CN109461171B

CN109461171B - 基于多通道改进DoG滤波的红外弱小目标检测算法

Info

Publication number: CN109461171B
Application number: CN201811110762.1A
Authority: CN
Inventors: 武斌; 侯敏; 李鹏; 王晓鹏; 鲍丹; 蔡晶晶
Original assignee: Xidian University
Current assignee: Xi'an Thunder Driven Electronic Technology Co ltd
Priority date: 2018-09-21
Filing date: 2018-09-21
Publication date: 2021-11-09
Anticipated expiration: 2038-09-21
Also published as: CN109461171A

Abstract

本发明提出一种基于多通道改进DoG滤波的红外弱小目标检测算法，首先对红外图像进行归一化处理；其次对红外图像进行多通道改进DoG(IDoG)滤波，得到8通道滤波结果图；然后对8通道的滤波结果图取最大值处理得到多通道IDoG的结果图；之后对处理结果图进行高斯增强，得到最后的处理结果图；最后找到结果图中灰度值最大点的位置，即为红外小目标所在的位置。本发明可用于对红外图像中的弱小目标进行检测，能有效的提高红外图像中小目标的检测精度，以提高检测性能和鲁棒性。

Description

基于多通道改进DoG滤波的红外弱小目标检测算法

技术领域

本发明属于图像处理技术领域，更进一步涉及复杂背景下红外图像处理领域中的一种基于多通道改进DoG滤波的红外弱小目标检测算法。

背景技术

随着红外技术的快速发展，红外弱小目标的检测得到了广泛深入的研究，在精确制导与远程预警等许多方面都有应用。近年来随着反辐射和隐身技术的发展，以及雾、云、雨等自然天气现象的干扰，红外图像的背景愈加复杂，红外小目标很容易就会被淹没。因此，红外弱小目标检测一直是红外图像处理领域研究的热点和难点。

现有的红外小目标检测方法主要有三类：第一类是去除噪声，主要是抑制背景噪声对目标检测的影响，常见的方法有最大均值滤波、中值滤波、高通滤波、形态学滤波等。第二类是背景抑制，这类算法根据背景的连续性或统计特性对背景进行抑制，从而达到凸显弱小目标的目标。三类是图像对比增强，这类算法是通过增强弱小目标的强度同时降低邻域强度，以此来达到较好的弱小目标检测效果。近年来随着机器学习的发展，基于神经网络的算法也开始应用于红外弱小目标的检测中，但是这类特征学习、模型训练的方法复杂度较高，实时性较差，应用局限。综上所述，尽管目前存在大量的红外小目标检测方法，但这些方法依然存在需要较多先验知识、鲁棒性差、算法复杂度高、实时性不够的问题。所以，复杂背景下的红外小目标检测问题依然存在挑战。

发明内容

为解决现有技术存在的问题，本发明提出一种基于多通道改进DoG滤波的红外弱小目标检测算法，可用于对红外图像中的弱小目标进行检测，能有效的提高红外图像中小目标的检测精度，以提高检测性能和鲁棒性。

实现本发明的技术思路是：首先，对红外图像进行归一化处理；其次，对红外图像进行多通道改进DoG(IDoG)滤波，得到8通道滤波结果图；然后，对8通道的滤波结果图取最大值处理得到多通道IDoG的结果图；之后，对处理结果图进行高斯增强，得到最后的处理结果图；最后，找到结果图中灰度值最大点的位置，即为红外小目标所在的位置。

基于上述思路，本发明的技术方案为：

所述一种基于多通道改进DoG滤波的红外弱小目标检测算法，其特征在于：包括以下步骤：

步骤1：输入一幅待检测的红外图像I；

步骤2：将输入的图像进行归一化处理，得到归一化后的红外图像I_in；

步骤3：对归一化后的红外图像I_in进行多通道IDoG滤波：

步骤3.1：将IDoG滤波算子与方向因子矩阵d_i进行Hadamard乘积运算生成具有方向性的滤波算子f_IDoG,i，i＝1，2……8；

步骤3.2：归一化后的红外图像I_in分别与8个通道的IDoG滤波算子f_IDoG,i进行滤波运算，产生8个不同方向的结果图F_i；

步骤3.3：在8个不同方向的结果图中，取同一像素位置的最大像素值，并将小于零的像素值置为零，得到经过多通道IDoG滤波的结果图MPM；

步骤4：进行高斯分布增强：

步骤4.1：对归一化后的红外图像I_in的每个像素点计算其邻域的方差、中心区域的均值和方差，其中边界区域像素点通过边界灰度值填充图像来计算；

步骤4.2：将中心区域的均值矩阵与多通道IDoG滤波的结果图MPM差分得到高斯增强算法的均值因子矩阵EG_m；将中心区域方差与邻域方差相减得到高斯增强算法的方差因子矩阵EG_v；

步骤4.3：利用均值因子矩阵EG_m、方差因子矩阵EG_v对多通道IDoG滤波的结果图MPM进行加权，得到最后的结果图I_out；

步骤5：找到结果图I_out中灰度值最大点的位置，即为红外小目标所在的位置。

进一步的优选方案，所述一种基于多通道改进DoG滤波的红外弱小目标检测算法，其特征在于：步骤3中IDoG滤波算子大小为n×n，n＝7，8个通道的方向因子矩阵为：

进一步的优选方案，所述一种基于多通道改进DoG滤波的红外弱小目标检测算法，其特征在于：步骤4中，对于像素点(x,y)，其中心区域C_(x,y)定义为：

C_(x,y)＝{(p,q)|max(|p-x|,|q-y|)≤m}

其中m是正整数；像素点(x,y)的邻域B_(x,y)定义为：

Z_(x,y)＝{(p,q)|max(|p-x|,|q-y|)≤n}

其中n是正整数且n＞m。

进一步的优选方案，所述一种基于多通道改进DoG滤波的红外弱小目标检测算法，其特征在于：步骤4中，对于结果图I_out中的像素点(x,y)：

其中MPM(x,y)为多通道IDoG滤波的结果图MPM中像素点(x,y)处的值，EG_m(x,y)为均值因子矩阵EG_m在(x,y)处的值，EG_v(x,y)为方差因子矩阵在(x,y)处的值。

有益效果

本发明与现有技术相比较，具有以下优点：

1)将传统的DoG滤波算子进行了改进，通过与方向因子矩阵进行运算，使得改进后的滤波算子具有了方向性；

2)将改进后的具有方向性的滤波算子进行了不同方向的通道运算，得到红外图像在不同方向的滤波结果，最后再取最大值，充分利用了红外弱小目标的各向同性和红外背景的各向异性特征；

3)根据红外弱小目标类高斯分布和背景多呈条带状的特性，提出了增强红外弱小目标同时抑制背景杂波的高斯增强算法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为红外弱小目标检测的基本流程。

图2为红外弱小目标检测的结果：第一列为原始的红外输入图像；第二列为经过多通道IDoG滤波处理之后的结果图；第三列为高斯增强后的检测结果图。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明提出一种基于多通道改进DoG滤波的红外弱小目标检测算法，可用于对红外图像中的弱小目标进行检测，能有效的提高红外图像中小目标的检测精度，以提高检测性能和鲁棒性。

参照图1，本发明实现的步骤如下：

步骤1：输入一幅待检测的红外图像I。

步骤2：将输入的图像进行归一化处理，得到归一化后的红外图像I_in。对红外图像进行归一化处理，将红外图像的灰度值归一化到0-1之间。

步骤3：对归一化后的红外图像I_in进行多通道改进DoG(IDoG)滤波。

红外弱小目标，就是在红外图像上呈现为亮度较弱，所占尺寸与面积极小的点状光斑，其所含像元数目少，缺乏结构、形状等信息。DoG滤波器就是高斯差分滤波器，被广泛应用于目标检测、边缘提取等方面。由于红外小目标的灰度类高斯分布，DoG滤波器在红外目标检测领域应用广泛。二维DoG滤波器的定义如下：

其中σ₁和σ₂分别是高斯函数的标准差，且σ₁＜σ₂。DoG滤波器的中心部分大于零，边缘部分小于零，是一个基于中心对称的圆环形，σ₁、σ₂决定中心区域的大小。传统的DoG滤波器用于目标检测时，不仅可以凸显目标区域、抑制背景，同时也增强了边缘区域。为了解决这个问题，这里对传统的DoG滤波算子进行了改进，改进后的DoG滤波算子即IDoG滤波算子具有方向性，能够很好的抑制边缘像素。

步骤3.1：生成具有方向性的滤波算子f_IDoG,i，i＝1，2……8。

IDoG滤波算子的大小为n×n，通过与方向因子矩阵d_i(i＝1，2……8)运算生成具有方向性的滤波算子f_IDoG,i(i＝1，2……8)：

其中f_DoG表示DoG滤波算子，d_i表示第i个方向因子矩阵，f_IDoG,i表示改进之后的第i个通道的滤波算子，

表示Hadamard乘积。

当滤波算子的大小n＝7时，8个通道的方向因子矩阵分别定义如下：

步骤3.2：将归一化后的红外图像进行多通道滤波。

归一化后的红外图像I_in分别与8个通道的IDoG滤波算子f_IDoGi卷积，产生8个不同方向的结果图F_i；

F_i＝I_in*f_IDoG,i,i＝1,2……8

其中I_in表示输入的红外图像，f_IDoG,i表示改进之后的第i个通道的滤波算子，F_i表示第i个通道的结果图，“*”表示卷积运算。

步骤3.3：得到经过多通道IDoG滤波的结果图。

经过多通道处理之后分别得到8个不同方向的结果图，为了得到最好的背景抑制效果，在8个不同方向的结果图中，取同一像素位置的最大像素值，并将小于零的像素值置为零，得到经过多通道IDoG滤波的结果图MPM；

MPM(x,y)＝max(F_i(x,y)),i＝1,2……8

其中F_i表示第i个通道的结果图，MPM表示多通道IDoG滤波的结果，(x,y)是像素的坐标。

步骤4：进行高斯分布增强。

一幅含有红外弱小目标的图像依照点扩散原理，可将其目标模型用二维高斯模型来表示：

其中I_max表示目标中心的灰度值，即灰度峰值，σ_x为目标水平扩散参数，σ_y为目标垂直扩散参数，(p₀,q₀)为目标的中心坐标，(p,q)为其它像素的坐标。

经过多通道IDoG滤波处理后的图像小目标仍然可以看做是高斯分布，但是仍会存在条带状的背景云层边缘、建筑边缘等杂波，因此需要一种针对小目标的增强算法，以此来增强高斯分布的弱小目标，抑制条带状的背景杂波。经过处理之后的高斯分布的目标和条带状背景灰度信息满足一下两个特点：

1、目标的灰度值大于目标邻域的灰度均值；

2、条带状背景像素中心区域的方差大于邻域区域的方差。

基于以上两个特点可以通过计算像素中心区域与邻域的均值和方差来进一步抑制背景，增强目标。

步骤4.1：对归一化后的红外图像I_in的每个像素点计算其邻域的方差、中心区域的均值和方差，其中边界区域像素点通过边界灰度值填充图像来计算。

对经过多通道IDoG滤波的结果图从上到下、从左到右进行窗口移动，对于像素点(x,y)，其中心区域C_(x,y)定义为：

C_(x,y)＝{(p,q)|max(|p-x|,|q-y|)≤m}

其中m是正整数。将像素点(x,y)的邻域B_(x,y)定义为：

Z_(x,y)＝{(p,q)|max(|p-x|,|q-y|)≤n}

其中n是正整数且n＞m。

计算像素点(x,y)中心区域的灰度平均值mo，计算像素点(x,y)中心区域的方差v_i、邻域的方差v_o。

步骤4.2：将中心区域的均值矩阵与多通道IDoG滤波的结果图MPM差分得到高斯增强算法的均值因子矩阵EG_m。在均值因子矩阵EG_m中：

EG_m(x,y)＝MPM(x,y)-m_o

其中m_o是像素点(x,y)中心区域的灰度平均值，MPM是多通道IDoG滤波的结果图，EG_m是高斯增强算法的均值因子矩阵。

将中心区域方差与邻域方差相减得到高斯增强算法的方差因子矩阵EG_v。方差因子矩阵EG_v中：

EG_v(x,y)＝v_i-v_o

其中v_i和v_o分别是像素点(x,y)中心区域和邻域的方差，EG_v是高斯增强算法的方差因子矩阵。

步骤4.3：利用均值因子矩阵EG_m、方差因子矩阵EG_v对多通道IDoG滤波的结果图MPM进行加权，得到最后的结果图I_out。结果图I_out中

步骤5：目标检测：找到结果图I_out中灰度值最大点的位置，即为红外小目标所在的位置。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种基于多通道改进DoG滤波的红外弱小目标检测算法，其特征在于：包括以下步骤：

步骤1：输入一幅待检测的红外图像I；

步骤3：对归一化后的红外图像I_in进行多通道IDoG滤波：

步骤4：进行高斯分布增强：

2.根据权利要求1所述一种基于多通道改进DoG滤波的红外弱小目标检测算法，其特征在于：步骤3中IDoG滤波算子大小为n×n，n＝7，8个通道的方向因子矩阵为：

3.根据权利要求1所述一种基于多通道改进DoG滤波的红外弱小目标检测算法，其特征在于：步骤4中，对于像素点(x,y)，其中心区域C_(x,y)定义为：

C_(x,y)＝{(p,q)|max(|p-x|,|q-y|)≤m}

其中m是正整数；像素点(x,y)的邻域B_(x,y)定义为：

Z_(x,y)＝{(p,q)|max(|p-x|,|q-y|)≤n}

其中n是正整数且n＞m，(p,q)为其它像素的坐标。

4.根据权利要求3所述一种基于多通道改进DoG滤波的红外弱小目标检测算法，其特征在于：步骤4中，对于结果图I_out中的像素点(x,y)：