基于时域信息特征空间背景建模方法与流程

本发明涉及图像处理领域，具体涉及一种基于时域信息特征空间背景建模方法。

背景技术：

现有的弱小目标检测方法，特别是针对高空小目标的检测方法，存在缺陷与不足，由于此类目标经常埋没在各种噪声噪点和大气云层流动之中，特别是大气云层的流动的情况下，光照不足使图像形成的背景边缘轮廓十分明显，且单独采用时域信息进行的背景建模的方法无法解决此类问题，进而降低目标检测的准确率；传统的背景建模算法是对小目标进行抑制或者是对背景进行抑制，进而构造背景模型得到差分图，该方法在针对包含各种差异干扰噪声噪点和具有较大背景边缘轮廓的图像中难以准确检测出小目标。

技术实现要素：

本发明旨在提供一种基于时域信息特征空间背景建模方法，该方法克服现有技术缺陷，具有对比度高、相联性高的特点。

本发明的技术方案如下：

一种基于时域信息特征空间背景建模方法，包括以下步骤：

a、对多帧数的待检测图像进行读取；

b、构建多个方向的空间邻域梯度滤波函数，得到分别以待检测图像各像素点为中心像素点的多个方向的梯度差，进而计算得到各个像素点的多个方向的梯度滤波函数值；

c、对多帧数的待检测图像进行滤波，得到多帧数的滤波图像；即：对于各个像素点，取其多个方向的梯度滤波函数值中的两个最小值的均值，作为该像素点的滤波值，各个像素点的滤波值构成滤波图像；

d、将多帧数的待检测图像构建训练样本矩阵，之后对该训练样本矩阵进行去中心化处理，得到去中心化矩阵，再对去中心化矩阵进行协方差的求取得到协方差矩阵，之后对协方差矩阵奇异分解后求取特征值和特征向量并且去掉多个最大的特征值后构建特征空间矩阵；将各帧数的待检测图像分别投影于特征空间矩阵上进行矩阵重构，分别得到各帧数的待检测图像各自对应的背景建模图像。

优选地，步骤b中所述的梯度差如下：

其中，f(i,j)为待检测图像的各像素点的像素值；δfu，δfd，δfl和δfr是指以像素点f(i,j)为中心的上、下、左和右四个方向的梯度差；t代表两个像素点间的步长；k为梯度扩散系数；

δfu·|f(i,j)-f(i-t,j)|；δfd·|f(i,j)-f(i+t,j)|；δfl·|f(i,j)-f(i,j-t)|；δfr·|f(i,j)-f(i,j+t)|分别表示在中心点上、下、左、右方向的梯度滤波函数值。

优选地，所述的步骤c中的各个像素点的滤波值如下：

[min1,min2]＝sort_min{δfu·|f(i,j)-f(i-t,j)|,δfd·|f(i,j)-f(i+t,j)|,δfl·|f(i,j)-f(i,j-t)|,δfr·|f(i,j)-f(i,j+t)|}；

其中f′(i,j)为各个像素点的滤波值，sort_min表示从小到大排序函数，min1和min2分别是四个方向中各向梯度滤波函数值最小的两个值。

优选地，所述的步骤d具体如下：

取n1帧待检测图像f组成一个训练样本矩阵x，矩阵的维度为[n1,h×w]，其中h和w分别为待检测图像的高度和宽度，最后对该矩阵进行去中心化处理，具体公式如下：

式中，a和b表示样本矩阵x的行、列数，a＝1,2,…,n1，b＝1,2,…,h×w；表示第b列矩阵x的均值；x′表示去中心化后的矩阵；再对x′进行协方差的求取组成协方差矩阵zcov如下：

对zcov进行奇异分解，求取特征值和特征向量u并且去前p个最大的特征值组成对应的特征向量构成特征空间矩阵up，同时将待检测图像投影到特征空间矩阵上构建图像背景，具体表达式如下：

fk为k时刻的待检测图像，bk为k时刻的背景图像，其通过将待检测图像投影到特征空间矩阵up上重构得到。

本发明方案采用特有的空间邻域梯度滤波函数对待检测图像进行滤波，通过梯度差计算得到梯度滤波函数值，进而基于梯度滤波函数值构建特征空间矩阵，从而通过投影实现背景图像的重构；本发明算法采用的是对图像的各个像素区域进行分组的背景建模，区分出各个背景像素后对背景进行重组，使背景的构建更具分层，使得后续得到的差分图里对目标点的能量保留更凸显，可以实现在复杂背景下目标的检测提取，提升检测的准确率；同时，本发明算法可以使在低对比度的场景中加强目标区域和背景区域对比度，较易获得目标信息；并且，本发明算法能够根据动态图像不断更新背景模型，进而产生与原图像背景相联性更高的背景建模图。

附图说明

图1为本发明实施例1提供的基于时域信息特征空间背景建模方法的待检测图像；

图2为本发明实施例1提供的基于时域信息特征空间背景建模方法的对实际场景的背景目标点像素区域划分效果图；

图3为本发明实施例1中的参考文献1的方案对待检测图像处理获得的背景图、差分图和三维图；

图4为本发明实施例1方案对待检测图像处理的背景图、差分图和三维图；

图5为本发明实施例1方案采用现有算法pca对训练帧数与检测率评估的曲线图。

具体实施方式

如图1-5所示，本实施例提供的一种基于时域信息特征空间背景建模方法，包括以下步骤：

a、对多帧数的待检测图像进行读取；

b、构建多个方向的空间邻域梯度滤波函数，得到分别以待检测图像各像素点为中心像素点的多个方向的梯度差，进而计算得到各个像素点的多个方向的梯度滤波函数值；

步骤b中所述的梯度差如下：

其中，f(i,j)为待检测图像的各像素点的像素值；δfu，δfd，δfl和δfr是指以像素点f(i,j)为中心的上、下、左和右四个方向的梯度差；t代表两个像素点间的步长；k为梯度扩散系数；

δfu·|f(i,j)-f(i-t,j)|；δfd·|f(i,j)-f(i+t,j)|；δfl·|f(i,j)-f(i,j-t)|；δfr·|f(i,j)-f(i,j+t)|分别表示在中心点上、下、左、右方向的梯度滤波函数值；

c、对多帧数的待检测图像进行滤波，得到多帧数的滤波图像；即：对于各个像素点，取其多个方向的梯度滤波函数值中的两个最小值的均值，作为该像素点的滤波值，各个像素点的滤波值构成滤波图像；

所述的步骤c中的各个像素点的滤波值如下：

[min1,min2]＝sort_min{δfu·|f(i,j)-f(i-t,j)|,δfd·|f(i,j)-f(i+t,j)|,δfl·|f(i,j)-f(i,j-t)|,δfr·|f(i,j)-f(i,j+t)|}；

其中f′(i,j)为各个像素点的滤波值，sort_min表示从小到大排序函数，min1和min2分别是四个方向中各向梯度滤波函数值最小的两个值；

d、将多帧数的待检测图像构建训练样本矩阵，之后对该训练样本矩阵进行去中心化处理，得到去中心化矩阵，再对去中心化矩阵进行协方差的求取得到协方差矩阵，之后对协方差矩阵奇异分解后求取特征值和特征向量并且去掉多个最大的特征值后构建特征空间矩阵；将各帧数的待检测图像分别投影于特征空间矩阵上进行矩阵重构，分别得到各帧数的待检测图像各自对应的背景建模图像；

所述的步骤d具体如下：

取n1帧待检测图像f组成一个训练样本矩阵x，矩阵的维度为[n1,h×w]，其中h和w分别为待检测图像的高度和宽度，最后对该矩阵进行去中心化处理，具体公式如下：

式中，a和b表示样本矩阵x的行、列数，a＝1,2,…,n1，b＝1,2,…,h×w；表示第b列矩阵x的均值；x′表示去中心化后的矩阵；再对x′进行协方差的求取组成协方差矩阵zcov如下：

对zcov进行奇异分解，求取特征值和特征向量u并且去前p个最大的特征值组成对应的特征向量构成特征空间矩阵up，同时将待检测图像投影到特征空间矩阵上构建图像背景，具体表达式如下：

fk为k时刻的待检测图像，bk为k时刻的背景图像，其通过将待检测图像投影到特征空间矩阵up上重构得到。

如图2所示，本发明实施例1方案能够对背景以及待检测目标进行较好的区分。

如图3-4所示，本发明实施例1方案在背景图、差分图和三维图上相对于参考文献1均能更好地检测弱小目标(参考文献1：凌强,黄树彩,吴潇,等.基于核各向异性扩散的红外小目标检测[j].强激光与粒子束,2015,27(1):93-98.)。

如图5所示，由pca评估算法绘出的图像观察到，当图像的帧数n1上升时检测率也随之升高，当n1达到5时便可使得检测率达到90％，满足了检测的需求，充分说明本发明实施例1方案能够有效地检测出目标点。采用pca参数分析所体现的好处为：分析特征空间维度p和时域上构成训练样本的帧数n1影响背景的建模效果，先分析主成分的特征向量的维度p，用以检测背景的抑制率，再结合各向异性优先对图像进行过滤，可以有效的保留图像的背景成分，完成图像处理算法的有效性和可行性评估。