CN110930426A - 一种基于峰域形态辨识的弱小点目标提取方法 - Google Patents

Abstract

本发明提供一种基于峰域形态辨识的弱小点目标提取方法。针对现有点目标提取方法对低信噪比点目标提取能力有限的问题，根据点目标峰域不易受背景和噪声影响的原理，对点目标峰域形态进行建模和辨识，并用卷积运算推导了似然矩阵的简化计算式，进而实现对弱小点目标的快速提取。本发明与现有技术相比的有益效果在于：本发明方法可以提取单幅图像中信噪比极低的点目标，可同时提取高信噪比和低信噪比的点目标，并且有快速计算方法。

Description

一种基于峰域形态辨识的弱小点目标提取方法

技术领域

本发明属于图像处理领域，具体涉及一种弱小点目标提取方法。

背景技术

在图像处理领域，许多情况下都需要提取图像中的弱小点目标。本文中的“提取”，是指的找出单幅图像中点目标的位置，不包括多帧增强和目标识别。由于点目标没有形状，所以当前最常用的提取方法是灰度阈值分割法，包括整体阈值分割法和局部阈值分割法，也就是根据点目标通常亮于其邻域像素的原理，按照图像整体或局部的灰度大小设定一个阈值进行分割。该方法对大多数点目标简单有效，尤其是信噪比较高的点目标。

然而，某些情况下受剧烈背景或噪声影响，点目标信噪比很低，可能完全淹没在背景或噪声之中。此时灰度阈值分割法很难将点目标提取出来，或者说提取出目标的同时也会提取出大量噪声。为了克服该问题，人们又提出了基于边缘检测的点目标提取法，即先进行边缘检测再分割目标。该方法适用范围优于灰度阈值分割法，但对目标信噪比的仍然有一定限制，不能满足更低信噪比点目标的提取需求。

上述点目标提取方法都存在一个共同的问题，就是都是基于灰度大小进行提取，因此对于灰度小于噪声的点目标就会失效。而我们发现，尽管点目标没有形状，但是在一些特定的场合下，点目标的灰度分布是具有一定形态的，如高斯斑、三角锥等。并且，其形态分布在目标峰域尤其明显和稳定，也不易受背景和噪声干扰。即使目标峰值小于噪声，其峰域形态仍然存在。如图1所示，左图是信噪比较高的高斯点目标截面图，右图是信噪比较低的高斯点目标截面图，可见二者在峰域处都存在相似的高斯斑。如果对此类峰域形态进行辨识，则可提取出信噪比更低的点目标。本发明则是基于该原理，提出了一种对弱小点目标的快速提取方法。

发明内容

本发明要解决的技术问题：针对现有点目标提取方法对低信噪比点目标提取能力有限的问题，提供一种基于峰域形态辨识的弱小点目标提取方法。

本发明的采用的技术方案为：一种基于峰域形态辨识的弱小点目标提取方法，实现步骤为：

步骤1、建立点目标峰域形态矩阵；

步骤2、将点目标峰域形态矩阵去均值并按其F范数进行规范化；

步骤3、计算图像局域均值矩阵；

步骤4、计算图像局域与点目标峰域形态的似然矩阵；

步骤5、利用图像局域与点目标峰域形态的似然矩阵提取目标。

进一步地，所述步骤1中的点目标峰域形态矩阵可用高斯函数来建立，计算公式为：

式中，G₀(i,j)表示初步建立的目标峰域形态矩阵，m和n分别表示点目标峰域形态矩阵的高宽，i和j分别表示点目标峰域形态矩阵的横、纵坐标，且i＝1,2,…,m，j＝1,2,…,n，σ_i ²和σ_j ²分别表示横、纵方向的方差，[·]表示四舍五入取整。

进一步地，所述步骤2中将点目标峰域形态矩阵按其F范数进行规范化的计算公式为：

式中，G₂(i,j)表示规范化点目标峰域形态矩阵，G₁(i,j)表示去均值后的点目标峰域形态矩阵。

进一步地，所述步骤4中图像局域与点目标峰域形态的似然矩阵计算公式为：

式中，C(x,y)表示图像局域与点目标峰域形态的似然矩阵，I(x,y)表示图像，x和y分别表示图像的横、纵坐标，s是G₂(i,j)所有元素的和，E(x,y)表示图像局域均值矩阵，W(i,j)是m×n的全1窗口矩阵，

表示卷积运算。

本发明原理在于：本发明根据点目标峰域不易受背景和噪声影响的原理，对点目标峰域形态进行建模和辨识，并用卷积运算推导了似然矩阵的简化计算式，进而实现对弱小点目标的快速提取。

本发明与现有技术相比的有益效果在于：

(1)本发明方法可以提取单幅图像中信噪比极低的点目标，甚至是信噪比小于0dB的的极弱目标；

(2)本发明方法可以同时提取高信噪比和低信噪比的点目标，各目标之间的信噪比可相差数十倍；

(3)本发明方法具有快速计算方法，便于实时应用。

附图说明

图1是高信噪比和低信噪比点目标截面对比图，其中，图1(a)为高信噪比点目标截面图，图1(b)为低信噪比点目标截面图；

图2是实施例中的点目标峰域形态矩阵图；

图3是实施例中待提取的原始图像；

图4是实施例中的图像局域均值矩阵图；

图5是实施例中图像局域与点目标峰域形态的似然矩阵图；

图6是实施例中的提取结果图。

具体实施方式

以下是本发明的具体实施办法。但以下的实施例仅限于解释本发明，本发明的保护范围应包括权利要求的全部内容，而且通过以下实施例对该领域的技术人员即可以实现本发明权利要求的全部内容。

步骤1、建立点目标峰域形态矩阵。

本实施例用高斯函数来建立点目标峰域形态矩阵，计算公式为：

式中，G₀(i,j)表示初步建立的点目标峰域形态矩阵，m和n分别表示点目标峰域形态矩阵的高宽，i和j分别表示点目标峰域形态矩阵的横、纵坐标，且i＝1,2,…,m，j＝1,2,…,n，σ_i ²和σ_j ²分别表示横、纵方向的方差，[·]表示四舍五入取整。本实施例取m＝5、n＝5、σ_i ²＝2和σ_j ²＝2，得到的点目标峰域形态矩阵如图2所示。

步骤2、将点目标峰域形态矩阵去均值并按其F范数进行规范化。

首先，将初步建立的点目标峰域形态矩阵去均值，计算公式为：

式中，G₁(i,j)表示去均值后的点目标峰域形态矩阵。

然后，再将G₁(i,j)除以其F范数进行规范化，计算公式为：

式中，G₂(i,j)表示规范化点目标峰域形态矩阵。

步骤3、计算图像局域均值矩阵。计算公式为：

式中，E(x,y)表示图像局域均值矩阵，I(x,y)表示图像，x和y分别表示图像的横、纵坐标，W(i,j)是m×n的全1窗口矩阵，

表示卷积运算。

本实施例的原始图像如图3所示，分辨率为256×256。原始图像中本有3个点目标，但是图像中目标几乎完全淹没在噪声中，现有方法很难提取。该原始图像的图像局域均值矩阵如图4所示。

步骤4、计算图像局域与点目标峰域形态的似然矩阵。

该似然矩阵通常可用移动窗口来进行计算，但势必会造成巨大的计算量，不便于实际应用。由于卷积运算有快速算法，所以本发明用卷积运算推导了该似然矩阵的简化计算式，如下：

式中，C(x,y)表示图像局域与点目标峰域形态的似然矩阵，s是G₂(i,j)所有元素的和：

本实施例得到的图像局域与点目标峰域形态的似然矩阵如图5所示。可见，该似然矩阵在几个目标处都出现了极大值。

步骤5、利用图像局域与点目标峰域形态的似然矩阵提取目标。

为了便于说明，本实施例使用最简单的阈值提取方法，即先设定一个阈值t，C(x,y)中大于t的位置即为可能存在点目标的位置。因为步骤4中C(x,y)的取值范围为-1≤C(x,y)≤1，所以t可取为0.6～0.9。一般而言，阈值提取的结果中可能存在一些伪目标，但通过常用的目标检测方法(如形态学滤波、速度匹配滤波、管道滤波等)即可排除。由于目标检测不属于本发明的范畴，故此处不再详述。

本实施例取t＝0.9，得到如图6的提取结果。图中一共提取了4个点目标，其中右上角目标是伪目标。虽然结果中存在伪目标，但是对弱小点目标的提取能力明显提高。

本发明未详细阐述部分属于本领域技术人员的公知技术。

Claims (4)

1.一种基于峰域形态辨识的弱小点目标提取方法，其特征在于，实现步骤如下：

步骤1、建立点目标峰域形态矩阵；

步骤2、将点目标峰域形态矩阵去均值并按其F范数进行规范化；

步骤3、计算图像局域均值矩阵；

步骤4、计算图像局域与点目标峰域形态的似然矩阵；

步骤5、利用图像局域与点目标峰域形态的似然矩阵提取目标。

2.根据权利要求1所述的一种基于峰域形态辨识的弱小点目标提取方法，其特征在于：所述步骤1中的点目标峰域形态矩阵可用高斯函数来建立，计算公式为：

式中，G₀(i,j)表示初步建立的目标峰域形态矩阵，m和n分别表示点目标峰域形态矩阵的高宽，i和j分别表示点目标峰域形态矩阵的横、纵坐标，且i＝1,2,…,m，j＝1,2,…,n，σ_i ²和σ_j ²分别表示横、纵方向的方差，[·]表示四舍五入取整。

3.根据权利要求1所述的一种基于峰域形态辨识的弱小点目标提取方法，其特征在于：所述步骤2中将点目标峰域形态矩阵按其F范数进行规范化的计算公式为：

式中，G₂(i,j)表示规范化点目标峰域形态矩阵，G₁(i,j)表示去均值后的点目标峰域形态矩阵。

4.根据权利要求1所述的一种基于峰域形态辨识的弱小点目标提取方法，其特征在于：所述步骤4中图像局域与点目标峰域形态的似然矩阵计算公式为：

式中，C(x,y)表示图像局域与点目标峰域形态的似然矩阵，I(x,y)表示图像，x和y分别表示图像的横、纵坐标，s是G₂(i,j)所有元素的和，E(x,y)表示图像局域均值矩阵，W(i,j)是m×n的全1窗口矩阵，

表示卷积运算。

Images