CN110660028B - 一种基于联合边缘滤波形态学的小目标检测方法 - Google Patents

Abstract

本发明公开了图像处理技术领域的一种基于联合边缘滤波形态学的小目标检测方法，旨在解决现有技术中对小目标识别难度大、准确率低的技术问题。所述方法包括如下步骤：利用联合边缘滤波函数对原图像的局部像素进行运算，生成原图像的结构元素矩阵；利用原图像的结构元素矩阵对原图像进行联合边缘滤波形态学腐蚀，获取腐蚀后图像，作为背景图像；基于原图像和背景图像进行顶帽变换，获取结果图像；利用自适应阈值对结果图像进行目标识别。

Description

一种基于联合边缘滤波形态学的小目标检测方法

技术领域

本发明涉及一种基于联合边缘滤波形态学的小目标检测方法，属于图像处理技术领域。

背景技术

近年来，红外热成像技术越来越广泛地应用于各个领域，其中红外小目标检测技术在红外搜索与跟踪、红外告警和精确制导等系统中发挥了关键性作用。以机载航空武器为例，为尽早发现空中和地面目标，以争取足够多的反应时间，势必要延长目标的识别距离，而远距离目标在视场中常常以小目标的形态出现，由于小目标的对比度一般都很低，难以可靠、稳定地检测并跟踪；同时，由于目标物和周围环境存在热交换，空气对热辐射有着散射和吸收作用，同时受到战场复杂环境、探测器内部噪声等多重因素影响，致使红外图象中的目标图像往往只占有一个或几个像素的面积，目标与背景之间的对比度较低，边缘模糊，导致目标图像几乎淹没在杂波背景中，不具有形状和结构信息，有时甚至可能丢失目标。因此，在红外小目标检测过程中，可利用信息主要为“面”信息以及灰度和运动信息，给小目标检测带来了很大的难度。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于联合边缘滤波形态学的小目标检测方法，以解决现有技术中对小目标识别难度大、准确率低的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于联合边缘滤波形态学的小目标检测方法，包括如下步骤：

利用联合边缘滤波函数对原图像的局部像素进行运算，生成原图像的结构元素矩阵；

利用原图像的结构元素矩阵对原图像进行联合边缘滤波形态学腐蚀，获取腐蚀后图像，作为背景图像；

基于原图像和背景图像进行顶帽变换，获取结果图像；

利用自适应阈值对结果图像进行目标识别。

进一步地，还包括：

利用联合边缘滤波函数对腐蚀后图像的局部像素进行运算，生成腐蚀后图像的结构元素矩阵；

利用腐蚀后图像的结构元素矩阵对腐蚀后图像进行联合边缘滤波形态学膨胀，获取膨胀后图像，作为背景图像。

进一步地，利用联合边缘滤波函数对原图像的局部像素进行运算，生成原图像的结构元素矩阵，包括：

选取与形态学结构元素大小相同的操作区域对原图像遍历，所述操作区域大于目标；

以联合边缘滤波函数作为结构元素函数，基于原图像的局部像素生成局部结构元素；

遍历操作区域内像素，基于局部结构元素生成原图像的结构元素矩阵。

进一步地，利用联合边缘滤波函数对原图像的局部像素进行运算，生成原图像的结构元素矩阵，还包括：对原图像像素进行归一化处理。

进一步地，对原图像像素进行归一化处理，包括：将原图像像素的灰度级除以256，作为像素的值。

进一步地，所述局部结构元素，其表达式如下：

式中，B(x_i,y_i)为原图像中局部像素i所对应结构元素的值，σ_r和σ_s为系数，所述σ_r包括1，所述σ_s包括4，f(x_o,y_o)为操作区域内中心像素的值，f(x_i,y_j)为操作区域内边缘像素的值，k为操作区域内像素个数。

进一步地，利用原图像的结构元素矩阵对原图像进行联合边缘滤波形态学腐蚀，获取腐蚀后图像，包括：

选取与形态学结构元素大小相同的操作区域对原图像遍历，所述操作区域大于目标；

从原图像的结构元素矩阵中提取结构元素的值，将其与原图像中对应位置像素的值进行作差操作后取最小值，作为操作区域内中心像素的值；

遍历操作区域内像素，基于操作区域内中心像素的值获取腐蚀后图像；

所述操作区域内中心像素，其表达式包括：

式中，(f⊙B)(x,y)为操作区域内中心像素的值，⊙表示腐蚀操作，f为原图像函数，B为原图像的结构元素矩阵函数。

进一步地，利用腐蚀后图像的结构元素矩阵对腐蚀后图像进行联合边缘滤波形态学膨胀，获取膨胀后图像，包括：

选取与形态学结构元素大小相同的操作区域对腐蚀后图像遍历，所述操作区域大于目标；

从腐蚀后图像的结构元素矩阵中提取结构元素的值，将其与腐蚀后图像中对应位置像素的值进行作差操作后取最大值，作为操作区域内中心像素的值；

遍历操作区域内像素，基于操作区域内中心像素的值获取膨胀后图像；

所述操作区域内中心像素，其表达式包括：

式中，

为操作区域内中心像素的值，

表示膨胀操作，f′为腐蚀后图像函数，B′为腐蚀后图像的结构元素矩阵函数。

进一步地，基于原图像和背景图像进行顶帽变换，获取结果图像，包括：将原图像与背景图像进行作差，获取原图像顶帽变换后的滤波图像，作为结果图像；

所述结果图像，其表达式包括：

式中，O-Top_f,B(x,y)为经开帽变换的结果图像，用于获取亮度大于背景图像的小目标，O-Top为开帽变换操作；C-Top_f′,B′(x,y)为经闭帽变换的结果图像，用于获取亮度小于背景图像的小目标，C-Top为闭帽变换操作；f(x,y)为原图像，

为腐蚀后图像，

为膨胀后图像，f为原图像函数，B为原图像的结构元素矩阵函数，f′为腐蚀后图像函数，B′为腐蚀后图像的结构元素矩阵函数，⊙表示腐蚀操作，

表示膨胀操作。

进一步地，利用自适应阈值对结果图像进行目标识别，包括：提取结果图像中像素值大于所述阈值的像素，作为目标像素；

所述阈值，其表达式包括：

式中，T为阈值，

为结果图像中像素的均值，σ为结果图像中像素值的标准差，C为阈值参数。

与现有技术相比，本发明所达到的有益效果：引入了新型的联合边缘滤波函数，不仅能够有效提取原图像的局部信息，同时针对传统形态学中结构元素的单一性问题，利用该滤波核函数用于构建结构元素，使得形态学结构元素具有基于局部特征的自适应性；并且，将非线性形态学滤波的特性与线性联合边缘滤波的特性相结合，有利于更加有效地通过图像地纹理信息来检测小目标。综上所述，本发明方法识别小目标准确性更高，并且复杂程度低，实现简单，具有较快的计算速度。

附图说明

图1是本发明具体实施方式提供的一种基于联合边缘滤波形态学的小目标检测方法流程图；

图2是本发明实施例中边长为5的窗口结构图；

图3是本发明实施例中的原图像1及其三维图；

图4是本发明实施例中原图像1的目标识别图像及其三维图；

图5是本发明实施例中的原图像2及其三维图；

图6是本发明实施例中原图像2的目标识别图像及其三维图；

图7是本发明实施例中本发明方法与其它方法的识别结果对比图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围；

如图1所示，是本发明具体实施方式提供的一种基于联合边缘滤波形态学的小目标检测方法流程图，所述方法包括如下步骤：

步骤一，利用联合边缘滤波函数对原图像的局部像素进行运算，生成原图像的结构元素矩阵。具体包括：

(1)选取与形态学结构元素大小相同的操作区域对原图像遍历，操作区域大小与目标大小有关，通常稍大于目标即可；本实施例中，所述操作区域为稍大于目标的边长为R的正方形窗口(R为奇数)，如图2所示，是本发明实施例中边长为5的窗口结构图，存储窗口中心像素值及其位置(p,p)，p＝(R+1)/2；

(2)为方便后续计算，对原图像中的所有像素进行归一化处理；本实施例中，在操作区域中将原256灰度级图像除以256，即原图像中的像素值被量化为0到1之间；

(3)以联合边缘滤波函数作为结构元素函数，基于原图像的局部像素生成局部结构元素；

(4)遍历窗口内像素，基于局部结构元素生成局部结构元素矩阵；

所述局部结构元素，其表达式如下：

式中，

为高斯核函数，用来计算窗口中心像素相与周边每一个像素的差异，B(x_i,y_i)为原图像中局部像素i所对应结构元素的值，σ_r和σ_s为系数，本实施例进行测试时，σ_r取1，σ_s取4，f(x_o,y_o)为窗口内中心像素的值，f(x_i,y_j)为窗口内边缘像素的值，k为操作区域内像素个数，m和n为周边某个像素相对于中心像素的位置偏移量。对窗口内的像素进行上述运算后，窗口内中心像素与周边像素的差异信息，以及周边相邻像素的差异信息便存储在了结构元素中，中心像素与周围像素差异越大，第一项权重越小，相邻像素之间的差异越大，第二项权值越大。

步骤二，利用原图像的结构元素矩阵对原图像进行联合边缘滤波形态学腐蚀，获取腐蚀后图像。具体包括：

(1)利用上述边长为R的正方形窗口对原图像遍历；

(2)从原图像的结构元素矩阵中提取结构元素的值，将其与原图像中对应位置像素的值进行作差操作后取最小值，作为窗口中心像素的值；

(3)遍历原图像，基于窗口中心像素的值获取腐蚀后图像；

本步骤中，所述窗口中心像素，其表达式如下：

式中，(f⊙B)(x,y)为窗口中心像素的值，⊙表示腐蚀操作，f为原图像函数，B为原图像的结构元素矩阵函数。

步骤三，利用联合边缘滤波函数对腐蚀后图像的局部像素进行运算，生成腐蚀后图像的结构元素矩阵。该步骤中，除提取对象为腐蚀后图像(即对腐蚀后图像遍历)外，其余部分与步骤一相同。

步骤四，利用腐蚀后图像的结构元素矩阵对腐蚀后图像进行联合边缘滤波形态学膨胀，获取膨胀后图像。具体包括：

(1)利用上述边长为R的正方形窗口对腐蚀后图像遍历；

(2)从腐蚀后图像的结构元素矩阵中提取结构元素的值，将其与腐蚀后图像中对应位置像素的值进行作差操作后取最大值，作为窗口中心像素的值；

(3)遍历腐蚀后图像，基于窗口中心像素的值获取膨胀后图像；

本步骤中，所述窗口中心像素，其表达式如下：

式中，

为窗口中心像素的值，

表示膨胀操作，f′为腐蚀后图像函数，B′为腐蚀后图像的结构元素矩阵函数。

在进行腐蚀或膨胀操作后，原图像中尺寸接近结构元素的区域会被移除(包括目标)，从而获得一幅背景图像。

步骤五，基于原图像和背景图像进行顶帽变换，获取结果图像。具体包括：

将原图像与背景图像进行作差，获取原图像顶帽变换后的滤波图像，作为结果图像，该结果图像为显著目标图像，其表达式如下：

式中，O-Top_f,B(x,y)为经开帽变换的结果图像，用于获取相对于背景图像较亮的小目标，适用于小目标检测的大多数情形，O-Top为开帽变换操作；C-Top_f′,B′(x,y)为经闭帽变换的结果图像，用于获取相对于背景图像较暗的小目标，适用情形较少，C-Top为闭帽变换操作；f(x,y)为原图像，

为腐蚀后图像，

为膨胀后图像。

步骤六，利用自适应阈值对结果图像进行目标识别，即：提取结果图像中像素值大于所述阈值的像素，作为目标像素；

所述阈值，其表达式包括：

式中，T为阈值，

为结果图像中像素的均值，σ为结果图像中像素值的标准差，C为阈值参数，需根据测试结果在1至10范围内进行人工设定。

如图3和图5所示，分别是本发明实施例中的原图像1、原图像2及其对应的三维图，在采用本发明方法对上述两幅原图像进行小目标检测过程中，由于两幅原图像中的目标亮度均大于背景图像，因而均采用本发明方法中的开帽变换获取结果图像，再利用自适应阈值对结果图像进行目标识别。其中，对原图像1进行小目标检测获取的目标识别图像及其三维图如图4所示，对原图像2进行小目标检测获取的目标识别图像及其三维图如图6所示，通过原图像1和原图像2的目标识别图像可以看出，目标与背景之间的对比度较高，边缘清晰，能够快速识别目标。

如图7所示，是本发明实施例中本发明方法与其它方法的识别结果对比图，图中的输入图像即本发明实施例中的原图像1和原图像2的三维图，方法1为本发明方法，方法2为现有技术中基于环状的形态学小目标识别方法，方法3为现有技术中基于toggle算子的小目标识别方法。可以看出，本发明方法对小目标的识别效果，相对于方法2和方法3对小目标的识别效果有显著提升。

本发明方法引入了新型的联合边缘滤波函数，不仅能够有效提取原图像的局部信息，同时针对传统形态学中结构元素的单一性问题，利用该滤波核函数用于构建结构元素，使得形态学结构元素具有基于局部特征的自适应性；并且，将非线性形态学滤波的特性与线性联合边缘滤波的特性相结合，有利于更加有效地通过图像地纹理信息来检测小目标。综上所述，本发明方法识别小目标准确性更高，并且复杂程度低，实现简单，具有较快的计算速度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于联合边缘滤波形态学的小目标检测方法，其特征是，包括如下步骤：

利用联合边缘滤波函数对原图像的局部像素进行运算，生成原图像的结构元素矩阵；

利用原图像的结构元素矩阵对原图像进行联合边缘滤波形态学腐蚀，获取腐蚀后图像，作为背景图像；

基于原图像和背景图像进行顶帽变换，获取结果图像；

利用自适应阈值对结果图像进行目标识别；

还包括：

利用联合边缘滤波函数对腐蚀后图像的局部像素进行运算，生成腐蚀后图像的结构元素矩阵；

利用腐蚀后图像的结构元素矩阵对腐蚀后图像进行联合边缘滤波形态学膨胀，获取膨胀后图像，作为背景图像；

利用联合边缘滤波函数对原图像的局部像素进行运算，生成原图像的结构元素矩阵，包括：

选取与形态学结构元素大小相同的操作区域对原图像遍历，所述操作区域大于目标；

以联合边缘滤波函数作为结构元素函数，基于原图像的局部像素生成局部结构元素；

遍历操作区域内像素，基于局部结构元素生成原图像的结构元素矩阵；

利用联合边缘滤波函数对原图像的局部像素进行运算，生成原图像的结构元素矩阵，还包括：对原图像像素进行归一化处理；

对原图像像素进行归一化处理，包括：将原图像像素的灰度级除以256，作为像素的值；

所述局部结构元素，其表达式如下：

式中，B(x_i,y_i)为原图像中局部像素i所对应结构元素的值，σ_r和σ_s为系数，所述σ_r包括1，所述σ_s包括4，f(x_o,y_o)为操作区域内中心像素的值，f(x_i,y_j)为操作区域内边缘像素的值，k为操作区域内像素个数。

2.根据权利要求1所述的基于联合边缘滤波形态学的小目标检测方法，其特征是，利用原图像的结构元素矩阵对原图像进行联合边缘滤波形态学腐蚀，获取腐蚀后图像，包括：

选取与形态学结构元素大小相同的操作区域对原图像遍历，所述操作区域大于目标；

从原图像的结构元素矩阵中提取结构元素的值，将其与原图像中对应位置像素的值进行作差操作后取最小值，作为操作区域内中心像素的值；

遍历操作区域内像素，基于操作区域内中心像素的值获取腐蚀后图像；

所述操作区域内中心像素，其表达式包括：

式中，(f⊙B)(x,y)为操作区域内中心像素的值，⊙表示腐蚀操作，f为原图像函数，B为原图像的结构元素矩阵函数。

3.根据权利要求1所述的基于联合边缘滤波形态学的小目标检测方法，其特征是，利用腐蚀后图像的结构元素矩阵对腐蚀后图像进行联合边缘滤波形态学膨胀，获取膨胀后图像，包括：

选取与形态学结构元素大小相同的操作区域对腐蚀后图像遍历，所述操作区域大于目标；

从腐蚀后图像的结构元素矩阵中提取结构元素的值，将其与腐蚀后图像中对应位置像素的值进行作差操作后取最大值，作为操作区域内中心像素的值；

遍历操作区域内像素，基于操作区域内中心像素的值获取膨胀后图像；

所述操作区域内中心像素，其表达式包括：

式中，

为操作区域内中心像素的值，

表示膨胀操作，f′为腐蚀后图像函数，B′为腐蚀后图像的结构元素矩阵函数。

4.根据权利要求1至3中任一项所述的基于联合边缘滤波形态学的小目标检测方法，其特征是，基于原图像和背景图像进行顶帽变换，获取结果图像，包括：将原图像与背景图像进行作差，获取原图像顶帽变换后的滤波图像，作为结果图像；

所述结果图像，其表达式包括：

式中，O-Top_f,B(x,y)为经开帽变换的结果图像，用于获取亮度大于背景图像的小目标，O-Top为开帽变换操作；C-Top_f′,B′(x,y)为经闭帽变换的结果图像，用于获取亮度小于背景图像的小目标，C-Top为闭帽变换操作；f(x,y)为原图像，

为腐蚀后图像，

为膨胀后图像，f为原图像函数，B为原图像的结构元素矩阵函数，f′为腐蚀后图像函数，B′为腐蚀后图像的结构元素矩阵函数，⊙表示腐蚀操作，

表示膨胀操作。

5.根据权利要求1至3中任一项所述的基于联合边缘滤波形态学的小目标检测方法，其特征是，利用自适应阈值对结果图像进行目标识别，包括：提取结果图像中像素值大于所述阈值的像素，作为目标像素；

所述阈值，其表达式包括：

式中，T为阈值，

为结果图像中像素的均值，σ为结果图像中像素值的标准差，C为阈值参数。

Images