CN104156929A - 基于全局滤波的红外弱小目标背景抑制方法及其装置 - Google Patents

Abstract

本发明提供一种基于全局滤波的红外弱小目标背景抑制方法，对红外图像进行多次平滑处理，将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体，根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像，根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像；本发明还提供一种基于全局滤波的红外弱小目标背景抑制装置，通过本发明能够更好的对目标的形状和灰度信息进行保持，为后续的背景抑制方法提供了良好的预处理图像，能够更精确地衡量图像中每个像素点与背景之间的差异，得到良好的背景抑制效果。

Description

基于全局滤波的红外弱小目标背景抑制方法及其装置

技术领域

本发明属于红外图像处理领域，尤其涉及一种基于全局滤波的红外弱小目标背景抑制方法及其装置。

背景技术

在红外预警和搜索跟踪系统中，由于目标距探测器较远、大气衰减等原因，探测器上得到的红外图像往往具有对比度低、图像细节模糊、在图像中所占像素点少、信噪比低等特点，这就给弱小目标的自动检测带来了困难。因此，要想提高检测概率，必须在检测之前对原始的红外图像进行预处理，以抑制背景杂波，增强目标。背景抑制是预处理的一个关键环节，其目的就是为了抑制图像中起伏的背景，提高图像的信噪比。背景抑制结果的优劣会直接影响到后续目标检测方法的性能，因此，近些年来许多学者对背景抑制的方法进行了深入的研究。

目前背景抑制方法主要有时域、空域、频域、形态学等滤波方法和统计回归的方法。例如：基于时域轮廓线的下驻点滤波的方法在时域上抑制背景杂波，检测运动的红外弱小目标，对于背景变化剧烈、目标运动速度缓慢的红外序列图像效果较差；将最大中值/均值滤波应用于弱小目标检测的方法，在空域上对图像进行处理，增大了计算量，且在窗口选择过大时会导致对背景杂波抑制效果变差，且容易在目标点周期产生虚假轮廓，定位精度较差；基于形态学top-hat变换的弱小目标检测方法，这种方法对背景杂波的抑制效果与结构元素的选择有非常密切的联系，并且对小于结构元素的背景杂波无法很好地抑制；利用二维最小均方误差滤波(TDLMS)的自适应线性预测方法，在预测过程中采用了最小均方误差准则，当原始红外图像中含有强相关的噪声时，利用杂波的相关性，可以从滤波器的输入信号中预测到杂波分量并将其消除，在滤波器的残差中得到目标信号分量，该方法对于非平稳背景反而可能会导致信噪比的降低。

除以上几种背景抑制方法外，目前针对红外弱小目标图像的背景抑制方法多种多样，但都具有各自的局限性，特别当图像包含较高灰度级，起伏剧烈的复杂背景时，许多方法无法得到良好的抑制效果。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种基于全局滤波的红外弱小目标背景抑制方法及其装置，能够有效抑制红外图像中的复杂背景，突出目标信息，便于后续的目标分割与检测。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供一种基于全局滤波的红外弱小目标背景抑制方法，该方法包括：对红外图像进行多次平滑处理，将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体，根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像，根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像。

上述方案中，所述对红外图像进行多次平滑处理为：对红外图像进行多次全局滤波处理。

上述方案中，所述将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体为：将多幅不同平滑尺度下的红外图像级联成为多尺度数据立方体。

上述方案中，所述确根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像为：将维数为M×N×n的红外图像数据立方体排列为n×(M×N)的矩阵，选取大小为1×d的窗口，将窗口在所述矩阵中滑动，确定所述窗口中的像素的局部灰度均值，所述局部灰度均值为窗口中心像素点对应位置所估计的背景灰度值，同时确定整个红外图像的灰度标准差，根据公式以及获得的局部灰度均值、背景灰度值和标准差分离所述生成的红外图像数据立方体中的弱小目标图像和红外图像中的背景图像，其中，为局部标准化欧式距离，r_ij为图像中坐标位置为(i,j)的像素点的灰度值，μ为图像的局部灰度均值，s为图像的灰度标准差。

上述方案中，所述根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像为：根据公式增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像，其中，为局部标准化欧式距离，h为调节参数，e为常数2.71828…。

本发明实施例还提供一种基于全局滤波的红外弱小目标背景抑制装置，该装置包括：

平滑处理单元、级联单元、确定单元、抑制单元，其中，

所述平滑处理单元，用于对红外图像进行多次平滑处理，发送获得的多幅平滑图像到级联单元；

所述级联单元，用于将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体，发送获得的红外图像数据立方体到确定单元；

所述确定单元，用于根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像，发送获得的弱小目标和背景图像到抑制单元；

所述抑制单元，用于根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像。

上述方案中，所述平滑处理单元，具体用于对红外图像进行多次全局滤波处理。

上述方案中，所述级联单元，具体用于将多幅不同平滑尺度下的红外图像级联成为多尺度数据立方体。

上述方案中，所述确定单元，具体用于将维数为M×N×n的红外图像数据立方体排列为n×(M×N)的矩阵，选取大小为1×d的窗口，将窗口在所述矩阵中滑动，确定所述窗口中的像素的局部灰度均值，所述局部灰度均值为窗口中心像素点对应位置所估计的背景灰度值，同时确定整个红外图像的灰度标准差，根据公式以及获得的局部灰度均值、背景灰度值和标准差分离所述生成的红外图像数据立方体中的弱小目标图像和红外图像中的背景图像，其中，为局部标准化欧式距离，r_ij为图像中坐标位置为(i,j)的像素点的灰度值，μ为图像的局部灰度均值，s为图像的灰度标准差。

上述方案中，所述抑制单元，具体用于根据公式增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像，其中，为局部标准化欧式距离，h为调节参数，e为常数2.71828…。

本发明提供一种基于全局滤波的红外弱小目标背景抑制方法及其装置，对红外图像进行多次平滑处理，将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体，根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像，根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像；通过该方法的平滑处理，与传统的基于块的平滑滤波方法相比，全局滤波在平滑滤波时仅对背景区域进行平滑，能够更好的对目标的形状和灰度信息进行保持，为后续的背景抑制方法提供了良好的预处理图像；通过局部标准化欧氏距离确定红外图像中各像素与背景图像的距离，与传统的标准化欧氏距离相比，背景均值不是一个固定值，这样，能够更精确地衡量图像中每个像素点与背景之间的差异，全局标准差相当于一个尺度，可以将这种差异统一到一个尺度空间，最终得到良好的背景抑制效果。

附图说明

图1为本发明实施例提供的基于全局滤波的红外弱小目标背景抑制方法的流程示意图；

图2为本发明中采集的红外图像的原图；

图3为采用第一种经典背景抑制方法对图2进行背景抑制后的结果；

图4为采用第二种经典背景抑制方法对图2进行背景抑制后的结果；

图5为采用第三种经典背景抑制方法对图2进行背景抑制后的结果；

图6为采用本发明对图2进行背景抑制后的结果；

图7为采用第一种经典背景抑制方法对图2进行背景抑制后的三维图；

图8为采用第二种经典背景抑制方法对图2进行背景抑制后的三维图；

图9为采用第三种经典背景抑制方法对图2进行背景抑制后的三维图；

图10为采用本发明对图2进行背景抑制后的三维图；

图11为本发明实施例提供的基于全局滤波的红外弱小目标背景抑制装置的结构示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提供一种基于全局滤波的红外弱小目标背景抑制方法，该方法包括：对红外图像进行多次平滑处理，将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体，根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像，根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像。

本发明实施例提供一种基于全局滤波的红外弱小目标背景抑制方法，如图1所示，该方法通过以下步骤实现：

步骤101：对红外图像进行多次平滑处理。

具体的，对红外图像进行多次全局滤波处理，获得多幅不同平滑尺度下的图像，步骤如下：

步骤201：采用非局部均值滤波对红外图像做预滤波。

$\mathrm{NL}\left(i\right)\underset{j\∈N_{N_i}}{\mathrm{\Σ}}w(i,j)y\left(j\right)$

其中， $w(i,j)=\frac{1}{z\left(i\right)}{e}^{-\frac{{\left|\right|y\left(N_i\right)-y\left(N_j\right)\left|\right|}_{2,\mathrm{\α}}^2}{h^2}},z\left(i\right)=\underset{j\∈N_i}{\mathrm{\Σ}}{e}^{-\frac{{\left|\right|y\left(N_i\right)y\left(N_j\right)\left|\right|}_{2,\mathrm{\α}}^2}{h^2}},$ i，j为图像中的两个不同像素点，y为输入图像，Ni是以i为中心的矩形邻域，h为平滑参数。α为高斯核函数的标准差，为红外图像y中的像素i和j的高斯加权欧式距离。

步骤202：采用方法确定相似性矩阵K的特征向量Φ和特征值Π。

具体的，利用20％的采样率对图像(包含n个像素点)进行空间平均采样，获得图像A(包含m个采样点)，A像素点之间的的相似性矩阵为K_A，大小为m×m；B含剩余的(n-m)个像素，组成相似性矩阵K_B大小为(n-m)×(n-m)；A，B像素之间的相似性矩为K_AB，大小为m×(n-m)。

$K=\mathrm{\Φ\Π}{\mathrm{\Φ}}^{\′}=\left[\begin{array}{cc}{K}_A& K_{\mathrm{AB}}\\ K_{\mathrm{AB}}^T& K_B\end{array}\right]$

其中代表正交向量，Π＝[π₁,π₂,...，π_n]包含了K的特征值。 证明了对矩阵K的前m个向量有下列近似：

$\widetilde{\mathrm{\Φ}}=\left[\begin{array}{c}{\mathrm{\Φ}}_A\\ K_{\mathrm{AB}}^T{\mathrm{\Φ}}_A{\mathrm{\Π}}_A^{-1}\end{array}\right]$

最终，K可以近似表示为：

步骤203：根据Sinkhorn方法确定对称的双重随机正定子滤波器矩阵W_A、W_AB。

具体的，由于滤波器矩阵W是核矩阵K的行归一化矩阵，故W＝D^-1K，其中， $D=\mathrm{diag}[{\mathrm{\Σ}}_{j=1}^n{K}_{1j},{\mathrm{\Σ}}_{j=1}^n{K}_{2j},...,{\mathrm{\Σ}}_{j=1}^n{K}_{\mathrm{nj}}].$

根据Sinkhorn方法，可以得到

$W_{\mathrm{sym}}=\mathrm{RKC}=\left[\begin{array}{cc}{W}_A& W_{\mathrm{AB}}\\ W_{\mathrm{AB}}^T& W_B\end{array}\right]$

其中，R＝diag(r)，表示R是对角线矩阵，C＝diag(c)，表示C是对角线矩阵，从W_sym中，可以得到W_A和W_AB。

步骤204：根据双重随机正定子滤波器矩阵W_A、W_AB确定滤波器矩阵W的特征值和特征向量

具体的，根据双重随机正定子滤波器矩阵W_A和W_AB，可以近似的表示出一个正交化的特征向量首先，定义一个对称矩阵Q为：

$Q=W_A+W_A^{-1/2}{W}_{\mathrm{AB}}{W}_{\mathrm{AB}}^T{W}_A^{-1/2}$

Q的特征分解为：

$Q=V_Q{S}_Q{V}_Q^T,$

令 $\tilde{S}=S_Q,$ 即为近似出的特征值和特征向量。

从而近似的滤波器矩阵为：

步骤205：确定截断和迭代参数m、k。

为保证滤波器均方误差(MSE)的估计值最小，可以通过迭代的方法使得MSE达到最优，其参数m、k可由下式给出：

$\hat{k},\hat{m}=\arg \min \underset{k,m}{\mathrm{MS}\hat{E}}(k,m)$

其中，k是迭代因子可以调节滤波器的强度，m是截断(缩减)因子，可以保证最终近似出的对称双随机的正定矩阵为。

$\tilde{W}={\tilde{V}}_m{\tilde{S}}_m^k{\tilde{V}}_m^T$

其中，V_m＝[v₁,v₂,...,v_m]， $S_m^k=\mathrm{diag}[{\mathrm{\λ}}_1^k,{\mathrm{\λ}}_2^k,...,{\mathrm{\λ}}_m^k].$

步骤206：输出滤波结果。

具体的，根据公式输出滤波结果，NL为非局部均值滤波后的图像

步骤102：将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体。

具体的，将多幅不同平滑尺度下的红外图像级联成为多尺度数据立方体。

步骤103：根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像。

具体的，将维数为M×N×n的红外图像数据立方体排列为n×(M×N)的矩阵，选取大小为1×d的窗口，d的选取要大于目标所占像素的个数，本发明中d＝17，将窗口在所述矩阵中滑动，确定所述窗口中的像素的局部灰度均值，所述局部灰度均值为窗口中心像素点对应位置所估计的背景灰度值，同时确定整个红外图像的灰度标准差，根据公式以及获得的局部灰度均值、背景灰度值和标准差分离所述生成的红外图像数据立方体中的弱小目标图像和红外图像中的背景图像，其中，为局部标准化欧式距离，r_ij为图像中坐标位置为(i,j)的像素点的灰度值，μ为图像的局部灰度均值，s为图像的灰度标准差。

步骤104：根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像。

具体的，根据公式增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像，其中，为局部标准化欧式距离，h为调节参数，e为常数2.71828…。

实验数据：

为了验证本发明的有效性，本发明采用实际采集到的复杂云层背景红外弱小目标图像进行验证实验，并与其他几种经典的背景抑制方法进行比较。实验表明，本发明的方法不仅从主观视觉还是客观评价指标均优于其他几种方法。图3～10给出了本发明方法及三种经典背景抑制方法对图2的背景抑制结果。SCR为信杂比，ISCR为信杂比增益，BSF为背景抑制因子。

表1为几种方法的评价指标对比表

本发明实施例一种基于全局滤波的红外弱小目标背景抑制装置，如图11所示，该装置包括：平滑处理单元1、级联单元2、确定单元3、抑制单元4，其中，

所述平滑处理单元1，用于对红外图像进行多次平滑处理，发送获得的多幅平滑图像到级联单元2；

所述平滑处理单元1，具体用于对红外图像进行多次全局滤波处理。

所述级联单元2，用于将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体，发送获得的红外图像数据立方体到确定单元3；

所述级联单元2，具体用于将多幅不同平滑尺度下的红外图像级联成为多尺度数据立方体。

所述确定单元3，用于根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像，发送获得的弱小目标和背景图像到抑制单元4；

所述确定单元3，具体用于将维数为M×N×n的红外图像数据立方体排列为n×(M×N)的矩阵，选取大小为1×d的窗口，将窗口在所述矩阵中滑动，确定所述窗口中的像素的局部灰度均值，所述局部灰度均值为窗口中心像素点对应位置所估计的背景灰度值，同时确定整个红外图像的灰度标准差，根据公式以及获得的局部灰度均值、背景灰度值和标准差分离所述生成的红外图像数据立方体中的弱小目标图像和红外图像中的背景图像，其中，为局部标准化欧式距离，r_ij为图像中坐标位置为(i,j)的像素点的灰度值，μ为图像的局部灰度均值，s为图像的灰度标准差。

所述抑制单元4，用于根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像。

所述抑制单元4具体根据公式增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像，其中，为局部标准化欧式距离，h为调节参数，e为常数2.71828…。

Claims (10)

1.一种基于全局滤波的红外弱小目标背景抑制方法，其特征在于，该方法包括：对红外图像进行多次平滑处理，将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体，根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像，根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像。

2.根据权利要求1所述的基于全局滤波的红外弱小目标背景抑制方法，其特征在于，所述对红外图像进行多次平滑处理为：对红外图像进行多次全局滤波处理。

3.根据权利要求1或2所述的基于全局滤波的红外弱小目标背景抑制方法，其特征在于，所述将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体为：将多幅不同平滑尺度下的红外图像级联成为多尺度数据立方体。

4.根据权利要求3所述的基于全局滤波的红外弱小目标背景抑制方法，其特征在于，所述根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标图像和红外图像中的背景图像为：将维数为M×N×n的红外图像数据立方体排列为n×(M×N)的矩阵，选取大小为1×d的窗口，将窗口在所述矩阵中滑动，确定所述窗口中的像素的局部灰度均值，所述局部灰度均值为窗口中心像素点对应位置所估计的背景灰度值，同时确定整个红外图像的灰度标准差，根据公式以及获得的局部灰度均值、背景灰度值和标准差分离所述生成的红外图像数据立方体中的弱小目标图像和红外图像中的背景图像，其中，为局部标准化欧式距离，r_ij为图像中坐标位置为(i,j)的像素点的灰度值，μ为图像的局部灰度均值，s为图像的灰度标准差。

5.根据权利要求4所述的基于全局滤波的红外弱小目标背景抑制方法，其特征在于，所述根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像为：根据公式增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像，其中，为局部标准化欧式距离，h为调节参数，e为常数2.71828…。

6.一种基于全局滤波的红外弱小目标背景抑制装置，其特征在于，该装置包括：

平滑处理单元、级联单元、确定单元、抑制单元，其中，

所述平滑处理单元，用于对红外图像进行多次平滑处理，发送获得的多幅平滑图像到级联单元；

所述级联单元，用于将平滑处理后获得的多幅不同平滑尺度下的图像级联生成红外图像数据立方体，发送获得的红外图像数据立方体到确定单元；

所述确定单元，用于根据局部标准化欧式距离分离所述生成的红外图像数据立方体中的弱小目标和背景图像，发送获得的弱小目标和背景图像到抑制单元；

所述抑制单元，用于根据非线性函数增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像。

7.根据权利要求6所述的基于全局滤波的红外弱小目标背景抑制装置，其特征在于，所述平滑处理单元，具体用于对红外图像进行多次全局滤波处理。

8.根据权利要求6或7所述的基于全局滤波的红外弱小目标背景抑制装置，其特征在于，所述级联单元，具体用于将多幅不同平滑尺度下的红外图像级联成为多尺度数据立方体。

9.根据权利要求8所述的基于全局滤波的红外弱小目标背景抑制装置，其特征在于，所述确定单元，具体用于将维数为M×N×n的红外图像数据立方体排列为n×(M×N)的矩阵，选取大小为1×d的窗口，将窗口在所述矩阵中滑动，确定所述窗口中的像素的局部灰度均值，所述局部灰度均值为窗口中心像素点对应位置所估计的背景灰度值，同时确定整个红外图像的灰度标准差，根据公式以及获得的局部灰度均值、背景灰度值和标准差分离所述生成的红外图像数据立方体中的弱小目标图像和红外图像中的背景图像，其中，为局部标准化欧式距离，r_ij为图像中坐标位置为(i,j)的像素点的灰度值，μ为图像的局部灰度均值，s为图像的灰度标准差。

10.根据权利要求9所述的基于全局滤波的红外弱小目标背景抑制装置，其特征在于，所述抑制单元，具体用于根据公式增强所述局部标准化欧式距离分离后的弱小目标、以及抑制所述局部标准化欧式距离分离后的背景图像，获得背景抑制后的图像，其中，为局部标准化欧式距离，h为调节参数，e为常数2.71828…。