[发明专利]一种双模非局部均值滤波方法

说明书

技术领域

本发明属于图像处理与目标检测技术领域，更具体地，是一种用于弱小运动目标提取的双模非局部均值滤波方法。

背景技术

在复杂背景且信噪比较低的情况下，图像序列中弱小运动目标的检测一直是图像处理领域中比较困难的问题。当目标处于远距离时，它们在像面上仅占几个像素，无形状与结构特征，且强度较弱，并处于复杂背景下，被看作是复杂环境下的弱小目标。弱小运动目标处于复杂背景中时，由于目标和背景的双重复杂性，使得目标检测的难度大为增加。因此，对复杂背景下弱小运动目标的检测技术的研究，对于提高现代化高技术武器的作战距离及反应速度具有重要意义。

目标检测算法按照目标增强和背景估计两个方面的思路进行分类。目标增强的本质是充分利用目标本身所固有的、规律性的多种特性，使变换后的目标特性得到有效的增强，改进目标特性的显著性和与背景的分离性；而背景估计的本质是充分利用背景本身所固有的、规律性的变化特性，使变换后的背景特性具有某种相对的稳定性，改进背景估计的精度和与目标特性的分离性。在目标的可利用特征有限的情况下，背景估计方法更有优势。图像中的任何一个像素都不是孤立的，而是与其周围的像素点结合在一起，共同构成图像的几何结构。以某一像素点为中心的窗口邻域(或称图像块)，可以很好地描述像素点的结构特征。任何一个像素点的图像块的所有集合，可以看作是图像的一种过完备表示。另外，图像还具有自相似性质，也就是说，处于图像中不同位置上的像素点常常表现出明显的强相关性。

对于背景估计算法，国内外学者已做了很多富有成效的工作。简单的时空域滤波方法如高通滤波，中值滤波，匹配滤波等无法满足复杂背景下弱小目标的提取需求，基于小波变换的滤波方法对小波基的选取要求较高，简单的小波基对弱小目标提取的效果并不理想，而复杂的小波基又在计算复杂度和计算量上有待改进。固定权值背景预测算法是最简单的线性低通滤波背景预测算法，计算简单快捷，但不适用于预测强起伏的背景；基于形态学滤波的背景预测利用形态学中腐蚀与膨胀操作的对称性可以很好地估计出背景。膨胀运算使得在比结构元素小的区域中的黑色细节将被减少或去除，腐蚀运算使得在比结构元素小的区域中的明亮细节经腐蚀后将被减少或去除，其结果与高通滤波器是相似的，虽然在抑制噪声方面有一些优点，但对低信噪比图像的小目标检测性能有限，而且形态学滤波中对结构元的选取要求很高。非局部均值滤波方法是由Buades提出的一种基于单一模型的空域滤波方法，利用对含噪声的图像的背景估计得到去噪图像，针对高斯噪声非常有效，但用于弱小目标检测中的背景抑制会导致目标丢失。

基于背景估计原理的目标检测算法，其难点在于需要在目标存在的情况下精确地估计出不含目标的背景，由于背景估计过程建立在原始图像之上，往往会受到目标的影响而无法估计出正确背景，导致目标残留，得出的残差图像中目标丢失，检测率降低。而且预警系统中的目标检测算法受到星上运算系统的限制，计算量和存储量都有一定要求，因此实时鲁棒的小目标自动检测技术尚未完全突破。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种双模非局部均值滤波方法，能对图像原始背景进行估计，从而对背景抑制结果进行目标提取，有效地解决了由于复杂背景造成的强杂波干扰以及弱小目标可利用特征有限的问题，提高了复杂背景下弱小目标的检测概率。

为了实现上述目的，本发明提供了一种双模非局部均值滤波方法，包括如下步骤：

(1)图像数据输入：

输入待处理的图像序列；

(2)滤波模型参数确定：

根据目标先验知识确定滤波模型参数；

(3)相似窗和干涉区域定位：

根据图像中的待处理像素为中心划定相似窗，并在下一帧图像中确定干涉区域范围；

(4)匹配向量提取：

以干涉区域中当前像素确定匹配窗，根据(3)中的相似窗和当前匹配窗的像素灰度值得到相似窗向量和匹配窗向量；

(5)背景模型和目标模型相似度测量：

利用步骤(4)中的相似窗向量和匹配窗向量进行背景模型和目标模型的相似度测量。

(6)双模权值计算

根据步骤(5)中的背景模型和目标模型相似度测量值计算双模权值。

(7)背景估计值计算：

判断当前处理的匹配窗是否是以干涉区域内最后一个像素为中心的匹配窗，如果满足条件，则利用步骤(4)-(6)得到的所有匹配窗中心像素值和该匹配窗的权值获得待处理像素对应的估计值然后进行步骤(8)，否则返回步骤(4)继续处理干涉区域下一个像素；