CN107194896A

CN107194896A - 一种基于邻域结构的背景抑制方法和系统

Info

Publication number: CN107194896A
Application number: CN201710415948.7A
Authority: CN
Inventors: 左峥嵘; 张颖; 桑农; 胡静
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2017-06-05
Filing date: 2017-06-05
Publication date: 2017-09-22
Anticipated expiration: 2037-06-05
Also published as: CN107194896B

Abstract

本发明公开了一种基于邻域结构的背景抑制方法和系统，其中方法的实现包括：基于邻域像素点的灰度值得到结构向量，计算结构向量与邻域结构模板的相似性度量，将邻域结构模板分为目标模板和背景模板，利用相似性度量得到像素点为背景点的背景似然值和像素点为目标点的目标似然值；若目标似然值与背景似然值的比值大于等于阈值，则像素点为目标点，否则，像素点为背景点；以邻域像素点集合中背景点的灰度均值作为背景估计值，若像素点为背景点，直接抑制，若像素点为目标点，将目标点的灰度值减去背景估计值进行背景抑制。本发明同时具有良好的抑制效果、对不同背景类型的自适应性以及满足实时计算要求。

Description

一种基于邻域结构的背景抑制方法和系统

技术领域

本发明属于图像处理领域，更具体地，涉及一种基于邻域结构的背景抑制方法和系统。

背景技术

红外技术的快速发展，使其广泛应用于军事及民用领域，在精确制导，预警监视，光学遥感，夜间导航等领域发挥重要作用。红外小目标检测、跟踪一直以来都是国内外研究热点，远距离的弱小红外小目标极易湮没在复杂背景中而难以被探测到。

目前的小目标检测主要分空域和时域两大类，时域算法由于有多帧信息，往往可以取得较好的效果，然而，在动平台探测系统下，该类算法需要进行帧间图像配准，以消除背景运动杂波，从而导致算法复杂，计算量大，增大了探测系统的复杂性。

空域背景抑制方法可分为线性方法和非线性方法两大类，大致归为三类：模板滤波，预测滤波，形态学滤波。模板滤波有传统的均值滤波，中值滤波，去最大中值滤波，高斯滤波。这类方法计算量小，参数少，但对复杂背景抑制效果能力还不足。典型的预测滤波算法有二维最小均方差滤波TDLMS，该算法利用输出信号与期望信号均方差最小达到滤波的目的。该算法中的收敛率参数需根据不同的图像特性来设置，其收敛速度常难于满足实时要求，对强杂波背景的抑制能力也不足。top-hat滤波算法是小目标检测中常用的形态学滤波方法，形态学滤波方法需要根据背景杂波及目标的特性设计合适形态学算子和结构元素，以实现背景杂波的抑制，但图像的结构往往是不同的，而且同一幅图像中不同区域的结构也往往不一致，导致该类方法对不同背景类型的适应性不强。

由此可见，现有技术存在难以同时具有良好的抑制效果、对不同背景类型的自适应性以及实时计算要求的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于邻域结构的背景抑制方法和系统，由此解决现有技术存在难以同时具有良好的抑制效果、对不同背景类型的自适应性以及实时计算要求的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于邻域结构的背景抑制方法，包括：

(1)选取图像中的任意一个像素点，得到以像素点为中心的邻域像素点集合，将邻域像素点集合划分为前景像素点子集和背景像素点子集，基于前景像素点子集的前景像素点灰度平均值和背景像素点子集的背景像素点灰度平均值构建像素点的邻域结构模板；

(2)基于邻域像素点的灰度值得到结构向量，计算结构向量与邻域结构模板的相似性度量，将邻域结构模板分为目标模板和背景模板，利用相似性度量得到像素点为背景点的背景似然值和像素点为目标点的目标似然值；

(3)若目标似然值与背景似然值的比值大于等于阈值，则像素点为目标点，否则，像素点为背景点；

(4)以邻域像素点集合中背景点的灰度均值作为背景估计值，若像素点为背景点，直接抑制，若像素点为目标点，将目标点的灰度值减去背景估计值进行背景抑制。

进一步的，邻域结构模板包括：

其中，f表示前景像素点灰度平均值，b表示背景像素点灰度平均值。

进一步的，步骤(2)包括：

(2-1)基于图像像素点p_i，j处的邻域像素点的灰度值得到结构向量：

其中，I_i-1，j表示坐标为(i-1，j)的邻域像素点的灰度值，I_i，j-1表示坐标为 (i，j-1)的邻域像素点的灰度值，I_i，j表示坐标为(i，j)的邻域像素点的灰度值， I_i+1，j表示坐标为(i+1，j)的邻域像素点的灰度值，I_i+1，j+1表示坐标为 (i+1，j+1)的邻域像素点的灰度值，I_i-1，j-1表示坐标为(i-1，j-1)的邻域像素点的灰度值，I_i-1，j+1表示坐标为(i-1，j+1)的邻域像素点的灰度值，I_i+1，j-1表示坐标为(i+1，j-1)的邻域像素点的灰度值；

(2-2)计算结构向量(1≤k≤8)与邻域结构模板(1≤l≤12) 的相似性度量p_kl，

其中，d表示数据维度，为邻域结构模板的核宽矩阵；

(2-3)将邻域结构模板分为目标模板和背景模板，利用相似性度量得到像素点为背景点的背景似然值P_b和像素点为目标点的目标似然值P_f，

P_l＝max{p_kl|k＝1，2，...，8}

其中，P_l为像素点与邻域结构模板的相似性度量，

P1_f表示水平垂直方向的四邻域像素点与目标模板的相似性度量，P2_f表示对角线方向的四邻域像素点与目标模板的相似性度量，则有：

P1_f＝max{p_kl|k＝1，2，...，4；l＝8}

P2_f＝max{p_kl|k＝5，6，...，8；l＝8}

则目标似然值P_f为：P_f＝(P1_f+P2_f)/2。

进一步的，背景估计值为

其中，card(S_bk)为S_bk中的像素点个数，S_bk表示背景点集合，p_m+i，n+j表示坐标为(m+i，n+j)的邻域像素点，I_i+m，j+n表示坐标为(m+i，n+j)的邻域像素点的灰度值。

按照本发明的另一方面，提供了一种基于邻域结构的背景抑制系统，包括：

构建邻域结构模块，用于选取图像中的任意一个像素点，得到以像素点为中心的邻域像素点集合，将邻域像素点集合划分为前景像素点子集和背景像素点子集，基于前景像素点子集的前景像素点灰度平均值和背景像素点子集的背景像素点灰度平均值构建像素点的邻域结构模板；

获取似然值模块，用于基于邻域像素点的灰度值得到结构向量，计算结构向量与结构模板的相似性度量，将邻域结构模板分为目标模板和背景模板，利用相似性度量得到像素点为背景点的背景似然值和像素点为目标点的目标似然值；

判断像素点类型模块，用于判断像素点类型，若目标似然值与背景似然值的比值大于等于阈值，则像素点为目标点，否则，像素点为背景点；

进行背景抑制模块，用于进行背景抑制，以邻域像素点集合中背景点的灰度均值作为背景估计值，若像素点为背景点，直接抑制，若像素点为目标点，将目标点的灰度值减去背景估计值进行背景抑制。

进一步的，邻域结构模板包括：

进一步的，获取似然值模块包括：

获取结构向量模块，用于基于图像像素点p_i，j处的邻域像素点的灰度值得到结构向量：

其中，I_i-1，j表示坐标为(i-1，j)的邻域像素点的灰度值，I_i，j-1表示坐标为(i，j-1)的邻域像素点的灰度值，I_i，j表示坐标为(i，j)的邻域像素点的灰度值， I_i+1，j表示坐标为(i+1，j)的邻域像素点的灰度值，I_i+1，j+1表示坐标为 (i+1，j+1)的邻域像素点的灰度值，I_i-1，j-1表示坐标为(i-1，j-1)的邻域像素点的灰度值，I_i-1，j+1表示坐标为(i-1，j+1)的邻域像素点的灰度值，I_i+1，j-1表示坐标为(i+1，j-1)的邻域像素点的灰度值；

相似性度量模块，用于计算结构向量(1≤k≤8)与邻域结构模板 (1≤l≤12)的相似性度量p_kl，

其中，d表示数据维度，为邻域结构模板的核宽矩阵；

计算似然值模块，用于将邻域结构模板分为目标模板和背景模板，利用相似性度量得到像素点为背景点的背景似然值P_b和像素点为目标点的目标似然值P_f，

P_l＝max{p_kl|k＝1，2，...，8}

其中，P_l为像素点与邻域结构模板的相似性度量，

P1_f＝max{p_kl|k＝1，2，...，4；l＝8}

P2_f＝max{p_kl|k＝5，6，...，8；l＝8}

则目标似然值P_f为：P_f＝(P1_f+P2_f)/2。

进一步的，背景估计值为

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明基于结构向量与邻域结构模板得到相似性度量，利用相似性度量得到目标似然值与背景似然值的比值，比值大于等于阈值，则像素点为目标点，将目标点的灰度值减去背景估计值进行背景抑制，否则，像素点为背景点，直接抑制；本发明同时具有良好的抑制效果、对不同背景类型的自适应性以及满足实时计算要求。本发明不仅背景抑制效果好，并且实验中无需设置参数。

(2)本发明对图像中每一个像素点构建邻域结构模板，相较于单一地对整幅图构建同样的邻域结构模板，更接近真实的邻域结构；像素点的邻域结构模板既包含了图像的灰度信息，又能描述邻域结构，反映了图像的局部背景特性；减少了数据量。

(3)优选的，基于邻域像素点的灰度值得到结构向量组，以水平垂直方向四邻域和倾斜方向组合的方式构建结构向量，既不丢失八邻域信息，又减少了计算量，同时采用结构向量旋转的方式能够避免结构向量与邻域结构模板恰好错位的情况。另外，根据目标点和背景点的特点以不同的方式求目标似然值和背景似然值，使得目标点的衡量尽可能准确，同时尽可能排除背景点。

(4)阈值的选取可以根据实际需求做出调整，具有灵活性。基于似然比，将图像中的像素点划分为背景点与目标点的方法适用于不同的图像背景，因而使得该背景抑制方法不局限于某一类特定的背景。

(5)以邻域像素点集合中背景点的灰度均值作为背景估计值，可以使背景估计值更准确，同时在背景抑制时最大限度地保留目标信息；另外，对背景点直接抑制的方式可以使背景抑制效果更佳。

附图说明

图1是本发明实施例提供的一种基于邻域结构的背景抑制方法的流程图；

图2是本发明实施例1提供的一阶四邻域结构的模板示意图；

图3是本发明实施例1提供的最大类间方差分割的三种情况示意图；

图4是本发明实施例1提供的对于两种情况的分割示意图；

图5是本发明实施例1提供的邻域示意图；

图6是本发明实施例提供的边缘抑制效果图；

图7是本发明实施例提供的不同背景下的背景抑制效果图；

图8是本发明实施例提供的不同背景抑制效果比较图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种基于邻域结构的背景抑制方法，包括：

(2)基于邻域像素点的灰度值得到结构向量，计算结构向量与结构模板的相似性度量，将邻域结构模板分为目标模板和背景模板，利用相似性度量得到像素点为背景点的背景似然值和像素点为目标点的目标似然值；

进一步的，步骤(1)还包括：

(1-1)选取图像中任意一个坐标为(i，j)的像素点p_i，j，像素点p_i，j的灰度值为I_i，j，以像素点p_i，j为中心的八邻域像素点集合为 S＝{p_m+i，n+j|-1≤m，n≤1}，p_m+i，n+j表示坐标为(m+i，n+j)的邻域像素点，以像素点p_i，j为中心的八邻域像素点对应的灰度值集合为I＝{I_i+m，j+n|-1≤m，n≤1}，I_i+m，j+n表示坐标为(m+i，n+j)的邻域像素点的灰度值；

(1-2)将S划分为前景像素点子集S_f和背景像素点子集S_b：

(1-2-1)若I_i，j是集合I的最大值，前景像素点子集和背景像素点子集分别为：

S_f＝{p_i，j}，

S_b＝S-S_f；

(1-2-2)若I_i，j是集合I的次大值，前景像素点子集和背景像素点子集分别为：

S_f＝{p_i，j，p_k，l|I_k，l＝max{I_i+m，j+n，-1≤m，n≤1}}，

S_b＝S-S_f，

其中，p_k，l为集合I的最大值对应位置为k，l所表示的像素点，I_k，l为集合I 的最大值；

(1-2-3)T为灰度集I的分割阈值，设定初值 T⁰＝min{I_i+m，j+n，-1≤m，n≤1}和步长ΔT，不同的增长率Q下对应不同的分割阈值T^Q：

T^Q＝T⁰+Q*ΔT，Q＝0，1，2，...，[max{I_i+m，j+n，-1≤m，n≤1}/ΔT]

按阈值T^Q将S划分为对应的前景像素点子集和背景像素点子集

按下列各式计算不同的增长率Q下的类间方差ICV^Q：

其中，为前景像素频率，为背景像素频率，f^Q为前景灰度均值，b^Q为背景灰度均值，M为灰度集合的均值，式子中card(*)表示集合*中的像素点个数，表示中的像素点个数，card(S)表示S中的像素点个数，表示中的像素点个数：

根据计算得到的一系列的ICV^Q，Q＝0，1，2，…，取使类间方差最大的增长率K＝arg max{ICV^Q，Q＝0，1，2，...}，则：

S_b＝S-S_f

(1-3)计算前景像素点子集的前景像素点灰度平均值f和背景像素点子集的背景像素点灰度平均值b：

其中，card(S_f)表示S_f中像素点的个数，card(S_b)表示S_b中像素点的个数，则图像像素点p_i，j处的邻域结构模板由以下12种模板组成：

进一步的，步骤(2)还包括：

其中，I_i-1，j表示坐标为(i-1，j)的邻域像素点的灰度值，I_i，j-1表示坐标为 (i，j-1)的邻域像素点的灰度值，I_i，j表示坐标为(i，j)的邻域像素点的灰度值， I_i+1，j表示坐标为(i+1，j)的邻域像素点的灰度值，I_i+1，j+1表示坐标为 (i+1，j+1)的邻域像素点的灰度值，I_i-1，j-1表示坐标为(i-1，j-1)的邻域像素点的灰度值，I_i-1，j+1表示坐标为(i-1，j+1)的邻域像素点的灰度值，I_i+1，j-1表示坐标为(i+1，j-1)的邻域像素点的灰度值，为像素点p_i，j水平垂直方向的四邻域构成的向量组，为像素点p_i，j处对角线方向的四邻域构成的向量组；

其中，数据维度d＝5，为邻域结构模板下的核宽矩阵，以的构造为例，其结构与相对应，可以表示为其中，Fbin和Bbin分别为S_f和S_b对应的灰度集方差：

A、若card(S_f)≠1，则转步骤B，否则：

Fbin＝ε＜＜Bbin

B、若card(S_b)≠1，则转步骤C，否则：

Bbin＝ε＜＜Fbin

C、Fbin和Bbin分别为S_f，S_b的方差

其中，ε表示非常小的数值；

(2-3)将邻域结构模板分为目标模板和背景模板，其中，为目标模板，其余为背景模板；利用相似性度量得到像素点为背景点的背景似然值P_b和像素点为目标点的目标似然值P_f，

P_l＝max{p_kl|k＝1，2，...，8}

其中，P_l为像素点与邻域结构模板的相似性度量，

P1_f＝max{p_kl|k＝1，2，...，4；l＝8}

P2_f＝max{p_kl|k＝5，6，...，8；l＝8}

则目标似然值P_f为：

P_f＝(P1_f+P2_f)/2。

进一步的，步骤(3)的具体实现方式为：

若目标似然值与背景似然值的比值l大于等于阈值L，则像素点为目标点，否则，像素点为背景点；

l＝P_f/P_b

若l≥L，则p_i，j∈S_tgt，否则，p_i，j∈S_bk，S_tgt，S_bk分别为目标点集和背景点集。

进一步的，步骤(4)的具体实现方式为：

以邻域像素点集合中背景点的灰度均值作为背景估计值，若像素点为背景点，背景抑制值为0，直接抑制，若像素点为目标点，将目标点的灰度值减去背景估计值进行背景抑制；

图像中像素点p_i，j的背景抑制值I_supp为：

式中，为背景估计值，card(S_bk)为S_bk中的像素点个数：

实施例1

邻域结构模板的构建源于目标点与背景点的不同特征。目标点往往结构较为单一，主要表现为目标点的灰度值高于周围点的灰度值。对于图像中的背景点，有亮区，暗区，边界，边缘点，角点等。理想情况下，假设图像只有两个灰度值，被划分为高灰度值点与低灰度值点，以1表示高灰度值，以0表示低灰度值。如若只考虑中心点与其邻域点，则可以列出所有可能的结构，按照目标的特征找出目标模板，其余为背景模板。考虑八邻域结构，一共9个像素点，每个点的选择有高值和低值两种选择，一共 2^9种，去除邻域八个点旋转以后会重合的情况，一共128种结构。考虑四邻域结构，一共5个像素点，一共2^5种，去除邻域四个点旋转以后会重合的情况，一共12种结构。相较八邻域结构，四邻域结构的种类更少，更易于分析。一阶四邻域结构的模板示意图如图2所示，图2中(1)、(2) 所示结构与图像中暗区接近，图2中(11)、(12)与图像中亮区接近，图2中(8)所示结构为理想目标结构，图2中其余所示结构接近图像中的边缘，边界和角点。

为了得到邻域结构模板中的高灰度值和低灰度值，首先需要将像素集分割为两部分，再取两部分的灰度均值作为模板中的高灰度值和低灰度值。以较为简单的最大类间分割方法来分割像素集，但仅采用最大类间分割方法，会出现三种情况，示意图如图3所示。target表示目标点，图3(1) 为正确分割的情况，图3(2)所示如若中心点为目标点，其八邻域中有一点灰度值极低，用最大类间方差将像素分为两个部分时，划分情况会出现图3(2)所示的情况，灰度值极低的像素点单独为一类，其余像素点为一类，这样很可能导致将该像素的结构归为背景结构，导致目标点丢失。图 3(3)所示如若目标点在角点附近，角点较亮，目标点将被归为暗区，也会导致目标丢失。因而对这三种情况作不同的处理。

图4(1)表示图3(2)所示如若中心点为目标点，其八邻域中有一点灰度值极低时的分割情况，图4(2)表示图3(3)所示如若目标点在角点附近，角点较亮时的分割情况。

一阶结构向量组的构建用到了像素点的八邻域集合，因为八邻域比四邻域包含的信息更多，如若只考虑四邻域，则漏了很多信息，因而将八邻域拆分为两个四邻域结构，水平垂直方向的四邻域与倾斜方向的四邻域。邻域示意图如图5所示，图5(1)表示水平垂直方向四邻域，图5(2)表示倾斜方向四邻域，图5(3)表示八邻域理想目标。考虑到像素点的结构与邻域像素点的具体位置无关，只有邻域像素点的分布有关，如若邻域像素点按原来的分布同一方向旋转一定得角度，角度可取{90°，180°，270°}，仍为同一个结构，因而将水平垂直方向四邻域结构向量依次旋转90°，180°，270°，得到结构向量同理，将倾斜方向四邻域结构向量依次旋转90°，180°，270°，得到结构向量

在已求得邻域结构模板和一阶结构向量组后，关键在于如何衡量像素点成为目标点、背景点的可能性。采用高斯核密度函数可以衡量像素点p_i，j的8个一阶结构向量与12个邻域结构模板相似性p_kl；紧接着通过取8 个一阶结构向量与邻域结构模板中相似性最大的值衡量像素点与邻域结构模板的相似性度量P_l；最后用均值的统计的方式取所有背景模板的均值作为像素点为背景的背景似然值P_b。但是对于目标模板，如若像素点的结构与目标模板相似，要求水平垂直方向的结构向量与倾斜方向的结构向量同时与目标模板的相似。因而，像素水平垂直方向的结构与目标模板得相似性P1_f取水平垂直方向的一阶结构向量组与目标模板中相似性最大的值；像素倾斜方向的结构与目标模板得相似性P2_f取倾斜方向的一阶结构向量组与目标模板中相似性最大的值，两者的均值即为目标似然值P_f。以P_f/P_b衡量一个像素点更倾向于目标点还是背景点。设定阈值 L，若目标似然值与背景似然值的比值大于等于阈值L，则像素点为目标点，否则，为背景点。

对整幅图求得每个像素点的点类型后，采用基于点划分的背景抑制策略。对于被判定为背景点的像素点，背景抑制值直接设为0；对于被判定为目标点的像素点，以邻域像素点集合中背景点的灰度均值作为背景估计值，以像素点灰度值减去背景估计值的大小作为背景抑制值。对整幅图所有像素点采取同样的背景抑制策略，最终即可得到整幅图的背景抑制结果。

以表1中的数据示例图像中某个像素点及其八邻域。

表1图像中某个像素点示例

64	69	71
			64	81	69
63	65	66

其邻域集合S＝{64，69，71，64，81，69，63，65，66}，示例数据中中心点的灰度值高于周围像素点的灰度值，因而采用计算公式：

S_f＝{p_i，j}

S_b＝S-S_f

实施例1中具体计算为：

S_f＝{81}

S_b＝{64，69，71，64，69，63，65，66}

计算前景像素点子集的前景像素点灰度平均值f和背景像素点子集的背景像素点灰度平均值b：

基于图像像素点p_i，j处的邻域像素点的灰度值得到结构向量：

中心点的灰度值为八邻域中的最大值，S_f集合中只有一个点，Fbin可以设定为一个较小的值，使Fbin远小于Bbin。计算结果为：

Fbin＝10^-6

因而，12个核宽矩阵可以表示为以下形式：

紧接着计算8个结构向量与12个邻域结构模板的相似性度量p_kl，求得的结果如表2所示。

表2相似性计算结果

将邻域结构模板分为目标模板和背景模板，其中，为目标模板，其余为背景模板；利用相似性度量得到像素点为背景点的背景似然值P_b和像素点为目标点的目标似然值P_f，P_l＝max{p_kl|k＝1，2，...，8}

其中，P_l为像素点与邻域结构模板的相似性度量，

P_l＝5.04826×10^-11

P₂＝0

P₃＝0

P₄＝0

P₅＝0

P₆＝0

P₇＝0

P₉＝0

P₁₀＝0

P₁₁＝0

P₁₂＝0

P1_f＝max{p_kl|k＝1，2，...，4；l＝8}

P2_f＝max{p_kl|k＝5，6，...，8；l＝8}

则目标似然值P_f为：

P1_f＝max{p₁₈，p₂₈，p₃₈，p₄₈}＝0.0397375

P2_f＝max{p₅₈，p₆₈，p₇₈，p₈₈}＝0.0144970

P_f＝(P1_f+P2_f)/2＝0.0271

l＝P_f/P_b＝5908758301.66552

为了最大限度的保留疑似目标点，选择L＝1，本实施例1中似然比l远远大于1，因而可以判定为目标点，即：

p_i，j∈S_tgt

本实施例1中，中心像素点周围的点似然比均小于1，判定为背景点，最后本实施例中中心像素点背景抑制的值计算得：

实验(1)

为了考察本发明的背景抑制效果，选用边缘较为明晰的图像，如图6 (a)所示，用本发明背景抑制方法对图像处理，背景抑制结果如图6(b) 所示。图6中(c)，(d)，(e)，(f)依次为去最大中值滤波，非局部均值滤波，TDLMS滤波，Top-hat滤波的结果。

为了衡量背景抑制后的效果，以信杂比(SCR)为指标，其定义为目标 I_t减去背景μ_b的强度与局部背景的标准差σ_b的比值。

信杂比计算结果如下表3所示。

表3信杂比计算结果

从图6(b)中可以看出本发明背景抑制方法能够抑制背景边缘，保留图像中疑似目标点结构的像素点。相较于其他方法，本发明的背景抑制效果更好，信杂比大幅提高。

实验(2)不同背景下的实验

第二个实验测试的数据取四种不同的图像背景，用提出的算法在本文下运算。实验(1)中考察了本发明背景抑制方法在边缘较为明晰情况下的背景抑制效果，然而在大片云层，边缘较为明显的情况下，图像各个像素间的相关性较好。因此选取背景时，除了选取大片云层的背景图7-B1外，还选取了另外三种背景，图7-A1小片区域较多，图7-C1云层起伏较大，图图7-D1中角点较多。图7中第2列为背景抑制的结果，图7中第三列为背景抑制后以目标点为中心大小为21×21的局部结构。求得的信杂比如下表所示。表4为该实验下信杂比计算结果，结果表明对于不同的背景图像，本发明背景抑制方法均能自适应滤波，无需进行参数调整。

表4信杂比计算结果

	图7-A1	图7-B1	图7-C1	图7-D1
					SCR	6.1754	6.1650	5.2964	7.4425

实验(3)对比实验

在实验(2)的基础上，与其他方法作对比实验。对比的方法有去最大中值滤波，非局部均值滤波，TDLMS滤波，top-hat滤波。其中去最大中值滤波采用3×3的窗口。非局部均值滤波的搜索框半径R取10，相似框半径 r为1，核宽h为5。TDLMS的滤波器宽为3×3，迭代步长需要根据不同的背景调整至最优。处理后的结果如下表5所示。对比结果表明提出的方法在不同的背景下效果优于其他方法。

表5信杂比计算结果

SCR	本发明方法	去最大中值	非局部均值	TDLMS	Top-hat
						图7-A1	6.1754	2.4008	3.1541	2.2591	4.7968
图7-B1	6.1650	1.8120	3.2009	3.9338	4.3172
						图7-C1	5.2964	1.6999	3.9156	2.5714	2.6245
图7-D1	7.4425	4.1645	4.6758	4.0682	5.7187

图8展示了用该算法处理后信杂比较低的图与其他方法作对比的结果展示。图8A，图8B，图8C，图8D，图8E依次为本发明背景抑制方法，去最大中值滤波，非局部均值滤波，TDLMS滤波，Top-hat滤波的背景抑制结果，以及背景抑制后以目标点位中心的局部结构图。

实验(1)的结果表明本发明背景抑制方法可以有效滤除背景的边缘，在图像背景相关性较强时，背景抑制后信杂比远远高于其他算法的信杂比。实验(2)选取了四种不同的背景，目标强度较弱，本发明背景抑制方法仍能自适应地抑制背景，突出小目标。实验(3)在不同背景下与其他算法做对比，从计算的信杂比中可以看出本发明背景抑制方法在背景抑制的效果上依然优于其他算法。本发明背景抑制方法不仅背景抑制效果好，并且实验中无需设置参数。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于邻域结构的背景抑制方法，其特征在于，包括：

2.如权利要求1所述的一种基于邻域结构的背景抑制方法，其特征在于，所述邻域结构模板包括：

3.如权利要求1或2所述的一种基于邻域结构的背景抑制方法，其特征在于，所述步骤(2)包括：

<mrow> <msub> <mover> <mi>x</mi> <mo>&RightArrow;</mo> </mover> <mn>1</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mover> <mi>x</mi> <mo>&RightArrow;</mo> </mover> <mn>2</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mover> <mi>x</mi> <mo>&RightArrow;</mo> </mover> <mn>3</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mover> <mi>x</mi> <mo>&RightArrow;</mo> </mover> <mn>4</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mover> <mi>x</mi> <mo>&RightArrow;</mo> </mover> <mn>5</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mover> <mi>x</mi> <mo>&RightArrow;</mo> </mover> <mn>6</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mover> <mi>x</mi> <mo>&RightArrow;</mo> </mover> <mn>7</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mover> <mi>x</mi> <mo>&RightArrow;</mo> </mover> <mn>8</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow>

其中，I_i-1，j表示坐标为(i-1，j)的邻域像素点的灰度值，I_i，j-1表示坐标为(i，j-1)的邻域像素点的灰度值，I_i，j表示坐标为(i，j)的邻域像素点的灰度值，I_i+1，j表示坐标为(i+1，j)的邻域像素点的灰度值，I_i+1，j+1表示坐标为(i+1，j+1)的邻域像素点的灰度值，I_i-1，j-1表示坐标为(i-1，j-1)的邻域像素点的灰度值，I_i-1，j+1表示坐标为(i-1，j+1)的邻域像素点的灰度值，I_i+1，j-1表示坐标为(i+1，j-1)的邻域像素点的灰度值；

(2-2)计算结构向量与邻域结构模板的相似性度量p_kl，

<mrow> <msub> <mi>p</mi> <mrow> <mi>k</mi> <mi>l</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>K</mi> <mi>H</mi> </msub> <mrow> <mo>(</mo> <msub> <mover> <mi>x</mi> <mo>&RightArrow;</mo> </mover> <mi>k</mi> </msub> <mo>,</mo> <msub> <mover> <mi>m</mi> <mo>&RightArrow;</mo> </mover> <mi>l</mi> </msub> <mo>)</mo> </mrow> </mrow>

其中，d表示数据维度，为邻域结构模板的核宽矩阵；

P_l＝max{p_kl|k＝1，2，...，8}

其中，P_l为像素点与邻域结构模板的相似性度量，

P1_f＝max{p_kl|k＝1，2，...，4；l＝8}

P2_f＝max{p_kl|k＝5，6，...，8；l＝8}

则目标似然值P_f为：P_f＝(P1_f+P2_f)/2。

4.如权利要求1所述的一种基于邻域结构的背景抑制方法，其特征在于，所述背景估计值为

<mrow> <msubsup> <mi>M</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mrow> <mi>b</mi> <mi>k</mi> </mrow> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>c</mi> <mi>a</mi> <mi>r</mi> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mrow> <mi>b</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mi>&Sigma;</mi> <mo>{</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> </mrow> </msub> <mo>|</mo> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>n</mi> </mrow> </msub> <mo>&Element;</mo> <msub> <mi>S</mi> <mrow> <mi>b</mi> <mi>k</mi> </mrow> </msub> <mo>,</mo> <mo>-</mo> <mn>1</mn> <mo>&le;</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>&le;</mo> <mn>1</mn> <mo>}</mo> <mo>,</mo> </mrow>

5.一种基于邻域结构的背景抑制系统，其特征在于，包括：

获取似然值模块，用于基于邻域像素点的灰度值得到结构向量，计算结构向量与邻域结构模板的相似性度量，将邻域结构模板分为目标模板和背景模板，利用相似性度量得到像素点为背景点的背景似然值和像素点为目标点的目标似然值；

6.如权利要求5所述的一种基于邻域结构的背景抑制系统，其特征在于，所述邻域结构模板包括：

7.如权利要求5所述的一种基于邻域结构的背景抑制系统，其特征在于，所述背景估计值为