奇异值分解在红外小目标背景抑制中的应用.doc

奇异值分解在红外弱小目标背景抑制中的应用 2010010208 张翠翠 （控制科学与工程学院 ×n的实矩阵,且A的秩为r,其中r≤min(m,n),则存在m阶酉矩阵U和n阶酉矩阵V使得A的奇异值分解可用下式来表示: 式中, ∑是r阶对角矩阵,∑=diag(σ1,σ2,…,σr);Um×m=[U1,U2,…,Um],由m维列向量Ui=[u1i,u2i,…,umi]T(i=1,2,…,m)构成;Vn×n=[V1,V2,…,Vn],由n维列向量Vi= [v1i,v2i,…,vni]T(i=1,2,…,n)构成;r是A的非零奇异值个数,其中λi(λ1≥λ2≥…≥λr0)是ATA并且也是AAT的非零特征值的全体;Ui,Vi分别是AAT和ATA对应于非零特征值λi的特征向量。由此,式(1)写成如下形式: 对式(2)可以理解为图像矩阵A的零奇异值没有携带矩阵重构时所需要的重要信息,可以想象那些接近零的奇异值也只含有少量矩阵重构信息,因此重构图像矩阵时可以将其忽略,只利用携带其信息的非零奇异值进行重构即可。 (3) 式中,s(s≤r)表示重构A时所需的奇异值数目。 2.2基于奇异值分解的背景抑制 由于红外探测器接受红外辐射只能反映其空间的明暗程度，红外图像反映在计算机屏幕上的是灰度图像，是一种特殊计算机BMP图像（一般情况下计算机图像处理需要BMP格式的图像），即用黑、白、和介于黑白之间的灰色来反映像素的情况（而不是彩色图像中的色彩）。这正反应了红外辐射规律：温度高、辐射强的地方的亮度高，在图像上像素的反映就更接近白色，反之就越接近黑色。BMP图像是用彩色成分RGB来描述的，即像素的色彩值包含的红、绿、蓝三种颜色的多少，而灰度图像的明暗程度，是用灰色（就是红、绿、蓝三种颜色成分完全相等的颜色）来表示的，这一点在图像处理中是需要注意的。 灰度也可认为是亮度，简单的说就是色彩的深浅程度。实际上在我们的日常生活中，任何颜色都有红、绿、蓝三原色组成通过三原色色彩深浅的组合，可以组成各种不同的颜色。产品能够展现的灰度数量越多，也就意味着这款产品的色彩表现力更加丰富，能够实现更强的色彩层次。例如三原色16级灰度，能显示的颜色就是16×16×16=4096色。 基于上面的分析,可以通过奇异值分解,将原图像在其奇异值分解左奇异矩阵U上作正交投影,就可以将包含弱小目标信息的矩阵分解到一系列奇异值和奇异值矢量对应的子空间中。但是,在式(3)中,重构矩阵时所需的奇异值数目S可以从1~r中选择,它的选择是基于不同的背景复杂度情况,为了确定选取多少个奇异值,这需要通过实验来比较利用不同奇异值数目重构后图像保存目标信号抑制背景噪声的性能,来确定最终选取的重构奇异值数目。因此,定义了偏差指数来确定在不同应用场合精确重构图像时所需的奇异值数目,以达到最佳背景抑制效果。 2.3基于偏差指数的非零奇异值数目选择 偏差指数定义为重构图像各个像素灰度值与原图像相应像素灰度值差的绝对值与原图像相应像素灰度值比值的平均值,其值的大小表示重构图像与原图像平均灰度值的相对差异,它用来反映重构图像与原图像在弱小目标信息上的匹配程度和将原高空间分辨率图像的细节(即目标信息)传递给重构图像的能力,如式(4)所示: 其中,pr为偏差指数,A为原始含有弱小目标的图像, r为使用r个非零奇异值个数,M×N为一帧图像的大小。 在图2中,将原始图像分解后采用不同的奇异值重构,通过大量的统计实验,发现在偏差指数达到0.997时对应的重构图像弱小目标信息保存最好,所获得的背景抑制效果最好。 图2偏差指数和奇异值数目的关系 3、实验结果与分析 3.1评价准则本文选用了五个参数来衡量算法保存目标信号、去除复杂地面背景的有效性。它们是: (a)信噪比SNR =|Gt-Gb|/σbc （5） (b)信噪比增益ISNR =SNRout/SNRin (6) (c)对比度SCR =|Gt-Gb|/|Gt+Gb|×100% (7) (d)对比度增益ISCR =SCRout/SCRin (8) (e)背景抑制因子BSF =σout/σin (9) 式中,Gt,Gb分别是目标的平均灰度值和目标周围区域内灰度值的均值;SNRin,SNRout分别代表输入图像和输出图像的信噪比;SCRin,SCRout分别代表输入图像和输出图像的对比度;σbc是背景加噪声的均方差;σin和σout分别为原始图像的均方差和滤波后图像的均方差。 3.2结果分析 选择了三组有代表性的单目标红外图像序列进行实验验证。实验图像大小为128×128像素,像素灰度8位,信噪比为2以内,对比度为7%左右。基于CPU内存为512 M的PC机,通过matlab7.0强大的图像处理工具包完成