CN109165569B - 基于ba算法的被动毫米波图像极化信息显示方法 - Google Patents

Abstract

本发明公开了一种基于BA算法的被动毫米波图像极化信息显示方法。本发明以根据斯托克斯参数S₀，S₁得到的极化被动毫米波图像I、Q作为处理对象，依据最大类间方差法、融合相应的图像技术指标，确定目标函数，基于BA算法求取目标函数最大值，实现对图像Q的多阈值分割，然后将到极化信息映射到HSV颜色空间中，最后将HSV颜色空间转化到RGB颜色空间，生成伪彩色图像，让极化信息在伪彩色图像中显示。本发明能够实现图像的多阈值分割，赋予极化信息显示更多的色调；同时，伪彩色图像比灰度毫米波图像具有更好的视觉效果；而且本发明中提出的新目标函数具有更优的量化指标，使极化信息层次更加丰富。

Description

基于BA算法的被动毫米波图像极化信息显示方法

技术领域

本发明属于图像信息显示技术，特别是一种基于BA算法的被动毫米波图像极化信息显示。

背景技术

光学成像系统具有分辨率高、成像直观、技术成熟等特点，在军用与民用场合都得到广泛应用，但由于在光线较弱的场景下(如夜晚等)拍摄的视频影像质量较差，不能满足全天候工作的要求。随着人类在电磁波研究领域的突破，成像系统已不再局限于光学，而是扩展到整个电磁波谱，例如被动毫米波成像技术等。毫米波波段被动成像技术依靠相应辐射计，对目标场景的辐射能量进行接收，并对接收到的信号进行处理，最后以灰度图像或伪彩色图像的形式表现出来。

极化作为电磁波的一个重要特性，受物体表面形状、材料、局部曲率等影响，极化辐射测量是获取物体信息的重要手段之一。极化辐射测量首先应用于遥感领域，通过斯托克斯参数等对辐射能量中的极化信息进行描述，成功应用在海洋风向遥感以及农田作物的健康监测中。同时结合毫米波具有准光学特性，可穿透各种常见物质，如云、雾、衣服等，越来越多的科研团队投入了极化毫米波被动成像的研究中。

尽管极化信息在辐射计成像系统中得到成功应用，但是对于极化被动毫米波图像后处理技术却少有研究。传统的被动毫米波图像为灰度图像，物体之间区分度不高，无法准确还原被测场景。

发明内容

本发明的目的在于提出了一种基于BA算法的被动毫米波图像极化信息显示，克服了传统被动毫米波图像区分度不高，无法准确还原被测场景的缺点。

实现本发明的技术解决方案为：基于BA算法的被动毫米波图像极化信息显示方法，具体步骤为：

步骤1、从辐射计中提取物体辐射极化特征，所述极化特征由斯托克斯参数S₀，S₁，S₂，S₃表示，其中S₀为所有极化方向的总辐射强度，S₁为水平极化辐射与垂直极化辐射强度之差，S₂为45°与-45°线极化辐射强度之差，S₃为右旋圆极化与左旋圆极化辐射强度之差，根据斯托克斯参数S₁获取图像Q，根据斯托克斯参数S₀获取图像I；

步骤2、基于最大类间方差法确定目标函数，利用BA算法对目标函数进行求解，利用目标函数对图像Q进行阈值分割，得到图像Q的色调H；

步骤3、建立HSV颜色空间模型，该模型由色调H、饱和度S、亮度V三个颜色参数构成，其中色调根据图像Q的阈值分割结果得到；饱和度S根据图像Q的最大对比度得到，亮度V通过对图像I进行线性缩放得到；

步骤4、将HSV颜色空间转化为RGB空间进行显示。

优选地，步骤1中根据物体辐射极化特征获取图像Q和图像I的具体方法为：根据斯托克斯参数S₁获取图像Q，根据斯托克斯参数S₀获取图像I。

优选地，步骤2中基于BA算法对图像Q进行阈值分割的具体步骤为：

步骤2-1、根据最大类间方差法确定图像阈值分割基本函数；

步骤2-2、对图像指标峰值信噪比和结构相似性以及基本函数进行加权求和，确定最终的目标函数；

步骤2-3、利用BA算法对目标函数进行迭代求解，将目标函数最大值对应的阈值作为最优解，确定图像Q的最佳阈值分割。

优选地，步骤2-1中确定的阈值分割基本函数为：

J(s)＝ω₀(μ₀-μ)²+ω₁(μ₁-μ)²+…+ω_m(μ_m-μ)²

式中，ω₀、ω₁、ω_m表示对应的像素值集出现的概率，μ₀、μ₁、μ_m表示对应的像素值集的像素值的平均值，μ表示整个图像的像素值的平均值。

优选地，步骤2-2中确定的最终的目标函数为：

J＝β₁×[ω₀(μ₀-μ)²+…+ω_m(μ_m-μ)²]+β₂×PSNR+β₃×SSIM

式中，β₁，β₂，β₃为权重，β₁+β₂+β₃＝1，PSNR为峰值信噪比，SSIM为结构相似性。

优选地，峰值信噪比PSNR、结构相似性SSIM的计算公式分别为：

其中，o、s分别表示原始图像和处理后的图像的像素值，图像大小为M×N，o(i，j)表示原始图像像素点(i，j)的像素值；s(i，j)表示分割后的图像像素点(i，j的像素值；μ_o、μ_s为原始图像o和分割后的图像s的像素值的均值，σ_o ²、σ_s ²为原始图像o和处理后图像s的像素值的方差，σ_os为原始图像o和处理后图像s的像素值的协方差，B₁＝(k₁L)²和B₂＝(k₂L)²是用来维持稳定的常数，L是像素值的动态范围，k₁＝0.01，k₂＝0.03。

优选地，步骤3中饱和度S以及亮度V的获取方法为：

饱和度S设置为图像Q的最大对比度，根据下式计算；

S＝S_min+(1-S_min)*(P_Q(x，y)-P_Q，min)(P_Q，max-P_Q，min)

式中，S_min为设定的系数，0＜S_min＜1，P_Q(x，y)为图像Q的像素值，P_Q，min为图像Q像素值的最小值，P_Q，max是图像Q像素值的最大值；

亮度将根据图像I进行线性缩放缩放得到，具体为：

式中，P_I(x，y)表示图像I的像素值，P_I，min为图像I像素值的最小值，P_I，max为图像I的像素值的最大值。

优选地，步骤4将HSV颜色空间转化为RGB空间进行显示的具体转换公式为：

式中，(h,s,v)为HSV空间分量，(r,g,b)为RGB空间分量；

对于每个颜色向量(r,g,b)：

本发明与现有技术相比，其显著优点为：(1)本发明具有更好的视觉效果；(2)基于BA算法的图像分割算法可实现图像的多阈值分割，赋予极化信息显示更多的色调；(3)本发明提出的目标函数具有更优的量化指标，使极化信息层次更加丰富。

下面结合附图对本发明做进一步详细的描述。

附图说明

图1本发明的流程图。

图2是实施例1的实景图以及I、Q图像。

图3是m＝4时的图像Q灰度直方图。

图4是m＝4时的极化信息显示结果图。

具体实施方式

本发明基于BA算法的被动毫米波图像极化信息显示方法，步骤如下：

步骤1、获取斯托克斯参数(S₀，S₁，S₂，S₃)。

斯托克斯参数(S₀，S₁，S₂，S₃)在辐射测量时被用来描述电磁波的极化特征。

S₀＝T_H+T_V

S₁＝T_H-T_V＝2T_H-S₀

S₂＝T₄₅-T_-45＝2T₄₅-S₀

S₃＝T_RHC-T_LHC＝2T_RHC-S₀

其中，S₀为所有极化方向的总辐射强度，S₁为水平极化辐射与垂直极化辐射强度之差，S₂为45°与-45°线极化辐射强度之差，S₃为右旋圆极化与左旋圆极化辐射强度之差，T为毫米波辐射温度，下标H、V、45、-45分别表示水平、垂直、45°、-45°四种状态的线极化分量，RHC、LHC分别表示右旋极化分量、左旋极化分量。由斯托克斯参数S₀,S₁可以分别得到目标图像I和图像Q。

步骤2、基于最大类间方差法确定目标函数，利用BA算法对目标函数进行求解，利用目标函数对图像Q进行阈值分割，得到图像Q的色调H。

本步骤中，根据最大类间方差法确定图像阈值分割基本函数，最大类间方差法是一种对图像进行二值化的高效算法，大小为N×M的图像像素值集是L(0,1,…i，…,L-1)，i是像素值，r_i是图像中像素值为i的像素点个数，则图像像素值概率密度的分布直方图为：

通过阈值s将图像按像素值分为两部分，分别为图像像素值属于C₀＝0，1，...，s-1和C₁＝s，s+1，...，L-1的两个点的集合，则像素值集C₀和C₁出现的几率为：

C₀和C₁的像素值集的均值为：

整个图像的像素值均值为：

μ＝ω₀μ₀+ω₁μ₁

整个图像的类间方差为：

J(s)＝ω₀(μ₀-μ)²+ω₁(μ₁-μ)²

当阈值为s时，图像类间方差是J(s)，s按顺序进行遍历，当s满足J(s)最大值时，此时最佳阈值s^*满足：

J(s^*)＝maxJ(s)，0≤s≤L-1

上式同样适用于多阈值问题，设多个阈值分别为s₁，s₂，...，s_m，将图像分割为m+1像素值属于C₀＝0，1，...，s₁-1，C₁＝s₁，...，s₂-1，…，C_m＝s_m，...，L-1的集合。

那么多级阈值分割为题的目标函数表示为：

J(s)＝ω₀(μ₀-μ)²+ω₁(μ₁-μ)²+…+ω_m(μ_m-μ)²

式中，ω_m表示像素值集C_m出现的几率，μ_m表示像素值集C_m的像素值的均值。

在图像处理领域中，图像经过分割后的质量会使用一些通用的图像指标进行评价，如峰值信噪比(PSNR)、均方根误差(RMSE)、结构相似性(SSIM)以及结构相异性(SDIM)等。除了这些指标，基于启发式的参数优化过程中也会考虑一些辅助参数，如迭代次数和CPU处理时间等。

本发明中使用PSNR、SSIM进行确认最终的目标函数。Jmax是从最终结果中得到，而无需进行辅助处理，因此只对PSNR和SSIM进行介绍。

其中o、s分别表示原始图像和处理后的图像的像素值，图像大小为M×N，o(i，j)表示原始图像像素点(i，j)的像素值；s(i，j)表示分割后的图像像素点(i，j)的像素值。

在本发明中，原始图像为图像Q，o(i，j)就表示原始图像Q像素点(i，j)的像素值；处理后的图像为进行阈值分割后的图像Q，s(i，j)就表示分割后的图像Q在像素点(i，j)的像素值，分割后的图像Q在同一阈值区间内的像素值相同，为阈值区间两个端点的像素值的平均值。因此，PSNR也是随着阈值的变化而变化的，是阈值的一个函数。

SSIM通常用来估计原始图像和处理后的图像之间的优越性和依赖关系

其中μ_o、μ_s为原始图像o和分割后的图像s的像素值的均值，σ_o ²、σ_s ²为原始图像o和处理后图像s的像素值的方差，σ_os为原始图像o和处理后图像s的像素值的协方差，B₁＝(k₁L)²和B₂＝(k₂L)²是用来维持稳定的常数，L是像素值的动态范围，k₁＝0.01，k₂＝0.03。

在本发明中，原始图像就是图像Q，处理后的图像为阈值分割后的图像Q，SSIM也是随着阈值变化而变化的，是阈值的一个函数。

设对图像Q阈值分割的阈值个数m，则可以将图像Q分割为m+1个像素值集，基本函数、PSNR以及SSIM的值都是随着阈值的变化而变化的，按照不同的权重比对它们进行加权求和，确定最终的目标函数：

J＝β₁×[ω₀(μ₀-μ)²+…+ω_m(μ_m-μ)²]+β₂×PSNR+β₃×SSIM

其中β₁，β₂，β₃为权重，β₁+β₂+β₃＝1，具体数值由人为设定。

利用BA算法对目标函数求取最优解的过程可以表示为：设定图像Q的像素值范围为[0,L]，阈值的个数为m，首先需要给出一组初始解阈值和初始变化值。然后可以求出一个目标函数值，之后根据自适应函数，阈值会进行不断的迭代更新，不断地计算新的目标函数值；等到达迭代次数以后，对所有的目标函数值进行比较，最大的目标函数值对应的阈值即为图像Q的最佳阈值分割的阈值，具体过程为：

(1)初始化。初始化阈值的变化范围，即像素值范围L；阈值分割的个数m以及一个初始阈值(T₁,T₂...,T_m)；初始化初始变化速度A₀，以及初始话变化速度范围(A_min，A_max)。

(2)根据初始值求解目标函数的值，得到一组解。

(3)根据自适应函数更新阈值。自适应函数为：

T_i＝T_i ^*+α，，A_max

其中T_i为更新后的阈值，T_i ^*为现在的阈值，α为(-1,1)间的随机数。

(4)根据更新后的阈值求出新的目标函数值。

(5)重复进行(3)和(4)，直到到达设置的迭代次数。

(6)比较所有的目标函数值，选择其中的最大值对应的阈值作为图像Q的最佳阈值分割的阈值。

步骤3、将极化信息映射到HSV空间。

色调H、饱和度S、亮度V三个颜色参数构成了HSV颜色空间模型。其中色调H和饱和度S包含了颜色信息，这种颜色的表现方式与人眼视觉效果相关联，故将此参数用于实现目标区分的图像分割。色调H表示不同的颜色，即对应光谱中相应的颜色，通常的度量单位为角度，从红色开始逆时针方向计算，0°示红色，120°表示绿色，360°表示蓝色，；饱和度S取值范围为[0,1]，饱和度最高为纯光谱色，最低时则对应灰度值；亮度V表示色彩的明亮程度，与图像的彩色信息相关性较小，范围为[0,1]，两端分别对应白色和黑色。

色调H由步骤2的阈值分割得到，设阈值个数为m，则有m+1个区间，将[0°,360°]等分为m级，分别为{i,2*i…m*I,0°}，其中i＝360°/m，图像Q像素在同一阈值区间的对应相同的等级值。

饱和度S将设置为图像Q的最大对比度，根据下式计算：

S＝S_min+(1-S_min)*(P_Q(x，y)-P_Q，min)(P_Q，max-P_Q，min)

式中，S_min是一个固定值，人为设定(0＜S_min＜1)，P_Q(x，y)为图像Q的像素值，P_Q，min为图像Q像素的最小值，P_Q，max是图像Q像素的最大值。

而亮度将根据图像I进行线性缩放得到，如下式所示

式中，P_I(x，y)表示图像I的像素值，P_I，min为图像I像素的最小值，P_I，max为图像I的像素的最大值。

步骤4、将HSV空间转换到RGB颜色空间，显示极化信息。

将HSV颜色空间转化为RGB空间进行显示的具体转换公式为：

式中，(h,s,v)为HSV空间分量，(r,g,b)为RGB空间分量；

对于每个颜色向量(r,g,b)：

下面结合实施例对本发明做进一步说明。

实施例1

本发明基于BA算法的被动毫米波图像极化信息显示方法，包括数据获取、算法处理以及图像显示。

图2中a、b、c所示的是目标实景图以及图像I和图像Q，图像I和图像Q是由毫米波辐射计输出的斯托克斯参数(S₀，S₁，S₂，S₃)中的S₀,S₁得到的。设置像素的取值范围为(0,255)，且都为整数，阈值个数为m＝4，则目标函数为：

J＝β₁×[ω₀(μ₀-μ)²+…+ω₄(μ₄-μ)²]+β₂×PSNR+β₃×SSIM

其中β₁,β₂,β₃是权重比，由人为设置，本实施例中β₁＝0.8，β₂＝0.1，β₃＝0.1。

设置初始阈值为(51,102,153,204)，初始变化速度为A₀＝20，变化速度最小值A_min＝1，变化速度最大值A_max＝20，迭代次数为200次，利用BA算法求出最优解。该实施例中求出的目的函数最大值为1546.41，对应的最优阈值为(82,129,153,181),PSNR为23.0392，SSIM为0.6907。图3为图像Q的阈值分割灰度直方图。

由于m＝4，所以H被分为72°、144°、216°、288°、0°五个等级，图像Q像素在区间(0,82),(82,129),(129,153),(153,181),(181,255)对应的色度H为分别对应的72°、144°、216°、288°、0°。饱和度S将设置为图像Q的最大对比度，根据下式计算；

S＝S_min+(1-S_min)*(P_Q(x，y)-P_Q，min)(P_Q，max-P_Q，min)

本实施例中S_min＝0.5；

而亮度将根据图像I进行线性缩放缩放得到，如下式所示：

图4为根据HSV空间模型转化而来的RGB颜色空间图像。

Claims (6)

1.基于BA算法的被动毫米波图像极化信息显示方法，其特征在于，具体步骤为：

步骤1、从辐射计中提取物体辐射极化特征，所述极化特征由斯托克斯参数S₀,S₁,S₂,S₃表示，其中S₀为所有极化方向的总辐射强度，S₁为水平极化辐射与垂直极化辐射强度之差，S₂为45°与-45°线极化辐射强度之差，S₃为右旋圆极化与左旋圆极化辐射强度之差，根据斯托克斯参数S₁获取图像Q，根据斯托克斯参数S₀获取图像I；

步骤2、基于最大类间方差法确定目标函数，利用BA算法对目标函数进行求解，利用目标函数对图像Q进行阈值分割，得到图像Q的色调H，具体步骤为：

步骤2-1、根据最大类间方差法确定图像阈值分割基本函数；

步骤2-2、对图像指标峰值信噪比和结构相似性以及基本函数进行加权求和，确定最终的目标函数；

步骤2-3、利用BA算法对目标函数进行迭代求解，将目标函数最大值对应的阈值作为最优解，确定图像Q的最佳阈值分割；

步骤3、建立HSV颜色空间模型，该模型由色调H、饱和度S、亮度V三个颜色参数构成，其中色调根据图像Q的阈值分割结果得到；饱和度S根据图像Q的最大对比度得到，亮度V通过对图像I进行线性缩放得到；

步骤4、将HSV颜色空间转化为RGB空间进行显示。

2.根据权利要求1所述的基于BA算法的被动毫米波图像极化信息显示方法，其特征在于，步骤2-1中确定的阈值分割基本函数为：

J(s)＝ω₀(μ₀-μ)²+ω₁(μ₁-μ)²+…+ω_m(μ_m-μ)²

式中，ω₀、ω₁、ω_m表示对应的像素值集出现的概率，μ₀、μ₁、μ_m表示对应的像素值集的像素值的平均值，μ表示整个图像的像素值的平均值。

3.根据权利要求1所述的基于BA算法的被动毫米波图像极化信息显示方法，其特征在于，步骤2-2中确定的最终的目标函数为：

J＝β₁×[ω₀(μ₀-μ)²+…+ω_m(μ_m-μ)²]+β₂×PSNR+β₃×SSIM

式中，β₁，β₂，β₃为权重，β₁+β₂+β₃＝1，PSNR为峰值信噪比，SSIM为结构相似性，μ₀、μ_m分别表示对应的像素值集的像素值的平均值，μ表示整个图像的像素值的平均值。

4.根据权利要求3所述基于BA算法的被动毫米波图像极化信息显示方法，其特征在于，峰值信噪比PSNR、结构相似性SSIM的计算公式分别为：

其中，o、s分别表示原始图像和处理后的图像的像素值，图像大小为M×N，o(i,j)表示原始图像像素点(i,j)的像素值；s(i，j)表示分割后的图像像素点(i,j)的像素值；μ_o、μ_s为原始图像o和分割后的图像s的像素值的均值，σ_o ²、σ_s ²为原始图像o和处理后图像s的像素值的方差，σ_os为原始图像o和处理后图像s的像素值的协方差，B₁、B₂是用来维持稳定的常数。

5.根据权利要求1所述的基于BA算法的被动毫米波图像极化信息显示方法，其特征在于，步骤3中饱和度S以及亮度V的获取方法为：

饱和度S设置为图像Q的最大对比度，根据下式计算；

S＝S_min+(1-S_min)*(P_Q(x,y)-P_Q,min)(P_Q,max-P_Q,min)

式中，S_min为设定的阈值，0<S_min<1，P_Q(x,y)为图像Q的像素值，P_Q,min为图像Q像素的最小值，P_Q,max是图像Q像素的最大值；

亮度将根据图像I进行线性缩放得到，具体为：

式中，P_I(x,y)表示图像I的像素值，P_I,min为图像I像素的最小值，P_I,max为图像I的像素的最大值。

6.根据权利要求1所述的基于BA算法的被动毫米波图像极化信息显示方法，其特征在于，步骤4将HSV颜色空间转化为RGB空间进行显示的具体转换公式为：

式中，(h,s,v)为HSV空间分量，(r,g,b)为RGB空间分量；

对于每个颜色向量(r,g,b)：

Images