CN109118453B - 一种背景抑制的图像处理方法 - Google Patents

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L_D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L_S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

一种背景抑制的图像处理方法

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L_adaptive，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f_L(x,y)表示灰度图像L，0≤x≤M，0≤y≤N，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SD_min对应的差分图像L₂为自适应差分图像L_adaptive，即

1.1.4)计算自适应差分图像L_adaptive的梯度：通过dL/dx＝(f(x+1)-f(x-1))/2计算f_Ladaptive(x,y)的梯度，获取图像梯度向量场G；

1.2)计算阈值T_F，分割图像梯度向量场G，获得图像L_D，完成背景抑制：

1.2.1)设定一个最小阈值T_MIN和初始估计阈值T_O，用二维函数f_G(x,y)表示图像梯度向量场G，定义像素最大值为f_GMAX，像素最小值为f_GMIN，初始阈值

T_MIN＝0.001；

1.2.2)采用初始阈值T_O将图像梯度向量场G分割为两部分，其中灰度值>T_O的部分为图像L₃，灰度值≤T_O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1.2.2)得到的T₃、T₄计算阈值T_F，

当|T_F-T_O|＜T_MIN，则获得阈值T_F，否则，将T_F赋予T_O进行迭代计算，直到得到阈值T_F；

1.2.4)以T_F分割图像梯度向量场G，当T_F≤f_G(x,y)，f_G(x,y)＝f_G(x,y)；当T_F>f_G(x,y)，f_G(x,y)＝0，得到图像L_D，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L_D进行背景噪声去除；

2.1)对图像L_D进行y方向的灰度统计：将图像L_D表示为M×N的二维数据f_D(x,y)，背景干扰Linterfere所在区域为

可表示为f_in(x,y)，y方向灰度统计结果表示为

信号L_signal所在区域为

可表示为f_s(x,y)，y方向灰度统计结果表示为

判断是否存在T满足maxf_in(x,y)＜T≤minf_s(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≤f_D(x,y)，f_D(x,y)＝f_D(x,y)；当T＞f_D(x,y)，f_D(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maxf_in(x,y)＜T≤minf_s(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maxg(x,y)所在的列h，设定

为特征窗口的中心位置，选择合适的窗口尺寸w_o(0<w<M/2)进行空间滤波，确定图像处理ROI区域L_R；

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L_R包含的所有像素点f_R(x,y)与高斯函数

进行卷积，获得去噪后图像L_G，L_G(x,y)＝G(x,y)*f_R(x,y)；

2.3.2.2)梯度计算：计算出L_G(x,y)每一点的局部梯度幅值

和梯度方向θ＝arctan(L_y/L_x)，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L_p1≤L_p2，p₁＝0，当L_p1>L_p2，保持p₁不变，获得梯度幅度图像中的边缘信息L_I；

2.3.2.3)边缘提取：在L_I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T_l和高阈值T_h，(0<T_l＝0.4×T_h<1)，采用canny算子提取到图像的边缘L_C；

2.3.2.4)对步骤2.3.2.3)中提取到图像的边缘L_C进行二值化变换，得到图像L_B；

2.3.2.5)对图像L_B执行Hough变换，得到Hough矩阵L_H，在矩阵中寻找峰值点L_P，根据L_H和L_P，在图像L_B中提取多个直线段；

2.3.2.6)在图像L_B中提取的任意一个线段I(I_k,l,I_k+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

设置分区窗口大小为w_p(0＜w_p＜t)，进行滤波去噪得

计算

得到minh(x,y)时的

相对应的w_p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L_S；

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L_S进行背景噪声去除。

进一步地，上述背景抑制的图像处理方法还包括：

步骤3)具体为：

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L_S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L_W。

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L_D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f_L(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SD_min对应的差分图像L₂为自适应差分图像L_adaptive，

当|Δx|＝5，|Δy|＝0时，计算出的SD_min最小，此时的差分图L₂为自适应差分图像L_adaptive，即

1.4)计算自适应差分图像L_adaptive的梯度：通过dL/dx＝(f(x+1)-f(x-1))/2计算f_Ladaptive(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T_MIN(T_MIN＝0.001)和初始估计阈值T_O，其中图像梯度向量场G可表示为二维函数f_G(x,y)，像素最大值为f_GMAX，像素最小值为f_GMIN，

1.6)用初始阈值T_O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>T_O，另一部分图像L₄的灰度值≤T_O，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T_F，

当|T_F-T_O|＜T_MIN，则获得阈值T_F，否则，将T_F赋予T_O进行迭代计算，直到得到阈值T_F；

1.8)以T_F分割图像梯度向量场G，当T_F≤f_G(x,y)，f_G(x,y)＝f_G(x,y)；当T_F>f_G(x,y)，f_G(x,y)＝0，得到图像L_D，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L_D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L_D进行y方向的灰度统计：将图像L_D表示为M×N的二维数据f_D(x,y)，背景干扰L_interfere所在区域为

可表示为f_in(x,y)，y方向灰度统计结果表示为

信号L_signal所在区域为

可表示为f_s(x,y)，y方向灰度统计结果表示为

判断是否存在T满足maxf_in(x,y)＜T≤minf_s(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≤f_D(x,y)，f_D(x,y)＝f_D(x,y)；当T＞f_D(x,y)，f_D(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maxf_in(x,y)＜T≤minf_s(x,y)，计算

比较结果，找出最大值maxg(x,y)所在的列h，h＝58，设定

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L_R；

2.5)：卷积去噪，对L_R包含的所有像素点，与高斯函数

进行卷积，获得去噪后图像L_G，L_G(x,y)＝G(x,y)*f_R(x,y)；

2.6)梯度计算：计算出L_G(x,y)每一点的局部梯度幅值

和梯度方向θ＝arctan(L_y/L_x)，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L_p1<＝L_p2，p₁＝0，当L_p1>L_p2，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L_I；

2.7)边缘提取：在L_I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T_l和高阈值T_h，T_l＝0.26，T_h＝0.65，采用canny算子提取图像的边缘L_C，对提取到的图像边缘L_C进行二值化变换L_B；

2.8)霍夫变换：对图像L_B执行Hough变换，得到Hough矩阵L_H，在矩阵中寻找峰值点L_P，根据L_H和L_P，在图像L_B中提取多个直线段；

2.9)自适应空间滤波：在图像L_B中提取的任意一个线段I(I_k,l,I_k+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

如何选择分区窗口尺寸，先设置分区窗口大小为w_p(0＜w_p＜t)，进行滤波去噪得到

计算

得到minh(x,y)时的

相对应的w_p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L_S；

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L_S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L_S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L_W。

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L_adaptive，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f_L(x,y)表示灰度图像L，0≤x≤M，0≤y≤N，将图像L做空间变换后得到由二维函数f_L1(x,y)表示的图像L₁，

其中：

f_L(x₁,y₁)＝f_L(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SD_min对应的差分图像L₂为自适应差分图像L_adaptive，即

1.1.4)计算自适应差分图像L_adaptive的梯度：通过dL/dx＝(f_Ladaptive(x+1)-f_Ladaptive(x-1))/2计算f_Ladaptive(x,y)的梯度，获取图像梯度向量场G；

1.2)计算阈值T_F，分割图像梯度向量场G，获得图像L_D，完成背景抑制：

1.2.1)设定一个最小阈值T_MIN和初始估计阈值T_O，用二维函数f_G(x,y)表示图像梯度向量场G，定义像素最大值为f_GMAX，像素最小值为f_GMIN，初始阈值

T_MIN＝0.001；

1.2.2)采用初始阈值T_O将图像梯度向量场G分割为两部分，其中灰度值>T_O的部分为图像L₃，灰度值≤T_O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1.2.2)得到的T₃、T₄计算阈值T_F，

当|T_F-T_O|＜T_MIN，则获得阈值T_F，否则，将T_F赋予T_O进行迭代计算，直到得到阈值T_F；

1.2.4)以T_F分割图像梯度向量场G，当T_F≤f_G(x,y)，f_G(x,y)＝f_G(x,y)；当T_F>f_G(x,y)，f_G(x,y)＝0，得到图像L_D，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L_D进行背景噪声去除；

2.1)对图像L_D进行y方向的灰度统计：将图像L_D表示为M×N的二维数据f_D(x,y)，背景干扰L_interfere所在区域为

可表示为f_in(x,y)，y方向灰度统计结果表示为

信号L_signal所在区域为

可表示为f_s(x,y)，y方向灰度统计结果表示为

判断是否存在T满足max f_in(x,y)＜T≤min f_s(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≤f_D(x,y)，f_D(x,y)＝f_D(x,y)；当T＞f_D(x,y)，f_D(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 f_in(x,y)＜T≤min f_s(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 g₁(j)所在的列h，设定

为特征窗口的中心位置，选择合适的窗口尺寸w_o(0<w<M/2)进行空间滤波，确定图像处理ROI区域L_R；

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L_R包含的所有像素点f_R(x,y)与高斯函数

进行卷积，获得去噪后图像L_G，L_G(x,y)＝G(x,y)*f_R(x,y)；

2.3.2.2)梯度计算：计算出L_G(x,y)每一点的局部梯度幅值

和梯度方向θ＝arctan(L_y/L_x)，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L_p1≤L_p2，p₁＝0，当L_p1>L_p2，保持p₁不变，获得梯度幅度图像中的边缘信息L_I；

2.3.2.3)边缘提取：在L_I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T_l和高阈值T_h，(0<T_l＝0.4×T_h<1)，采用canny算子提取到图像的边缘L_C；

2.3.2.4)对步骤2.3.2.3)中提取到图像的边缘L_C进行二值化变换，得到图像L_B；

2.3.2.5)对图像L_B执行Hough变换，得到Hough矩阵L_H，在矩阵中寻找峰值点L_P，根据L_H和L_P，在图像L_B中提取多个直线段；

2.3.2.6)在图像L_B中提取的任意一个线段I(I_k,l,I_k+t,l+t′)，计算

找出最大值max g₂(j)所在的列r，即可获得分区窗口中心位置

设置分区窗口大小为w_p(0＜w_p＜t)，进行滤波去噪得

计算

得到min h(x,y)时的

相对应的w_p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L_S；

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L_S进行背景噪声去除。

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)具体为：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L_S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L_W。

Images