CN104657945A - 复杂背景下多尺度时空联合滤波的红外小目标检测方法 - Google Patents

Abstract

本发明公开了一种复杂背景下多尺度时空联合滤波的红外小目标检测方法，包括的步骤具体如下：1、抑制鬼影效应与提高图像辨识度，构建多尺度双边时域高通滤波非均匀性校正模型，获取红外非均匀校正图像；2、增强小目标局部对比度，采用红外非均匀性校正图像空域复杂度因子，构建图像空域复杂度加权信息熵模型，突出小目标区域的信息熵；3、提高红外小目标的检测率并降低虚警率，构建多尺度时空联合滤波模型，自适应检测不同尺度的小目标。本发明提出了复杂背景下多级时空联合滤波的红外小目标检测算法，丰富了不同尺度小目标的检测技术。

Description

复杂背景下多尺度时空联合滤波的红外小目标检测方法

技术领域

本发明涉及一种红外检测方法，尤其涉及一种多尺度时空联合滤波的红外小目标检测方法。

背景技术

由于红外传感器受到大气热辐射、作用距离远、探测器自身噪声等因素影响，所探测目标在红外图像上多呈现对比度低，无具体形态和纹理信息的点状小圆斑，且极易淹没于杂波和噪声中，这对红外小目标的检测技术提出巨大挑战。

依据采用序列图像中图像帧数，红外小目标检测技术分为两类：单帧检测和多帧检测。单帧图像目标检测技术主要依靠小目标和背景在各帧红外图像中灰度差异来实现对小目标对象的检测。缺点是适应性较差，目标漏检率和虚警率高。多帧检测技术主要采用序列图像中目标运动的连续性和轨迹的一致性来实施红外小目标检测任务。多帧检测技术在检测率和虚警率方面相对于单帧检测有着一定优势，缺点是计算量和存储量较大，很难满足实时处理的需要。

本发明背景技术涉及三个关键步骤与方法：抑制鬼影效应的红外图像非均匀性校正技术、提高潜在目标对比度的红外图像增强技术、不同尺度下多级滤波的红外小目标检测技术。

场景信号的干扰是时域高通滤波法中鬼影问题产生的主要原因,构建双边多尺度时域高通滤波非均匀性校正模型。双边滤波的残差图像中仍然有较多的场景以及边缘信息，引入与残差图像相关的非均匀校正矩阵，如果某一像素处在场景边缘上，则该像素点所对应的非均匀校正矩阵系数变小，以此来减少该边缘像素点对校正累积的影响，使场景以及边缘信息对校正参数计算准确性的影响降到最小。双边多尺度时域高通滤波非均匀性校正模型既能在不同尺度上提取非均匀

性信息,又能在每个尺度上保护边缘不被平滑,有效地降低鬼影效应。

提高潜在目标对比度的红外图像增强技术

目标强度的衰减与背景大强度的存在，使得目标与背景对比度很低。在小目标检测之前，必须对红外图像进行滤波预处理，否则产生一定的虚警与漏检目标。研究潜在目标的红外图像增强技术，构建图像空域复杂度的加权信息熵模型，体现其对图像突变点的敏感性与空间分布的描述，实现处理图像中小目标区域的信息熵更为突出。

图像中小目标的尺度介于点噪声与较大面目标之间，在检测中需要充分考虑小目标的尺度特性检测目标，否则很难识别不同尺度的目标或杂波。侧重小目标的空间域灰度特性与时间域运动特性，研究目标尺寸各异的多级滤波的红外小目标检测技术，实现鲁棒的小目标检测。

发明内容

本发明的目的在于提供一种复杂背景下多尺度时空联合滤波的红外小目标检测方法，针对红外图像的严重非均匀性会带来鬼影效应问题，构建符合目标检测的双边多尺度时域高通滤波非均匀性校正模型，实现从红外图像变换为非均匀红外校正图像，有效的抑制鬼影效应并提高图像的辨识度。采用图像空域复杂度因子和香农熵准则，构建图像空域复杂度加权信息熵模型，增强图像中潜在的红外弱小目标，抑制红外图像中的杂波和噪声。研究不同尺度下的小目标增强图像算法，利用红外小目标不同尺度下的特性检测，构建不同尺度下的时空滤波模型，解决了小目标的虚检与漏检问题，实现了不同尺度下的小目标自适应检测技术难题。

本发明解决上述技术问题所采用的技术方案是：

通过构建双边多尺度时域高通滤波的非均匀性校正模型、空域复杂度的加权信息熵模型与研究多级尺度时空联合滤波模型，实现鲁棒性的目标检测。本发明需要解决的关键科学问题如下：

（1）构建双边多尺度时域高通滤波的非均匀性校正模型。研究场景校正技术，依据自适应的双边滤波算法校正图像的非均匀性。在本发明中，结合双边多尺度滤波与时域高通滤波的原理机制，引入与残差图像相关的非均匀校正矩阵，得到双边多尺度时域高通滤波非均匀性校正模型，既能在不同尺度上提取非均匀性信息,又能在每个尺度上保护边缘不被平滑,以便消除鬼影效应。

（2）构建空域复杂度的加权信息熵模型。研究目标增强技术，考虑图像复杂度对目标检测性能的影响，采用方向方差加权信息熵作为测度，突出小目标。在本发明中，结合图像复杂度与信息熵的原理机制，构建图像空域复杂度加权信息熵模型，增强图像中潜在目标，提高目标对比度与抑制杂波的机能，抑制红外图像中的杂波和噪声。

（3）构建多级尺度时空联合滤波模型，联合时域和空域滤波的小目标检测技术。在本发明中，结合多级尺度滤波与时空联合滤波的原理机制，侧重小目标的空间域灰度特性与时间域运动特性，构建多级尺度时空联合滤波模型，去除目标虚检与漏检，实现鲁棒性的目标检测。

本发明的技术效果是：

（1）提出双边多尺度时域高通滤波非均匀性校正模型

场景信号的干扰是时域高通滤波法中鬼影问题产生的主要原因,提出了双边多尺度时域高通滤波非均匀性校正模型。双边滤波的残差图像中仍然有较多的场景以及边缘信息，引入与残差图像相关的非均匀校正矩阵，如果某一像素处在场景边缘上，则该像素点所对应的非均匀校正矩阵系数变小，以此来减少该边缘像素点对校正累积的影响，使场景以及边缘信息对校正参数计算准确性的影响降到最小。双边多尺度时域高通滤波非均匀性校正模型既能在不同尺度上提取非均匀性信息,又能在每个尺度上保护边缘不被平滑,有效地降低鬼影效应。

（2）提出多尺度时空联合滤波模型

多个目标存在的情况下，目标的大小是不固定的，提出了多尺度时空联合滤波模型。采用尺度基本单元模板的级联，低级数的输出用于提取小尺度目标，较高级数的输出则用于提取较大尺度的目标。同时为了消除某些帧中仍然可能存在虚检和漏检目标的现象，侧重小目标的空间域灰度特性与时间域运动特性，采用正向与方向滤波方法，检测出多小目标。多尺度时空联合滤波模型不仅有效地去除目标虚检和漏检的问题，而且稳健地自适应检测不同尺度的小目标。

附图说明

图1为本发明的工作流程框图；

图2为构建双边多尺度时域高通滤波的非均匀性校正模型的技术路线流程图；

图3为构建空域复杂度的加权信息熵模型的技术路线流程图；

图4为构建多尺度的时空联合滤波模型的技术路线流程图。

具体实施方式

在复杂背景下，远距离红外成像过程受到自然环境干扰、成像系统性能、成像距离与目标运动等因素影响，使得获取的红外图像可能存在模糊、噪声、杂波和灰度变化剧烈等现象，导致虚假目标的出现或有效目标的漏检。这严重阻碍了信息处理智能化的进程。本发明开展复杂背景下小目标检测技术研究，从技术路线入手，解决各种困扰小目标检测的技术难题，推动小目标检测技术的发展。本发明的红外小目标检测方法采用附图1所示的步骤，其具体实施如下：

步骤S1、依据金字塔变换和双边滤波技术构建双边多尺度时域高通滤波的非均匀性校正模型，采用非均匀性校正模型处理红外小目标图像序列信号，得到红外非均匀校正图像。它的技术路线流程图参见附图2所示 。

（1）将获取的红外小目标图像序列信号经过金字塔分解成两部分：近似信号与细节信号。将金字塔变换与双边滤波的方法结合在一起，采用双边多尺度分解将输入的红外图像分解成滤波图像序列：

                   （1）

式中p 与q 表示像素坐标，j 表示金字塔分解尺度等级，表示为高斯核函数，k表示高斯核函数权值和，与分别表示为高斯核函数的空间与灰度的尺度范围的宽度，表示对第n 帧图像进行多尺度分解后所得到的滤波图像。

（2）双边滤波的残差图像中仍然有较多的场景以及边缘信息，可以处理残差图像，使场景以及边缘信息对校正参数计算准确性的影响降到最小。在双边滤波器残差图像中定位边缘信息，进而对边缘信息进行相应的抑制。引入与残差图像大小相同非均匀校正矩阵，如果某一像素处在场景边缘上，则该像素点所对应的非均匀校正矩阵系数变小，以此来减少该边缘像素点对校正累积的影响。

                                              （2）

                                                      （3）

式中表示相邻两个尺度的残差图像，表示非均匀校正矩阵。

（3）双边多尺度时域高通非均匀性校正方法表述如下:

                                                                   （4）

          （5）

                                                                                   （6）

当j = 0时，；式中I (n)表示输入的第n 帧图像，f (n)表示第n 帧的低通滤波器的输出图像，y(n)表示经过非均匀性校正的第n 帧图像，表示对应的尺度时间常数。

步骤S2、依据空域复杂度因子和香农熵准则构建空域复杂度的加权信息熵模型，采用加权信息熵模型增强红外图像中潜在目标，抑制杂波和噪声，获得红外小目标增强图像。它的技术路线流程图参见附图3所示。

（4）图像复杂度是对图像内在的复杂程度的描述，用来指导后续图像分析的工作。图像灰度变化越剧烈，相邻像素值变化越频繁，认为图像的复杂程度越高。针对图像数据本身的特点，从综合考虑灰度级、像素分布等多方面因素的思路出发，提出从灰度级的出现情况、灰度的空间分布情况对图像的复杂度加以描述:

                                           （7）

式中p 表示像素坐标，C(p)表示像素在p 处的图像复杂度因子，表示像素在p 处的梯度，表示像素在p 处的灰度值，是以p 为邻域像素的灰度均值。

（5）在图像领域中区域信息熵体现了一个区域灰度变化的剧烈程度，有不同的类别区域就有不同信息熵的数值。将图像空域复杂度加权信息熵定义为图像复杂度对图像进行分析处理，使得待处理图像中小目标区域的信息熵更为突出。

                                       （8）

                                                                 （9）

式中图像尺寸U×V, 表示图像灰度概率分布，表示图像空域复杂度加权信息熵。

步骤S3、依据多尺度低通滤波和像素级融合技术构建多尺度时空联合滤波模型，采用多尺度时空联合滤波模型自适应检测不同尺度的红外小目标。它的技术路线流程图参见附图4所示。

（6）采用多级尺度滤波模型，目的是抑制尺度极小的高频噪声与变化相对平缓的背景区域，增强小面积的目标区域。利用小尺度基本单元模板的级联，低级数的输出用于提取小尺度目标，较高级数的输出则用于提取较大尺度的目标。利用多个低通滤波单元Lp构造低通滤波器组，目标和噪声部分将被滤除，而背景部分将被增强；然后，用原始图像减去用低通滤波器组得到的结果，得到的图像即为目标和噪声部分；最后，将由低通滤波器组完成抑制噪声、增强目标部分的工作，使目标部分从检测图像中凸现出来。

                                          （10）

上述公式中Lp表示低通滤波器，X(Z)表示级联滤波模块的输出传递函数，m与n 表示级联数。

（7）虽然大部分的背景和噪声能够被去除，但是在某些帧中仍然可能存在一些虚检和漏检目标。为进一步消除缺陷，保证目标不会出现虚警与漏检的情况，结合目标的时域与空域相关性,采用正向与方向滤波方法，检测出多小目标。

 （11）

            （12）

                                                                                                         （13）

式中，，AND 表示形态学与运算，OR 表示或运算，DL表示膨胀运算，表示反向滤波，表示前向滤波。

Claims (4)

1.复杂背景下多尺度时空联合滤波的红外小目标检测方法，其特征在于，包括下述步骤：

步骤一、依据金字塔变换和双边滤波技术构建双边多尺度时域高通滤波的非均匀性校正模型，采用非均匀性校正模型处理红外小目标图像序列信号，获得红外校正图像；

步骤二、依据空域复杂度因子和香农熵准则构建空域复杂度的加权信息熵模型，采用加权信息熵模型增强红外图像中潜在目标，抑制杂波和噪声，获得红外小目标增强图像；

步骤三、依据多尺度低通滤波和像素级融合技术构建多尺度时空联合滤波模型，采用多尺度时空联合滤波模型检测不同尺度的红外小目标。

2.根据权利要求1所述的红外小目标检测方法，其特征在于，步骤一的具体过程如下：

（1）将获取的红外小目标图像序列信号经过金字塔分解成两部分：近似信号与细节信号；采用双边多尺度分解将输入的红外图像分解成滤波图像序列：

       （1）

式中p 与q 表示像素坐标，j 表示金字塔分解尺度等级，表示为高斯核函数，k表示高斯核函数权值和，与分别表示为高斯核函数的空间与灰度的尺度范围的宽度，表示对第n 帧图像进行多尺度分解后所得到的滤波图像；

（2）采用下述减少该边缘像素点对校正累积的影响；

                 （2）

                （3）

式中表示相邻两个尺度的残差图像，表示非均匀校正矩阵；

（3）双边多尺度时域高通非均匀性校正:

                    （4）

（5）

                                  （6）

当j = 0时，；式中I (n)表示输入的第n 帧图像，f (n)表示第n 帧的低通滤波器的输出图像，y(n)表示经过非均匀性校正的第n 帧图像，表示对应的尺度时间常数。

3.根据权利要求1所述的红外小目标检测方法，其特征在于，步骤二的具体过程如下：

对图像的复杂度加以描述:

         （7）

式中p 表示像素坐标，C(p)表示像素在p 处的图像复杂度因子，表示像素在p 处的梯度，表示像素在p 处的灰度值，是以p 为邻域像素的灰度均值；

将图像空域复杂度加权信息熵定义为图像复杂度对图像进行分析处理，使得待处理图像中小目标区域的信息熵更为突出；

             （8）

                   （9）

式中图像尺寸U×V, 表示图像灰度概率分布，表示图像空域复杂度加权信息熵。

4.根据权利要求1所述的红外小目标检测方法，其特征在于，步骤三的具体过程如下：

利用小尺度基本单元模板的级联，低级数的输出用于提取小尺度目标，较高级数的输出则用于提取较大尺度的目标；利用多个低通滤波单元Lp构造低通滤波器组，目标和噪声部分将被滤除，而背景部分将被增强；然后，用原始图像减去用低通滤波器组得到的结果，得到的图像即为目标和噪声部分；最后，将由低通滤波器组完成抑制噪声、增强目标部分的工作，使目标部分从检测图像中凸现出来；

                   （10）

上述公式中Lp表示低通滤波器，X(Z)表示级联滤波模块的输出传递函数，m与n 表示级联数；

为进一步消除缺陷，保证目标不会出现虚警与漏检的情况，结合目标的时域与空域相关性,采用正向与方向滤波方法，检测出多小目标；

（11）

 （12）

                                           （13）

式中，，AND 表示形态学与运算，OR 表示或运算，DL表示膨胀运算，表示反向滤波，表示前向滤波。