[发明专利]一种用于图像序列中微小目标轮廓的降噪方法

说明书

技术领域

本发明涉及的是一种图像处理技术领域的降噪方法，具体地说，涉及的是一种用于图像序列中微小目标轮的轮廓降噪方法。

背景技术

光学系统可以在远距离得到目标的形态信息，而且光学观测系统属于无源系统，功耗低适合长时间的观测。利用可见光传感器对非合作目标进行形态测量与识别的技术是空间技术中的一个重要分支。这一技术有着广泛的应前景，例如，可以有效地对地或对空识别目标；测量目标的位置姿态等。在利用可见光传感器对非合作目标进行形态测量与识别中往往目标距离光学传感器的距离遥远，这造成了目标在传感器中的图像比较小。若光学传感器的角分辨率为5μ弧度，目标距离传感器距离为100千米时，空间分辨率为0.46米，如果目标大小为3米x3米的正方形在这种情况下其在图像中的大小为7x7个像素。对于如此微小的图像目标，再加上空间目标的图像通常对比强烈因此一些基于轮廓的方法更适用于对目标的形态进行测量和识别。然而空间情况下所成图像会受到噪声干扰，对于微小的图像轮廓的影响会很大，这会极大的限制基于轮廓的形态测量与识别技术的应用，因而对微小目标的轮廓进行降噪是基于轮廓的形态测量和识别技术的重要环节。

目前对于微小目标轮廓的降噪方法研究较少，而其他可以用以降噪的方法大多不适用于微小目标的轮廓降噪。对于静态目标一些关于噪声的统计信息可以从图像序列中得到，利用这些统计信息可以降噪。但是通常所要测量和识别的目标是机动的这一类方法不能使用。一些基于主动轮廓的跟踪方法也不适用于该情况，这些方法是设计用来在复杂场景下进行跟踪的，并且对于较大的图像轮廓才有效果。频域中的低通滤波器和时域中的平滑算子也不适用于该情况，因为这些方法只会消除图像的细节，低频中的噪声依然存在。

经对现有技术的检索发现，经对现有技术的检索发现，Niethammer等在2006年于《Automatic Control》(自动控制)第51卷，第4期上发表了《Dynamic active contours for visual tracking》(视觉跟踪中的主动轮廓)。该文提出了基于主动轮廓的跟踪技术，具体为：使用主动轮廓逼近所要跟踪的运动目标，对于有噪声的情况该方法也能很好的得到目标的轮廓，其不足在于该方法不适用于微小目标。

发明内容

针对上述现有技术存在的不足，本发明的目的在于提供一种用于图像序列中微小目标轮廓降噪的方法，解决了在图像对比度大、目标距离远的空间环境条件下对机动的微小目标轮廓进行降噪的问题，且本发明方法计算量小，较为鲁棒不易发散，易于进行嵌入式移植。。

本发明是通过以下技术方案实现的，本发明包括如下步骤：

步骤一，从图像序列中提取当前帧中的目标轮廓：从目标的图像序列中使用轮廓提取方法提取目标轮廓，对轮廓进行预处理，消除轮廓毛刺，并使图像轮廓闭合。

所述轮廓提取可以使用常用的轮廓提取方法，如，坎尼(Canny)，索贝尔(Sobel)等方法。

所述消除轮廓毛刺是采用形态学的腐蚀和膨胀操作消除图像轮廓中的毛刺。

步骤二，对于步骤一中提取的轮廓进行转换：使用傅立叶描述子(FDs)将步骤一中提取的轮廓从空域中转换为频域中；

步骤三，使用基于常加速模型的卡尔曼滤波器对步骤二的傅立叶描述子的实部和虚部分别进行滤波。

所述的常加速模型的卡尔曼滤波器，是指：假设目标的运动为常加速运动的卡尔曼滤波。

步骤四，对步骤三滤波后的傅立叶描述子进行逆变换，最终得到降噪后的轮廓。对于其后的图像帧重复步骤一至步骤四进行处理。

卡尔曼滤波器是常用于目标跟踪领域的技术，而傅立叶描述子是图像处理领域常用的一种技术，本发明将两种技术有机的结合用于图像序列中的微小目标轮廓的降噪，通过傅立叶描述子将序列中的目标轮廓在频域里描述，此时噪声被转换到所得的傅立叶描述子的每个频率点中。基于轮廓上的噪声是高斯分布的假设，那么在傅立叶描述子中每个频率点上的噪声仍然是高斯分布的，线性高斯滤波器可以用来滤除这些噪声，使用卡尔曼滤波器对每个频率点的傅立叶描述子进行滤波去处噪声，然后对滤波后的傅立叶描述子进行逆变换得到降噪的轮廓序列。