CN111145148A - 基于压缩感知的图像受干扰程度评价方法 - Google Patents

基于压缩感知的图像受干扰程度评价方法 Download PDF

Info

Publication number
CN111145148A
CN111145148A CN201911289073.6A CN201911289073A CN111145148A CN 111145148 A CN111145148 A CN 111145148A CN 201911289073 A CN201911289073 A CN 201911289073A CN 111145148 A CN111145148 A CN 111145148A
Authority
CN
China
Prior art keywords
vector
image
background
target
feature vector
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.)
Pending
Application number
CN201911289073.6A
Other languages
English (en)
Inventor
邵立
吴云龙
路后兵
赵大鹏
焦洋
程玉宝
孟令杰
辛诚
李仰亮
敖琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201911289073.6A priority Critical patent/CN111145148A/zh
Publication of CN111145148A publication Critical patent/CN111145148A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于压缩感知的图像受干扰程度评价方法，该方法包括：选取目标图像，进行分块处理；将目标图像对应二维矩阵列向量化，将每个图像小块对应的二维矩阵列向量化并组成背景向量；利用主成分分析法对目标向量和背景向量进行降维和特征提取；分别对目标特征向量和背景特征矩阵进行归一化处理，左乘高斯随机矩阵进行随机特征选取，得到目标随机特征向量和背景随机特征向量；利用最小l1范数法计算目标随机特征向量在背景随机特征向量中的稀疏表示向量；取稀疏向量中的非零值的绝对值之和，并且与局部背景对比度相结合，得到激光干扰图像质量评价尺度。本发明可实现在复杂背景条件下对图像受干扰程度的快速评价，鲁棒性好，计算精度高。

Description

基于压缩感知的图像受干扰程度评价方法
技术领域
本发明涉及图像受干扰程度评价技术，特别是一种基于压缩感知到的图像受干扰程度评价方法。
背景技术
掌握实时态势的瞬时变化是信息化社会发展的关键，而光学成像设备作为获取信息的“眼睛”，其作用主要是采集特定区域的图像信息并对图像中可能存在的目标进行探测、识别，为后续的分析过程提供准确的目标信息。由于光学成像是对视场内所看到物体的直接成像，因此容易受到外界条件的干扰，使得所成目标图像质量变差，最直接的影响是导致对感兴趣区域的检测与识别难度增大，降低探测概率，增加系统进行目标自动识别所需的时间。因此，一张图像的好坏是快速、准确的获取有效信息的前提，如何评估图像受干扰程度则成为图像识别技术的一项重要课题。
与此同时，随着现代科技的不断发展，社会的许多领域，特别是卫星遥感、交通识别、军事侦察等领域对于更高成像质量的图片用于目标精确识别提出了迫切需求。这就直接导致了图片数据量的急剧增大，这些高分辨率的图片不仅会占用巨大的存储空间还将会给后期进行实时图像处理造成极大的困难。因此，数据处理的复杂程度不断增高，需要提供快速的图像分析算法。
现有的受到广泛认可的图像受干扰程度评价方法，如Chang Hong-hua等人在《Evaluation of human detection performance using target structure similarityclutter metrics》中提出的TSSIM尺度，主要通过计算目标图像与背景图像结构的相似性来衡量光学图像中背景杂波干扰强弱。该方法基于干扰图像中的整体像素点进行计算，计算量大，不具备实时性，且对于有复杂干扰背景的光学图像，其计算精确度下降严重，从而无法很好地定量评价受干扰的图像质量。
发明内容
本发明的目的在于提供一种基于压缩感知的图像受干扰程度评价方法。
实现本发明目的的技术解决方案为：一种基于压缩感知的图像受干扰程度评价方法，包括下列步骤：
步骤1，从得到的受干扰图像中提取出目标图像，对整幅图像进行分块处理；
步骤2，将目标图像对应二维矩阵列向量化，得到目标向量，将每个图像小块对应的二维矩阵列向量化并组成背景向量；
步骤3，利用PCA主成分分析法对目标向量和背景向量进行降维和特征提取，得到目标特征向量和背景特征矩阵；
步骤4，分别对目标特征向量和背景特征矩阵进行归一化处理，得到归一化目标特征向量和归一化背景特征向量；
步骤5，将归一化目标特征向量和归一化背景特征向量分别左乘高斯随机矩阵进行随机特征选取，得到目标随机特征向量和背景随机特征向量；
步骤6，利用最小l1范数法计算目标随机特征向量在背景随机特征向量中的稀疏表示向量；
步骤7，取计算得到的稀疏向量中的非零值的绝对值之和，并且与局部背景对比度相结合，得到基于压缩感知的图像受干扰程度评价尺度CSM。
本发明与现有技术相比，其显著效果为：(1)本发明采用压缩感知理论对受干扰图像进行处理，可以最大程度地去除图像中的冗余信息，大幅降低图像数据处理和计算的复杂度，从而实现快速有效处理；(2)本发明采用目标特征向量、背景特征向量、局部背景对比度计算相结合的方法，准确度高，对于具有复杂背景干扰的光学图像质量评价具有较好的适用性。
附图说明
图1是本发明基于压缩感知的图像受干扰程度评价方法的流程图。
图2是本发明基于压缩感知相似度的图像受干扰程度评价方法步骤3中主成分分析法PCA进行计算的一般步骤示意图。
图3是本发明实施例中图像受干扰实验的原理图。
图4是本发明实施例中CCD相机所采集的原始图像和不同入射功率条件下受干扰图像。
图5是本发明实施例中CSM尺度值与入射光功率的关系曲线图。
图6是本发明实施例中TSSIM尺度值与入射光干扰功率的关系曲线图。
具体实施方式
如图1所示，本发明基于压缩感知的图像受干扰程度评价方法，包括以下步骤：
步骤1，利用CCD相机采集激光干扰图像，从所采集的受干扰图像中提取出目标图像，图像的尺寸为目标区域相应尺寸的两倍；对整幅图像进行分块处理，设总的分块数量为N，每一小块图像的尺寸与目标图像的尺寸相同。
步骤2，将目标图像对应二维矩阵列向量化，得到目标向量T；将每个小单元对应的二维矩阵列向量化并组成背景向量B＝[B1|B2|…|Bi|…|BN|]，Bi为列向量，代表第i个小单元。
步骤3，利用PCA主成分分析法对目标向量T和背景向量B进行降维和特征提取，得到目标特征向量Tc和背景特征矩阵Bc，用以降低后续计算的复杂度。PCA主成分分析法进行计算的一般步骤如图2所示。
步骤4，分别对目标特征向量Tc和背景特征矩阵Bc进行归一化处理，得到归一化目标特征向量Tcn和归一化背景特征向量Bcn：
Tcn＝Tc/||Tc||2
Bcn(i)＝Bc(i)/||Bc(i)||2
其中，||·||2表示向量的l2范数，Bc(i)和Bcn(i)分别表示背景特征向量和归一化背景特征向量第i个列向量。
步骤5，将归一化目标特征向量Tcn和归一化背景特征向量Bcn分别左乘高斯随机矩阵P进行随机特征选取，得到目标随机特征向量b和背景随机特征向量A：
b＝PTcn
A＝PBcn
步骤6，将b作为测量矩阵，A作为传感矩阵，利用最小l1范数法计算目标随机特征向量b在背景随机特征向量A中的稀疏表示向量x，即：
b＝Ax
Figure BDA0002317823830000041
满足Ax＝b
步骤7，定义局部背景对比度RSS为：
Figure BDA0002317823830000042
其中，m和n为背景小块的维数，tpq表示(p,q)处像素的灰度值，μT为背景单元的灰度均值。
求各图像小块的局部对比度，并求计算结果的均值RSSave，最后得到各单元局部对比度的相对值RSSrel：
Figure BDA0002317823830000043
RSSrel(i)＝RSS(i)/RSSave,i＝1,2,…N
计算所得各单元局部对比度的相对值RSSrel上一步计算结果相结合，得到基于压缩感知的激光干扰图像尺度CSM，可表示为：
Figure BDA0002317823830000044
当受干扰程度较弱时，稀疏向量
Figure BDA0002317823830000045
中的非零值的绝对值较大，各个小单元局部对比度相对值RSSrel较大，得到的CSM值较大；当干扰较强时，稀疏向量
Figure BDA0002317823830000046
中的非零值较小，各个小单元局部对比度相对值RSSrel较小，从而计算所得CSM值较小。因此，CSM尺度可以用于对受干扰CCD成像系统的效果进行定量评估，即CSM值越大，干扰程度越轻；CSM值越小，干扰程度越重。
下面结合附图和实施例对本发明作进一步说明。
实施例
为了对本发明进行说明，充分展现出该方法对于定量、准确评价图像受干扰程度的适用性，完成干扰图像采集实验如下：
(1)实验初始条件及参数设置
干扰实验的原理图如3所示，实验中使用HJ-2B型He-Ne连续激光器作为干扰光源，波长为632nm。所使用的成像装置为维视公司生产的MV-040UC型工业黑白CCD摄像机。可调谐衰减片用于衰减直接入射到CCD探测器上的光功率，可通过调节衰减片来调节入射到探测器上的光功率大小。实验中的功率计接收被分光镜反射的光功率，用于监视入射光的稳定性，计算机用于控制成像装置的运行和CCD所采集到的图像的存储以及后续处理。
实验中所采集的原始图像和不同入射功率条件下受干扰图像图4所示，利用本发明所提出的CSM尺度计算方法对图4中的受干扰图像进行计算，得到不同干扰条件下各幅图像的CSM尺度数值，如图5所示。
为了验证本发明所提方法相比于现有技术的优越性，另外选取了Chang Hong-hua等人在《Evaluation of human detection performance using target structuresimilarity clutter metrics》中提出的TSSIM尺度进行了效果对比实验，实验结果如图6所示。
(2)实验结果分析
图4中的各个子图显示当干扰存在时，入射在CCD探测器表面的主光斑以及主光斑周围的散斑都将对CCD最终采集的图像造成影响，使得图像中的目标不那么清晰可见。入射功率越高，CCD受干扰的程度就越深，CCD所采集图像中的目标就越模糊，对目标进行探测的难度就越大。图5显示，当干扰光功率逐渐增加时，CSM值呈单调递减趋势。这就说明入射功率越高，目标与背景的相似性越高，稀疏向量中的非零值越小，各个小单元局部对比度相对值越小，CSM尺度数值越小，目标就越难以被探测，图像被干扰的程度就越高。因此，CSM尺度可以实现对图像受干扰程度的有效评估。需要特别说明的是，本实验中所采集的图像大小为576×704像素，而目标图像的大小为118×198。经过计算处理后，得到受干扰图像的特征向量为一个2×4的数值矩阵，而目标图像的特征向量为一个2×1的数值矩阵，对这样一组数据进行处理的复杂程度显然要远远低于对原图像数据进行处理。
另一方面，由图6可以看出，当入射光功率增大到一定程度时，现有的TSSIM尺度值随入射光功率变化曲线表现出了显著的非单调性。这说明当受干扰严重时，所获得的图像中呈现出复杂的背景杂波，此时，现有的TSSIM尺度用于定量评价图像受干扰程度会出现较大误差，因此不再适用，而本发明所提出的评价方法在同等条件下依然适用。

Claims (7)

1.一种基于压缩感知的图像受干扰程度评价方法，其特征在于，包括以下步骤：
步骤1，从得到的受干扰图像中提取出目标图像，对整幅图像进行分块处理；
步骤2，将目标图像对应二维矩阵列向量化，得到目标向量，将每个图像小块对应的二维矩阵列向量化并组成背景向量；
步骤3，利用PCA主成分分析法对目标向量和背景向量进行降维和特征提取，得到目标特征向量和背景特征矩阵；
步骤4，分别对目标特征向量和背景特征矩阵进行归一化处理，得到归一化目标特征向量和归一化背景特征向量；
步骤5，将归一化目标特征向量和归一化背景特征向量分别左乘高斯随机矩阵进行随机特征选取，得到目标随机特征向量和背景随机特征向量；
步骤6，利用最小l1范数法计算目标随机特征向量在背景随机特征向量中的稀疏表示向量；
步骤7，取计算得到的稀疏向量中的非零值的绝对值之和，并且与局部背景对比度相结合，得到基于压缩感知的图像受干扰程度评价尺度CSM。
2.根据权利要求1所述的基于压缩感知的图像受干扰程度评价方法，其特征在于，步骤1具体过程为：利用CCD相机采集激光干扰图像，从所采集的受干扰图像中提取出目标图像，图像的尺寸为目标区域相应尺寸的两倍；对整幅图像进行分块处理，设总的分块数量为N，每一小块图像的尺寸与目标图像的尺寸相同。
3.根据权利要求1所述的基于压缩感知的图像受干扰程度评价方法，其特征在于，步骤2具体过程为：将目标图像对应二维矩阵列向量化，得到目标向量T；将每个小单元对应的二维矩阵列向量化并组成背景向量B＝[B1|B2|…|Bi|…|BN|]，Bi为列向量，代表第i个小单元。
4.根据权利要求1所述的基于压缩感知的图像受干扰程度评价方法，其特征在于，步骤4具体过程为：分别对目标特征向量Tc和背景特征矩阵Bc进行归一化处理，得到归一化目标特征向量Tcn和归一化背景特征向量Bcn：
Tcn＝Tc/||Tc||2
Bcn(i)＝Bc(i)/||Bc(i)||2
其中，||·||2表示向量的l2范数，Bc(i)和Bcn(i)分别表示背景特征向量和归一化背景特征向量第i个列向量。
5.根据权利要求4所述的基于压缩感知的图像受干扰程度评价方法，其特征在于，步骤5具体过程为：将归一化目标特征向量Tcn和归一化背景特征向量Bcn分别左乘高斯随机矩阵P进行随机特征选取，得到目标随机特征向量b和背景随机特征向量A：
b＝PTcn
A＝PBcn。
6.根据权利要求5所述的基于压缩感知的图像受干扰程度评价方法，其特征在于，步骤6具体过程为：将b作为测量矩阵，A作为传感矩阵，利用最小l1范数法计算目标随机特征向量b在背景随机特征向量A中的稀疏表示向量x，即：
b＝Ax
Figure FDA0002317823820000021
满足Ax＝b 。
7.根据权利要求1所述的基于压缩感知的图像受干扰程度评价方法，其特征在于，步骤7具体过程为：定义局部背景对比度RSS为：
Figure FDA0002317823820000022
其中，m和n为背景小块的维数，tpq表示(p,q)处像素的灰度值，μT为背景单元的灰度均值；
求各图像小块的局部对比度，并求计算结果的均值RSSave，最后得到各单元局部对比度的相对值RSSrel：
Figure FDA0002317823820000023
RSSrel(i)＝RSS(i)/RSSave,i＝1,2,…N
计算所得各单元局部对比度的相对值RSSrel与上一步计算结果相结合，得到基于压缩感知的受干扰图像尺度CSM，可表示为：
Figure FDA0002317823820000024
。
CN201911289073.6A 2019-12-13 2019-12-13 基于压缩感知的图像受干扰程度评价方法 Pending CN111145148A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911289073.6A CN111145148A (zh) 2019-12-13 2019-12-13 基于压缩感知的图像受干扰程度评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911289073.6A CN111145148A (zh) 2019-12-13 2019-12-13 基于压缩感知的图像受干扰程度评价方法

Publications (1)

Publication Number Publication Date
CN111145148A true CN111145148A (zh) 2020-05-12

Family

ID=70518304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911289073.6A Pending CN111145148A (zh) 2019-12-13 2019-12-13 基于压缩感知的图像受干扰程度评价方法

Country Status (1)

Country Link
CN (1) CN111145148A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709637A (zh) * 2020-06-11 2020-09-25 中国科学院西安光学精密机械研究所 一种光谱曲线受干扰程度的定性分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393911A (zh) * 2011-07-21 2012-03-28 西安电子科技大学 基于压缩感知的背景杂波量化方法
US20190197344A1 (en) * 2016-08-03 2019-06-27 Jiangsu University Saliency-based method for extracting road target from night vision infrared image

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393911A (zh) * 2011-07-21 2012-03-28 西安电子科技大学 基于压缩感知的背景杂波量化方法
US20190197344A1 (en) * 2016-08-03 2019-06-27 Jiangsu University Saliency-based method for extracting road target from night vision infrared image

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴云龙等: "《基于压缩感知的激光干扰图像尺度分析》", 《发光学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709637A (zh) * 2020-06-11 2020-09-25 中国科学院西安光学精密机械研究所 一种光谱曲线受干扰程度的定性分析方法
CN111709637B (zh) * 2020-06-11 2023-08-22 中国科学院西安光学精密机械研究所 一种光谱曲线受干扰程度的定性分析方法

Similar Documents

Publication Publication Date Title
Rifai et al. Evaluation of turned and milled surfaces roughness using convolutional neural network
CN100573193C (zh) 高光谱小目标探测方法及装置
CN110991493A (zh) 一种协同表示和异常剔除的高光谱异常检测方法
CN107704802B (zh) 高光谱图像杂波的度量及异常检测算法的性能预测方法
CN110751087B (zh) 一种基于eof的无人机信号识别系统和方法
CN104680541A (zh) 基于相位一致性的遥感图像质量评价方法
CN116740652B (zh) 一种基于神经网络模型的锈斑面积扩大的监测方法与系统
CN116883412B (zh) 一种石墨烯远红外电热设备故障检测方法
CN102254185B (zh) 基于对比度敏感函数的背景杂波量化方法
CN111145148A (zh) 基于压缩感知的图像受干扰程度评价方法
CN113607546A (zh) 一种裂纹测量方法
CN113822361A (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
CN117635874A (zh) 基于图像多特征提取与融合算法的破片场三维快速反演系统
Wang et al. Infrared image complexity metric for automatic target recognition based on neural network and traditional approach fusion
CN115345845B (zh) 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备
CN110378268A (zh) 高光谱快速目标检测方法及系统
CN109117712A (zh) 一种最大边缘测度学习的高光谱影像目标探测方法及系统
CN114034405A (zh) 一种非接触式测温方法及系统
Gao et al. Method of quality assessment based on convolution feature similarity for laser disturbing image
Roy Hybrid algorithm for hyperspectral target detection
CN112945125A (zh) 一种非接触式的轮胎滚动变形特性测试方法
Kishore et al. Hyperspectral imaging technique for plant leaf identification
CN117690028B (zh) 基于遥感传感器的目标探测方法及系统
Yang et al. Performance measurement of photoelectric detection and target tracking algorithm
Wang et al. Complexity metric of infrared image for automatic target recognition

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200512

RJ01 Rejection of invention patent application after publication