CN106846257A - 一种基于模糊技术的红外弱小目标图像边缘增强算法 - Google Patents

Abstract

本发明公开了一种基于模糊技术的红外弱小目标图像边缘增强算法，属于图像处理领域。该算法的实现步骤如下：步骤一：输入红外弱小目标图像，将红外弱小目标图像由空间域转换为模糊域；步骤二：对模糊域的红外弱小目标图像进行γ矫正，从而适当的增强红外弱小目标图像边缘的低灰度信息；步骤三：添加隶属度分量改变隶属度函数，保留红外弱小目标图像边缘的低灰度信息；步骤四：采用“min”或“max”算子，提取红外弱小目标图像边缘的低灰度信息。该算法能有效抑制复杂背景下脉冲噪声干扰对红外弱小目标图像边缘的影响，在保留图像低灰度信息的同时增强了低灰度边缘信息，对红外弱小目标图像边缘进行增强，且该发明算法简单，易于实现。

Description

一种基于模糊技术的红外弱小目标图像边缘增强算法

技术领域

本发明涉及图像处理领域，尤其涉及一种基于模糊技术的红外弱小目标图像边缘增强算法。

背景技术

红外成像目标检测与跟踪系统是一种基于被动探测技术的光机电一体化系统，该系统具有隐蔽性好、抗干扰能力强等优点，被广泛地应用于红外告警和精确制导等武器装备系统。在实际应用中，为了尽可能多地增加火控系统的预警时间、提高安全系数，要求红外探测系统能够在尽可能远的距离捕捉到目标并获取目标的相关信息。当目标距离较远时，因为目标在视场中是以小目标的形态出现的，并且信号微弱，以至被淹没在复杂的背景之中，导致目标检测跟踪非常困难。由于复杂背景是影响弱小目标检测跟踪性能的重要因素，若要稳定而可靠地对目标进行检测和跟踪，就必须首先对红外弱小目标图像边缘进行增强处理。因此，在模糊域对红外弱小目标图像边缘进行增强成为当今一项研究技术课题。

传统的边缘检测算法比如Sobel算子、Canny算子定位精确度不高，尤其不适用于复杂背景下易受脉冲噪声干扰的红外弱小目标图像边缘的检测。传统的Pal-king算法，虽然对脉冲噪声干扰有很好的抑制效果，但在模糊域增强过程中只对高灰度边缘进行了增强，自动抑制低灰度信息，难以识别红外弱小目标图像的边缘；且算法隶属度函数复杂，处理时间长，难以实现对红外弱小目标图像边缘的检测。

本发明算法在保留图像低灰度信息的同时增强了低灰度边缘信息，对红外弱小目标图像边缘进行增强，能够有效检测复杂背景下易受脉冲噪声干扰的红外弱小目标图像边缘，便于识别和提取红外弱小目标图像边缘的低灰度信息，且该发明算法简单，易于实现。

发明内容

本发明为了解决复杂背景下脉冲噪声干扰对红外弱小目标图像边缘的影响，以及在模糊域增强过程中红外弱小目标图像低灰度边缘丢失的问题，更好的识别和检测红外弱小目标图像边缘，提出了一种基于模糊技术的红外弱小目标图像边缘增强算法。

本发明算法的实现步骤如下：

步骤一：输入红外弱小目标图像，将红外弱小目标图像由空间域转换为模糊域；

步骤二：对模糊域的红外弱小目标图像进行γ矫正，从而适当的增强红外弱小目标图像边缘的低灰度信息；

步骤三：添加隶属度分量改变隶属度函数，保留红外弱小目标图像边缘的低灰度信息；

步骤四：采用“min”或“max”算子，提取红外弱小目标图像边缘的低灰度信息。

所述步骤一中将红外弱小目标图像由空间域转换为模糊域的实现方法为：在空间域，一个二维的红外弱小目标图像转换到模糊域后，用模糊矩阵Y表示，公式为：

m=1,2,……,M;n=1,2,….2,N

上式中，P_mn/X_mn(0≤P_mn≤1，0≤X_mn≤ 255)表示图像中像素点X_mn相对于模糊域P_mn的隶属度，变换函数（隶属度函数）P表示为：

P=G（X）=

上式中，F_e和 F_d分别为大于0的指数模糊化因子和分母模糊化因子， X_max为最大灰度级，且X_mn≤X_max。

所述步骤二中对模糊域的红外弱小目标图像进行γ矫正，从而增强红外弱小目标图像边缘的低灰度信息的实现方法为：将红外弱小目标图像转换到模糊域后，在模糊域对红外弱小目标图像边缘进行γ矫正，γ矫正对较小输入值有较大的响应输出，对较大的输入值则增加幅度不大，选择γ矫正增强红外弱小目标低灰度边缘信息由空间域转换到模糊域的图像，适当的增强红外图像低灰度信息。

在模糊域对红外弱小目标图像进行γ矫正，由空间域转换到模糊域的图像P(m,n)的增强公式为g(m,n)=(P(m,n) )^γ

上式中，g(m,n)表示模糊域中经γ矫正增强后的红外弱小目标图像，P(m,n)在模糊域的取值范围为[0,1]。

所述步骤三中，添加隶属度分量改变隶属度函数，从而保留红外弱小目标图像边缘的低灰度信息，实现方法为：

设定隶属度函数的隶属度分量，图像的模糊指数α=；

为保证转换到空间域的红外弱小目标图像灰度 X＇_mn≥0，使g_mn=α；

当g_mn＜α时，逆变换公式为： X＇_mn＝X_max—

当g_mn≥α时，逆变换公式为：X＇_mn＝X_max—

通过定义的隶属度函数分量，图像在模糊域灰度取值范围为[α,1]，在增强图像的同时，保留了图像的低灰度信息。

所述步骤四中采用“min”或“max”算子，提取红外弱小目标图像边缘的低灰度信息，“min”或“max”算子表示为E=max{min[A(x) ，B(x)]} ，其中A(x) ，B(x)分别为模糊集合。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供一种基于模糊技术的红外弱小目标图像边缘增强算法，采用γ矫正对模糊域红外弱小目标图像边缘进行增强处理，增强了低灰度边缘信息；通过添加隶属度函数分量改变隶属度函数，保留图像的低灰度信息。从而使红外弱小目标图像边缘增强，能够有效检测复杂背景下易受脉冲噪声干扰的红外弱小目标图像边缘，便于识别和提取红外弱小目标的低灰度图像信息，且该发明算法简单，易于实现。

附图说明

图1是本发明一种基于模糊技术的红外弱小目标图像边缘增强算法的流程示意图；

图2是采用γ矫正后γ值分别取0.4、0.5、0.6、0.7和1时的γ矫正曲线；

图3(a)是模糊域原始灰度图像，图3(b)是模糊域灰度图像γ增强，图3(c)是模糊域原始红外图像，图3(d)是模糊域红外图像γ增强；

图4(a) 是原始图像；图4(b)是传统Pal-King算法提取的图像边缘；图4(c)是基于模糊集的边缘检测算法提取的图像边缘；图4(d)是基于直觉模糊熵边缘检测算法提取的图像边缘；图4(e)是FCM-Canny边缘检测算法提取的图像边缘；图4(f)是本发明改进算法提取图像边缘。

具体实施方式

下面结合附图和具体实施方式对本发明的算法进行详细说明。

本发明提出了一种基于模糊技术的红外弱小目标图像增强算法，该方法主要通过以下步骤实现：

步骤一：输入红外弱小目标图像，将红外弱小目标图像由空间域转换为模糊域；；

步骤一所述的将红外弱小目标图像由空间域转换为模糊域，其方法为：首先输入红外弱小目标图像，一个二维的红外弱小目标图像 X转换到模糊特征域后，用模糊矩阵Y表示，公式为：m=1,2,……,M;n=1,2,….2,N

上式中 P_mn/X_mn(0≤P_mn≤1，0≤X_mn≤ 255)，表示图像X中像素点X（m，n）相对于模糊域P(m,n)的隶属度,变换函数（函隶属度函数）如下：

上式中， X_max为图像最大灰度级， X_min≤X_max；F_e和F_d分别为大于0的指数模糊化因子和分母模糊化因子。

步骤二：对模糊域的红外弱小目标图像进行γ矫正，从而适当的增强红外弱小目标图像边缘的低灰度信息；

步骤二所述的采用γ矫正对模糊域红外弱小目标图像进行增强处理，其实现方法为：在模糊域对红外弱小目标图像进行γ矫正，适当的增强红外图像边缘的低灰度信息，具体方法为：由空间域转换到模糊域的图像P(m,n)，增强公式如下：g(m,n)=(P(m,n) )^γ

上式中，g(m,n)表示模糊域中经γ矫正增强后的图像，P(m,n)在模糊域的取值范围为[0,1]。

γ矫正对较小输入值有较大的响应输出，面对较大的输入值则增加幅度不大，选择γ矫正增强目标低灰度边缘信息由空间域转换到模糊域的图像，适当的增强红外图像低灰度信息。

γ值分别取0.4、0.5、0.6、0.7和1时进行γ矫正，γ矫正曲线如图2所示，对模糊域普通灰度图像增强后的图像和模糊域红外图像增强后的图像进行对比，如图3所示。图3(a)是模糊域原始灰度图像，图3(b)是模糊域灰度图像γ增强，图3(c)是模糊域原始红外图像，图3(d)是模糊域红外图像γ增强。

步骤三：添加隶属度分量改变隶属度函数，保留红外弱小目标图像边缘的低灰度信息；

步骤三所述的添加隶属度分量改变隶属度函数，其实现方式为：为保证函数取值范围大于0，通过添加隶属度函数分量保证新函数值域在[0,1]内，本发明设定隶属度函数的隶属度分量，图像的模糊指数α=；

为保证转换到空间域的红外弱小目标图像灰度 X＇_mn≥0，使g_mn=α；

当g_mn＜α时，逆变换公式为： X＇_mn＝X_max—；

当g_mn≥α时，逆变换公式为：X＇_mn＝X_max—。

步骤四：使用“min”或“max”算子，提取红外弱小图像边缘；

步骤四所述的使用“min”或“max”算子，提取红外弱小目标图像边缘，其方法为：采用Nakagowa 和Rosen Field提出的“min”或“max”算子进行提取边缘，得到的边缘矩阵为：E_edge=[X〞mn]_M×N；当图像灰度值 X_mn较小时，经模糊域增强处理的g_mn，经逆变换公式得到的空间域图像灰度值X＇_mn容易小于0，传统算法将小于0的灰度值强置为0而造成图像低灰度信息丢失。

本发明通过定义的隶属度函数分量，图像在模糊域灰度取值范围为[0，1]，避免了灰度值强置为0而造成图像的低灰度信息丢失。在增强图像的同时保留了图像的低灰度信息，最后使用“min”或“max”算子提取红外弱小目标图像边缘。

Abdou和Pratt提出的品质因数是评价图像检测性能的客观方法，其公式为；

上式中，F为品质因数, N₁为实际边缘点数，N_A为实际检测边缘点数。d是实际检测到的边缘与理想边缘最近距离，α是度量常数。

分别使用传统Pal-king算法、基于模糊集的边缘检测算法、基于直觉模糊熵的边缘检测算法FCM-Canny边缘检测算法以及本发明改进算法对灰度图像及红外图像进行对比，图4(a) 为原始图像；图4(b)为传统Pal-King算法提取的图像边缘；图4(c)为基于模糊集的边缘检测算法提取的图像边缘；图4(d) 为基于直觉模糊熵边缘检测算法提取的图像边缘；图4(e)为FCM-Canny边缘检测算法提取的图像边缘；图4(f)为本发明改进算法提取图像边缘。本发明算法在检测到有效边缘信息的同时保留了灰度图像更多的低灰度信息，完成了小目标车辆的识别。

为了直观比较实际检测到的边缘点数与理想点数关系，将品质因数分为两部分考虑。一部分为受噪声影响的偏移边缘点称为漏检边缘点；一部分为距理想边缘点距离较远的点称为误检边缘点；用Q表示品质因数Q=(Q_L+Q_W)/2。

将本发明的改进算法与传统pal-king算法、基于模糊集边缘检测算法、基于直觉模糊熵边缘检测算法、FCM-Canny边缘检测算法对比品质因数如下表

本发明算法在保留图像低灰度信息的同时增强了低灰度边缘信息，对红外弱小目标图像边缘进行增强，能够有效检测易受脉冲噪声干扰的红外弱小目标图像边缘，便于识别和提取红外弱小目标图像边缘的低灰度信息，且该发明算法简单，易于实现。

Claims (4)

1.一种基于模糊技术的红外弱小目标图像边缘增强算法，其特征在于，该步骤为：

步骤一：输入红外弱小目标图像，将红外弱小目标图像由空间域转换为模糊域；

步骤二：对模糊域的红外弱小目标图像进行γ矫正，从而适当的增强红外弱小目标图像边缘的低灰度信息；

步骤三：添加隶属度分量改变隶属度函数，保留红外弱小目标图像边缘的低灰度信息

步骤四：采用“min”或“max”算子，提取红外弱小目标图像边缘的低灰度信息。

2.根据权利要求1所述的一种基于模糊技术的红外弱小目标图像边缘增强算法，其特征在于，所述步骤一中将红外弱小目标图像由空间域转换为模糊域的实现方法为： 在空间域，一个二维的红外弱小目标图像转换到模糊域后，用模糊矩阵Y表示，公式为：

m=1，2，…，M；n=1，2，…，N

上式中，P_mn/X_mn(0≤P_mn≤1，0≤X_mn≤ 255)表示图像中像素点X_mn相对于模糊域P_mn的隶属度，变换函数（隶属度函数）P表示为：

P=G（X）=

上式中，F_e和 F_d分别为大于0的指数模糊化因子和分母模糊化因子， X_max为最大灰度级，且X_mn≤X_max。

3. 根据权利要求1所述的一种基于模糊技术的红外弱小目标图像边缘增强算法，其特征在于，所述步骤二中对模糊域的红外弱小目标图像进行γ矫正的实现方法为：由空间域转换到模糊域的红外弱小目标图像为 P(m,n)的增强公式为g(m,n)=(P(m,n) )^γ

上式中，g(m,n)表示模糊域中经γ矫正增强后的红外弱小目标图像；P(m,n)在模糊域的取值范围为[0，1]。

4.根据权利要求1所述的一种基于模糊技术的红外弱小目标图像边缘增强算法，其特征在于，所述步骤三中添加隶属度分量保留红外弱小目标图像的低灰度边缘信息的实现方法为：设定隶属度函数的隶属度分量，图像的模糊指数α=；

为保证转换到空间域的红外弱小目标图像灰度 X＇_mn≥0，使g_mn=α；

当g_mn＜α时，逆变换公式为： X＇_mn＝X_max—；

当g_mn≥α时，逆变换公式为：X＇_mn＝X_max— 。