CN108401563B - 基于多尺度均值滤波和显著性检测的红外小目标检测方法 - Google Patents

Abstract

本发明涉及一种基于多尺度均值滤波和显著性检测的红外小目标检测方法，首先，利用多尺度均值滤波，达到目标增强和背景抑制的效果。其次，利用显著性检测算法，可以有效检测出复杂背景下的红外小目标，同时保持较低的虚警率。有益效果在于：真实的小目标经过多次滤波后信号能量得到加强，达到目标增强和背景抑制的效果。利用显著性检测算法，可以有效检测出复杂背景下的红外小目标，同时保持较低的虚警率。

Description

基于多尺度均值滤波和显著性检测的红外小目标检测方法

技术领域

本发明属于红外小目标检测方法，具体涉及一种基于多尺度均值滤波和显著性检测的红外小目标检测方法。

背景技术

复杂背景下红外小目标检测是红外制导系统的核心技术，是军事防御的重要手段。由于红外图像的自身的特点，使得红外小目标的检测非常困难：首先，由于一般成像距离较远，目标在图像中仅占少量像素；其次，由于成像系统的噪声以及背景杂波的影响，目标信号较弱，容易被复杂背景所淹没，如交叠在云层背景中；最后，红外目标缺乏有效的形状与纹理信息。关于红外小目标检测，前人已经做了许多工作。例如，TDLMS滤波器算法根据单帧图像背景的相关性对背景做出预测，然后做背景差法。在图像背景具有很强相关性时，它可以较准确预测背景，但是由于其自身结构限制，当小目标被复杂背景遮蔽时，会产生较高虚警率。还有一种方法将红外小目标检测问题转化为分类问题，采用超完备字典的方法，对候选目标图像进行分类，根据分类结果判定是否为目标。该方法适用于背景相对简单的红外图像，但是在处理背景较复杂的红外图像时，鲁棒性不强。总之，复杂背景下红外小目标的检测仍然是一项具有挑战性的课题。

发明内容

为了避免现有技术的不足之处，本发明提出一种基于多尺度均值滤波和显著性检测的红外小目标检测方法。

一种基于多尺度均值滤波和显著性检测的红外小目标检测方法，其特征在于步骤如下：

步骤1：以多个不同尺寸R的滤波器对宽为w，高为h输入图像进行均值滤波，得到多个不同尺寸滤波之后的图像；所述滤波尺寸R满足

步骤2：将不同尺寸滤波之后的图像与输入图像做差，得到不同尺寸下的差异图C_i；

步骤3：对不同尺寸下的差异图C_i求和得到最终的差异图C＝∑c_i；

步骤4：对最终差异图C进行归一化处理，再经过TOP-HAT形态学变换，得到背景抑制图B；

步骤5：对B中的像素进行阈值化，得到背景抑制阈值图T_B，获得T_B中已包含的若干候选目标的位置及大小的信息；

其中阈值Th₁定义为：式中和分别是B的均值和标准差，k＝8；

步骤6：在背景抑制阈值图T_B中得到每个候选目标连通域质心的坐标(x_i，y_i)，在B图中以坐标(x_i，y_i)为中心，选取一个大小为M×M的矩形窗，检测矩形窗内图像块的显著性；

对于图像中的一个像素I_k，它的显著性定义为：

其中，I_n的值为[0，255]，||·||表示I_k与I_n之间的距离，这个表达式可以转化为：

Sa(I_k)＝||I_k-I₁||+||I_k-I₂||+…+||I_k-I_N||

N为图中像素数的总和。对于一副输入图像，每个像素的灰度值I_n是已知的。

令I_k＝a_m，a_m为I_k的灰度值，上式可改写为：

Sa(I_k)＝||a_m-a₀||+||a_m-a₁||+…+||a_m-a_N||

其中f_n是灰度值a_n出现的频率，f_n的集合即图像的灰度直方图；

步骤7：用求得的显著性值替换输入图像的每个像素值，最后对所有像素的显著性值进行归一化，得到最终的显著性图O；

步骤8：将每个矩形窗得到的显著性图采用0TSU方法进行阈值化，得到显著性图的阈值图T_O；

步骤9：通过比较前后阈值化区域交集与并集的比值U判定是否为真实目标：

其中，S_background是候选目标在背景抑制阈值图中的连通域，S_saliency是候选目标

在显著性阈值图中的连通域，最终根据U的值判断是否为目标：

当U_min≤U≤U_max时，则判断该候选目标为真实目标，否则为虚警目标。其中，U_min为0.5，U_max为1.0。

所述M×M为81×81，若质心靠近边界，无法延伸40个像素，则不对边界进行扩展。

本发明提出的一种基于多尺度均值滤波和显著性检测的红外小目标检测方法，首先，利用多尺度均值滤波，达到目标增强和背景抑制的效果。其次，利用显著性检测算法，可以有效检测出复杂背景下的红外小目标，同时保持较低的虚警率。有益效果在于：真实的小目标经过多次滤波后信号能量得到加强，达到目标增强和背景抑制的效果。利用显著性检测算法，可以有效检测出复杂背景下的红外小目标，同时保持较低的虚警率。

附图说明

图1：本发明方法流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

1)选取滤波尺寸大小为

2)将三种不同尺度滤波后的图像分别与输入图像做差，分别得到差异图c_i，再将不同的差异图相加得到最终差异图C：

C＝C₁+C₂+C₃

3)将最终差异图C进行归一化，然后进行TOP-HAT形态学变换，得到背景抑制图B；

4)计算B的均值和方差

其中w，h是图像的宽和高，b(i，j)是B中坐标(i，j)的值。

5)对B进行如下的阈值化处理，得到对应的背景抑制阈值图T_B：

其中阈值Th₁定义为：

式中和分别是B的均值和标准差，k＝8；

6)对于T_B中每个候选目标，找出每个候选目标连通域的质心，将矩形窗的大小设定为81×81，即在背景抑制图中以质心所在坐标为中心向上、下、左、右方向各延伸40个像素(若质心靠近边界，无法延伸40个像素，则不对边界进行扩展)。得到矩形窗后，计算它们的显著性：

对于图像中的一个像素I_k，它的显著性定义为：

其中，I_n的值为[0，255]，||·||表示I_k与I_n之间的距离，这个表达式可以转化为：

Sa(I_k)＝||I_k-I₁||+||I_k-I₂||+…+||I_k-I_N||

N为图中像素数的总和。对于一副输入图像，每个像素的灰度值I_n是已知的。令I_k＝a_m，a_m为I_k的灰度值，上式可改写为：

Sa(I_k)＝||a_m-a₀||+||a_m-a₁||+…+||a_m-a_N||

其中f_n是灰度值a_n出现的频率，f_n的集合即图像的灰度直方图；

7)对矩形窗中每个像素值，用求得的显著性值作如下替换：

I_k＝Sa(I_k)

再对得到的显著性图进行归一化，得到最终的显著性图O；

8)对O定义一个阈值Th₂，(其中，Th₂由最大类间方差法即0TSU算法求得)。得到显著性图的阈值图T_O：

其中，o(i，j)表示O在(i，j)处的权值；

9)通过比较前后阈值化区域交集与并集的比值U判定是否为真实目标：

其中，S_background是候选目标在背景抑制阈值图中的连通域，S_saliency是候选目标在显著性阈值图中的连通域，最终根据U的值判断是否为目标：

当U_min≤U≤U_max时，则判断该候选目标为真实目标，否则为虚警目标。其中，U_min为0.5，U_max为1.0。

Claims (2)

1.一种基于多尺度均值滤波和显著性检测的红外小目标检测方法，其特征在于步骤如下：

步骤1：以多个不同尺寸R的滤波器对宽为w，高为h输入图像进行均值滤波，得到多个不同尺寸滤波之后的图像；所述滤波尺寸R满足

步骤2：将不同尺寸滤波之后的图像与输入图像做差，得到不同尺寸下的差异图C_i；

步骤3：对不同尺寸下的差异图C_i求和得到最终的差异图C＝∑C_i；

步骤4：对最终差异图C进行归一化处理，再经过TOP-HAT形态学变换，得到背景抑制图B；

步骤5：对B中的像素进行阈值化，得到背景抑制阈值图T_B，获得T_B中已包含的若干候选目标的位置及大小的信息；

其中阈值T_h1定义为：式中和分别是B的均值和标准差，k＝8；

步骤6：在背景抑制阈值图T_B中得到每个候选目标连通域质心的坐标(x_i，y_i)，在B图中以坐标(x_i，y_i)为中心，选取一个大小为M×M的矩形窗，检测矩形窗内图像块的显著性；

对于图像中的一个像素I_k，它的显著性定义为：

其中，I_n的值为[0，255]，||·||表示I_k与I_n之间的距离，这个表达式可以转化为：

Sa(I_k)＝||I_k-I₁||+||I_k-I₂||+…+||I_k-I_N||

N为图中像素数的总和；对于一副输入图像，每个像素的灰度值I_n是已知的；

令I_k＝a_m，a_m为I_k的灰度值，上式可改写为：

Sa(I_k)＝||a_m-a₁||+…+||a_m-a_N||

其中f_i是灰度值i出现的频率，f_i的集合即图像的灰度直方图；

步骤7：用求得的显著性值替换输入图像的每个像素值，最后对所有像素的显著性值进行归一化，得到最终的显著性图O；

步骤8：将每个矩形窗得到的显著性图采用OTSU方法进行阈值化，得到显著性图的阈值图T_O；

步骤9：通过比较前后阈值化区域交集与并集的比值U判定是否为真实目标：

其中，S_background是候选目标在背景抑制阈值图中的连通域，S_saliency是候选目标在显著性图的阈值图中的连通域，最终根据U的值判断是否为目标：

当U_min≤U≤U_max时，则判断该候选目标为真实目标，否则为虚警目标；其中，U_min为0.5，U_max为1.0。

2.根据权利要求1所述基于多尺度均值滤波和显著性检测的红外小目标检测方法，其特征在于：所述M×M为81×81，若质心靠近边界，无法延伸40个像素，则不对边界进行扩展。