CN106611409A - 一种基于二次图像融合的小目标增强检测方法 - Google Patents

Abstract

本发明提供了一种基于二次图像融合的小目标增强检测方法。包括：将连续8帧红外图像序列分分成两组，前4帧为A组，后4帧为B组；对A、B两组图像采用加权平均融合算法进行融合，得到两张一次融合图像；对两张一次融合图像分别进行小波分解，得到图像的高频部分和低频部分；采取不同的融合准则，对步骤三的高频部分和低频部分各自融合处理；对融合后的高频部分和低频部分进行小波重构，得到二次融合图像。本发明将二次图像融合算法引入了红外弱小目标检测领域，将连续帧中的目标视为静止状态，先进行一次融合，抑制图像中的随机噪声，对融合结果进行多尺度小波融合，在抑制背景的同时，增强了弱小目标，提高了目标检测的概率。

Description

一种基于二次图像融合的小目标增强检测方法

技术领域

本发明涉及的是一种红外目标检测技术，尤其涉及一种红外弱小目标增强方法。

背景技术

目前红外预警系统已经成为现代战争中信息对抗的一个关键组成部分。由于目标距离红外预警系统较远，点目标是红外目标的主要存在方式，其具有无特征信息、无几何形状、无结构等特点，严重影响了红外预警系统对目标的检测识别。目前对红外目标的研究主要有两个方面：a基于背景抑制的单帧检测。b基于管道滤波的多帧检测。可见在红外目标检测领域对弱小目标增强算法的研究还是有限的，尤其是将图像融合技术与红外小目标检测技术相结合的研究少之又少。2011年，张俊举等人提出了基于红外与微光图像融合的目标识别算法，先对红外图像进行目标识别，再将识别结果与微光图像融合，融合结果不仅具有微光图像良好的人眼可视性，还具有鲜明的红外特性。2013年，卢刚提出了基于图像融合的红外弱小目标检测算法，将红外双波段预警系统的成像分别进行背景抑制和图像分割，将分割结果进行图像融合来识别目标。这两种方法虽然都应用了图像融合算法，但是都忽略了红外弱小目标难以检测的特点，没有通过图像融合来提高弱小目标的检测概率。

在红外图像序列检测中多采用管道滤波算法，该算法实际上是一个时空滤波器，它是在序列图像的空间位置上以目标为中心建立的一个空间管道，管道的直径代表空间的作用尺寸，即目标的尺寸，管道的长度代表检测时间的长度，即图片序列的帧数。本文针对红外图像序列数据量大的、目标运动差异性小的特点，提出了基于二次图像融合的小目标增强算法，通过对包含有弱小目标的红外图像序列进行仿真验证了该算法具有降低红外序列数据量、增强弱小目标的价值。

发明内容

本发明的目的在于提供一种目标检测概率高的一种基于二次图像融合的小目标增强检测方法。

本发明的目的是这样实现的：

步骤一：将连续8帧红外图像序列分分成两组，前4帧为A组，后4帧为B组；

步骤二：对A、B两组图像采用加权平均融合算法进行融合，得到两张一次融合图像；

步骤三：对两张一次融合图像分别进行小波分解，得到图像的高频部分和低频部分；

步骤四：采取不同的融合准则，对步骤三的高频部分和低频部分各自融合处理；

步骤五：对融合后的高频部分和低频部分进行小波重构，得到二次融合图像。

本发明还可以包括：

1、所述对A、B两组图像采用加权平均融合算法进行融合的方法为：

直接对像素点进行加权平均处理合成一幅图像，原始图像序列连续8帧都为含噪图像：

A_i(n₁,n₂)＝f(n₁,n₂)+η_i(n₁,n₂)

i＝1，2…8；n₁和n₂代表行号和列号，f(n₁,n₂)代表不含噪声的图像信息，η_i(n₁,n₂)为像素点(n₁，n₂)处的噪声为不相关、零均值噪声，A_i(n₁,n₂)为红外图像中任意像素点的灰度值；

对连续4帧图像进行加权平均融合后的图像为：

a_i为融合系数，为加权平均融合后的图像，其均值和标准差分别为：

为融合图像的均值，为融合图像的标准差，为像素点噪声的标准差。

2、步骤三中对一次加权平均融合算法得到的图像进行二次多尺度融合具体包括：

(3.1)对每一原图像分别进行小波变换，得到图像的小波分解；

为步骤二中得到的融合图像，G_i0为小波分解得到的低频数据，G_i1和G_i2为小波分解得到的高频数据,i＝1,2，代表步骤二中的两组融合结果；

(3.2)对(3.1)分解得到低频数据和高频数据，采用不同的融合准则进行融合，所述不同的融合准则为：对低频数据部分采用加权平均融合准则；对高频数据部分采用局部方差准则，将G_i1和G_i2分成若干个M×N子块图像，对每个子块图像进行数值分布统计，计算其方差，

为采用加权平均融合准则对低频数据融合的结果，G_i0(3.1)小波分解得到的低频数据，为采用局部方差准则对高频数据融合的结果，σ₁1、σ₂1分别是小波分解得到的G1部分的子块图像的方差，为采用局部方差准则对高频数据融合的结果，σ₁2、σ₂2分别是小波分解得到的G2部分的子块图像的的方差；

(3.3)对上一步采用不同融合准则的到的低频数据和高频数据进行小波重构，得到二次融合图像，

本发明针对传统的红外图像序列不能充分利用图像的数据信息以及单帧红外图像红外弱小目标难以检测的问题，提出了一种基于二次图像融合的小目标增强方法。该方法先对红外序列进行分组融合，降低冗余；然后对融合结果进行多分辨率二次融合，最后对融合结果进行目标检测。与现有技术相比，本发明的有益效果是：

本发明的核心技术内容在于将二次图像融合算法引入了红外弱小目标检测领域，将连续帧中的目标视为静止状态(因其距离红外传感器距离较远，短时间内的移动对成像影响极小)，先进行一次融合，抑制图像中的随机噪声，对融合结果进行多尺度小波融合，在抑制背景的同时，增强了弱小目标，提高了目标检测的概率。

附图说明

图1是本发明的流程图；

图2是本发明的核心算法——二次图像融合算法的工作原理；

图3(a)是没有经过处理的原始单帧红外图像，图3(b)是对图3(a)采用canny算子进行边缘检测的结果；

图4(a)是对红外图像序列采用本发明技术处理后的结果，图4(b)对图4(a)采用canny算子进行边缘检测的结果；

图5(a)是将融合图像作为新的一帧图像，与单帧原图像进行帧差检测的结果，图5(b)为原始图像序列进行帧差检测的结果；

图6为经过本发明技术处理后的图像的信息熵以及部分原始图像序列的信息熵。

具体实施方式

下面结合附图举例对本发明作进一步描述。

结合图1、图2，本发明实现步骤如下：

步骤一：读入连续8帧图像序列，平均分成两组，每组四帧；

步骤二：对分组后的图像分别采用加权平均融合算法进行融合：

(1.1)对两组图像采用加权平均融合方法，不对参与融合的原图像进行任何变换或者分解，而是直接对像素点进行加权平均处理合成一幅图像。原始图像序列连续8帧都为含噪图像：

A_i(n₁,n₂)＝f(n₁,n₂)+η_i(n₁,n₂) (1)

i＝1，2…8；n₁和n₂代表行号和列号，f(n₁,n₂)代表不含噪声的图像信息，η_i(n₁,n₂)为像素点(n₁，n₂)处的噪声，根据理论分析，其为不相关、零均值噪声。A_i(n₁,n₂)为红外图像中任意像素点的灰度值。对连续4帧图像进行加权平均融合后的图像为：

a_i为融合系数，为加权平均融合后的图像，其均值和标准差分别为：

为融合图像的均值，为融合图像的标准差，为像素点噪声的标准差。通过上式可以说明，加权平均融合后得到的融合图像均值不变，噪声标准差将为原来的1/2，起到了抑制随机噪声的作用。

步骤三：对一次加权平均融合算法得到的图像进行二次多尺度融合：

(3.1)对每一原图像分别进行小波变换，建立图像的小波塔型分解；

为步骤二中得到的融合图像，G_i0为小波分解得到的低频数据，G_i1和G_i2为小波分解得到的高频数据,i＝1,2，代表步骤二中的两组融合结果。

(3.2)对上一步分解得到低频数据和高频数据，采用不同的融合准则进行融合，对低频数据部分采用加权平均融合准则，对高频数据部分采用局部方差准则，将G_i1和G_i2分成若干个M×N子块图像。对每个子块图像进行数值分布统计，计算其方差。

为采用加权平均融合准则对低频数据融合的结果，小波分解得到的低频数据。为采用局部方差准则对高频数据融合的结果，σ₁1，σ₂1分别是小波分解得到的G₁部分的子块图像的方差。为采用局部方差准则对高频数据融合的结果，σ₁2，σ₂2分别是小波分解得到的G₂部分的子块图像的的方差。

(3.3)对上一步采用不同融合准则的到的低频数据和高频数据进行小波重构，得到二次融合图像。

步骤四：对经过二次融合得到的图像采用canny算子进行边缘检测。输出结果即为增强后的目标及部分的背景边缘信息。

步骤五：将二次融合得到的融合图像与原始序列图像相减，输出结果只包含有目标信息，至此，本发明技术完成了目标增强检测。

步骤六：计算融合图像和原始图像的信息熵，判断红外目标是否得到增强，计算公式如下：

本发明的效果可通过以下仿真进一步说明：

实验平台：因特尔i7处理器、主频2.20GHz、64位Windows 7专业版下的MatlabR2012a仿真软件。

(1)仿真参数设置：

图像序列特征：连续10帧图像，图像的分辨率为320×480；

分组参数：平均分成两组，1-5帧为第一组，6-10帧为第二组；

融合参数：a，一次融合：加权系数均为为0.5；

b，二次融合：低频信息融合加权系数为0.5

高频信息融合选择方差较大的像素点的系数。

(2)仿真结果：

图3原始图像和原始图像边缘检测的结果，图4为二次融合图像和对其边缘检测的结果，对比可以看出，融合图像明显优于原始图像，融合结果中的目标得到增强，原始图像无法检测出目标，融合图像清晰的检测出目标。

图5(a)为融合图像与第一帧图像的帧差结果，图5(b)为第六帧图像与第一帧图像的帧差结果。对比可以看出，经过二次融合后的图像成功的检测出目标。

图6为第一帧、第四帧、第七帧和融合图像的信息熵计算结果，定量的证明了本发明技术对目标的增强作用。

综上，本实施例提出了基于二次图像融合的红外小目标增强算法，改进后的算法能够充分利用红外图像序列的数据信息，在抑制图像背景的同时增强红外弱小目标，实现对红外弱小目标的检测概率，能够满足当前的应用需求。

本领域技术人员可以理解，在本申请具体实施方式的上述方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请具体实施方式的实施过程构成任何限定。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (3)

1.一种基于二次图像融合的小目标增强检测方法，其特征是包括以下步骤：

步骤一：将连续8帧红外图像序列分分成两组，前4帧为A组，后4帧为B组；

步骤二：对A、B两组图像采用加权平均融合算法进行融合，得到两张一次融合图像；

步骤三：对两张一次融合图像分别进行小波分解，得到图像的高频部分和低频部分；

步骤四：采取不同的融合准则，对步骤三的高频部分和低频部分各自融合处理；

步骤五：对融合后的高频部分和低频部分进行小波重构，得到二次融合图像。

2.根据权利要求1所述的基于二次图像融合的小目标增强检测方法，其特征是所述对A、B两组图像采用加权平均融合算法进行融合的方法为：

直接对像素点进行加权平均处理合成一幅图像，原始图像序列连续8帧都为含噪图像：

A_i(n₁,n₂)＝f(n₁,n₂)+η_i(n₁,n₂)

i＝1，2…8；n₁和n₂代表行号和列号，f(n₁,n₂)代表不含噪声的图像信息，η_i(n₁,n₂)为像素点(n₁，n₂)处的噪声为不相关、零均值噪声，A_i(n₁,n₂)为红外图像中任意像素点的灰度值；

对连续4帧图像进行加权平均融合后的图像为：

$\stackrel{\‾}{A}(n_1,n_2)=a_i*\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{A}_i(n_1,n_2)$

a_i为融合系数，为加权平均融合后的图像，其均值和标准差分别为：

$E\left\{\stackrel{\‾}{A}(n_1,n_2)\right\}=f(n_1,n_2)$

${\mathrm{\σ}}_{\stackrel{\‾}{A}(n_1,n_2)}=\frac{1}{2}{\mathrm{\σ}}_{\mathrm{\η}(n_1,n_2)}$

为融合图像的均值，为融合图像的标准差，为像素点噪声的标准差。

3.根据权利要求1或2所述的基于二次图像融合的小目标增强检测方法，其特征是步骤三中，对一次加权平均融合算法得到的图像进行二次多尺度融合，具体包括：

(3.1)对每一原图像分别进行小波变换，得到图像的小波分解；

${\stackrel{\‾}{A}}_i(n_1,n_2)=G_{i}0+G_{i}1+G_{i}2$

为步骤二中得到的融合图像，G_i0为小波分解得到的低频数据，G_i1和G_i2为小波分解得到的高频数据,i＝1,2，代表步骤二中的两组融合结果；

(3.2)对(3.1)分解得到低频数据和高频数据，采用不同的融合准则进行融合，所述不同的融合准则为：对低频数据部分采用加权平均融合准则；对高频数据部分采用局部方差准则，将G_i1和G_i2分成若干个M×N子块图像，对每个子块图像进行数值分布统计，计算其方差，

$\stackrel{\‾}{G}0=a_i*\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{G}_{i}0$

$\stackrel{\&OverBar;}{G}1=\left\{\begin{array}{c}{G}_{1}1,{\mathrm{\&sigma;}}_{1}1\&GreaterEqual;{\mathrm{\&sigma;}}_{2}1\\ G_{1}1,{\mathrm{\&sigma;}}_{1}1<{\mathrm{\&sigma;}}_{2}1\end{array}\right.$

$\stackrel{\&OverBar;}{G}2=\left\{\begin{array}{c}{G}_{1}2,{\mathrm{\&sigma;}}_{1}2\&GreaterEqual;{\mathrm{\&sigma;}}_{2}2\\ G_{1}2,{\mathrm{\&sigma;}}_{1}2<{\mathrm{\&sigma;}}_{2}2\end{array}\right.$

为采用加权平均融合准则对低频数据融合的结果，G_i0(3.1)小波分解得到的低频数据，为采用局部方差准则对高频数据融合的结果，σ₁1、σ₂1分别是小波分解得到的G1部分的子块图像的方差，为采用局部方差准则对高频数据融合的结果，σ₁2、σ₂2分别是小波分解得到的G2部分的子块图像的的方差；

(3.3)对上一步采用不同融合准则的到的低频数据和高频数据进行小波重构，得到二次融合图像，

$B(n_1,n_2)=\stackrel{\&OverBar;}{G}0+\stackrel{\&OverBar;}{G}1+\stackrel{\&OverBar;}{G}2.$