CN104599273B - 基于小波多尺度交叉运算的海空背景红外小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于小波多尺度交叉运算的海空背景红外小目标检测方法，属于图像处理技术领域。本发明先对海天背景下的红外图像进行小波分解变换，然后利用小波分解得到的低频图像，通过水平边缘检测、连通方向判断检测海天线，最后在海天线区域内进行互能量交叉运算，得到待检测的目标。本发明中所得到的在复杂海空背景下对红外目标的检测结果相比于传统的海空背景目标检测方法，具有海天线检测准确、适应性强、检测速度快、海杂波云层干扰去除能力强的特点，该方法可以广泛应用于海面目标检测、入侵警报、定位跟踪等方面。

Description

基于小波多尺度交叉运算的海空背景红外小目标检测方法

技术领域

本发明属于目标检测领域的方法，特别是一种基于小波多尺度交叉运算的海空背景红外小目标检测方法。

背景技术

随着光谱探测技术的发展，基于图像处理的目标检测识别系统被广泛的使用在安保预警，海面救援，港口船只检测等方面。在复杂的成像背景条件下，探测系统如何自主的发现目标、检测识别目标、进而跟踪目标，是我们研究的主要方向。尤其是在海空复杂背景环境下，如何在低信噪比的海天噪声中完成对远处小目标的检测与提取，一直是目标检测中亟待解决和优化的课题。

目前，针对海空背景下小目标的检测，基于目前的技术水平，红外成像仍是探测的主要手段。又因为远处红外小目标一般出现在海天线附近，而海天线区域以外的天空和海洋区域，存在较多的海杂波及云层的噪声干扰，所以，主流的检测方法都是先进行海天线及海天线区域检测，再在海天线区域内检测目标。

海天线检测方法研究中，曹琦等人基于梯度以及能量积累的方法进行海天线检测(曹琦,王德江,张齐,et al.红外点目标检测中的能量累积[J].光学精密工程,2010.)；黄英东等人使用检测直线的hough变换，检测出海天线探测海天线区域(黄英东,范宁军,李杰.一种基于海天线检测的舰船定位方法[J].弹箭与制导学报,2008,(5):286-288.)。以上方法均在图像成像效果清楚，海天线干扰小的情况下，识别定位比较准确。但是在噪声大，或云层，波浪等干扰较多以及海天线倾斜时，较难实现对海天线的准确定位。

在海空背景下小目标的检测方面，史泽林等人提出小波互能量交叉算法，即利用小波变换得到的各尺度，水平、垂直方向的细节图像相乘，得到小波互能量交叉图像，进而进行目标检测(ZL(史泽林)S,Y(魏颖)W,SB(黄莎白)H.基于小波互能量交叉的复杂背景中红外小目标检测方法[J].弹箭与制导学报,2003.)。原始互能量交叉算法在进行海空背景小目标检测时，由于在垂直方向上海空背景下目标信息较微弱，若不加区别的和水平方向的信息相乘，会导致目标信息的大量丢失，不利于突出目标。

发明内容

本发明的目的在于提供一种基于小波多尺度交叉运算的海空背景红外小目标检测方法，实现在海空复杂背景下对远处小目标的检测方法。

实现本发明目的的技术解决方案为：一种基于小波多尺度交叉运算的海空背景红外小目标检测方法，包括以下步骤：

步骤1，在海空背景下，利用红外焦平面阵列采集红外图像，将数字化后的红外光强图像输入到计算机中，得到红外图像；

步骤2，采用小波变换对步骤1得到的红外图像进行多尺度分析处理，通过小波变换对红外图像进行z层分解，分别得到在垂直、水平和倾斜方向，且各方向尺度为2、2²、2³…、2^z的3z幅细节图像和z层低频图像，z＝2-4，并将细节图像的图像大小尺寸通过最近邻插值法放大还原到原始图像尺寸；

步骤3，提取步骤2中得到的尺度为2^z的低频图像，使用该低频图像先进行海天线水平或倾斜分布状态判断，再分别根据水平海天线或倾斜海天线特点确定海天线区域位置，即得到小目标可能出现的区域；

步骤4，使用步骤2中得到的在垂直方向，尺度为2的细节图像进行二值化，阈值由最大类间方差法确定，得到的结果再与使用步骤2中得到的在水平方向，且尺度为2、2²、2³…、2^z的细节图像，进行互能量交叉运算，对结果进行归一化后，得到互能量交叉图像；

步骤5，针对步骤4得到的互能量交叉图像，在步骤3中得到的海天线区域内，进行目标检测，确定目标位置，并在原图被判定为目标位置，框出目标。

本发明与现有技术相比，其显著优点：(1)利用小波多尺度多方向细节分解的特性，提取出海空背景下红外图像的大尺度低频图像，有效突出了海天线特征，同时削减了噪声、杂波对海天线检测的影响；(2)提出的通过行灰度标准差判断海天线大致走向，及倾斜海天线中点位置判断方法，算法简单，对海天线走势判断准确，适应性强，在背景噪声大的情况下仍可以实现海天线走势判断；(3)本发明改进的小波互能量交叉运算应用在小目标检测方面，去噪能力强，相比于原始的小波互能量交叉算法，在进行交叉运算时，垂直方向使用尺度较小的分量系数，减少了垂直方向上所需要的细节图像层数，并进行二值化处理，避免了在能量交叉运算时，目标信息的丢失，使目标突出效果好，尤其适合背景噪声条纹方向比较一致的图像，比如海天背景环境。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明基于小波多尺度交叉运算的海空背景红外小目标检测方法总流程。

图2是本发明中海天线检测方法流程。

图3是本发明海天线倾斜情况红外原始图像。

图4是本发明倾斜海天线被小波分解到2³尺度低频图像。

图5是本发明海天线倾斜时行标准差分布图。

图6(a)是本发明实验仿真的原始图像：尺寸为362×278红外图像。

图6(b)是本发明实验仿真的原始图像：尺寸为282×195红外图像。

本发明使用Haar小波对实验仿真的原始图像进行小波分解后的图像：图7(a)尺度2低频图像；图7(b)尺度2低频图像对应的边缘检测图像；图7(c)尺度2²低频图像；图7(d)尺度2²低频图像对应的边缘检测图像；图7(e)尺度2³低频图像；图7(f)尺度2³低频图像对应的边缘检测图像。

图8是本发明图6(a)被分解到2³尺度低频图。

图9是本发明对图8的行灰度值标准差分布图。

图10是本发明图6(a)低频分量边缘检测二值化结果图。

图11是本发明图6(a)像素点海天线方向标记图。

图12是本发明图6(a)识别出的海天线位置图。

图13是本发明图6(a)小波互能量交叉运算效果图。

图14是本发明图6(a)目标位置效果图。

图15是本发明图6(a)目标被识别效果图。

图16是本发明图6(b)被分解到2³尺度低频图。

图17是本发明行灰度值标准差分布图。

图18是本发明图6(b)低频分量边缘检测二值化结果图。

图19是本发明图6(b)像素点海天线方向标记图。

图20是本发明图6(b)识别出的海天线位置图。

图21是本发明图6(b)小波互能量交叉运算效果图。

图22是本发明图6(b)目标位置效果图。

图23是本发明图6(b)目标被识别效果图。

图24是本发明海天线倾斜情况红外原始图像。

图25是本发明倾斜海天线被小波分解到2³尺度低频图像。

图26是本发明海天线倾斜时行标准差分布图。

图27是本发明海天线倾斜时的海天线区域。

图28是本发明海天线倾斜时小波互能量交叉运算效果图。

图29是本发明海天线倾斜时目标被识别效果图。

具体实施方式

结合图1，本发明基于小波多尺度交叉运算的海空背景红外小目标检测方法，包括以下步骤：

步骤1，在海空背景下，利用红外焦平面阵列采集红外图像，将数字化后的红外光强图像输入到计算机中，得到红外图像。

步骤2，采用小波变换对步骤1得到的红外图像进行多尺度分析处理，通过小波变换对红外图像进行z层分解，分别得到在垂直、水平和倾斜方向，且各方向尺度为2、2²、2³…、2^z小波系数的3z幅细节图像和z层低频图像，z＝2-4，并将细节图像的图像大小尺寸通过最近邻插值法放大还原到原始图像尺寸。下面以z＝3为例进行说明，即本发明将红外图像进行三层分解，分别得到在垂直、水平和倾斜(对角线)方向，且各方向的尺度为2、2²、2³的9幅细节图像和3层低频图像，并将细节图像的图像大小尺寸通过最近邻插值法放大还原到原始图像尺寸。

其中采用小波变换对步骤1采集的海空背景下的红外图像进行小波多尺度分析处理的具体步骤为：

第一步，小波变换是使用一系列的不同尺度的小波去分解原函数，变换后得到的是原函数在不同尺度小波下的系数。使用小波对海空背景红外图像进行分解时，由于噪声主要存在于信号的高频部分，所以在进行海天线检测时，不对高频细节做处理，而是提取小波分解后的低频图像，进行海天线识别，有效突出了海天线特征，同时削减了噪声对海天线检测的影响。利用小波多尺度多方向细节分解的特性，提取出海空背景下红外图像在水平、垂直、倾斜方向的细节图像，可以利用目标与噪声在不同方向以及尺度上特性的差别，实现对目标的识别。

本发明对小波函数没有具体要求，故选择最简单的哈尔小波进对输入的海空背景下的红外图像行小波变换。哈尔小波的母小波(mother wavelet)ψ(t)可表示为：

其中t表示时间。由哈尔母函数可以生成哈尔小波族如公式(2)。

m为尺度因子，改变m使函数图形缩小或者放大；n为平移参数，改变n使函数沿t轴方向平移。不同的小波子函数通过对母函数做平移与尺度变换得到，并与原函数卷积，其中平移是为了得到原函数的时间特性，尺度变换是为了得到原函数的频率特性。

对于二维信号，低一阶近似信号可以被小波分解到新一阶低频信号和水平、垂直、倾斜(对角)三个方向上的高频分量，如公式(3)。

其中A为低频分量(或称近似信号)，分别表示尺度为j，在水平、垂直、对角三个方向上的高频分量(或细节信号)。

第二步，由于在小波分解变换过程中，分解的尺度越大，则对图像细节丢失越严重。在本方法中利用小波变换这一特性，对图像中的噪声进行去除。但是当尺度增大时，图像中的目标等有用信息也会被削减。所以在进行小波分解尺度选择时，既要最大限度去除噪声，又要保留主要的目标信息。本发明通过小波变换对红外图像进行z层分解，分解层次选择z层，经小波分解后的图像被分解到了水平、垂直以及倾斜方向的z个尺度的频率上，得到原图在水平、垂直以及倾斜方向的z个尺度上的灰度细节图像和z层低频灰度图像。当z＝3时，分解层次选择3层，经小波分解后的图像被分解到了水平、垂直以及对角线方向的3个尺度的频率上，得到原图在水平、垂直以及对角线方向的3个尺度上的灰度图像和3幅低频图像。

步骤3，进行海天线区域检测，主要流程图如图2所示。传统的海天线检测方法不会对海天线方向进行检测，而是直接进行海天线检测。如曹琦等人基于梯度以及能量积累的方法进行海天线检测；黄英东等人使用检测直线的hough变换，检测出海天线探测海天线区域。本发明提出的通过行标准差判断海天线大致走向，及倾斜海天线中点判断方法，适应性强，计算操作简单。本发明提取步骤2中得到的第z层低频图像，使用该低频图像先进行海天线水平或倾斜分布状态判断，再分别根据水平海天线或倾斜海天线特点确定海天线区域位置，即得到小目标可能出现的区域。

其中对步骤2得到的第z层低频图像进行海天线区域检测的步骤为：

第一步，提取出步骤2中得到的尺度为2^z(即2³)的低频图像。

第二步，对得到的尺度为2³的低频图像，逐行计算其行像素点标准差，以行号为横坐标，行像素标准差为纵坐标作图。本发明利用标准差检测一行中灰度值的差异，标准差计算见公式(4)。

其中，σ表示行灰度标准差，N表示行像素个数，K表示像素标号，μ表示行灰度平均值，g_k表示每一像素点的灰度值。

第三步，判断行像素标准差变化图中曲线的走势，根据走势判断海天线是水平分布还是倾斜分布。判断标准为：不包含标准差变化趋势为单峰形状(为先增后减段)，海天线在图像中为水平分布；包含标准差变化趋势为单峰形状(为先增后减段)，海天线在图像中为倾斜分布。

通过这种方法进行海天线方向判断的理由是：当海天线为水平时，图像中的天空和海洋部分被海天线分别划分在上下水平分布区域内，图像每行像素的标准差不会出现较大的值。当海天线倾斜时，天空与海洋被海天线倾斜的分割，图像中包含海天线的行，会同时存在海洋、天空像素点，导致此区域标准差较大，且标准差存在单峰走势。

例如图3为海天线倾斜的海空背景红外图像，选取2³尺度提取低频系数图像，如图4。对其每行进行像素点灰度标准差计算，并把数值作标准差分布图观察走势，如图5，其中纵坐标为每行标准差，横坐标为行号。

而且理论上海天线中点处所在图像的行，同时包含一半的天空区域和一半的海洋区域，此处的标准差达到最大值，故实验中判定标准差峰值所在行为倾斜的海天线中点所在行，以此行为中心扩展区域，就可以提取出倾斜海天线的区域。

若海天线标准差分布未出现上述单一峰值，但由于噪声的存在，可能依然有波动存在。故判断此红外图像中海天线为水平分布。水平分布的海天线位置确定，则需要进行后续的形态学处理，以便找出最终的海天线区域。

第四步，若海天线被判断为水平方向，则对尺度为2^z(即2³)的低频图像继续进行边缘检测并二值化处理。边缘检测采用Prewitt算子进行，Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。若数字图像为f(x，y)，Prewitt算子的定义如下：

G(p)＝|[f(p-1,q-1)+f(p-1,q)+f(p-1，q+1)]

-[f(p+1,q-1)+f(p+1，q)+f(p+1，q+1)]|

G(q)＝|[f(p-1,q+1)+f(p,q+1)+f(p+1，q+1)] (5)

-[f(p-1,q-1)+f(p,q-1)+f(p+1，q-1)]|

则P(p,q)＝max[G(p),G(q)]或P(p,q)＝G(p)+G(q)

其中，(p，q)表示算子中心点坐标，G(p)、G(q)分别表示图像与水平和垂直方向算子的运算结果。P(p，q)表示水平、垂直方向运算结果中提取结果。此步骤完成后，图像的水平和垂直边缘都被检测出来，并且已经二值化。

第五步，对二值化图像进行形态学标记处理。图像中不孤立的亮点，即图像中每个灰度值为255且与其相邻的8个像素点中含有灰度值同样为255的像素点，对其与相邻亮点的相对位置关系进行分类标记。因为在低频大尺度图像中，二值化后的海天线通常为单像素行，所以本方法只对该像素点8连通领域内含有两个相邻点，且相邻点不在该点正上方和正下方的情况进行标记。经边缘检测后的图像含有海天线的边缘，同时也含有海杂波等噪声的边缘，水平海天线与噪声的区别是，海天线具有很强的连续性。故本发明利用海天线在连接方式以及分布上的特点，确定海天线位置。

所述标记方法如下：按照上述对海天线特点的分析，总共需要对7种连通方式进行标记。为方便描述，将像素点相对位置记如下表。其中a_2,2为待标记像素点。若a_2,1,a_2,2,a_2,3为亮点，则标记为连通方式1；若a_1,1,a_2,2,a_3,3为亮点，则标记为连通方式2；若a_3,1,a_2,2,a_1,3为亮点，则标记为连通方式3；若a_1,1,a_2,2,a_2,3为亮点，则标记为连通方式4；若a_2,1,a_2,2,a_1,3为亮点，则标记为连通方式5；若a_2,1,a_2,2,a_3,3为亮点，则标记为连通方式6；若a_3,1,a_2,2,a_2,3为亮点，则标记为连通方式7。其余连通方式均认为不是海天线部分，不进行标记。

a1,1	a1,2	a1,3
			a2,1	a2,2	a2,3
a3,1	a3,2	a3,3

对这7种连通方式进行统计，出现频率最高的连通方式即为海天线大致趋势走向，选择该连通方式在海天线大致趋势走向上最长的区域为海天线。因为海天线水平分布，所以海天线上像素点较多的为1连通状态，检测出连通状态包含1状态最多的行，即可能为海天线。去除其他噪声点，延长检测出的海天线。以此海天线为中心进行区域扩展即得到海天线区域。

第六步，若根据判断行像素标准差变化图中曲线的走势，判断出海天线方向为倾斜，海天线中点处所在图像的行，标准差达到最大值，故将标准差峰值所在行确定为倾斜的海天线中点所在行。然后以此行为中心扩展区域，就可以提取出倾斜海天线的区域。

步骤4，小波多尺度互能量交叉计算。使用步骤2中得到的在垂直方向，尺度为2的细节图像进行二值化，阈值由最大类间方差法确定，得到的结果再与使用步骤2中得到的在水平方向，尺度为2、2²、2³的细节图像，进行互能量交叉运算，对结果进行归一化后，得到互能量交叉图像。对小波分解后的细节图像进行互能量交叉运算的具体步骤为：

第一步，小目标在红外图像中呈现为一小亮斑，其在垂直方向和水平方向同时具有较大的突变，而图像中的自然背景如树木、道路、海浪和云层等只具有单一方向性。利用小波分解的多尺度特性和方向选择性，定义如下的小波方向互能量交叉函数：

D＝D^h×D^v

D^h、D^v分别为求得的原图像的水平、垂直方向的小波互能量交叉图像，下标表示小波分解的层次，这里将三级小波分解相应方向的高频分量取绝对值的乘积。D即表示最终互能量交叉运算结果。

对高频分量图像做多尺度间的交叉处理，可以达到抑制噪声增强目标的作用，这样做的主要原因有：一是小波分解把噪声分散到各个频率通道，而噪声在各尺度之间是互不相关的，在能量互交叉处理过程中，不同尺度、方向上不相关的噪声得到抑制：二是小目标在水平和垂直方向的各尺度空间都表现为较大的突变，而且在同一方向上各尺度之间是相关的，互能量交叉的结果，使得小目标在同一方向上的突变得以增强；三是背景灰度变化缓慢部分如大面积的亮带，在小波分解的各高频分量和互能量交叉图像中得以消除。

第二步，本发明针对海空背景下的目标进行互能量交叉运算，由于海空背景下，噪声主要为水平分布的海杂波及云层干扰，垂直方向细节图像中包含噪声较少。且参与互能量交互运算的细节图像越多，最终得到的图像中目标信息包含越少。为了保存尽量多的目标信息，所以使用尺度为2的垂直方向图像。并且将垂直方向细节图像进行二值化处理，阈值由最大类间方差法确定，使目标信息突出。之后垂直方向细节图像再与水平方向细节图像相乘，得到最终的互能量交叉图像。本发明改进的小波互能量交叉运算应用在小目标检测方面，去噪能力强，相比于原始的小波互能量交叉算法，目标突出效果好，尤其适合背景噪声条纹方向较单一的海天背景环境。

本发明中使用的互能量交叉运算见公式(7)：

D＝D^h×D^v

D^h、D^v分别为原图像的水平、垂直方向的小波互能量交叉图像，D₁ ^h、D₂ ^h、D₃ ^h、D₁ ^v分别为水平方向尺度为2、4、8的细节图像和垂直方向尺度为2的细节图像。D表示最终互能量交叉运算结果。

步骤5，针对步骤4得到的互能量交叉图像，在步骤3中得到的海天线区域内，进行目标检测识别，确定目标位置，并在原图被判定为目标位置，框出目标。

利用步骤4得到的互能量交叉图像D和步骤3中得到的海天线区域，在原始图像中框出目标的步骤为：

第一步，互能量交叉运算得到的图像中，除含有目标信息外，在靠近探测器的天空和海洋位置，还存大量噪声，这些噪声通常亮度高、分布范围广，较难使用传统方法去除。在距离探测器较远的海天线区域，则较少存在这类噪声。本发明只在海天线区域内进行目标检测，即去除了近处海空背景噪声对目标检测的影响。

第二步，在海天线检测出的海天线区域内，开3×3(单位是像素)窗口，从上到下，从左到右依次扫描互能量交叉运算图像中该区域内每一点像素，计算灰度均值，将灰度均值最大位置窗口中心像素确定为目标所在中心，以该像素为中心点画框，框的大小为15×15(单位是像素)，即框出目标位置。

实施例

本发明的实验在频率2.24GHz,内存2GB的计算机，通过MATLAB 2014a平台仿真完成。

一、在进行对原图像的小波变换前，要确定小波分解的层数。通过实验效果选定分解层数。提取低频系数图像进行后续海天线边缘检测时，首先对不同尺度下低频系数图像进行边缘检测，选择能够通过边缘检测提取海天线边缘的尺度作为实验低频尺度。边缘检测使用Prewitt算子进行运算。实验中先使用图6(a)进行恰当尺度选取实验。为突出小波低频对高频噪声的抑制效果，实验对图6(a)添加方差为0.01高斯白噪声，然后进行不同尺度的小波分解和针对相应尺度的边缘检测。

图7(a)、7(c)、7(e)分别为尺度为2、2²、2³的低频图像，图7(b)、7(d)、7(f)分别为低频图像对应的边缘检测图像。由边缘检测图检测效果可以看出，尺度为2³时的低频系数图像已经可以很好的由边缘检测检测出海天线边缘，所以使用2³尺度为实验尺度，即图7(e)。其余实验中也都使用2³尺度为实验尺度。该低频系数图像像素大小为67×87(单位为像素)。

其次，按实验步骤进行海天线检测和小波互能量交叉运算，进而实现目标检测。

1、对图6(a)进行haar三层小波分解。使用matlab中自带的小波工具包中的wavedec2函数，对二维原始图像矩阵进行小波分解，得到一个记录低频、水皮高频、垂直高频和对角高频四部分频率系数的行向量C，以及记录分级系数尺寸的矩阵S。通过使用matlab自带appcoef2函数，从C，S中提取尺度2³低频图像如图8。

2、对大尺度低频图像进行行灰度值标准差计算，判断其海天线是水平还是倾斜。原始图像图6(a)的低频行标准差分布图如图9。从图9可知，行灰度标准差分布中没有出现单峰，故判断图像中海天线分布方向为水平。按照检测水平海天线的检测方法，对低频红外图像进行边缘检测，选取Prewitt算子，检测低频图像中的水平边缘，并进行二值化，检测结果如图10。使用本发明提出的海天线形态学方法，对边缘检测后的图像进行海天线方向标记，依据标记的数字大小将标记图转化为灰度图像，进行显示。图10中连通方向均为水平连通，符合连通方式1，故全部标记为1，标记图如图11。统计图11中的标记为连接方式1的像素点，寻找拥有方式1最多的行，确定为海天线所在行，标记为海天线，如图12，白线即为识别出的海天线位置。

3、使用小波互能量交叉算法，对三层尺度水平方向小波系数和二值化后的一层垂直方向的小波系数进行乘运算，计算互能量交叉图像，效果如图13。效果图中由于使用了垂直方向的小波系数，使目标出现中断，导致在目标检测过程中出现识别不在目标中心位置的问题。

以海天线为中轴线，扩展出宽70像素点的海天线区域，在此区域内对小波互能量交叉运算后的图像进行目标识别，开3(像素)×3(像素)的窗口扫描该区域，选定窗口内灰度均值最大的窗口中心点为目标所在位置，如图14为标记了该位置的海空背景红外图像，在该位置标记红点。

4、以该位置为中点画15(像素)×15(像素)的黑框将目标区域标记出来，完成最终的目标检测识别，如图15。

二、为对比实验效果，对原始图像图6(b)(原始海空图像)进行相同的算法处理。首先，小波分析的2³尺度低频图像如图16。

其次，对图16计算行灰度值标准差分布，如图17，根据走势判断，海天线方向为水平方向。然后根据识别水平线方向海天线的方法，检测海天线。图18是本发明原始图图6(b)低频分量边缘检测二值化结果图，图19是本发明原始图图6(b)像素点海天线方向标记图，图20是本发明原始图图6(b)识别出的海天线位置图。

使用互能量交叉运算方法，得到图21为图6(b)小波互能量交叉运算效果图，再在海天线区域内对目标进行扫描检测。

最后，对图6(b)中目标识别的检测效果如图23，该检测效果定位准确，目标完整。

三、为验证本发明对倾斜海天线背景下，目标检测效果，对原始图像图6(b)做旋转处理，得到图24，像素大小为288(像素)×163(像素)。

首先，对该海天线倾斜红外背景图像做小波多尺度分解处理，提取2³尺度低频图像，如图25所示。

其次，对海天线倾斜红外背景大尺度低频图像进行行灰度值标准差计算，判断其海天线是水平还是倾斜。得到图26海天线倾斜时行标准差分布图。由图26可知，行灰度值标准差分布图出现单峰趋势，可以判断为倾斜海天线，然后按照海天线为倾斜的情况进行之后的海天线定位运算。即将行灰度值单峰出现的峰值位置所在行定为海天线中心所在区域，以此为中轴进行海天线区域扩展，扩展出宽70像素点的海天线区域。如图27所示。按照小波互能量交叉算法对海天线倾斜情况下的红外图像进行处理，得到小波互能量交叉运算效果图，如图28所示。

最后，与处理水平海天线目标检测方法相同，在海天线区域内对小波互能量交叉图像进行目标检测，得到目标位置，并用15(像素)×15(像素)黑框检测识别。最终目标被检测如图29。

Claims (4)

1.一种基于小波多尺度交叉运算的海空背景红外小目标检测方法，其特征在于包括以下步骤：

步骤1，在海空背景下，利用红外焦平面阵列采集红外图像，将数字化后的红外光强图像输入到计算机中，得到红外图像；

步骤2，采用小波变换对步骤1得到的红外图像进行多尺度分析处理，通过小波变换对红外图像进行z层分解，分别得到在垂直、水平和倾斜方向，且各方向尺度为2、2²、2³…、2^z的3z幅细节图像和z层低频图像，z＝2-4，并将细节图像的图像大小尺寸通过最近邻插值法放大还原到原始图像尺寸；

步骤3，提取步骤2中得到的尺度为2^z的低频图像，使用该低频图像先进行海天线水平或倾斜分布状态判断，再分别根据水平海天线或倾斜海天线特点确定海天线区域位置，即得到小目标可能出现的区域；

步骤4，使用步骤2中得到的在垂直方向，尺度为2的细节图像进行二值化，阈值由最大类间方差法确定，得到的结果再与使用步骤2中得到的在水平方向，且尺度为2、2²、2³…、2^z的细节图像，进行互能量交叉运算，对结果进行归一化后，得到互能量交叉图像；

步骤5，针对步骤4得到的互能量交叉图像，在步骤3中得到的海天线区域内，进行目标检测，确定目标位置，并在原图被判定为目标位置，框出目标；

在步骤3对步骤2中得到的尺度为2^z的低频图像进行海天线区域检测的步骤为：

第一步，提取出步骤2中得到的尺度为2^z的低频图像；

第二步，对得到的尺度为2^z的低频图像，逐行计算其行像素点标准差，以行号为横坐标，行像素标准差为纵坐标作图；利用标准差检测一行中灰度值的差异，标准差计算如公式(4)：

$\mathrm{\σ}=\sqrt{\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}{(g_k-\mathrm{\μ})}^2}---\left(4\right)$

其中，σ表示行灰度标准差，N表示行像素个数，K表示像素标号，μ表示行灰度平均值，g_k表示每一像素点的灰度值；

第三步，判断行像素标准差变化图中曲线的走势，根据走势判断海天线是水平分布还是倾斜分布，即判断标准为：不包含标准差变化趋势为单峰形状，海天线在图像中为水平分布；包含标准差变化趋势为单峰形状，海天线在图像中为倾斜分布；

第四步，若海天线被判断为水平方向，则对尺度为2^z的低频图像继续进行边缘检测并二值化处理，边缘检测采用Prewitt算子进行，若数字图像为f(x，y)，Prewitt算子的定义如下：

则P(p，q)＝max[G(p)，G(q)]或P(p，q)＝G(p)+G(q)

其中，(p，q)表示算子中心点坐标，G(p)、G(q)分别表示图像与水平和垂直方向算子的运算结果；P(p，q)表示水平、垂直方向运算结果中提取结果，此步骤完成后，图像的水平和垂直边缘都被检测出来，并且已经二值化；

第五步，对二值化图像进行形态学标记处理：图像中不孤立的亮点，即图像中每个灰度值为255且与其相邻的8个像素点中含有灰度值同样为255的像素点，对其与相邻亮点的相对位置关系进行分类标记；因为在低频大尺度图像中，二值化后的海天线通常为单像素行，所以只对该像素点8连通领域内含有两个相邻点，且相邻点不在该点正上方和正下方的情况进行标记，利用海天线在连接方式以及分布上的特点，确定海天线位置；

所述标记方法如下：总共需要对7种连通方式进行标记，将像素点相对位置记如下表；其中a_2,2为待标记像素点；若a_2,1,a_2,2,a_2,3为亮点，则标记为连通方式1；若a_1,1,a_2,2,a_3,3为亮点，则标记为连通方式2；若a_3,1,a_2,2,a_1,3为亮点，则标记为连通方式3；若a_1,1,a_2,2,a_2,3为亮点，则标记为连通方式4；若a_2,1,a_2,2,a_1,3为亮点，则标记为连通方式5；若a_2,1,a_2,2,a_3,3为亮点，则标记为连通方式6；若a_3,1,a_2,2,a_2,3为亮点，则标记为连通方式7，其余连通方式均认为不是海天线部分，不进行标记；

a_1,1 a_1,2 a_1,3 a_2,1 a_2,2 a_2,3 a_3,1 a_3,2 a_3,3

对这7种连通方式进行统计，出现频率最高的连通方式即为海天线大致趋势走向，选择该连通方式在海天线大致趋势走向上最长的区域为海天线；因为海天线水平分布，所以海天线上像素点较多的为1连通状态，检测出连通状态包含1状态最多的行，即可能为海天线；去除其他噪声点，延长检测出的海天线，以此海天线为中心进行区域扩展即得到海天线区域；

第六步，若根据判断行像素标准差变化图中曲线的走势，判断出海天线方向为倾斜，海天线中点处所在图像的行，标准差达到最大值，故将标准差峰值所在行确定为倾斜的海天线中点所在行，然后以此行为中心扩展区域，就提取出倾斜海天线的区域。

2.根据权利要求1所述的基于小波多尺度交叉运算的海空背景红外小目标检测方法，其特征在于，步骤2采用小波变换对步骤1采集的海空背景下的红外图像进行小波多尺度分析处理的步骤为：

第一步，选择最简单的哈尔小波进对输入的海空背景下的红外图像行小波变换，哈尔小波的母小波ψ(t)表示为：

$\mathrm{\&psi;}\left(t\right)=\left\{\begin{array}{cc}1& 0\&le;t<1/2,\\ -1& 1/2\&le;t<1,\\ 0& otherwise.\end{array}\right.---\left(1\right)$

其中t表示时间，由哈尔母函数生成哈尔小波族如公式(2)：

${\mathrm{\&psi;}}_n^m\left(t\right)=\mathrm{\&psi;}(2^{m}t-n),n=0,...,(2^m-1)---\left(2\right)$

m为尺度因子，n为平移参数；

对于二维信号，低一阶近似信号被小波分解到新一阶低频信号和水平、垂直、倾斜三个方向上的高频分量，如公式(3)：

$A_{j-1}\&DoubleRightArrow;A_j+D_j^h+D_j^v+D_j^d---\left(3\right)$

其中A为低频分量，分别表示尺度为j，在水平、垂直、倾斜三个方向上的高频分量；

第二步，通过小波变换对红外图像进行z层分解，分解层次选择z层，经小波分解后的图像被分解到了水平、垂直以及倾斜方向的z个尺度的频率上，得到原图在水平、垂直以及倾斜方向的z个尺度上的细节灰度图像以及z幅低频图像。

3.根据权利要求1所述的基于小波多尺度交叉运算的海空背景红外小目标检测方法，其特征在于，步骤4对小波分解后的细节图像进行互能量交叉运算的步骤为：

使用尺度为2的垂直方向图像，并将垂直方向细节图像进行二值化处理，阈值由最大类间方差法确定，使目标信息突出，之后垂直方向细节图像再与水平方向细节图像相乘，得到最终的互能量交叉图像，即使用的互能量交叉运算公式如式(7)：

D^h、D^v分别为原图像的水平、垂直方向的小波互能量交叉图像，D₁ ^h、D₂ ^h、D₃ ^h、D₁ ^v分别为水平方向尺度为2、4、8的细节图像和垂直方向尺度为2的细节图像，D表示最终互能量交叉运算结果。

4.根据权利要求1所述的基于小波多尺度交叉运算的海空背景红外小目标检测方法，其特征在于，步骤5利用步骤4得到的互能量交叉图像D和步骤3中得到的海天线区域，在原始图像中框出目标的步骤为：

第一步，在海天线区域内进行目标检测，去除近处海空背景噪声对目标检测的影响；

第二步，在海天线检测出的海天线区域内，开3×3窗口，从上到下，从左到右依次扫描互能量交叉运算图像中该区域内每一点像素，计算灰度均值，将灰度均值最大位置窗口中心像素确定为目标所在中心，以该像素为中心点画框，框的大小为15×15，即框出目标位置。