CN107330857A - 一种红外图像中暗弱点目标检测方法 - Google Patents

Abstract

本发明公开了一种红外图像中暗弱点目标检测方法，采用8个方向5×5维度的结构元素来提取所有可能的不同尺度的目标；经过自适应阈值处理得到目标感兴趣区域，有效提高目标信噪比；采用背景边缘点与点目标在局部邻域分布的判决准则，将残余的背景边缘点剔除；依据帧间匹配关系来剔除噪点并且获得目标运动轨迹；算法复杂度不高，满足实时性要求；结果表明本发明目标检测概率高，同时虚警率较低，具有重要的应用价值。

Description

一种红外图像中暗弱点目标检测方法

技术领域

本发明属于红外探测技术领域，具体涉及一种红外图像中暗弱点目标检测方法,适用于复杂背景下信噪比约为2～3的红外图像暗弱点目标检测。

背景技术

红外暗弱点目标检测技术对于红外搜索系统、精确制导等领域的发展具有重要的意义。作用距离是衡量红外搜索与跟踪系统的重要指标，远距离低信噪比点目标在运动过程中成像尺寸在1×1～3×3个像元之间变化，其形态信息随着距离和成像角度的不同是不断变化的。事实上，点目标在探测器上所成的像占1个像元的情况较少，更多时候会扩散成水平或者垂直方向2个像元，或者3×3个像元。点目标实际成像尺寸大于理想几何成像尺寸，这是因为点目标在运动过程中由于远距离成像发生光学衍射，点目标会弥散成爱里斑，能量扩散到邻近像元。而且点目标机动性较强可能出现在各种不同尺度的复杂场景中而且成像过程中效果往往受到天气、大气辐射、复杂云层，以及各种噪声等因素的影响，这很可能导致红外图像中某些场景的辐射强度超过点目标的辐射强度，以致目标被淹没在复杂背景中。因此复杂背景下的暗弱点目标检测已经成为当今亟待解决的研究难题。

国内外学者对暗弱点目标检测展开了大量的研究工作。彭嘉雄等人提出了空域滤波的方法，对图像进行高通滤波处理，噪声得到一定程度抑制，同时算法复杂度不高。李欣等人针对红外云层的特点提出使用模糊聚类的方法准确判别出图像的类别以实现弱小目标的检测。王刚等人对红外图像小目标与背景的特性进行了分析，提出一种基于图像块邻域对比特性的红外弱小目标检测算法用于有效检测低信噪比条件下的红外弱小目标。吴一全提出基于NSCT的红外小目标检测方法，通过对高频子带求距离像来检测小目标。但对不同尺度、不同方向的高频子带求取的距离像与原始图像中的小目标大小不一致，目标分割方法不能准确定位目标所在位置。Laure提出一种背景块匹配三维模型的目标检测算法，通过计算图像块的协方差估计出相似分布的背景区域，然后采用高斯混合模型法对背景进行建模，此法对背景抑制作用很好，但是算法复杂，不利于实时实现。其次还有最大中值滤波器方法、二维最小均方滤波器算法、小波变换法等。很多算法在抑制背景的同时，造成目标信息的丢失，有的算法在预测背景过程中，不仅突出了目标，有时也保留大量的背景高频像素点和孤立噪声，造成较高的虚警率。

近年来，很多人提出采用形态学顶帽算法检测点目标，形态学滤波算法对背景抑制的效果取决于结构元素的尺寸与形状，当无法获得暗弱点目标图像的先验知识时，该算法难以获得最佳效果。结构元素在形态学运算中的作用类似于滤波窗口，它的选择至关重要。传统的顶帽算法只采用一种结构元素，忽略了不同方向的点目标细节差异，因此其检测出的候选目标个数有限，可能产生较大的漏检概率。

综上所述，暗弱点目标检测算法不仅要适应各种复杂的环境条件，有较强的稳健性，同时算法简单能够满足实时性要求。研究出稳定、高效的暗弱点目标检测算法不仅具有重要的理论意义，而且有重大的应用价值。

发明内容

有鉴于此，本发明的目的是提供一种红外图像中暗弱点目标检测方法，尽可能地覆盖各个方向分布的点目标，能够提取出不同尺度的点目标。

一种红外图像中点目标检测方法，包括如下步骤：

步骤一、获取原始图像序列；

步骤二、对输入的原始图像I(x,y)，利用8个结构元素采用顶帽和底帽变换组合运算，得到原始图像在8个结构元素对应的8个方向下分布的目标感兴趣区域，具体为：

S1、顶帽和底帽变换分别如式(1)和式(2)所示：

TH_n＝I(x，y)-(Iοb_n)(x，y)， (1)

BH_n＝(I·b_n)(x,y)-I(x,y)， (2)

其中，b_n表示第n个结构元素，n＝1,2,…,8，具体的：

S2、对步骤S1中得到的顶帽和底帽变换结果进行组合运算，得到第n个方向下目标感兴趣区域ROI_n；

ROI_n＝I+TH_n-BH_n， (3)

S3、将S2提取到的8个方位的点目标感兴趣区域ROI_n按照各自所在位置拼合成一个完整的图像，即得到疑似的不同灰度分布的点目标结果图像ROI：

步骤三、采用恒虚警阈值处理点目标结果图像ROI，得到候选点目标；

步骤四、根据所述候选点目标获得目标运动轨迹。

进一步的，在步骤三获得候选点目标后，先在候选点目标中剔除残余背景点，再送入步骤四；具体剔除方法为：

S31、原始图像I中找到候选目标点的位置，并将候选目标点的位置定义为I(i,j)；

S32、针对每个候选目标点，在原始图像上以该点为中心的5×5邻域窗口中，定义如公式(6)所示的4个方向向量L_m，m＝1,2,3,4，每个方向向量包含候选目标点两侧的4个点：

S33、然后计算每个方向向量L_m中4个点与中心的候选目标点I(i,j)的灰度差异值之和：

其中w_x,y表示方向向量上的点I(i+x,j+y)相对中心点I(i,j)的加权系数，x,y∈[-2,2]；其中，距离中心点越近的点，加权系数越大，距离越远，加权系数越小；

S34、针对每一个候选目标点，确定四个方向向量的灰度差异值的最大值与最小值的比值，称为该候选点的方向比率DR；

S35、将DR值大于或等于设定阈值的点进行舍弃，将小于设定阈值的点保留，最后得到的候选目标点即为剔除了残余背景点的候选目标点。

较佳的，所述S33中，加权系数的设置具体如下：

向量L1中各点按从远极近的顺序，各邻域点的加权系数为：1,2,2和1；

向量L2中各点按从远极近的顺序，各邻域点的加权系数为：3/2,5/2,5/2和3/2；

向量L3中各点按从远极近的顺序，各邻域点的加权系数为：1,2,2和1；

向量L4中各点按从远极近的顺序，各邻域点的加权系数为：3/2,5/2,5/2和3/2；

对所有邻域点的加权系数进行归一化，得到最终的加权系数。

较佳的，所述设定阈值设为2。

较佳的，所述步骤三中，采用恒虚警阈值处理点目标结果图像ROI，得到候选点目标的具体过程如下：

针对步骤二得到的每个目标感兴趣区域ROI_n计算该区域的恒虚警阈值：

式中为本区域内背景区域的灰度均值，σ_b为本区域内背景区域的标准差，k为固定常数；

将本区域内各个点与本区域对应的恒虚警阈值进行比较，大于或等于恒虚警阈值Th的进行保留确定为候选目标点；小于恒虚警阈值的进行剔除，得到候选目标点图像。

较佳的，取k为

较佳的，所述步骤一中，斯特林制冷碲镉汞长波红外焦平面探测器采集复杂云层背景下暗弱点目标图像序列。

较佳的，图像序列中每间隔10帧选取一帧图像加入所述原始图像序列。

本发明具有如下有益效果：

本发明采用自主搭建的长波红外焦平面探测器，采集含有点目标的图像视频序列；采用8个方向5×5维度的结构元素来提取所有可能的不同尺度的目标；经过自适应阈值处理得到目标感兴趣区域，有效提高目标信噪比；采用背景边缘点与点目标在局部邻域分布的判决准则，将残余的背景边缘点剔除；依据帧间匹配关系来剔除噪点并且获得目标运动轨迹。算法复杂度不高，满足实时性要求。结果表明本发明目标检测概率高，同时虚警率较低，具有重要的应用价值。

本发明设计的8个方向5×5维度的结构元素，对每一种结构元素采取Top-hat、Bottom-hat变换组合运算，能够提取出图像中所有可能灰度分布的点目标。

本发明提出的局部对比特征准则利用点目标和背景边缘点分布的不同，成功剔除了残余的背景边缘点，有效提高目标信噪比。

本发明采用的算法复杂度不高，易于实时实现，对红外搜索与跟踪系统中的暗弱点目标检测技术具有很高的实用价值。

附图说明

图1为候选点的4个方向向量示意图。

图2为本发明的方法流程图。

图3为采集的原始目标图像序列中的5帧。

图4为自适应阈值检测的结果图。

图5为虚假背景边缘点剔除结果图。

图6为多帧匹配点目标轨迹结果图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

形态学滤波利用具有一定形态的结构元素提取图像中对应的形态以实现对目标的识别。形态学滤波中的开运算“ο”能够去掉图像小于结构元素的孤立子域，闭运算“·”可以将两个距离近的区域连接起来。

我们用大于目标大小的结构元素对图像进行开运算，从而获得图像背景，再将原图像与背景差分实现背景抑制，这就是顶帽(Top-hat)变换。底帽(Bottom-hat)变换是图像的闭运算结果与原始图像之差，在抑制背景的同时能提取图像的暗细节特征。在原始图像基础上加上顶帽变换结果，再减去底帽变换结果，不仅可以抑制背景，目标能量也能够得到增强。

多尺度Top-hat、Bottom-hat变换定义如下：

TH_n＝I(x，y)-(Iοb_n)(x，y)， (1)

BH_n＝(I·b_n)(x,y)-I(x,y)， (2)

其中n＝1,2,…,N为整数，I(x,y)为输入的原始图像，b_n表示不同的结构元素。

本发明设计了水平、垂直、对角线等8个方向的结构元素来提取不同灰度分布的点目标，8个5×5维度的结构元素b_n(n＝1,2,…,8)如下所示：

设计的结构元素覆盖了方形窗口内几乎所有的点目标形态走向，对于每一种结构元素b_n，采用如下的Top-hat、Bottom-hat变换组合运算，能够探测出在此结构元素所对应方向下的目标感兴趣区域ROI_n(n＝1,2,…,8)。

ROI_n＝I+TH_n-BH_n， (3)

我们将提取到的8个方位的点目标感兴趣区域ROI_n组成一个大的滤波器，得到疑似的不同灰度分布的点目标结果图像ROI，见公式(4)。

采用恒虚警阈值处理上述全方位点目标感兴趣ROI，得到候选点目标，在目标感兴趣位置所在的局部小邻域内计算该区域的恒虚警阈值：

式中为局部背景区域的灰度均值，σ_b为局部背景区域的标准差，k为固定常数，可近似认为其为检测的信噪比阈值，大于阈值Th的进行保留确定为候选目标点，小于阈值的进行剔除，进行二值化处理，得到候选目标点图像。出于对要检测的点目标信噪比的要求，我们取k为

对于上述全方位多尺度形态学处理得到的候选目标图像，除了有暗弱点目标，可能还会存在残留的强起伏背景边缘点和高斯点噪声，我们采用如下的局部对比特征将这些虚假点剔除。

将候选目标点定位返回到原始图像I中，假设其中一个候选目标点为I(i,j)，在原始图像上以该点为中心的5×5邻域窗口中，我们定义如公式(6)所示的4个方向向量L_m(m＝1,2,3,4)，每个方向向量包含候选目标点两侧的4个点，接下来用这4个方向向量的关系区分点目标和残余背景边缘点，5×5邻域窗口方向向量示意图见图1。

L₁＝{I(i-2,j-2),I(i-1,j-1),I(i+1,j+1),I(i+2,+2)}

L₂＝{I(i,j-2),I(i,j-1),I(i,j+1),I(i,j+2)}

L₃＝{I(i+2,j-2),I(i+1,j-1),I(i-1,j+1),I(i-2,j+2)}

L4＝{I(i-2,j),I(i-1,j),I(i+1,j),I(i+2,j)}，

(6)

然后计算每个方向向量L_m中4个点与中心点的灰度差异值之和：

其中w_x,y表示方向向量上的点I(i+x,j+y)相对中心点I(i,j)的加权系数，x,y∈[-2,2]。根据已有先验知识，距离中心点越近的点，其灰度值跟中心点越接近，因此赋予较近的点较大的权值。作为中心点I(i,j)的最近邻4邻域I(i±1,j)和I(i,j±1)，我们赋予最大的权值5/2。对于4个次邻近I(i±1,j±1)，令它们的加权系数值为2。以此类推，我们赋予5×5邻域窗口内距离中心点最远的4个点I(i±2,j±2)的加权系数值为1。为了处理方便，将4个方向向量L_m依次竖直排列组合成公式(12)所示的列矩阵L，按照上述法则矩阵中每一点对应的加权系数构成矩阵w_x,y：

本发明定义一个新的变量叫做方向比率(direction ratio，缩写DR)，每一个候选点方向向量的灰度差异值的最大值与最小值的比值称为该候选点的方向比率DR，定义式如下：

下面我们分两种情况讨论DR值：

1)如果候选点是背景边缘点，则DR值会比较大。因为4个方向向量中至少存在1个很小的和1个很大的共同作用的结果是得到的DR值比较大，往往在2以上。

2)如果候选点是真实点目标，则DR值比较小，在1～2之间。这是因为点目标的4个方向向量的灰度差异值比较接近，最大值与最小值的比值也在2以内。

因此，本发明通过设定DR阈值来区分候选点中的背景边缘点和真实点目标，阈值设定为2即可，DR值大于2，即为残余背景边缘点，进行舍弃，小于2的进行保留，下一步处理。

保留下来的点中还可能存在点噪声，而点噪声位置固定不变或无序闪烁。对于动基座探测器采集点目标图像装置，转台的速度已知，由于探测器帧频较高，极短时间内点目标近似直线运动，而且动基座探测器在帧间移动的像元数目固定，可近似认为目标在帧间运动的像元数固定，采用提出的算法对序列图像进行处理后累加，采用常用的Hough变换直线检测算法在几帧内便可检测出点目标轨迹，排除固定噪点和无序虚假点的干扰。

本发明的红外图像中暗弱点目标检测方法，包括以下步骤：

步骤一、原始图像获取

采用搭建的斯特林制冷碲镉汞长波红外焦平面探测器，采集复杂云层背景下暗弱点目标图像序列。图像序列中选取部分图如图3所示，帧间间隔为10帧。

步骤二、多尺度形态学滤波提取所有可能形态分布的疑似目标

采用8个结构元素的Top-hat、Bottom-hat变换组合运算，探测出图像中在8个方向下分布的目标感兴趣区域。

步骤三、自适应阈值处理得到候选点目标

在目标感兴趣区域的小邻域内，利用自适应阈值处理，得到候选点目标，结果见图4。

步骤四、局部对比特征准则剔除残余背景点

采用设计的局部对比特征准则，区分候选点中的背景边缘点和真实点目标，DR值大于2，即为残余背景边缘点，进行舍弃，小于2的进行保留，下一步处理，结果见图5。

步骤五、帧间匹配关系来剔除噪点并且获得目标运动轨迹。

对上述处理得到的序列图像进行累加，采用常用的Hough变换直线检测算法检测直线，得到点目标运动轨迹的同时剔除无序噪点，轨迹见图6。

实施例：

本发明采用自主搭建的设备采集红外暗弱点目标图像序列，序列中的5帧图像见图3。图像中包含大量复杂云层背景，而且背景中还存在很多固定噪点或者随机噪点，这些噪点严重干扰对小目标的检测，容易造成很大的虚警率。

本发明首先采用Top-hat、Bottom-hat变换组合运算，即原始图像加上顶帽变换结果再减去底帽变换结果，在这里采用设计的8个方向的结构元素，提取出图像中在所有可能分布的点目标感兴趣区域，再将这些提取出的感兴趣区域组合起来。接下来对上述处理结果图像进行自适应阈值采用恒虚警阈值处理，得到候选目标，这步的处理结果如图4所示，红色方框圈出的就是检测出的候选目标点，这些点主要分布在云层背景边缘，其次还包括一些干扰噪点。

下一步分析候选点中的背景边缘点和真实点目标在局部邻域内方向比率的差异性，采用设计的局部对比特征准则，剔除候选点中的背景边缘点，具体准则为：DR值大于2，我们认为是残余背景边缘点，进行舍弃，小于2的进行保留，下一步处理，图5就是经过局部对比特征准则得到的候选目标结果图，图中可以看到此时的候选目标数量很少，很多背景高频点被剔除。

下一步通过上述检测算法处理后的点目标序列图像进行相邻5帧累加，在极短的时间内我们认为点目标做直线运动，而且探测器在水平方位上匀速转动，采用Hough变换直线检测算法检测累加图中的直线，得到点目标运动轨迹的同时剔除固定噪点以及无序闪烁噪点。

下面对本发明进行数据分析评价：

本发明用信噪比SNR来描述检测出点目标的信息，用目标检测概率R_CDR和虚警概率R_FAR描述算法对点目标检测的结果好坏，定义分别如下：

R_CDR＝(N_c/N_t)×100％ (11)

R_FAR＝[N_f/(N_f+N_t)]×100％ (12)

式中，μ_t为目标区域灰度均值，μ_b为局部背景区域的灰度均值，σ_b为局部背景区域的标准差。

序列中点目标信噪比分布在0.5-3，每帧图像都只有一个点目标，因此采集的1000帧序列中共有1000个点目标。上述算法正确检测出988个点目标，另外有5个虚警，所以检测概率是98.80％，虚警率是0.5％。从数据来看，本发明提出的方法对点目标检测效果强，对复杂云层背景的抑制效果很好，验证了本发明提出算法的有效性强。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种红外图像中点目标检测方法，其特征在于，包括如下步骤：

步骤一、获取原始图像序列；

步骤二、对输入的原始图像I(x,y)，利用8个结构元素采用顶帽和底帽变换组合运算，得到原始图像在8个结构元素对应的8个方向下分布的目标感兴趣区域，具体为：

S1、顶帽和底帽变换分别如式(1)和式(2)所示：

BH_n＝(I·b_n)(x,y)-I(x,y)， (2)

其中，b_n表示第n个结构元素，n＝1,2,…,8，具体的：

S2、对步骤S1中得到的顶帽和底帽变换结果进行组合运算，得到第n个方向下目标感兴趣区域ROI_n；

ROI_n＝I+TH_n-BH_n， (3)

S3、将S2提取到的8个方位的点目标感兴趣区域ROI_n按照各自所在位置拼合成一个完整的图像，即得到疑似的不同灰度分布的点目标结果图像ROI：

步骤三、采用恒虚警阈值处理点目标结果图像ROI，得到候选点目标；

步骤四、根据所述候选点目标获得目标运动轨迹。

2.如权利要求1所述的一种红外图像中点目标检测方法，其特征在于，在步骤三获得候选点目标后，先在候选点目标中剔除残余背景点，再送入步骤四；具体剔除方法为：

S31、原始图像I中找到候选目标点的位置，并将候选目标点的位置定义为I(i,j)；

S32、针对每个候选目标点，在原始图像上以该点为中心的5×5邻域窗口中，定义如公式(6)所示的4个方向向量L_m，m＝1,2,3,4，每个方向向量包含候选目标点两侧的4个点：

S33、然后计算每个方向向量L_m中4个点与中心的候选目标点I(i,j)的灰度差异值之和：

其中w_x,y表示方向向量上的点I(i+x,j+y)相对中心点I(i,j)的加权系数，x,y∈[-2,2]；其中，距离中心点越近的点，加权系数越大，距离越远，加权系数越小；

S34、针对每一个候选目标点，确定四个方向向量的灰度差异值的最大值与最小值的比值，称为该候选点的方向比率DR；

S35、将DR值大于或等于设定阈值的点进行舍弃，将小于设定阈值的点保留，最后得到的候选目标点即为剔除了残余背景点的候选目标点。

3.如权利要求2所述的一种红外图像中点目标检测方法，其特征在于，所述S33中，加权系数的设置具体如下：

向量L1中各点按从远极近的顺序，各邻域点的加权系数为：1,2,2和1；

向量L2中各点按从远极近的顺序，各邻域点的加权系数为：3/2,5/2,5/2和3/2；

向量L3中各点按从远极近的顺序，各邻域点的加权系数为：1,2,2和1；

向量L4中各点按从远极近的顺序，各邻域点的加权系数为：3/2,5/2,5/2和3/2；

对所有邻域点的加权系数进行归一化，得到最终的加权系数。

4.如权利要求3所述的一种红外图像中点目标检测方法，其特征在于，所述设定阈值设为2。

5.如权利要求1,2,3或4所述的一种红外图像中点目标检测方法，其特征在于，所述步骤三中，采用恒虚警阈值处理点目标结果图像ROI，得到候选点目标的具体过程如下：

针对步骤二得到的每个目标感兴趣区域ROI_n计算该区域的恒虚警阈值：

式中为本区域内背景区域的灰度均值，σ_b为本区域内背景区域的标准差，k为固定常数；

将本区域内各个点与本区域对应的恒虚警阈值进行比较，大于或等于恒虚警阈值Th的进行保留确定为候选目标点；小于恒虚警阈值的进行剔除，得到候选目标点图像。

6.如权利要求5所述的一种红外图像中点目标检测方法，其特征在于，取k为

7.如权利要求1,2,3或4所述的一种红外图像中点目标检测方法，其特征在于，所述步骤一中，斯特林制冷碲镉汞长波红外焦平面探测器采集复杂云层背景下暗弱点目标图像序列。

8.如权利要求1,2,3或4所述的一种红外图像中点目标检测方法，其特征在于，图像序列中每间隔10帧选取一帧图像加入所述原始图像序列。