CN108182690A - 一种基于前景加权局部对比度的红外微弱目标检测方法 - Google Patents

Abstract

本发明公开了一种基于前景加权局部对比度的红外微弱目标检测方法，包括：根据目标的红外成像特性提出新的局部对比度测度，采用邻域结构模板在图像内从上到下、从左到右逐像素进行滑窗，根据局部对比度测度计算每个像素的局部对比度值，进而得到图像的局部对比度图，实现了对强杂波边缘的抑制；然后引入像素的前景概率估计并将其作为局部对比度的加权因子，得到图像的加权局部对比度图，从而实现对强杂波边缘的进一步抑制；最后，通过简单的阈值分割即可实现微弱目标检测，并提供了一种前景加权局部对比度的加速算法，检测率高、虚警率低，计算速度快。

Description

一种基于前景加权局部对比度的红外微弱目标检测方法

技术领域

本发明涉及图像处理领域，尤其涉及一种红外微弱目标检测处理方法。

背景技术

当前，红外成像和探测技术广泛应用于军事和民用领域，尤其在军事监视、瞄准、侦查、导航以及靶场测试中具有不可替代的先天优势，是各国武器装备研制、发展的主要技术方向之一。作为红外探测技术中的核心和难点，红外弱小目标检测技术的研究对象是远距离的飞机、导弹、舰船以及炮弹等，对军事预警、远程侦查、精确打击以及靶场测试具有重要意义。因此，红外弱小目标检测技术具有极高的军事价值，已成为当今世界高技术领域的热门研究课题，引起了各国学术界和军方的高度重视。

红外弱小目标检测算法一般分为基于视频序列图像的检测前跟踪算法(Trackbefore Detect，TBD)和基于单帧图像的跟踪前检测算法(Detect beforeTrack，DBT)。TBD算法首先根据目标运动规律的先验知识对序列图像进行搜索，然后根据一定的准则获取疑似的目标运动轨迹，最后根据新输入的序列图像进行真实目标运动轨迹的确认。TBD算法一般要求静态背景或者目标在相邻帧内的表观一致，而且该类算法一般需要事先假设目标的运动方向、轨迹以及位置等先验信息。但是，在实际应用场景中，红外检测平台可能高速运动(如机载、弹载)、待检测的目标运动方式也可能为机动运动，从而导致视频中的图像背景快速变化、目标甚至处于相对静止的状态。因此TBD算法的实战应用性一般比较差。

DBT算法一般在单帧图像内进行目标检测。DBT算法可以粗略地分为三类，第一类DBT算法重在估计图像背景，然后利用原始图像与估计的图像背景之间的差异来实现目标检测。第二类DBT算法利用图像背景块的非局部相关属性，假定背景块是低秩的、且所有的背景块都来自单一的子空间或者几个低秩子空间的组合，同时假定目标图像块是稀疏的，然后利用低秩矩阵的复原技术来实现目标和背景的分离。第三类DBT算法则模拟人类视觉系统(HVS)的注意机制，直接利用图像中的局部对比度设计滤波器，通过对原始图像进行滤波变换来实现目标检测。

现有DBT算法主要利用红外目标突出于其周围邻域以及图像背景的一致性来检测目标。因此，当图像背景单一且目标强度较高时，现有DBT算法都能实现比较好的检测结果。但是，当目标强度较弱、尺寸较小且背景杂波较强时，这些算法的检测性能下降明显，而且其中的虚警主要来自于图像中强杂波的边缘。

发明内容

本发明首先依据目标的红外成像特性提出新的局部对比度测度，并引入像素的前景概率估计作为前景加权因子，基于提出的局部对比度测度和前景加权因子即可将原始图像转换为加权的局部对比度图，从而实现对背景强杂波边缘的较强抑制，检测率高、虚警率低，计算速度快。

本发明提供的技术方案为：

一种基于前景加权局部对比度的红外微弱目标检测方法，包括：

步骤一、采用邻域结构模板在原始图像内从上到下、从左到右逐像素进行滑窗；其中，邻域结构模板包括位于中心的目标区域和周围区域，所述目标区域为方形，包含一个或多个像素；

步骤二、逐个计算像素的局部对比度；

步骤三、比较目标区域最外层像素与其四邻域的周围像素灰度值的大小，记录满足周围区域内像素的灰度值大于等于对应目标区域最外层像素的灰度值的像素对的个数，计算目标区域内像素属于目标的概率；

步骤四、结合步骤二和步骤三，将局部对比度和目标概率相乘可以得到像素的加权局部对比度；对于图像中的每个像素完成滑窗过程，并计算每个像素的加权局部对比度，进而得到全图的加权局部对比度图；

步骤五、定义邻域结构共有L个尺度，其中，L≥1，I_out1(x,y)、I_out2(x,y)、…、I_outL(x,y)为L个邻域结构尺度时像素I(x,y)的L个加权局部对比度值，根据最大值融合策略，L个邻域结构尺度时像素I(x,y)最终的加权局部对比度值为

I_out(x,y)＝max[I_out1(x,y),I_out2(x,y),...,I_outL(x,y)]

步骤六、通过对加权局部对比度图进行阈值分割即可提取出目标，进而实现目标检测。

优选的是，所述目标区域包含M个像素，即为M＝m×n，周围区域为与目标区域相邻的像素，宽度为1个像素，包含N个像素，其中N＝2m+2n+4，其中，m为目标区域内横向像素个数，n为目标区域内纵向像素个数。

优选的是，像素的局部对比度计算公式为：

D(x,y)＝|m_t(x,y)-m_s(x,y)|

其中，m_t(x,y)为像素I(x,y)所在目标区域内所有像素的灰度平均值，m_s(x,y)为周围区域所有像素的灰度平均值，I_j为目标区域内第j个像素I(x,y)的灰度值，I_k周围区域内第k个像素I(x,y)的灰度值。

优选的是，像素属于目标的概率的计算公式为：

其中，k为满足周围区域内像素的灰度值大于等于对应目标区域像素灰度值的像素点对的个数。

优选的是，所述步骤六中的阈值计算公式为：

其中，T为分割阈值，为加权局部对比度图的平均值、I_max为加权局部对比度图的最大值，α为固定常数。

一种基于前景加权局部对比度的红外微弱目标检测方法，包括：

步骤一、采用邻域结构模板在原始图像内从上到下、从左到右逐像素进行滑窗；其中，邻域结构模板包括位于中心的目标区域和周围区域，所述目标区域为方形，包含一个或多个像素；

步骤二、计算像素I(x,y)的局部对比度D(x,y)；

步骤三、当D(x,y)≥T_D时，计算像素I(x,y)属于目标的概率W(x,y)；

其中， 为原始图像对应的局部对比度图的平均值、D_max为局部对比度图的最大值，β为固定常数；

步骤四、结合步骤二和步骤三计算像素I(x,y)的前景加权局部对比度

对于图像中的每个像素重复步骤二、步骤三和步骤四，进而得到全图的加权局部对比度图；

步骤五、定义I^acc _out1(x,y)、I^acc _out2(x,y)、…、I^acc _outL(x,y)为L个邻域结构尺度时像素I(x,y)的L个加权局部对比度值，根据最大值融合策略，L个邻域结构尺度时最终的加权局部对比度值为

I^acc _out(x,y)＝max[I^acc _out1(x,y),I^acc _out2(x,y),...,I^acc _outL(x,y)]

步骤六、通过对步骤五得到的加权局部对比度图进行阈值分割即可实现目标检测。

优选的是，所述像素I(x,y)的局部对比度计算公式为：

D(x,y)＝|m_t(x,y)-m_s(x,y)|

其中，m_t(x,y)为目标区域内所有像素的灰度平均值，

m_s(x,y)为周围区域所有像素的灰度平均值，I_j为目标区域内第j个像素I(x,y)的灰度值，I_k周围区域内第k个像素I(x,y)的灰度值。

优选的是，像素属于目标的概率的计算公式为：

其中，k为满足周围区域内像素的灰度值大于等于对应目标区域像素的灰度值的像素点对的个数。

优选的是，所述步骤六中的阈值计算公式为：

其中，T为分割阈值，加权局部对比度图的平均值、I_max为加权局部对比度图的最大值，α为固定常数。

本发明的有益效果

一、本发明首先依据目标的红外成像特性提出新的局部对比度测度。相比现有的局部对比度测度，计算简单，实用性强；

二、本发明引入像素的前景概率估计并将其作为局部对比度的前景加权因子是本发明虚警率低的主要原因，也是本发明的主要创新，基于本申请提出的局部对比度测度和前景加权因子即可将原始图像转换为加权的局部对比度图，从而实现对背景强杂波边缘的较强抑制，减少了虚警。

附图说明

图1为本发明所述的单尺度检测方法的流程图。

图2为本发明所述的局部对比度的示意图。

图3为本发明所述的中心区域与周围区域之间的点对示意图。

图4为本发明所述的原始图像。

图5为本发明所述的局部对比度图。

图6为本发明所述的加权局部对比度图。

图7为本发明所述的多尺度检测方法的流程图。

图8为本发明所述的目标区域取值一与周围区域之间的点对示意图。

图9为本发明所述的目标区域取值二与周围区域之间的点对示意图。

图10为本发明所述的目标区域取值三与周围区域之间的点对示意图。

图11为本发明所述的目标区域取值四与周围区域之间的点对示意图。

图12为本发明所述的目标区域取值五与周围区域之间的点对示意图。

图13为本发明所述的目标区域取值六与周围区域之间的点对示意图。

图14为本发明所述的目标区域取值七与周围区域之间的点对示意图。

图15为本发明所述的目标区域取值八与周围区域之间的点对示意图。

图16为本发明所述的目标区域取值九与周围区域之间的点对示意图。

图17为本发明实验例所述的序列1中的一帧典型图像。

图18为本发明实验例所述的序列2中的一帧典型图像。

图19为本发明实验例所述的序列3中的一帧典型图像。

图20为本发明实验例所述的序列4中的一帧典型图像。

图21为本发明所述的多种算法在真实视频序列1上的ROC曲线。

图22为本发明所述的多种算法在真实视频序列2上的ROC曲线。

图23为本发明所述的多种算法在真实视频序列3上的ROC曲线。

图24为本发明所述的多种算法在真实视频序列4上的ROC曲线。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，一种基于前景加权局部对比度的红外微弱目标检测方法，包括：

如图2所示，计算像素的局部对比度：

采用邻域结构模板在原始图像内从上到下、从左到右进行滑窗；其中，邻域结构模板包括位于中心的目标区域和周围区域，目标区域为方形，包含一个或多个像素，假设白色区域是像素I(x,y)所在的目标区域，共包含M个像素；灰色区域为目标的周围区域，共包含N个像素，I(x,y)所在的目标区域和周围区域的灰度平均值分别为：

I_j为目标区域内像素I(x,y)的灰度值，I_k为周围区域内像素I(x,y)的灰度值；则，定义像素I(x,y)的局部对比度为：

D(x,y)＝|m_t(x,y)-m_s(x,y)|

计算像素的前景加权系数：

如图3所示，假设白色区域是像素I(x,y)所在的目标区域，灰色区域为I(x,y)的周围区域，只有一个像素宽，每个黑色方框表示一个像素，比较白色区域最外层像素与其四邻域灰色像素即图3中的黑色-白色点对灰度值的大小，假设黑色-白色点对中总共有k个点对满足灰色像素的灰度值大于等于白色像素的灰度值，则定义像素I(x,y)属于目标的概率为：

计算像素I(x,y)的加权局部对比度：

I_out(x,y)＝D(x,y)×W(x,y)，对于图像中的每个像素单元重复上述步骤，进而得到全图的加权局部对比度图；

如图4-6所示，实施例1，原始图像参见图4，一般周围区域只取单像素宽度即可，例如，当M＝1时，取N＝8.根据公式计算所有像素的局部对比度值得到图5，再利用前景加权即可得到原始图像的前景加权局部对比度图，即为图6。

如图7所示，实施例2中，由于单一尺度的邻域结构难以保证在整个测试范围内一直保持较高的检测率。在实际应用中，可以根据具体的应用场景采用多尺度的邻域结构。

如图8-16所示，是基本的多尺度邻域结构表示，其中的白色-黑色点对是在计算权值时需要考虑灰度值大小的像素对。另一实施例中，原始图像中的目标区域包含的像素区域为方形，即为M＝m×n，周围区域的宽度为1个像素宽度，其中N＝2m+2n+4，当采用多尺度邻域结构时，不同尺度间的结果可以采用最大值的融合策略。

定义I_out1(x,y)、I_out2(x,y)、…、I_outL(x,y)分别为像素I(x,y)的L个邻域结构尺度对应的加权局部对比度值，

I_out(x,y)＝max[I_out1(x,y),I_out2(x,y),...,I_outL(x,y)]

通过对加权局部对比度图进行阈值分割即可实现目标检测，阈值计算公式为：

其中，T为分割阈值，为加权局部对比度图的平均值、I_max为加权局部对比度图的最大值，α为固定常数，单目标检测时α取0，多目标检测时α取0.92。

实施例3，单尺度加速算法，包括：计算像素的局部对比度：

采用邻域结构对原始图像内从上到下、从左到右进行滑窗；其中，邻域结构包括位于中心的目标区域和周围区域，目标区域为方形，包含一个或多个像素，假设白色区域是像素I(x,y)所在的目标区域，共包含M个像素；灰色区域为目标的周围区域，共包含N个像素，I(x,y)的目标区域和周围区域的灰度平均值分别为：

I_j为目标区域内像素I(x,y)的灰度值，I_k为周围区域内像素I(x,y)的灰度值；则，定义像素I(x,y)的局部对比度为：

D(x,y)＝|m_t(x,y)-m_s(x,y)|

当D(x,y)≥T_D时，计算目标区域内像素I(x,y)属于目标的概率W(x,y)；像素I(x,y)属于目标的概率W(x,y)的计算公式为：

其中k为满足周围区域内像素的灰度值大于等于对应目标区域像素灰度值的像素点对的个数， 为局部对比度的平均值、D_max为局部对比度图的最大值，β为固定常数，一般取0.85即可。

计算像素I(x,y)的前景加权局部对比度

通过对加权局部对比度图进行阈值分割即可实现目标检测，阈值计算公式为：

其中，T为分割阈值，加权局部对比度图的平均值、I_max为加权局部对比度图的最大值，α为固定常数，单目标检测时α取0，多目标检测时α取0.92。

实施例4，多尺度加速算法，包括：

计算像素的局部对比度：

采用邻域结构在原始图像内从上到下、从左到右进行滑窗；其中，邻域结构包括位于中心的目标区域和周围区域，目标区域为方形，包含一个或多个像素单元，假设白色区域是像素I(x,y)所在的目标区域，共包含M个像素；灰色区域为目标的周围区域，共包含N个像素，I(x,y)的目标区域和周围区域的灰度平均值分别为：

I_j为目标区域内像素单元I(x,y)的灰度值，I_k为周围区域内像素单元I(x,y)的灰度值；则，定义像素I(x,y)的局部对比度为：

D(x,y)＝|m_t(x,y)-m_s(x,y)|

当D(x,y)≥T_D时，计算目标区域内像素I(x,y)属于目标的概率W(x,y)；像素I(x,y)属于目标的概率W(x,y)的计算公式为：

其中k为满足周围区域内像素的灰度值大于等于对应目标区域像素灰度值的像素点对的个数， 为局部对比度的平均值、D_max为局部对比度图的最大值，β为固定常数，一般取0.85即可。

计算目标区域内像素单元的前景加权局部对比度

对于图像中的每个像素单元重复上述步骤，进而得到全图的加权局部对比度图；

定义I^acco_ut1(x,y)、I^acco_ut2(x,y)、…、I^acco_utL(x,y)为L个邻域结构尺度时像素I(x,y)的L个加权局部对比度值，根据最大值融合策略，L个邻域结构尺度时最终的加权局部对比度值为

I^acco_ut(x,y)＝max[I^acco_ut1(x,y),I^acco_ut2(x,y),...,I^acco_utL(x,y)]

通过对加权局部对比度图进行阈值分割即可实现目标检测，阈值计算公式为：

其中，T为分割阈值，加权局部对比度图的平均值、I_max为加权局部对比度图的最大值，α为固定常数，单目标检测时α取0，多目标检测时α取0.92。

实验例：

本申请从实际应用中选取了4段具有代表性的包含红外微弱目标的视频序列。首先，由一人对视频序列中的所有图像、所有目标进行标注，然后由另一人逐帧、逐个目标进行检查、核对、修改以保证标注的正确性，最后将标注结果作为所有算法性能的评价基准(真值)。不同视频序列的特性如表1所示，视频序列中典型的图像如图17-20所示。

表1不同场景下的红外视频序列细节

首先，在所有视频序列上对所有算法进行了测试。计算所有算法在每个视频序列上的检测率P_d和虚警率F_a，得到的ROC曲线如图21-24所示。

由图21-24可以看出，ours为实施例1算法，oursO为实施例2算法，oursMS为实施例3算法，oursMSO为实施例4算法，在背景单一的视频序列1中，所有算法在无虚警或者虚警率很低的情况下得到较高的检测率，在序列2中，由于目标面积小、灰度值较低且背景杂波较强，IDoGb、WLDM、LCM算法的性能较差，本文4种算法的结果明显优于MNWTH、maxMedian以及maxMean；另外，本文4种算法的结果基本重合在一起，说明本文提出的加速方法并没有明显降低算法的检测率。在序列3中，虽然背景杂波强且复杂，但是目标的灰度值相对较高且像素面积较大，除IDoGb、WLDM、LCM算法外，其它算法都实现了较好的检测结果，本申请所提出的4种算法均实现了虚警率为0、检测率为1的结果。在序列4中，每帧图像包含将近50个微弱目标，部分帧中的目标存在运动模糊且面积稍大，所有算法的整体检测率都有所下降，但是本文所提出的未加速、多尺度邻域算法的检测结果明显优于其它算法，说明了本申请所提出的多尺度邻域算法的有效性。综合可以看出，IDoGb、WLDM、LCM三种算法并不适合强杂波背景下的较小尺寸的红外目标检测。另外，还可以看出，尽管序列2和序列3的目标尺寸不同，本文单尺度算法的性能并没有明显低于多尺度算法，这主要是因为序列3中的目标尺寸虽然较大，但是其中目标的成像都相对清晰，目标内部像素的灰度值高于其边缘像素的灰度值。因此，对于这类清晰成像的目标，即使其尺寸变化相对较大，本文的单尺度算法也能取得较好的检测效果，这进一步说明了本文算法的鲁棒性。

(2)算法耗时

本文在不同特性的视频序列上采用配置为英特尔奔腾G3260 3.3GHz处理器、4GB内存的计算机，对比了所有算法在每张图像上的平均计算时间(每种算法共测试运行10次，取10次计算时间的平均值)，结果如表2所示。由表2可以看出，本文所提出的加速算法相对于未加速算法，耗时大大缩短。其中，单尺度邻域和多尺度邻域加速算法的耗时分别仅占未加速算法耗时的1.5％和2.4％。另外，本文所提出的单尺度邻域加速算法耗时略高于MNWTH算法耗时，但是明显低于其它算法。

表2算法耗时对比

综合上述所有实验可以看出，本文算法具有较好的鲁棒性和较高的检测性能。尤其在包含强杂波背景和微弱目标的视频中以及多目标视频中，本文所提出算法的性能明显优于其它算法。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (8)

1.一种基于前景加权局部对比度的红外微弱目标检测方法，其特征在于，包括：

步骤一、采用邻域结构模板在原始图像内从上到下、从左到右逐像素进行滑窗；其中，邻域结构模板包括位于中心的目标区域和周围区域，所述目标区域为方形，包含一个或多个像素；

步骤二、根据邻域结构模板，逐个计算像素的局部对比度；

步骤三、比较像素所在的目标区域的最外层像素与其四邻域的周围像素灰度值的大小，记录满足周围区域内像素的灰度值大于等于对应目标区域最外层像素的灰度值的像素对的个数，然后计算像素属于目标的概率；

步骤四、结合步骤二和步骤三，将局部对比度和目标概率相乘可以得到像素的加权局部对比度；对于图像中的每个像素完成滑窗过程，并计算每个像素的加权局部对比度，进而得到全图的加权局部对比度图；

步骤五、定义邻域结构共有L个尺度，其中，L≥1，I_out1(x,y)、I_out2(x,y)、…、I_outL(x,y)为L个邻域结构尺度时像素I(x,y)的L个加权局部对比度值，根据最大值融合策略，L个邻域结构尺度时像素I(x,y)最终的加权局部对比度值为

I_out(x,y)＝max[I_out1(x,y),I_out2(x,y),...,I_outL(x,y)]

步骤六、通过对加权局部对比度图进行阈值分割即可提取出目标，进而实现目标检测。

2.根据权利要求1所述的基于前景加权局部对比度的红外微弱目标检测方法，其特征在于，所述目标区域包含M个像素，即为M＝m×n，周围区域是与目标区域相邻的区域，宽度为1个像素，包含N个像素，其中N＝2m+2n+4，其中，m为目标区域内横向像素个数，n为目标区域内纵向像素个数。

3.根据权利要求2所述的基于前景加权局部对比度的红外微弱目标检测方法，其特征在于，所述步骤二中像素的局部对比度计算公式为：

D(x,y)＝|m_t(x,y)-m_s(x,y)|

其中，m_t(x,y)为像素I(x,y)所在的目标区域内所有像素的灰度平均值，m_s(x,y)为周围区域内所有像素的灰度平均值，I_j为目标区域内第j个像素I(x,y)的灰度值，I_k周围区域内第k个像素I(x,y)的灰度值。

4.根据权利要求1所述的基于前景加权局部对比度的红外微弱目标检测方法，其特征在于，像素属于目标的概率的计算公式为：

其中，k为满足周围区域内像素的灰度值大于等于对应目标区域像素灰度值的像素点对的个数。

5.根据权利要求1所述的基于前景加权局部对比度的红外微弱目标检测方法，其特征在于，所述步骤六中的阈值计算公式为：

其中，T为分割阈值，为加权局部对比度图的平均值、I_max为加权局部对比度图的最大值，α为固定常数。

6.一种基于前景加权局部对比度的红外微弱目标检测方法，其特征在于，包括：

一种基于前景加权局部对比度的红外微弱目标检测方法，包括：

步骤一、采用邻域结构模板在原始图像内从上到下、从左到右逐像素进行滑窗；其中，邻域结构模板包括位于中心的目标区域和周围区域，所述目标区域为方形，包含一个或多个像素；

步骤二、逐个计算像素I(x,y)的局部对比度D(x,y)；

步骤三、当D(x,y)≥T_D时，计算像素I(x,y)属于目标的概率W(x,y)；

其中， 为原始图像对应的局部对比度图的平均值、D_max为局部对比度图的最大值，β为固定常数；

步骤四、结合步骤二和步骤三计算像素I(x,y)的前景加权局部对比度

对于图像中的每个像素重复步骤二、步骤三和步骤四，进而得到全图的加权局部对比度图；

步骤五、定义I^acc _out1(x,y)、I^acc _out2(x,y)、…、I^acc _outL(x,y)为L个邻域结构尺度时像素I(x,y)的L个加权局部对比度值，根据最大值融合策略，L个邻域结构尺度时最终的加权局部对比度值为

I^acc _out(x,y)＝max[I^acc _out1(x,y),I^acc _out2(x,y),...,I^acc _outL(x,y)]

步骤六、通过对步骤五得到的加权局部对比度图进行阈值分割即可实现目标检测。

7.根据权利要求6所述的基于前景加权局部对比度的红外微弱目标检测方法，其特征在于，像素属于目标的概率的计算公式为：

其中，k为满足周围区域内像素的灰度值大于等于对应目标区域像素灰度值的像素点对的个数。

8.根据权利要求6所述的基于前景加权局部对比度的红外微弱目标检测方法，其特征在于，所述步骤六中的阈值计算公式为：

其中，T为分割阈值，加权局部对比度图的平均值、I_max为加权局部对比度图的最大值，α为固定常数。