CN101408981A

CN101408981A - 一种红外弱小目标检测方法

Info

Publication number: CN101408981A
Application number: CNA2008102361704A
Authority: CN
Inventors: 赵春光; 孙宁; 翟尚礼; 王寿峰
Original assignee: CETC 28 Research Institute
Current assignee: CETC 28 Research Institute
Priority date: 2008-11-25
Filing date: 2008-11-25
Publication date: 2009-04-15

Abstract

本发明公开了一种红外弱小目标检测方法，其特征在于，该方法包括以下步骤：(1)建立尺寸为9×9个像素的扩展LBP算子矩阵块，中间3×3矩阵块作为目标区域，周围的8个3×3矩阵块作为8个方向的背景区域；(2)采用局部信噪比作为阈值对8个方向的背景区域进行编码，得到8个方向背景的二进制特征值；(3)当特征值符合判断准则，则中间的3×3区域即为目标。本发明的优点和效果在于改进传统局部二元模式算子的尺寸大小和编码准则使其适应于描述复杂背景条件下红外弱小目标的灰度分布，并提出了灰度自适应快速扫描机制有效地提高了检测速度、抑制了重复告警的出现。

Description

一种红外弱小目标检测方法

技术领域

本发明涉及一种目标检测方法，特别涉及一种基于二元模式算子的无需进行背景抑制滤波的快速红外弱小目标检测方法。

背景技术

红外搜索/跟踪系统(IRST)是我国预警探测网的重要补充、辅助探测手段和隐蔽探测力量，是战时有源雷达网遭受干扰、打击、隐身突防时的关键探测手段。与雷达系统相比，红外系统采用被动探测，具有隐蔽性好，没有多路径干扰，跟踪精度高等优点。远距离的红外目标视场中常常是以弱小目标的形态出现，弱小目标在图像平面上占有的像元个数较少而且对比度一般都很低，稳定有效地检测弱小目标是IRST系统中的关键性技术。因此，红外弱小目标检测已成为图像处理领域的研究热点，国内外研究人员对其进行了大量的研究，并取得了不少研究成果。

在本发明之前，红外弱小目标检测通常的步骤为：1、背景抑制，2、阈值分割，3、基于序列图像中航迹相关的目标确认。其中，背景抑制的理论基础建立在将红外弱小目标图像划分为目标图像、背景图像和噪声图像的图像模型。常用的背景抑制算法有匹配滤波，小波分解，形态学滤波等。但是在实际的红外弱小目标图像中，由于目标对比度较低，而且背景复杂时，很难利用背景抑制算法图像中的弱小目标根据三个部分分割开。结果往往是背景边缘处的起伏区域被保留下来，这些区域具有与弱小目标相似的高频特性。还有，许多背景抑制算法会改变图像的性质，例如目标强度减弱、目标最亮点位置偏移等等。导致后续检测难度和判断运算量增大，影响检测准确性。

发明内容

发明目的：本发明针对现有技术检测方法的不足，提供了一种基于局部二元模式算子的红外弱小目标检测方法。

技术方案：本发明公开了一种红外弱小目标检测方法，该方法包括以下步骤：

(1)建立尺寸为9×9个像素的扩展LBP算子矩阵块，中间3×3矩阵块作为目标区域，周围的8个3×3矩阵块作为8个方向的背景区域；

(2)采用局部信噪比作为阈值对8个方向的背景区域进行编码，得到8个方向背景的二进制特征值；

(3)当特征值符合判断准则，则中间的3×3区域即为目标；

(4)扫描整幅图像，得到红外弱小目标检测结果。

本发明中步骤(4)可以采用本领域通用的扫描方法。本发明中，优选地，步骤(4)中扫描整幅图像为灰度自适应快速扫描，具体包括：(a)计算9×9矩阵块B_i，j中像素灰度最大值，B_i，j表示以i，j为中心像素的坐标9×9矩阵块；(b)以最大值为中心即

为重新构造的9×9矩阵块的中心像素坐标，重新构造9×9矩阵块

(c)采用扩展LBP算子矩阵块提取

的编码值，进行目标检测；(d)将B_i，j的中心位置i，j向右平移9个像素得到下一个矩阵块；若扫描完一个9行的数据区，则从i＝i+9，j＝1开始扫描下一个9行数据区，直到完成整幅图像的扫描。

步骤(2)中局部信噪比表示为：

SNR = \frac{u_{T} - u_{B}}{δ};

其中，u_T表示目标灰度均值，即是中间3×3矩阵块的灰度均值；u_B为某一方向背景灰度均值，即是周围某个3×3矩阵块的灰度均值；δ为目标和某一方向背景2个3×3矩阵块，共18个像素的灰度标准差；

步骤(2)中编码规则为：如果局部信噪比大于一个预设阈值则该方向背景的特征值为0，反之为1。

步骤(3)中判断准则为：提取的8个特征值都为0，即编码值为(00000000)₂时，算子中心3×3区域被确认为目标。

有益效果：本发明的优点和效果在于改进传统局部二元模式(Local BinaryPattern，LBP)算子的尺寸大小和编码准则使其适应于描述复杂背景条件下红外弱小目标的灰度分布，并提出了灰度自适应快速扫描机制有效地提高了检测速度、抑制了重复告警的出现。具体如下：一、本发明中提出的改进的LBP算子描述灰度纹理的能力很强，可以有效地在复杂表征弱小目标的灰度特征。使得本检测方法在不进行背景抑制滤波的条件下，能有效地检测出弱小目标。通过8方向背景区域分别与中心目标区域进行阈值约束，使得本方法虚警率较传统方法明显降低。二、本发明中设计的灰度自适应快速扫描机制，通过匹配局部区域最大值，快速扫描整幅图像，在保证检测正确率的前提下，提高了检测速度，降低了重复告警现象的出现。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明。

图1为本发明中基本的局部二元模式算子图。

图2为本发明中扩展的局部二元模式算子的实施示意图。

图3为本发明在复杂背景红外序列中一帧的检测结果。

图4为本发明在简单背景红外序列中一帧的检测结果。

图5为本发明与传统方法在定位性能上的比较。

图6为本发明与传统方法在时间开销上的比较。

具体实施方式

本发明公开了一种红外弱小目标检测方法，该方法包括以下步骤：

(3)当特征值符合判断准则，则中间的3×3区域即为目标。

步骤(3)后包括灰度自适应快速扫描机制扫描整幅图像步骤，具体包括：(a)计算9×9矩阵块B_i，j中像素灰度最大值，B_i，j表示以i，j为中心像素的坐标9×9矩阵块；(b)以最大值为中心即为重新构造的9×9矩阵块的中心像素坐标，重新构造9×9矩阵块

例如，原来9×9的中心坐标在(20，10)，该9×9矩阵中像素灰度的最大值在(22，12)，则以(22，12)为中心构造9×9矩阵块)；(c)采用扩展LBP算子矩阵块提取

步骤(2)中局部信噪比表示为：

SNR = \frac{u_{T} - u_{B}}{δ};

更具体地说，本发明方法步骤如下：

一、首先建立改进的局部二元模式算子

1.1局部二元模式算子(Local Binary Pattern，LBP)

局部二元模式(Local Binary Pattern，LBP)算子是一种有效的局部纹理描述算子，由Ojala最早提出，它可以对灰度图像中局部邻域的纹理信息进行度量和提取。在近十年的时间内，LBP算子已经广泛的应用于纹理分类、图像检索、人脸图像分析等领域。基本的LBP算子是一个固定大小为3×3的矩形块，共对应于9个灰度值。将四周的8个灰度值与中心灰度值相比较，大于等于中心灰度值的子块由1表示，反之则由0表示，根据顺时针方向读出的8个二进制值作为该3×3方块的LBP编码值，如图1所示。

1.2改进的局部二元模式算子

在实际情况中，红外弱小目标在图像中通常呈现为一个小于3×3像素的非均匀亮斑。因此，本发明方法对基本LBP算子在矩阵块尺寸和编码准则方面进行了改进，以适应红外弱小目标检测的特性。

具体实施细节为：将基本LBP算子的矩阵块尺寸扩展为9×9个像素，中间3×3矩阵块作为目标区域，周围的8个3×3矩阵块作为8个方向的背景区域，这种划分的策略符合弱小点目标不大于3×3的特性。

二、构建改进的局部二元模式算子的编码准则

在编码准则方面，改进的LBP算子采用局部信噪比作为阈值对8个方向的背景区域进行编码。局部信噪比可以表示为式(1)形式。其中，u_T表示目标灰度均值，即是中间3×3矩阵块的灰度均值；u_B为某一方向背景灰度均值，即是周围某个3×3矩阵块的灰度均值；δ为目标和某一方向背景2个3×3矩阵块，共18个像素的灰度标准差。如果局部信噪比大于一个预设阈值则该方向背景的特征值为0，反之为1。由此，便可以得到8个方向背景的二进制特征值。当8个特征值都为0，即编码值为(00000000)₂时，中间的3×3区域被认为是目标。阈值根据检测性能指标进行预设，本发明中预设阈值为2，表明该方法可以有效检测出信噪比大于2的弱小目标。改进的LBP算子的实施示意图如图2所示。

三、实施灰度自适应快速扫描机制

对于目标检测，传统的方法是采用目标提取算子逐像素扫描输入图像。传统扫描机制存在计算开销大和容易对同一目标重复告警的情况。针对以上情况，根据2节中弱小目标灰度的两个特征，本发明提出了一种灰度自适应快速扫描机制：

1.计算9×9矩阵块B_i，j的最大值(在此令B_i，j表示以i，j为中心像素的坐标9×9矩阵块)；

2.以最大值为中心，重新构造9×9矩阵块

(

为重新构造的9×9矩阵块的中心像素坐标)；

3.采用改进的LBP算子提取

的编码值，进行目标检测。

4.将B_i，j的中心位置i，j向右平移9个像素得到下一个矩阵块。若扫描完一个9行的数据区，则从i＝i+9，j＝1开始扫描下一个9行数据区，直到完成整幅图像的扫描。

四、实验结果及分析

本发明实验在主频为2.8GHz，内存为1GHz的工控机上完成，软件平台为Matlab 7.0。实验采用两组实录的红外序列图像，图像大小皆为320×240。将本发明方法与红外弱小目标检测中常用的Top-Hat算子方法进行比较。

图3为第一组复杂背景红外序列中一帧的检测结果，第一幅为原始图像，二、三幅分别为Top-Hat算子方法和本发明方法的检测结果。以图3中的(114，159)的点为例，说明本文方法的工作流程：1、9×9矩阵块按照自适应快速扫描机制移动至(117，162)处，计算9×9矩阵块中的像素灰度最大值，得出最大值在(114，159)。2、以(114，159)为中心构造新的9×9矩阵块。3、计算8个方向矩阵块与中心3×3矩阵块局部图像信噪比，判断8个信噪比是否大于2。此处8个局部信噪比都大于2，因此以(114，159)为中心的3×3区域被认为是目标。

由图3可以看出：首先，在复杂背景条件下，本发明方法有效地检测出了原图中的三批目标，并且虚警个数明显少于Top-Hat算子方法。这是由于改进的LBP算子在局部图像区域对8个方向的背景区域进行特征提取，所得编码值的灰度纹理描述能力很强，有效地表征出红外弱小目标在复杂背景条件下所体现的“尖峰”特征。因此其对背景复杂度不敏感，抗干扰能力强。第二、箭头所指处Top-Hat算子方法出现了重复告警，而本发明方法则没有这种现象。这种情况是因为弱小目标一般不大于3×3个像素，本发明方法采用的灰度自适应快速扫描机制充分的利用这个特点，在提高扫描速度的同时，大幅降低了重复告警。图4为第二组简单背景红外序列中一帧的检测结果，结果显示本发明方法同样检测除了原图中的两批目标，并且没有出现虚警。而Top-Hat算子方法除了虚警较多外，还丢失了一批目标。这组结果再次证明了改进的LB算子表征弱小目标灰度模型和抗干扰的能力。

此外，本发明还比较了两种方法在目标定位(即点目标中最大灰度值的位置)方面的性能，结果图5所示。本发明方法中的扫描机制采用局部最大值定位，所以两帧图像中五批目标的位置都得到精确的定位。而Top-Hat算子方法由于进行了背景抑制滤波，产生的滤波后图像在灰度分布上产生了一定程度的变化，所以图5中显示该方法不但定位的结果与真实位置有所偏差，还出现了重复告警的情况。

最后，对两种方法的时间开销进行了比较。图6列出了Top-Hat算子方法、采用传统逐像素扫描的本发明方法和快速扫描机制的本发明方法在检测一帧320×240图像时所需的时间。结果表明本发明方法由于无需进行背景抑制滤波，检测速度较Top-Hat算子方法明显加快。而采用快速扫描机制后，计算开销比逐像素扫描更降低了4倍左右。

综上所述可得，本发明方法1、采用了灰度纹理描述能力很强的改进的LBP算子，在不进行背景抑制的条件下，仍能有效地从复杂背景条件下检测出弱小目标，并且虚警率较低；2、直接对原图进行检测，不改变原图性质，定位精度高；3、实施了灰度自适应快速扫描机制，能大幅提高检测速度和明显降低重复告警现象的出现。

本发明提供了一种红外弱小目标检测的思路及方法，具体实现该技术方案的方法和途径很多，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部份均可用现有技术加以实现。

Claims

1、一种红外弱小目标检测方法，其特征在于，该方法包括以下步骤：

(3)当特征值符合判断准则，中间的3×3区域即为目标；

(4)扫描整幅图像，得到红外弱小目标检测结果。

2、根据权利要求1所述的一种红外弱小目标检测方法，其特征在于，步骤(4)中扫描整幅图像为灰度自适应快速扫描，具体包括：(a)计算9×9矩阵块B_i，j中像素灰度最大值，B_i，j表示以i，j为中心像素的坐标9×9矩阵块；(b)以最大值为中心即

(c)采用扩展LBP算子矩阵块提取

3、根据权利要求1所述的一种红外弱小目标检测方法，其特征在于，步骤(2)中局部信噪比表示为：

SNR = \frac{u_{T} - u_{B}}{δ};

其中，u_T表示目标灰度均值，即是中间3×3矩阵块的灰度均值；u_B为背景灰度均值，即是周围某个3×3矩阵块的灰度均值；δ为目标和背景2个3×3矩阵块，共18个像素的灰度标准差。

4、根据权利要求1所述的一种红外弱小目标检测方法，其特征在于，步骤(2)中编码规则为：如果局部信噪比大于一个预设阈值则该方向背景的特征值为0，反之为1。

5、根据权利要求1所述的一种红外弱小目标检测方法，其特征在于，步骤(3)中判断准则为：提取的8个特征值都为0，即编码值为(00000000)₂时，算子中心3×3区域被确认为目标。

6、根据权利要求1所述的一种红外弱小目标检测方法，其特征在于，阈值根据检测性能指标进行预设，本发明中预设阈值为2，表明该方法可以有效检测出信噪比大于2的弱小目标。