CN104036461A - 一种基于联合滤波的红外复杂背景抑制方法 - Google Patents

Abstract

一种基于联合滤波的红外复杂背景抑制方法，包括以下步骤：S1.确定形态学结构元素尺寸；S2.空域背景抑制：基于自适应尺寸结构元素，利用灰度形态学顶帽变换实现红外复杂背景的空域初抑制；S3.非下采样轮廓波变换：对经过空域方法背景初抑制的红外图像进行非下采样轮廓波一级分解，其中带通子带分解为四个高频方向；S4.高频系数重构：去掉低频影响，基于邻域均值重新计算各个高频方向系数；S5.构造高频系数中心向量：计算各个空间位置处四个方向高频系数向量的均值，形成高频系数中心向量；S6.非下采样轮廓波域背景抑制。本发明解决了典型环境下红外复杂背景的抑制问题，为后续目标检测打下良好的基础。

Description

一种基于联合滤波的红外复杂背景抑制方法

技术领域

本发明涉及一种红外复杂背景抑制技术，具体说的是适用于远距离红外弱小目标检测中对空空、空地、海面等典型环境，利用空域和非下采样轮廓波域联合滤波的进行复杂背景抑制的方法。

背景技术

对于实际应用系统而言，如何充分发挥红外目标检测技术的优势，争取在最有力的时机获取来袭目标的相关信息已成了决定现代战争胜负的重要因素。于是，尽可能提高目标的探测距离成了各国研究人员都非常关注的问题。距离越远，目标在检测器件上的成像面积越小，且目标遭受杂波和背景影响的可能性就会增大，因而检测难度也会加大。战场环境一般包括海、天和地面。在现实的战场环境中，由于烟雾，云层，地表的山脉、纹理、大型建筑群以及海空地的交界面均会使背景复杂化。这些复杂的背景都会对弱小运动目标的检测产生极大的干扰。如何对复杂背景进行抑制，是在红外复杂背景环境中准确识别弱小目标的前提，该问题的解决对于增大作战距离和增加反应时间，提高己方的生存概率具有重要的意义。

发明内容

本发明的目的就是提供一种基于联合滤波的红外复杂背景抑制方法，为远距离红外弱小运动目标的检测打下良好的基础。

为了实现本发明的目的，使用了如下方案：一种基于联合滤波的红外复杂背景抑制方法，包括以下步骤：

S1.确定形态学结构元素尺寸：综合通过侦查手段获得的目标实际物理大小和红外实时成像应用中的导航信息，根据红外图像探测器成像投影模型，估计目标在成像平面上的大小，以目标成像平面上的大小为基准将图像分成若干子图像，计算每一子图像区域内的灰度均值和方差，计算子图像均值与方差之比，如果比值大于整帧图像均值与方差之比，则该子区域可能为候选目标区域，并标记该区域，在候选目标区域中统计目标的八连通区域，计算其矩形包围盒，以矩形的最大边长作为灰度形态学顶帽变换的结构元素大小；

S2.空域背景抑制：基于自适应尺寸结构元素估计红外背景，利用灰度形态学顶帽变换实现红外复杂背景的空域初抑制；

S3.非下采样轮廓波变换：将处理空间转换到非下采样轮廓波域，对经过空域背景初抑制的红外图像进行非下采样轮廓波变换一级分解，其中带通子带分解为四个高频方向，主要包括目标、残留背景和噪声；

S4.高频系数重构：将低频系数置零，去掉低频影响，基于邻域均值重新计算各个高频方向系数，进一步削弱残留背景和噪声系数的强度；

S5.构造高频系数中心向量：计算非下采样轮廓波域高频四个方向系数向量的均值，形成高频系数中心向量，为高频方向图像的综合提供基准向量；

S6.非下采样轮廓波域背景抑制：计算各个高频系数向量与中心向量的欧式距离，构造高频综合距离像，进一步拉大目标系数与残留背景和噪声系数的差异，实现红外复杂背景的最终抑制。

本发明的有益效果是：本发明基于空域形态学顶帽变换和非下采样轮廓波域高频综合距离像实现红外复杂背景的联合抑制。针对红外远距离探测的典型环境，本发明能够在增强目标信号强度的基础上实现红外复杂背景的有效抑制并能克服噪声的影响，背景起伏越大，本发明对背景的抑制效果越明显，为有效地解决复杂背景条件下的红外弱小目标检测问题奠定坚实的基础。

附图说明

图1为一种基于联合滤波的红外复杂背景抑制方法的红外复杂背景抑制方法流程图；

图2为发明方法与空域高通滤波、巴特沃斯高通滤波、Robison Guard滤波、空域-小波域联合滤波在对三组图像序列其中一帧的空空背景抑制对比图；

图3为发明方法与空域高通滤波、巴特沃斯高通滤波、Robison Guard滤波、空域-小波域联合滤波在对三组图像序列其中一帧的海空背景抑制对比图；

图4为发明方法与空域高通滤波、巴特沃斯高通滤波、Robison Guard滤波、空域-小波域联合滤波在对三组图像序列其中一帧的地空背景抑制对比图；

图5为原图像和发明方法图像的空空背景抑制三维灰度对比图；

图6为原图像和发明方法图像的海空背景抑制三维灰度对比图；

图7为原图像和发明方法图像的地空背景抑制三维灰度对比图。

具体实施方式

本发明的基本思路：本发明提出了一种空域和非下采样轮廓波域联合滤波的红外复杂背景抑制方法。该方法在空域通过自适应结构元素的灰度形态学顶帽变换抑制大部分红外背景。在此基础上，将处理空间变换到非下采样轮廓波域，通过分析残留背景、目标和噪声系数在高频子带的差异，基于邻域重新计算子带系数，对非下采样轮廓波域高频图像进行综合形成距离像，进一步提高图像的信噪比并得到背景抑制的最终结果。其中，空域的滤波由基于自适应结构元素的灰度形态学顶帽变换完成红外复杂背景的初抑制。红外图像中的目标区域通常为亮区域，在选用比目标区域尺寸大的结构元素情况下，灰度形态学开运算可使亮的目标区域被看作噪声而被滤除，可以估计可能目标区域外的图像背景而不破坏目标区域特征。原图像与估计出的图像背景做差即可得到包含候选目标且抑制大量背景的增强图像，该过程在灰度形态学中称为顶帽变换。背景初抑制后的图像包括残留背景边缘、小目标和噪声，在此基础上，将处理空间变换到非下采样轮廓波域进行后续背景抑制处理。轮廓波变换是一种多尺度的、局部的、方向性的二维图像分析方法。轮廓波变换不仅继承了小波变换的多分辨率时频分析特征，而且拥有良好的各向异性特征，能够对图像进行更好的稀疏表示，能准确地把握图像几何结构信息，有效地捕捉到自然图像中的轮廓。轮廓波变换把图像分解成各个尺度上的带通方向子带。拉普拉斯金字塔(Laplacian pyramid，LP)塔形分解被用来完成轮廓波变换的多尺度分解。每一级LP分解将产生一个上一级信号的低通采样和由低通采样与上一级信号的差值得到的一个带通分量。下一级多尺度分解是在产生的低通采样上迭代进行。方向滤波器组(directional filter bank,DFB)把LP分解得到的带通图像的频谱划分成楔形频率子带，完成轮廓波各个尺度上的方向分解。但是，由于下采样过程的存在，轮廓波变换缺乏平移不变性，图像处理后在边缘处会产生伪Gibbs失真。非下采样轮廓波变换，既具有轮廓波变换的优点，又具有平移不变性，因而可以有效地解决伪Gibbs失真这个问题。非下采样轮廓波变换与轮廓波变换一样，也是采用由LP变换与DFB所构成的双迭代滤波器组结构。两者的区别在于非下采样轮廓波变换采用的是非采样LP和非采样DFB，变换时首先由非采样塔状滤波器将图像分解为低频部分和高频部分，然后由非采样方向性滤波器组将高频部分分解为若干个方向。非下采样轮廓波变换去掉了LP分解和DFB分解中信号经分析滤波后的下采样(抽取)以及综合滤波前的上采样(插值)，而改为对相应的滤波器进行上采样，再对信号进行分析滤波和综合滤波。非下采样轮廓波变换不仅能将图像各频带区分开，且多向和平移不变性使其细节保护能力增强。由于非下采样轮廓波变换具有平移不变性，因此图像变换后，原始图像中的像素对应着变换域中相同位置的系数。灰度形态学顶帽变换抑制背景的图像经非下采样轮廓波变换后，对应的系数可分为三类：目标系数、残余背景系数和噪声系数。小目标不具备方向性，在高频各个方向上对应着较大的系数。残余背景则具有一定的方向性，在某些方向上对应较大系数，而在相同尺度的其他方向上则可能是小系数。噪声在所有的方向上都对应小系数。三者在高频方向系数上的差异，是实现非下采样轮廓波域背景抑制的基础。

本发明的具体过程：

空域红外复杂背景初抑制：本发明利用灰度形态学顶帽变换实现红外复杂背景的初抑制，描述如下：

(1)

(2)

其中，f代表红外原图像，f _b 为背景图像，f _T 是复杂背景初抑制的结果图像，是结构元素b对图像f的开运算，为腐蚀，代表膨胀。

结构元素的选择是决定背景估计效果结果好坏的关键因素，红外图像背景复杂且处于不断变化之中，要求选用的结构元素应具有自适应功能。在红外目标图像中，真实目标区域的灰度值较大且灰度分布较均匀即方差值较小。根据目标区域的这个灰度分布特征，本发明通过三个步骤进行候选目标区域的初始判定：

Step 1. 将图像按照估计的目标大小分成子图像；

Step 2. 计算每一子图像区域内的灰度均值和方差，并计算均值与方差之比m；

Step 3. 如果m大于指定的阈值则该子区域可能为候选目标区域，并标记该区域。

基于以上三个步骤，在候选目标区域中统计目标的八连通区域，计算其矩形包围盒，以矩形的最大边长作为灰度形态学顶帽变换的结构元素大小。统计像素时，如其灰度值与候选目标区域灰度均值相差小于指定的阈值，则可认为其为连通区域点。

非下采样轮廓波域红外复杂背景抑制：

设ω _i 为图像经过非下采样轮廓波变换后某高频方向点k的值，定义M _k 为该点处的系数均值：

(3)

式中n为k点邻域的边长。

对非下采样轮廓波变换后的各个高频方向计算各点的M，对于其中任意点k有由系数均值表达的特征向量：

(4)

式中j代表非下采样轮廓波变换后的高频方向。

定义中心向量为：

(5)

式中m为图像的大小。

各个点的系数均值向量与中心向量的距离为：

(6)

通过以邻域均值来重新表征高频系数，可以削弱残留背景和噪声系数的强度。由于目标像素在图像中占据很小的比重，其特征向量对中心向量的值影响较小。因此，背景像素的特征向量与中心向量较接近，而目标像素的特征向量与中心向量差异较大。计算特征向量与中心向量之间的距离，可以形成一个非下采样轮廓波域高频综合像。该综合像拉大了小目标区域系数与背景及噪声的系数值差异，进一步提高了图像的信噪比。由于残留背景在某方向上可能会有大系数呈现，故发明方法在某位置高频系数特征向量各个分量的均值大于某一阈值时才计算其与中心向量的距离，否则按照系数特征向量各分量的小值估计距离。

红外图像经过灰度形态学顶帽变换、非下采样轮廓波变换的低频系数抑制，滤除了大部分的背景干扰。接下来，利用变换系数中小目标、残余背景和噪声的不同特性，通过构造高频综合距离像，进一步剔除了残留背景边缘和噪声点，提高了图像的信噪比，实现红外复杂背景的最终抑制。经过上述处理，可以确保小目标区域的灰度在高频综合像中远高于其他区域，且越靠近目标中心点的像素的灰度值越大。

空域-非下采样轮廓波域联合滤波的红外复杂背景抑制算法流程如图1所示。

实验中非下采样轮廓波变换塔型滤波器为“9-7”，方向滤波器为“pkva”，分解尺度为1，方向数取4。通过局部信噪比增益(Local Signal-to-Noise Ratio Gain)和背景抑制系数(Background Suppression Factor)两个指标定量衡量背景抑制效果：

(7)

(8)

其中，s代表目标信号的幅度，u为区域均值，、代表输入、输出图像的标准差。SNRG _l 衡量算法对目标信号的保留程度，BSF代表算法对背景的抑制程度。区域大小取50*50。

实验数据集选用空空、海面和地空三组图像序列，每个序列包含图像100帧。利用形态学顶帽变换进行空域背景抑制时，考虑小目标的实际大小范围，将原图像按照7*7邻域进行划分，当邻域均值和方差比值大于全局值时，认为其为候选目标区域。对所有候选区域计算最大矩形包围盒边长作为结构元素的尺寸。在NSCT高频距离像生成时，某位置大系数至少在两个方向出现才计算均值向量与中心向量的距离，以消除残留背景的影响。

发明方法与空域高通滤波、巴特沃斯高通滤波、Robison Guard滤波、空域-小波域联合滤波对三组图像序列其中三帧的处理结果如图2-4所示。每组处理图像中，从(a)-(f)分别为红外原图像、空域高通滤波、巴特沃斯高通滤波、Robinson Guard滤波、小波法和发明方法处理结果。高通滤波器如式(9)：

(9)

从图中可看出，发明方法、小波法和Robison Guard滤波算法对于复杂背景特别是边缘的抑制效果明显优于其它算法，背景起伏越大，优势越明显。相比Robison Guard滤波，发明方法和小波法在保留目标的同时增强了其信号强度，且发明方法对目标信号增强的幅度最大。

原图像和发明方法抑制图像的三维灰度如图5-7所示。每组图像(a)为红外原图像，(b)代表发明处理结果图像。从(b)中可看出，尖峰对应于目标区域，而大部分背景得到抑制。

对三组图像序列计算局部信噪比增益和背景抑制系数，统计平均值如表1、表2所示。发明方法的SNRG和BSF均达到最大，进一步说明其是一种有效的背景抑制方法。

表1 各个算法的局部信噪比增益

SNRG	高通滤波	巴特沃斯	Robison Guard	小波法	发明方法
						空空	1.24	2.96	3.4	3.77	4.1
海面	0.42	1.23	1.29	1.46	2.26
						地空	0.72	1.14	1.39	1.48	1.97

表2 各个算法的背景抑制比

BSF均值	高通滤波	巴特沃斯	Robison Guard	小波法	发明方法
						空空	1.87	2.53	9.34	12.86	13.17
海面	0.38	1.85	2.99	4.16	5.86
						地空	0.49	1.37	2.82	3.68	4.95

针对远距离红外弱小目标检测的复杂背景抑制问题，本发明提出了一种空间域和非下采样轮廓波域相结合的方法。该方法在空间域自适应结构元素灰度形态学顶帽变换对红外复杂背景进行初步抑制的基础上，将处理空间变换到非下采样轮廓波域，构造高频方向系数的中心向量，计算各高频方向系数均值向量与中心向量的距离，形成高频综合像并实现红外复杂背景的最终抑制结果。针对典型红外复杂背景的实验结果表明，相对于经典算法，发明方法在目标信号的增强和背景抑制的效果方面均具有明显的优势，为后续的目标检测打下良好基础。

综上所述，本发明比目前其他经典方法更加实用、简单且具有较好的背景抑制效果。

Claims (1)

1. 一种基于联合滤波的红外复杂背景抑制方法，其特征在于：

S1.确定形态学结构元素尺寸：综合通过侦查手段获得的目标实际物理大小和红外实时成像应用中的导航信息，根据红外图像探测器成像投影模型，估计目标在成像平面上的大小，以目标成像平面上的大小为基准将图像分成若干子图像，计算每一子图像区域内的灰度均值和方差，计算子图像均值与方差之比，如果比值大于整帧图像均值与方差之比，则该子区域可能为候选目标区域，并标记该区域，在候选目标区域中统计目标的八连通区域，计算其矩形包围盒，以矩形的最大边长作为灰度形态学顶帽变换的结构元素大小；

S2.空域背景抑制：基于自适应尺寸结构元素估计红外背景，利用灰度形态学顶帽变换实现红外复杂背景的空域初抑制；

S3.非下采样轮廓波变换：将处理空间转换到非下采样轮廓波域，对经过空域背景初抑制的红外图像进行非下采样轮廓波变换一级分解，其中带通子带分解为四个高频方向，主要包括目标、残留背景和噪声；

S4.高频系数重构：将低频系数置零，去掉低频影响，基于邻域均值重新计算各个高频方向系数，进一步削弱残留背景和噪声系数的强度；

S5.构造高频系数中心向量：计算非下采样轮廓波域高频四个方向系数向量的均值，形成高频系数中心向量，为高频方向图像的综合提供基准向量；

S6.非下采样轮廓波域背景抑制：计算各个高频系数向量与中心向量的欧式距离，构造高频综合距离像，进一步拉大目标系数与残留背景和噪声系数的差异，实现红外复杂背景的最终抑制。