CN101620728A - 一种基于自适应背景预测的红外背景抑制新方法 - Google Patents

Abstract

本发明针对红外弱小目标图像，提出一种基于自适应背景预测的红外背景抑制方法。依次扩大以当前点为中心的子图像，子图像的尺寸不能超过系统所允许弱小目标的最大尺寸的三倍。在子图像中计算弱小目标存在的必要条件，选择符合此必要条件的最大尺寸的子图像，将子图像划分为3×3的区域，以除中心区域之外的剩余8个区域的灰度均值中的中值作为该点的背景预测值。反之，认为当前点属于背景区域，直接采用原图像中该点的灰度值作为该点的背景预测值。在完成对该点的背景预测之后，然后与原图像求残差，最终完成对红外背景的抑制。该方法能够适用于天空背景、海天背景、海面背景、低空和地面混合背景等典型类型的红外背景抑制。

Description

一种基于自适应背景预测的红外背景抑制新方法

技术领域

本发明涉及一种红外背景抑制新方法，属于红外图像目标检测领域。

背景技术

红外弱小目标检测是红外预警、红外自动寻的系统中的关键技术和研究热点之一。在远距离成像(5km-10km以上)时，导弹、飞机等目标在红外成像系统中呈现弱小目标的特性，即目标强度低、所占像素少。随着隐身策略的采用，目标的红外辐射强度越来越小，且目标所在背景越来越复杂。典型的红外背景包括：天空背景、海天背景、海面背景、低空和地面混合背景等。太阳光的辐射、海杂波、大面积的云层以及人造建筑物等都会使图像的背景变得复杂，例如巡航弹越来越多进行低空巡航飞行，此时，成像背景为复杂的地面或者海面。复杂的背景给弱小目标检测带来很大的难度。为了提高红外系统的目标检测能力，需要对背景信息进行抑制，同时对目标信息进行增强。因此，研究复杂背景下的红外背景抑制具有重要意义。

经过对现有的文献资料的研究发现，目前，用于红外背景抑制的方法有：传统的中值滤波器、Hilliard C I.等人在2000年的SPIE会议发表的“Selection of a clutter rejection algorithm forreal-time target detection from an airborne platform”一文提出的匹配滤波方法、Yang L等人在2004年第17期的Electronics Letters上发表的“”一文中提出的“Adaptive detection for infraredsmall target under sea-sky complex background”提出的频域高通滤波器的方法、Victor T T等人在1993年的SPIE会议上发表的“Morphology-based algorithm for point target detection ininfrared backgrounds”一文中提出的基于形态学的方法、徐军等人在2002年第12期的“光子学报”上发表的“最大化背景模型用于检测红外图像中的弱小目标”一文中提出的基于最大化背景预测的方法等。其中基于背景预测的方法充分利用背景信息对图像进行处理，符合背景占红外弱小目标图像中绝大部分的特点，且结构简单，易于实现。

如何准确地预测图像的背景是该类方法的关键，尤其是当背景成分较为复杂、包含大量强起伏的边缘信息时。原图像f经过背景预测得到预测图像，然后将预测图像与原图像求差，得到残差图像g，即为背景抑制后的图像，g中任意一个像素的灰度值可用g(m，n)表示。其数学模型可用式(1)表示：

$g(m,n)=f(m,n)-\underset{(m-i,n-j)\∈S}{\mathrm{\Σ}}[f(m-i,n-j)\·W_{\mathrm{ij}}]---\left(1\right)$

式中，W_ij表示权重，S表示模板区域。令 $B_{\mathrm{prediction}}(m,n)=\underset{(m-i,n-j)\∈S}{\mathrm{\Σ}}[f(m-i,n-j)\·W_{\mathrm{ij}}],$ 则B_prediction(m，n)表示背景预测图像中任意一点的灰度值。背景预测的效果越好，对应的背景抑制算法性能也越好。因此，如何计算B_prediction(m，n)是该类方法实现的关键。红外图像中的背景灰度变化相对缓慢，属于低频信号，而目标和部分噪声灰度变化相对较快，属于高频信号。背景预测在频域上属于一种低通滤波方法。背景预测算法的关键是：1.如何适应不同尺寸的目标；2.采用哪些像素进行预测，及采用何种计算模型；3.如何提高背景预测的效果，以使得背景抑制后，图像中的目标信息得到更大程度上的保留或增强，同时背景信息得到更大程度上的抑制。

目前缺少对不同类型红外背景适用性的分析。本发明分析了红外弱小目标图像中目标与背景的关系，提出了一种适用于天空背景、海天背景、海面背景、低空和地面混合背景等典型红外背景的红外背景抑制方法。

发明内容

本发明的目的在于提出一种基于背景预测的红外背景抑制方法，用于红外弱小目标图像中的红外背景抑制。

本发明的技术方案概括为：首先构造了一种自适应红外背景预测算法，并基于该背景预测算法完成了对红外背景的抑制。

本发明中红外弱小目标的定义如下：

(1)能量“弱”：单帧图像信噪比(Signal-to-Noise Ratio，SNR)≤2；

(2)尺寸“小”：根据SPIE的建议，当目标在图像中所占像素不超过图像总像素的0.15％时，此目标将被定义为小目标。如在尺寸为128×128像素的图像中，小目标的大小不超过4×4。

以下对本发明的技术方案作进一步的说明。

本发明提出一种基于背景预测的红外背景抑制方法，对图像中的每一点都进行如下具体的操作：

(1)获取子图像邻域：

本发明采用红外成像系统获得红外弱小目标图像并对其直接进行处理。现有的红外成像系统一般为红外焦平面，按照自身的帧频拍摄产生连续帧的红外图像。本发明是对红外成像系统产生的单帧图像进行处理，该成像系统的具体参数如下：光学系统有效面积A₀＝12.0cm²，探测器星响应度 $D^{*}=2\×{10}^{10}\mathrm{cm}\sqrt{\mathrm{Hz}}/W,$ 可探测最小信噪比SNR＝4，探测器面积A_d＝0.4mm²，等效噪声带宽Δf＝2000.0Hz，光学系统红外辐射透过率τ₀＝0.8，信号衰减因子δ≈1；“目标成像系统”和“辅助成像系统”的成像波段为红外中波波段(3μm-5μm)。弱小目标的尺寸为L×J，以当前点为中心，图像的局部区域为子图像邻域，邻域大小为3L×3J。

(2)进行自适应背景预测

子图像邻域的尺寸为3L×3J，将此子图像邻域分为3×3个L×J的单元格区域。中心的单元格区域属于目标区域，分别计算各个单元格区域的图像灰度均值。如果中心单元格区域为目标区域，则中心单元格区域的灰度均值为9个单元格中最值，用公式表达为：

T_mean∈{P_max，P_min}    (2)

式中，T_mean表示中心单元格区域的灰度均值，P_max，P_min分别表示9个单元格的灰度均值的最大值和最小值。公式(2)为判断中心单元格区域满足目标区域的必要条件。

在完成对目标区域的提取之前，实际系统无法直接获取目标的尺寸信息，但弱小目标必须满足系统对其尺寸的要求。因此，为了保证实用性，算法能够对不同尺寸的目标进行自适应处理，步骤如图4所示，具体可描述如下：

首先定义变量如下：

L×J：小目标的假设尺寸。

L_max×J_max：小目标可能的最大尺寸(由图像的尺寸决定，必须符合对小目标尺寸的定义。如对于128×128的图像，L_max×J_max的最大可能值为4×4)。

L_min×J_min：小目标可能的最小尺寸(由系统所允许小目标的最小尺寸决定，当L_min×J_min的取值为1×1时，此时小目标为点目标)。

f(i，j)：中心点的灰度值。

f_p(i，j)：f(i，j)的背景预测值。

T_mean：图3所示3×3区域的中心单元格S_T(即阴影部分)的灰度均值。

B_mean(k)：图3所示3×3区域中第k个白色单元格S_k的加权灰度均值。从图中可知，k＝8。

加权均值的计算方法为： $B_{\mathrm{mean}}\left(k\right)=\underset{(x,y)\∈S_k}{\mathrm{\Σ}}{W}_{(x,y)k}f(x,y),$ 其中， $W_{(x,y)k}=\frac{1}{D_{\mathrm{xy}}},$ D_xy表示点(x，y)到中心单元格S_T的距离。

P_max；T_mean，B_mean(k)中的最大值。计算方法为：P_max＝max[T_mean，B_mean(k)]，k＝1，2，…，8。

P_min：T_mean，B_mean(k)中的最小值。计算方法为：P_min＝min[T_mean，B_mean(k)]，k＝1，2，…，8。

P_median′：B_mean(k)的中值。计算方法为P_median′＝Median[B_mean(k)]，k＝1，2，…，8。

f_temp(i，j)：中间变量。

Flag(i，j)：标记变量，且取值只能为TURE或FALSE。Flag(i，j)为TURE为表示当前中心单元格被判断为小目标区域，Flag(i，j)为FALSE表示当前中心单元格尚未被判断为小目标区域。

自适应背景预测的算法步骤：

计算当前点的f_p(i，j)：

1)设定L，J的初始值分别为L_min、J_min，f_temp(i，j)的初始值为f(i，j)，Flag(i，j)的初始值为0。

2)根据L，J获得当前预测窗口，其尺寸为3L×3J，其中单元格的尺寸为L×J。计算式(2)是否成立。

如果式(2)成立，则认为中心单元格为小目标区域，令Flag(i，j)＝TRUE且f_temp(i，j)＝P_median′，进入步骤3)；

否则，(a)如果Flag(i，j)为FALSE，进入步骤3)，(b)如果Flag(i，j)为TRUE，令f_p(i，j)＝f_temp(i，j)，完成对当前点f_p(i，j)的计算。

3)增大L，J的尺寸。如果L≤L_max，J≤J_min，重复步骤2)；否则，令f_p(i，j)＝f_temp(i，j)，完成对当前点f_p(i，j)的计算。

(3)在自适应背景预测的基础上进行背景抑制滤波

当所有点的f_p(i，j)计算完成之后，得到预测图像B_preaiction(m，n)，然后通过式(3)计算出背景抑制后的图像。

B_prediction(m，n)＝f(m，n)-f_p(i，j)    (3)

附图说明

图1为基于背景算法的红外背景抑制方法流程图。

图2为典型的红外弱小目标图像示例，图2(a)为天空背景，背景中包含大量的云层信息，图2(b)为海天背景，图2(c)为海面背景，图2(d)为地空背景，背景中有明显的人造建筑物。

图3为本发明提出的红外弱小目标区域模板的示意图。

图4为本发明提出的基于自适应背景预测的红外背景抑制方法流程图。

图5为本发明提出的方法与其它典型背景抑制方法对天空背景下红外弱小目标图像的背景抑制效果。图5(a)为原图，图5(b)为本发明背景抑制算法的效果，图5(c)为基于中值滤波的方法的效果，图5(d)为高通滤波的效果，图5(e)为最大化背景滤波的效果；图5(f)为形态学滤波的效果。

图6为本发明提出的方法与其它典型背景抑制方法对海天背景下红外弱小目标图像的背景抑制效果。图6(a)为原图，图6(b)为本发明背景抑制算法的效果，图6(c)为基于中值滤波的方法的效果，图6(d)为高通滤波的效果，图6(e)为最大化背景滤波的效果；图6(f)为形态学滤波的效果。

图7为本发明提出的方法与其它典型背景抑制方法对海面背景下红外弱小目标图像的背景抑制效果。图7(a)为原图，图7(b)为本发明背景抑制算法的效果，图7(c)为基于中值滤波的方法的效果，图7(d)为高通滤波的效果，图7(e)为最大化背景滤波的效果；图7(f)为形态学滤波的效果。

图8为本发明提出的方法与其它典型背景抑制方法对地空背景下红外弱小目标图像的背景抑制效果。图8(a)为原图，图8(b)为本发明背景抑制算法的效果，图8(c)为基于中值滤波的方法的效果，图8(d)为高通滤波的效果，图8(e)为最大化背景滤波的效果；图8(f)为形态学滤波的效果。

具体实施方式

下面结合附图对本发明的技术方案作进一步的详细描述。

在现有技术中，如图1所示，基于背景预测的红外背景抑制方法框架图，首先通过背景预测算法获得单帧图像的背景图像，然后与原图像做差获得残差图像。如果背景抑制效果好，将在残差图像g中获得较高的信杂比增益(Signal-to-Clutter Ratio Gain，SCR Gain)和背景抑制系数(Background Suppression Factor，BSF)。SCR Gain和BSF可以按照公式(4)和公式(5)进行计算。

$\mathrm{SCRGain}=\frac{{(S/C)}_{\mathrm{out}}}{{(S/C)}_{\mathrm{in}}}---\left(4\right)$

$\mathrm{BSF}=\frac{C_{\mathrm{in}}}{C_{\mathrm{out}}}---\left(5\right)$

公式(4)和公式(5)中，S表示信号的幅度，C表示单帧图像中杂波的标准差。SCR-Gain表示算法对目标信号的保留程度，BSF表示算法对背景的抑制程度。SCR-Gain和BSF越大，说明背景抑制算法的效果越好。

如图1所示，对于基于背景预测的红外背景抑制方法，其中背景预测算法的鲁棒性是解决该算法是否有效的关键，尤其是当处理较为复杂的背景。红外背景预测算法主要受到局部背景图像的影响，提高复杂背景预测算法的鲁棒性，即为提高局部区域背景预测算法的可靠性。如图2所示，显然，不同局部背景下的目标和背景的相对特性差异很大。在实际应用中，一般采用经验的方法对不同的预测算子进行人工选择，即，根据成像器所拍摄图像的背景环境，用人工的方法挑选。例如人们会对简单天空背景中的图像和复杂海面背景中的图像人为选择不同的方法进行处理。

本发明设计了一种新的基于自适应背景预测算法的红外背景抑制方法，对天空背景、海天背景、海面背景、低空和地面混合背景等典型红外背景具有鲁棒性。算法的具体流程如图3所示，现以图2(a)为具体实例详细说明具体实施步骤。

(1)采集红外图像

利用红外成像设备直接获得红外弱小运动目标的图像，本发明内容部分提供了该红外成像设备的参数。成像气候条件应本着能够获取远距离运动目标的原则，即尽量避免雨雪天气，拍摄时间白天夜晚均可，如图2(a)的拍摄气候条件为多云的白天。

(2)自适应背景预测

取出步骤(1)拍摄的任意一副包含红外弱小运动目标的图像，如图2(a)，其大小为128×128，信噪比(SNR)为1.5。针对图2的每一点，计算自适应背景预测值。以图2中第60行、第31列的点为例，该点的坐标可以表示为(60，31)，该点的灰度值为123。按照图3所示的区域模板获取局部区域，其中模板中心点在原图像中的坐标即为(60，31)。由于图2(a)的大小为128×128，小目标的尺寸必须小于128×128×0.15％＝4.9×4.9，因此L×J的有效取值必须≤4×4。

因此，令L_min＝1、J_min＝1，L_max＝4，J_max＝4。

1)设定L，J的初始值分别为L_min和J_min，f_temp(i，j)的初始值为点(60，31)的灰度值123，速度Flag(i，j)的初始值为FALSE。

2)根据L，J获得当前预测窗口，其尺寸为3L×3J，其中单元格的尺寸为L×J。计算式(2)是否成立。

如果式(2)成立，则认为中心单元格为小目标区域，令Flag(i，j)＝TRUE且f_temp(i，j)＝P_median′，进入步骤3)；

否则，(a)如果Flag(i，j)为FALSE，进入步骤3)，(b)如果Flag(i，j)为TRUE，令f_p(i，j)＝f_temp(i，j)，完成对当前点f_p(i，j)的计算。

3)增大L，J的尺寸。如果L≤L_max，J≤J_min，重复步骤2)；否则，令f_p(i，j)＝f_temp(i，j)，完成对当前点f_p(i，j)的计算。

采用T表示中心区域的灰度均值，B_max表示当前尺寸下1-8单元格灰度均值的最大值，B_min表示当前尺寸下1-8单元格灰度均值的最小值。则对于点(60，31)，L×J＝1×1时，T＝109，B_max＝119，B_min＝40，因此不满足式(2)，则对Flag(i，j)进行判断，由于Flag(i，j)的初始值为FALSE，则进入步骤3)进行计算。增大L×J的尺寸，令L×J＝2×2，此时，T＝86，B_max＝52，B_min＝35，因此满足式(2)，令Flag(i，j)＝TRUE，且f_temp(i，j)＝P_median′＝40，再次进入步骤3)，由于L×J＝3×3和L×J＝4×4时，均满足公式2)，则最后点(60，31)的背景预测值被设定为L×J＝4×4时的P_median′，即35。

(3)红外背景抑制

完成对当前点背景预测值的计算后，通过公式(3)，采用原图像的灰度减去背景预测值即获得经过红外背景抑制后所获得图像对应坐标点的灰度值。对于点(60，31)，原图像中的灰度值为123，背景预测值计算为35，因此经过本发明方法获得的背景抑制后图像中点(60，31)的灰度值为123-35＝88。

对原图像中所有点都进行上述操作之后，即可完成整幅图像的红外背景抑制。

图5、图6、图7、图8为分别对于4种典型背景：天空背景、海天背景、海面背景、低空和地面混合背景的红外弱小目标图像的红外背景抑制效果。从图中可以看出，本发明的方法能够准确地预测图像的背景，因此对背景信息尤其是背景中的边缘信息起到很好的抑制作用，并且能够完整的保留并增强目标信息。

表1和表2为采用公式(4)和公式(5)所提供的SCR Gain和BSF计算方法对于图4-图7中原图进行红外背景抑制后的效果进行定量计算。SCR-Gain和BSF越大，说明背景抑制算法的效果越好。只有对于图5，本发明方法的BSF略小于形态学滤波。因此，综合表1和表2的结果，本发明的方法是一种有效的红外背景抑制方法。

表1算法性能比较1

表2算法性能比较2

Claims (1)

1.一种基于自适应背景预测的红外背景抑制方法，用于红外弱小目标图像中的红外背景抑制；其特征对红外弱小目标图像中的每一点都进行如下步骤的操作：

(1)获取子图像邻域：

本发明采用红外成像系统获得红外弱小目标图像并对其直接进行处理；现有的红外成像系统一般为红外焦平面，按照自身的帧频拍摄产生连续帧的红外图像；弱小目标的尺寸为L×J，以当前点为中心，图像的局部区域为子图像邻域，邻域大小为3L×3J；

(2)进行自适应背景预测

子图像邻域的尺寸为3L×3J，将此子图像邻域分为3×3个L×J的单元格区域；中心的单元格区域属于目标区域，分别计算各个单元格区域的图像灰度均值；如果中心单元格区域为目标区域，则中心单元格区域的灰度均值为9个单元格中最值，用公式表达为：

T_mean∈{P_max，P_min}        (1)

式中，T_mean表示中心单元格区域的灰度均值，P_max，P_min分别表示9个单元格的灰度均值的最大值和最小值；公式(1)为判断中心单元格区域满足目标区域的必要条件；

在完成对目标区域的提取之前，实际系统无法直接获取目标的尺寸信息，但弱小目标必须满足系统对其尺寸的要求；因此，为了保证实用性，算法能够对不同尺寸的目标进行自适应处理，具体可描述如下：

首先定义变量如下：

L×J：小目标的假设尺寸；

L_max×J_max：小目标可能的最大尺寸(由图像的尺寸决定，必须符合对小目标尺寸的定义；如对于128×128的图像，L_max×J_max的最大可能值为4×4)；

L_min×J_min：小目标可能的最小尺寸(由系统所允许小目标的最小尺寸决定，当L_min×J_min的取值为1×1时，此时小目标为点目标)；

f(i，j)：中心点的灰度值；

f_p(i，j)：f(i，j)的背景预测值；

T_mean：3×3区域的中心单元格ST(即阴影部分)的灰度均值；

B_mean(k)：3×3区域中第k个白色单元格S_k的加权灰度均值；k＝8加权均值的计算方法为：

$B_{\mathrm{mean}}\left(k\right)=\underset{(x,y)\∈S_k}{\mathrm{\Σ}}{W}_{(x,y)k}f(x,y),$ 其中， $W_{(x,y)k}=\frac{1}{D_{\mathrm{xy}}},$ D_xy表示点(x，y)到中心单元格S_T的距离；

P_max：T_mean，B_mean(k)中的最大值；计算方法为：P_max＝max[T_mean，B_mean(k)]，k＝1，2，…，8；

P_min：T_mean，B_mean(k)中的最小值；计算方法为：P_min＝min[T_mean，B_mean(k)]，k＝1，2，…，8；

P′_median：B_mean(k)的中值；计算方法为P′_median＝Median[B_mean(k)]，k＝1，2，…，8；

f_temp(i，j)：中间变量；

Flag(i，j)：标记变量，且取值只能为TURE或FALSE；Flag(i，j)为TURE为表示当前中心单元格被判断为小目标区域，Flag(i，j)为FALSE表示当前中心单元格尚未被判断为小目标区域；

自适应背景预测的算法步骤：

计算当前点的f_p(i，j)：

1)设定L，J的初始值分别为L_min、J_min，f_temp(i，j)的初始值为f(i，j)，Flag(i，j)的初始值为0；

2)根据L，J获得当前预测窗口，其尺寸为3L×3J，其中单元格的尺寸为L×J；计算T_mean∈{P_max，P_min}是否成立；

如果T_mean∈{P_max，P_min}成立，则认为中心单元格为小目标区域，令Flag(i，j)＝TRUE且f_temp(i，j)＝P′_median′，进入步骤3)；

否则，(a)如果Flag(i，j)为FALSE，进入步骤3)；(b)如果Flag(i，j)为TRUE，令f_p(i，j)＝f_temp(i，j)，完成对当前点f_p(i，j)的计算；

3)增大L，J的尺寸；如果L≤L_max，J≤J_min，重复步骤2)；否则，令f_p(i，j)＝f_temp(i，j)，完成对当前点f_p(i，j)的计算；

(3)在自适应背景预测的基础上进行背景抑制滤波

当所有点的f_p(i，j)计算完成之后，得到预测图像B_prediction(m，n)，然后通过式(2)计算出背景抑制后的图像。

B_prediction(m，n)＝f(m，n)-f_p(i，j)        (2)

Images