[发明专利]基于邻域向量PCA的弱小损伤目标检测方法

权利要求书

1.基于邻域向量PCA的弱小损伤目标检测方法，其特征在于，包括以下步骤：

首先，进行邻域向量PCA变换，对原始损伤图像进行增强，得到的图像记为NVPCA图像；所述邻域向量PCA变换是将原始损伤图像中的每个像素和它周围邻域的像素看作一个列向量来参加运算，由各个像素生成的所有列向量构建一个多维的数据立方体；再使用PCA变换，变换后的多维数据立方体的主要信息将集中在第一维，则变换后的第一维数据为所述NVPCA图像；

然后，使用LCM方法对NVPCA图像进行进一步增强，使得目标和背景之间的差别变得更大，对比度得到增强，背景信息得到抑制，包含损伤目标的区域从邻域分离出来；

最后，使用区域生长法检测局部区域的信号变化和使用自适应阈值公式进行二值化，最终的损伤目标被分离出来。

2.根据权利要求1所述的基于邻域向量PCA的弱小损伤目标检测方法，其特征在于：

所述邻域向量PCA变换的具体流程如下：

1)图像向量化：设原始损伤图像的尺寸为m×n，且N＝m×n，将图像中的每个像素和周围邻域的像素组成一个L维的列向量，生成m×n个列向量，将所有m×n个列向量构建一个m×n×L的数据立方体，即原始损伤图像表示为向量组X＝(x₁,x₂,…,x_L)^T，其中x_k为一个N×1的列向量；

2)向量中心化：将向量组X中的所有向量减去向量组X的均值向量，得到向量组Y；

Y＝X-E(X) (1)

3)计算向量组Y的协方差矩阵Σ；

4)求协方差矩阵Σ的特征值矩阵Λ和特征向量矩阵A，使得向量组Y的每个列向量都满足线性变换Z＝A^TY，特征向量矩阵A对应的特征值矩阵Λ是一个由特征值由大到小组成的对角阵；

5)进行主成分变换，得到L×N的矩阵Z；

Z＝A^TY (3)

6)矩阵Z的第一维数据D₁即最终的邻域向量P CA变换结果：

D₁＝{p_i,j,1,1≤i≤m,1≤j≤n} (4)；

其中，p_i,j,1表示原始图像任一点(i，j)第1个邻域的灰度值。

3.根据权利要求2所述的基于邻域向量PCA的弱小损伤目标检测方法，其特征在于：步骤1)中，是将m×n大小的原始损伤图像按行或按列有规则地连接成为N×1的列向量。

4.根据权利要求2所述的基于邻域向量PCA的弱小损伤目标检测方法，其特征在于：步骤1)中，是将图像中的每个像素和周围8邻域的像素组成一个9维的列向量。