本发明属于数字图像处理领域，具体涉及一种基于变分贝叶斯模型的红外弱小目标图像背景抑制方法。
背景技术：
由于红外成像探测系统具有被动探测、高度隐蔽和全天时探测的能力而被广泛的应用到自动目标识别设备中。当所关注目标距离红外成像探测系统较远，在红外图像中通常显示为复杂背景中的几个像素点，同时，由于大气衰减及干扰，红外图像中目标与背景的对比度和信噪比较低，其为红外成像探测系统对目标的精确检测带来了巨大的困难。因此，如何从低对比度、低信噪比的红外图像中精确地的检测出目标成为提高红外成像探测系统性能中的一项关键技术。
红外弱小目标图像背景抑制是红外成像探测系统精确检测目标的关键步骤。到目前为止，红外图像背景抑制的方法主要包括基于时域、空域、频域和形态学滤波等方法。例如，基于时域轮廓线的下驻点滤波方法在时域上抑制背景杂波，检测运动的红外弱小目标，对于背景变化剧烈、目标运动速度缓慢的红外序列图像效果较差。
基于最大中值/均值滤波的红外弱小目标背景抑制方法，在空域上对图像进行处理，极易受窗口大小的影响，当窗口过大时，会导致背景杂波抑制效果变差，且容易在目标点周围产生虚假轮廓，定位精度也较差；基于形态学top-hat变换的弱小目标背景抑制方法，这种方法对背景杂波的抑制效果与结构元素的选择有非常密切联系，由于图像中的目标和噪声均随机出现，在没有先验知识的情况下找到合适的结构元素十分困难。
利用二维最小均方误差滤波(tdlms)的自适应线性预测方法，在预测过程中采用最小均方误差准则，当原始红外图像中含有强相关杂波时，二维最小均方滤波可以利用杂波的相关性，从滤波器的输入信号中预测得到杂波分量并消除，而在滤波器的残差中得到目标信号分量，该方法对非平稳背景反而可能会导致信噪比的降低。
目前的红外图像背景抑制方法均难以有效地抑制包含较高灰度级、起伏剧烈的复杂红外背景。
技术实现要素：
有鉴于此，本发明的主要目的在于提供一种基于变分贝叶斯模型的红外弱小目标图像背景抑制方法。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种基于变分贝叶斯模型的红外弱小目标图像背景抑制方法，该方法为：根据滑动窗口对红外图像进行分解，获得若干个相同大小且相互重叠的图像块，之后，根据knn方法对所述获得的若干个相同大小且相互重叠的图像块进行聚类处理，获得若干个不同的红外图像块聚类，再根据变分贝叶斯理论模型抑制所述获得的红外图像块聚类中的背景成分，最后对经背景抑制的红外图像块聚类进行重构获得背景抑制后的图像。
上述方案中，所述根据滑动窗口对红外图像进行分解，具体为：选取大小为m×n的窗口，将窗口在大小为m×n的红外图像矩阵中滑动，通过窗口所覆盖的数据获得若干个大小相同且相互重叠的图像块。
上述方案中，所述根据knn方法对所述获得的若干个相同大小且相互重叠的图像块进行聚类处理，具体为：随机选取k个图像块作为聚类的中心，根据knn方法和欧氏距离最近原则将所有图像块根据分为k个聚类。
上述方案中，所述根据变分贝叶斯理论模型抑制所述获得的红外图像块聚类中的背景成分，具体为：
步骤一：求得每个聚类ty中所包含所有t个图像块pi的均值，根据均值去除法去除聚类中所包含的背景成分，获得抑制掉背景后的聚类t'y；
步骤二：从聚类t'y中求得原始图像f中第i行j列的fi,j像素的灰度候选值f'i，j在所有候选值中的期望概率；
上式中tk表示包含的聚类(k＝1，2，```，s表示不同的聚类，s表示该类聚类的总数)，p(tk|fi,j)根据下式进行求解
其中，h为常数，z＝1,2,3,…,m用来区分不同的灰度级；对于p(zf'i，j|fi,j)，由于在构造图像块时引入了人工边界，所以对于所有的参考值，位于图像块内部的灰度候选值要比位于图像块边缘的候选值具有更重要的参考意义；
采用一个二维贝塞尔窗来代替p(zf'i，j|fi,j)，如下式：
上式中，
将(5)式带入(4)式可以得到：
p(f'i,j|fi,j)＝∑kck·p(f'i，j|tk)(6)
步骤三：求解背景抑制后每个像素候选值的期望概率，根据最大似然函数选取期望概率最大的候选值f”i，j，即得最优背景抑制像素值，将所述最优背景抑制像素值替换原始像素值；
步骤四：根据最大似然函数将经过背景抑制后的图像块重新聚类；
步骤五：根据图像块重新聚类确定前后迭代的能量泛函差，并且根据差值判断是否达到结束条件；
δf＝|fr(f”i，j,t)-fr-1(f”i，j,t)|＜t(9)
上式中，fr-1(f”i，j,t)表示前一次迭代图像能量泛函值，fr(f”i，j,t)表示这次的图像能量泛函值，t为常数；若上式不成立则重复步骤一至步骤五，否则结束该过程。
上述方案中，所述对经背景抑制的红外图像块聚类进行重构获得背景抑制后的图像，具体为：将图像块中的像素值恢复到原始图像的位置。
与现有技术相比，本发明的有益效果：
本发明有效地抑制红外图像中所包含的高灰度级、起伏剧烈的红外背景，并能够突出目标信息，便于后续的目标分割与检测。
附图说明
图1为本发明的流程图；
图2为实验原始图像，其中图2(a)、2(b)、2(c)是原始图像；图2(a’)、2(b’)、2(c’)是对应原始图像的三维灰度分布图；其中原始图像分别含有1个目标点，标注为a；
图3为基于tdlms的红外小目标图像背景抑制的结果图；其中图3(a)、3(b)、3(c)是实验结果图；图3(a’)、3(b’)、3(c’)是实验结果图3(a)、3(b)、3(c)的三维灰度分布图；
图4为基于top-hat的红外小目标图像背景抑制的结果图；其中图4(a)、4(b)、4(c)是实验结果图；图4(a’)、4(b’)、4(c’)是实验结果图4(a)、4(b)、4(c)结果图的三维灰度分布图；
图5为基于max-mean的红外小目标图像背景抑制的结果图；其中图5(a)、5(b)、5(c)是实验结果图；图5(a’)、5(b’)、5(c’)是实验结果图5(a)、5(b)、5(c)的三维灰度分布图；
图6为本发明中的结果图，其中图6(a)、6(b)、6(c)是本方法的结果图；图6(a’)、6(b’)、6(c’)是实验结果图6(a)、6(b)、6(c)的三维灰度分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于变分贝叶斯模型的红外弱小目标图像背景抑制方法，如图1所示，该方法为：根据滑动窗口对红外图像进行分解，获得若干个相同大小且相互重叠的图像块，之后，根据knn(k-nearestneighborsalgorithms，k最近邻法)方法对所述获得的若干个相同大小且相互重叠的图像块进行聚类处理，获得若干个不同的红外图像块聚类，再根据变分贝叶斯理论模型抑制所述获得的红外图像块聚类中的背景成分，最后对经背景抑制的红外图像块聚类进行重构获得背景抑制后的图像。
所述根据滑动窗口对红外图像进行分解，具体为：选取大小为m×n的窗口，将窗口在大小为m×n的红外图像矩阵中滑动，通过窗口所覆盖的数据获得若干个大小相同且相互重叠的图像块。
所述根据knn方法对所述获得的若干个相同大小且相互重叠的图像块进行聚类处理，具体为：随机选取k个图像块作为聚类的中心，根据knn方法和欧氏距离最近原则将所有图像块根据分为k个聚类。
所述根据变分贝叶斯理论模型抑制所述获得的红外图像块聚类中的背景成分，具体为：
步骤一：求得每个聚类ty中所包含所有t个图像块pi的均值，根据均值去除法去除聚类中所包含的背景成分，获得抑制掉背景后的聚类t'y；
步骤二：计算重构图像中第i行j列的fi,j像素的候选值f'i，j在所有候选值中的期望概率；
上式中tk表示包含的聚类(k＝1，2，```，s表示不同的聚类，s表示该类聚类的总数)，p(tk|fi,j)根据下式进行求解
其中，h为常数，z＝1,2,3,…,m用来区分不同的灰度级；对于p(zf'i，j|fi,j)，由于在构造图像块时引入了人工边界，所以对于所有的参考值，位于图像块内部的灰度候选值要比位于图像块边缘的候选值具有更重要的参考意义；
采用一个二维贝塞尔窗来代替p(zf'i，j|fi,j)，如下式：
上式中，
将(5)式带入(4)式可以得到：
p(f’i,j|fi,j)＝∑kck·p(f'i，j|tk)(6)
步骤三：求解背景抑制后每个像素候选值的期望概率，根据最大似然函数选取期望概率最大的候选值f”i，j，即得最优背景抑制像素值，将所述最优背景抑制像素值替换原始像素值；
步骤四：根据最大似然函数将经过背景抑制后的图像块重新聚类；
步骤五：根据图像块重新聚类确定前后迭代的能量泛函差，并且根据差值判断是否达到结束条件；
δf＝|fr(f”i，j,t)-fr-1(f”i，j,t)|＜t(9)
上式中，fr-1(f”i，j,t)表示前一次迭代图像能量泛函值，fr(f”i，j,t)表示这次的图像能量泛函值，t为常数；若上式不成立则重复步骤一至步骤五，否则结束该过程。
所述对经背景抑制的红外图像块聚类进行重构获得背景抑制后的图像，具体为：将图像块中的像素值恢复到原始图像的位置。
实施例1：
本发明实施例提供一种基于变分贝叶斯模型的红外弱小目标图像背景抑制方法，如图1所示，该方法具体通过以下步骤实现：
步骤101：对红外图像进行分块处理。
具体的，对输入的图像进行分块获得输入图像对应的图像块，对输入图像i进行分块，是通过对整个图像滑窗得到的：对输入图像i进行分块，其滑动窗口的大小为9×9，相邻窗口的步长为1，得到输入图像i图像块pj。
步骤201：采用knn聚类算法对图像块进行聚类运算。
具体的，随机选取多个图像块作为聚类的中心，计算其他图像块与中心图像块的欧氏距离，以距离最近为原则，将图像块分为多个聚类；这里，选取8个图像块作为聚类tk中心，记为pk，其中k＝1,2,···,8。
其中，i＝1,2,3,···表示不同的图像块。
步骤301：采用变分贝叶斯法将红外图像块聚类中的背景成分抑制掉。
具体的，求取每个聚类所包含图像块的均值，并用聚类内的图像块减去该均值，得到去掉均值的图像块聚类。
其中，y＝1,2,···,8表示不同的聚类，t表示聚类所包含图像块的总数。
计算图像块相互重叠像素灰度候选值的概率。
其中，
这里，f'i，j表示经过去均值处理后的位于原图i行j列的像素灰度值，fi,j表示位于原图i行j列的像素灰度值。z＝1,2,3,…,m用来区分不同的第z个灰度候选值，h为常数。由(4)式可以看出，权值由常数h和p(zf'i，j|fi,j)所决定。然而对于p(zf'i，j|fi,j)，由于在构造图像块时引入了人工边界，所以对于所有的参考值，位于图像块内部的参考值要比位于图像块边缘的参考值具有更大的参考作用。所以，采用一个二维贝塞尔窗来代替p(zf'i，j|fi,j)，
i0(·)为零阶修正贝塞尔函数。则(4)式中ck可表示为：
最终，(3)式可以写为：
p(f'i，j|fi,j)＝∑kck·p(f'i,j|tk)(7)
利用贝叶斯公式，求得使得概率最大的像素灰度值f”i,j，即为该位置最终灰度值，并修正其他包含该位置图像块相对位置的灰度值。
利用贝叶斯公式，求的经过上述处理后，所获得的新的聚类
利用能量泛函判断是否达到该步骤结束条件，如未达到，则迭代执行(8)和(9)步。
δf＝|fr(f”i，j,t)-fr-1(f”i，j,t)|＜t(10)
其中，f(·)表示能量泛函，下标r表示迭代的次数，t为常数，这里取值为0.01。
步骤401：重构图像。
将所有图像块恢复到图像原始位置，并求重叠像素的平均灰度，得到最终背景抑制图像的像素灰度值。
上式中，w表示包含该同一位置像素灰度值的图像块的个数。
本发明的有益效果通过仿真实验具体说明：
1.实验条件
实验所用的cpu为intelcore(tm)i3-41503.50ghz内存4gb,编程平台是matlabr2013b。实验采用的是三帧包含小目标的真实红外图像。红外图像的大小分别为250×200、128×128和240×180，如图2所示。
实验表明，本发明的方法不仅从主观视觉还是客观评价指标均优于其他几种方法。图3～6给出了本发明方法及三种经典背景抑制方法对图2的背景抑制结果。scr为信杂比，iscr为信杂比增益，bsf为背景抑制因子。其中，信杂比增益越高，表示处理后目标和背景差异越大，背景抑制因子越高表示背景抑制越完全。
表1为几种方法的评价指标对比表
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。