CN104834915A - 一种复杂云天背景下小红外目标检测方法 - Google Patents

Abstract

本发明为有效检测复杂云天背景下的小红外目标，公开了一种复杂云天背景下小红外目标检测方法，涉及数字图像处理技术领域。本发明针对复杂云层背景下红外图像的云层边界具有与目标相似的热成像特征，易导致较高的虚警率和漏检率等问题，提出多尺度局部差异对比度算子和加权局部图像熵算子，然后通过点积运算获取局部加权差异图，从而有效地抑制复杂云天背景和噪声、增强目标，最终大幅度地提高目标检测率、降低虚警率。

Description

一种复杂云天背景下小红外目标检测方法

技术领域

本发明涉及数字图像处理技术领域，具体是一种复杂云天背景下小红外目标检测方法。

背景技术

目标检测技术已在遥感、监测和航空航天等领域得到广泛应用。与雷达系统相比，红外系统结构简单，分辨率高，具有很强的隐蔽性和抗干扰能力。与可见光系统相比，红外系统具有全天侯工作能力和强烟雾穿透能力。有效检测低信噪比条件下未知位置和速度的小目标(如飞机、导弹)能大幅度提高红外系统的有效作用距离及降低设备的复杂程度，因而该类技术受到了广泛关注。

然而，由于红外系统的成像距离远(如预警探测)，目标易淹没在强噪声和背景杂波中，且没有尺寸、形状及纹理等先验知识，使得目标检测面临很大难度。此外，复杂云天背景下的云层边界具有与目标相似的热成像特征，进一步加大了目标检测的难度。结合序列图像中目标的短时运动信息(如运动的连续性和轨迹的一致性)的目标检测方法能有效降低单帧检测的漏检率和虚警率。根据所利用的空间信息和时间信息的先后顺序，可将小目标检测分为检测前跟踪(Trackbefore Detect，TBD)和跟踪前检测(Detect before Track，DBT)两类。

TBD的基本思想是先搜索目标所有可能的运动轨迹，并完成目标能量累加，以获得每条运动轨迹的后验概率，最后利用阈值判断真实的目标运动轨迹，如三维匹配滤波方法、基于多级假设检验方法、基于高阶相关方法等。TBD易于建立相对较完整的理论模型和处理方法，但其计算复杂，硬件实现较麻烦，在实际工程中应用较少。DBT的基本思想是首先根据单帧图像的短时灰度特性检测候选目标，然后根据目标的短时运动特性剔除虚假目标并获取目标真实的运动轨迹。DBT算法简单，便于程序模块化实现，在实时目标检测领域中发挥重要作用，如中值滤波、顶帽滤波、最大-均值/最大-中值滤波等。

虽然小红外目标检测领域已取得了很多成果，并且已有很多算法在工程应用中得到实现。但对于复杂云天背景下低信噪比红外图像，由于目标和云层边界具有相似的热成像特征，其目标检测系统工程依然面临很大的难度和复杂性。因此，如何设计出鲁棒性好的小红外目标检测算法是复杂云天背景下目标检测技术应用研究的关键问题。

发明内容

本发明是针对现有复杂云天背景下小红外目标检测方法存在的上述技术问题，提供了一种复杂云天背景下小红外目标检测方法。

一种复杂云天背景下小红外目标检测方法，包括以下步骤：

步骤1、输入红外图像F，求解红外图像F的多尺度局部差异对比度C；

步骤2、求解红外图像F的加权局部图像熵W；

步骤3、求解红外图像F的局部加权差异图E；

步骤4、求解自适应阈值T，并通过自适应阈值T对局部加权差异图E进行二值化，检测出红外图像F中的小红外目标，自适应阈值T基于以下公式：

T＝α·SNR·σ+n,SNR＝(E_max-n)/σ

其中，α为正的常数，σ为局部加权差异图E的标准差，n为局部加权差异图E的均值，E_max为局部加权差异图E的最大值，SNR为局部加权差异图E的信噪比。

如上所述的步骤1中多尺度局部差异对比度C的求解包括以下步骤：

步骤1.1、F(x,y)表示红外图像F在像素点(x,y)处的灰度值，设置像素点(x,y)的最大邻域空间Ω_max，最大邻域空间Ω_max的大小为l×l，其中l为大于1的正奇数；

步骤1.2、获得每一个像素点(x,y)的邻域空间集{Ω_k|k＝1,2,…,m}，其中m＝(l-1)/2，Ω_k的大小为(2k+1)×(2k+1)；

步骤1.3、计算每一个像素点(x,y)的各个邻域空间Ω_k内像素的灰度均值C_k(x,y)：

$C_k(x,y)=\frac{1}{N_{{\mathrm{\Ω}}_k}}\underset{(s,t)\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}F(s,t),k=\mathrm{1,2},...,m$

其中，表示邻域空间Ω_k内像素点的数目，F(s,t)表示邻域空间Ω_k内像素点(s,t)处的灰度值；

步骤1.4、计算每一个像素点(x,y)所对应的的多尺度局部差异对比度C(x,y)：

$C(x,y)=\max \{\frac{{|C_1(x,y)-C_m(x,y)|}^2}{{|C_{\max }(x,y)-C_{\min }(x,y)|}^2},\frac{{|C_2(x,y)-C_m(x,y)|}^2}{{|C_{\max }(x,y)-C_{\min }(x,y)|}^2},...,\frac{{|C_{m-1}(x,y)-C_m(x,y)|}^2}{{|C_{\max }(x,y)-C_{\min }(x,y)|}^2}\}$

其中C_max(x,y)＝max{C₁(x,y),C₂(x,y),...,C_m(x,y)},C_min(x,y)＝min{C₁(x,y),C₂(x,y),...,C_m(x,y)}；

重复步骤1.2-1.4遍历红外图像F中每一个像素点，获得红外图像F的多尺度局部差异对比度C。

如上所述的加权局部图像熵W的求解包括以下步骤：

步骤2.1、对于红外图像F中每一个像素点(x,y)，设置邻域空间Θ的大小为M×N，基于以下公式计算像素点(x,y)处的加权局部图像熵W(x,y)：

$W(x,y)=-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(s(i,j)-F(x,y))}^2\·p\left(s(i,j)\right)\log p\left(s(i,j)\right)$

其中，s(i,j),i＝1,…,M,j＝1,...,N是邻域空间Θ内像素点(i,j)处的灰度值，p(s(i,j))是灰度值s(i,j)的概率分布函数；

步骤2.2、重复步骤2.1遍历红外图像F中每一个像素点，获得红外图像F的加权局部图像熵W。

如上所述的局部加权差异图E的求解包括以下步骤：

步骤3.1、每一个像素点(x,y)所对应的经过步骤1处理所得到的多尺度局部差异对比度C(x,y)与经过步骤2处理所得到的加权局部图像熵W(x,y)进行点积运算，获得每一个像素点(x,y)所对应的局部加权差异E(x,y)；

步骤3.2、重复步骤3.1遍历红外图像F中每一个像素点，获得红外图像F的局部加权差异图E。

本发明与现有技术相比，具有以下优点：

1.针对复杂云层边界具有与目标相似的热成像特征，本发明结合多尺度局部差异对比度算子和加权局部图像熵算子分离目标和云层边界，从而有效地提高目标的检测概率，降低虚警概率。

2.本发明首先构建云天背景下红外图像的多尺度局部差异图，能剔除大量云层背景和噪声干扰；其次通过点积运算获得局部加权差异图，有效分离目标和云层边界，所得到的局部加权差异图具有很高的信噪比增益；然后利用自适应阈值检测目标，避免复杂云天背景条件下目标检测的不稳定性和自适应性等问题。

附图说明

图1为本发明的流程框图。

图2为采用本实施例方法所得到的结果示意图。

A为原始复杂云天背景下的红外小目标图像，B为采用多尺度局部差异算子的滤波结果，C为采用加权局部图像熵算子的滤波结果，D为局部加权差异图，E为采用自适应阈值的检测结果。

图3为采用现有方法和本实施例方法所得到的结果示意图。

A1、B1、C1、D1和E1：依次为原始不同云天背景和噪声程度下的红外小目标图像；

A2、B2、C2、D2和E2：依次对应于A1、B1、C1、D1和E1的基于最大背景预测模型方法的滤波结果；

A3、B3、C3、D3和E3：依次对应于A1、B1、C1、D1和E1的基于顶帽算子的滤波结果；

A4、B4、C4、D4和E4：依次对应于A1、B1、C1、D1和E1的采用本实施例方法步骤1～步骤3的滤波结果；

A5、B5、C5、D5和E5：依次对应于A1、B1、C1、D1和E1的基于本实施例方法的红外小目标检测结果。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

图1为本发明实施方式的结构示意框图。主要包括：图像输入，多尺度局部差异对比度求解，加权局部图像熵求解，点积运算，自适应阈值求解，二值化。

具体为：

步骤1，输入一幅复杂云天背景下的红外小目标图像，求解红外图像的多尺度局部差异对比度C：

复杂云天背景下的红外小目标图像一般由目标、均质天空背景、复杂云层背景和噪声四部分组成。复杂云层边界具有与目标相似的热成像特征，对目标检测性能有较大影响。多尺度局部差异对比度算子的核心思想是度量红外图像中目标区域与邻域之间的灰度差异，从而抑制背景、增强目标。

红外图像F的多尺度局部差异对比度C的求解过程如下：

(1)若F(x,y)表示红外图像F在像素点(x,y)处的灰度值，设置像素点(x,y)的最大邻域空间Ω_max，最大邻域空间Ω_max的大小为l×l，其中l为大于1的正奇数；

(2)获得每一个像素点(x,y)的邻域空间集{Ω_k|k＝1,2,…,m}，其中m＝(l-1)/2，Ω_k的大小为(2k+1)×(2k+1)。邻域空间Ω_k的定义为Ω_k＝{(p,q)|max(|p-x|,|q-y|)≤k}，其中(p,q)为像素点的坐标；

(3)计算每一个像素点(x,y)的各个邻域空间Ω_k内像素的灰度均值C_k(x,y)：

$C_k(x,y)=\frac{1}{N_{{\mathrm{\Ω}}_k}}\underset{(s,t)\∈{\mathrm{\Ω}}_k}{\mathrm{\Σ}}F(s,t),k=\mathrm{1,2},...,m---\left(1\right)$

其中，表示邻域空间Ω_k内像素点的数目，F(s,t)表示邻域空间Ω_k内像素点(s,t)处的灰度值。

(4)计算每一个像素点(x,y)所对应的的多尺度局部差异对比度C(x,y)：

$C(x,y)=\max \{\frac{{|C_1(x,y)-C_m(x,y)|}^2}{{|C_{\max }(x,y)-C_{\min }(x,y)|}^2},\frac{{|C_2(x,y)-C_m(x,y)|}^2}{{|C_{\max }(x,y)-C_{\min }(x,y)|}^2},...,\frac{{|C_{m-1}(x,y)-C_m(x,y)|}^2}{{|C_{\max }(x,y)-C_{\min }(x,y)|}^2}\}---\left(2\right)$

其中C_max(x,y)＝max{C₁(x,y),C₂(x,y),...,C_m(x,y)},C_min(x,y)＝min{C₁(x,y),C₂(x,y),...,C_m(x,y)}。

遍历红外图像F中每一个像素点，获得红外图像F的多尺度局部差异对比度C(如图2的B所示)。从图2的B中可以看出，红外图像F的均值天空背景和云层背景得到抑制，目标得到很好地增强。

步骤2，求解红外图像的加权局部图像熵W:

对于红外图像F的背景而言，纹理特征是确定的，但小目标的出现会引起局部纹理特征的强烈变化，因而局部熵值也会发生较大变化。利用这一特性可以抑制背景、增强目标。

对于红外图像F中每一个像素点(x,y)，设置邻域空间Θ的大小为M×N。邻域空间Θ的定义为Θ＝{(p,q)||p-x|≤M,且|q-y|≤N}，其中(p,q)为像素点的坐标。计算像素点(x,y)处的加权局部图像熵:

$W(x,y)=-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(s(i,j)-F(x,y))}^2\·p\left(s(i,j)\right)\log p\left(s(i,j)\right)---\left(3\right)$

其中，s(i,j),i＝1,…,M,j＝1,...,N是邻域空间Θ内像素点(i,j)处的灰度值，p(s(i,j))是灰度值s(i,j)的概率分布函数(对于第r_k级灰度值，n_k是图像F中灰度级为r_k的像素点个数，n是图像F所有像素点的总和，则p(r_k)＝n_k/n)。

遍历红外图像F中每一个像素点，获得红外图像F的加权局部图像熵W(如图2的C所示)。图2的A右上方的云层与天空的交界区域(右上方的暗区域)在图2的B中呈现为亮区域，图2的B右上方亮区域的灰度值与目标的灰度值十分接近，影响真实目标的检测性能，但在图2的C中，该现象得到缓解。

步骤3，求解红外图像的局部加权差异图E:

红外图像F的多尺度局部差异对比度C(如图2的B所示)和加权局部图像熵W(如图2的C所示)均可实现对红外图像的背景抑制和目标增强。融合C和W，使得复杂云层边界得到进一步地抑制，目标得到进一步地增强。

对每一个像素点(x,y)所对应的经过步骤1处理所得到的多尺度局部差异对比度C(x,y)与经过步骤2处理所得到的加权局部图像熵W(x,y)进行点积运算，获得每一个像素点(x,y)所对应的局部加权差异E(x,y)，实现对复杂云层背景边界和目标进一步地分离，即

$E=C\⊗W---\left(4\right)$

遍历红外图像F中每一个像素点，获得红外图像F的局部加权差异图E，红外图像F的局部加权差异图E如图2的D所示。从图2的D中可以看出，红外图像F的复杂云层背景边界和目标得到很好地分离。

步骤4，求解自适应阈值T：

对经过步骤1、步骤2和步骤3处理所得到的局部加权差异图E求解自适应阈值T，并通过自适应阈值T对局部加权差异图E进行二值化，检测出小红外目标(二值化结果如图2的E所示)。自适应阈值T的确定方法为

T＝α·SNR·σ+n,SNR＝(E_max-n)/σ    (5)

其中，α为正的常数，σ为局部加权差异图E的标准差，n为局部加权差异图E的均值，E_max为局部加权差异图E的最大值，SNR(signal-to-noise ratio)为局部加权差异图E的信噪比。

采用不同小红外目标检测方法的滤波结果如图3所示，从图3中可以看出，本实施例方法得到的效果最好，其中，最大背景预测模型方法来自于文献(H.Deng and J.G.Liu,Infrared small target detection based on the self-information map,Infrared Physics&Technology,2011,54(2):100-107.)，顶帽算子方法来自于文献(X.Z.Bai and F.G.Zhou,Analysis of new top-hat transformation and theapplication for infrared dim small target detection,Pattern Recognition,2010,43(6):2145-2156.)。

采用信噪比(SNR)来客观评价小红外目标检测方法的滤波效果(SNR的表达式参考式(5))。具体数值见表1。

表1采用不同小红外目标检测方法的滤波效果的SNR比较.

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种复杂云天背景下小红外目标检测方法，包括以下步骤：

步骤1、输入红外图像F，求解红外图像F的多尺度局部差异对比度C；

步骤2、求解红外图像F的加权局部图像熵W；

步骤3、求解红外图像F的局部加权差异图E；

步骤4、求解自适应阈值T，并通过自适应阈值T对局部加权差异图E进行二值化，检测出红外图像F中的小红外目标，自适应阈值T基于以下公式：

T＝α·SNR·σ+n,SNR＝(E_max-n)/σ

其中，α为正的常数，σ为局部加权差异图E的标准差，n为局部加权差异图E的均值，E_max为局部加权差异图E的最大值，SNR为局部加权差异图E的信噪比。

2.根据权利要求1所述的一种复杂云天背景下小红外目标检测方法，其特征在于，所述的步骤1中多尺度局部差异对比度C的求解包括以下步骤：

步骤1.1、F(x,y)表示红外图像F在像素点(x,y)处的灰度值，设置像素点(x,y)的最大邻域空间Ω_max，最大邻域空间Ω_max的大小为l×l，其中l为大于1的正奇数；

步骤1.2、获得每一个像素点(x,y)的邻域空间集{Ω_k|k＝1,2,…,m}，其中m＝(l-1)/2，Ω_k的大小为(2k+1)×(2k+1)；

步骤1.3、计算每一个像素点(x,y)的各个邻域空间Ω_k内像素的灰度均值C_k(x,y)：

$C_k(x,y)=\frac{1}{N_{{\mathrm{\Ω}}_k}}\underset{(s,t){\∈\mathrm{\Ω}}_k}{\mathrm{\Σ}}F(s,t),k=\mathrm{1,2},..,m$

其中，表示邻域空间Ω_k内像素点的数目，F(s,t)表示邻域空间Ω_k内像素点(s,t)处的灰度值；

步骤1.4、计算每一个像素点(x,y)所对应的的多尺度局部差异对比度C(x,y)：

$C(x,y)=\max \{\frac{{|C_1(x,y)-C_m(x,y)|}^2}{{|C_{\max }(x,y)-C_{\min }(x,y)|}^2},\frac{{|C_2(x,y)-C_m(x,y)|}^2}{{|C_{\max }(x,y)-C_{\min }(x,y)|}^2},...,\frac{{|C_{m-1}(x,y)-C_m(x,y)|}^2}{{|C_{\max }(x,y)-C_{\min }(x,y)|}^2}\}$

其中C_max(x,y)＝max{C₁(x,y),C₂(x,y),...,C_m(x,y)},C_min(x,y)＝min{C₁(x,y),C₂(x,y),...,C_m(x,y)}；

重复步骤1.2-1.4遍历红外图像F中每一个像素点，获得红外图像F的多尺度局部差异对比度C。

3.根据权利要求2所述的一种复杂云天背景下小红外目标检测方法，其特征在于，所述的加权局部图像熵W的求解包括以下步骤：

步骤2.1、对于红外图像F中每一个像素点(x,y)，设置邻域空间Θ的大小为M×N，基于以下公式计算像素点(x,y)处的加权局部图像熵W(x,y)：

$W(x,y)=-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(s(i,j)-F(x,y))}^2\·p\left(s(i,j)\right)\log p\left(s(i,j)\right)$

其中，s(i,j),i＝1,…,M,j＝1,...,N是邻域空间Θ内像素点(i,j)处的灰度值，p(s(i,j))是灰度值s(i,j)的概率分布函数；

步骤2.2、重复步骤2.1遍历红外图像F中每一个像素点，获得红外图像F的加权局部图像熵W。

4.根据权利要求3所述的一种复杂云天背景下小红外目标检测方法，其特征在于，所述的局部加权差异图E的求解包括以下步骤：

步骤3.1、每一个像素点(x,y)所对应的经过步骤1处理所得到的多尺度局部差异对比度C(x,y)与经过步骤2处理所得到的加权局部图像熵W(x,y)进行点积运算，获得每一个像素点(x,y)所对应的局部加权差异E(x,y)；

步骤3.2、重复步骤3.1，遍历红外图像F中每一个像素点，获得红外图像F的局部加权差异图E。