專利名稱：：一種紅外背景雜波量化方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種紅外小目標(biāo)圖像中背景雜波量化方法，屬于紅外圖像處理領(lǐng)域。
背景技術(shù)：
：紅外小目標(biāo)檢測(cè)是紅外預(yù)警、紅外自動(dòng)尋的系統(tǒng)中的關(guān)鍵技術(shù)和研究熱點(diǎn)之一。在遠(yuǎn)距離成像(5km-10km以上)時(shí)，導(dǎo)彈、飛機(jī)等目標(biāo)在紅外成像系統(tǒng)中呈現(xiàn)小目標(biāo)的特性，即目標(biāo)強(qiáng)度低、所占像素少。隨著隱身策略的采用，目標(biāo)的紅外輻射強(qiáng)度越來越小，且目標(biāo)所在背景越來越復(fù)雜。典型的紅外背景包括天空背景、海天背景、海面背景、低空和地面混合背景等。太陽光的輻射、海雜波、大面積的云層以及人造建筑物等都會(huì)使圖像的背景變得復(fù)雜，例如巡航彈越來越多進(jìn)行低空巡航飛行，此時(shí)，成像背景為復(fù)雜的地面或者海面。復(fù)雜的背景給弱小目標(biāo)檢測(cè)帶來很大的難度。對(duì)紅外背景雜波進(jìn)行定量描述，可以用于分析不同背景雜波對(duì)算法檢測(cè)性能的影響，對(duì)算法的性能進(jìn)行有效的評(píng)估。因此，定量描述紅外背景具有重要意義。經(jīng)過對(duì)現(xiàn)有的文獻(xiàn)資料的研究發(fā)現(xiàn)，目前，用于背景雜波量化的方法有=Chang等人在2006年第1其月的"IEEETransactionsonAerospace&ElectronicSystem，，上發(fā)■白勺“NewMetricsforClutterAffectingHumanTargetAcquisition"—ψ7一種基于結(jié)構(gòu)的雜波描述方法，高陳強(qiáng)等人在2009年第7期的“華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，，上發(fā)表的“復(fù)雜天空背景下基于GST的紅外斑點(diǎn)小目標(biāo)檢測(cè)”一文中提出了一種基于數(shù)學(xué)統(tǒng)計(jì)的方法，郭偉等人在2008年第5期的“紅外與毫米波學(xué)報(bào)”上發(fā)表的“基于非參數(shù)統(tǒng)計(jì)的云層背景描述與紅外弱小目標(biāo)檢測(cè)”一文中提出了一種基于高對(duì)比度敏感尺度的方法，魏長安等人在2009年第4期的“電子學(xué)報(bào)”上發(fā)表的“基于形態(tài)重構(gòu)與跟蹤的紅外小目標(biāo)檢測(cè)算法”一文中提出了一種基于功率譜的方法等。在一般情況下，如果具有豐富先驗(yàn)知識(shí)的人無法準(zhǔn)確檢測(cè)目標(biāo)，則算法也很難做出準(zhǔn)確判別。一個(gè)有效的定量描述背景雜波的方法應(yīng)該滿足下列三個(gè)條件(1)與主觀判斷一致；(2)能夠描述紅外系統(tǒng)捕獲目標(biāo)性能的差異；(3)對(duì)于不同的紅外圖像具有適應(yīng)性。傳統(tǒng)方法的缺點(diǎn)是⑴缺少對(duì)不同特征優(yōu)點(diǎn)的綜合利用；⑵在某些情況下無法正確反映雜波強(qiáng)度對(duì)目標(biāo)檢測(cè)的干擾程度。本發(fā)明主要研究紅外小目標(biāo)圖像中的背景雜波定量描述方法。本發(fā)明提出一種新的方法綜合了傳統(tǒng)描述算子的優(yōu)點(diǎn)，提出了一種新的基于支持向量機(jī)和層次分析法的背景雜波量化方法。
發(fā)明內(nèi)容本發(fā)明的目的在于提出一種基于紅外背景雜波量化方法，用于量化紅外小目標(biāo)圖像中的紅外背景雜波強(qiáng)度。本發(fā)明的技術(shù)方案概括為首先采用支持向量機(jī)對(duì)背景雜波進(jìn)行分類，然后采用層次分析法完成對(duì)背景雜波的量化。本發(fā)明中紅外小目標(biāo)的定義如下(1)能量“弱”單幀圖像信噪比(Signal-to-NoiseRatio,SNR)^2.5；(2)尺寸“小”根據(jù)SPIE的建議，當(dāng)目標(biāo)在圖像中所占像素不超過圖像總像素的0.15%時(shí)，此目標(biāo)將被定義為小目標(biāo)。如在尺寸為128X128像素的圖像中，小目標(biāo)的大小不超過4X4。以下對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步的說明。本發(fā)明提出一種針對(duì)紅外小目標(biāo)圖像的紅外背景雜波量化方法，具體操作如下(1)拍攝圖像本發(fā)明采用紅外成像系統(tǒng)獲得紅外小目標(biāo)圖像并對(duì)其直接進(jìn)行處理?，F(xiàn)有的紅外成像系統(tǒng)一般為紅外焦平面，按照自身的幀頻拍攝產(chǎn)生連續(xù)幀的紅外圖像。本發(fā)明是對(duì)紅外成像系統(tǒng)產(chǎn)生的單幀圖像進(jìn)行處理，該成像系統(tǒng)的具體參數(shù)如下光學(xué)系統(tǒng)有效面積A0=12.0cm2，探測(cè)器星響應(yīng)度/)·=2xl01C)￡7W^/妒，可探測(cè)最小信噪比SNR=4，探測(cè)器面積Ad=0.4mm2，等效噪聲帶寬Af=2000.0Hz，光學(xué)系統(tǒng)紅外輻射透過率^=0.8，信號(hào)衰減因子δ^1；成像波段為紅外中波波段(3μπι-5μπι)。為斜。σ表示標(biāo)準(zhǔn)差，Zi表示灰度變量，P(Zi)表示Zi的分布概率。(3)采用支持向量機(jī)分類采集1000幅圖像作為訓(xùn)練樣本，將所有樣本隨機(jī)分為5個(gè)子集，每次將4個(gè)子集用于訓(xùn)練，剩下的一個(gè)子集用于分類測(cè)試，重復(fù)上述過程，直到所有子集都參加了測(cè)試，計(jì)算5次平均分類錯(cuò)誤率，選取平均分類錯(cuò)誤率最小的參數(shù)ο2為模型參數(shù)。本發(fā)明設(shè)定Q2=0.50，C=1000。然后采用支持向量機(jī)將所有樣本按照背景雜波的強(qiáng)度分為5類1)很強(qiáng)、2)強(qiáng)、3)—般、4)弱、5)很弱。支持向量機(jī)的核函數(shù)采用高斯徑向函數(shù)，用公式表達(dá)為(2)提取4種基本特征本發(fā)明采用4種典型的特征算子分別計(jì)算小目標(biāo)和背景的特征，分別用公式表達(dá)1)歸一化差異均值(I-I)2)歸一化背景標(biāo)準(zhǔn)偏差(2)4)背景的歸一化三階矩冗，冗<0.5表示背景灰度直方圖向左偏斜，反之，向右偏式(1)式(4)中，mt為目標(biāo)灰度均值，mB為背景灰度均值，L表示圖像的灰度級(jí)，(5)(4)采用層次分析法完成量化層次分析法的關(guān)鍵是構(gòu)造一個(gè)合適的成對(duì)比較判斷矩陣A=(au)n(au表示特征i和特征j的相對(duì)權(quán)重)，求解出A的最大特征根λmax及其對(duì)應(yīng)的歸一化特征向量W=[W1,W2,-,WJt0設(shè)由式(1)式⑷計(jì)算的基本特征向量為X=[Xl，X2,…，Χη]，π=4，背景雜波強(qiáng)度Int可用式(6)計(jì)算(6)支持向量機(jī)得到的分類結(jié)果為5類，分別采用以下5類成對(duì)比較矩陣A1A1A5用公式表示為(7)(8)(9)(10)(H)圖1為2幅典型的典型紅外小目標(biāo)圖像，圖中用箭頭標(biāo)出小目標(biāo)所在的位置。圖2為基于支持向量機(jī)與層次分析法的背景雜波描述方法流程圖。圖3為本發(fā)明提出的背景雜波量化方法與歸一化對(duì)比均值、局部信雜比的一致性對(duì)比結(jié)果。圖4為不同算法性能與背景強(qiáng)度的關(guān)系。具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步的詳細(xì)描述。本發(fā)明設(shè)計(jì)了一種針對(duì)紅外小目標(biāo)圖像的背景雜波量化的新方法，現(xiàn)以圖1中的2幅典型的紅外小目標(biāo)圖像為例進(jìn)行方法局部步驟的說明。圖1為采用紅外成像設(shè)備獲得的紅外小圖像，成像設(shè)備的具體參數(shù)為光學(xué)系統(tǒng)有效面積Atl=12.Ocm2，探測(cè)器星響應(yīng)度D·=2xKTcmV^/『，可探測(cè)最小信噪比SNR=4，探測(cè)器面積Ad=0.4mm2，等效噪聲帶寬Af=2000.0Hz，光學(xué)系統(tǒng)紅外輻射透過率τC1=0.8，信號(hào)衰減因子δ1；成像波段為紅外中波波段(3μm-5μm)。成像氣候條件應(yīng)本著能夠獲取遠(yuǎn)距離運(yùn)動(dòng)目標(biāo)的原則，即盡量避免雨雪天氣，拍攝時(shí)間白天夜晚均可。本發(fā)明提出的背景量化方法的具體步驟如圖2所示。(1)提取基本特征圖1中包含2幅紅外小目標(biāo)圖像，圖1中用箭頭標(biāo)出小目標(biāo)所在的位置，目標(biāo)位置和尺寸的標(biāo)定方法為人工標(biāo)定。斜。級(jí)，。表示標(biāo)準(zhǔn)差，Zi表示灰度變量，P(Zi)表示Zi的分布概率。(2)支持向量機(jī)分類按照背景雜波強(qiáng)度的大小，采用支持向量機(jī)分類把圖像數(shù)據(jù)分為5類1)很強(qiáng)、2)強(qiáng)、3)—般、4)弱、5)很弱。支持向量機(jī)的核函數(shù)采用高斯徑向函數(shù)，用公式表達(dá)為本發(fā)明設(shè)定σ2=0.50。(3)采用層次分析法完成背景雜波量化對(duì)于支持向量機(jī)的分類結(jié)果，分別采用以下5類成對(duì)比較矩陣A1Α5。即背景雜波強(qiáng)度“很強(qiáng)”的圖像采用A1量化，背景雜波強(qiáng)度“強(qiáng)”的圖像采用A2量化，背景雜波強(qiáng)度“一般”的圖像采用A3量化，背景雜波強(qiáng)度“弱”的圖像采用A4量化，背景雜波強(qiáng)度“很弱”采用式(12)式(15)的計(jì)算公式提出4種基本特征。1)歸一化差異均值冗2)歸一化背景標(biāo)準(zhǔn)偏差4)背景的歸一化三階矩A，石<0.5表示背景灰度直方圖向左偏斜，反之，向右偏式(12)式(15)中，mt為目標(biāo)灰度均值，mB為背景灰度均值，L表示圖像的灰度的圖像采用A5量化A1A5用公式表示為圖1為2幅紅外小目標(biāo)圖像，圖1(a)中有3個(gè)小目標(biāo)位于海面雜波之中，圖1(b)中有2個(gè)目標(biāo)位于地面雜波之中。在局部區(qū)域大小為7X7和9X9的情況下，分別計(jì)算圖1(a)、圖1(b)中每個(gè)目標(biāo)的LocalSCR和本發(fā)明方法得到的背景雜波強(qiáng)度Int，結(jié)果如表1和表2所示。局部背景雜波的干擾越小，小目標(biāo)越容易被檢測(cè)到。LocalSCR表示目標(biāo)與背景雜波的對(duì)比，LocalSCR越大表示背景雜波越小。以圖1(a)的目標(biāo)2和目標(biāo)3為例分析目標(biāo)3與周圍背景的反差要大于目標(biāo)2，則目標(biāo)3的局部背景雜波強(qiáng)度應(yīng)小于目標(biāo)2。表1和表2中，目標(biāo)3的LocalSCR小于目標(biāo)2，與分析的結(jié)果不符，在這種情況下LocalSCR不能準(zhǔn)確地描述背景雜波，而Int的計(jì)算結(jié)果均與實(shí)際情況相符。LocalSCR的計(jì)算方法如式(22)所示(22)式中，mt表示目標(biāo)的灰度均值，表示局部背景的標(biāo)準(zhǔn)差。表17X7局部背景雜波的計(jì)算結(jié)果表29X9局部背景雜波的計(jì)算結(jié)果為了進(jìn)一步比較，采用支持向量機(jī)訓(xùn)練樣本之外的所有圖像數(shù)據(jù)作為測(cè)試樣本。采用式(9)計(jì)算不同背景雜波描述方法與人工判別結(jié)果的一致性。式中，Ur表示一致性計(jì)算結(jié)果，N0表示所有的測(cè)試樣本數(shù)，N1表示本發(fā)明方法與人工判斷結(jié)果相同的樣本數(shù)。圖3是本發(fā)明方法與歸一化對(duì)比均值、信雜比分別對(duì)7X7和9X9局部區(qū)域的背景雜波計(jì)算結(jié)果。與人工判斷結(jié)果的一致性越高說明方法越好。從圖3中可以看出本發(fā)明方法一致性明顯優(yōu)于其它兩種方法，且在局部區(qū)域?yàn)?X7時(shí)取得較好的一致性。紅外系統(tǒng)對(duì)高強(qiáng)度雜波的抗干擾能力不會(huì)強(qiáng)于低強(qiáng)度雜波。背景雜波描述方法的計(jì)算結(jié)果也應(yīng)該滿足這一條件。根據(jù)本發(fā)明方法計(jì)算7X7局部區(qū)域的背景雜波強(qiáng)度，然后采用3種典型目標(biāo)檢測(cè)算法=Reed算法，基于背景預(yù)測(cè)的算法以及Victor算法進(jìn)行目標(biāo)檢測(cè)性能實(shí)驗(yàn)。采用探測(cè)概率和每100幀圖像中的平均虛警數(shù)作為檢測(cè)性能的評(píng)價(jià)參數(shù)。不同算法的檢測(cè)概率和平均虛警數(shù)與本發(fā)明背景雜波強(qiáng)度的關(guān)系如圖4所示。通過曲線可以看出，隨著背景雜波強(qiáng)度的增大，3種算法的檢測(cè)概率均下降，同時(shí)平均虛警數(shù)增加，這符合目標(biāo)檢測(cè)的規(guī)律。因此，本發(fā)明的背景雜波的量化方法是有效的。本發(fā)明的背景雜波量化描述方法具有以下優(yōu)點(diǎn)(1)與具有先驗(yàn)知識(shí)的人的主觀判斷一致；(2)能夠合理的描述對(duì)紅外系統(tǒng)探測(cè)性能的影響。因此，本發(fā)明的背景雜波量化描述方法可以用于指導(dǎo)紅外圖像數(shù)據(jù)庫的規(guī)劃，并且可以根據(jù)紅外背景雜波干擾程度的不同，選擇相應(yīng)的目標(biāo)檢測(cè)算法。權(quán)利要求一種基于紅外小目標(biāo)圖像的紅外背景雜波量化方法，其特征在于，包括下述幾個(gè)步驟步驟1，提取4種基本特征本發(fā)明采用4種典型的特征算子分別計(jì)算小目標(biāo)和背景的特征，分別用公式表達(dá)為歸一化差異均值<mrow><mover><mi>Δm</mi><mo>‾</mo></mover><mo>=</mo><mfrac><mrow><mo>|</mo><msub><mi>m</mi><mi>t</mi></msub><mo>-</mo><msub><mi>m</mi><mi>B</mi></msub><mo>|</mo></mrow><mrow><mo>(</mo><mi>L</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>歸一化背景標(biāo)準(zhǔn)偏差<mrow><mover><mi>σ</mi><mo>‾</mo></mover><mo>=</mo><mfrac><msqrt><msup><mi>σ</mi><mn>2</mn></msup></msqrt><msup><mrow><mo>(</mo><mi>L</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mn>2</mn></msup></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>一致性U<mrow><mi>U</mi><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>L</mi><mo>-</mo><mn>1</mn></mrow></munderover><msup><mi>p</mi><mn>2</mn></msup><mrow><mo>(</mo><msub><mi>z</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>背景的歸一化三階矩<mrow><mover><msub><mi>μ</mi><mn>3</mn></msub><mo>‾</mo></mover><mo>=</mo><mn>0.5</mn><mo>[</mo><mfrac><mrow><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>L</mi><mo>-</mo><mn>1</mn></mrow></munderover><msup><mrow><mo>(</mo><msub><mi>z</mi><mi>i</mi></msub><mo>-</mo><msub><mi>m</mi><mi>B</mi></msub><mo>)</mo></mrow><mn>3</mn></msup><mi>p</mi><mrow><mo>(</mo><msub><mi>z</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow><msup><mrow><mo>(</mo><mi>L</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mn>2</mn></msup></mfrac><mo>+</mo><mn>1</mn><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>式(1)～式(4)中，mt為目標(biāo)灰度均值，mB為背景灰度均值，L表示圖像的灰度級(jí)，σ表示標(biāo)準(zhǔn)差，zi表示灰度變量，p(zi)表示zi的分布概率；步驟2，采用支持向量機(jī)分類按照背景雜波強(qiáng)度的大小，采用支持向量機(jī)分類把圖像數(shù)據(jù)分為5類很強(qiáng)、強(qiáng)、一般、弱、很弱；支持向量機(jī)的核函數(shù)采用高斯徑向函數(shù)，用公式表達(dá)為<mrow><mi>k</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>=</mo><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><mrow><mo>|</mo><mo>|</mo><msub><mi>x</mi><mi>i</mi></msub><mo>-</mo><msub><mi>x</mi><mi>j</mi></msub><msup><mrow><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup></mrow><msup><mrow><mn>2</mn><mi>σ</mi></mrow><mn>2</mn></msup></mfrac><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>本發(fā)明設(shè)定σ2＝0.50；步驟3，采用層次分析法完成背景雜波量化對(duì)于支持向量機(jī)的分類結(jié)果，分別采用以下5類成對(duì)比較矩陣A1～A5進(jìn)行最終背景雜波量化；A1～A5用公式表示為<mrow><msub><mi>A</mi><mn>1</mn></msub><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>3</mn></mtd><mtd><mn>9</mn></mtd></mtr><mtr><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>2</mn></mtd></mtr><mtr><mtd><mn>0.33</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd></mtr><mtr><mtd><mn>0.11</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow><mrow><msub><mi>A</mi><mn>2</mn></msub><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>3</mn></mtd><mtd><mn>7</mn></mtd></mtr><mtr><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>3</mn></mtd></mtr><mtr><mtd><mn>0.33</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd></mtr><mtr><mtd><mn>0.16</mn></mtd><mtd><mn>0</mn><mo>.</mo><mn>33</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow><mrow><msub><mi>A</mi><mn>3</mn></msub><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>5</mn></mtd></mtr><mtr><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd></mtr><mtr><mtd><mn>0</mn><mo>.</mo><mn>5</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd></mtr><mtr><mtd><mn>0</mn><mo>.</mo><mn>2</mn></mtd><mtd><mn>0</mn><mo>.</mo><mn>5</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow><mrow><msub><mi>A</mi><mn>4</mn></msub><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>4</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>2</mn></mtd></mtr><mtr><mtd><mn>0</mn><mo>.</mo><mn>5</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd></mtr><mtr><mtd><mn>0</mn><mo>.</mo><mn>25</mn></mtd><mtd><mn>0</mn><mo>.</mo><mn>5</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow><mrow><msub><mi>A</mi><mn>5</mn></msub><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>3</mn></mtd><mtd><mn>5</mn></mtd></mtr><mtr><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd><mtd><mn>2</mn></mtd></mtr><mtr><mtd><mn>0</mn><mo>.</mo><mn>33</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>2</mn></mtd></mtr><mtr><mtd><mn>0</mn><mo>.</mo><mn>2</mn></mtd><mtd><mn>0</mn><mo>.</mo><mn>33</mn></mtd><mtd><mn>0.5</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>10</mn><mo>)</mo></mrow></mrow>背景雜波強(qiáng)度“很強(qiáng)”的圖像采用A1量化，背景雜波強(qiáng)度“強(qiáng)”的圖像采用A2量化，背景雜波強(qiáng)度“一般”的圖像采用A3量化，背景雜波強(qiáng)度“弱”的圖像采用A4量化，背景雜波強(qiáng)度“很弱”的圖像采用A5量化。FSA00000220930400011.tif,FSA00000220930400013.tif,FSA00000220930400016.tif1.一種基于紅外小目標(biāo)圖像的紅外背景雜波量化方法，其特征在于，包括下述幾個(gè)步步驟1，提取4種基本特征本發(fā)明采用4種典型的特征算子分別計(jì)算小目標(biāo)和背景的特征，分別用公式表達(dá)為歸一化差異均值冗_(dá)K-^bI歸一化背景標(biāo)準(zhǔn)偏差背景的歸一化三階矩冗式式(4)中，mt為目標(biāo)灰度均值，mB為背景灰度均值，L表示圖像的灰度級(jí)，ο表示標(biāo)準(zhǔn)差，Zi表示灰度變量，P(Zi)表示Zi的分布概率；步驟2，采用支持向量機(jī)分類按照背景雜波強(qiáng)度的大小，采用支持向量機(jī)分類把圖像數(shù)據(jù)分為5類很強(qiáng)、強(qiáng)、一般、弱、很弱；支持向量機(jī)的核函數(shù)采用高斯徑向函數(shù)，用公式表達(dá)為本發(fā)明設(shè)定步驟3，采用層次分析法完成背景雜波量化對(duì)于支持向量機(jī)的分類結(jié)果，分別采用以下5類成對(duì)比較矩陣A1波量化；A1A5用公式表示為A5進(jìn)行最終背景雜背景雜波強(qiáng)度“很強(qiáng)”的圖像采用A1量化，背」背景雜波強(qiáng)度“強(qiáng)”的圖像采用A2量化，景雜波強(qiáng)度“一般”的圖像采用A3量化，背景雜波強(qiáng)度“弱”的圖像采用A4量化，背景雜波強(qiáng)度“很弱”的圖像采用A5量化。全文摘要本發(fā)明針對(duì)紅外小目標(biāo)圖像，提出紅外背景雜波定量描述方法。該方法綜合考慮了目標(biāo)與背景的特征，融合了4種特征，分別為歸一化差異均值、歸一化背景標(biāo)準(zhǔn)偏差、一致性和背景的歸一化三階矩。首先采用支持向量機(jī)把背景雜波強(qiáng)度分為5類，很強(qiáng)、較強(qiáng)、一般、較弱、弱。然后對(duì)每類圖像分別采用層次分析法計(jì)算各特征的權(quán)重，實(shí)現(xiàn)雜波強(qiáng)度的量化。文檔編號(hào)G06K9/62GK101901352SQ201010247978公開日2010年12月1日申請(qǐng)日期2010年8月6日優(yōu)先權(quán)日2010年8月6日發(fā)明者毛峽,黃康申請(qǐng)人:北京航空航天大學(xué)