CN102324021B - 一种基于剪切波变换的红外弱小目标检测方法 - Google Patents

Abstract

该发明属于红外图像处理技术中的一种基于剪切波变换的红外弱小目标检测方法，包括：先后采用非下采样拉普拉斯金字塔变换和Shearlet滤波器对原始红外图像进行处理、以分别获取不同尺度下各方向位的高频信息图，抑制背景、噪声干扰信息，增强目标信息以及提取弱小目标。该发明由于利用非下采样拉普拉斯金字塔变换和Shearlet滤波器原始红外图像进行处理后、再经对所得高频信息图同尺度及不同尺度间的融合处理，抑制了干扰信息、增强了目标信息，最后对高频信息图进行分割得清晰的弱小目标图；从而具有检测处理流程短、数处理据量小、处理时间短，可有效提高对红外弱小目标检测的性能、对图像中的目标和复杂背景的区分明显、效果好等特点。

Description

一种基于剪切波变换的红外弱小目标检测方法

技术领域

本发明属于红外图像处理技术领域，涉及红外对空基和地基远程监控系统、红外预警及红外目标识别与跟踪系统等。将多尺度几何变换中的剪切波(Shearlet)变换理论用于红外弱小目标检测，本方法可有效地应用于低信噪比、背景和噪声干扰严重的单帧红外图像的弱小目标检测。

背景技术

红外弱小目标检测对空基和地基远程监控系统、红外预警及红外目标识别与跟踪系统等有着重要的意义。对弱小目标而言，目标较小意味着传感器距离目标较远，相对尺寸比较小，图像中目标的尺寸小于6×6个像素点，无形状和纹理信息；目标较弱意味着目标与周围背景之间的对比度较低(＜0.3)，目标信号强度与噪声的比值小(SNR＜2dB)，这些因素增加了弱小目标的检测难度。

单帧红外图像弱小目标检测方法可分为基于全局特征和局部特征的检测方法两类。基于全局特征的目标检测方法有：最大类间方差法、最大熵估计法和改进的偏微分方程法等。然而，由于弱小目标的全局特征非常不明显，它仅为局部的极值点，因此基于全局特征的弱小目标检测算法大多性能不佳。为此，发展了基于局部特征的目标检测方法：小面模型法、邻域反向相位特征法、元胞自动机法和局部二元模式算子检测法等；此外，神经网络和小波变换等也被用于单帧弱小目标检测，都取得了较好的效果，但不能很好地应用于红外图像信噪比较低、背景和噪声干扰严重的情况。

常规基于小波变换的方法是主要利用小波的多尺度分析方法区分图像的背景及感兴趣目标区。在《基于小波多尺度分析及Fisher分割的红外弱小目标检测.》(见《红外与毫米波学报》，2003年22卷(5期)：P353-356，作者：李红，郑成勇，高景丽.)中所述小波变换、就是根据不同尺度上生成的图像信息将目标与复杂背景区分开；即当采用小波变换对目标图像进行分析时、目标和背景在小波不同尺度(频段)生成的图像上有明显不同的区别特征，根据其区别特征用于复杂背景弱小目标的检测，该方法对信噪比较高图像信息的处理效果好，但对信噪比较低图像中目标和复杂背景的区分则较困难。

针对常规小波变换只能处理水平、垂直和对角线三个方向的信息和点状奇异性的缺陷，采用Shearlet变换能够处理多个方向的信息和各向异性的特点，对其辨识奇异性的位置和几何特征非常有用。在文献《采用剪切波变换的红外弱小目标背景抑制》(见《红外与毫米波学报》，2011年30卷(2期)：P162-166，作者：秦翰林，李佳，周慧鑫等)中所述Shearlet变换的方法中，根据红外图像中目标和背景杂波的不同分布特性，首先，采用shearlet变换对原始红外图像进行多尺度和多方向分解，获得原始图像的多尺度(频段)和各方向细节特征，然后，通过应用高斯尺度混合模型进行处理，从而将红外图像中弱小目标和背景杂波分离，达到抑制背景的目的，最后采用经典的自适应阈值分割技术得到目标图像，最终实现目标检测。该方法实现红外图像弱小目标背景抑制的具体步骤为：1.对原始图像进行Shearlet变换；2.利用高斯尺度混合模型估计各个高频信息图(高频子带)。首先，根据图像设定的杂波标准差计算邻域协方差C_w，估计邻域系数的协方差C_y，并利用C_y和C_w估计零均值高斯向量u的协方差C_u，然后对高频信息图中的各个邻域利用贝叶斯估计计算预测的背景信号(子带)；3.对低频信息图采用局部去均值滤波法进行处理，以削弱残留在低频信息图中的目标信号；4.对经过滤波处理的低频信息图和各个高频信息图(高频子带)进行Shearlet逆变换，得到背景图像；5.将背景图像与原始图像相减得到目标信号图像，实现对弱小目标的背景抑制。该方法中利用了高斯尺度混合模型，局部去均值滤波法和Shearlet逆变换，检测时所处理的数据量大，时间复杂度比较高。

发明内容

本发明的目的是针对背景技术存在的缺陷，改进设计一种基于剪切波变换的红外弱小目标检测方法，该方法对原始红外图像通过分解、变换，将其分解成不同尺度以及在同一尺度下不同方向的高频信息图，再经融合处理及对所得高频信息图分割处理，实现对弱小目标的检测；从而达到简化检测处理流程、降低数据处理量，缩短处理时间，有效提高对红外弱小目标检测的性能等目的。

本发明的解决方案是首先利用非下采样拉普拉斯金字塔变换(滤波处理)将原始红外图像分解为与原图像尺寸(大小)相同的一个高频信息图和一个低频信息图，再利用非下采样拉普拉斯金字塔变换(滤波处理)将所得低频信息图再分解为一个高频信息图和一个低频信息图；并对每次分解所得高频信息图则分别采用Shearlet滤波器对设定的方向位进行滤波处理、以获取不同尺度(频段)下各方向位的高频信息图；再对同一尺度各方向位的高频信息图融合处理，以抑制背景、噪声的干扰信息，然后对各尺度融合后的高频信息图进行融合处理、以增强目标信息，最后根据增强目标处理后的高频信息图的最大对比度确定其分割阈值、并利用该阈值对其进行二值化处理，从而实现其发明目的。因而本发明方法包括：

A.分别获取不同尺度(频段)下各方向位的高频信息图：首先利用非下采样拉普拉斯金字塔变换(滤波处理)将原始红外图像分解为与原图像尺寸(大小)相同的一个高频信息图和一个低频信息图，再利用非下采样拉普拉斯金字塔变换(滤波处理)将所得低频信息图再分解为一个高频信息图和一个低频信息图，如此反复对每次所得低频信息图进行分解至设定次数(即尺度数)止，而对每次分解所得高频信息图则分别采用Shearlet滤波器对设定的方向位进行滤波处理、以获取不同尺度(频段)下各方向位的高频信息图；

B.抑制背景、噪声干扰信息：对同一尺度(频段)下各方向位的高频信息图采用叠加方式进行融合处理，以抑制背景、噪声的干扰信息；

C.增强目标信息：将步骤B所得抑制干扰信息后各尺度(频段)下的高频信息图、再经融合处理，以增强目标信息；其融合处理的方法将各尺度(频段)下的高频信息图进行相乘处理、即通过代表各尺度下的高频信息图的矩阵(即对应的空间位置的值)进行相乘处理；

D.提取弱小目标：首先确定步骤C所得增强目标处理后的高频信息图的最大对比度，再根据该最大对比度确定其分割阈值，然后利用该阈值对高频信息图进行二值化处理，从而提取出弱小目标。

所述非下采样拉普拉斯变换(滤波处理)通过下式进行：

$f_a^j[n_1,n_2]=f_a^{j-1}[n_1,n_2]*h_j[n_1,n_2]$

$f_a^j[n_1,n_2]=f_a^{j-1}[n_1,n_2]*g_j[n_1,n_2]$

其中：*为循环卷积，0≤n₁，n₂≤N，N为原图像尺寸大小，

为第j-1尺度下的低频信息图，

为第j尺度下的低频信息图，

为第j尺度下的高频信息图，h_j[n₁，n₂]、g_j[n₁，n₂]分别表示第j尺度分解的低通滤波器和高通滤波器，1≤j≤J(j为整数)；

所述对每次分解所得高频信息图分别采用Shearlet滤波器对设定的方向位进行滤波处理；所用Shearlet滤波器由Meyer小波作为窗口函数，再将其从伪极坐标系转换到笛卡尔坐标系得到；定义伪极坐标(u，v)∈R²，其坐标转换由下式得到：

$(u,v)=(x,\frac{y}{x}),(x,y)\∈D_0$

$(u,v)=(y,\frac{x}{y}),(x,y)\∈D_1$

其中：R为实数，(u，v)为伪极坐标，(x，y)为笛卡尔坐标，D₀表示|y/x|≤1的水平区域，D₁表示|x/y|≤1的垂直区域。

上述反复对每次所得低频信息图进行分解至设定尺度(频段)数止，其所设定的分解尺度(频段)数为2-4个。而所述对每次分解所得高频信息图分别采用Shearlet滤波器对设定的方向位进行滤波处理，其所设定方向位的个数为5-20个。

所述对同一尺度(频段)下各方向位的高频信息图采用叠加方式进行融合处理、方法为：

$H_j=\left|H_j^1\right|+\left|H_j^2\right|+L\left|H_j^i\right|+L+\left|H_j^n\right|$

其中，

表示尺度j下的i方向位的高频信息图，H_j表示叠加融合后的高频信息像，n为尺度j下分解的方向位的个数。

在步骤C增强目标信息中、所述通过代表各尺度下的高频信息图的矩阵进行相乘处理为：

I(x，y)＝N_j(x，y)×N_j+1(x，y)×N_j+2(x，y)

其中：N_j(x，y)，N_j+1(x，y)，N_j+2(x，y)分别表示尺度为j、j+1、j+2的高频信息图叠加融合后的归一化图像，(x，y)为空间位置，I(x，y)表示进行相乘处理后的图像。

在步骤D中，所述确定增强目标处理后的高频信息图的最大对比度，其对比度的绝对值由下式决定：

c(t)＝min(|I′(a)-t|，|I′(b)-t|)

其中：c(t)为对比度的绝对值、t为门限灰度值，I′(a)为所有大于门限灰度值t的各像素点的平均灰度值，I′(b)为所有小于门限灰度值t的各像素点的平均灰度值。

所述根据最大对比度确定其分割阈值，分割阈值由下式确定：

$T=\underset{0\≤t\≤255}{\mathrm{Arg}}\max \left(c\left(t\right)\right)=t$

其中：T为分割阈值，即将使得对比度的绝对值c(t)取最大值时的门限灰度值t作为分割阈值：

本发明首先利用非下采样拉普拉斯金字塔变换(滤波处理)将原始红外图像分解为与原图像尺寸(大小)相同的一个高频信息图和一个低频信息图，再利用非下采样拉普拉斯金字塔变换(滤波处理)将所得低频信息图再分解为一个高频信息图和一个低频信息图；并对每次分解所得高频信息图则分别采用Shearlet滤波器对设定的方向位进行滤波处理、以获取不同尺度(频段)下各方向位的高频信息图；再对同一尺度各方向位的高频信息图融合处理，以抑制背景、噪声的干扰信息，然后再对各尺度融合后的高频信息图进行融合处理，以增强目标信息，最后根据增强目标处理后的高频信息图的最大对比度确定其分割阈值、并利用该阈值对其进行二值化处理，从而提取出弱小目标。本发明具有检测处理流程短、数据处理量小、处理时间短(时间复杂度低)，可有效提高对红外弱小目标检测的性能、对图像中的目标和复杂背景的区分明显、效果好等特点。本发明可有效地应用于对低信噪比、背景和噪声干扰严重的单帧红外图像的弱小目标检测。

附图说明

图1为本发明实施方式用于待检测的原始红外图像，图像中上部云层中的亮点即为红外弱小目标；

图2中(a)、(b)、(c)分别为相应尺度(频段)下各方向位的高频信息图经进行融合处理后的效果图；其中：(a)为第一尺度下的融合处理后的效果图，(b)为第二尺度下的融合处理后的效果图，(c)为第三尺度下的融合处理后的效果图；

图3为经步骤C增强目标信息处理后、再放大到灰度级为0～255范围内的效果图；

图4为本发明具体实施方式对原始红外图像(即图1)检测结果图。

具体实施方式

本实施方式以远距离复杂天空背景下飞行的红外弱小目标检测为例，其方法如下：

A.分别获取不同尺度(频段)下各方向位的高频信息图：首先利用非下采样拉普拉斯金字塔变换(滤波处理)将原始红外图像分解为与原图像尺寸(大小)相同的一个高频信息图和一个低频信息图，再利用非下采样拉普拉斯金字塔变换(滤波处理)将所得低频信息图再分解为一个高频信息图和一个低频信息图，如此对每次所得低频信息图进行分解至设定次数(即尺度数)止，而对每次分解所得高频信息图则分别采用Shearlet滤波器对设定的方向位进行滤波处理、以获取不同尺度(频段)下各方向位的高频信息图。其非下采样拉普拉斯变换由下式得到：

$f_a^j[n_1,n_2]=f_a^{j-1}[n_1,n_2]*h_j[n_1,n_2]$

(1)

$f_a^j[n_1,n_2]=f_a^{j-1}[n_1,n_2]*g_j[n_1,n_2]$

其中，*为循环卷积，0≤n₁，n₂≤N，N为原图像尺寸大小，为第j-1尺度下的低频信息图，为第j尺度下的低频信息图，

为第j尺度下的高频信息图，h_j[n₁，n₂]、g_j[n₁，n₂]分别表示第j尺度的分解低通滤波器和高通滤波器，对滤波器h[n₁，n₂](或g[n₁，n₂])，我们用h_j[n₁，n₂](g_j[n₁，n₂])记在h[n₁，n₂](g[n₁，n₂])的每一样本间插入2^j-1个零后所得的滤波器；本实施方式中，设定的尺度数为3，即三个尺度的高频信息图利用上式的卷积对1≤j≤3迭代计算得到；

然后利用Meyer小波作为窗口函数，再使其从伪极坐标系转换到笛卡尔坐标系，得到Shearlet滤波器；定义伪极坐标(u，v)∈R²(R表示实数)，其坐标转换由下式得到：：

$(u,v)=(x,\frac{y}{x}),(x,y)\∈D_0$

(2)

$(u,v)=(y,\frac{x}{y}),(x,y)\∈D_1$

其中，(u，v)为伪极坐标，(x，y)为笛卡尔坐标，D₀表示|y/x|≤1的水平区域，D₁表示|x/y|≤1的垂直区域。本实施方式中，对3次分解所得高频信息图分别采用Shearlet滤波器设定的方向位个数10进行滤波处理，以获取第一尺度下10个方向位，第二尺度下10个方向位和第三尺度下10个方向位的高频信息图。

B.抑制背景、噪声干扰信息：对同一尺度(频段)下各方向位的高频信息图采用叠加方式进行融合处理，以抑制背景、噪声的干扰信息。其表达式为：

$H_j=\left|H_j^1\right|+\left|H_j^2\right|+L+\left|H_j^n\right|---\left(3\right)$

其中，

表示尺度j下的i方向位的高频信息图，H_j表示叠加融合后的高频信息图，n为尺度j下分解的方向位的个数。

再对H_j进行归一化处理，N_j表示对H_j归一化后的值：

$N_j=(H_j-H_{j^{\min }})/(H_{j^{\max }}-H_{j^{\min }})---\left(4\right)$

C.增强目标信息：将步骤B所得抑制干扰信息后各尺度(频段)下的高频信息图、再经融合处理，以增强目标信息；其融合处理的方法将各尺度(频段)下的高频信息图进行相乘处理，即通过代表各尺度下的高频信息图的矩阵(即对应的空间位置的值)进行相乘处理，如下式所示：

I(x，y)＝N_j(x，y)×N_j+1(x，y)×N_j+2(x，y)    (5)

其中：N_j(x，y)，N_j+1(x，y)，N_j+2(x，y)分别表示尺度为j、j+1、j+2的经过步骤B处理后的高频信息图，(x，y)为空间位置，I(x，y)表示进行相乘处理后的所得图像。

然后，将图像I(x，y)放大到灰度级0～255的范围内，I′(x，y)表示对I(x，y)进行变换后的值：

I′(x，y)＝255×(I(x，y)-I(x，y)_min)/(I(x，y)_max-I(x，y)_min)    (6)

D.提取弱小目标：首先确定步骤C所得增强目标处理后的高频信息图的最大对比度，再根据该最大对比度确定其分割阈值，其对比度的绝对值由下式决定：

c(t)＝min(|I′(a)-t|，|I′(b)-t|)    (7)

其中，c(t)为对比度的绝对值、t为门限灰度值，I′(a)为所有大于门限灰度值t的各像素点的平均灰度值，I′(b)为所有小于门限灰度值t的各像素点的平均灰度值。

本实施方式中，当t＝184时，使得对比度的绝对值c(t)取最大值，即满足公式：

$T=\underset{0\≤t\≤255}{\mathrm{Arg}}\max \left(c\left(t\right)\right)=t=184---\left(8\right)$

其中T为分割阈值，即实施方式选择使图像对比度的绝对值c(t)取最大值时的门限灰度值184作为对步骤C所得高频信息图进行分割的阈值T；

然后用该阈值对步骤C所得增强目标处理后的高频信息图进行二值化(分割)处理，即通过下式：

$I^{\&prime;}(x,y)=\left\{\begin{array}{cc}255,& I^{\&prime;}(x,y)\&GreaterEqual;T\\ 0,& I^{\&prime;}(x,y)<T\end{array}\right.---\left(9\right)$

进行二值化(分割)处理，即得到弱小目标的检测结果图，其图4中的亮点为弱小目标。

Claims (8)

1.一种基于剪切波变换的红外弱小目标检测方法，包括：

A.分别获取不同尺度下各方向位的高频信息图：首先利用非下采样拉普拉斯金字塔变换将原始红外图像分解为与原图像尺寸相同的一个高频信息图和一个低频信息图，再利用非下采样拉普拉斯金字塔变换将所得低频信息图再分解为一个高频信息图和一个低频信息图，如此反复对每次所得低频信息图进行分解至设定尺度数止，而对每次分解所得高频信息图则分别采用Shearlet滤波器对设定的方向位进行滤波处理，以获取不同尺度下各方向位的高频信息图；

B.抑制背景和噪声干扰信息：对同一尺度下各方向位的高频信息图采用叠加方式进行融合处理，以抑制背景和噪声的干扰信息；

C.增强目标信息：将步骤B所得抑制干扰信息后各尺度下的高频信息图、再经融合处理，以增强目标信息；其融合处理的方法将各尺度下的高频信息图进行相乘处理，即通过代表各尺度下的高频信息图的矩阵进行相乘处理；

D.提取弱小目标：首先确定步骤C所得增强目标处理后的高频信息图的最大对比度，再根据该最大对比度确定其分割阈值，然后利用该阈值对高频信息图进行二值化处理，从而提取出弱小目标。

2.按权利要求1所述基于剪切波变换的红外弱小目标检测方法，其特征在于所述非下采样拉普拉斯变换通过下式进行：

$f_a^j[n_1,n_2]=f_a^{j-1}[n_1,n_2]*h_j[n_1,n_2]$

$f_d^j[n_1,n_2]=f_a^{j-1}[n_1,n_2]*g_j[n_1,n_2]$

其中：*为循环卷积，0≤n₁,n₂≤N，N为原图像尺寸大小，

为第j-1尺度下的低频信息图，

为第j尺度下的低频信息图，

为第j尺度下的高频信息图，h_j[n₁,n₂]、g_j[n₁,n₂]分别表示第j尺度分解的低通滤波器和高通滤波器，1≤j≤J，j为整数、J为设定的尺度数。

3.按权利要求1所述基于剪切波变换的红外弱小目标检测方法，其特征在于所述Shearlet滤波器由Meyer小波作为窗口函数，再将其从伪极坐标系转换到笛卡尔坐标系得到；定义伪极坐标(u,v)∈R²，其坐标转换由下式得到：

$(u,v)=(x,\frac{y}{x}),(x,y)\&Element;D_0$

$(u,v)=(y,\frac{x}{y}),(x,y)\&Element;D_1$

其中：R为实数，(u,v)为伪极坐标，(x,y)为笛卡尔坐标，D₀表示|y/x|≤1的水平区域，D₁表示|x/y|≤1的垂直区域。

4.按权利要求1所述基于剪切波变换的红外弱小目标检测方法，其特征在于所述反复对每次所得低频信息图进行分解至设定尺度数止，所设定的分解尺度数为2-4个；而所述对每次分解所得高频信息图分别采用Shearlet滤波器对设定的方向位进行滤波处理，其所设定方向位的个数为5-20个。

5.按权利要求1所述基于剪切波变换的红外弱小目标检测方法，其特征在于所述对同一尺度下各方向位的高频信息图采用叠加方式进行融合处理，方法为：

$H_j=\left|H_j^1\right|+\left|H_j^2\right|+\&CenterDot;\&CenterDot;\&CenterDot;\left|H_j^i\right|+\&CenterDot;\&CenterDot;\&CenterDot;+\left|H_j^n\right|$

其中，

表示尺度j下的i方向位的高频信息图，H_j表示叠加融合后的高频信息像，n为尺度j下分解的方向位的个数。

6.按权利要求1所述基于剪切波变换的红外弱小目标检测方法，其特征在于在步骤C中所述通过代表各尺度下的高频信息图的矩阵进行相乘处理为：

I(x,y)=N_j(x,y)×N_j+1(x,y)×N_j+2(x,y)

其中：N_j(x,y)，N_j+1(x,y)，N_j+2(x,y)分别表示尺度为j、j+1、j+2的高频信息图叠加融合后的归一化图像，(x,y)为空间位置，I(x,y)表示进行相乘处理后的图像。

7.按权利要求1所述基于剪切波变换的红外弱小目标检测方法，其特征在于在步骤D中，所述确定增强目标处理后的高频信息图的最大对比度，其对比度的绝对值由下式决定：

c(t)=min(|I′(a)-t|，|I′(b)-t|)

其中：c(t)为对比度的绝对值、t为门限灰度值，I′(a)为所有大于门限灰度值t的各像素点的平均灰度值，I′(b)为所有小于门限灰度值t的各像素点的平均灰度值。

8.按权利要求1所述基于剪切波变换的红外弱小目标检测方法，其特征在于所述根据最大对比度确定其分割阈值，分割阈值由下式确定：

$T=\underset{0\&le;t\&le;255}{\mathrm{Arg}}\max \left(c\left(t\right)\right)$

其中：T为分割阈值，当对比度的绝对值c(t)取最大值时的门限灰度值t即为分割阈值，即T=t。

Images