CN113223069B

CN113223069B - 基于目标与背景差异的彩色图像背景杂波量化方法

Info

Publication number: CN113223069B
Application number: CN202110631158.9A
Authority: CN
Inventors: 吴嘉豪; 吴颖霞; 杨红坚; 高鲜妮; 刘德连; 张建奇
Original assignee: Pla 63871 Force; Xidian University
Current assignee: Pla 63871 Force; Xidian University
Priority date: 2021-06-07
Filing date: 2021-06-07
Publication date: 2023-02-10
Anticipated expiration: 2041-06-07
Also published as: CN113223069A

Abstract

本发明提出一种基于目标与背景差异的彩色图像背景杂波量化方法，实现步骤为：对图像进行预处理；计算每幅图像目标区域与背景区域的纹理特征差异；计算每幅图像目标区域与背景区域的对比度；计算每幅图像目标区域与背景区域的光谱特征差异；将每幅图像目标区域与背景区域的纹理特征差异、对比度、光谱特征差异组合获得每幅图像目标区域与背景区域的差异量化结果；获取每幅RGB图像的背景杂波量化尺度。本发明解决了现有技术中获取所有局部背景杂波尺度的均值时的量化尺度很单一，同时没有考虑到目标区域的特征的问题，使得在不同的场景中对光电成像系统目标获取性能的预测和评估的可靠性和准确性提升。

Description

基于目标与背景差异的彩色图像背景杂波量化方法

技术领域

本发明属于图像处理技术领域，涉及一种彩色图像背景杂波量化方法，具体涉及一种基于目标与背景差异的彩色图像背景杂波量化方法，可用于对光电成像系统目标获取性能进行预测和评估。

背景技术

目标获取性能预测和评估是目标探测、识别领域的一个重要内容，要准确地评价、预测光电成像系统的目标获取性能，必须同时考虑三个重要因素：光电成像系统本身因素、大气环境因素和目标区域与背景区域特性因素。随着新材料、新技术不断地发展，在不断提高光电系统性能的同时，使目标区域与背景区域差异因素成为了当前限制光电成像系统获取目标性能的一个关键因素。

目标区域与背景区域的差异量化结果是定量描述目标区域与背景区域的差异对光电成像系统目标获取性能影响的一个物理量。目标区域与背景区域越相似，则目标区域与背景区域的差异就越小，会干扰观察主体的探测、延长探测时间并且降低探测概率，影响光电成像系统的目标获取性能。

有很多传统的光电成像系统目标获取性能的预测和评估方法，例如，申请公布号为CN101183460A,发明名称为“彩色图像背景杂波量化方法”的专利申请，提出了一种彩色图像背景杂波量化方法，该方法用四元数矩阵表示彩色图像，并利用扩展到四元数域的相位相关技术对彩色图像的背景杂波进行量化，以四元数相位相关的模值函数的主峰峰值作为待量化彩色图像的局部背景杂波尺度，最终将得到的所有局部背景杂波尺度的均值作为待量化彩色图像的整体背景杂波尺度，有效利用了彩色图像的色彩信息，提高了目标获取性能预测的准确度。但是其存在不足在于，该方法在获取所有局部背景杂波尺度的均值时的量化尺度很单一，同时没有考虑到目标区域的特征，导致在不同的场景中对光电成像系统目标获取性能的预测和评估的可靠性和准确性仍然较低。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于目标与背景差异的彩色图像背景杂波量化方法，用于解决现有技术中存在的对光电成像系统目标获取性能评估的可靠性和准确性较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)对图像进行预处理：

(1a)获取N幅RGB图像，并将每幅RGB图像转换为灰度图像，得到灰度图像集合X＝{X₁,X₂,...,X_n,...,X_N}，其中，N≥1，X_n表示第n幅灰度图像；

(1b)通过标注框对每幅灰度图像X_n中的目标区域进行标注，并计算灰度图像X_n的背景区域X_Bn，得到目标区域集合X_T＝{X_T1,X_T2,...,X_Tn,...,X_TN}和背景区域集合X_B＝{X_B1,X_B2,...,X_Bn,...,X_BN}，其中，X_Tn表示X_n的目标区域；

(2)计算每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的纹理特征差异：

(2a)计算每幅灰度图像X_n目标区域X_Tn的纹理对比性特征值Q1_Tn、纹理一致性特征值Q2_Tn、纹理能量特征值Q3_Tn和纹理熵特征值Q4_Tn，并将该四个特征值组合为目标区域X_Tn的纹理向量T_tn＝(Q1_Tn,Q2_Tn,Q3_Tn,Q4_Tn)，得到X对应的目标区域X_T的纹理向量集合T_t＝{T_t1,T_t2,...,T_tn,...,T_tN}，同时计算每幅灰度图像X_n背景区域X_Bn的纹理对比性特征值Q1_Bn、纹理一致性特征值Q2_Bn、纹理能量特征值Q3_Bn和纹理熵特征值Q4_Bn，并将该四个特征值组合为X_Bn的纹理向量B_tn＝(Q1_Bn,Q2_Bn,Q3_Bn,Q4_Bn)，得到X对应的背景区域X_B的纹理向量集合B_t＝{B_t1,B_t2,...,B_tn,...,B_tN}；

(2b)计算每幅灰度图像X_n目标区域X_Tn纹理向量T_tn与背景区域X_Bn纹理向量B_tn的纹理特征差异，即T_tn与B_tn的纹理特征相关系数r_tn，得到X对应的纹理特征相关系数集合r_t＝{r_t1,r_t2,...,r_tn,...,r_tN}；

(3)计算每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的对比度：

计算每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的对比度C_Rn，得到X对应的目标区域X_Tn和背景区域X_Bn的对比度集合C_R＝{C_R1,C_R2,...,C_Rn,...,C_RN}；

(4)计算每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的光谱特性差异：

(4a)计算每幅灰度图像X_n目标区域X_Tn中所有像素点R通道灰度值数据的平均值T_snr、G通道灰度数据的平均值T_sng和B通道灰度数据的平均值T_snb，并将这三个平均值组合为灰度图像X_n目标区域X_Tn的光谱向量T_sn＝(T_snr,T_sng,T_snb)，得到X对应的目标区域X_T的光谱向量集合T_s＝{T_s1,T_s2,...,T_sn,...,T_sN}，同时计算每幅灰度图像X_n背景区域X_Bn中所有像素点R通道灰度值数据的平均值B_snr、G通道灰度数据的平均值B_sng和B通道灰度数据的平均值B_snb，并将该三个平均值组合为灰度图像X_n背景区域X_Bn的光谱向量B_sn＝(B_snr,B_sng,B_snb)，得到X对应的背景区域X_B的光谱向量集合B_s＝{B_s1,B_s2,...,B_sn,...,B_sN}；

(4b)计算每幅灰度图像X_n目标区域X_Tn光谱向量T_sn与背景区域X_Bn光谱向量B_sn的光谱特征差异，即T_sn与B_sn的光谱特征相关系数r_sn，得到X对应的光谱特征相关系数集合r_s＝{r_s1,r_s2,...,r_sn,...,r_sN}；

(5)获取每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的差异量化结果：

将纹理特征相关系数集合r_t中X_Tn与X_Bn的相关系数r_tn、比度集合C_R中X_Tn与X_Bn的对比度C_Rn、光谱特征相关系数集合r_s中X_Tn与X_Bn的相关系数r_sn组合X_n的目标区域X_Tn与背景区域X_Bn的辐射特性差异向量D1_n＝(r_tn,C_Rn,r_sn)，得到X对应的目标区域X_T与背景区域X_B的辐射特性差异向量的集合D1＝{D1₁,D1₂,...,D1_n,...,D1_N}；

(6)获取每幅RGB图像的背景杂波量化尺度：

通过每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的相关系数r_tn、对比度C_Rn和相关系数r_sn，计算每幅RGB图像的背景杂波量化尺度D_n，得到N幅RGB图像对应的杂波量化尺度集合D＝{D₁,D₂,...,D_n,...,D_N}，其中D_n的计算公式为：

本发明与现有技术相比，具有以下优点：

第一，本发明在计算RGB图像的杂波量化尺度时，使用了每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的相关系数r_tn、对比度C_Rn和相关系数r_sn，解决了现有技术中获取所有局部背景杂波尺度的均值时的量化尺度很单一，同时没有考虑到目标区域的特征的问题，使得在不同的场景中对光电成像系统目标获取性能的预测和评估的可靠性和准确性提升。

附图说明

图1为本发明的实现流程图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步的详细描述。

参照图1，本发明包括如下步骤：

步骤1)对图像进行预处理：

步骤1a)获取N幅RGB图像，并将每幅RGB图像转换为灰度图像，转换公式为：X_n＝(R_n×299+G_n×587+B_n×114+500)/1000，得到灰度图像集合X＝{X₁,X₂,…,X_n,...,X_N}，其中，N≥1，X_n表示第n幅灰度图像；

步骤1b)通过标注框对每幅灰度图像X_n中的目标区域进行标注，并计算灰度图像X_n的背景区域X_Bn，计算方法是将以每幅灰度图像X_n目标区域X_Tn的几何中心为中心，以对X_Tn的长和宽扩大两倍形成的区域减去对X_Tn的长和宽扩大一倍形成的区域，作为X_n的背景区域X_Bn，得到目标区域集合X_T＝{X_T1,X_T2,...,X_Tn,...,X_TN}和背景区域集合X_B＝{X_B1,X_B2,...,X_Bn,...,X_BN}，其中，X_Tn表示X_n的目标区域；

步骤2)计算每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的纹理特征差异：

步骤2a)计算每幅灰度图像X_n目标区域X_Tn的纹理对比性特征值Q1_Tn、纹理一致性特征值Q2_Tn、纹理能量特征值Q3_Tn和纹理熵特征值Q4_Tn，并将该四个特征值组合为目标区域X_Tn的纹理向量T_tn＝(Q1_Tn,Q2_Tn,Q3_Tn,Q4_Tn)，得到X对应的目标区域X_T的纹理向量集合T_t＝{T_t1,T_t2,...,T_tn,...,T_tN}，同时计算每幅灰度图像X_n背景区域X_Bn的纹理对比性特征值Q1_Bn、纹理一致性特征值Q2_Bn、纹理能量特征值Q3_Bn和纹理熵特征值Q4_Bn，计算公式为：

P_n(i,j)＝|{[(k,l),(m,q)]∈H_n:k-m＝d,l-q＝-d}|

其中H_n表示每幅灰度图像X_n目标区域X_Tn或背景区域X_Bn，(m,q)表示H_n中原像素点的坐标，d表示像素间隔，(k,l)表示H_n中原像素点偏移d后的坐标，i和j分别表示(m,q)和(k,l)的灰度值，再由i和j组成(i,j)作为坐标，用p_n(i,j)记录(i,j)出现的次数，p_n(i,j)作为(i,j)处的值，构建H_n的灰度共生矩阵p_n(i,j)，并将该四个特征值组合为X_Bn的纹理向量B_tn＝(Q1_Bn,Q2_Bn,Q3_Bn,Q4_Bn)，得到X对应的背景区域X_B的纹理向量集合B_t＝{B_t1,B_t2,...,B_tn,...,B_tN}；

步骤2b)计算每幅灰度图像X_n目标区域X_Tn纹理向量T_tn与背景区域X_Bn纹理向量B_tn的纹理特征差异，就是计算T_tn与B_tn的相关系数r_tn，计算公式为：

其中，

表示目标区域X_Tn纹理向量T_tn中所有元素的平均值，

表示背景区域X_Bn纹理向量B_tn中所有元素的平均值，

表示目标区域X_Tn纹理向量T_tn与背景区域X_Bn纹理向量B_tn的协方差，

表示目标区域X_Tn纹理向量T_tn中每个元素的方差，

表示背景区域X_Bn纹理向量B_tn中每个元素的方差，V表示目标区域X_Tn纹理向量T_tn或背景区域X_Bn纹理向量B_tn中元素的个数，V＝4，同时得到X对应的相关系数集合r_t＝{r_t1,r_t2,...,r_tn,...,r_tN}；

步骤3)计算每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的对比度：

计算每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的对比度C_Rn，计算公式为：

其中N_Tn表示每幅灰度图像X_n目标区域X_Tn所有像素点灰度值的平均值,N_Bn表示每幅灰度图像X_n背景区域X_Bn所有像素点灰度值的平均值，同时得到X对应的目标区域X_Tn和背景区域X_Bn的对比度集合C_R＝{C_R1,C_R2,...,C_Rn,...,C_RN}；

步骤4)计算每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的光谱特性差异：

步骤4a)计算每幅灰度图像X_n目标区域X_Tn中所有像素点R通道灰度值数据的平均值T_snr、G通道灰度数据的平均值T_sng和B通道灰度数据的平均值T_snb，并将这三个平均值组合为灰度图像X_n目标区域X_Tn的光谱向量T_sn＝(T_snr,T_sng,T_snb)，得到X对应的目标区域X_T的光谱向量集合T_s＝{T_s1,T_s2,...,T_sn,...,T_sN}，同时计算每幅灰度图像X_n背景区域X_Bn中所有像素点R通道灰度值数据的平均值B_snr、G通道灰度数据的平均值B_sng和B通道灰度数据的平均值B_snb，并将这三个平均值组合为灰度图像X_n背景区域X_Bn的光谱向量B_sn＝(B_snr,B_sng,B_snb)，得到X对应的背景区域X_B的光谱向量集合B_s＝{B_s1,B_s2,...,B_sn,...,B_sN}；

步骤4b)计算每幅灰度图像X_n目标区域X_Tn光谱向量T_sn与背景区域X_Bn光谱向量B_sn的光谱特征差异，就是计算T_sn与B_sn的相关系数r_sn，得到X对应的相关系数集合r_s＝{r_s1,r_s2,...,r_sn,...,r_sN}，计算公式同步骤2b)；

步骤5)获取每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的差异量化结果：

将相关系数集合r_t中X_Tn与X_Bn的相关系数r_tn、比度集合C_R中X_Tn与X_Bn的对比度C_Rn、相关系数集合r_s中X_Tn与X_Bn的相关系数r_sn组合X_n的目标区域X_Tn与背景区域X_Bn的辐射特性差异向量D1_n＝(r_tn,C_Rn,r_sn)，得到X对应的目标区域X_T与背景区域X_B的辐射特性差异向量的集合D1＝{D1₁,D1₂,...,D1_n,...,D1_N}；

步骤6)获取每幅RGB图像的背景杂波量化尺度：

将每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的相关系数r_tn、对比度C_Rn和相关系数r_sn进行组合计算，计算公式为

得到每幅RGB图像的背景杂波量化尺度D_n，使用了每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的相关系数r_tn、对比度C_Rn和相关系数r_sn，这样就利用了每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn三个方面的差异，同时也利用了每幅灰度图像X_n目标区域X_Tn的特征信息，解决了现有技术中获取所有局部背景杂波尺度的均值时的量化尺度很单一，同时没有考虑到目标区域的特征的问题，使得在不同的场景中对光电成像系统目标获取性能的预测和评估的可靠性和准确性提升，最终得到N幅RGB图像对应的杂波量化尺度集合D＝{D₁,D₂,...,D_n,...,D_N}。

Claims

1.一种基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，包括如下步骤：

(1)对图像进行预处理：

(2b)计算每幅灰度图像X_n目标区域X_Tn纹理向量T_tn与背景区域X_Bn纹理向量B_tn的纹理特征差异，即T_tn与B_tn的纹理特征相关系数r_tn，得到X对应的纹理特征相关系数集合r_t＝{r_t1,r_t2,...,r_tn,...,r_tN}，其中r_tn的计算公式为：

其中，

表示目标区域X_Tn纹理向量T_tn中所有元素的平均值，

表示背景区域X_Bn纹理向量B_tn中所有元素的平均值，

表示目标区域X_Tn纹理向量T_tn中每个元素的方差，

表示背景区域X_Bn纹理向量B_tn中每个元素的方差，V表示目标区域X_Tn纹理向量T_tn或背景区域X_Bn纹理向量B_tn中元素的个数；

(6)获取每幅RGB图像的背景杂波量化尺度：

2.根据权利要求1所述的基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，步骤(1a)中所述的将每幅RGB图像转换为灰度图像，转换公式为：

X_n＝(R_n×299+G_n×587+B_n×114+500)/1000

其中R_n表示第n幅RGB图像中的R通道所储存的灰度值数据，G_n表示第n幅RGB图像中的G通道所储存的灰度值数据，B_n表示第n幅RGB图像中的B通道所储存的灰度值数据。

3.根据权利要求1所述的基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，步骤(1b)中所述的计算灰度图像X_n的背景区域X_Bn，实现步骤为：将以每幅灰度图像X_n目标区域X_Tn的几何中心为中心，以对X_Tn的长和宽扩大两倍形成的区域减去对X_Tn的长和宽扩大一倍形成的区域，作为X_n的背景区域X_Bn。

4.根据权利要求1所述的基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，步骤(2a)中所述的计算每幅灰度图像X_n目标区域X_Tn的纹理对比性特征值Q1_Tn、纹理一致性特征值Q2_Tn、纹理能量特征值Q3_Tn和纹理熵特征值Q4_Tn，以及每幅灰度图像X_n背景区域X_Bn的纹理对比性特征值Q1_Bn、纹理一致性特征值Q2_Bn、纹理能量特征值Q3_Bn和纹理熵特征值Q4_Bn，计算公式分别为：

P_n(i,j)＝|{[(k,l),(m,q)]∈H_n:k-m＝d,l-q＝-d}|

其中H_n表示每幅灰度图像X_n目标区域X_Tn或背景区域X_Bn，(m,q)表示H_n中原像素点的坐标，d表示像素间隔，(k,l)表示H_n中原像素点偏移d后的坐标，i和j分别表示(m,q)和(k,l)的灰度值，p_n(i,j)表示H_n的灰度共生矩阵。

5.根据权利要求1所述的基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，步骤(3)中所述的计算每幅灰度图像X_n目标区域X_Tn与背景区域X_Bn的对比度C_Rn，计算公式为：

其中N_Tn表示每幅灰度图像X_n目标区域X_Tn所有像素点灰度值的平均值,N_Bn表示每幅灰度图像X_n背景区域X_Bn所有像素点灰度值的平均值。