CN107403134A - 基于局部梯度三边的图域多尺度红外弱小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，该方法为：将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号；其次，根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带；再次，根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心节点系数，然后对局部加权后的高频子带作乘性融合；最后，对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果。

Description

基于局部梯度三边的图域多尺度红外弱小目标检测方法

技术领域

本发明属于红外图像处理领域，具体涉及一种基于局部梯度三边的图域多尺度红外弱小目标检测方法。

背景技术

红外弱小目标检测技术是红外成像探测领域中一项极为重要的关键技术，被广泛应用于自动目标识别中。当目标距离红外成像探测系统较远时，目标在所获得的红外图像中不仅没有明显的形状、结构、纹理等特征信息，而且成像面积相对较小，在图像中仅占几个至十几个像素。此外，成像环境的复杂恶劣性和探测器件性能的局限性，使得红外图像通常呈现低对比度、低信噪比、边缘模糊等欠佳的视觉效果；因此，如何从像质较差、信噪比有限、背景干扰复杂的红外图像中稳定有效地检测出弱小目标成为红外成像探测领域的主要技术难点。

针对复杂背景下红外弱小目标检测难问题，国内外科研学者已经开展了诸多研究工作，按所处理对象的不同，可将单帧弱小目标检测方法分为基于背景预测的间接检测法和基于目标特征的直接提取法；基于背景预测的检测方法通常采用性能较好的滤波器或滤波算子来对背景成分进行预测估计，通过尽可能多地从原始图像中提取背景杂波成分来间接分离出弱小目标；常用的经典方法有最大均值/中值滤波、形态学Top-Hat滤波、二维最小均方误差滤波TDLMS 等，这些滤波方法的特点是设计简单，易于实现，不足之处在于对非平稳背景的自适应能力较差。

近年来，利用目标局部特性直接提取弱小目标的方法受到广大研究学者的青睐，受人类视觉系统机制的启示，Chen等提出一种基于目标与背景局部对比度差异的弱小目标检测方法，通过对输入图像建立对应局部对比度映射图，将目标与背景的局部强度差异放大，然后选择阈值来提取弱小目标；虽然这类方法检测效果良好，具有一定的鲁棒性，但对于处理存在高亮度、强边缘成分的复杂背景，仍会有较高的虚警率。

发明内容

鉴于此，本发明的主要目的在于提供一种基于局部梯度三边的图域多尺度红外弱小目标检测方法。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，该方法为：将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号；其次，根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带；再次，根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心节点系数，然后对局部加权后的高频子带作乘性融合；最后，对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果。

上述方案中，所述将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号具体为：

(一)生成以局部平均梯度表示目标和边缘信息的节点

具体方法是在原始图像的局部窗口内计算中心像素对邻域像素的平均梯度，并将该梯度像素点作为窗口的中心节点。按此方式遍历整幅图像，获得表示目标和边缘信息的节点，

式中，Ω_k×k表示大小为k×k的局部窗口，I(i,j)和I(p,q)分别表示窗口内中心位置(i,j)和位置(p,q)处的像素灰度，为窗口内中心位置(i,j)的平均梯度，表示具有图像位置(i,j)处梯度值s_ij的节点，共N个；

(二)生成基于局部三边因子的节点间相邻关系边权

设计一个同时考虑强度、梯度和距离的三边因子来衡量窗口内中心节点与近邻节点间的相似性，确定二者的边权关系；而对于窗口外的节点则令边权为零，

式中，表示中心节点与节点之间的边权，表示大小为l×l的局部窗口，W_s、W_▽和W_d分别为三边因子中强度、梯度和距离的贡献权值，其具体表达式为

W_s＝exp(-|s_xy-s_mn|) (4)

W_d＝exp(-(|x-m|+|y-n|)) (6)

式中，|·|表示取绝对值，τ为预设的梯度阈值。

上述方案中，所述根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带，具体为：

在图的谱域内，设计一族基于图拉普拉斯矩阵的低通和带通变换函数来实现对图信号的多尺度分解，具体表达如下：

式中，为节点处的低通尺度函数，作用是在预设尺度下将图信号中的低频信息分离出来，具体通过一个对图拉普拉斯矩阵作用的低通核h(·)实现，为尺度t下节点处的带通函数，作用是对尺度t下图信号的高频信息进行分解，具体通过一个对线性扩大的图拉普拉斯矩阵作用的带通核g(·)实现，则表示在节点处其值为1，在其他节点处其值为0；

根据式(4)给出的图的谱域多尺度变换函数，将所述生成的局部梯度三边图信号f进行多尺度分解，获得其变换系数，

式中，为图信号f的低频子带系数，为图信号f在尺度t下的高频子带系数，<*，*>为内积算子。

上述方案中，所述根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心系数，然后对局部加权后的高频子带作乘性融合，具体为：

(一)对各个高频子带系数进行修正，令其负系数值为零，以排除相应背景成分的干扰；

式中，为尺度t下节点的高频子带系数，表示修正前后的系数；

(二)根据图信号的边权关系对高频子带H进行局部加权，并取其中值作为新的中心系数，

式中，表示局部窗口的中心节点的融合后尺度t下新的高频系数，median(·)为求取中值的函数，和w_xy-mn分别表示局部窗口中节点的高频系数和与中心节点之间的边权关系；

(三)对新的各尺度高频子带进行乘性融合，达到增强目标信息，抑制残余高频背景成分的目的：

式中，R_fused为融合增强后的结果，尺度t取{1,2,…,K}，表示共有K个高频子带。

上述方案中，所述对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果，具体为

式中，R_out为输出的二值化检测结果，T为自适应阈值，其选取规则为

T＝min(R_fused)+γ·(max(R_fused)-min(R_fused))γ∈[1/2,4/5] (13)

式中，γ为阈值的自适应调节因子，并给出了其取值范围，min(·)和max(·) 分别为求取最小值和最大值函数。

与现有技术相比，本发明的有益效果：

(1)本发明将传统以像素灰度为表示方式的红外图像转化成以节点和其边权关系为表示的图信号，通过对生成的图信号进行图域的多尺度分解来实现红外弱小目标检测，对平稳/非平稳背景均具有良好的适应性，可大大降低检测虚警率；

(2)本发明将原始图像的局部平均梯度像素点作为节点，其优势在于不仅有效保护目标信息在局部区域的能量最大化，抑制灰度平稳变化的背景成分；同时可使强边缘背景成分平滑化；

(3)本发明设计一个同时考虑强度、梯度和距离的三边因子来确定中心节点与近邻节点间的边权关系，从而生成具有适应于弱小目标检测的图信号，为后续多尺度分解形成有利条件；

(4)本发明采用基于图拉普拉斯矩阵的多尺度变换来对局部梯度三边图信号进行图域的多尺度分解，使目标和边缘背景成分得到有效分离；

(5)本发明对图信号的各尺度高频子带进行局部加权，并取其中值作为新的中心节点系数，然后将各高频子带作乘性融合，从而使目标信息得到增强，残余背景成分被抑制。

附图说明

图1为本发明的整体流程图。

图2为本发明两组仿真实验所选取的场景及其三维强度图，其中(a1)和 (a2)是原始图像，(b1)和(b2)是相应的三维强度图；

图3为仿真实验1中几种方法的目标检测结果及其三维图；(a)和(e) 最大均值方法处理结果及其三维图；(b)和(f)Top-hat方法处理结果及其三维图；(c)和(g)TDLMS方法处理结果及其三维图；(d)和(h)本发明方法处理结果及其三维图；

图4为仿真实验2中几种方法的目标检测结果及其三维图；(a)和(e) 最大均值方法处理结果及其三维图；(b)和(f)Top-hat方法处理结果及其三维图；(c)和(g)TDLMS方法处理结果及其三维图；(d)(和h)本发明方法处理结果及其三维图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号；其次，根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带；再次，根据图信号的边权关系对每个尺度的高频子带进行局部加权，取其中值作为新的中心节点系数，然后对局部加权后的高频子带作乘性融合，达到目标信息被增强，残余背景成分被抑制的效果；最后，选取自适应阈值进行分割，确定目标空间位置，输出检测结果。

本发明方法的步骤具体如下：

步骤一：将复杂背景中含弱小目标的二维像素图像转化成表示目标和边缘信息的节点及其边权关系的图信号此过程主要包含两部分：

(1)生成以局部平均梯度表示目标和边缘信息的节点

具体方法是在原始图像的局部窗口内计算中心像素对邻域像素的平均梯度，并将该梯度像素点作为窗口的中心节点。按此方式遍历整幅图像，获得表示目标和边缘信息的节点，

式中，Ω_k×k表示大小为k×k的局部窗口，I(i,j)和I(p,q)分别表示窗口内中心位置(i,j)和位置(p,q)处的像素灰度，为窗口内中心位置(i,j)的平均梯度，表示具有图像位置(i,j)处梯度值s_ij的节点，共N个；

(2)生成基于局部三边因子的节点间相邻关系边权

为了准确描述中各节点间的边权关系，假设只有在局部窗口内中心节点和近邻节点才可能存在相互连接的边，并具有一定权值，而对窗口外的节点则不存在边权关系。基于此，设计一个同时考虑强度、梯度和距离的三边因子来衡量窗口内中心节点与近邻节点间的相似性，确定二者的边权关系；而对于窗口外的节点则令边权为零，

式中，表示中心节点与节点之间的边权，表示大小为l×l的局部窗口，W_s、W_▽和W_d分别为三边因子中强度、梯度和距离的贡献权值，其具体表达式为

W_s＝exp(-|s_xy-s_mn|) (4)

W_d＝exp(-(|x-m|+|y-n|)) (6)

式中，|·|表示取绝对值，τ为预设的梯度阈值。

步骤二：对生成的局部梯度三边图信号f采用基于图拉普拉斯矩阵的多尺度变换进行分解，使表示目标和边缘的节点得到有效分离，获得图信号的高低频子带；

在图的谱域内，设计一族基于图拉普拉斯矩阵的低通和带通变换函数来实现对图信号的多尺度分解，具体表达如下：

式中，为节点处的低通尺度函数，作用是在预设尺度下将图信号中的低频信息分离出来，具体通过一个对图拉普拉斯矩阵作用的低通核h(·)实现，为尺度t下节点处的带通函数，作用是对尺度t下图信号的高频信息进行分解，具体通过一个对线性扩大的图拉普拉斯矩阵作用的带通核g(·)实现，则表示在节点处其值为1，在其他节点处其值为0；

利用式(4)给出的图的谱域多尺度变换函数，可将步骤一中生成的局部梯度三边图信号f进行多尺度分解，获得其变换系数，

式中，为图信号f的低频子带系数，为图信号f在尺度t下的高频子带系数，<*，*>为内积算子；

步骤三：利用图信号的边权关系对每个尺度的高频子带进行局部加权，取其中值作为新的中心节点系数，再对新的高频子带作乘性融合，从而达到增强目标信息，抑制残余高频背景成分的目的，实现对目标的融合增强；

在图的谱域对图信号进行多尺度分解后，具备高频特性的目标节点信息将处于高频子带H中，且对应系数较大，而绝大部分边缘背景信息则留在低频子带，从而有效地将目标和背景分离；但多尺度分解会导致目标能量的分散化，使目标信息分布于不同尺度的高频子带中。因此，为了强化目标信息，同时考虑抑制残余高频背景成分，利用图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心节点系数，再对新的各尺度高频子带作乘性融合，从而达到增强目标信息，抑制残余高频背景成分的目的，实现对目标的融合增强。具体过程如下：

(1)首先，对各个高频子带系数进行修正，令其负系数值为零(由于负系数通常对应背景成分)，以排除相应背景成分的干扰；

式中，为尺度t下节点的高频子带系数。(考虑到与融合后的系数进行区分，同时避免增加多个表示符号，故这里用统一表示修正前后的系数)

(2)利用图信号的边权关系对高频子带H进行局部加权，并取其中值作为新的中心节点系数，

式中，表示局部窗口的中心节点的融合后尺度t下新的高频系数，median(·)为求取中值的函数，和w_xy-mn分别表示局部窗口中节点的高频系数和与中心节点之间的边权关系。

(3)对新的高频子带进行乘性融合，达到增强目标信息，抑制残余高频背景成分的目的，

式中，R_fused为融合增强后的结果，尺度t取{1,2,…,K}，表示共有K个高频子带。

步骤四：选取自适应阈值进行二值分割，提取弱小目标，输出检测结果；

式中，R_out为输出的二值化检测结果，T为自适应阈值，其选取规则为

T＝min(R_fused)+γ·(max(R_fused)-min(R_fused))γ∈[1/2,4/5] (13)

式中，γ为阈值的自适应调节因子，并给出了其取值范围，min(·)和max(·) 分别为求取最小值和最大值函数。

本发明的效果可通过两组仿真实验具体说明，并选取几种经典单帧弱小目标检测方法，包括最大均值、形态学Top-Hat算子和TDLMS等作性能对比。

仿真实验1：如图2(a1)所示，选取一幅薄云层、亮目标和背景的真实红外弱小目标图像，其大小为128×128，利用本发明和对比方法对其进行仿真实验。

如图3所示，给出了本发明方法和对比方法的检测结果以及对应的三维强度图。从图中可以看出，本发明方法的检测性能明显优于其他检测方法，其中图(a)为最大均值滤波方法的检测效果，最大均值的选取使得目标信息缺失，位置不明确；图(b)为Top-hat算子的检测结果，较好地保留了目标信息，但云层的背景的边缘成分也大量存在；图(c)TDLMS滤波方法的检测结果，同样存在大量的云层边缘背景成分；图(d)为本发明方法的检测结果，目标清晰可见，同时基本观察不到背景成分，体现出良好的检测性能。

仿真实验2：如图2(a2)所示，选取一幅厚云层、弱目标和暗背景的真实红外弱小目标图像，其大小为128×128，利用本发明和对比方法对其进行仿真实验。

如图4所示，给出了本发明方法和对比方法的检测结果以及对应的三维强度图。从图中可以看出，本发明方法的检测性能明显优于其他检测方法，其中图(a)为最大均值滤波方法的检测效果，由于目标能量较弱，几乎被背景杂波淹没，所以最大均值方法很难保留到目标信息，目标会同背景一样被抑制；图 (b)为Top-hat算子的检测结果，保留到了目标信息，但也存在一些较亮的云层边缘成分，目标并不清晰可见；图(c)TDLMS滤波方法的检测结果，比Top-hat 效果略差，云层边缘背景成分大量存在；图(d)为本发明方法的检测结果，边缘背景成分被较好地抑制，弱目标信息得到增强，位置明确，体现出更优的性能。

此外，为进一步说明本发明的优越性和先进性，采用红外弱小目标检测方法中常用的客观评价指标——背景抑制因子BSF来定量比较不同方法对弱小目标增强性能的优劣。BSF的值越大，说明对应方法保持目标成分信息和抑制背景杂波成分的能力越强。从表1可见，本发明方法的BSF数值明显大于其他对比方法，客观地反映出本发明方法对背景杂波成分更优的抑制能力，有效实现对红外弱小目标的检测。

表1 BSF评价因子比较

以上所述，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。

Claims (5)

1.一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，其特征在于，该方法为：将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号；其次，根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带；再次，根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心节点系数，然后对局部加权后的高频子带作乘性融合；最后，对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果。

2.根据权利要求1所述的一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，其特征在于，所述将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号具体为：

(一)生成以局部平均梯度表示目标和边缘信息的节点

具体方法是在原始图像的局部窗口内计算中心像素对邻域像素的平均梯度，并将该梯度像素点作为窗口的中心节点。按此方式遍历整幅图像，获得表示目标和边缘信息的节点，

式中，Ω_k×k表示大小为k×k的局部窗口，I(i,j)和I(p,q)分别表示窗口内中心位置(i,j)和位置(p,q)处的像素灰度，为窗口内中心位置(i,j)的平均梯度，表示具有图像位置(i,j)处梯度值s_ij的节点，共N个；

(二)生成基于局部三边因子的节点间相邻关系边权

设计一个同时考虑强度、梯度和距离的三边因子来衡量窗口内中心节点与近邻节点间的相似性，确定二者的边权关系；而对于窗口外的节点则令边权为零，

式中，表示中心节点与节点之间的边权，表示大小为l×l的局部窗口，W_s、和W_d分别为三边因子中强度、梯度和距离的贡献权值，其具体表达式为

W_s＝exp(-|s_xy-s_mn|) (4)

W_d＝exp(-(|x-m|+|y-n|)) (6)

式中，|·|表示取绝对值，τ为预设的梯度阈值。

3.根据权利要求2所述的一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，其特征在于，所述根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带，具体为：

在图的谱域内，设计一族基于图拉普拉斯矩阵的低通和带通变换函数来实现对图信号的多尺度分解，具体表达如下：

式中，为节点处的低通尺度函数，作用是在预设尺度下将图信号中的低频信息分离出来，具体通过一个对图拉普拉斯矩阵作用的低通核h(·)实现，为尺度t下节点处的带通函数，作用是对尺度t下图信号的高频信息进行分解，具体通过一个对线性扩大的图拉普拉斯矩阵作用的带通核g(·)实现，则表示在节点处其值为1，在其他节点处其值为0；

根据式(4)给出的图的谱域多尺度变换函数，将所述生成的局部梯度三边图信号f进行多尺度分解，获得其变换系数，

式中，为图信号f的低频子带系数，为图信号f在尺度t下的高频子带系数，<*，*>为内积算子。

4.根据权利要求3所述的一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，其特征在于，所述根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心系数，然后对局部加权后的高频子带作乘性融合，具体为：

(一)对各个高频子带系数进行修正，令其负系数值为零，以排除相应背景成分的干扰；

式中，为尺度t下节点的高频子带系数，表示修正前后的系数；

(二)根据图信号的边权关系对高频子带H进行局部加权，并取其中值作为新的中心系数，

式中，表示局部窗口的中心节点的融合后尺度t下新的高频系数，median(·)为求取中值的函数，和w_xy-mn分别表示局部窗口中节点的高频系数和与中心节点之间的边权关系；

(三)对新的各尺度高频子带进行乘性融合，达到增强目标信息，抑制残余高频背景成分的目的：

式中，R_fused为融合增强后的结果，尺度t取{1,2,…,K}，表示共有K个高频子带。

5.根据权利要求4所述的一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，其特征在于，所述对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果，具体为

式中，R_out为输出的二值化检测结果，T为自适应阈值，其选取规则为

T＝min(R_fused)+γ·(max(R_fused)-min(R_fused))γ∈[1/2,4/5] (13)

式中，γ为阈值的自适应调节因子，并给出了其取值范围，min(·)和max(·)分别为求取最小值和最大值函数。