一種基于壓縮感知算法的紅外圖像預處理方法
【專利摘要】本發明公開了一種基于壓縮感知算法的紅外圖像預處理方法，包括以下步驟：對原始紅外圖像信息進行初步處理，得到處理后的圖像信息；根據處理后的圖像信息生成冗余字典；利用正交匹配算法對處理后的圖像在冗余字典下進行稀疏表示，得到處理后的圖像的稀疏矩陣；利用K-SVD算法對冗余字典和稀疏矩陣進行訓練，得到訓練后的冗余字典和稀疏矩陣；根據訓練后的冗余字典和稀疏矩陣計算出最終的紅外圖像信號。本發明利用壓縮感知算法對紅外圖像進行預處理，使處理后的紅外圖像信噪比大幅提高。
【專利說明】一種基于壓縮感知算法的紅外圖像預處理方法

【技術領域】
[0001] 本發明屬于紅外圖像預處理領域，尤其涉及一種基于壓縮感知算法的紅外圖像預 處理方法。

【背景技術】
[0002] 近幾十年來，紅外熱成像技術得到高度重視并處于高速發展中。到目前為止，紅外 成像技術無論是在軍事應用方面抑或是在民用領域，都發揮著不可替代的作用。然而由于 熱像儀所處的探測環境具有不確定性以及熱像儀自身工作狀態不理想等原因，導致所拍攝 的紅外圖像并不能直接滿足人們的使用要求。為了利于觀察或為后續目標識別和智能控制 提供先決條件，必須首先對紅外圖像進行預處理。
[0003] 2006年，美國學者提出了壓縮感知（compressive sensing)理論，這一理論完全 打破了傳統的數據采樣觀念，從根本上解決了信號采樣頻率的問題，從而降低了圖像信號 采集對硬件的要求。傳統的香濃采樣定理指出采樣速率必須達到信號帶寬的兩倍以上才能 精確重構信號。但是壓縮感知理論指出當原始信號具有稀疏性時可以用較低的頻率對信號 進行壓縮采樣，然后利用重構算法精確地或者大概率地重構信號，在此過程中原始信號經 過不斷地逼近處理使得噪聲得到濾除。目前，壓縮感知算法在圖像融合方面已有應用，例如 申請號為201210034662的專利提出一種基于區域的壓縮感知圖像融合方法，但該專利沒 有專門針對紅外圖像。
[0004] 常用的紅外圖像預處理方法主要有小波變換、遺傳算法、針對背景建立數學模型 進行預測以及硬件處理等。如申請號為201210538812的專利提出一種基于FPGA的紅外圖 像預處理方法，但該專利從硬件的角度來解決紅外圖像預處理問題。


【發明內容】

[0005] 本發明的目的是提供能夠提高紅外圖像信噪比的，一種基于壓縮感知算法的紅外 圖像預處理方法。
[0006] 本發明一種基于壓縮感知算法的紅外圖像預處理方法，包括以下步驟：
[0007] 步驟一：對原始紅外圖像信息進行初步處理，得到處理后的圖像信息；
[0008] 步驟二：根據處理后的圖像信息生成冗余字典；
[0009] 步驟三：利用正交匹配算法對處理后的圖像在冗余字典下進行稀疏表示，得到處 理后的圖像的稀疏矩陣；
[0010] 步驟四：利用K-SVD算法對冗余字典和稀疏矩陣進行訓練，得到訓練后的冗余字 典和稀疏矩陣；
[0011] 步驟五：根據訓練后的冗余字典和稀疏矩陣計算出最終的紅外圖像信號。
[0012] 本發明一種基于壓縮感知算法的紅外圖像預處理方法還可以包括：
[0013] 1、對原始紅外圖像信息進行初步處理的步驟為：
[0014] (1)將原始圖像轉換為二維灰度圖像；
[0015] (2)將灰度圖像進行分塊處理；
[0016] 灰度圖像的像素大小為mXn，形成一個具有m行、η列的矩陣，每一個分塊的像素 大小為aXb，橫向相鄰兩個分塊矩陣相差一列數據，即后一個分塊的第1列數據是前一個 分塊的第2列數據，垂向相鄰兩個方塊相差一行數據，即后一個分塊的第1行數據是前一個 分塊的第2行數據，灰度圖像分成（m-a+1) X (η-b+l)個分塊；
[0017] ⑶將得到的方塊轉換為列數據；
[0018] 將每一個分塊的所有列數據從上到下依次排列，轉換為具有aXb行1列數據矩 陣，即將第j分塊的數據轉換為列數據后作為處理后數據矩陣的第j列，得到處理后的圖像 ?目息，處理后的圖像?目息為[aXb]X[(m-a+l)X(n_b+l)]的矩陣。
[0019] 2、根據處理后的圖像信息生成冗余字典的方法為，將處理后的圖像信息作為輸 入，利用離散余弦行數生成冗余字典，冗余字典的行數是aXb，冗余字典原子個數設為行數 4倍。
[0020] 3、利用正交匹配算法對處理后的圖像在冗余字典下進行稀疏表示，得到處理后的 圖像的稀疏矩陣的步驟為：
[0021] (1)令初始殘差值等于原始信號，初始迭代次數為0,設置最大迭代次數和誤差閾 值；
[0022] (2)將原始信號中第j列數據與冗余字典中每一個原子作內積，從冗余字典中選 擇內積最大時對應的原子；
[0023] (3)將本次迭代所選擇的原子和之前迭代所選擇的原子進行施密特正交化處理；
[0024] (4)將殘差值在已經正交化處理后的原子上進行投影，得到當前第j列數據的多 個原子線性組合的表示形式；
[0025] (5)將殘差值減去投影部分得到更新后的殘差值，如果更新后的殘差值大于誤差 閾值并且迭代次數小于最大迭代次數，則轉向步驟（2)，否則得到所有列數據的稀疏矩陣。
[0026] 4、利用K-SVD算法對冗余字典和稀疏矩陣進行訓練，得到訓練后的冗余字典和稀 疏矩陣的步驟為：
[0027] (1)對每一個原子，分別利用基于K-SVD算法的字典訓練方法對冗余字典和稀疏 矩陣進行訓練；
[0028] 將第j個原子七進行誤差分離，訓練殘差值的計算為：
[0029] ε = | | γ-DX | |2 = | | Ej-djXj | |2
[0030] 其中N表示冗余字典原子個數，&表示與&原子對應的稀疏矩陣數據，

【權利要求】
1. 一種基于壓縮感知算法的紅外圖像預處理方法，其特征在于，包括以下步驟： 步驟一：對原始紅外圖像信息進行初步處理，得到處理后的圖像信息； 步驟二：根據處理后的圖像信息生成冗余字典； 步驟三：利用正交匹配算法對處理后的圖像在冗余字典下進行稀疏表示，得到處理后 的圖像的稀疏矩陣； 步驟四：利用K-SVD算法對冗余字典和稀疏矩陣進行訓練，得到訓練后的冗余字典和 稀疏矩陣； 步驟五：根據訓練后的冗余字典和稀疏矩陣計算出最終的紅外圖像信號。
2. 根據權利要求1所述的一種基于壓縮感知算法的紅外圖像預處理方法，其特征在 于：所述的對原始紅外圖像信息進行初步處理的步驟為： (1) 將原始圖像轉換為二維灰度圖像； (2) 將灰度圖像進行分塊處理； 灰度圖像的像素大小為mXn，形成一個具有m行、n列的矩陣，每一個分塊的像素大小 為aXb，橫向相鄰兩個分塊矩陣相差一列數據，即后一個分塊的第1列數據是前一個分塊 的第2列數據，垂向相鄰兩個方塊相差一行數據，即后一個分塊的第1行數據是前一個分塊 的第2行數據，灰度圖像分成（m-a+1)X(n-b+1)個分塊； (3) 將得到的方塊轉換為列數據； 將每一個分塊的所有列數據從上到下依次排列，轉換為具有aXb行1列數據矩陣，即 將第j分塊的數據轉換為列數據后作為處理后數據矩陣的第j列，得到處理后的圖像信息， 處理后的圖像信息為[aXb]X[(m-a+1)X(n-b+1)]的矩陣。
3. 根據權利要求1所述的一種基于壓縮感知算法的紅外圖像預處理方法，其特征在 于：所述的根據處理后的圖像信息生成冗余字典的方法為，將處理后的圖像信息作為輸入， 利用離散余弦行數生成冗余字典，冗余字典的行數是aXb，冗余字典原子個數設為行數4 倍。
4. 根據權利要求1所述的一種基于壓縮感知算法的紅外圖像預處理方法，其特征在 于：所述的利用正交匹配算法對處理后的圖像在冗余字典下進行稀疏表示，得到處理后的 圖像的稀疏矩陣的步驟為： (1) 令初始殘差值等于原始信號，初始迭代次數為〇,設置最大迭代次數和誤差閾值； (2) 將原始信號中第j列數據與冗余字典中每一個原子作內積，從冗余字典中選擇內 積最大時對應的原子； (3) 將本次迭代所選擇的原子和之前迭代所選擇的原子進行施密特正交化處理； (4) 將殘差值在已經正交化處理后的原子上進行投影，得到當前第j列數據的多個原 子線性組合的表示形式； (5) 將殘差值減去投影部分得到更新后的殘差值，如果更新后的殘差值大于誤差閾值 并且迭代次數小于最大迭代次數，則轉向步驟（2)，否則得到所有列數據的稀疏矩陣。
5. 根據權利要求1所述的一種基于壓縮感知算法的紅外圖像預處理方法，其特征在 于：所述利用K-SVD算法對冗余字典和稀疏矩陣進行訓練，得到訓練后的冗余字典和稀疏 矩陣的步驟為： (1)對每一個原子，分別利用基于K-SVD算法的字典訓練方法對冗余字典和稀疏矩陣 進行訓練； 將第j個原子4進行誤差分離，訓練殘差值的計算為：e=IlY-DXlI2=IlEj-CljXjII2 其中N表示冗余字典原子個數，\表示與4原子對應的稀疏矩陣數據， N A= }/ -，Y為原始信號，D為冗余字典，X為稀疏矩陣，允許最大訓練殘差值為e ; Z=I M 令索引值向量表示Xj中非零元素的位置，COj={i11彡i彡N,Xj(i)關0}，構造矩 陣其維數是NXI'I，矩陣\中處于（'(i)，i)處的值為1，其余所有的值都是零， 則壓縮后的稀疏系數<為 Xj-Xj^lj； 壓縮后的訓練殘差值^為： ^ =IlEsj-CijXjQ j H2=II Il, Ej=EjQj, Ys =YQj, 對矩陣< 進行奇異值分解，即，其中U的第一列即為毛的更新結果，V的第 一列與A(1，1)的乘積表示更新后的<，完成原子4的訓練； (2)判斷所有原子迭代完成后的剩余總訓練殘差值是否滿足允許最大訓練殘差值，如 果不滿足則迭代結束，否則重復步驟（1)，直到滿足要求，得到訓練后的冗余字典及稀疏矩 陣。
6.根據權利要求1所述的一種基于壓縮感知算法的紅外圖像預處理方法，其特征在 于：所述的根據訓練后的冗余字典和稀疏矩陣計算出最終的紅外圖像信號的方法為： (1) 計算訓練后的冗余字典和稀疏表示矩陣的乘積，即不=5.X，其中3為訓練后的 冗余字典，；？為稀疏表示矩陣； (2) 將乘積W的每一列數據轉換為大小為aXb的方塊數據； (3) 將各分塊數據拼接在一起組成最終的紅外圖像，對于各分塊數據之間的重疊數據， 取其平均值作為最終的紅外圖像的數據。
【文檔編號】G06T5/00GK104268841SQ201410528518
【公開日】2015年1月7日 申請日期:2014年10月9日 優先權日:2014年10月9日
【發明者】劉廠, 周迪, 趙玉新, 高峰, 劉利強, 李剛, 李寧, 沈志峰, 張振興, 齊昭 申請人:哈爾濱工程大學