CN102819740A - 一种单帧红外图像弱小目标检测和定位方法 - Google Patents

Abstract

本发明涉及一种基于形态学带通滤波和尺度空间理论的单帧红外图像弱小目标检测和定位方法。基本思想是：首先对预处理后的红外图像进行形态学带通滤波，检测出红外弱小目标的潜在区域；然后利用DoG算子对预处理后的红外图像进行多尺度空间变换，并在目标的潜在区域通过尺度空间的极大值检测获得候选目标的位置和尺度；最后通过对候选目标的信杂比进行阈值化实现红外弱小目标的精确检测和定位。利用本发明方法，可以从复杂背景下的单帧红外图像中检测并定位出弱小目标。本发明具有很高的检测精度和较低的虚警率，同时具有较小的运算量，利于硬件系统实现。

Description

一种单帧红外图像弱小目标检测和定位方法

技术领域

本发明涉及一种单帧红外图像弱小目标检测和定位方法，可以应用于复杂背景下的单帧红外图像弱小目标检测和定位。 

背景技术

复杂背景下单帧红外图像的弱小目标检测和定位是红外搜索与跟踪系统等领域的一项关键技术，也一直是该领域的研究热点和难点。受红外传感器技术、大气辐射、作用距离和探测器噪声等因素的影响，红外图像的对比度和信噪比都很低，加之远距离目标的成像面积较小，目标的成像面积仅为几个像素到几十个像素，在视场中表现为孤点或斑点，基本上无形状和纹理特征可以利用。因而，传统的基于目标大小、形状及特征的检测方法无法得到良好的检测和定位效果。 

目前已有的红外图像弱小目标检测方法，概括起来可以分为基于时间域的检测方法、基于空间域的检测方法和基于变换域的检测方法三大类。基于时间域的检测方法主要包括图像熵差法、基于序列图像检测法和基于面模型的匹配滤波法等。但是，基于时间域的检测方法需要用到不同时间采集的多帧图像，且图像序列必须配准，不适用于单帧图像的目标检测。基于空间域的检测方法主要利用小目标亮度高于其邻域背景，且与背景不相关的特性，直接在空间域对图像进行处理，其代表方法主要包括中值滤波法、二维最小均方误差法和偏微分方程法。然而，在低信噪比且具有复杂背景的红外弱小目标图像中，目标和背景的空间灰度分布非常接近，导致传统的基于空间域的检测方法难以准确地区分目标和背景，从而无法取得较好的检测效果。基于变换域的检测方法主要包括频域高通滤波法和基于小波变换的检测方法，该类方法对图像数据具有更为精细的分析能力，但存在运算复杂的缺点，不利于硬件系统实现。 

发明内容

要解决的技术问题 

为了避免现有技术的不足之处，本发明提出一种单帧红外图像弱小目标检测和定位方法，基于形态学带通滤波和尺度空间理论的单帧红外图像弱小目标检测和定位方法，可以自动地从低信噪比且具有复杂背景的单帧红外图像中检测并定位出弱小目标，具有很高的检测精度和较低的虚警率。 

技术方案 

一种单帧红外图像弱小目标检测和定位方法，其特征在于步骤如下： 

步骤1预处理：采用加权平均法对输入红外图像的RGB三个分量进行加权平均得到灰度图像，然后利用灰度线性变换函数将灰度图像的灰度范围映射到[I_min,I_max]的灰度区间，得到预处理后的图像I； 

其中：加权平均法计算公式为f(x,y)＝0.3R(x,y)+0.59G(x,y)+0.11B(x,y)，f(x,y)为加权平均法得到的灰度图像在像素点(x,y)的灰度值，R(x,y)、G(x,y)和B(x,y)分别为输入红外图像在像素点(x,y)的RGB三个分量值；灰度线性变换函数为  $I(x,y)=(I_{\max }-I_{\min })\×\frac{f(x,y)-f_{\min }}{f_{\max }-f_{\min }}+I_{\min },$ I(x,y)为f(x,y)经过灰度线性变换后的灰度值，f_min、f_max分别为灰度线性变换前的灰度图像的最小灰度值和最大灰度值； 

步骤2形态学带通滤波检测目标潜在区域：采用大小为S₁×S₁的正方形结构元素对图像I进行开运算得到图像I₁，采用大小为S₂×S₂的正方形结构元素对图像I进行开运算得到图像I₂，计算I₂和I₁的差分图像I_D＝I₂-I₁，然后对差分图像I_D采用阈值Th₁进行二值化，得到二值化图像 $I_{\mathrm{BW}}=\left\{\begin{array}{cc}0,& I_D<{\mathrm{Th}}_1\\ 1,& I_D\&GreaterEqual;{\mathrm{Th}}_1\end{array}\right.,$ I_BW中像素值为1的像素点的集合为目标的潜在区域 

其中，S₁是取值范围为6~12之间的整数；S₂是取值范围为1~2之间的整数；阈值Th₁的取值范围为0.15~0.30； 

步骤3生成DoG多尺度空间：计算图像I与不同尺度因子的DoG算子的卷积 得到DoG多尺度空间{D_σ|σ＝σ₁,…,σ_N}；其中：σ为尺度因子，σ_n＝σ₀·k^n-1，σ₀是一个取值范围为0.5～0.65之间的常数，k是一个取值范围为1.15～1.25之间的常数；下标和上标n表示尺度空间的标号，1≤n≤N，N为DoG多尺度空间的总层数，N的取值范围为10～12之间的整数；D_σ表示尺度因子为σ的DoG算子对应的DoG空间；DoG(x,y,σ)表示尺度因子为σ的DoG算子，DoG(x,y,σ)＝G(x,y,σ)-G(x,y,kσ)；G(x,y,σ)为高斯核函数，G(x,y,σ)＝(1/2πσ²)exp(-(x²+y²)/2σ²)；*表示卷积运算； 

步骤4候选目标检测和定位：将 

中像素点 

对应的像素值 

分别和它的8个相邻点、上一尺度 

中的9个相邻点以及下一尺度 

中的9个相邻点共26个像素点的值进行比较，如果 

为极大值，则像素点 为候选目标坐标点，σ_m为候选目标尺度，且候选目标大小d和候选目标尺度σ_m的关系为 

由此可以得到一些列的候选目标 

其中：下标m表示尺度空间的标号，2≤m≤N-1； 

表示第j个候选目标，它的坐标为 尺度为 下标j表示候选目标的标号，1≤j≤J，J表示候选目标的总个数； 

步骤5目标验证：计算每个候选目标 

的局部信杂比 

并通过对局部信杂比进行阈值化 

得到最终的目标检测结果；其中： 表示尺度因子为 

的DoG算子对应的DoG空间中像素点 

的像素值；σ_j为第j个候选目标 

的背景区域的灰度标准差，  ${\mathrm{\&sigma;}}_j=\sqrt{\frac{1}{M_j}\underset{(x,y)\&Element;C_j}{\mathrm{\&Sigma;}}{(D_{{\widetilde{\mathrm{\&sigma;}}}_j}(x,y)-{\mathrm{\&mu;}}_j)}^2},$ μ_j为第j个候选目标 

的背景区域的灰度均值， C_j表示第j个候选目标 

的背景区域，M_j 表示C_j中的元素个数， A_j表示第j个候选目标区域， 

B_j表示第j个候选目标和背景的总区域， 

阈值Th₂的取值范围为3~5。 

有益效果 

本发明提出的一种单帧红外图像弱小目标检测和定位方法，是一种基于形态学带通滤波和尺度空间理论的单帧红外图像弱小目标检测和定位方法，首先对预处理后的红外图像进行形态学带通滤波，检测出红外弱小目标的潜在区域；然后利用DoG算子对预处理后的红外图像进行多尺度空间变换，并在目标的潜在区域通过尺度空间的极大值检测获得候选目标的位置和尺度；最后通过对候选目标的信杂比进行阈值化实现红外弱小目标的精确检测和定位。本发明方法可以自动地从低信噪比且具有复杂背景的单帧红外图像中检测并定位出弱小目标。该方法具有很高的检测精度和较低的虚警率，同时具有较小的运算量，利于硬件系统实现。 

附图说明

图1：本发明方法的基本流程图 

图2：候选目标检测和定位示意图 

(a)输入图像 

(b)DoG多尺度空间 

(c)DoG空间极大值检测 

(d)检测与定位结果 

图3：本发明方法的部分检测结果 

(a)原始红外图像(白色方框代表实际的弱小目标) 

(b)原始红外图像的三维显示(箭头指示弱小目标) 

(c)形态学带通滤波检测目标潜在区域 

(d)DoG尺度空间的其中一层(σ=2.5799) 

(e)候选目标检测和定位(蓝色“+”代表候选目标) 

(f)最终的目标检测结果和定位(红色“+”代表最终的检测目标) 

具体实施方式

现结合实施例、附图对本发明作进一步描述： 

用于实施的硬件环境是：Intel Pentium 2.13GHz CPU计算机、2.0GB内存，运行的软件环境是：Matlab R2010b和Windows XP。选取了100幅复杂背景下的红外图像进行红外弱小目标检测实验，其中，天空背景27幅(包含飞机类弱小目标)，海空背景34幅(包含船只类弱小目标)，地面背景39幅(包含车辆类弱小目标)，每幅图像至少有1个弱小目标，100幅图像共包含268个弱小目标。 

本发明具体实施如下： 

1、预处理：采用加权平均法对每一幅输入红外图像的RGB三个分量进行加权平均得到灰度图像，然后利用灰度线性变换函数进行图像的灰度调整，使红外图像的灰度范围均处于灰度区间[0,1]内，得到得到预处理后的图像I； 

所采用的加权平均法计算公式为：f(x,y)＝0.3R(x,y)+0.59G(x,y)+0.11B(x,y)； 

所采用的灰度线性变换函数为： 

其中，f(x,y)为加权平均法得到的灰度图像在像素点(x,y)的灰度值，R(x,y)、G(x,y)和B(x,y)分别为输入红外图像在像素点(x,y)的RGB三个分量值，I(x,y)为f(x,y)经过灰度线性变换后的灰度值，f_min、f_max分别为灰度线性变换前的灰度图像的最小灰度值和最大灰度值。 

2、形态学带通滤波检测目标潜在区域：采用大小为10×10的正方形结构元素对图 像I进行开运算得到图像I₁，采用大小为2×2的正方形结构元素对图像I进行开运算得到图像I₂，计算I₂和I₁的差分图像I_D＝I₂-I₁，然后对差分图像I_D采用阈值0.2进行二值化，得到二值化图像 $I_{\mathrm{BW}}=\left\{\begin{array}{cc}0,& I_D<0.2\\ 1,& I_D\&GreaterEqual;0.2\end{array}\right.,$ I_BW中像素值为1的像素点的集合为目标的潜在区域 $\left\{(\hat{x},\hat{y})\right|I_{\mathrm{BW}}(\hat{x},\hat{y})=1\}.$

3、生成DoG多尺度空间：计算图像I与不同尺度因子的DoG算子的卷积 

得到DoG多尺度空间{D_σ|σ＝σ₁,...,σ_N}；其中：σ为尺度因子，σ_n＝σ₀·k^n-1，σ₀＝0.6，k＝1.2；下标和上标n表示尺度空间的标号，1≤n≤N，N为DoG多尺度空间的总层数，N＝11；D_σ表示尺度因子为σ的DoG算子对应的DoG空间；DoG(x,y,σ)表示尺度因子为σ的DoG算子，DoG(x,y,σ)＝G(x,y,σ)-G(x,y,kσ)；G(x,y,σ)为高斯核函数，G(x,y,σ)＝(1/2πσ²)exp(-(x²+y²)/2σ²)；*表示卷积运算。 

4、候选目标检测和定位：将 

中像素点 

对应的像素值 

分别和它的8个相邻点、上一尺度 中的9个相邻点以及下一尺度 

中的9个相邻点共26个像素点的值进行比较，如果 为极大值，则像素点 为候选目标坐标点，σ_m为候选目标尺度，且候选目标大小d和候选目标尺度σ_m的关系为 

由此可以得到一些列的候选目标 

其中：下标m表示尺度空间的标号，2≤m≤10； 表示第j个候选目标，它的坐标为 

尺度为 

下标j表示候选目标的标号，1≤j≤J，J表示候选目标的总个数。 

5、目标验证：设定阈值Th₂＝4，计算每个候选目标 

的局部信杂比 

并通过对局部信杂比进行阈值化 得到最终的目标检测结果；其中： 

表示尺度因子为 的DoG算子对应的DoG空间中像素点 

的像素值；σ_j为第j个候选目标 

的背景区域的灰度标准差，  ${\mathrm{\&sigma;}}_j=\sqrt{\frac{1}{M_j}\underset{(x,y)\&Element;C_j}{\mathrm{\&Sigma;}}{(D_{{\widetilde{\mathrm{\&sigma;}}}_j}(x,y)-{\mathrm{\&mu;}}_j)}^2},$ μ_j为第j个候选目标 

的背景区域的灰度均值， 

C_j表示第j个候选目标 

的背景区域，M_j表示C_j中的元素个数， 

A_j表示第j个候选目标区域， 

B_j表示第j个候选目标和背景的总区域， 

选用正确检测率、虚警率和每幅图像的平均运行时间对本发明的有效性进行评估。其中：正确检测率定义为正确检测的弱小目标个数与总的弱小目标个数之比；虚警率定义为虚警个数与正确检测的弱小目标个数和虚警个数之和的比值。同时，将本发明所得的检测结果与基于LoG尺度空间的小目标检测算法、基于图像稀疏表示的小目标检测算法进行了对比，对比结果如表1所示。正确检测率、虚警率和每幅图像的平均运行时间三个评价指标均表明了本发明方法的有效性。 

表1检测结果评价 

Claims (1)

1.一种单帧红外图像弱小目标检测和定位方法，其特征在于步骤如下：

步骤1预处理：采用加权平均法对输入红外图像的RGB三个分量进行加权平均得到灰度图像，然后利用灰度线性变换函数将灰度图像的灰度范围映射到[I_min,I_max]的灰度区间，得到预处理后的图像I；

其中：加权平均法计算公式为f(x,y)＝0.3R(x,y)+0.59G(x,y)+0.11B(x,y)，f(x,y)为加权平均法得到的灰度图像在像素点(x,y)的灰度值，R(x,y)、G(x,y)和B(x,y)分别为输入红外图像在像素点(x,y)的RGB三个分量值；灰度线性变换函数为 

I(x,y)为f(x,y)经过灰度线性变换后的灰度值，f_min、f_max分别为灰度线性变换前的灰度图像的最小灰度值和最大灰度值；

步骤2形态学带通滤波检测目标潜在区域：采用大小为S₁×S₁的正方形结构元素对图像I进行开运算得到图像I₁，采用大小为S₂×S₂的正方形结构元素对图像I进行开运算得到图像I₂，计算I₂和I₁的差分图像I_D＝I₂-I₁，然后对差分图像I_D采用阈值Th₁进行二值化，得到二值化图像

I_BW中像素值为1的像素点的集合为目标的潜在区域 

其中，S₁是取值范围为6～12之间的整数；S₂是取值范围为1～2之间的整数；阈值Th₁的取值范围为0.15～0.30；

步骤3生成DoG多尺度空间：计算图像I与不同尺度因子的DoG算子的卷积 

得到DoG多尺度空间{D_σ|σ＝σ₁,…,σ_N}；其中：σ为尺度因子，σ_n＝σ₀·k^n-1，σ₀是一个取值范围为0.5～0.65之间的常数，k是一个取值范围为1.15～1.25之间的常数；下标和上标n表示尺度空间的标号，1≤n≤N，N为DoG多尺度空间的总层数，N的取值范围为10～12之间的整数；D_σ表示尺度因子为σ的DoG算子对应的DoG空间；DoG(x,y,σ)表示尺度因子为σ的DoG算子，DoG(x,y,σ)＝G(x,y,σ)-G(x,y,kσ)；G(x,y,σ)为高斯核函数， G(x,y,σ)＝(1/2πσ²)exp(-(x²+y²)/2σ²)；*表示卷积运算；

步骤4候选目标检测和定位：将 

中像素点 

对应的像素值 

分别和它的8个相邻点、上一尺度 

中的9个相邻点以及下一尺度 

中的9个相邻点共26个像素点的值进行比较，如果 

为极大值，则像素点 

为候选目标坐标点，σ_m为候选目标尺度，且候选目标大小d和候选目标尺度σ_m的关系为 

由此可以得到一些列的候选目标 其中：下标m表示尺度空间的标号，2≤m≤N-1； 

表示第j个候选目标，它的坐标为 

尺度为 

下标j表示候选目标的标号，1≤j≤J，J表示候选目标的总个数；

步骤5目标验证：计算每个候选目标 

的局部信杂比 

并通过对局部信杂比进行阈值化 得到最终的目标检测结果；其中：

表示尺度因子为 

的DoG算子对应的DoG空间中像素点 

的像素值；

σ_j为第j个候选目标 的背景区域的灰度标准差， 

μ_j为第j个候选目标

的背景区域的灰度均值，

C_j表示第j个候选目标

的背景区域，M_j表示C_j中的元素个数， A_j表示第j个候选目标区域， B_j表示第j个候选目标和背景的总区域， 

阈值Th₂的取值范围为3～5。 

Images