CN101833752B - 基于奇异值分解重构的红外小目标预处理方法 - Google Patents
基于奇异值分解重构的红外小目标预处理方法 Download PDFInfo
- Publication number
- CN101833752B CN101833752B CN 201010151991 CN201010151991A CN101833752B CN 101833752 B CN101833752 B CN 101833752B CN 201010151991 CN201010151991 CN 201010151991 CN 201010151991 A CN201010151991 A CN 201010151991A CN 101833752 B CN101833752 B CN 101833752B
- Authority
- CN
- China
- Prior art keywords
- singular value
- matrix
- image
- curve
- curves
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000002203 pretreatment Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 41
- 239000000758 substrate Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明公开了一种基于奇异值分解重构增强红外小目标预处理方法,包括以下步骤:对输入的图像进行SVD分解得到图像奇异值;对图像的奇异值曲线进行分析估计获取奇异值预测曲线,将获取的奇异值预测曲线和原始奇异值曲线进行求差,得到差分奇异值曲线,并对奇异值差分曲线进行归一化处理获得奇异值差分百分率曲线;基于奇异值差分百分率曲线对SVD分解后的图像进行重构,得到增强后的红外小目标图像。本发明能够很好的提高图像的信噪比,抑制背景杂波,其效果优于目前其它方法。
Description
技术领域
本发明涉及的是一种图像处理技术领域的方法,具体涉及一种复杂背景中红外小目标的预处理方法。它针对远距离监测下红外小目标的信噪比低和背景杂乱等情况来提高图像的信噪比,抑制背景杂波。
背景技术
在高新技术兵器迅速发展的当今世界,基于红外探测的各类武器***已成为世界各国重点研究和发展的项目之一。红外成像目标检测与跟踪技术一直是红外成像***中的技术难点和亟待解决的问题。因此,提高目标的检测能力尽早获取来袭目标的相关信息对于提高武器***的性能具有重要的意义。
在红外小目标检测中DBT(Detection before Track)检测算法以其计算量少,实时性好等特点在实际环境中得到了广泛的应用,所以通常认为这是一种很好的目标检测算法。但是由于一般的目标提取算法只有在信噪比很高的情况下才能取得较好的性能,对于低信噪比图像并不稳定,而这就可能会直接影响到后续处理,所以前端稳健的预处理算法对于DBT检测算法来说非常重要。目前红外小目标的预处理方法大致可以分为空域滤波和频域滤波预处理,但是每种方法的适应性不强,只能对某种情况背景下的红外小目标图像获得较好的效果。本发明就是针对当前缺乏一种能够在同一框架下很好的处理不同背景下红外小目标图像的现状,提出了一种基于SVD(singular value decomposition)分解重构的红外小目标预处理方法,通过预处理来稳定地提高图像的信噪比,以便后续的处理中能够实现对目标的准确检测。
发明内容
本发明的目的在于解决当前缺乏一种能够在同一框架下很好的处理不同背景下红外小目标图像的状况,提供一种能够稳定的提高图像信噪比的预处理方法,实现对红外背景中的红外小目标的DBT检测。
本发明是采取以下的技术方案来实现的:
一种基于奇异值分解重构的红外小目标预处理方法,其特征在于包括以下步骤:
(1)对图像进行SVD分解,获得图像的奇异值,用于奇异值曲线的预测;
(2)根据现有的奇异值进行奇异值曲线预测,拟合出一条新的奇异值曲线;
(3)对原始奇异值曲线和预测奇异值曲线进行求差,获得奇异值差分曲线,并对奇异值差分曲线进行归一化得到奇异值差分百分率曲线;
(4)分析获取的奇异值差分百分率曲线,对于有效奇异值曲线部分选择差分百分率在50%以上的部分对图像进行重构(差分百分率变化小的地方可以认为是噪声干扰),得到增强后的红外小目标图像。
前述的基于奇异值分解重构的红外小目标预处理方法,其特征在于:在上
述步骤(1)中,首先把输入的图片变成灰度图片,然后对该灰度图片的灰度值进行归一化处理,将处理后的灰度矩阵进行SVD分解,获得矩阵的奇异值。
前述的基于奇异值分解重构的红外小目标预处理方法,其特征在于:所述的奇异值分解具体方法为:设图像矩阵A是m×n的实矩阵,且A的秩为r,其中r≤min(m,n),则存在m阶正交矩阵U和n阶正交矩阵V使得 式中∑为m×n奇异值矩阵,其一般形式为:
式中,Λr×r=diag(λ1,λ2,…,λr),其中λ(λ1≥λ2≥…≥λr>0)是实矩阵A的非零奇异值,将非零奇异值以1~r为横坐标,奇异值大小为纵坐标并将奇异值点连接成一条曲线f(x),其中x=1,2,…,r。(L是什么意思?)
前述的基于奇异值分解重构的红外小目标预处理方法,其特征在于:在上述步骤(2)中,根据步骤(1)计算得到的奇异值,通过曲线拟合算法迭代拟合出一条预测的奇异值曲线f′(x),其中x=1,2,…,r。
前述的基于奇异值分解重构的红外小目标预处理方法,其特征在于:在上述步骤(3)中,将步骤(1)和步骤(2)获得的曲线相减并除以步骤(1)中对应点的奇异值,得到奇异值差分百分率曲线d(x),表示为:
d(x)=|f(x)-f′(x)|/f(x),其中x=1,2,…r (5)
前述的基于奇异值分解重构的红外小目标预处理方法,其特征在于:在上述步骤(4)中,所述的奇异值重构具体方法为:图像矩阵表示成 其中 为对应于第i个奇异值λi的左右奇异矢量的内积,称之为基底,其具有原始矩阵相同的规模,且秩为1,根据 原始矩阵可以理解为r个基底的线性加权和,对矩阵进行奇异值选择重构是指:
所述A′为重构的矩阵,从原有矩阵中选取原有矩阵中的k(k≤r)个成分进行二维图像重构,式(6)即为复杂背景中红外小目标的预处理方法中红外小目标图像重构的一般形式。
本发明的技术效果如下:
1.实现了红外小目标图像的预处理。
2.实现了不同背景下红外小目标采用同一种方法进行预处理。
本发明是一种图像处理技术领域的方法,具体涉及一种复杂背景中红外小目标的预处理方法。它针对远距离监测下红外小目标的信噪比低和背景杂乱等情况来,采用基于奇异值分解重构的红外小目标预处理方法提高图像的信噪比,抑制背景杂波。
附图说明
图1为红外小目标SVD处理流程图;
图2为原始红外图像的奇异值曲线分析图;
图3a为所有奇异值点的原始奇异值曲线和奇异值预测曲线图;
图3b为3a的局部放大;
图4为奇异值差分曲线和差分百分率曲线分析图。
具体实施方式
下面结合具体实施方式对本发明做进一步的详细说明。
一种基于奇异值分解重构的红外小目标预处理方法,其特征在于:包括以下步骤:
1)将获取的红外小目标图像转换成灰度图像,并进行归一化处理,然后对图像进行SVD分解,获得图像的奇异值,用于奇异值曲线的预测;
2)将步骤1)中得到的奇异值点进行连接,并根据现有的奇异值点进行奇异值曲线预测,拟合出一条新的奇异值曲线;
3)对原始奇异值曲线和预测奇异值曲线进行求差,获得奇异值差分曲线,并对奇异值差分曲线进行归一化处理得到奇异值差分百分率曲线;
4)分析获取的奇异值差分百分率曲线,对于有效奇异值曲线部分选择差分百分率在50%以上的部分对图像进行重构(差分百分率变化小的地方可以认为是噪声干扰),得到增强后的红外小目标图像。
前述步骤1中的奇异值分解是指设图像矩阵A是m×n的实矩阵,且A的秩为r,其中r≤min(m,n),则存在m阶正交矩阵U和n阶正交矩阵V使得
称式(7)为A的奇异值分解。Un×m=[U1,U2,…,Um]由m阶列向量Ui=[U1i,U2i,…,Umi]T,i=1,2,…m构成;Vn×n=[V1,V2,…,Vn]由n阶列向量Vi=[V1i,V2i,…,Vni]T,i=1,2,…n构成,分别称为左、右奇异矢量矩阵。∑为m×n奇异值矩阵,其一般形式为:
式中,Λr×r=diag(λ1,λ2,…,λr),其中λ(λ1≥λ2≥…≥λr>0)是实矩阵A的非零奇异值,本发明将非零奇异值以1~r为横坐标,奇异值大小为纵坐标并将奇异值点连接成一条曲线f(x),其中x=1,2,…,r。
前述步骤2中根据当前的奇异值进行曲线拟合出奇异值预测曲线f′(x),其中x=1,2,…,r。
前述步骤3中的奇异值差分百分率曲线d(x)是根据奇异值预测曲线和原始奇异值曲线求差所得,表示为:
d(x)=|f(x)-f′(x)|/f(x),其中x=1,2,…r (9)
前述步骤4根据步骤(3)获得的差分百分率曲线,选择有效奇异值中差分
百分率在50%以上奇异值与对应的U矩阵和V矩阵进行图像的重构。所述的奇异值重构,是指:矩阵可以表示成 其中 为对应于第i个奇异值λi的左右奇异矢量的内积,称之为基底,它具有原始矩阵相同的规模,且秩为 1,根据 原始矩阵可以理解为r个基底的线性加权和。现在对矩阵进行奇异值选择重构是指:
这里A′为重构的矩阵。从原有矩阵中选取原有矩阵中的k(k≤r)个成分进行二维图像重构,式(10)就是复杂背景中红外小目标的预处理方法中红外小目标图像重构的一般形式。
如图1流程图所示,首先输入获取的红外小目标图像并转换成灰度图像,对灰度值进行归一化处理,对图像进行SVD分解,获得图像的奇异值,用于奇异值曲线的预测;然后,将得到的奇异值点进行连接,并根据现有的奇异值点进行奇异值曲线预测,拟合出一条新的奇异值曲线如图3所示;对原始奇异值曲线和预测奇异值曲线进行求差,获得奇异值差分曲线,并对奇异值差分曲线进行归一化处理得到奇异值差分百分率曲线;分析获取的奇异值差分百分率曲线,对于有效奇异值曲线部分选择差分百分率在50%以上的部分对图像进行重构(差分百分率变化小的地方可以认为是噪声干扰),得到增强后的红外小目标图像。
以上已以较佳实施例公开了本发明,然其并非用以限制本发明,凡采用等同替换或者等效变换方式所获得的技术方案,均落在本发明的保护范围之内。
Claims (2)
1.一种基于奇异值分解重构的红外小目标预处理方法,其特征在于包括以下步骤:
(1)对图像进行SVD分解,获得图像的奇异值,用于奇异值曲线的预测;
(2)根据现有的奇异值进行奇异值曲线预测,拟合出一条新的奇异值曲线;
(3)对原始奇异值曲线和预测奇异值曲线进行求差,获得奇异值差分曲线,并对奇异值差分曲线进行归一化得到奇异值差分百分率曲线;
(4)分析获取的奇异值差分百分率曲线,对于有效奇异值曲线部分选择差分百分率在50%以上的部分对图像进行重构,得到增强后的红外小目标图像,在上述步骤(3)中,将步骤(1)和步骤(2)获得的曲线相减取绝对值并除以步骤(1)中对应点的奇异值,得到奇异值差分百分率曲线d(x),表示为:
d(x)=|f(x)-f′(x)|/f(x),其中x=1,2,…r (1)
在上述步骤(1)中,首先把输入的图片变成灰度图片,然后对该灰度图片的灰度值进行归一化处理,将处理后的灰度矩阵进行SVD分解,获得矩阵的奇异值;
所述的奇异值分解具体方法为:设图像矩阵A是m ×n 的实矩阵,且A的秩为r,其中r≤min(m,n),则存在m阶正交矩阵U和n阶正交矩阵V使得A=UΣVT,式中Σ为m×n奇异值矩阵,其一般形式为:
式中,Λr×r=diag(λ1,λ2,…,λr,其中λ1,λ2,...,λr是实矩阵A的非零奇异值,且λ1≥λ2≥…≥λr>0,将非零奇异值以1~r为横坐标,奇异值大小为纵坐标并将奇异值点连接成一条曲线f(x),其中x=1,2,…,r;
在上述步骤(2)中,根据步骤(1)计算得到的奇异值,通过曲线拟合算法迭代拟合出一条预测的奇异值曲线f′(x),其中x=1,2,…,r。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010151991 CN101833752B (zh) | 2010-04-20 | 2010-04-20 | 基于奇异值分解重构的红外小目标预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010151991 CN101833752B (zh) | 2010-04-20 | 2010-04-20 | 基于奇异值分解重构的红外小目标预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101833752A CN101833752A (zh) | 2010-09-15 |
CN101833752B true CN101833752B (zh) | 2013-09-04 |
Family
ID=42717813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010151991 Expired - Fee Related CN101833752B (zh) | 2010-04-20 | 2010-04-20 | 基于奇异值分解重构的红外小目标预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101833752B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517267B (zh) * | 2014-12-23 | 2017-05-10 | 电子科技大学 | 一种基于“谱”反演的红外图像增强与重建方法 |
CN106097266A (zh) * | 2016-06-08 | 2016-11-09 | 浙江传媒学院 | 一种基于svd相似矩阵的图像修复方法 |
CN106446868A (zh) * | 2016-10-13 | 2017-02-22 | 成都芯安尤里卡信息科技有限公司 | 一种基于emd与奇异值差分谱的侧信道信号特征提取方法 |
CN117633902A (zh) * | 2024-01-25 | 2024-03-01 | 杭州世平信息科技有限公司 | Olap星型连接工作负载查询差分隐私保护方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787209A (en) * | 1996-02-05 | 1998-07-28 | Hewlett-Packard Company | Method of filtering images using image compressibility to determine threshold parameter |
CN1897634A (zh) * | 2006-06-08 | 2007-01-17 | 复旦大学 | 一种基于超复数奇异值分解的图像质量评估方法 |
CN101135722A (zh) * | 2007-10-23 | 2008-03-05 | 骆建华 | 基于重构信号替代频谱数据的信号去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02503241A (ja) * | 1988-02-22 | 1990-10-04 | イーストマン・コダック・カンパニー | Svdブロック変換を使用したディジタル画像雑音抑制方法 |
-
2010
- 2010-04-20 CN CN 201010151991 patent/CN101833752B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787209A (en) * | 1996-02-05 | 1998-07-28 | Hewlett-Packard Company | Method of filtering images using image compressibility to determine threshold parameter |
CN1897634A (zh) * | 2006-06-08 | 2007-01-17 | 复旦大学 | 一种基于超复数奇异值分解的图像质量评估方法 |
CN101135722A (zh) * | 2007-10-23 | 2008-03-05 | 骆建华 | 基于重构信号替代频谱数据的信号去噪方法 |
Non-Patent Citations (3)
Title |
---|
JP平2-503241A 1990.10.04 |
徐贵力等.差分百分率直方图法提取缺素叶片纹理特征.《农业机械学报》.2003,第34卷(第02期), * |
胡谋法等.奇异值分解带通滤波背景抑制和去噪.《电子学报》.2008,第36卷(第01期), * |
Also Published As
Publication number | Publication date |
---|---|
CN101833752A (zh) | 2010-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN104899567A (zh) | 基于稀疏表示的小弱运动目标跟踪方法 | |
CN108447041B (zh) | 一种基于增强学习的多源图像融合方法 | |
US11880903B2 (en) | Bayesian image denoising method based on distribution constraint of noisy images | |
CN105046664A (zh) | 一种基于自适应epll算法的图像去噪方法 | |
CN101685158B (zh) | 基于隐马尔科夫树模型的sar图像去噪方法 | |
CN103945217B (zh) | 基于熵的复小波域半盲图像质量评测方法和*** | |
CN101833752B (zh) | 基于奇异值分解重构的红外小目标预处理方法 | |
CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
CN103093432B (zh) | 基于极化分解和图像块相似性的极化sar图像降斑方法 | |
CN103456011A (zh) | 一种利用互补信息的改进型高光谱rx异常检测方法 | |
CN103217676A (zh) | 基于双谱去噪的噪声背景下雷达目标识别方法 | |
CN103475897A (zh) | 一种基于失真类型判断的自适应图像质量评价方法 | |
CN104463808A (zh) | 基于空间相关性的高光谱数据降噪方法及*** | |
CN110333489A (zh) | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 | |
CN101295401A (zh) | 基于线性pca的红外点目标检测方法 | |
CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN110689510B (zh) | 一种引入字典信息基于稀疏表示的图像融合方法 | |
CN102663420B (zh) | 基于小波包变换和灰色预测模型的高光谱图像分类方法 | |
CN105068071B (zh) | 一种基于反投影算子的快速成像方法 | |
Kumar et al. | Underwater image enhancement using deep learning | |
CN116051444A (zh) | 一种有效的红外与可见光图像自适应融合方法 | |
Yufeng et al. | Research on SAR image change detection algorithm based on hybrid genetic FCM and image registration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130904 Termination date: 20140420 |