毫米波成像图像处理方法与流程

本发明涉及一种毫米波成像图像处理方法。

背景技术：

现有的毫米波成像安检装置，主要依靠安检人员的眼睛对图像进行观察以判断被检测人员费否携带危险品。一方面现有的毫米波成像安检装置的成像效果较差，不便于安检人员进行危险品识别，另一方面，由人工进行判断的效率较低。

技术实现要素：

为解决现有技术的不足，本发明提供了一种可以高效识别毫米波成像系统所成图像种类的毫米波成像图像处理方法。

为了实现上述目标，本发明采用如下的技术方案：

一种毫米波成像图像处理方法，其特征在于，包含以下步骤：通过毫米波成像系统采集图像；对采集到的图像进行降噪处理；将降噪处理后的图像划分成多个子图像；提取每个子图像二维频谱；提取子图像二维频谱的特征向量；对提取出的特征向量进行分类。

进一步地，对采集到的图像进行降噪处理，包括以下步骤：对采集到的图像进行阈值化分割得到图像的二值图像；对阈值化分割后的二值图像进行形态学操作；将处理后的二值图像中的灰度值较大的区域替换成原采集到的图像的对应区域的灰度值。

进一步地，对采集到的图像进行阈值化分割得到图像的二值图像，具体为将采集到的图像中的灰度值小于预设阈值的区域的灰度值置为255，将大于预设阈值的区域的灰度值置0，以使对采集到的图像进行阈值化分割得到图像的二值图像为黑白图像。

进一步地，对阈值化分割后的二值图像进行形态学操作，具体为通过闭操作闭合图像缺损，通过开操作断开不同连通区域之间的弱小的连接，使噪声形成孤立的小区域，再通过设定面积阈值去除噪声。

进一步地，通过毫米波成像系统采集到的图像为人体图像，对人体图像的上半身采用正方形结构元素进行形态学操作，对人体图像的下半身采用长方形结构元素进行形态学操作。

进一步地，将处理后的二值图像中的灰度值较大的区域替换成原图像的对应灰度值，具体为将原采集到的图像进行对比度拉伸，再将处理后的二值图像中的灰度值较大的区域替换成对比度拉伸后的原采集到的图像的对应灰度值。

进一步地，通过顶帽变化和底帽变换进行将原采集到的图像进行对比度拉伸。

进一步地，提取子图像二维频谱的特征向量，具体为，将二维频谱划分成多个扇区，每个扇区提取一个特征数构成特征向量。

进一步地，提取子图像二维频谱左半部分的特征向量。

进一步地，通过神经网络对提取出的特征向量进行自动识别分类。

本发明的有益之处在于提供的毫米波成像图像处理方法通过提取并识别毫米波系统所成图像的子图像的二维频谱信息以识别所成图像的种类。

附图说明

图1是本发明的毫米波成像图像处理方法的毫米波成像系统采集的图像的示意图；

图2是本发明的毫米波成像图像处理方法对采集到的图像进行阈值化分割得到的二值图像的示意图；

图3是本发明的毫米波成像图像处理方法对二值图像进行形态学操作处理后的示意图；

图4中本发明的毫米波成像图像处理方法降噪处理后的图像的示意图；

图5是本发明毫米波成像图像处理方法的划分二维频谱的示意图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

如图1至图4所示，一种毫米波成像图像处理方法，包含以下步骤：s1通过毫米波成像系统采集图像，s2对采集到的图像进行降噪处理，s3将降噪处理后的图像划分成多个子图像，s4提取每个子图像二维频谱，s5提取子图像二维频谱的特征向量，s6对提取出的特征向量进行分类。

对于步骤s1通过毫米波成像系统采集图像：

利用毫米波成像系统采集大量的人体目标图像，如图1所示。

对于步骤s2对采集到的图像进行降噪处理：

为了后续的图像增强与特征提取、自动目标识别能取得良好的效果，需要通过图像增强算法去除噪声，改善图像质量。去噪的主要目标是去除背景噪声，并最大限度地保持人体图像的完整。对采集到的图像进行降噪处理，包括以下步骤：对采集到的图像进行阈值化分割得到图像的二值图像，对阈值化分割后的二值图像进行形态学操作，将处理后的二值图像中的灰度值较大的区域替换成原采集到的图像的对应区域的灰度值。

阈值分割方法是常用的图像分割方法，在前景物体和背景物体灰度值分布都比较均匀时能取得良好的效果。为了能对不同的太赫兹图像均能取得良好的分割效果，本发明实施例采用软阈值。软阈值通过otsu法获得，以实现全局最优。

对采集到的图像进行阈值化分割得到图像的二值图像，具体为将采集到的图像中的灰度值小于预设阈值的区域的灰度值置为255，将大于预设阈值的区域的灰度值置0，以使对采集到的图像进行阈值化分割得到图像的二值图像为黑白图像，如图2所示。

阈值分割之后得到二值图像。由于背景像素中也存在高灰度值的像素，导致背景噪声不能完全去除，而人体图像中也存在低灰度值的像素，导致人体图像出现缺损，因此需要通过形态学处理进一步去除噪声和填补人体缺损部分。

对阈值化分割后的二值图像进行形态学操作，具体为通过闭操作闭合图像缺损，通过开操作断开不同连通区域之间的弱小的连接，使噪声形成孤立的小区域，再通过设定面积阈值去除噪声。

由于背景噪声较复杂，在实际项目实现中，为了达到最佳的去噪效果，需要通过不断尝试不同的结构元素，开、闭、腐蚀、膨胀等形态学操作也可以进行多次。

在本发明实施例中，采集到的是人体图像，针对人体两腿呈长条形的特点，形态学操作可以对上半身和下半身分别进行，其中上半身采用正方形结构元素，下半身采用长方形结构元素，形态学操作处理后如图3所示。

将处理后的二值图像中的灰度值较大的区域替换成原采集到的图像的对应区域的灰度值，本发明实施例中，具体为，将处理后的二值图像中的灰度值为255的白色区域替换成原采集到的图像的对应区域的灰度值。

为了让去噪后的图像看起来更自然，先对原含噪图像进行对比度拉伸，再还原灰度值。对比度拉伸通过顶帽变换和底帽变换进行：

im'＝im+tophat(im,se)－bothat(im,se)，

其中，se表示结构元素，这里采用的结构元素为边长60的正方形。最后的去噪结果如图4所示。

对于步骤s3将降噪处理后的图像划分成多个子图像：

由于目标只占据整幅图像的一小片区域，因此可以将图像划分成多个子图，分别判断每张子图中是否存在目标。这样一方面降低了识别的难度，另一方面能够实现对目标的定位。

对于步骤s4提取每个子图像二维频谱：

对于每张子图，可以提取其二维频谱作为识别的特征。自然的人体表面是变化平缓的，对应的二维频谱幅值将集中在低频部分，且幅值近似服从1/f分布；当人体表面存在其他物体时，其对应的灰度图像会出现灰度值跳变，对应的二维频谱的分布也将发生变化。

对于步骤s5提取子图像二维频谱的特征向量：

提取二维频谱的特征向量具体为，将二维频谱划分成多个扇区，每个扇区提取一个特征数构成特征向量，如此处理可以降低特征向量的维数。如图5所示，在本发明实施例中，将二维频谱划分成8个环，每个扇形张角45°，则二维频谱对应的特征向量只有64维。这种扇区划分的方法，既能体现高频和低频的差别，又能体现频谱不同方向上的差别，因此可以很好地反映频谱的分布特性，且这种频谱特征的提取方法具有运算量小、速度快的优点。

鉴于二维频谱具有中心对称的性质，因此只需要取二维频谱的一半部分特征即可反映出完整的二维频谱的特征，因此，可以选取二维频谱的左半部分，则二维频谱对应的特征向量只有32维。

对于步骤s6对提取出的特征向量进行分类：

对提取出的特征向量进行分类，具体为自动目标识提取出的特征向量，一类为1，表示有目标，一类为0，表示没目标。本发明实施例拟用通过网络进行分类识别，通过反向误差传播法来训练的多层感知机。通常来说，识别图像数据需要10到20层的隐藏层。输出采用sigmoid函数，求得每个子图存在目标的概率。

采集到的人体数据中，存在目标的子图只占全部子图的一小部分，通常一个目标占据的子图数不超过4个。总的来说，大约只有不超过10％的子图能够用来作为神经网络分类器的训练和识别。为了使训练结果更可靠，既不偏向有目标的结果，也不偏向没目标的结果，训练中有目标的子图数和没目标的子图数应该相等。因此，为了具有足够的可用子图数，采集的人体图片应该足够多。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。