基于性能评估的背景阈值及目标和混响背景的分离方法与流程

1.本发明属于信号处理领域，涉及一种基于性能评估的背景阈值及目标和混响背景的分离方法。是基于性能评估的港口主动声呐背景抑制阈值选择方法，以及目标和混响背景的分离方法。


背景技术：

2.在图像的运动目标检测和背景消除领域，被广泛使用的一种处理手段是先获取图像的像素序列，接着再对每个像素序列建立背景模型，最后凭借着研究人员的经验选择背景阈值，实现背景消除。当背景模型获得后，阈值的选择对背景消除的性能影响很大，当前方法由于具有很大的主观性，导致普适性较低。在面对不同数据时，往往需要重新选择阈值以达到研究人员的预期性能，一方面增加了人工成本，另一方面降低了处理的效率。对于这样的缺点，需要有一种基于性能评估的图像背景阈值选择方法，来为研究人员选择阈值提供参考。


技术实现要素：

3.要解决的技术问题
4.为了避免现有技术的不足之处，本发明提出一种基于性能评估的背景阈值及目标和混响背景的分离方法
5.技术方案
6.一种基于性能评估的港口主动声呐背景抑制阈值选择方法，其特征在于步骤如下：
7.步骤1、分布拟合：对一个图像序列的每个像素序列分别作统计学拟合，得到响应的拟合参数，包括形状参数a和尺度参数b；
8.步骤2、计算性能指标发生概率：对步骤1得到的拟合分布，通过积分来求得fn和fp的概率，其中fn为假阴性，即将目标错误判决为背景，概率为p
fn
；fp假阳性，即将背景错误判决为目标，概率为p
fp
；
9.步骤3、构造损失函数：通过fn和fp的概率构造关于背景阈值的损失函数，求解损失函数最小值对应的背景阈值：
10.损失函数：
[0011][0012]
其中，用来控制对fn和fp指标的期望程度，的取值，表示对能够接受fn的发生，而不希望发生fp；或表示对能够接受fp的发生，而不希望发生fn；
[0013]
步骤4：选择损失函数中最小损失值所对应的门限值thr为背景抑制阈值。
[0014]
所述步骤1的统计学拟合采用伽马拟合。
[0015]
所述步骤1是：绘制像素强度的直方图，并选择拟合程度最好的伽马分布拟合像素强度，得到对应的形状参数a和尺度参数b。
[0016]
一种利用所得到的背景抑制阈值进行分离目标和混响背景的方法，其特征在于：采用步骤4得到的背景阈值和背景模型，通过门限方法计算目标和混响背景的分离边界，实现目标和混响背景的分离：首先，计算每个像素序列的加权均值μ和加权标准差σ，设置阈值thr；接着，落在区间[μ-thr*a,μ+thr*σ]]内的数据被分类为背景数据，落在该区间外的数据被分类为目标数据，得到目标和背景的分离结果；最后，将分离结果中的背景数据加以抑制或消除，并输出最终的目标图像或图像序列。
[0017]
有益效果
[0018]
本发明提出的一种基于性能评估的背景阈值及目标和混响背景的分离方法，主要针对背景抑制中的阈值选择问题。将统计学思想应用于图像背景抑制问题，使用分布模型和积分手段计算性能指标fn和fp的概率，并利用fn和fp与阈值的关联设计损失函数，损失函数的参数可以控制对预期性能指标的偏好，求得符合预期性能的阈值。每个像素序列单独拥有一个阈值，可以获得更加精细的背景抑制结果。本发明为阈值选择提供了依据和参考，提高了图像背景抑制的效率。将性能指标和阈值选择挂钩来构造损失函数。]
[0019]
本发明的技术效果在于：]提出了一个基于性能评估的背景阈值选择方法，为阈值选择提供了一个更加客观的标准和参考。由于该方法通过设计构建损失函数，建立起性能指标fn和fp与背景阈值的关系，因此能够实现对预期背景抑制结果性能指标偏好的调节，并给出当前性能偏好下的最优阈值，降低了阈值选择的主观性，提升了背景抑制的性能，效果如图5所示。
附图说明
[0020]
图1为基于性能评估的图像背景阈值选择方法流程图。
[0021]
图2为步骤1中目标数据的统计学模型实验结果。
[0022]
图3为步骤1中混响数据的统计学模型实验结果。
[0023]
图4为步骤3中损失函数在不同参数值下的曲线。
[0024]
图5为基于性能评估的背景阈值选择方法对比图。其中，(a)为未使用该方法的背景抑制结果，(b)为使用该方法的背景抑制结果。干扰像素进一步减少，增大了目标像素的相对强度。
具体实施方式
[0025]
现结合实施例、附图对本发明作进一步描述：
[0026]
(1)分布拟合。对一个图像序列，首先分别对其目标像素强度分布和背景像素强度做统计学拟合。在实例中，我们绘制像素强度的直方图，并选择拟合程度最好的伽马分布拟合像素强度，得到对应的形状参数a和尺度参数b。
[0027]
(2)计算性能指标发生概率。在得到像素强度拟合分布后，通过积分求性能指标fn和fp发生的概率。fn表示假阴性，即将目标错误判决为背景；fp表示假阳性，即将背景错误判决为目标。给定一个背景模型，很容易得到它的均值μ和标准差σ。我们引入阈值thr，如果一个像素值x落在区间[μ-thr*σ,μ+thr*σ]]内，则该像素值被判决为背景像素，反之则为目标。因此，fn发生的概率p
fn
为本该是目标的像素值被错误分类为背景的概率，即目标像素值落在上述区间内的概率；]fp发生的概率p
fp
为本该是背景的像素值被错误分类为目标的概
率，即背景像素值落在上述区间外的概率。p
fn
和p
fp
均由积分得到，它们都是关于thr的函数。
[0028]
(3)构造损失函数。计算得到p
fn
和p
fp
后，我们设计了如下损失函数：
[0029][0030]
其中，用来控制对fn和fp指标的期望程度，当较小时，表示对可以接受fn的发生，而不希望发生fp；当较大时，表示对可以接受fp的发生，而不希望发生fn。对于每一个像素序列，我们从它的损失函数中选择最小损失值对应的门限值thr，并使用该值来做背景抑制或为研究人员提供参考。
[0031]
(4)分离目标和混响背景。对于得到的背景模型，根据其统计特性和上一步得到的门限值thr来分离目标和混响背景。当背景模型得到后，分离每个像素序列的目标数据和背景数据。首先，计算每个像素序列的加权均值μ和加权标准差σ，设置阈值thr；接着，落在区间[μ-thr*σ,μ+thr*σ]内的数据被分类为背景数据，落在该区间外的数据被分类为目标数据，得到目标和背景的分离结果；最后，将分离结果中的背景数据加以抑制或消除，并输出最终的目标图像或图像序列。


技术特征：
1.一种基于性能评估的港口主动声呐背景抑制阈值选择方法，其特征在于步骤如下：步骤1、分布拟合：对一个图像序列的每个像素序列分别作统计学拟合，得到响应的拟合参数，包括形状参数a和尺度参数b；步骤2、计算性能指标发生概率：对步骤1得到的拟合分布，通过积分来求得fn和fp的概率，其中fn为假阴性，即将目标错误判决为背景，概率为p
fn
；fp假阳性，即将背景错误判决为目标，概率为p
fp
；步骤3、构造损失函数：通过fn和fp的概率构造关于背景阈值的损失函数，求解损失函数最小值对应的背景阈值：损失函数：其中，用来控制对fn和fp指标的期望程度，的取值，表示对能够接受fn的发生，而不希望发生fp；或表示对能够接受fp的发生，而不希望发生fn；步骤4：选择损失函数中最小损失值所对应的门限值thr为背景抑制阈值。2.根据权利要求1所述基于性能评估的港口主动声呐背景抑制阈值选择方法，其特征在于：所述步骤1的统计学拟合采用伽马拟合。3.根据权利要求1所述基于性能评估的港口主动声呐背景抑制阈值选择方法，其特征在于：所述步骤1是：绘制像素强度的直方图，并选择拟合程度最好的伽马分布拟合像素强度，得到对应的形状参数a和尺度参数b。4.一种利用权利要求1或2或3所得到的背景抑制阈值进行分离目标和混响背景的方法，其特征在于：采用步骤4得到的背景阈值和背景模型，通过门限方法计算目标和混响背景的分离边界，实现目标和混响背景的分离：首先，计算每个像素序列的加权均值μ和加权标准差σ，设置阈值thr；接着，落在区间[μ-thr*σ,μ+thr*σ]内的数据被分类为背景数据，落在该区间外的数据被分类为目标数据，得到目标和背景的分离结果；最后，将分离结果中的背景数据加以抑制或消除，并输出最终的目标图像或图像序列。

技术总结
本发明涉及一种基于性能评估的背景阈值及目标和混响背景的分离方法，主要针对背景抑制中的阈值选择问题。将统计学思想应用于图像背景抑制问题，使用分布模型和积分手段计算性能指标FN和FP的概率，并利用FN和FP与阈值的关联设计损失函数，损失函数的参数可以控制对预期性能指标的偏好，求得符合预期性能的阈值。每个像素序列单独拥有一个阈值，可以获得更加精细的背景抑制结果。本发明为阈值选择提供了依据和参考，提高了图像背景抑制的效率。将性能指标和阈值选择挂钩来构造损失函数。能指标和阈值选择挂钩来构造损失函数。能指标和阈值选择挂钩来构造损失函数。


技术研发人员：韩一娜 张欢 刘清宇 宋俊
受保护的技术使用者：中国人民解放军92578部队
技术研发日：2022.11.16
技术公布日：2023/3/17