CN109118453A - 一种背景抑制的图像处理方法 - Google Patents
一种背景抑制的图像处理方法 Download PDFInfo
- Publication number
- CN109118453A CN109118453A CN201810987133.0A CN201810987133A CN109118453A CN 109118453 A CN109118453 A CN 109118453A CN 201810987133 A CN201810987133 A CN 201810987133A CN 109118453 A CN109118453 A CN 109118453A
- Authority
- CN
- China
- Prior art keywords
- image
- adaptive
- background
- pixel
- gradient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010998 test method Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010494 dissociation reaction Methods 0.000 description 8
- 230000005593 dissociations Effects 0.000 description 8
- 238000002485 combustion reaction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 101000694017 Homo sapiens Sodium channel protein type 5 subunit alpha Proteins 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 102100020760 Ferritin heavy chain Human genes 0.000 description 2
- 101001002987 Homo sapiens Ferritin heavy chain Proteins 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000032365 Electromagnetic interference Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体涉及一种背景抑制的图像处理方法,目的在于降低图像信号的背景干扰,解决复杂流场下HTV图像信噪比低的问题。本发明的技术方案是:该方法首先用空间变换模块,通过自适应差分法对当前采样时刻所采集的数字图像进行OH荧光背景干扰去除;其次调用空域变换模块,通过自适应空间滤波法对当前数字图像LD进行背景噪声去除;最后调用频域变换模块,通过小波滤波法对当前数字图像LS进行背景噪声去除;有效地提升了高温高速流场HTV速度测量时的图像预处理能力,降低图像信号的背景干扰,提高了图像信噪比。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种背景抑制的图像处理方法。
背景技术
在各种高速流动研究、以及涉及各种类型流动现象的发动机等动力装置的研究中,流场的速度是一个非常重要的参数,对流场结构研究、数值计算模型验证、发动机设计评估等具有非常重要意义。在线高精度测量流场速度就成为了相关研究的重点和热点之一。目前,用于流场速度在线测量的方法包括粒子速度成像(简称:PIV)方法和分子标记示踪速度测量简称:MTV)方法等。其中,PIV技术需要在流场中播撒示踪粒子,对流场、流道有一定的污染,而且所播撒的粒子在高速条件下的跟随性较差。MTV技术用激光标记的分子作为流场的示踪粒子,通过观察这些标记分子在流场中的运动图像,根据已知时间间隔内标记分子跟随流场的移动距离计算流场的速度分布。该类技术有效避免了示踪粒子的跟随性问题,在流场的速度测量研究中发挥了重要作用。羟基(OH)分子标记示踪速度测量技术(简称:HTV)是MTV技术的一种,它利用激光解离水产生的羟基(OH)作为流场标记,然后利用平面激光诱导荧光(简称:PLIF)技术对这些OH标记的位置进行显示。激光解离产生的OH随着流场运动,实验中分别记录OH原始位置及随流场运动一定时间后的位置信息,获得位移量,再除以对应的时间即可获得流场的速度信息。水广泛存在于各类燃料燃烧场中,所产生的OH在高温燃烧环境中具有较长的寿命。因此HTV是一种非常适用于高温高速流场的速度测量方法。
但HTV应用于流场速度测量时,有诸多因素影响信号的信噪比(信噪比的降低会造成速度测量不确定度的增大),主要包括:一、在复杂燃料的反应流动中,大分子燃料(航空煤油等)的存在会对解离激光产生较强的吸收,此外,为了保障窗口不被激光损伤,需要降低解离激光的能量阈值,使得解离效率降低,影响标记线提取以及速度计算的精度,降低信噪比;二、流场中的各种颗粒物、壁面等对激光的散射,以及反应流场本身存在的中间产物所形成的散射光会对信号产生较大干扰,造成测量图像的信噪比降低;三、获取荧光图像或对荧光图像进行传输的时候,因为一些外部和内在的因素造成图像中出现了一些事先不可测的随机干扰信号。比如实验环境中相机的抖动、感光器材的质量、热噪声、光照的影响、温度变化和其它的电磁波干扰等,因此实验测量中不可避免的面临测量系统背景噪声影响;四、在燃烧流场中,由于化学反应的存在,燃烧流场中存在一定量的OH,特别是在化学反应剧烈的区域(如燃烧面附近)存在的大量OH,这些OH的浓度大于甚至远大于激光解离产生的OH浓度,因此在采用PLIF技术显示解离产生的OH分布时,燃烧场中原有的OH同样会产生荧光并叠加在所需的信号上,造成解离产生OH位置判断困难,准确性下降等,进而造成速度测量精度下降甚至失败。
现有HTV技术图像处理研究中,主要是针对如何提高标记网格线的位置精度,包括:采用直接相关方法将交叉标记网格位置提取的精度提高到亚像素级别,采用主动轮廓法解决标记线变形断裂的问题等。但如何通过图像处理方法降低图像信号的背景干扰,提高信噪比尚未有非常有效的方法。
发明内容
本发明目的在于降低图像信号的背景干扰,解决复杂流场下HTV图像信噪比低的问题,提出一种基于空间、空域变换与频域变换相结合的背景抑制图像处理方法。
为了完成上述目的,本发明的具体技术解决方案是:一种背景抑制的图像处理方法,其特殊之处在于,包括以下步骤:
1)调用空间变换模块,通过自适应差分法对当前采样时刻所采集的数字图像进行OH荧光背景干扰去除;
1.1)获取自适应差分图像Ladaptive,计算图像梯度向量场G;
1.1.1)对灰度图像L进行空间变换:图像L大小为M×N个像素点,50≤M≤1920,50≤N≤1920,采用二元函数fL(x,y)表示灰度图像L,将图像L做空间变换后得到由二维函数表示的图像L1,
其中:f(x1,y1)=f(x+Δx,y+Δy),x1=x+Δx,y1=y+Δy,|Δx|≤M,|Δy|≤N;
1.1.2)对图像L1与灰度图像L做差分运算,获得差分图像L2:将图像L1中所有像素点与灰度图像L中对应的像素点相减,得到由表示的差分图像,将差分图像整体移动(Δx/2,Δy/2)像素,移动后的图像
1.1.3)自适应差分图像确定:以移动后的图像L2和L的像素差均方SD来判定自适应差分图像,|Δx|≤M,|Δy|≤N,像素差均方最小值SDmin对应的差分图像L2为自适应差分图像Ladaptive,即
1.1.4)计算自适应差分图像Ladaptive的梯度:通过dL/dx=(f(x+1)-f(x-1))/2计算fLadaptive(x,y)的梯度,获取图像梯度向量场G;
1.2)计算阈值TF,分割图像G,获得图像LD,完成背景抑制:
1.2.1)设定一个最小阈值TMIN和初始估计阈值TO,用二维函数fG(x,y)表示图像G,定义像素最大值为fGMAX,像素最小值为fGMIN,初始阈值TMIN=0.001;
1.2.2)采用初始阈值TO将图像梯度向量场G分割为两部分,其中灰度值>TO的部分为图像L3,灰度值≤TO的部分为图像L4,分别计算图像L3和图像L4的平均灰度值T3和T4;
1.2.3)根据步骤2.2)得到的T3、T4计算阈值TF,当|TF-TO|<TMIN,则获得阈值TF,否则,将TF赋予TO进行迭代计算,直到得到阈值TF;
1.2.4)以TF分割图像G,当TF≤fG(x,y),fG(x,y)=fG(x,y);当TF>fG(x,y),fG(x,y)=0,得到图像LD,完成自适应差分法背景抑制;
2)调用空域变换模块,通过自适应空间滤波法对当前数字图像LD进行背景噪声去除;
2.1)对图像LD进行y方向的灰度统计:将图像LD表示为M×N的二维数据fD(x,y),背景干扰Linterfere所在区域为[La,c,…Lb,d],可表示为fin(x,y),y方向灰度统计结果表示为信号所在区域为[L1,e,…LM,f],可表示为fs(x,y),y方向灰度统计结果表示为判断是否存在T满足max fin(x,y)<T≤minfs(x,y);
2.2)判断结果为是,存在满足此判据的T,则采用阈值T进行全局窗口空间滤波;
当T≤fD(x,y),fD(x,y)=fD(x,y);当T>fD(x,y),fD(x,y)=0,完成信号和干扰的分割,背景噪声的去除,进入步骤3);
2.3)判断结果为否,不存在T满足max fin(x,y)<T≤min fs(x,y),进行自适应空间滤波,逐步分区窗口滤波;
2.3.1)空间滤波:
计算找出最大值max g(x,y)所在的列h,设定[L1,h,L2,h,L3,h,…LM,h]为特征窗口的中心位置,选择合适的窗口尺寸wo(0<w<M/2)进行空间滤波,确定图像处理ROI区域LR;
2.3.2)逐步分区窗口滤波:
2.3.2.1)卷积去噪:对步骤2.3.1)中的LR包含的所有像素点与高斯函数进行卷积,获得去噪后图像LG,LG(x,y)=G(x,y)*fR(x,y);
2.3.2.2)梯度计算:计算出LG(x,y)每一点的局部梯度幅值和梯度方向θ=arctan(Ly/Lx),假定一个像素p1,将像素p1与沿着梯度方向的像素p2进行比较,当p1的梯度幅值Lp1≤Lp2,p1=0,当Lp1>Lp2,保持p1不变,获得梯度幅度图像中的边缘信息LI;
2.3.2.3)边缘提取:在LI中设置归一化后的分割阈值thresh,其中thresh包含2个元素的向量,分别是低阈值Tl和高阈值Th,(0<Tl=0.4×Th<1),采用canny算子提取到图像的边缘LC;
2.3.2.4)对步骤2.3.2.3)中提取到图像的边缘LC进行二值化变换,得到图像LB;
2.3.2.5)对图像LB执行Hough变换,得到Hough矩阵LH,在矩阵中寻找峰值点LP,根据LH和LP,在图像LB中提取多个直线段;
2.3.2.6)在图像LB中提取的任意一个线段I(Ik,l,Ik+t,l+t′),计算找出最大值max g(x,y)所在的列r,即可获得分区窗口中心位置[Ik,r,Ik+1,r,…Ik+t,r],设置分区窗口大小为wp(0<wp<t),进行滤波去噪得计算得到min h(x,y)时的相对应的wp为确定的分区窗口尺寸,分区进行滤波去噪。
2.3.2.7)重复步骤2.3.2.6),直至完成所有直线段的分区滤波,使得在垂直方向上有突变的信号图像逐步被划分,逼近可检测的直线图像,完成自适应空间滤波背景去噪,处理后的图像得到图像LS。
进一步地,上述背景抑制的图像处理方法还包括:
步骤3)调用频域变换模块,通过小波滤波法对当前数字图像LS进行背景噪声去除;
3.1)选择小波函数和小波分解层数,层数取值为正整数,运用分解算法将含噪声的图像LS进行分层小波分解,得到相应的小波分解系数;
3.2)将分解的低频系数置0,高频系数进行软阈值函数处理;
3.3)根据步骤3.2)中经过阈值量化处理的系数,运用重构算法对处理后的新的小波分解结构进行小波重构,获取去噪后的图像LW。
与现有技术相比,本发明的优点在于:
1、本发明背景抑制的图像处理方法基于空间变换、空域变换与频域变换相结合,首先用空间变换模块,通过自适应差分法对当前采样时刻所采集的数字图像进行OH荧光背景干扰去除;其次调用空域变换模块,通过自适应空间滤波法对当前数字图像LD进行背景噪声去除;有效地提升了高温高速流场HTV速度测量时的图像预处理能力,降低图像信号的背景干扰,提高了图像信噪比,本发明采用的方法简便、快捷,运算时间短,提高了测速精度。
2、本发明根据背景干扰分布广、能量高、强度均匀集中的特点,提出空间变换思想,采用自适应差分法可有效分割图像,消除对信号的干扰,可抑制复杂燃烧场中背景干扰;可把信号高效的从复杂多变的背景中区分出来,去除不相关的背景,保留有效OH分子标记线信号。
3、本发明提出空域变换思想,采用基于霍夫变换的空间滤波方法,不仅可抑制流场背景中能量较高,分布离散的干扰,而且保留了HTV测速的关键信息,OH分子标记线边缘信息,避免了去噪边缘模糊的效应。
4、本发明采取的频域变换,是在空间变换去除OH荧光背景和空域变换去除流场背景干扰的前提下,采用小波变换滤除实际工况下产生的高斯噪声,进一步提高了图像信噪比。
附图说明
图1为本发明实验图像处理过程的示意框图;
图2为本发明的背景抑制图像处理方法的流程框图。
具体实施方式
以下结合附图和具体实施例对本发明进行详细说明:
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
以超燃冲压发动机模型实验中HTV测得的实验数据为例,本发明提出的基于空间、空域变换与频域变换相结合的背景抑制图像处理方法,能有效地去除图像背景噪声。
参见图1,本发明的技术方案是这样实现的:
第一步:通过ICCD摄像头实时记录下复杂流场下OH荧光数字图像,通过ICCD摄像头所拍摄的数字图像同步进行采集,将每个时刻采集的数字图像同步传送至处理器;
其中,第一步中的ICCD摄像头接采集卡,采集卡接处理器,采集数字图像的大小均为512×512个像素点;
第二步:所述处理器对第一步所采集的数字图像进行图像处理,将当前所采集的数字图像转换为灰度图像L,进行图像处理;
第三步:把预处理后的图像信息存储在存储器中;
第四步:通过图像输出单元,输出背景抑制后的图像信息。
参见图2,第二步图像处理采用的是一种背景抑制的图像处理方法,包括以下步骤:
1)处理器调用空间变换模块,通过自适应差分法对当前采样时刻所采集的数字图像进行OH荧光背景干扰去除,自适应差分法是在图像偏移相减的空间变换的基础上,用自适应差分法计算梯度,采用迭代方式计算最佳阈值进行分割梯度图像,完成OH荧光背景干扰,包括以下步骤:
1.1)对灰度图像L进行空间变换:采用二元函数fL(x,y)表示灰度图像L,将图像L做空间变换后得到由二维函数表示的图像L1,
其中:f(x1,y1)=f(x+Δx,y+Δy),x1=x+Δx,y1=y+Δy,|Δx|≤20,|Δy|≤20;
1.2)对图像L1与灰度图像L做差分运算,获得差分图像L2:将图像L1中所有像素点与灰度图像L中对应的像素点相减,得到由表示的差分图像,将差分图像整体移动(Δx/2,Δy/2)像素,移动后的图像
1.3)自适应差分图像确定:以移动后的图像L2和L的像素差均方SD来判定自适应差分图像,Δx≤20,|Δy|≤20,像素差均方最小值SDmin对应的差分图像L2为自适应差分图像Ladaptive,
当|Δx|=5,|Δy|=0时,计算出的SDmin最小,此时的差分图L2为自适应差分图像Ladaptive,即
1.4)计算自适应差分图像Ladaptive的梯度:通过dL/dx=(f(x+1)-f(x-1))/2计算fLadaptive(x,y)的梯度,获取图像梯度向量场G;
1.5)设定一个最小阈值TMIN(TMIN=0.001)和初始估计阈值TO,其中图像G可表示为二维函数fG(x,y),像素最大值为fGMAX,像素最小值为fGMIN,
1.6)用初始阈值TO将图像梯度向量场G分割为两部分,一部分图像L3的灰度值>TO,另一部分图像L4的灰度值≤TO,计算L3中所有像素的平均灰度值T3,计算L4中所有像素的平均灰度值T4;
1.7)根据得到的T3、T4,计算阈值TF,当|TF-TO|<TNIM,则获得阈值TF,否则,将TF赋予TO进行迭代计算,直到得到阈值TF;
1.8)以TF分割图像G,当TF≤fG(x,y),fG(x,y)=fG(x,y);当TF>fG(x,y),fG(x,y)=0,得到图像LD,完成自适应差分法背景抑制;
2)所述处理器调用空域变换模块,通过自适应空间滤波法对当前数字图像LD进行背景噪声去除,所述的自适应空间滤波法,其特征在于通过像素统计与图像特征结合方式确定ROI,用canny法提取的图像边缘信息,用霍夫变换提取图像中直线段,自适应去分区匹配信号,直到搜索整条标记线,完成对图像信息的背景去噪,包括以下步骤:
2.1)对图像LD进行y方向的灰度统计:将图像LD表示为M×N的二维数据fD(x,y),背景干扰Linterfere所在区域为[La,c,…Lb,d],可表示为fin(x,y),y方向灰度统计结果表示为信号Lsignal所在区域为[L1,e,…LM,f],可表示为fs(x,y),y方向灰度统计结果表示为判断是否存在T满足max fin(x,y)<T≤min fs(x,y);
2.2)判断结果为是,存在满足此判据的T,则采用阈值T进行全局窗口空间滤波;
当T≤fD(x,y),fD(x,y)=fD(x,y);当T>fD(x,y),fD(x,y)=0,完成信号和干扰的分割,背景噪声的去除,进入步骤3);
2.3)判断结果为否,不存在T满足max fin(x,y)<T≤min fs(x,y),计算比较结果,找出最大值max g(x,y)所在的列h,h=58,设定[L1,58,L2,58,L3,58,…Ln,58]为特征窗口的中心位置;
2.4)选取窗口尺寸w=5进行空间滤波,确定图像处理ROI区域LR;
2.5):卷积去噪,对LR包含的所有像素点,与高斯函数进行卷积,获得去噪后图像LG,LG(x,y)=G(x,y)*fR(x,y);
2.6)梯度计算:计算出LG(x,y)每一点的局部梯度幅值和梯度方向θ=arctan(Ly/Lx),假定一个像素p1与沿着梯度方向的像素p2进行比较,当p1的梯度幅值Lp1<=Lp2,p1=0,当Lp1>Lp2,p1保持不变,p1就是其梯度方向上梯度局部最大的点,这样可以获得梯度幅度图像中的边缘信息LI;
2.7)边缘提取:在LI中设置归一化后的分割阈值thresh,其中thresh包含2个元素的向量,分别是低阈值Tl和高阈值Th,Tl=0.26,Th=0.65,采用canny算子提取图像的边缘LC,对提取到的图像边缘LC进行二值化变换LB;
2.8)霍夫变换:对图像LB执行Hough变换,得到Hough矩阵LH,在矩阵中寻找峰值点LP,根据LH和LP,在图像LB中提取多个直线段;
2.9)自适应空间滤波:在图像LB中提取的任意一个线段I(Ik,l,Ik+t,l+t′),计算找出最大值max g(x,y)所在的列r,即可获得分区窗口中心位置[Ik,r,Ik+1,r,…Ik+t,r],如何选择分区窗口尺寸,先设置分区窗口大小为wp(0<wp<t),进行滤波去噪得到 计算得到min h(x,y)时的相对应的wp为确定的分区窗口尺寸,进行分区窗口空间滤波,依次类推,逐步完成其它直线段的分区窗口空间滤波,使得在垂直方向上有突变的信号图像逐步被划分,逼近可检测的直线图像,完成自适应空间滤波背景去噪,处理后的图像得到图像LS;
3)所述处理器调用频域变换模块,通过小波滤波法对当前数字图像LS进行背景噪声去除,所述的小波滤波法,其特征在于选择小波系数,在所述空间变换和空域变换去除背景干扰的基础上,提取在空域与噪声不易区分的信号,完成对图像信息的背景去噪,包括以下步骤:
3.1)选择小波函数coif5和小波分解层数5,运用分解算法将含噪声的图像LS进行分层小波分解,得到相应的小波分解系数;
3.2)将分解到的1、2层低频系数置0,3-5层高频系数进行软阈值函数处理,阈值设为0.012;
3.3)根据步骤3.2)中经过阈值量化处理的系数,运用重构算法对处理后的新的小波分解结构进行小波重构,获取去噪后的图像LW。
应当说明,以上所述的仅是本发明的优选实施方式,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (2)
1.一种背景抑制的图像处理方法,其特征在于,包括以下步骤:
1)调用空间变换模块,通过自适应差分法对当前采样时刻所采集的数字图像进行OH荧光背景干扰去除;
1.1)获取自适应差分图像Ladaptive,计算图像梯度向量场G;
1.1.1)对灰度图像L进行空间变换:图像L大小为M×N个像素点,50≤M≤1920,50≤N≤1920,采用二元函数fL(x,y)表示灰度图像L,将图像L做空间变换后得到由二维函数表示的图像L1,
其中:f(x1,y1)=f(x+Δx,y+Δy),x1=x+Δx,y1=y+Δy,|Δx|≤M,|Δy|≤N;
1.1.2)对图像L1与灰度图像L做差分运算,获得差分图像L2:将图像L1中所有像素点与灰度图像L中对应的像素点相减,得到由表示的差分图像,将差分图像整体移动(Δx/2,Δy/2)像素,移动后的图像
1.1.3)自适应差分图像确定:以移动后的图像L2和L的像素差均方SD来判定自适应差分图像,|Δx|≤M,|Δy|≤N,像素差均方最小值SDmin对应的差分图像L2为自适应差分图像Ladaptive,即
1.1.4)计算自适应差分图像Ladaptive的梯度:通过dL/dx=(f(x+1)-f(x-1))/2计算fLadaptive(x,y)的梯度,获取图像梯度向量场G;
1.2)计算阈值TF,分割图像G,获得图像LD,完成背景抑制:
1.2.1)设定一个最小阈值TMIN和初始估计阈值TO,用二维函数fG(x,y)表示图像G,定义像素最大值为fGMAX,像素最小值为fGMIN,初始阈值
1.2.2)采用初始阈值TO将图像梯度向量场G分割为两部分,其中灰度值>TO的部分为图像L3,灰度值≤TO的部分为图像L4,分别计算图像L3和图像L4的平均灰度值T3和T4;
1.2.3)根据步骤2.2)得到的T3、T4计算阈值TF,当|TF-TO|<TMIN,则获得阈值TF,否则,将TF赋予TO进行迭代计算,直到得到阈值TF;
1.2.4)以TF分割图像G,当TF≤fG(x,y),fG(x,y)=fG(x,y);当TF>fG(x,y),fG(x,y)=0,得到图像LD,完成自适应差分法背景抑制;
2)调用空域变换模块,通过自适应空间滤波法对当前数字图像LD进行背景噪声去除;
2.1)对图像LD进行y方向的灰度统计:将图像LD表示为M×N的二维数据fD(x,y),背景干扰Linterfere所在区域为[La,c,…Lb,d],可表示为fin(x,y),y方向灰度统计结果表示为信号所在区域为[L1,e,…LM,f],可表示为fs(x,y),y方向灰度统计结果表示为判断是否存在T满足max fin(x,y)<T≤minfs(x,y);
2.2)判断结果为是,存在满足此判据的T,则采用阈值T进行全局窗口空间滤波;
当T≤fD(x,y),fD(x,y)=fD(x,y);当T>fD(x,y),fD(x,y)=0,完成信号和干扰的分割,背景噪声的去除,进入步骤3);
2.3)判断结果为否,不存在T满足maxfin(x,y)<T≤minfs(x,y),进行自适应空间滤波,逐步分区窗口滤波;
2.3.1)空间滤波:
计算找出最大值max g(x,y)所在的列h,设定[L1,h,L2,h,L3,h,…LM,h]为特征窗口的中心位置,选择合适的窗口尺寸wo(0<w<M/2)进行空间滤波,确定图像处理ROI区域LR;
2.3.2)逐步分区窗口滤波:
2.3.2.1)卷积去噪:对步骤2.3.1)中的LR包含的所有像素点与高斯函数进行卷积,获得去噪后图像LG,LG(x,y)=G(x,y)*fR(x,y);
2.3.2.2)梯度计算:计算出LG(x,y)每一点的局部梯度幅值和梯度方向θ=arctan(Ly/Lx),假定一个像素p1,将像素p1与沿着梯度方向的像素p2进行比较,当p1的梯度幅值Lp1≤Lp2,p1=0,当Lp1>Lp2,保持p1不变,获得梯度幅度图像中的边缘信息LI;
2.3.2.3)边缘提取:在LI中设置归一化后的分割阈值thresh,其中thresh包含2个元素的向量,分别是低阈值Tl和高阈值Th,(0<Tl=0.4×Th<1),采用canny算子提取到图像的边缘LC;
2.3.2.4)对步骤2.3.2.3)中提取到图像的边缘LC进行二值化变换,得到图像LB;
2.3.2.5)对图像LB执行Hough变换,得到Hough矩阵LH,在矩阵中寻找峰值点LP,在图像LB中提取多个直线段;
2.3.2.6)在图像LB中提取的任意一个线段I(Ik,l,Ik+t,l+t′),计算找出最大值maxg(x,y)所在的列r,即可获得分区窗口中心位置[Ik,r,Ik+1,r,…Ik+t,r],设置分区窗口大小为wp(0<wp<t),进行滤波去噪得 计算得到minh(x,y)时的相对应的wp为确定的分区窗口尺寸,分区进行滤波去噪;
2.3.2.7)重复步骤2.3.2.6),直至完成所有直线段的分区滤波,使得在垂直方向上有突变的信号图像逐步被划分,逼近可检测的直线图像,完成自适应空间滤波背景去噪,处理后的图像得到图像LS。
2.根据权利要求1所述的背景抑制的图像处理方法,其特征在于,还包括:
步骤3)调用频域变换模块,通过小波滤波法对当前数字图像LS进行背景噪声去除;
3.1)选择小波函数和小波分解层数,层数取值为正整数,运用分解算法将含噪声的图像LS进行分层小波分解,得到相应的小波分解系数;
3.2)将分解的低频系数置0,高频系数进行软阈值函数处理;
3.3)根据步骤3.2)中经过阈值量化处理的系数,运用重构算法对处理后的新的小波分解结构进行小波重构,获取去噪后的图像LW。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810987133.0A CN109118453B (zh) | 2018-08-28 | 2018-08-28 | 一种背景抑制的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810987133.0A CN109118453B (zh) | 2018-08-28 | 2018-08-28 | 一种背景抑制的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118453A true CN109118453A (zh) | 2019-01-01 |
CN109118453B CN109118453B (zh) | 2022-03-04 |
Family
ID=64860323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810987133.0A Active CN109118453B (zh) | 2018-08-28 | 2018-08-28 | 一种背景抑制的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118453B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109714513A (zh) * | 2019-02-15 | 2019-05-03 | 江西省智成测控技术研究所有限责任公司 | 一种光学速度和里程测量仪中抑制速度解算噪声的方法 |
CN109919853A (zh) * | 2019-01-07 | 2019-06-21 | 南京航空航天大学 | 一种基于粒子特征检索的piv图像预处理方法 |
CN110823849A (zh) * | 2019-09-25 | 2020-02-21 | 北京航空航天大学 | 一种瞬态燃烧场定量测量方法及装置 |
CN113034529A (zh) * | 2021-04-02 | 2021-06-25 | 广州绿怡信息科技有限公司 | 基于迷你手机检测机的设备图像提取方法及装置 |
CN113129235A (zh) * | 2021-04-22 | 2021-07-16 | 深圳市深图医学影像设备有限公司 | 一种医学图像噪声抑制算法 |
CN118261821A (zh) * | 2024-05-29 | 2024-06-28 | 大连华璟科技有限公司 | 一种用于动物疫病监测的红外图像采集及预警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080031531A1 (en) * | 2006-08-03 | 2008-02-07 | Nec Corporation | Line noise eliminating apparatus, line noise eliminating method, and line noise eliminating program |
CN104991287A (zh) * | 2015-07-27 | 2015-10-21 | 中国地质调查局武汉地质调查中心 | 中南半岛成矿带典型区铜金矿遥感找矿模型建立方法 |
CN107180411A (zh) * | 2017-05-19 | 2017-09-19 | 中国科学院苏州生物医学工程技术研究所 | 一种图像重构方法及系统 |
CN108133465A (zh) * | 2017-12-29 | 2018-06-08 | 南京理工大学 | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 |
-
2018
- 2018-08-28 CN CN201810987133.0A patent/CN109118453B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080031531A1 (en) * | 2006-08-03 | 2008-02-07 | Nec Corporation | Line noise eliminating apparatus, line noise eliminating method, and line noise eliminating program |
CN104991287A (zh) * | 2015-07-27 | 2015-10-21 | 中国地质调查局武汉地质调查中心 | 中南半岛成矿带典型区铜金矿遥感找矿模型建立方法 |
CN107180411A (zh) * | 2017-05-19 | 2017-09-19 | 中国科学院苏州生物医学工程技术研究所 | 一种图像重构方法及系统 |
CN108133465A (zh) * | 2017-12-29 | 2018-06-08 | 南京理工大学 | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 |
Non-Patent Citations (2)
Title |
---|
邵珺 等: ""基于燃烧流场HTV技术的背景去除方法"", 《工程热物理学报》 * |
邵珺 等: ""用于超燃流场羟节标记示踪背景抑制的逐步逼近特征窗口滤波"", 《光学精密工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919853A (zh) * | 2019-01-07 | 2019-06-21 | 南京航空航天大学 | 一种基于粒子特征检索的piv图像预处理方法 |
CN109714513A (zh) * | 2019-02-15 | 2019-05-03 | 江西省智成测控技术研究所有限责任公司 | 一种光学速度和里程测量仪中抑制速度解算噪声的方法 |
CN109714513B (zh) * | 2019-02-15 | 2021-04-27 | 江西省智成测控技术研究所有限责任公司 | 一种光学速度和里程测量仪中抑制速度解算噪声的方法 |
CN110823849A (zh) * | 2019-09-25 | 2020-02-21 | 北京航空航天大学 | 一种瞬态燃烧场定量测量方法及装置 |
CN113034529A (zh) * | 2021-04-02 | 2021-06-25 | 广州绿怡信息科技有限公司 | 基于迷你手机检测机的设备图像提取方法及装置 |
CN113129235A (zh) * | 2021-04-22 | 2021-07-16 | 深圳市深图医学影像设备有限公司 | 一种医学图像噪声抑制算法 |
CN118261821A (zh) * | 2024-05-29 | 2024-06-28 | 大连华璟科技有限公司 | 一种用于动物疫病监测的红外图像采集及预警系统 |
CN118261821B (zh) * | 2024-05-29 | 2024-07-26 | 大连华璟科技有限公司 | 一种用于动物疫病监测的红外图像采集及预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109118453B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118453A (zh) | 一种背景抑制的图像处理方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
Ducottet et al. | Scale-adaptive detection and local characterization of edges based on wavelet transform | |
CN111062978B (zh) | 基于频域滤波技术的时空图像测流的纹理识别方法 | |
CN107481233A (zh) | 一种应用于fod异物检测雷达中的图像识别方法 | |
CN113030244B (zh) | 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及系统 | |
CN106841115A (zh) | 基于空间频率特征的海面溢油检测方法 | |
CN116630225B (zh) | 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备 | |
CN116958036A (zh) | 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 | |
CN110969656A (zh) | 一种基于机载设备激光光束光斑大小的检测方法 | |
CN110321855A (zh) | 一种雾天检测预警装置 | |
CN110009633A (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
CN107330891B (zh) | 一种有效的图像质量评价系统 | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN110929574A (zh) | 一种红外弱小目标快速检测方法 | |
CN104809733A (zh) | 一种古建墙壁受污题记文字图像边缘提取方法 | |
CN111899196A (zh) | 一种基于经典复原算法的叶片缺陷运动模糊图像复原方法 | |
CN112508862B (zh) | 一种通过改进gan增强裂纹磁光图像的方法 | |
CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 | |
Wang et al. | Improved Morphological Band‐Pass Filtering Algorithm and Its Application in Circle Detection | |
CN111473944B (zh) | 观测流场中存在复杂壁面的piv数据修正方法、装置 | |
Yuhan et al. | Detection of road surface crack based on PYNQ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |