本发明属于信息技术领域，可用于单帧图像中的弱小目标检测，具体为一种改进的基于希尔伯特黄变换图像背景抑制方法。
背景技术：
背景抑制技术是基于单帧图像的目标检测中最有效的方法，其基本思想是：在一副有背景干扰的图像中，利用背景中像素点的灰度值和周围像素点的灰度值的相关性比较大，而目标一般以孤立点的形式存在，它与周围背景像素点的相关性很小。利用这个性质，我们可以用图像中的各像素点周围一定范围内的像素点的平均值来预测该像素点的灰度值，这个过程我们称为背景预测。由于背景中像素点的实际灰度值和周围像素点的灰度值的相关性比较大，背景中像素点的灰度值和该像素点的预测值会很接近。而目标像素点的灰度值和周围背景的像素点的灰度值相关性很小，目标像素点实际灰度值和该像素点的预测值相差很大。所以用原始图像减去其对应的背景预测图像，可以达到抑制背景，突出目标的效果。
背景抑制技术的关键就是使背景中像素点的灰度值的预测值最大可能的接近其实际灰度值，而使目标的像素点的灰度值的预测值最大可能的远小于其实际灰度值，从而使得原始图像F(x,y)减去对应的背景预测图像B(x,y)后的残差图像E(x,y)中背景最大可能被消除，目标最大可能被突出。
背景预测技术的基本数学模型可以表示为：
式中B(x,y)为当前图像的背景预测结果，W(i,j)为以像素点(i,j)为中心的k×k背景预测模板，k为正整数，Sk是背景预测模板中的像素点集合，一般满足∑W(i,j)＝1。
残差图像E(x,y)可以表示为：E(x,y)＝F(x,y)-B(x,y) (2)
当对含有弱小目标的图像进行背景预测时，如果目标点的灰度与背景灰度相差不大时，直接使用简单的模板进行背景预测，易导致残差图像中弱小目标的信号就会更加微弱了，造成弱小目标的检测更加困难。
技术实现要素：
在上述背景技术的方法中，虽然能够对图像的背景进行预测，但当目标点的灰度与背景灰度相差不大时，易导致残差图像中弱小目标的信号更加微弱，造成弱小目标的检测更加困难；本发明的目的是针对上述问题提出解决方案。
基于以上阐述，我们提出一种新方案对上述机制进行改进；一种改进的基于希尔伯特黄变换图像背景抑制方法，对于M×N像素(M、N为正整数)的红外数字图像F(x,y)的改进的基于希尔伯特黄变换图像背景抑制方法的过程主要分成三步，其中，(x,y)表示像素点的位置坐标，且0≤x<M-1，0≤y<N-1，F(x,y)为(x,y)的灰度值；其特征在于方法步骤如下：
(1)图像灰度线性变换。将图像F(x,y)中各像素点灰度值线性变换到[0,255]的空间，存为图像G(x,y)；
(2)求极值点。找出图像G(x,y)中的极大值点和极小值点，将对应的像素点位置和灰度值分别存入极大值点集合和极小值点集合；
(3)用希尔伯特黄变换计算残差图像。
本发明所述步骤(3)中其步骤如下：
①重构极值点图像；用径向基函数对极大值点集合和极小值点集合进行二维插值，重构极大值点图像和极小值点图像；
②计算背景预测图像；图像G(x,y)的背景预测图像B(x,y)为极大值点图像和极小值点图像之和的一半；
③计算残差图像；图像G(x,y)的残差图像E(x,y)等于图像G(x,y)减去背景预测图像B(x,y)，即得到背景抑制后的残差图像。
本发明的优点是：解决了现有方法在弱小目标检测中易导致残差图像中弱小目标的信号更加微弱的问题，提出一种改进的基于希尔伯特黄变换图像背景抑制方法，尽可能保留目标信息同时能够有效地抑制噪声，提高了图像的信噪比。
本专利可能的应用范围：数字图像中弱小目标的检测。
具体实施方式
下面用实例具体说明本专利在数字图像背景抑制中的应用方法。
对于M×N像素(M、N为正整数)的图像F(x,y)，其中，(x,y)表示像素点的位置坐标，且0≤x<M-1，0≤y<N-1，F(x,y)为像素点(x,y)的灰度值。具体步骤如下：
(1)灰度线性变换。
将图像F(x,y)中各像素点灰度值线性变换到[0,255]的空间，存为图像G(x,y)，计算公式为
其中，Fmax是图像F(x,y)中灰度值的最大值，对应的像素点记为(xmax,ymax)；Fmin是图像F(x,y)中灰度值的最小值，对应的像素点记为(xmin,ymin)。
(2)求极值点。找出图像G(x,y)中的极大值点和极小值点，将对应的像素点位置和灰度值分别存入极大值点集合和极小值点集合。其步骤如下：
①用8邻域窗口从图像G(x,y)中的像素点(xmax,ymax)为中心点开始，遍历图像G(x,y)；当中心点的灰度值不小于8邻域中的任何一个像素点的灰度值时，该中心点即为局部极大值点；输出图像BW1为二值图像，局部极大值设置为1，其他像素值设定为0。
②用8邻域窗口从图像G(x,y)中的像素点(xmin,ymin)为中心点开始，遍历图像G(x,y)；当中心点的灰度值不大于8邻域中的任何一个像素点的灰度值时，该中心点即为局部极小值点；输出图像BW2为二值图像，局部极小值设置为1，其他像素值设定为0。
③BW1中为1的像素点对应的图像G(x,y)中的像素点构成极大值点集合；BW2中为1的像素点对应的图像G(x,y)中的像素点构成极小值点集合。
(3)用希尔伯特黄变换计算残差图像。其步骤如下：
①重构极值点图像。用MQ径向基函数对极大值点集合和极小值点集合进行二维插值，重构极大值点图像Max(x,y)和极小值点图像Min(x,y)。MQ径向基函数是Hardy提出的一种应用非常广泛的径向基函数，逼近精度出色。
②计算预测图像。图像G(x,y)的背景预测图像B(x,y)为极大值点图像Max(x,y)与极小值点图像Min(x,y)之和的一半，即
③计算残差图像。图像G(x,y)的残差图像E(x,y)等于图像G(x,y)减去背景预测图像B(x,y)，即得到背景抑制后的残差图像
E(x,y)＝G(x,y)-B(x,y) (7)。