一种无人机侦察图像压缩方法
阅读：173发布：2020-05-14
专利汇可以提供一种无人机侦察图像压缩方法专利检索，专利查询，专利分析的服务。并且本 发明 公开一种无人机侦察图像压缩方法，前提是无人机针对的对象大多是军车，碉堡这类外形呈规则图形的对象，在压缩处理前，无人机侦察图像的感兴趣侦察目标区域和背景区域已完全实现了分离，两者之间互不影响，对这两部分可以自由选择合适的压缩方法。本发明无人机侦察图像压缩方法对感兴趣区域和背景区域分开选择不同的比特率，保证感兴趣侦察目标区域小压缩比压缩，背景区域大压缩比压缩。同时，这个分割压缩方法也可自由选择压缩比的大小，实现自由调整目标和背景的图像 质量 。也可以根据设备传输带宽的要求，自由调整侦察目标和背景区域的压缩比特率，来满足无人机侦察图像的压缩要求。同时区域恢复质量越好，其对应区域的峰值 信噪比 也越大。，下面是一种无人机侦察图像压缩方法专利的具体信息内容。
1.一种无人机侦察图像压缩方法，其特征在于：包括如下步骤
一、感兴趣目标的检测
利用Canny边缘检测算子来找到图像物体的边缘轮廓曲线，再依据侦察目标图形的规则性特点，处理这些边缘轮廓曲线，确定出无人机侦察图像的侦察目标；
①首先对原始无人机侦察图像作平滑滤波处理时，选择二维高斯函数G(x,y)及其一阶导数G′(x,y)与原始无人机侦察图像f(x,y)作卷积运算，对G(x,y)离散化，记作G(i,j)P(i,j)＝G(i,j)*f(i,j) (1)
Q(i,j)＝G′(i,j)*f(i,j) (2)
②求梯度的幅值和方向，对上述卷积结果求梯度，再分别提取出x,y方向上的一维梯度矢量
由式(3)可以得到在点(i,j)处的梯度方向θ(i,j)
由式(4)与式(5)得到在点(i,j)处的梯度幅值M(i,j)
M(i,j)＝[Qy·sin(θ(i,j))+Qx·cos(θ(i,j))] (6)
③对梯度幅值进行非极大值抑制；
④双阈值处理和边缘连接
Th＝k×(Eave/Fave) (7)
其中，Th为所求的高阈值，fm(i,j)为像素点(i,j)的灰度值，Eave，Fave，Lw和Lh分别为图像的平均方差、平均灰度值、图像的宽度和高度，参数k位于(0.2,0.5)，低阈值的选取Tl＝0.4×Th；
二、目标与背景分离
找到侦察目标后，确定侦察目标所在的小区域矩形范围作为无人机侦察图像的感兴趣区域R，同时记载下感兴趣区域的坐标位置信息，判断无人机侦察图像的每个像素是否属于区域R，将原始无人机侦察图像分离成感兴趣区域(ROI)和背景区域(BG)两个部分；
(1)分离出感兴趣区域，对原始无人机侦察图像进行从左到右、从上到下的顺序扫描，判断图像的每一个像素点(x,y)是否属于区域R，其中R是根据检测到的侦察目标的位置信息所得到的矩形感兴趣区域，该矩形的上顶点为(minx,miny)，下顶点为(maxx,maxy)；
对扫描获取到的每一个像素点(x,y)，判断分析是否属于R，如果(x,y)∈R，则保持其原本的灰度值f(x,y)；反之 则令其灰度值f(x,y)为0，一直扫描至图片结束，最后显示被处理过的图像，即只包含图像感兴趣区域的子图
(2)分离出背景区域，从点(minx,miny)开始从左到右，从上到下依此扫描，当扫描到点(maxx,miny)时，换行，即再从点(minx,miny+1)开始，依此类推，一直到扫描到点(maxx,maxy)为止，由于在扫描过程中，取到的像素点都在图像感兴趣区域内，则只需将这些取到的像素点的灰度值f(x,y)置0，最后显示处理之后的图像，即只包含背景区域的子图经过以上分离步骤，实现了无人机侦察图像的感兴趣区域(ROI)和背景区域(BG)相分离；
三、图像的压缩编码
步骤1、初始化
计算n的值， 初始化重要系数列表LSP为空列表，将所有属于集
合RROOT∪RLL的节点(i,j)存放至不重要系数列表LIP中，再将所有属于集合RROOT的节点(i,j)存放至不重要集合列表LIS中，并看作是A类元素，其中LSP为重要系数表，LIP为不重要系数表，LIS为不重要集合表；
步骤2、排序
2.1、计算列表LIP中所有节点(i,j)的重要函数Sn(i,j)
若Sn(i,j)＝1，则将节点(i,j)加入列表LSP中，同时输出其对应小波系数C(i,j)的符号位；
2.2、分析列表LIS中的所有节点(i,j)
A.若节点(i,j)是一个A类元素，计算出它的重要函数值Sn(D(i,j))；若Sn(D(i,j))＝1，则：
a.计算集合O(i,j)中所有节点(k,l)的重要函数值Sn(k,l)
若Sn(k,l)＝1，则将节点(k,l)存放至列表LSP中，同时输出其对应小波系数C(k,l)的符号位，
若Sn(k,l)＝0，则将节点(k,l)存放至列表LIP的尾部；
b.若集合L(i,j)是一个空集，即L(i,j)≠φ，就将节点(i,j)存放到列表LIS的尾部，并看作是B类元素，然后继续进行步骤B处理；否则就把节点(i,j)从列表LIS中删除；
B.若节点(i,j)是一个B类元素，计算出它的重要函数值Sn(L(i,j))，若Sn(L(i,j))＝1，就将所有属于集合O(i,j)的节点(k,l)以A类元素存放至LIS的尾部，同时把节点(i,j)从列表LIS中转移出来；
步骤3、渐进
计算列表LSP中所有节点(i,j)所对应的小波系数C(i,j)的绝对值|C(i,j)|，并将其第n位的比特值输出；
步骤4、阈值更新
设n＝n-1，同时再转回步骤2进行下一级编码扫描；其中：C(i,j)：小波变换系数；O(i,j):节点(i，j)所有孩子的坐标集；D(i,j):节点(i，j)所有子孙的坐标集；重要函数Sn(i,j)：指Sn(X),其中(i，j)∈X；
四、数据传输
压缩后，将两部分的压缩数据信息以及感兴趣区域的坐标位置信息组合一起，进行打包，通过无线信道传送至地面接收站；
五、图像的重构
接收到图像数据信息后，先进行解压缩操作，再根据感兴趣区域的坐标位置，合成感兴趣区域子图和背景区域子图，重构出原始无人机侦察图像。
一种无人机侦察图像压缩方法
技术领域：
[0001] 本发明涉及一种无人机侦察图像压缩方法，其属于无人机侦察领域。背景技术：
[0002] 图像之所以能够被压缩是因为图像的数据信息中除了有效信息外，还包含有大量的冗余信息。在实际应用中，人们往往只对其中的某一部分比较关心注意，而对剩余部分的内容不是很感兴趣。也就是说，在处理图像时，由于用户主观应用的目的不同，则对应了整个图像不同区域的感兴趣程度也不同。然而，从图像中获取有用信息时仍需要非感兴趣区域的大量信息。则在编码时，既不能对整幅图像采用相同的编码方式等同处理，也不能只传输感兴趣内容。所以，只能对图像的感兴趣区域和非感兴趣区域进行不同的编码处理，才可能获得最佳的编码效果。实际处理时，人们总希望自己关心的内容能够相对于其余部分得到更好的压缩效果。
[0003] 基于感兴趣区域(ROI)的图像压缩编码是目前压缩编码领域的研究热点和难点。它可以实现图像感兴趣区域的压缩质量高于图像背景区域的压缩质量，能够满足人们对图像的要求。基于感兴趣区域编码技术的研究已经取得了许多有价值的研究成果，特别是JPEG2000标准中提出的感兴趣区域(ROI)编码标准，即最大位移法(Max-shift)和一般位移法(Generic-scaling-based)，这给基于感兴趣区域编码技术的发展奠定了坚实的基础。
[0004] 国外关于感兴趣区域压缩的研究较多，主要集中在小波系数平移思想的改进和将标准中的两种方法与不同编码算法相结合。国内关于感兴趣区域编码的研究也在日益增长，但是绝大多数都是集中在JPEG2000标准的研究上，还处于初级阶段。目前，国内外针对感兴趣目标区域的压缩算法主要有：
[0005] ①采用JPEG2000标准中提出的两种感兴趣区域(ROI)编码算法：Max-shift和Generic-scaling-based。前者需要对感兴趣区域的形状进行精确编码，增加了编/解码的复杂度；后者缺乏定义感兴趣区域任意偏移量的灵活性，不能灵活调节感兴趣区域和背景区域重构图像质量的对比度。
[0006] ②为了克服前两种算法的缺点，Zhou Wang等人提出了依据这两种算法思想的改进型算法——Bitplane-by-Bitplane Shift，改进型算法可以实现对任意形状的感兴趣区域编码，且能够调节感兴趣区域和背景区域重构图像质量的对比度，但本质上还是对Max-shift算法的推广。
[0007] ③2003年Lijie Liu等人又提出了一种新的改进型平移算法(Significant Bitplane Shift)，它除了具备Bitplane-by-Bitplane Shift算法的优点外，还能根据不同的优先级实现对多个感兴趣区域的编码。
[0008] ④Claudio.M根据人眼的视觉特性提出了为获取感兴趣区域而采取的提取局部极大值的六种图像处理算法。后来他又补充了基于小波变换的算法、基于离散DCT变换的算法、基于先Gaussian滤波再Laplace变换的算法和统计7×7区域模板匹配的结果的算法。
[0009] ⑤Jerome M.Shapiro提出了嵌入式小波位编码算法，主要有嵌入式零树小波变换算法(EZW)和多级数集合分裂算法(SPIHT)，将感兴趣目标小波系数压缩处理后的编码流放置在整个压缩文件的前端，先于背景区域小波系数压缩处理后的编码流。发明内容：
[0010] 本发明提供一种无人机侦察图像压缩方法，其能够解决目标区域的恢复质量和图像压缩比之间的矛盾，能够很大程度上满足无人机侦察的需求。
[0011] 本发明采用如下技术方案：一种无人机侦察图像压缩方法，其包括如下步骤[0012] 步骤1、初始化
[0013] 计算n的值， 初始化重要系数列表LSP为空列表，将所有属于集合RROOT∪RLL的节点(i,j)存放至不重要系数列表LIP中，再将所有属于集合RROOT的节点(i,j)存放至不重要集合列表LIS中，并看作是A类元素；
[0014] 步骤2、排序
[0015] 2.1、计算列表LIP中所有节点(i,j)的重要函数Sn(i,j)
[0016] 若Sn(i,j)＝1，则将节点(i,j)加入列表LSP中，同时输出其对应小波系数C(i,j)的符号位；
[0017] 2.2、分析列表LIS中的所有节点(i,j)
[0018] A.若节点(i,j)是一个A类元素，计算出它的重要函数值Sn(D(i,j))；若Sn(D(i,j))＝1，则：
[0019] a.计算集合O(i,j)中所有节点(k,l)的重要函数值Sn(k,l)
[0020] 若Sn(k,l)＝1，则将节点(k,l)存放至列表LSP中，同时输出其对应小波系数C(k,l)的符号位，
[0021] 若Sn(k,l)＝0，则将节点(k,l)存放至列表LIP的尾部；
[0022] b.若集合L(i,j)是一个空集，即L(i,j)≠φ，就将节点(i,j)存放到列表LIS的尾部，并看作是B类元素，然后继续进行步骤B处理；否则就把节点(i,j)从列表LIS中删除；
[0023] B.若节点(i,j)是一个B类元素，计算出它的重要函数值Sn(L(i,j))，若Sn(L(i,j))＝1，就将所有属于集合O(i,j)的节点(k,l)以A类元素存放至LIS的尾部，同时把节点(i,j)从列表LIS中转移出来；
[0024] 步骤3、渐进
[0025] 计算列表LSP中所有节点(i,j)所对应的小波系数C(i,j)的绝对值|C(i,j)|，并将其第n位的比特值输出；
[0026] 步骤4、阈值更新
[0027] 设n＝n-1，同时再转回步骤2进行下一级编码扫描。
[0029] 本发明具有如下有益效果：本发明无人机侦察图像压缩方法选择的是一种分割压缩方法，在压缩处理前，无人机侦察图像的感兴趣侦察目标区域和背景区域已完全实现了分离，两者之间互不影响，因此对这两部分可以自由选择合适的压缩方法。本发明无人机侦察图像压缩方法对感兴趣区域和背景区域分开选择不同的比特率，保证感兴趣侦察目标区域小压缩比压缩，背景区域则大压缩比压缩。同时，这个分割压缩方法也可以自由选择压缩比的大小，实现了自由调整目标和背景的图像质量。也可以根据设备传输带宽的要求，自由调整侦察目标和背景区域的压缩比特率，来满足无人机侦察图像的压缩要求。同时区域恢复质量越好，其对应区域的峰值信噪比也越大。附图说明：
[0030] 图1为加有噪声的图像。
[0031] 图2为无噪声的图像。
[0032] 图3为封闭曲线。
[0033] 图4为提取感兴趣区域。
[0034] 图5为基于感兴趣区域分割压缩方法的原理框图。
[0035] 图6为本发明无人机侦察图像压缩方法仿真结果。
[0036] 图7为与一般位移法和SPIHT法仿真结果的对比。
[0037] 图8为无人机侦察图像压缩方法的处理流程图。具体实施方式：
[0038] 下面结合附图和实施例对本发明作进一步详细说明。
[0039] 无人机侦察图像是无人驾驶飞机在空中向地面拍摄，而获取到的图片，也就类似于人在高空飞翔的飞机上，向地面拍摄照片。对有人机来说，人们可以直接从拍取到的图片中获取相关信息；而对无人机来说，需要将拍摄到的图片由空中传输到地面站后，才能人为从中获取到相关信息。因此，对于无人机拍摄到的图片，我们需要将其压缩处理后，再传送至地面，由地面工作人员处理后再来获取其中的信息。
[0040] 由于无人机飞行高度较高，速度快，机载传感器视场角较大，所以无人机侦察图像中目标像素小且数量大，帧内相关性即空间相关性较其他普通图像差，帧间相关性即时间相关性也不强。无人机在军事方面的一些应用，是想要从拍摄到的图片中获取一些军事情报信息，同时对整幅图像来说，人们比较关心其中的某一部分区域。在一幅由无人机拍摄到的图像中，一般会是一些军事设备物体包含了军事情报信息，比如说军车、坦克、碉堡等。因此，对于无人机侦察图像来说，人们会比较关心其中的军事目标部分。然而由于这个无人机侦察图像是无人机在高空中拍摄的，军车、坦克、碉堡等这些军事目标会在图片中显示的很小，也就是说，在无人机侦察图像中，人们所关心的军事侦察目标只占据了整幅图像的小部分区域。
[0041] 对涵盖军事信息的无人机侦察图像来说，其中的军事侦察目标比较小，只占了小部分区域。而剩余的大范围区域则是一些山川、道路、树木等自然环境风景设施，人们对这些内容不是很关心，这些内容一般作为参照信息，后续判断军事侦察目标所处的地理位置。实际获取这类无人机侦察图像时，人们希望解压缩后，其中的感兴趣侦察目标部分能够清楚辨认，而剩余的背景部分则要求不是很高，能有个参考价值即可。
[0042] 对这种无人机侦察图像来说，我们希望对其采用一种压缩处理方法，使得它的感兴趣侦察目标部分高质量重现，同时整幅图像的数据量也得到一定的减少。一般普通的压缩方法基本是对整幅图像进行同等程度的压缩，由于在无人机侦察图像中，其中的侦察目标区域是一个小范围区域，若要保证该侦察目标高质量重现，则选择的压缩比就很有限，难以满足大量减少图像的数据量；若要使得图像的数据量被大量减少，则选择的压缩比就会较大，难以保证其中的侦察目标能够高质量重现。因此，普通压缩方法不适合无人机侦察图像，不能满足无人机侦察图像的要求。针对这个要求，希望能有一种针对感兴趣区域的压缩方法，在处理时，对无人机侦察图像的感兴趣侦察目标区域采用小压缩比压缩甚至是无损压缩，保证感兴趣侦察目标的高质量重现，而对其背景区域则采用大压缩比压缩，使得图像的数据量大大减少。
[0043] 总的来说，一般新闻图像是其中的大范围区域携带主要信息，而无人机侦察图像是其中的小范围区域携带主要信息。依据无人机侦察图像的压缩要求，采用一种适合的压缩方法。对无人机侦察图像来说，要求在无人机侦察图像的侦察目标清晰重构的同时，整幅无人机侦察图像的数据量也得到了大大的减少。
[0044] 本发明基于感兴趣区域分割压缩方法的原理主要包括以下几个方面：
[0045] 一.感兴趣区域的提取。本发明针对的是无人机侦察图像，并且针对的这些无人机侦察图像的侦察目标都是军车、碉堡、坦克等军事设备，这些目标都是规则型图形，而图像中的大区域自然背景则不具备规则性。在感兴趣区域提取阶段，需要利用某种方法来找到整幅无人机侦察图像中特定特点的感兴趣目标物体，找到这个物体后，确定物体所在的一小块区域为无人机侦察图像的感兴趣区域，从而提取到无人机侦察图像的感兴趣侦察目标区域。
[0046] 感兴趣区域的提取主要有Roberts边缘检测，Sobel边缘检测，Prewitt边缘检测，Canny边缘检测等。通过比较分析，本发明选择利用Canny边缘检测算子来找到图像物体的边缘轮廓曲线，再依据侦察目标图形的规则性特点，处理这些边缘轮廓曲线，确定出无人机侦察图像的侦察目标。经典的Canny边缘检测算法是用高斯函数进行平滑滤波。图像平滑滤波的目的是提高信噪比，消除噪声。但是在对无人机侦察图像作高斯平滑处理时，边缘作为高频成分会被平滑掉，同时一些低强度的边缘也会被滤掉。同时，Canny检测过程中需要高低阈值处理，连接边缘，因此高低阈值的选取也很重要。选择稍作改进的Canny边缘检测算法对无人机侦察图像处理，找到无人机侦察图像的图形边缘轮廓信息。
[0047] ①首先对原始无人机侦察图像作平滑滤波处理时，选择二维高斯函数G(x,y)及其一阶导数G′(x,y)与原始无人机侦察图像f(x,y)作卷积运算。实际计算过程中，要对G(x,y)离散化，记作G(i,j)。
[0048] P(i,j)＝G(i,j)*f(i,j) (1)
[0049] Q(i,j)＝G′(i,j)*f(i,j) (2)
[0050] ②求梯度的幅值和方向。对上述卷积结果求梯度，再分别提取出x,y方向上的一维梯度矢量。
[0051]
[0052]
[0053] 由式(3)可以得到在点(i,j)处的梯度方向θ(i,j)。
[0054]
[0055] 由式(4)与式(5)得到在点(i,j)处的梯度幅值M(i,j)。
[0056] M(i,j)＝[Qy·sin(θ(i,j))+Qx·cos(θ(i,j))] (6)
[0057] ③对梯度幅值进行非极大值抑制。
[0058] ④双阈值处理和边缘连接。高低阈值的选取很重要，直接决定检测到的边缘信息的多少和边缘的连续性。局部方差反映的是图像的局部变化情况，为得到图像的整体变化情况，利用图像的平均方差作为高阈值参数之一。若仅考虑图像的灰度变化，而不考虑图像自身像素点的灰度值，边缘检测效果也不好。所以，图像的平均灰度值也可作为高阈值参数之一。
[0059] Th＝k×(Eave/Fave) (7)
[0060]
[0061]
[0062] 其中，Th为所求的高阈值，fm(i,j)为像素点(i,j)的灰度值，Eave，Fave，Lw和Lh分别为图像的平均方差、平均灰度值、图像的宽度和高度。参数k位于(0.2,0.5)，低阈值的选取Tl＝0.4×Th。
[0063] 确定了高低阈值后，依据这两个阈值连接图像边缘轮廓曲线。
[0064] 用改进后的Canny算法对军车图像，同时也在原始图像中加入噪声密度为0.02的椒盐噪声。检测结果如下图1和图2所示。由图1和2结果，可以看出改进的Canny算法，在保持传统Canny算法优点的同时，避免了一些弱边缘的丢失，并且其在抑制噪声方面，也有一定的改善。在选择高低阈值时，根据图像的均值和方差确定高低阈值，这样避免了人为设定的局限性，可以自动计算出高低阈值。
[0065] 用改进前后的Canny算法对无人机侦察图像、Lena图像和碉堡图像处理，同时也在原始图像中加入噪声密度为0.02的椒盐噪声。首先找到无人机侦察图像的边缘轮廓曲线，通过上述稍作改进的Canny算法找到图形的边缘轮廓曲线之后，利用八邻域搜索法判断这些找到的边缘轮廓曲线的封闭性，最后再判断找到的封闭轮廓曲线是否具备规则性特点，最终确定这个规则封闭曲线所在的区域为整幅无人机侦察图像的感兴趣区域，然后确定封闭曲线。封闭，顾名思义，也就是闭合，没有缺口。本发明中，是想要先找到规则军事目标所在的区域，然后分离图像的目标和背景，再实施后续的压缩处理。经过上述稍作改进的Canny算法的处理之后，已经获取到了无人机侦察图像的边缘轮廓曲线。为了找到其中的规则图形区域，需要先找到某个轮廓曲线，再去判断该轮廓曲线围成的是否是一个规则图形。因此需要从找到的所有边缘轮廓曲线中，只保留一些封闭的轮廓曲线。
[0066] 实验处理时，对无人机侦察图像的图形边缘轮廓曲线图像作后续处理，根据确定点的八领域信息来找到其中的封闭曲线。其具体算法依据为：①设点p(x,y)是图像边缘的起始点A0；②由逆时针方向扫描当前像素点的3×3邻域，直至遇到与定点灰度值一致的像素点，这就是新的图像边缘点An；③当扫描到的后续边界点An即为起始定点(封闭轮廓)，或者后续边界点An没有了相连接的后续边界点(非封闭轮廓)，结束扫描；④记录得到的封闭轮廓，舍弃非封闭轮廓，再搜索其他边缘轮廓直至图像结束。
[0067] 然而，在实际处理时，由于无人机侦察图像是无人机在高空中拍摄的图片，其中的军事侦察目标所占的区域也比较小，这样在作轮廓检测处理时，可能其轮廓不是非常突出。有可能会导致实际找到的轮廓曲线并不完全闭合，但是其中的军事侦察目标也具备一定的大小尺寸，因此，在搜索闭合曲线时，对上述搜索算法依据作了一些弹性的处理。当某曲线的终点和起点不重叠时，当满足下式时，可以初步确定这条曲线时闭合的。
[0068]
[0069] 式中，d为终点和起点之间的距离，这里的距离按照像素点坐标来计算，sum为从起点到终点这条曲线上所有像素点之和。其中距离d的范围限制10，是在实际处理过程中预选的一个数值。虽然无人机侦察图像的军事侦察目标所占的区域比较小，但该军事目标的边缘轮廓也具备一定的尺寸大小。实际处理过程中，为其设定了一个尺寸大小范围，即其长宽或半径的尺寸范围为[20,80]。根据尺寸范围，可知军事目标物体轮廓的最小周长为80，除去最大空缺距离10，则上式中的sum至少为70，因此sum和d的比值至少为7。
[0070] 处理结果如下图3所示。
[0071] 再规则性判断。得到了封闭曲线后，就可以通过判断这些封闭曲线的规则性来确定其中的规则图形，从而找到感兴趣区域。根据图形的几何不变矩性质，可知规则图形的周长和面积之间有一定的比例关系，因此我们可以根据这个特性判断检测得到的封闭轮廓是否为规则图形。
[0072] 矩特征主要表征了图像区域的几何特征。设一幅图像为f(x,y)，则f(x,y)的(p+q)阶几何矩为：
[0073] Mpq＝∫∫xpyqf(x,y)dxdy,p,q＝0,1,2,…(11)
[0074] 则该物体的形心：
[0075]
[0076] 中心矩：
[0077]
[0078] 如果处理图像是离散图像，则其几何矩：
[0079]
[0080]
[0081] 对于二值图像，当(i,j)为物体内部点时，f(i,j)＝1，则对其他点为f(i,j)＝0。其中M00表示二值图像中物体的面积。
[0082]
[0083] 即封闭轮廓图形包含的所有像素之和为图形的面积s。
[0084] 因为图形的几何不变矩性质，规则图形的周长和面积之间存在一定比例关系，本专利采用的比例公式是l2/s，其中l为周长，即封闭轮廓图形的周边像素和，s为图形面积，即封闭轮廓图形包含的所有像素之和。从上到下，从左到右，对读入的封闭曲线区域进行逐点扫描，记录边缘轮廓像素点之和l及封闭区域内部所有像素点之和m，l表示图形的周长，s＝(l+m)表示图形的面积。则比例计算公式为：
[0085]
[0086] 实际处理时，可能读取到的封闭曲线并不是完全封闭，可能存在缺口，在计算其周长和面积之前，需先将这个空缺口补上，使之完全闭合。虽然其中的军事侦察目标在整幅无人机侦察图像中只占据了小块区域，但该军事目标的边缘轮廓也具备一定的尺寸大小。本专利针对的是包含军事侦察目标(坦克、军车、碉堡)的无人机侦察图像，实际处理这类无人机侦察图像时，为其中的军事目标设定了一个尺寸大小范围，即其长宽或半径的尺寸范围为[20,80]。在这个尺寸范围条件下，对矩形来说，其周长范围[80,320]，面积范围[400,6400]；对圆形来说，其周长范围[40π,160π]，面积范围[400π,6400π]。综合两者，周长的范围[80,160π]，面积的范围[400,6400π]。因此在判断周长和面积的比例关系之前，需先满足式(18)
[0087]
[0088] 实验过程中，根据r值的大小可以判断检测到的封闭区域是否为规则图形。本专利中，用户对无人机侦察图像中的军事侦察目标比较感兴趣，希望找到军事侦察目标所在的区域，并且这个区域就是无人机侦察图像的感兴趣区域。当16≤r≤25时，推断被处理的封闭轮廓是一个矩形形状，即对应军车或者坦克。当r＝4π时，推断被处理的封闭轮廓是一个圆形形状，即对应碉堡。
[0089] 对图3的封闭轮廓图形进行判断，判断这些图形是否为规则图形，保留规则封闭轮廓，放弃非规则封闭轮廓。得到图像中的规则区域后，根据所选规则图形所有像素点的坐标位置，得到以最小的横坐标与最小的纵坐标形成的像素点(minx，miny)及以最大的横坐标与最大的纵坐标形成的像素点(maxx，maxy)。确定由上顶点(minx，miny)和下顶点(maxx，maxy)形成的矩形区域作为需要提取的感兴趣区域，作为我们所需要的无人机侦察图像的感兴趣军事目标区域。
[0090] 处理结果如图4所示。如上图所示，图4(a)表示在军车图像中，最终确定了其中的感兴趣军车目标区域，图4(b)表示在碉堡图像中，最终确定了其中的感兴趣碉堡目标区域，即确定了感兴趣区域。
[0091] 然后将感兴趣的区域和背景区域分离已经找到了无人机侦察图像中的感兴趣军事侦察目标区域，确定这个军事目标所在的一个矩形区域作为图像的感兴趣区域，也就是已明确了图像的感兴趣区域和背景区域，下面就需要将原图像的感兴趣区域(ROI)和背景区域(BG)相分离。
[0092] 二、图像的分离。找到侦察目标后，确定侦察目标所在的小区域矩形范围作为无人机侦察图像的感兴趣区域R，同时记载下感兴趣区域的坐标位置信息。判断无人机侦察图像的每个像素是否属于区域R，将原始无人机侦察图像分离成感兴趣区域(ROI)和背景区域(BG)两个部分。
[0093] 本发明选择的分离方法是基于区域思想的一种分离方法。
[0094] 基于区域思想来分离区域也就是将具备相似性质的一些像素点连通起来，实现图像各个不同区域的分离。实验处理过程中该分离的具体描述如下：
[0095] (1)分离出感兴趣区域。对原始无人机侦察图像进行从左到右、从上到下的顺序扫描，判断图像的每一个像素点(x,y)是否属于区域R(其中R是根据检测到的侦察目标的位置信息所得到的矩形感兴趣区域，该矩形的上顶点为(minx,miny)，下顶点为(maxx,maxy)。
[0096] 对扫描获取到的每一个像素点(x,y)，判断分析是否属于R。如果(x,y)∈R，则保持其原本的灰度值f(x,y)；反之 则令其灰度值f(x,y)为0。一直扫描至图片结束，最后显示被处理过的图像。即只包含图像感兴趣区域的子图。
[0097]
[0098] (2)分离出背景区域。可以同理依照上面的步骤处理，只是保持背景区域像素点的原本灰度值，而将感兴趣区域像素点的灰度值置0。但由于感兴趣区域范围较小，即需要置0的像素点数量有限，可以将上述方法稍作改进，减少一些计算量。
[0099] 在这个过程中，对原始无人机侦察图像，可以只扫描感兴趣区域，也就是从点(minx,miny)开始从左到右，从上到下依此扫描。当扫描到点(maxx,miny)时，就考虑换行，即再从点(minx,miny+1)开始，依此类推，一直到扫描到点(maxx,maxy)为止。由于在扫描过程中，取到的像素点都在图像感兴趣区域内，则只需将这些取到的像素点的灰度值f(x,y)置0。最后显示处理之后的图像，即只包含背景区域的子图。
[0100]
[0101] 经过以上分离步骤，实现了无人机侦察图像的感兴趣区域(ROI)和背景区域(BG)相分离。在背景区域子图中，舍弃了感兴趣区域信息，保留了背景区域信息。在感兴趣区域子图中，舍弃了背景区域信息，保留了感兴趣区域信息。图像经N级小波变换处理后，有1个低频带，3N个高频带。其中高频带的小波系数比较小，它们代表了图像细节部分的信息(细节系数)；低频带的小波系数比较大，它们代表了图像轮廓部分的信息(轮廓系数)。虽然小波变换其本身并没有达到对图像作压缩处理，但是变换后的小波系数存在着一些特点，这些特点使得图像利于压缩。
[0102] 本专利中，EZW算法和SPIHT算法是目前常用的两种基于小波变换的嵌入式压缩编码算法，而且EZW和SPIHT都使用了逐次逼近量化方法，也就是每次扫描的阈值取上一次阈值的一半，它们的初始化过程和细化过程也类似。
[0103] 但是SPIHT对零树的构建较EZW更有效率。举例说明：假设c(i,j)是重要的，其子孙(包括孩子)是不重要的，在EZW中，第一次扫描把c(i,j)赋予符号P，对其后的子孙形成四课树，用PZZZZ五个符号表示；在SPIHT中，第一次扫描将c(i,j)从LIP移到LSP中并输出一个1，对LIS中的(i,j)比较之后输出一个0，即用两个符号表示出。因此，SPIHT算法能够更好地利用小波系数的特点，具有更好的编码性能。
[0104] 三、图像的压缩。无人机侦察图像经过分割处理之后，无人机侦察图像被分成了两个子图，我们可以对这两部分分别进行不同压缩比的压缩。对感兴趣区域采用低压缩比压缩甚至是无损压缩，而对背景区域则采用高压缩比进行压缩，同时我们也可以根据传输带宽的要求来选择不同的压缩方法对背景区域压缩。这样既保证了图像的高效率压缩，也保证了感兴趣区域的高质量重现。
[0105] 通过上面的分析，本专利选择SPIHT算法对无人机侦察图像的侦察目标区域和背景区域作压缩处理。再依据对这两部分的不同压缩要求，选择不同比特率的SPIHT来处理这两个子图。不同的比特率对应不同的压缩比，比特率越大，压缩比越小。
[0106] 经过上面的操作处理之后，原来的无人机侦察图像被分离成只包含侦察目标信息的感兴趣区域(ROI)和只包含背景信息的背景区域(BG)，传统的SPIHT算法都从头到尾扫描编码，这样会造成码流的浪费。根据这两部分子图包含信息的特点，对SPIHT算法作了适当的改进。基本思想：对只包含ROI系数的子图，不编码那些位于BG的点和集合。对只包含BG系数的子图，不编码那些位于ROI的点和集合。
[0107] 以只包含军事侦察目标信息的感兴趣区域子图为例，描述压缩处理流程，只包含背景信息的背景区域子图可以类推。
[0108] 1、初始化
[0109] 计算n的值， 初始化重要系数列表LSP为空列表，将所有属于集合RROOT∪RLL的节点(i,j)存放至不重要系数列表LIP中，再将所有属于集合RROOT的节点(i,j)存放至不重要集合列表LIS中，并看作是A类元素。
[0110] 2、排序
[0111] (1)计算列表LIP中所有节点(i,j)的重要函数Sn(i,j)。
[0112] 若Sn(i,j)＝1，则将节点(i,j)加入列表LSP中，同时输出其对应小波系数C(i,j)的符号位。
[0113] (2)分析列表LIS中的所有节点(i,j)。
[0114] A.若节点(i,j)是一个A类元素，计算出它的重要函数值Sn(D(i,j))。若Sn(D(i,j))＝1，则：
[0115] a.计算集合O(i,j)中所有节点(k,l)的重要函数值Sn(k,l)。
[0116] 若Sn(k,l)＝1，则将节点(k,l)存放至列表LSP中，同时输出其对应小波系数C(k,l)的符号位。
[0117] 若Sn(k,l)＝0，则将节点(k,l)存放至列表LIP的尾部。
[0118] b.若集合L(i,j)是一个空集，即L(i,j)≠φ，就将节点(i,j)存放到列表LIS的尾部，并看作是B类元素，然后继续进行步骤B处理；否则就把节点(i,j)从列表LIS中删除。
[0119] B.若节点(i,j)是一个B类元素，计算出它的重要函数值Sn(L(i,j))。若Sn(L(i,j))＝1，就将所有属于集合O(i,j)的节点(k,l)以A类元素存放至LIS的尾部，同时把节点(i,j)从列表LIS中转移出来。
[0120] 3、渐进
[0121] 计算列表LSP中所有节点(i,j)所对应的小波系数C(i,j)的绝对值|C(i,j)|，并将其第n位的比特值输出。
[0122] 4、阈值更新
[0123] 设n＝n-1，同时再转回步骤2进行下一级编码扫描。实验处理过程中，为了使感兴趣区域质量优于背景区域质量，感兴趣区域的比特率(Rroi)要高于背景区域的比特率(Rbg)。完成压缩编码后，将两部分的压缩数据信息以及感兴趣区域的坐标位置信息按照一定的数据帧结构顺序进行编帧，然后将这些图像信息数据通过无线信道传送至地面接收站。接收到图像数据信息后，首先对接收到的信息进行相对应编码比特率的SPIHT解码以及小波逆变换，解码过程为编码的逆过程，再根据接收到的感兴趣区域的坐标位置信息，将解压缩后的感兴趣区域子图对应镶嵌至解压缩后的背景区域子图的相对位置，从而重构出原始图像。
[0124] 四、传输或存储。压缩后，将两部分的压缩数据信息以及感兴趣区域的坐标位置信息组合一起通过无线信道传送至地面接收站。
[0125] 五、图像的重构。接收到图像数据信息后，先进行解压缩操作，再根据感兴趣区域的坐标位置，合成感兴趣区域子图和背景区域子图，重构出原始无人机侦察图像。
[0126] 通常情况下，我们会选择利用一些仿真工具先仿真试验一下算法的处理效果，分析所得结果与期望效果之间的差异，然后再调试算法程序，逐步完善算法的性能，以实现更好的处理效果，达到我们的期望值。
[0127] 本专利是在MATLAB编程环境下，对新提的基于感兴趣区域的分割压缩算法进行仿真调试验证。实验过程中，选用无人机侦察图像作为实验图像。但是由于原始的无人机侦察图像比较大，在屏幕中不容易显示，则为了实验过程中的方便使用，我们只选取了其中的一块区域来进行实验仿真处理，因此实验中处理图片的分辨率并不小。
[0128] JPEG2000标准中的maxshift方法是在小波变换处理之后，将与感兴趣目标相关的小波系数按比例增大或者是上移，使这些小波系数所在的比特平面高于图像背景部分的小波系数。一般的SPIHT是嵌入式小波位编码方式，将感兴趣目标小波系数压缩处理后的编码流放置在整个压缩文件的前端，先于背景区域小波系数压缩处理后的编码流。它们都是上移与感兴趣区相关的小波系数，使它们所处于的比特平面高于背景区域系数所处于的比特平面，然后在后续的嵌入式编码中，让ROI的小波系数位于BG的小波变换系数的前面，如此，ROI就会先于BG被编码和细化。
[0129] 本专利所选择的基于感兴趣区域的分割压缩算法是为了解决目标区域的恢复质量和图像压缩比之间的矛盾，同时也达到图像的实时传输。
[0130] 实验仿真过程中，对图像的两部分选用不同的比特率进行解压缩，即对应着不同的压缩比。为了保证侦察目标小区域范围内的图像恢复质量高于背景区域的恢复质量，本专利选择了感兴趣区域的比特率大于背景区域的比特率。
[0131] 本专利也可以从定量的角度来分析使用上述方法后，无人机侦察图像的感兴趣侦察目标区域和背景区域的恢复质量，这里不再赘述。
[0132] 在图7中，图(a)是原始军车图像的灰度图，图(b)是一般位移法仿真处理的结果，图(c)是SPIHT算法的仿真处理结果，图(d)和图(e)都是选择本专利分割压缩方法处理的结果。图(b)数据量：15108，图(c)的数据量：15062。
[0133] 图(d)是在保证无人机侦察图像侦察目标区域的重构质量与图(b)和图(c)相当的同时，对背景区域的压缩量则要大于图(b)和图(c)中背景区域的压缩量。这样，在同等程度重构无人机侦察图像的侦察目标时，选择本专利分离压缩方法处理后的数据量，要比选择一般位移法和SPIHT算法处理后的数据量小，即减少了数据量。图(d)数据量：5148。
[0134] 图(e)是让无人机侦察图像侦察目标区域的重构质量高于图(b)和图(c)的重构质量，即选择图(e)的ROI区域比特率大于图(d)的ROI区域比特率，与此同时再加大背景区域的压缩量，即图(e)的BG区域比特率小于图(d)的BG区域比特率。这样，既能清晰看到军事侦察目标，又使得图像的数据量得到减少。图(e)数据量：4826。
[0135] 综合比较，本专利是一种分离压缩方法，在压缩处理前，无人机侦察图像的感兴趣侦察目标区域和背景区域已完全实现了分离，两者之间互不影响，因此对这两部分可以自由选择合适的压缩方法。本专利对感兴趣区域和背景区域分开选择不同的比特率，保证感兴趣侦察目标区域小压缩比压缩，背景区域则大压缩比压缩。同时，这个分离压缩方法也可以自由选择压缩比的大小，实现了自由调整图像目标和背景的图像质量。也可以根据设备传输带宽的要求，自由调整侦察目标和背景区域的压缩比特率，来满足无人机侦察图像的压缩要求。同时区域恢复质量越好，其对应区域的峰值信噪比也越大。
[0136] 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，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于压缩感知及Renyi熵的水下信息抗干扰方法 | 2020-05-17 | 899 |
| 光刻机照明系统的微反射镜阵列配置方法 | 2020-05-12 | 303 |
| 晶圆刻蚀的控制方法及晶圆制造方法 | 2020-05-13 | 732 |
| 一种浅海弹性软沉积层横波声速或厚度的反演方法 | 2020-05-15 | 880 |
| 基于无线感知的驾驶行为识别系统及方法 | 2020-05-17 | 984 |
| 一种基于DWNN框架的心电信号的识别方法 | 2020-05-19 | 819 |
| 一种有意义密文的图像加密方法 | 2020-05-12 | 279 |
| 一种基于时空特征加权卷积神经网络的脑电信号识别方法 | 2020-05-13 | 121 |
| 一种多模脑电信号及1DCNN迁移的驾驶疲劳状态识别方法 | 2020-05-16 | 34 |
| 一种考虑软件运行的软－硬件退化系统剩余寿命估计的方法 | 2020-05-16 | 290 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈