一种毫米波图像增强方法及系统

技术领域

本发明涉及一种毫米波图像处理方法及系统，尤其涉及一种毫米波图像增强的处理方法及系统。

背景技术

影响毫米波图像分辨率和清晰度的原因有很多，其中之一就是由于激光器功率抖动造成毫米波辐射强度发生变化，从而导致毫米波图像灰度分布的抖动，即存在明显亮斑。并且同时可能会伴随着图像背景较暗，对比度不强的问题。毫米波成像的降噪和增强有许多方法。常用的有基于小波变换的降噪、边缘检测和增强等。但是，这些方法通常涉及较复杂的数学运算，缺乏通用性和直观性。

发明内容

本发明解决的技术问题是：构建一种毫米波图像处理方法及系统，克服现有技术毫米波图像处理通常涉及较复杂的数学运算，缺乏通用性和直观性。

本发明的技术方案是：提供一种毫米波图像处理方法，包括如下步骤：

中值滤波降噪：先对毫米波原图像进行中值滤波，再对图像在0-255的灰度范围内做线性灰度拉伸；

非局部滤波：由全空间域像素点的加权平均值求得像素点的估计值，获取两个像素点之间的相似性，然后对其进行加权平均；

图像增强：构建图像向量的协方差矩阵和正交矩阵，对图像向量进行离散主成分分析变换得到增强的图像向量，具体包括：离散主成分分析变换方法是通过部分较大特征值所对应的特征向量，再对所述特征特别向量进行离散主成分分析反变换进行图像增强；

边缘处理：采用水平和垂直算子对非局域滤波处理后的图像进行边缘处理；

叠加处理：将边缘处理后的图像与二阶高通滤波处理的图像进行叠加，将叠加后的毫米波图像进行图像锐化，得到最终处理图像。

本发明的进一步技术方案是：在非局部滤波步骤中，包括确定搜索窗口、相似性窗口以及滤波深度参数。

本发明的进一步技术方案是：在非局部滤波步骤中，两个像素点之间的相 似性根据灰度向量之间的相似性获取。

本发明的进一步技术方案是：灰度向量之间的相似性由加权欧氏距离的降函数表示。

本发明的进一步技术方案是：相似性窗口为以像素为中心，固定大小的方形领域。

本发明的技术方案是：构建一种毫米波图像处理系统，包括中值滤波降噪模块、非局部滤波模块、图像增强模块、图像边缘处理模块、图像叠加模块，所述中值滤波降噪模块对毫米波原图像进行中值滤波，再对图像在0‐255的灰度范围内做线性灰度拉伸，所述非局部滤波模块由全空间域像素点的加权平均值求得像素点的估计值，获取两个像素点之间的相似性，然后对其进行加权平均，所述图像增强模块构建图像向量的协方差矩阵和正交矩阵，通过部分较大特征值所对应的特征向量进行离散主成分分析变换，再对所述特征特别向量进行离散主成分分析反变换进行图像增强；所述图像边缘处理模块采用水平和垂直算子对非局域滤波处理后的图像进行边缘处理，所述图像叠加模块将边缘处理后的图像与二阶高通滤波处理的图像进行叠加，将叠加后的毫米波图像进行图像锐化，得到最终处理图像。

本发明的进一步技术方案是：包括权重因子确定模块，所述权重因子确定模块通过灰度向量相似的灰度领域内的像素确定权重。

本发明的进一步技术方案是：包括获取图像的噪声像素点间的欧氏距离期望值的欧氏距离期望模块。

本发明的进一步技术方案是：所述水平和垂直算子包括Roberts、Prewitt或是Sobel算子中的一种或多种。

本发明的进一步技术方案是：所述进行图像锐化的算子包括Roberts、Prewitt或是Sobel算子中的一种或多种。

本发明的技术效果是：构建一种毫米波图像处理方法及系统，包括中值滤波降噪：先对毫米波原图像进行中值滤波，再对图像在0-255的灰度范围内做线性灰度拉伸；非局部滤波：由全空间域像素点的加权平均值求得像素点的估计值，获取两个像素点之间的相似性，然后对其进行加权平均；图像增强：构建图像向量的协方差矩阵和正交矩阵，对图像向量进行离散主成分分析变换得到增强的图像向量，具体包括：离散主成分分析变换方法是通过部分较大特征 值所对应的特征向量，再对所述特征特别向量进行离散主成分分析反变换进行图像增强；边缘处理：采用水平和垂直算子对非局域滤波处理后的图像进行边缘处理；叠加处理：将边缘处理后的图像与二阶高通滤波处理的图像进行叠加，将叠加后的毫米波图像进行图像锐化，得到最终处理图像。本发明的毫米波图像处理方法及系统，采用非局域滤波及主成分分析的图像增强方法，本发明的一种毫米波图像处理方法及系统采用的非局域滤波不同于有些方法中采用的领域滤波，领域滤波虽能在一定程度上滤除散斑噪声，但边缘信息更加模糊，非局部滤波对噪声更具有抵抗性，滤除部分中含有的几何结构信息较少。

附图说明

图1为本发明的流程图。

图2为本发明的结构示意图。

具体实施方式

下面结合具体实施例，对本发明技术方案进一步说明。

如图1所示，本发明的具体实施方式是：提供一种毫米波图像处理方法，包括如下步骤：

中值滤波降噪：先对毫米波原图像进行中值滤波，再对图像在0-255的灰度范围内做线性灰度拉伸。

具体实施过程如下：中值滤波是一种常用的非线性平滑滤波，其基本原理是把数字图像中一点的值用该点的一个领域中各点值的中值代替。设f(x,y)为图像像素点的灰度值，滤波窗口为A的中值滤波定义为：

f^(x,y)＝MED{f(x,y)}(x,y)∈A    (1)

之后再在0-255的灰度范围内做线性灰度拉伸，获得对比度增强的图像。

非局部滤波：由全空间域像素点的加权平均值求得像素点的估计值，获取两个像素点之间的相似性，然后对其进行加权平均。

具体实施过程如下：是指当前像素点的灰度值是由全空间域与其结构相似的像素点的灰度值加权平均获得，权重取决于结构相似性程度。假设给定离散的被噪声污染的数字图像v＝{v(i)∣i∈I}，对像素点i的估计值NL[v](i)可以由全空间域像素点的加权平均求得：

NL[v](i)＝Σw(i，j)v(j)   (2)

权重{w(i,j)}_j依赖于像素点i和j的相似性，并满足：

0≤w(i，j)≤1；

Σ_jw(i，j)＝1.           (3) 

两个像素点i和j之间的相似性依赖于灰度向量v(N_i)和v(N_j)之间的相似性。N_k表示中心位于k的固定大小的方块领域。这种相似性由加权欧氏距离‖v(N_i)-v(N_j)‖² _2,a的降函数表示。其中a是高斯核的标准差。图像的噪声像素点间的欧氏距离期望值可由下式求得：

$E{\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_{2,a}^2={\left|\right|u\left(N_i\right)-u\left(N_j\right)\left|\right|}_{2,a}^2+2{\mathrm{\σ}}^2---\left(4\right)$

v和u的关系为：v＝u+n,v是图像像素观测值，u是图像真实值，n是叠加的噪声。σ是两灰度向量之间距离的标准差。这种欧氏距离的期望保持了不同像素点之间的相似性。与v(N_i)相似的灰度领域内的像素总体上具有较大的权重，由下式定义：

$w(i,j)=\frac{1}{Z\left(i\right)}{e}^{-\frac{{\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_{2,a}^2}{h^2}}---\left(5\right)$

归一化常数因子Z(i)定义为：

$Z\left(i\right)=\underset{j}{\mathrm{\Σ}}{e}^{-\frac{{\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_{2,a}^2}{h^2}}---\left(6\right)$

其中h代表滤波程度，控制指数函数的衰减，或进一步控制权重因子的衰减速度。

一般为计算方便，N_i取以像素i为中心，固定大小(2m+1)×(2m+1)的方形领域，w(i,j)和Z(i)可表示为：

$w(i,j)=\frac{1}{G\left(i\right)}\exp \left[\frac{\underset{n_i\∈N_i,n_j\∈N_j,k_i\∈k}{\mathrm{\Σ}}{k}_i{(n_i-n_j)}^2}{h^2}\right]---\left(7\right)$

$Z\left(i\right)=\underset{j}{\mathrm{\Σ}}\exp \left[\frac{\underset{n_i\∈N_i,n_j\∈N_j,k_i\∈k}{\mathrm{\Σ}}{k}_i{(n_i-n_j)}^2}{h^2}\right]---\left(8\right)$

$k_i=\frac{1}{m}\underset{d=d_i}{\overset{m}{\mathrm{\Σ}}}\frac{1}{{(2d+1)}^2}---\left(9\right)$

非局部滤波比较的是两个单点的整个领域的几何结构，所以对噪声更具有抵抗性，并且滤出的部分含有较少的几何结构信息。

图像增强：构建图像向量的协方差矩阵和正交矩阵，对图像向量进行离散主成分分析变换得到增强的图像向量，具体包括：离散主成分分析变换方法是通过部分较大特征值所对应的特征向量，再对所述特征特别向量进行离散主成分分析反变换进行图像增强。

具体实施过程如下：主成分分析(Principal Component Analysis,主成分分析，简称“PCA”)是一种图像变换，通过主成分分析变换，可以从大量混乱无序的数据中提取出最重要的元素和结构，从而去除噪声。滤波器处理过的图像向量i的协方差矩阵定义为：

C_i＝E[(1-m_i)(1-m_i)^T]

λ₁≥λ₂≥…≥λ_N ²是协方差矩阵C_i的特征值，对应的特征向量是b_i,构成了N²×N²正交矩阵B：

$B=\left[\begin{array}{c}{b}_1^T\\ b_2^T\\ \·\\ \·\\ \·\\ b_{N^2}^T\end{array}\right]=\left[\begin{array}{cccccc}{b}_{11}& b_{12}& \·& \·& \·& b_{1N^2}\\ b_{21}& b_{22}& \·& \·& \·& b_{2N^2}\\ \·& \·& & & & \·\\ \·& \·& & & & \·\\ \·& \·& & & & \·\\ b_{N^{2}1}& b_{N^{2}2}& \·& \·& \·& b_{N^2{N}^2}\end{array}\right]$

离散PCA变换的数学表达式：

离散PCA反变换的数学表达式：

A是对称正交变换阵，是矩阵B的归一化形式。i,g分别是滤波器处理过的图像和变换后的图像向量。m_i是i的均值向量。

对i做离散PCA变换，保留前面k个较大的特征值λ₁≥λ₂≥…≥λ_k，去除之后N²-k个较小的特征值求得前k个的特征值所对应的特征向量，做离散PCA反变换，便得到图像向量i的一个近似被去除的信息在较小的特征值对应的特征向量中，并不在里。是原图像向量i简化后的主要结构。噪音通常是由较小的特征值表示，去除较小特征值可以达到除噪效果，但边缘和纹理同样也包含在较小的特征值对应的特征向量中，所以在保持边缘和降低噪音之间要去的一个平衡。

边缘处理：采用Roberts边缘检测算子实现水平和垂直方向对非局域滤波处理后的图像进行边缘处理。设f(x，y)是图像灰度分布函数，则其Reberts边缘检测算子为

$g(x,y)={\{{[\sqrt{f(x,y)}-\sqrt{f(x+1,y+1)}]}^2+{[\sqrt{f(x+1,y)}-\sqrt{f(x,y+1)}]}^2\}}^{\frac{1}{2}}$

Roberts边缘检测算子分别实现水平和垂直方向的边缘检测，算子形式为：

$\left\{\begin{array}{c}{\mathrm{\Δ}}_{x}f(x,y)=f(x,y)-f(x-1,y-1)\\ {\mathrm{\Δ}}_{y}f(x,y)=f(x-1,y)-f(x,y-1)\end{array}\right.$

叠加处理：基于灰度信息法的图像配准将边缘处理后的图像与二阶高通滤波处理的图像进行叠加,具体方法是定义一个基准图像I(x，y)和模板图像T(x，y)，令模板图像在基准图像上移动，并计算两者之间的相似程度，峰值出现的地方即是配准位置，每个确定的位移点(i，j)上的相似度计算公式为

$D(i,j)=\frac{{\mathrm{\Σ}}_x{\mathrm{\Σ}}_{y}T(x,y)I(x-i,y-j)}{\sqrt{{\mathrm{\Σ}}_x{\mathrm{\Σ}}_y{I}^2(x-i,y-j)}}$

图像锐化：将叠加后的毫米波图像进行图像锐化，利用Roberts算子进行锐化，Roberts算子模板是一个2*2的模板，对于当前待处理像素f(x，y)，Roberts算子定义如下：

$\▿f=|f(x+1,y+1)-f(x,y)|+|f(x+1,y)-f(x,y+1)|$

模板的具体表示为

$D_1=\left[\begin{array}{cc}-1& 0\\ 0& 1\end{array}\right]D_2=\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]$

ξ₁＝D₁(f(x,y))   ξ₂＝D₂(f(x,y))

$\▿f(x,y)=\left|{\mathrm{\ξ}}_1\right|+\left|{\mathrm{\ξ}}_2\right|$

得到最终处理图像。

如图2所示，本发明的具体实施方式是：构建一种毫米波图像处理系统，包括中值滤波降噪模块1、非局部滤波模块2、图像增强模块3、图像边缘处理模块4、图像叠加模块5，所述中值滤波降噪模块1对毫米波原图像进行中值滤波，再对图像在0‐255的灰度范围内做线性灰度拉伸，所述非局部滤波模块2由全空间域像素点的加权平均值求得像素点的估计值，获取两个像素点之间的相似性，然后对其进行加权平均，图像增强模块3构建图像向量的协方差矩阵和正交矩阵，通过部分较大特征值所对应的特征向量进行离散主成分分析变换，再对所述特征特别向量进行离散主成分分析反变换进行图像增强；所述图像边缘处理模块4采用水平和垂直算子对非局域滤波处理后的图像进行边缘处理，所述图像叠加模块5将边缘处理后的图像与二阶高通滤波处理的图像进行叠加，将叠加后的毫米波图像进行图像锐化，得到最终处理图像。

如图2所示，本发明的具体实施过程是：所述中值滤波降噪模块1先对毫米波原图像进行中值滤波，再对图像在0-255的灰度范围内做线性灰度拉伸。

具体实施过程如下：中值滤波是一种常用的非线性平滑滤波，其基本原理是把数字图像中一点的值用该点的一个领域中各点值的中值代替。设f(x,y)为图像像素点的灰度值，滤波窗口为A的中值滤波定义为：

f^(x,y)＝MED{f(x,y)}(x,y)∈A    (1)

之后再在0-255的灰度范围内做线性灰度拉伸，获得对比度增强的图像。

非局部滤波模块2由全空间域像素点的加权平均值求得像素点的估计值，获取两个像素点之间的相似性，然后对其进行加权平均。

具体实施过程如下：是指当前像素点的灰度值是由全空间域与其结构相似的像素点的灰度值加权平均获得，权重取决于结构相似性程度。假设给定离散的被噪声污染的数字图像v＝{v(i)∣i∈I}，对像素点i的估计值NL[v](i)可以由全空间域像素点的加权平均求得：

NL[v](i)＝Σw(i，j)v(j)                        (2) 

权重{w(i,j)}_j依赖于像素点i和j的相似性，并满足：

0≤w(i，j)≤1；

Σ_jw(i，j)＝1.                   (3) 

两个像素点i和j之间的相似性依赖于灰度向量v(N_i)和v(N_j)之间的相似性。N_k表示中心位于k的固定大小的方块领域。这种相似性由加权欧氏距离‖v(N_i)-v(N_j)‖² _2,a的降函数表示。其中a是高斯核的标准差。图像的噪声像素点间的欧氏距离期望值可由下式求得：

$E{\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_{2,a}^2={\left|\right|u\left(N_i\right)-u\left(N_j\right)\left|\right|}_{2,a}^2+2{\mathrm{\σ}}^2---\left(4\right)$

v和u的关系为：v＝u+n,v是图像像素观测值，u是图像真实值，n是叠加的噪声。σ是两灰度向量之间距离的标准差。这种欧氏距离的期望保持了不同像素点之间的相似性。与v(N_i)相似的灰度领域内的像素总体上具有较大的权重，由下式定义：

$w(i,j)=\frac{1}{Z\left(i\right)}{e}^{-\frac{{\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_{2,a}^2}{h^2}}---\left(5\right)$

归一化常数因子Z(i)定义为：

$Z\left(i\right)=\underset{j}{\mathrm{\Σ}}{e}^{-\frac{{\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_{2,a}^2}{h^2}}---\left(6\right)$

其中h代表滤波程度，控制指数函数的衰减，或进一步控制权重因子的衰减速度。

一般为计算方便，N_i取以像素i为中心，固定大小(2m+1)×(2m+1)的方形领域，包括权重因子确定模块6，所述权重因子确定模块6通过灰度向量相似的灰度领域内的像素确定权重,w(i,j)和Z(i)可表示为：

$w(i,j)=\frac{1}{G\left(i\right)}\exp \left[\frac{\underset{n_i\∈N_i,n_j\∈N_j,k_i\∈k}{\mathrm{\Σ}}{k}_i{(n_i-n_j)}^2}{h^2}\right]---\left(7\right)$

$Z\left(i\right)=\underset{j}{\mathrm{\Σ}}\exp \left[\frac{\underset{n_i\∈N_i,n_j\∈N_j,k_i\∈k}{\mathrm{\Σ}}{k}_i{(n_i-n_j)}^2}{h^2}\right]---\left(8\right)$

$k_i=\frac{1}{m}\underset{d=d_i}{\overset{m}{\mathrm{\Σ}}}\frac{1}{{(2d+1)}^2}---\left(9\right)$

非局部滤波比较的是两个单点的整个领域的几何结构，所以对噪声更具有抵抗性，并且滤出的部分含有较少的几何结构信息。

图像增强模块3构建图像向量的协方差矩阵和正交矩阵，对图像向量进行离散主成分分析变换得到增强的图像向量，具体包括：离散主成分分析变换方法是通过部分较大特征值所对应的特征向量，再对所述特征特别向量进行离散主成分分析反变换进行图像增强。

具体实施过程如下：主成分分析(Principal Component Analysis,主成分分析，简称“PCA”)是一种图像变换，通过主成分分析变换，可以从大量混乱无序的数据中提取出最重要的元素和结构，从而去除噪声。滤波器处理过的图像向量i的协方差矩阵定义为：

C_i＝E[(1-m_i)(1-m_i)^T]

λ₁≥λ₂≥…≥λ_N ²是协方差矩阵C_i的特征值，对应的特征向量是b_i,构成了N²×N²正交矩阵B：

$B=\left[\begin{array}{c}{b}_1^T\\ b_2^T\\ \·\\ \·\\ \·\\ b_{N^2}^T\end{array}\right]=\left[\begin{array}{cccccc}{b}_{11}& b_{12}& \·& \·& \·& b_{1N^2}\\ b_{21}& b_{22}& \·& \·& \·& b_{2N^2}\\ \·& \·& & & & \·\\ \·& \·& & & & \·\\ \·& \·& & & & \·\\ b_{N^{2}1}& b_{N^{2}2}& \·& \·& \·& b_{N^2{N}^2}\end{array}\right]$

离散PCA变换的数学表达式：

离散PCA反变换的数学表达式：

A是对称正交变换阵，是矩阵B的归一化形式。i,g分别是滤波器处理过的图像和变换后的图像向量。m_i是i的均值向量。

对i做离散PCA变换，保留前面k个较大的特征值λ₁≥λ₂≥…≥λ_k，去除之后N²-k个较小的特征值求得前k个的特征值所对应的特征向量，做离散PCA反变换，便得到图像向量i的一个近似被去除的信息在较小的特征值对应的特征向量中，并不在里。是原图像向量i简化后的主要结构。噪音通常是由较小的特征值表示，去除较小特征值可以达到除噪效果，但边缘和纹理同样也包含在较小的特征值对应的特征向量中，所以在保持边缘和降低噪音之间要去的一个平衡。

图像边缘处理模块4采用水平和垂直算子对非局域滤波处理后的图像进行边缘处理。

边缘处理：采用Roberts边缘检测算子实现水平和垂直方向对非局域滤波处理后的图像进行边缘处理。设f(x，y)是图像灰度分布函数，则其Reberts边缘检测算子为

$g(x,y)={\{{[\sqrt{f(x,y)}-\sqrt{f(x+1,y+1)}]}^2+{[\sqrt{f(x+1,y)}-\sqrt{f(x,y+1)}]}^2\}}^{\frac{1}{2}}$

Roberts边缘检测算子分别实现水平和垂直方向的边缘检测，算子形式为：

$\left\{\begin{array}{c}{\mathrm{\Δ}}_{x}f(x,y)=f(x,y)-f(x-1,y-1)\\ {\mathrm{\Δ}}_{y}f(x,y)=f(x-1,y)-f(x,y-1)\end{array}\right.$

图像叠加模块5将边缘处理后的图像与二阶高通滤波处理的图像进行叠加，将叠加后的毫米波图像进行图像锐化，得到最终处理图像。

叠加处理：基于灰度信息法的图像配准将边缘处理后的图像与二阶高通滤波处理的图像进行叠加,具体方法是定义一个基准图像I(x，y)和模板图像T(x，y)，令模板图像在基准图像上移动，并计算两者之间的相似程度，峰值出现的地方即是配准位置，每个确定的位移点(i，j)上的相似度计算公式为

$D(i,j)=\frac{{\mathrm{\Σ}}_x{\mathrm{\Σ}}_{y}T(x,y)I(x-i,y-j)}{\sqrt{{\mathrm{\Σ}}_x{\mathrm{\Σ}}_y{I}^2(x-i,y-j)}}$

图像锐化：将叠加后的毫米波图像进行图像锐化，利用Roberts算子进行锐化，Roberts算子模板是一个2*2的模板，对于当前待处理像素f(x，y)，Roberts算子定义如下：

$\▿f=|f(x+1,y+1)-f(x,y)|+|f(x+1,y)-f(x,y+1)|$

模板的具体表示为

$D_1=\left[\begin{array}{cc}-1& 0\\ 0& 1\end{array}\right]D_2=\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]$

ξ₁＝D₁(f(x,y))   ξ₂＝D₂(f(x,y))

$\▿f(x,y)=\left|{\mathrm{\ξ}}_1\right|+\left|{\mathrm{\ξ}}_2\right|$

得到最终处理图像。

本发明的技术效果是：构建一种毫米波图像处理方法及系统，包括中值滤波降噪：先对毫米波原图像进行中值滤波，再对图像在0-255的灰度范围内做线性灰度拉伸；非局部滤波：由全空间域像素点的加权平均值求得像素点的估计值，获取两个像素点之间的相似性，然后对其进行加权平均；图像增强：构建图像向量的协方差矩阵和正交矩阵，对图像向量进行离散主成分分析变换得到增强的图像向量，具体包括：离散主成分分析变换方法是通过部分较大特征值所对应的特征向量，再对所述特征特别向量进行离散主成分分析反变换进行图像增强；边缘处理：采用水平和垂直算子对非局域滤波处理后的图像进行边缘处理；叠加处理：将边缘处理后的图像与二阶高通滤波处理的图像进行叠加，将叠加后的毫米波图像进行图像锐化，得到最终处理图像。本发明的毫米波图 像处理方法及系统，采用的非局域滤波不同于有些方法中采用的领域滤波，本发明的一种毫米波图像处理方法及系统采用的非局域滤波不同于有些方法中采用的领域滤波，领域滤波虽能在一定程度上滤除散斑噪声，但边缘信息更加模糊，非局部滤波对噪声更具有抵抗性，滤除部分中含有的几何结构信息较少。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种毫米波图像增强方法，包括如下步骤：

中值滤波降噪：先对毫米波原图像进行中值滤波，再对图像在 0-255 的灰度范围内做线性灰度拉伸；

非局部滤波：由全空间域像素点的加权平均值求得像素点的估计值，获取两个像素点之间的相似性，然后对其进行加权平均；

图像增强：构建图像向量的协方差矩阵和正交矩阵，对图像向量进行离散主成分分析变换得到增强的图像向量，具体包括：离散主成分分析变换方法是通过部分较大特征值所对应的特征向量，再对所述特征特别向量进行离散主成分分析反变换进行图像增强；

边缘处理：采用水平和垂直算子对非局域滤波处理后的图像进行边缘处理；

叠加处理：将边缘处理后的图像与二阶高通滤波处理的图像进行叠加，将叠加后的毫米波图像进行图像锐化，得到最终处理图像。

2.根据权利要求1所述的毫米波图像增强方法，其特征在于，在非局部滤波步骤中，包括确定搜索窗口、相似性窗口以及滤波深度参数。

3.根据权利要求1所述的毫米波图像增强方法，其特征在于，在非局部滤波步骤中，两个像素点之间的相似性根据灰度向量之间的相似性获取。

4.根据权利要求3述的毫米波图像增强方法，其特征在于，灰度向量之间的相似性由加权欧氏距离的降函数表示。

5.根据权利要求1所述的毫米波图像增强方法，其特征在于，对图像向量进行离散主成分分析变换得到增强的图像向量的方法包括：保留前面多个较大的特征值，去除之后留下多个较小的特征值，求得所述前面多个的特征值所对应的特征向量，做离散主成分分析反变换，得到图像向量的一个近似值。

6.一种毫米波图像增强系统，其特征在于，包括中值滤波降噪模块、非局部滤波模块、图像增强模块、图像边缘处理模块、图像叠加模块，所述中值滤波降噪模块对毫米波原图像进行中值滤波，再对图像在 0-255 的灰度范围内做线性灰度拉伸，所述非局部滤波模块由全空间域像素点的加权平均值求得像素点的估计值，获取两个像素点之间的相似性，然后对其进行加权平均，所述图像增强模块构建图像向量的协方差矩阵和正交矩阵，通过部分较大特征值所对应的特征向量进行离散主成分分析变换，再对所述特征特别向量进行离散主成分分析反变换进行图像增强；所述图像边缘处理模块采用水平和垂直算子对非局域滤波处理后的图像进行边缘处理，所述图像叠加模块将边缘处理后的图像与二阶高通滤波处理的图像进行叠加，将叠加后的毫米波图像进行图像锐化，得到最终处理图像。

7.根据权利要求6所述毫米波图像增强系统，其特征在于，包括权重因子确定模块，所述权重因子确定模块通过灰度向量相似的灰度领域内的像素确定权重。

8.根据权利要求6所述毫米波图像增强系统，其特征在于，包括获取图像的噪声像素点间的欧氏距离期望值的欧氏距离期望模块。

9.根据权利要求6所述毫米波图像增强系统，其特征在于，所述水平和垂直算子包括Roberts、Prewitt或是Sobel算子中的一种或多种。

10.根据权利要求6所述毫米波图像增强系统，其特征在于，所述进行图像锐化的算子包括Roberts、Prewitt或是Sobel算子中的一种或多种。