基于K-SVD过度完整词典学习的红外图像去噪外文翻译资料

2012 5th International Congress on Image and Signal Processing (CISP 2012)

Infrared Image De-noising Based On K-SVD Over-complete Dictionaries Learning

Bin Shan

Xirsquo;an Institute of Optics and Precision Mechanics

Chinese Academy of Sciences (CAS)

Xirsquo;an, 710119, CHINA

Graduate University

Chinese Academy of Sciences (CAS)

Abstract—The sparse representation of image based on over-complete dictionaries is a new image representation theory. Using the redundancy of over-complete dictionaries can effectively capture the various structure detail characteristics of an image, so as to realize the efficient representation of the image. In this paper we propose an infrared image de-noising algorithm based on K-SVD over-complete dictionaries learning using the over-complete dictionary image sparse representation theory. The experimental results compared with the common de-noising algorithm processing results prove the effectiveness of the proposed method.

Keywords-over-complete dictionaries; image de-noising;

infrared noise

1. INTRODUCTION

With the increasing maturity of the hardware technology of infrared detectors, infrared guidance and infrared tracking recognition have gradually become important means of optoelectronic countermeasures in modern warfare. The key technology of these means is how to recognize a target from complex background and interference. However, in practical applications, due to the limitations of the optic devices in infrared detectors and the influence of weather conditions, most of the imaging results of the infrared imaging system are not satisfactory. Such shortcomings, like the noise in the image, the poor contrast between target and background and the blurred target boundaries, have a great impact on the subsequent processing, such as image segmentation, feature extraction, target detection, classification identification and tracking. Therefore, it is necessary to implement the infrared image de-noising processing to improve the image quality.

On the basis of the measured data and the detailed analysis of the characteristics of infrared image noise, we propose the K-SVD infrared image de-noising technology based on over-complete dictionaries using the over-complete dictionary image sparse representation theory, which greatly enhances the Signal-to -Noise Ratio of the infrared image compared with the common de-noising methods. Meanwhile, the proposed

Wei Hao

Xirsquo;an Institute of Optics and Precision Mechanics Chinese Academy of Sciences (CAS) Xirsquo;an, CHINA

Rui Zhao

Beijing Institute of Tracking and Telecommunications

Technology (BITTT)

Beijing, CHINA

method retains the details of target in greatest extent. The technology not only establishes a solid foundation for the detection and tracking of infrared targets and the classification and recognition of typical military targets, but also guarantees the successful realization of tactical intentions of infrared detection equipments.

1. THE CHARACTERISTICS OF INFRARED IMAGE NOISE

A Generating Process of Infrared Image

An infrared image is a kind of infrared thermal radiation image which is obtained by utilizing infrared detector to receive the infrared ray of the space object and the background radiation or reflection. The heat exchange between the target and surroundings, the scattering and absorption to thermal radiation, result in the poor contrast between target and background and the blurred target boundaries.

The signal obtained from the infrared detector generates an image by signal processing, which contains three types of information:

1. The target signals: the detection objects, such as aircrafts and missiles, which may pose a threat to security.
2. The background signals: the relatively stable non-target signals which are generated from natural or artificial radiation sources, such as clouds, atmosphere and terrestrial radiation sources.
3. Noise signals: the inherent non-target signals with a statistical distribution, which are generated from the various components that form infrared images, such as optical systems, scanning systems, circuit processing systems and the detectors.

B Characteristics of Infrared Image Noise

Due to the noise source in the components of infrared imaging system, such as the optical system, detector and circuit, the existing form of noises in the infrared images is diverse. In addition to the random flashing grain noise, banded noise is also included in infrared thermal image noises.

978-1-4673-0964-6/12/$31.00 copy;2012 IEEE 316

Random flashing grain noise is mainly caused by the photon fluctuation of infrared background radiation, the photoelectric conversion noise of infrared detector and the additive noise of signal reading and process circuit. However, the banded noise is mainly brought about by the uneven response rate of infrared detector itself, the imaging defects and the clutter interference.

The detector is the main source of the system noise which is the main factor affecting the infrared image quality. At present, in addition to the comprehensive and deep analysis of the detector noise, the theories about the generation mechanism and quantitative analysis of the main types of noise sources have become more mature. It is considered that most noises are in concordance with Gaussian distribution, except for the salt and pepper noise caused by the difference of response of focal plane detector and the non-uniform noise caused by the image uniformity revision. Therefore, the infrared image noises are primarily manifested as impulse noise and Gaussian noise.

Below focus on the infrared image

剩余内容已隐藏，支付完成后下载完整资料

---

基于K-SVD过度完整词典学习的红外图像去噪

宾山

西安光学精密机械研究所

中国科学院（CAS）

西安，710119，中国

研究生大学

中国科学院（CAS）

摘要 - 基于超完备词典的图像稀疏表示是一种新的图像表示理论。 利用过度完整字典的冗余可以有效地捕捉图像的各种结构细节特征，从而实现图像的高效表示。 在本文中，我们提出了一种基于K-SVD超完整字典学习的红外图像去噪算法，该算法使用了超完备的字典图像稀疏表示理论。 实验结果与常用的去噪算法处理结果进行比较，证明了该方法的有效性。

关键词：过完备 字典; 图片 消噪;

红外噪音

1. 介绍

随着红外探测器硬件技术的日益成熟，红外制导和红外跟踪识别已逐渐成为现代战争中光电对抗的重要手段。 这些手段的关键技术是如何从复杂背景和干扰中识别目标。 然而，在实际应用中，由于红外探测器中光学器件的局限性和天气条件的影响，红外成像系统的大部分成像结果并不令人满意。 图像中的噪声，目标与背景之间的差异以及模糊的目标边界等缺点，对后续处理如图像分割，特征提取，目标检测，分类识别和跟踪等都有很大的影响。 因此，需要实施红外图像去噪处理以提高图像质量。

在实测数据的基础上，详细分析了红外图像噪声的特点，提出了基于超完备词典的K-SVD红外图像去噪技术，利用超完备的字典图像稀疏表示理论，与常用的去噪方法相比，增强了红外图像的信噪比。 同时，建议

魏昊

中国科学院西安光学精密机械研究所中国科学院西安光学精密机械研究所

赵瑞

北京跟踪和电信研究所

技术（BITTT）

中国北京

方法最大限度地保留了目标的细节。 该技术不仅为红外目标的检测跟踪和典型军事目标的分类识别奠定了坚实的基础，而且保证了红外探测设备战术意图的成功实现。

1. 红外图像噪声的特征

A 红外图像的生成过程

红外图像是利用红外探测器接收空间物体的红外线和背景辐射或反射而获得的一种红外热辐射图像。 目标与周围环境之间的热交换以及热辐射的散射和吸收导致目标与背景之间的对比度差以及模糊的目标边界。

从红外探测器获得的信号通过信号处理产生图像，其包含三种类型的信息：

1. 目标信号：可能对安全造成威胁的检测对象，例如飞机和导弹。
2. 背景信号：由自然或人造辐射源（如云，大气和地面辐射源）产生的相对稳定的非目标信号。
3. 噪声信号：由形成红外图像的各种组件（如光学系统，扫描系统，电路处理系统和检测器）生成的具有统计分布的固有非目标信号。

B 红外图像噪声特性

由于红外成像系统组件中的噪声源，如光学系统，探测器和电路等，红外图像中存在的噪声形式多种多样。 除了随机闪烁的颗粒噪声外，带状噪声还包括在红外热像噪声中。

随机闪烁粒子噪声主要由红外背景辐射的光子涨落，红外探测器的光电转换噪声以及信号读取和处理电路的附加噪声引起。 然而，带状噪声主要是由红外探测器本身的响应速度不均匀，成像缺陷和杂波干扰等因素造成的。

检测器是影响红外图像质量的主要因素的系统噪声的主要来源。 目前，除了对探测器噪声进行全面和深入的分析外，关于噪声源主要类型的产生机理和定量分析的理论已经越来越成熟。 除了由焦平面探测器的响应差异引起的椒盐噪声和由图像均匀性修正引起的非均匀噪声之外，大部分噪声与高斯分布一致。 因此，红外图像噪声主要表现为脉冲噪声和高斯噪声。

下面重点介绍基于超完整词典的红外图像去噪算法。

三 超完整的字典去噪算法

A 稀疏理论

目标信息的有效表示是红外信号去噪的基础。 有效表示是指利用较少的系数（即稀疏表示能力）捕获感兴趣的目标信息的能力。

信号稀疏分解是指从超完备字典中选择一组能够最好地线性表示原始信号的原子，该原始信号可以表示为一种近似过程

其中f_m是f的近似信号，f_r是残差分量，d_k是超完整字典DR^NK的原子，a是系数矩阵。

在稀疏表示方面，最小化系数

1. 并且同时最小化残余f_r，它遵循最优函数

其中//₀是l⁰范数，计算一个向量的非零条目，// //₂是l²范数。

解决这样一个最优问题是一个NP难题。 B过度完整的词典构建

超完整词典的设计是信号稀疏表示的基本前提。 给定一组

训练样本，我们在最小化近似误差的情况下，寻找导致该组中每个成员的最佳稀疏表示的字典。 目标函数可以表示为

其中T₀是数字的上界

稀疏表示的系数的非零项，即系数向量的最多样化因子，

Y表示训练样本矩阵，其每一列对应于训练样本，D是冗余字典，其每一列对应于一个原子，

1. 是表示系数矩阵。

上述公式实际上是一个迭代过程。 首先，假设D是固定的，我们用一般外部正交基础初始化字典。 然后我们构建训练样本组进行学习。 最后，我们训练并更新字典以更好地适合数据。

字典的更新由列完成。 假设X和D都是固定的，我们只对字典d_k中的一列和系数提出质疑

对应于它，X中的k行，记为X_TK。目标函数可以写成

矩阵E_k代表k个原子被去除时所有N个例子的误差。

定义X_RK 作为一个 新的矢量 哪一个 收缩 该行

矢量X_TK通过丢弃零条目。 类似地，Y_TK包括当前使用d_k原子的例子的子集。 E_k也会发生同样的效果。 新的矢量

E_的kR丢弃零条目意味着选择对应于使用原子d_k的例子的错误列。式（4）等同于最小化

到E_RK= U V^T。我们将d_k的解决方案定义为第一个

317

U的列，以及系数向量X_RK作为V乘以（1,1）的第一列。

C 去噪实施

由于影响红外图像的主要噪声是正噪，所以观测模型可表示为

Rx= Rsn

（6）

其中n是零均值的高斯白噪声。

由于基于超完整词典的信号稀疏分解，重构过程实际上是一个近似过程。

因此，我们可以指定实现红外信号去噪的近似残差。

设^sigma;表示噪声的标准偏差; 信号重构过程可以表示为

它可以在红外图像去噪方面达到很好的效果。

IV. 实验结果分析与比较

A 实验结果分析

这里给出的结果是基于一个典型的测量坦克红外图像。图像显示在（一）。 按照上述步骤，我们选择MATLAB来实现该算法。 比较不同字典大小的结果，最后选择16times;16子图像块。 去噪结果如下所示：

（a）测量数据

（b）超完整的字典

（c）去噪处理的图像

图1。 基于K-SVD的红外图像处理实验结果

结果表明，消噪图像明显抑制噪声，同时在一定程度上增强了目标，保留了目标细节，有利于目标提取。

我们引入SNR（信噪比）来评估结果。 图像SNR被定义为

SNR 		Gt	- Gb		（9）
			sigma;b

其中G_t是目标的平均灰度，G_b是目标邻域背景的平均灰度，sigma;_b是目标邻域背景的标准差。

信噪比主要反映目标与背景的相关性。 相关性随着信噪比的降低而单调递增，信噪比越小，目标与背景之间的相关性越强，图像的恶化程度越严重。

318

（a）原始的三维图像

（b）去噪的三维图像

图2。 比较原始图像和去噪图像

通过实验前后图像的信噪比计算，可以定量测量图像信噪比改进的去噪算法。 原始图像信噪比为24.28dB，去噪图像信噪比为49.24dB。 实验表明，该算法显着提高了红外图像的信噪比。

B 实验结果比较

目前常用的红外图像去噪方法如下。

• 均值滤波：也称为线性滤波。 它基于邻域平均的主要思想，该算法将中心像素灰度级替换为其附近的多个像素灰度级的平均值。 该方法能有效抑制加性噪声，但容易造成图像模糊。 但是，可以通过避免场景边缘的平滑处理来改进该方法。
• 中值滤波：基于序列和统计理论的非线性平滑滤波信号处理技术，可有效抑制噪声。 该方法克服了线性滤波器带来的图像细节模糊问题，有效地抑制了脉冲干扰和椒盐噪声。 但是，由于很多重要的信息，它不会对高斯噪声产生影响

如窄边界和边界可以忽略不计，虚警概率较高。

• 维纳滤波：可以使原始图像与恢复图像之间的均方误差最小化的恢复方法。 它是一种自适应滤波器。 该方法可以根据局部方差调整滤波效果，有效去除高斯噪声。
• 小波变换：作为多尺度几何分析理论的起源，小波分析已经广泛应用于红外图像去噪。 小波变换具有将图像解剖到不同频域的优点，从而通过使用不同的算子来保留包含来自重建图像的目标信号的图像。 通过利用小波变换的频率选择和多尺度分解特性可以抑制背景噪声，但如果选择复杂的小波基，计算复杂度可能会增加。

这几种方法分别用于处理图1。 结果如图3所示。表1中列出了使用均值滤波器，中值滤波器和小波滤波器以及原始图像的去噪图像的信噪比。

图3。 常规去噪方法的结果

表I.		不同消除噪声方法的比较
	去噪方法		SNR（dB）的
0		原版的	24.28
1		赢家过滤器	31.75
2		中值滤波器	31.71
3	小波变换<!-- 剩余内容已隐藏，支付完成后下载完整资料 资料编号：[23855]，资料为PDF文档或Word文档，PDF文档可免费转换为Word