CN109934224A - 基于马尔科夫随机场和视觉对比机制的小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于马尔科夫随机场和视觉对比机制的小目标检测方法，对所需识别的小目标的原始红外图像进行预处理；基于九宫格算法，计算出预处理后的红外图像的显著性图；基于马尔科夫随机场对帧间差分图像进行建模，并分割出运动区域和背景区域；将空间域显著性图和时域进行融合，剔除图像中被误认为是目标的孤立噪声点。本发明基于人类视觉对比机制和马尔科夫随机场，结合时域和空域的特点，对运动目标进行检测，实现了对弱小目标的检测，提高了检测性能和效果。

Description

基于马尔科夫随机场和视觉对比机制的小目标检测方法

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于马尔科夫随机场和视觉对比机制的小目标检测方法。

背景技术

红外弱小目标检测是目标跟踪中的一项重要技术，一直是红外识别领域的研究热点，但是由于跟踪检测的距离比较远使得红外目标成像面积太小，形状、结构特征不明显，目标几乎淹没在复杂的背景中，使得检测不易实现。

目前，红外目标检测方法可分为单帧检测和多帧检测。多帧检测的方法主要有帧差法、混合高斯模型、光流估计法等。多帧检测方法要求目标背景为静态视场，难以适应运动检测平台中图像背景的变化。单帧检测的方法主要有K均值聚类、背景预测、局部极大值、相关滤波等。上述单帧检测方法多为单一的滤波计算及二值化处理，对弱小目标的检测性能较差。

近年来，人类视觉系统(HVS)已被引入到红外小目标检测应用中，获得了非常好的检测效果。根据人眼的视觉特性，在复杂背景区域中存在目标的显著区域往往能引起人眼的迅速注意，即可以快速准确地识别视觉场中的显著区域，其显著性特征包括对比度，大小，尖锐性等，现有许多显著区域检测算法通过计算每个图像子区域同其一定范围内的相邻区域的对比度来度量该图像子区域的显著性。马尔可夫随机场(Markov Random Field，MRF)理论是近年来兴起的用于描述图像像素之间纹理特性关系的新方法，已广泛应用于图像分割、降噪等分析处理。由于图像中的目标检测问题可看作是背景与目标的二元分类标记问题，越来越多的学者开始研究基于MRF理论的目标检测算法。

发明内容

基于此，针对上述问题，有必要提出一种结合时域和空域的特点，在此基础上利用人类视觉对比机制和马尔科夫随机场对运动目标进行检测的方法，实现对弱小目标的检测，提高了检测性能和效果。

本发明的技术方案是：

一种基于马尔科夫随机场和视觉对比机制的小目标检测方法，包括以下步骤：

a、对所需识别的小目标的原始红外图像进行预处理；

b、基于九宫格算法，计算出预处理后的红外图像的显著性图；

c、基于马尔科夫随机场对帧间差分图像进行建模，并分割出运动区域和背景区域；

d、将空间域的显著性图和时域分割出的区域进行融合，剔除图像中被误认为是目标的孤立噪声点。

在本技术方案中，将原始图像分别进行建模和生成显著性图，即一方面对原始图像先进行单帧图像预处理，再生成显著性图，最后进行感兴趣区域(ROI)提取；另一方面对原始图像进行时域差分图像的获取，再进行马尔可夫随机场(MRF)建模，最后划分背景和目标区域；两部分同步分别完成后，将时域和空域结构相融合，最终获取运动目标，实现对弱小目标的检测。

优选的，所述步骤a包括以下步骤：

基于Top-hat形态学滤波器对原始红外图像进行处理，包括腐蚀和膨胀操作，并由腐蚀和膨胀操作构成开运算和闭运算；

若进行开运算，则先进行腐蚀操作后进行膨胀，其公式如下：

若进行闭运算，则先进行膨胀操作后进行腐蚀，其公式如下：

其中，I是原始红外图像，S是结构化的元素，表示膨胀操作，表示腐蚀操作。

在本技术方案中，红外图像中的目标信号通常是暗淡混杂的背景杂波，这使得小目标检测难，为了有效抑制红外噪声干扰，同时减少算法处理的时间复杂度，本发明在微弱小目标识别前对原始图像进行预处理；首先引入传统的Top-hat形态学滤波器，滤波对原始图像进行处理，有效增强图像的信噪比，传统的Top-hat形态学波器比较适用于像外弱小目标这种纹理特征较少的图像；主要由腐蚀和膨胀这两种操作组成，膨胀就是求局部最大值的操作；按数学方面来说，膨胀或者腐蚀操作就是将图像(或图像的一部分区域，我们称之为A)与核(我们称之为B)进行卷积，并把这个最大值赋值给参考点指定的像素，这样就会使图像中的高亮区域逐渐增长；膨胀和腐蚀是是相反的一对操作，所以腐蚀就是求局部最小值的操作，腐蚀和膨胀这两个基本操作又构成了开运算和闭运算，开运算是先腐蚀后膨胀的运算，闭运算是先膨胀后腐蚀的运算。

优选的，所述步骤a还包括以下步骤：

若原始红外图像的背景过大，且位于其上的小目标有规律的分布时，则可基于顶帽运算进行背景提取；包括打开顶帽操作和关闭顶帽操作，其中：

打开顶帽操作的公式为：OTH(x,y)＝(I-S·I)(x,y)；

关闭顶帽操作的公式为：CTH(x,y)＝(I·S-I)(x,y)。

在本技术方案中，可以使用顶帽变换来增强目标，打开顶帽运算往往用来分离比邻近点亮一些的斑块，当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取；关闭顶帽运算为闭运算的结果图与原图像之差，关闭顶帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域，且这一操作和选择的核的大小相关；所以，黑帽运算用来分离比邻近点暗一些的斑块，获得非常完美的轮廓效果图。

优选的，所述步骤b包括以下步骤：

b11、围绕疑似目标的区域块中以像素x_i(i＝1,2…N)为中心的区域块V₀定义一个图像块V，该图像块V的边长是区域块V₀的3倍；

b12、以图像块V为中心，并作为目标区域，以图像块V的邻域作为背景区域，计算该图像块V的局部对比度值，其公式如下：

其中，C₀为目标区域和背景区域的局部对比度值，L_n为图像块V内的最大像素值，M₀为目标区域的像素均值，M_i为背景区域的像素均值；

b13、若图像块V是目标区域，则对目标图像块V进行增强；若图像块V不是目标区域，则对背景区域进行抑制；进而生成显著性图；

b14、对显著性图进行阈值分割获取感兴趣区域，该分割公式如下：

T＝μ+kσ；

其中，T为感兴趣区域，μ表示输入图像的均值，σ表示标准差，k为常数。

人类视觉具有视觉注意、视觉对比机制等特性；在人类的视觉搜索中，总是优先注意较为显著的物体，并不是物体自身的颜色或是形状决定了这一显著性，而是它与周围环境的对比决定了这一区域优先被关注，模拟人类视觉在搜索物体时具有选择性的特点，先对图像进行感兴趣区域的提取；视觉显著性度量是基于视觉显著性的图像分割方法中的关键环节，主要计算图像中各像素的显著性，结果用与原始输入图像大小相等的一幅灰度图像来表示，称为显著性图；其中每一个像素值代表了原始图像中对应位置像素的显著值，值越大说明该像素在原始图像中越显著，越容易获得观察者的注意，这样可以提高算法运行速度和搜索红外小目标的效率；具体的：

1)划分九宫格，采用经典Top－hat算法抑制背景噪声后，目标区域增强。大量的实验仿真测试发现真实的弱小目标的大小不超过80，其目标块的大小不大于9×9，为了降低算法的复杂度。围绕疑似目标的区域块中以像素x_i(i＝1,2…N)为中心的区域块V₀来定义一个图像块V，其边长是V₀的3倍；因此，绕着V₀可以获得8个不重叠的图像块V_n(n＝1,2…8)，其大小与V₀相同，这样减少了算法的运行时间；

2)生成显著性图，以每个目标块为中心并将其看作目标区域0，以目标块的八邻域作为背景区域(1，2，3，…，8)，计算该目标块的局部对比度值，计算中心目标块内的最大像素值L_n以及各背景目标块的像素均值M_i(i＝1,2,3…,8)，即可得目标区域和周围各背景块的局部对比度值；由图像块邻域最大对比度定义可知，只要所在图像块中含有局部灰度极大值点，它与邻域的最大对比度就会比较大，所以该度量能够表征图像的局部显著度，可用来筛选出目标可能存在的感兴趣区域根据定义计算每个分块图像的最大局部对比度值，生成显著性图；

3)自适应阈值分割，获得感兴趣区域对得到的显著性图做阈值分割获取感兴趣区域；为了不漏检与背景相融且与背景对比度不显著的目标，可将k值取得稍小；将二值化后的显著性图与预处理后的图像进行相乘，即可得到相应图像的感兴趣区域(ROI)。

优选的，所述步骤c包括以下步骤：

c11、获取帧间差分图像，提取连续的三帧图像I(t-1)、I(t)和I(t+1)，分别计算连续两帧图像之间的差分运算，得到运动区域M_R；计算公式如下：

d(t,t-1)[x,y]＝|I(t)[x,y]-I(t-1)[x,y]|

d(t+1,t)[x,y]＝I(t+1)[x,y]-I(t)[x,y]

M_R[x,y]＝d(t,t-1)[x,y]∩d(t,t+1)[x,y]；

其中，MR[x,y]为运动区域，d为差分值；

c12、以时刻为时间基准，选取t时刻前后三帧的图像作为获取差分图像的图像帧，获取完整的所以为了获取完整的运动目标区域T(x,y)；计算公式如下：

c13、对差分图像进行MRF建模。

在本技术方案中，利用马尔科夫随机场分割帧间差分图像，提取连续的三帧图像，分别计算连续两帧之间的差分运算，最后得到运动区域MR，由于在单帧图像中会出现目标丢失等情况，以及由于运动目标运动速度比较缓慢，所以帧间差分会导致运动目标区域的减弱，所以为了获取完整的运动目标区域，以时刻为时间基准，选取t时刻前后三帧的图像作为获取差分图像的图像帧，最后对差分图像进行MRF建模。

优选的，所述步骤c13的建模方法包括以下步骤：

c131、构造先验模型，构造公式如下：

p(x_i|x_j,j≠i,j∈S)＝p(x_i|x_j,j∈η)；

P(x_i)>0；

其中，P(x)为先验模型，S为给定图像中所有图像位置点的集合，x为图像位置集合S上的随机场，η为图像位置集合S上的邻域系统；

c132、根据MRF和Gibbs随机场的等价原理，x的联合概率P(x)服从Gibbs分布，因此，

其中，Z＝∑_xexp(-∑_c∈CVc(x))为归一化函数，c为簇，C为所有簇的集合，Vc(x)为定义在簇c上的势函数，U(x)为能量函数；

c133、构造观测模型，基于二阶领域模型计算势函数

其中，β为耦合系数，表示领域内相邻像素的惩罚程度；

c134、对单图像位置或局部图像区域中的观测图像进行建模，即

p(y|x)＝∏_i∈Spy_i|x_i)；

c135、将联合观测模型p(y|x)简化表示为局部模型，基于高斯或混合高斯分布对局部观测图像进行建模，获得

其中，μ_i和分别表示被标记为m区域的均值和方差，N_m表示被标记m类的像素个数，y为像素的灰度值；

因此，其中，N(μ_m,σ_m)表示具有均值为μ_m，方差为σ_m的高斯分布，M为混合分布中高斯分布的数目，σ_m为第m个高斯分布的权值；

c136、在先验模型和观测模型构建完毕后，可依据最大后验准则，对图像进行标记处理。

在本技术方案中，虽然低信噪比红外图像中的小目标常常被背景淹没，但是小目标与背景仍存在灰度上的差别。在图像的像素灰度空间上，小目标对应若干个近邻的奇异点，因此，目标像素点与其邻域像素点之间有着特殊关系；本发明采用MRF理论的集簇(Clique)和能量函数描述这种关系，通过对这种关系进行量化计算把目标和背景分开，进而实现目标检测。

优选的，先验模型和观测模型构建完毕后，还包括以下步骤：

基于ICM算法求解马尔可夫模型局部能量最小化。

目标检测问题可看作是图像中背景与目标的二元分类标记问题.针对实际应用中背景环境复杂多变以及目标弱小的特点，本发明首先对待标记图像的先验模型p(x)进行建模，然后引入目标先验信杂比信息，利用图像局部统计特性对生成的观测图像模型p(y|x)进行建模，最后采用ICM算法求解马尔可夫模型局部能量最小化；ICM算法的具体过程：

图像上像素共分为K类，每个像素的类别标号从一个初始解k(k＝1，2，…，K)开始，持续在所有解中搜索比k更优的解，若找到比k更优的解，用这个解替代k，称为当前解，并计算图像上个向原的全局能量，再对当前继续进行本算法，知道无法找出更优解代替，此时算法结束，当前解即为算法的最终解。

优选的，所述步骤d包括以下步骤：

d11、对空间域的显著性图和时域分割出来的结果进行融合，对于空间域显著性图中的疑似目标区域S_i和时域中的分割标记T_i取交集部分，得到运动目标；

d12、对于空间域的显著区域R_i和时域分割出的区域M_i，分别求其中心坐标和计算两点之间的距离；

d13、当两点距离中心距离取最小值时，则对应在显著性图中区域以为中心的显著区域为运动目标，即：

对空间域的显著性图和时域分割出来的结果进行融合，得到运动目标。

本发明的有益效果是：

本发明基于人类视觉对比机制和马尔科夫随机场，结合时域和空域的特点，对运动目标进行检测，实现了对弱小目标的检测，提高了检测性能和效果。

附图说明

图1是本发明实施例所述基于马尔科夫随机场和视觉对比机制的小目标检测方法的流程图。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

实施例1

如图1所示，一种基于马尔科夫随机场和视觉对比机制的小目标检测方法，包括以下步骤：

a、对所需识别的小目标的原始红外图像进行预处理；

b、基于九宫格算法，计算出预处理后的红外图像的显著性图；

c、基于马尔科夫随机场对帧间差分图像进行建模，并分割出运动区域和背景区域；

d、将空间域的显著性图和时域分割出的区域进行融合，剔除图像中被误认为是目标的孤立噪声点。

在本实施例中，将原始图像分别进行建模和生成显著性图，即一方面对原始图像先进行单帧图像预处理，再生成显著性图，最后进行感兴趣区域(ROI)提取；另一方面对原始图像进行时域差分图像的获取，再进行马尔可夫随机场(MRF)建模，最后划分背景和目标区域；两部分同步分别完成后，将时域和空域结构相融合，最终获取运动目标，实现对弱小目标的检测。

实施例2

本实施例在实施例1的基础上，所述步骤a包括以下步骤：

基于Top-hat形态学滤波器对原始红外图像进行处理，包括腐蚀和膨胀操作，并由腐蚀和膨胀操作构成开运算和闭运算；

若进行开运算，则先进行腐蚀操作后进行膨胀，其公式如下：

若进行闭运算，则先进行膨胀操作后进行腐蚀，其公式如下：

其中，I是原始红外图像，S是结构化的元素，表示膨胀操作，表示腐蚀操作。

在本实施例中，红外图像中的目标信号通常是暗淡混杂的背景杂波，这使得小目标检测难，为了有效抑制红外噪声干扰，同时减少算法处理的时间复杂度，本发明在微弱小目标识别前对原始图像进行预处理；首先引入传统的Top-hat形态学滤波器，滤波对原始图像进行处理，有效增强图像的信噪比，传统的Top-hat形态学波器比较适用于像外弱小目标这种纹理特征较少的图像；主要由腐蚀和膨胀这两种操作组成，膨胀就是求局部最大值的操作；按数学方面来说，膨胀或者腐蚀操作就是将图像(或图像的一部分区域，我们称之为A)与核(我们称之为B)进行卷积，并把这个最大值赋值给参考点指定的像素，这样就会使图像中的高亮区域逐渐增长；膨胀和腐蚀是是相反的一对操作，所以腐蚀就是求局部最小值的操作，腐蚀和膨胀这两个基本操作又构成了开运算和闭运算，开运算是先腐蚀后膨胀的运算，闭运算是先膨胀后腐蚀的运算。

实施例3

本实施例在实施例2的基础上，所述步骤a还包括以下步骤：

若原始红外图像的背景过大，且位于其上的小目标有规律的分布时，则可基于顶帽运算进行背景提取；包括打开顶帽操作和关闭顶帽操作，其中：

打开顶帽操作的公式为：OTH(x,y)＝(I-S·I)(x,y)；

关闭顶帽操作的公式为：CTH(x,y)＝(I·S-I)(x,y)。

在本实施例中，可以使用顶帽变换来增强目标，打开顶帽运算往往用来分离比邻近点亮一些的斑块，当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取；关闭顶帽运算为闭运算的结果图与原图像之差，关闭顶帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域，且这一操作和选择的核的大小相关；所以，黑帽运算用来分离比邻近点暗一些的斑块，获得非常完美的轮廓效果图。

实施例4

本实施例在实施例1的基础上，所述步骤b包括以下步骤：

b11、围绕疑似目标的区域块中以像素x_i(i＝1,2…N)为中心的区域块V₀定义一个图像块V，该图像块V的边长是区域块V₀的3倍；

b12、以图像块V为中心，并作为目标区域，以图像块V的邻域作为背景区域，计算该图像块V的局部对比度值，其公式如下：

其中，C₀为目标区域和背景区域的局部对比度值，L_n为图像块V内的最大像素值，M₀为目标区域的像素均值，M_i为背景区域的像素均值；

b13、若图像块V是目标区域，则对目标图像块V进行增强；若图像块V不是目标区域，则对背景区域进行抑制；进而生成显著性图；

b14、对显著性图进行阈值分割获取感兴趣区域，该分割公式如下：

T＝μ+kσ；

其中，T为感兴趣区域，μ表示输入图像的均值，σ表示标准差，k为常数。

人类视觉具有视觉注意、视觉对比机制等特性；在人类的视觉搜索中，总是优先注意较为显著的物体，并不是物体自身的颜色或是形状决定了这一显著性，而是它与周围环境的对比决定了这一区域优先被关注，模拟人类视觉在搜索物体时具有选择性的特点，先对图像进行感兴趣区域的提取；视觉显著性度量是基于视觉显著性的图像分割方法中的关键环节，主要计算图像中各像素的显著性，结果用与原始输入图像大小相等的一幅灰度图像来表示，称为显著性图；其中每一个像素值代表了原始图像中对应位置像素的显著值，值越大说明该像素在原始图像中越显著，越容易获得观察者的注意，这样可以提高算法运行速度和搜索红外小目标的效率；具体的：

1)划分九宫格，采用经典Top－hat算法抑制背景噪声后，目标区域增强。大量的实验仿真测试发现真实的弱小目标的大小不超过80，其目标块的大小不大于9×9，为了降低算法的复杂度。围绕疑似目标的区域块中以像素x_i(i＝1,2…N)为中心的区域块V₀来定义一个图像块V，其边长是V₀的3倍；因此，绕着V₀可以获得8个不重叠的图像块V_n(n＝1,2…8)，其大小与V₀相同，这样减少了算法的运行时间；

2)生成显著性图，以每个目标块为中心并将其看作目标区域0，以目标块的八邻域作为背景区域(1，2，3，…，8)，计算该目标块的局部对比度值，计算中心目标块内的最大像素值L_n以及各背景目标块的像素均值M_i(i＝1,2,3…,8)，即可得目标区域和周围各背景块的局部对比度值；由图像块邻域最大对比度定义可知，只要所在图像块中含有局部灰度极大值点，它与邻域的最大对比度就会比较大，所以该度量能够表征图像的局部显著度，可用来筛选出目标可能存在的感兴趣区域根据定义计算每个分块图像的最大局部对比度值，生成显著性图；

3)自适应阈值分割，获得感兴趣区域对得到的显著性图做阈值分割获取感兴趣区域；为了不漏检与背景相融且与背景对比度不显著的目标，可将k值取得稍小；将二值化后的显著性图与预处理后的图像进行相乘，即可得到相应图像的感兴趣区域(ROI)。

实施例5

本实施例在实施例1的基础上，所述步骤c包括以下步骤：

c11、获取帧间差分图像，提取连续的三帧图像I(t-1)、I(t)和I(t+1)，分别计算连续两帧图像之间的差分运算，得到运动区域M_R；计算公式如下：

d(t,t-1)[x,y]＝|I(t)[x,y]-I(t-1)[x,y]|

d(t+1,t)[x,y]＝I(t+1)[x,y]-I(t)[x,y]

M_R[x,y]＝d(t,t-1)[x,y]∩d(t,t+1)[x,y]；

其中，M_R[x,y]为运动区域，d为差分值；

c12、以时刻为时间基准，选取t时刻前后三帧的图像作为获取差分图像的图像帧，获取完整的所以为了获取完整的运动目标区域T(x,y)；计算公式如下：

c13、对差分图像进行MRF建模。

在本实施例中，利用马尔科夫随机场分割帧间差分图像，提取连续的三帧图像，分别计算连续两帧之间的差分运算，最后得到运动区域MR，由于在单帧图像中会出现目标丢失等情况，以及由于运动目标运动速度比较缓慢，所以帧间差分会导致运动目标区域的减弱，所以为了获取完整的运动目标区域，以时刻为时间基准，选取t时刻前后三帧的图像作为获取差分图像的图像帧，最后对差分图像进行MRF建模。

实施例6

本实施例在实施例5的基础上，所述步骤c13的建模方法包括以下步骤：

c131、构造先验模型，构造公式如下：

p(x_i|x_j,j≠i,j∈S)＝p(x_i|x_j,j∈η)；

P(x_i)>0；

其中，P(x)为先验模型，S为给定图像中所有图像位置点的集合，x为图像位置集合S上的随机场，η为图像位置集合S上的邻域系统；

c132、根据MRF和Gibbs随机场的等价原理，x的联合概率P(x)服从Gibbs分布，因此，

其中，Z＝∑_xexp(-∑_c∈CVc(x))为归一化函数，c为簇，C为所有簇的集合，Vc(x)为定义在簇c上的势函数，U(x)为能量函数；

c133、构造观测模型，基于二阶领域模型计算势函数

其中，β为耦合系数，表示领域内相邻像素的惩罚程度；

c134、对单图像位置或局部图像区域中的观测图像进行建模，即

p(y|x)＝∏_i∈spy_i|x_i)；

c135、将联合观测模型p(y|x)简化表示为局部模型，基于高斯或混合高斯分布对局部观测图像进行建模，获得

其中，μ_i和分别表示被标记为m区域的均值和方差，N_m表示被标记m类的像素个数，y为像素的灰度值；

因此，其中，N(μ_m,σ_m)表示具有均值为μ_m，方差为σ_m的高斯分布，M为混合分布中高斯分布的数目，σ_m为第m个高斯分布的权值；

c136、在先验模型和观测模型构建完毕后，可依据最大后验准则，对图像进行标记处理。

在本实施例中，虽然低信噪比红外图像中的小目标常常被背景淹没，但是小目标与背景仍存在灰度上的差别。在图像的像素灰度空间上，小目标对应若干个近邻的奇异点，因此，目标像素点与其邻域像素点之间有着特殊关系；本发明采用MRF理论的集簇(Clique)和能量函数描述这种关系，通过对这种关系进行量化计算把目标和背景分开，进而实现目标检测。

实施例7

本实施例在实施例6的基础上，先验模型和观测模型构建完毕后，还包括以下步骤：

基于ICM算法求解马尔可夫模型局部能量最小化。

目标检测问题可看作是图像中背景与目标的二元分类标记问题.针对实际应用中背景环境复杂多变以及目标弱小的特点，本发明首先对待标记图像的先验模型p(x)进行建模，然后引入目标先验信杂比信息，利用图像局部统计特性对生成的观测图像模型p(y|x)进行建模，最后采用ICM算法求解马尔可夫模型局部能量最小化；ICM算法的具体过程：

图像上像素共分为K类，每个像素的类别标号从一个初始解k(k＝1，2，…，K)开始，持续在所有解中搜索比k更优的解，若找到比k更优的解，用这个解替代k，称为当前解，并计算图像上个向原的全局能量，再对当前继续进行本算法，知道无法找出更优解代替，此时算法结束，当前解即为算法的最终解。

实施例8

本实施例在实施例1的基础上，所述步骤d包括以下步骤：

d11、对空间域的显著性图和时域分割出来的结果进行融合，对于空间域显著性图中的疑似目标区域S_i和时域中的分割标记T_i取交集部分，得到运动目标；

d12、对于空间域的显著区域R_i和时域分割出的区域M_i，分别求其中心坐标和计算两点之间的距离；

d13、当两点距离中心距离取最小值时，则对应在显著性图中区域以为中心的显著区域为运动目标，即：

对空间域的显著性图和时域分割出来的结果进行融合，得到运动目标。

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (8)

1.一种基于马尔科夫随机场和视觉对比机制的小目标检测方法，其特征在于，包括以下步骤：

a、对所需识别的小目标的原始红外图像进行预处理；

b、基于九宫格算法，计算出预处理后的红外图像的显著性图；

c、基于马尔科夫随机场对帧间差分图像进行建模，并分割出运动区域和背景区域；

d、将空间域的显著性图和时域分割出的区域进行融合，剔除图像中被误认为是目标的孤立噪声点。

2.根据权利要求1所述的基于马尔科夫随机场和视觉对比机制的小目标检测方法，其特征在于，所述步骤a包括以下步骤：

基于Top-hat形态学滤波器对原始红外图像进行处理，包括腐蚀和膨胀操作，并由腐蚀和膨胀操作构成开运算和闭运算；

若进行开运算，则先进行腐蚀操作后进行膨胀，其公式如下：

若进行闭运算，则先进行膨胀操作后进行腐蚀，其公式如下：

其中，I是原始红外图像，S是结构化的元素，表示膨胀操作，表示腐蚀操作。

3.根据权利要求2所述的基于马尔科夫随机场和视觉对比机制的小目标检测方法，其特征在于，所述步骤a还包括以下步骤：

若原始红外图像的背景过大，且位于其上的小目标有规律的分布时，则可基于顶帽运算进行背景提取；包括打开顶帽操作和关闭顶帽操作，其中：

打开顶帽操作的公式为：OTH(x,y)＝(I-S·I)(x,y)；

关闭顶帽操作的公式为：CTH(x,y)＝(I·S-I)(x,y)。

4.根据权利要求1或2所述的基于马尔科夫随机场和视觉对比机制的小目标检测方法，其特征在于，所述步骤b包括以下步骤：

b11、围绕疑似目标的区域块中以像素x_i(i＝1,2…N)为中心的区域块V₀定义一个图像块V，该图像块V的边长是区域块V₀的3倍；

b12、以图像块V为中心，并作为目标区域，以图像块V的邻域作为背景区域，计算该图像块V的局部对比度值，其公式如下：

其中，C₀为目标区域和背景区域的局部对比度值，L_n为图像块V内的最大像素值，M₀为目标区域的像素均值，M_i为背景区域的像素均值；

b13、若图像块V是目标区域，则对目标图像块V进行增强；若图像块V不是目标区域，则对背景区域进行抑制；进而生成显著性图；

b14、对显著性图进行阈值分割获取感兴趣区域，该分割公式如下：

T＝μ+kσ；

其中，T为感兴趣区域，μ表示输入图像的均值，σ表示标准差，k为常数。

5.根据权利要求1或2所述的基于马尔科夫随机场和视觉对比机制的小目标检测方法，其特征在于，所述步骤c包括以下步骤：

c11、获取帧间差分图像，提取连续的三帧图像I(t-1)、I(t)和I(t+1)，分别计算连续两帧图像之间的差分运算，得到运动区域M_R；计算公式如下：

d(t,t-1)[x,y]＝|I(t)[x,y]-I(t-1)[x,y]|

d(t+1,t)[x,y]＝I(t+1)[x,y]-I(t)[x,y]

M_R[x,y]＝d(t,t-1)[x,y]∩d(t,t+1)[x,y]；

其中，M_R[x,y]为运动区域，d为差分值；

c12、以时刻为时间基准，选取t时刻前后三帧的图像作为获取差分图像的图像帧，获取完整的所以为了获取完整的运动目标区域T(x,y)；计算公式如下：

c13、对差分图像进行MRF建模。

6.根据权利要求5所述的基于马尔科夫随机场和视觉对比机制的小目标检测方法，其特征在于，所述步骤c13的建模方法包括以下步骤：

c131、构造先验模型，构造公式如下：

p(x_i|x_j,j≠i,j∈S)＝p(x_i|x_j,j∈η)；

P(x_i)>0；

其中，P(x)为先验模型，S为给定图像中所有图像位置点的集合，x为图像位置集合S上的随机场，η为图像位置集合S上的邻域系统；

c132、根据MRF和Gibbs随机场的等价原理，x的联合概率P(x)服从Gibbs分布，因此，

其中，Z＝∑_xexp(-∑_c∈CVc(x))为归一化函数，c为簇，C为所有簇的集合，Vc(x)为定义在簇c上的势函数，U(x)为能量函数；

c133、构造观测模型，基于二阶领域模型计算势函数

其中，β为耦合系数，表示领域内相邻像素的惩罚程度；

c134、对单图像位置或局部图像区域中的观测图像进行建模，即

p(y|x)＝∏_i∈Spy_i|x_i)；

c135、将联合观测模型p(y|x)简化表示为局部模型，基于高斯或混合高斯分布对局部观测图像进行建模，获得

其中，μ_i和分别表示被标记为m区域的均值和方差，N_m表示被标记m类的像素个数，y为像素的灰度值；

因此，其中，N(μ_m,σ_m)表示具有均值为μ_m，方差为σ_m的高斯分布，M为混合分布中高斯分布的数目，σ_m为第m个高斯分布的权值；

c136、在先验模型和观测模型构建完毕后，可依据最大后验准则，对图像进行标记处理。

7.根据权利要求6所述的基于马尔科夫随机场和视觉对比机制的小目标检测方法，其特征在于，先验模型和观测模型构建完毕后，还包括以下步骤：

基于ICM算法求解马尔可夫模型局部能量最小化。

8.根据权利要求1或2所述的基于马尔科夫随机场和视觉对比机制的小目标检测方法，其特征在于，所述步骤d包括以下步骤：

d11、对空间域的显著性图和时域分割出来的结果进行融合，对于空间域显著性图中的疑似目标区域S_i和时域中的分割标记T_i取交集部分，得到运动目标；

d12、对于空间域的显著区域R_i和时域分割出的区域M_i，分别求其中心坐标和计算两点之间的距离；

d13、当两点距离中心距离取最小值时，则对应在显著性图中区域以为中心的显著区域为运动目标，即：