一种基于多尺度特征的红外噪声抑制和细节增强方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107016652A(43)申请公布日2017.08.04(21)申请号201710149323.0(22)申请日2017.03.14(71)申请人中国人民解放军空军工程大学地址710051陕西省西安市灞桥区长乐东路甲字一号(72)发明人凡遵林毕笃彦何林远马时平(74)专利代理机构北京科亿知识产权代理事务所(普通合伙)11350代理人黄浩威(51)Int.Cl.G06T5/00(2006.01)G06T7/149(2017.01)G06T7/13(2017.01)G06T5/10(2006.01)权利要求书3页说明书10页附图4页(54)发明名称一种基于多尺度特征的红外噪声抑制和细节增强方法(57)摘要本发明公开了一种基于多尺度特征的红外噪声抑制和细节增强方法，针对所处理的红外图像存在背景噪声大、对比度低以及细节模糊的问题，为达到噪声抑制和细节增强的目的，采用贝叶斯最佳估计模型，提出了适用刻画信噪比低的红外图像特征的先验模型，并经过多尺度结构特征进一步的优化，最后基于多尺度结构特征分别进行噪声抑制和细节增强。本发明在处理低信噪比的红外图像时能消除背景噪声、保持原始图像自然性且锐化目标的边缘轮廓；在处理高信噪比的图像时，可以自适应地增强目标的细节和纹理同时能避免强边缘的过增强。CN107016652ACN107016652A权利要求书1/3页1.一种基于多尺度特征的红外噪声抑制和细节增强方法，其特征在于，包括如下步骤：S1搭建刻画红外图像特征的先验模型：采用贝叶斯准则作为抑制噪声的模型，对于一幅清晰红外图像u受到噪声n污染，退化图像v表示为:v＝u+n；n是零均值的高斯白噪声，对于退化图像v和原始图像u，贝叶斯准则表述为：p(u|v)∝p(v|u)p(u)；其中，p(v|u)为似然密度函数，p(u)为原始图像的先验密度函数，p(u|v)称为后验密度函数；根据MAP估计准则，即在给定观测数据v的条件下，使后验密度函数p(u|v)最大的估计量为：对取负对数转化为：退化图像v和原始图像u之间的误差满足高斯白噪声分布，因此似然密度函数p(v|u)表示为:对于退化图像v，像素点i,j∈P方块内的相似性取决于像素点之间的亮度和梯度差异，将亮度值差异的欧氏距离和梯度值差异的绝对距离之和的衰减函数定义为两点之间的相似性r(i,j)：其中，h和ρ均为大于0的常数，分别表示亮度值差异和梯度值差异的衰减系数；相似性0＜r(i,j)≤1，值越大，表示两像素点间的相似程度越大；在以i为中心像素点的邻域内，根据其他像素点与中心像素点之间相似性估计中心像素在邻域P内的隶属性，并以此刻画红外图像中的形状先验，定义中心像素点i在邻域内的隶属度w(i)为：z(i)是规范化函数，σ是高斯模板的标准差，中心像素点的隶属度0＜w(i)≤1，W(v)＝{w(i)丨i∈v}为图像v的隶属度运算，构成了一幅与原图像尺寸一致的隶属度图；定义基于隶属度的约束控制函数如下：C(w)＝c+(1-c)·sin(π·w)；其中，c为约束控制函数的调整因子，其值介于0到1之间；w为由像素点隶属度{w(i)}构2CN107016652A权利要求书2/3页成对应的隶属度图；将原始图像的先验密度函数约束为:-logp(u)∝C(w)||▽u||1；后验密度函数p(u|v)最大的估计量转化为:β为正则化系数；根据原始图像的噪声水平，噪声水平越高正则化系数取值越小；S2基于多尺度特征的红外噪声抑制：采用分裂Bregman方法求解同时利用多尺度特征不断更新迭代贝叶斯过程，获取最优估计；S3基于多尺度特征的红外细节增强：将隶属度图和多尺度提取引入如下式所示的非锐化掩模算法，自适应地控制增益系数：其中，uEn是最终输出的增强图像，un是步骤S2中获得的最优估计，un-j和un-j+1分别表示步骤S2中第n-j次和n-j+1次迭代的得到的估计，g(wn-j+1)是关于un-j+1的隶属度图wn-j+1的增益函数；g(w)其分段表示见下：分段点2.根据权利要求1所述的基于多尺度特征的红外噪声抑制和细节增强方法，其特征在于，步骤S1中，邻域P尺寸为7。3.根据权利要求1所述的基于多尺度特征的红外噪声抑制和细节增强方法，其特征在于：步骤S2中，利用分裂Bregman方法来求解的方法为：引入辅助量g，g＝C(w)||▽u||1＝C(w)D·u，其中D是梯度算子；转换为有关u和g的优化约束模型:添加关于u和g的二次惩罚项，得到与s.t.g＝C(w)D·u对应的无约束优化模型:先固定gn利用关于u求导得到un+1，再固定un+1利用收缩技术得到gn+1，gn表示第n次迭代3CN107016652A权利要求书3/3页得到的g的更新值，un+1为