本发明涉及图像处理技术领域，具体涉及一种用于弹炮遥控武器站的背景抑制方法。
背景技术：
弹炮遥控武器站集成设计方案中，观瞄系统采集的视频图像中复杂的战场环境背景、背景杂波和背景强光等会严重影响导弹弹标和坦克目标的检测效果。背景抑制(backgroundsuppression)技术能通过对图像的预处理达到抑制背景、突出目标的效果。它是目标检测的重要前提，尤其是对导弹弹标检测的必要条件。因此，在弹炮遥控武器站集成设计方案中，必须利用背景抑制技术来实现抗干扰功能。
侧抑制网络可以抑制空间低频部分，相当于空间域的高通滤波器。在侧抑制网络中，侧抑制系数和抑制野范围的选取是侧抑制网络模型的关键。常用的描述图像信息的参数有：灰度、对比度、图像的梯度、图像的均值和方差等。由于图像中不可避免的会混入一定的噪声，采用灰度、对比度来直接得到侧抑制系数，从而确定侧抑制网络模型，没有考虑到噪声对侧抑制网络的影响。
技术实现要素：
(一)要解决的技术问题
本发明要解决的技术问题是：如何提高侧抑制网络的抗噪性。
(二)技术方案
为了解决上述技术问题，本发明提供了一种用于弹炮遥控武器站的图像背景抑制方法，包括以下步骤：
步骤1、输入图像；
步骤2、根据描述图像边缘点特征的度量因子确定各向异性高斯滤波器的长轴尺度，根据图像的局部方差确定各向异性高斯滤波器的短轴尺度，并利用图像的梯度信息确定各向异性高斯滤波器的角度；
步骤3、利用步骤2得到的各向异性高斯滤波器的长轴尺度、短轴尺度及角度构造各向异性高斯滤波器；
步骤4、根据各向异性高斯滤波器的参数确定侧抑制网络的侧抑制系数；
步骤5、根据抑制野范围以及所述侧抑制系数确定侧抑制网络的数学模型；
步骤6、将确定了数学模型的侧抑制网络作为高通滤波器对所输入的图像进行背景抑制。
优选地，步骤2中根据描述图像边缘点特征的度量因子确定各向异性高斯滤波器的长轴尺度具体为：
以边缘点为中心，以水平、垂直、斜对角四个方向之一将图像中每个像素点的邻域分为大小相同的两部分，计算像素点两子邻域上的灰度均值，设像素点(i,j)对应的两个子邻域里的像素个数为n，按照上述四个不同的方向划分，得到的像素灰度分别为ft1m和ft2m，m＝1,2,3,4，则像素点(i,j)对应的两子邻域上灰度均值为：
像素点(i,j)在水平、垂直、右斜对角、左斜对角方向四个方向的四对子邻域灰度突变值为：
则度量因子eij描述为：
用度量因子eij描述像素点(i,j)灰度突变性，eij越大则像素点为边缘点的可能性越大；反之，eij越小像素点为平滑背景点的可能性越大；
采用描述图像边缘点特性的度量因子eij来确定各向异性高斯滤波器的尺度σu，即高斯核函数在u方向上的尺度，因此得到：
优选地，步骤2中根据图像的局部方差确定各向异性高斯滤波器的短轴尺度σv，即高斯核函数在v方向上的尺度具体为：
采用下式来确定σv：
其中，si为图像像素点(i,j)邻域范围内的方差。
优选地，步骤2中利用图像的梯度信息确定各向异性高斯滤波器的角度具体为：
设图像中像素点(i,j)的灰度值为f(i,j)，该像素点(i,j)在水平和垂直方向的梯度分别为dx(i,j)和dy(i,j)，则像素点(i,j)处的梯度方向角θ⊥满足：
θ⊥(i,j)＝arctan[dy(i,j)/dx(i,j)]
得到各向异性高斯滤波器：
其中，坐标u-v与坐标x-y的关系为：旋转角度θ后，由坐标变换可得：
其中，θ＝θ⊥+90°。
优选地，步骤4中，所述侧抑制系数根据图像的梯度信息、灰度信号和度量因子信息自适应确定。
优选地，步骤5中选用5×5的抑制野，即抑制野宽度为2。
优选地，所述方法用于实现弹炮遥控武器站中观瞄系统采集的图像的背景抑制。
优选地，所述图像为导弹发射后飞行过程中弹标的视频图像。
(三)有益效果
本发明运用视觉仿生技术，引入视觉系统的侧抑制机制，根据图像信息，引入描述图像边缘特性的度量因子和局部范围方差来确定各向异性高斯滤波器的长轴和短轴尺度，并根据图像的梯度信息来确定滤波器的方向信息，由此构造了各向异性高斯滤波器。将图像信息与侧抑制系数的确定联系起来，确定了基于图像信息的自适应侧抑制网络系数，改善了以往采用固定侧抑制系数模板的方式，具有良好的自适应性。同时，在选取图像特征时，考虑了噪声信号对侧抑制网络的影响，在一定程度上提高了侧抑制网络的抗噪性。
附图说明
图1是本发明的方法主要流程图；
图2是本发明的边缘点判断方法原理图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
如图1所示，发明提供了一种用于弹炮遥控武器站的图像背景抑制方法，包括以下步骤：
步骤1、输入图像；
步骤2、根据描述图像边缘点特征的度量因子确定各向异性高斯滤波器的长轴尺度，根据图像的局部方差确定各向异性高斯滤波器的短轴尺度，并利用图像的梯度信息确定各向异性高斯滤波器的角度；
步骤3、利用步骤2得到的各向异性高斯滤波器的长轴尺度、短轴尺度及角度构造各向异性高斯滤波器；
步骤4、根据各向异性高斯滤波器的参数确定侧抑制网络的侧抑制系数；
步骤5、根据抑制野范围以及所述侧抑制系数确定侧抑制网络的数学模型；
步骤6、将确定了数学模型的侧抑制网络作为高通滤波器对所输入的图像进行背景抑制。
由于图像中不可避免的会混入一定的噪声，采用灰度、对比度来确定侧抑制系数，没有考虑到噪声对侧抑制网络的影响。所以，本发明在选取图像特征时，考虑到噪声问题，选用描述图像边缘点特征的度量因子和图像的局部方差来确定各向异性高斯滤波器的尺度参数，提高侧抑制网络的抗噪性。
通过分析发现，侧抑制网络相当于空间域的高通滤波器。噪声信号和目标信号都位于高频段，所以侧抑制网络对噪声较敏感，抗噪性较差。为了使侧抑制网络在图像中有噪声干扰的情况下，仍能有良好的背景抑制效果，在选用图像特征信息时，本发明引入描述图像边缘点特征的度量因子。
在视频图像中，目标和周围背景的灰度不同，在目标边缘处存在灰度突变点，即边缘点。边缘点的特性是：位于边缘点对应两侧的像素点，灰度强度不同。并且边缘点具有一定的方向性，即在任一边缘点的邻域内，沿边缘方向，都能找到至少一个方向，这个方向上像素点的灰度与边缘点的灰度相近。所以，以边缘点为边界，可以把其周围邻域的像素分为四个子区域，如图2所示。边缘点的判断策略是：边缘点周围像素的四个子区域中，两个子区域的灰度分布均匀，另外两个子区域间灰度相差较大。而位于噪声点或背景点两侧的像素点，灰度强度相近，也没有方向性特征。
以边缘点为中心，以水平、垂直、斜对角四个方向之一可以将图像中每个像素点的邻域分为大小相同的两部分。计算像素点两子邻域上的灰度均值，设按照上述四个不同的方向划分，像素点(i,j)对应的两个子邻域里的像素个数为n，像素灰度分别为ft1m和ft2m，则得到的像素点(i,j)对应的两子邻域上灰度均值为：
其中，m＝1,2,3,4。例如，按照水平方向划分，得到的像素点(i,j)对应的两子邻域上灰度均值为
像素点(i,j)在水平、垂直、右斜对角、左斜对角方向四个方向的四对子邻域灰度突变值为：
则度量因子eij描述为：
用度量因子eij描述像素点(i,j)灰度突变性。eij越大则像素点为边缘点的可能性越大；反之，eij越小像素点为平滑背景点的可能性越大。
本发明引入描述图像边缘点特征的度量因子来确定各向异性高斯滤波器的尺度σu，使得各向异性高斯滤波器的参数能根据图像的边缘信息自适应调整，突出边缘点的同时，抑制噪声。
因此步骤2中，采用描述图像边缘点特性的度量因子eij来确定滤波器的尺度σu(高斯核函数在u方向上的尺度)，即定义u轴为：
根据图像的局部方差确定各向异性高斯滤波器的短轴尺度具体为：
图像的方差是与图像状态紧密相关的数据，它给出了图像的平均对比度的度量，同时也与边缘相关。所以，步骤2中利用图像局部范围的方差来确定各向异性高斯滤波器的尺度σv(高斯核函数在v方向上的尺度)，v轴参数采用下式来确定：
其中，si为图像像素点(i,j)预设邻域范围内的方差。
步骤2利用图像的梯度信息来确定各向异性高斯滤波器的角度。图像中像素点(i,j)的灰度值为f(i,j)，该像素点在水平和垂直方向的梯度分别为dx(i,j)和dy(i,j)，则像素点(i,j)处的梯度方向角θ⊥满足：
θ⊥(i,j)＝arctan[dy(i,j)/dx(i,j)](6)
θ⊥为法线方向。
得到各向异性高斯滤波器：
其中，坐标u-v与坐标x-y的关系为：旋转角度θ后，由坐标变换可得：
θ＝θ⊥+90°(9)
各向异性高斯滤波器，用坐标u-v表示为：
本发明利用描述图像边缘特性的度量因子和局部范围的方差来确定各向异性高斯核函数的长短轴，利用图像的梯度信息来确定各向异性高斯滤波器的角度。这样，各向异性高斯滤波器的所有参数都由图像信息来自适应确定，从而根据图像信息自适应的确定了侧抑制系数hmn(i,j)，并且度量因子和图像的方差都与边缘特性有关，在抑制背景的同时，能够提升侧抑制网络的抗噪性。
抑制野是指能对中心感受器单元产生抑制影响的感受器的范围。理论上，由于抑制性影响存在空间总和效应，对中心感受器产生抑制作用的邻近感受器越多，则中心感受器受到的抑制作用越大。即抑制野的范围越大，其突出边缘的效果越明显，背景抑制效果就越好。但是，在实际应用中选用的抑制野宽度越大，计算量也会迅速增加。因此，通常将抑制野的范围规定为中心感受器单元周围较小的范围。这样可以减小网络模型的规模，提高图像处理的实时性。常见的有3×3，5×5，7×7大小的抑制野，其权值系数(抑制系数)模板分别为：
其中β为侧抑制系数的简写形式。本发明选用5×5的抑制野，即抑制野宽度为2，抑制系数根据图像的梯度信息、灰度信号和度量因子信息自适应确定。这样在保证计算量较小的情况下，还能够较好的体现出各向异性高斯核函数的形状。
可以看出，本发明根据图像信息，引入描述图像边缘特性的度量因子和局部范围方差来确定各向异性高斯滤波器的长轴和短轴尺度，并根据图像的梯度信息来确定滤波器的方向信息，由此构造了各向异性高斯滤波器。将图像信息与侧抑制系数的确定联系起来，确定了基于图像信息的自适应侧抑制网络系数，改善了以往采用固定侧抑制系数模板的方式，具有良好的自适应性。同时，在选取图像特征时，考虑了噪声信号对侧抑制网络的影响，在一定程度上提高了侧抑制网络的抗噪性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。