CN110728668B - 一种小目标形态保持的空域高通滤波器 - Google Patents

Abstract

本发明公开了一种小目标形态保持的空域高通滤波器，属于图像处理、计算机视觉领域。由于探测器固定图案噪声、背景杂散光、背景干扰物的存在，给小目标(小于81个像元)探测和定位带来挑战。传统方法采用先探测再定位的算法规避背景的影响，高通滤波器对小目标探测，进一步在原始图像上设置回形窗获取小目标的坐标。本发明的空域高通滤波器在拉普拉斯模板的基础上，增加了小目标信号过渡区和背景估计算法。该滤波器同时抑制背景和保持小目标形态，并在图像数据处理步骤中合并了探测和定位。该滤波器适用于星敏感器和红外观测相机在复杂背景下，对弱小目标的探测和定位。

Description

一种小目标形态保持的空域高通滤波器

技术领域

本发明属于图像处理、计算机视觉领域，具体涉及一种小目标形态保持的空域高通滤波器。

背景技术

根据国际光学工程学会(Society of Photo-Optical InstrumentationEngineers,SPIE)的定义，把图像中面积不大于80个像元的目标称为小目标。典型的小目标包括星敏感器观测的恒星和红外相机探测的远距离目标。星敏感器提取恒星数目和位置精度决定了星敏感器姿态测量精度。为了保证探测能力和姿态测量精度，恒星像弥散在少数像元(<5×5pixels)中，形成小目标图像。对远距离的红外小目标进行高检测率、低虚警率的检测、快速定位，是实现有效探测或制导的基本需求和发展方向。由于探测器固定图案噪声、背景杂散光、背景干扰物的存在，小目标检测和定位始终面临非常大的困难，使得小目标检测和定位成为图像处理领域研究热点之一。

传统方法采用先探测再定位的算法规避背景的影响，高通滤波(见图2归一化的拉普拉斯(Laplace)算子)是一种简单的空域小目标检测方法。其滤波过程可描述为：由每个像素(中心像素)灰度值减去其邻域(四连通对应图2(a),八连通对应图2(b))内各个像素的灰度平均值。由于小目标边界与背景灰度相差很大，在小目标边界附近出现较大的数值，而变化缓慢的区域，包括背景区域和小目标内部，差值很小。

理论上，坐标点x处的像素点灰度值可以表示为：

其中，f_T>0和f_B>0分别表示为目标信号和缓变背景。n为均值为零的高斯白噪声。Ω_T和Ω_B分别表示目标区域和背景区域。

如果目标的信号全部能量集中在一个像素上，当模板中心在目标像元上时，归一化的拉普拉斯算子可以描述为：先对模板边界灰度进行低通滤波估计目标像元处的背景

目标处的总灰度f(Ω_T)减去背景

估计目标信号

根据背景缓变的假设和噪声的特性可知：

而与目标不连通的背景区域

其中，E[*]表示期望。

如果目标的信号分布在多个像元上，当模板中心在目标像元上时，模板边界内包含有目标信号，此时

则

滤波后的目标信号能量下降，导致微弱的小目标探测出现漏警；而信号强的小目标即便实现探测，但是滤波后形态改变

还需在原始图像上设置回形窗获取小目标的坐标。而与本发明相似的鲁宾逊滤波器(Robinson Filter)虽然也具有信号过渡区，但是它不是小目标形态保持滤波器，特别是在小目标周围存在噪点时，小目标探测会出现很高的漏警。

发明内容

本发明的目的是：针对上述小目标探测和定位方法存在的问题，提供一种运算速度快、易于硬件实现的小目标探测和定位方法。该滤波器同时抑制背景和保持小目标形态，并在图像数据处理中合并了探测和定位的步骤，所以只需对图像进行单次扫描。

本发明采用的技术方案是：一种小目标形态保持的空域高通滤波器，包含两个基本模型组件——小目标形态保持模型和图像数据处理模型。具体步骤如下：

1、小目标形态保持模型

小目标信号分布在多个像元上，使用拉普拉斯算子(见图2)作为小目标信号检测模板，当模板中心在小目标像元上，模板边界上包含有小目标信号。滤波后的目标信号能量下降，导致微弱的小目标探测出现漏警；而信号强的小目标即便实现探测，但是滤波后形态发生改变，还需在原始图像上设置回形窗获取小目标的坐标。

在本发明中将拉普拉斯模板的边界向外扩张，在模板中心与模板边界之间增加信号空心环，形成小目标信号过渡区(Signal Transition Zone,STZ)，使得当模板中心在目标像元上时，模板边界上不包含小目标信号；同时为了不因模板扩张增加计算量，对模板边界进行了采样(见图3)。在本发明中将以上扩张的模板命名为朴素信号保持滤波器(

Signal Protection Filter,NSPF)。可以证明朴素信号保持滤波器小目标形态保持充分条件：假设小目标的外接矩形尺寸为a_TH×a_TV，朴素信号保持滤波器模板尺寸为a_M×a_M(以下讨论均假设滤波器模板为正方形)，则当模板中心在目标中心像元上时，只要a_M≥2max{a_TH,a_TV}+1，朴素信号保持滤波器模板边界上不包含目标信号。其中，max{*,*}表示取两者中的最大值。随着模板尺寸的增加，模板边界估计模板中心像元处的背景的精度随之下降，所以在满足小目标形态保持条件下，应尽量使用小模板，对于朴素信号保持滤波器，a_M＝2max{a_TH,a_TV}+1。如图3，小目标的外接矩形尺寸a_TH×a_TV＝3×3，则朴素信号保持滤波器模板应该设置为a_M×a_M＝7×7。

另外，经过朴素信号保持滤波器滤波后的图像，不可避免的会引入两种伪像：

(a)当模板边界与小目标相交时，会在模板中心形成低于零均值的目标镜像(见图4)，由于低于零均值，因此并不影响小目标的检测；

(b)若背景中存在盲元(在长波红外相机中很常见)，经过朴素信号保持滤波器滤波后的图像，在盲元附近会出现多个亮的伪像(见图5)。与目标伪像不同，盲元伪像会干扰小目标的检测。

为了克服朴素信号保持滤波器产生的伪像，同时降低朴素信号保持滤波器的模板尺寸的要求，以提高背景估计精度。在朴素信号保持滤波器的基础上，提出了模板边界中值滤波算法，假设朴素信号保持滤波器模板大小为a_M×a_M，模板中心的像素灰度为f₀，模板边界点集灰度为

按亮度排序后的灰度分别为{f_sort,i|1≤i≤8}，模板中心处的背景估计值为：

而模板中心处的小目标信号估计值为：

模板边界中值滤波算法将目标像素点或者盲元从模板边界点集中扣除，克服了伪像问题。进一步，可以证明对于小目标，当：

a_M≥min{a_rect,a_squre}， (5)

经过式(4)模板滤波后的图像具有保持小目标形态的特征。

其中，a_rect＝2min{a_TH,a_TV}+1，

min{*,*}和max{*,*}分别表示取两者中的最小值和最大值。

它允许模板边界里包含有小目标信号，减少了信号过渡区的范围，进而降低了模板大小的限制，将此改进的模板命名为信号保持滤波器(Signal Protection Filter,SPF)。如图3的目标的外接矩形尺寸大小为3×3pixels，信号保持滤波最小的模板尺寸是a_M＝5，而朴素信号保持滤波器则需要a_M＝7。外接矩形尺寸大小为9×9pixels的目标，最小的信号保持滤波模板尺寸是a_M＝11，而朴素信号保持滤波器则需要a_M＝19。

2、图像数据处理模型

在信号保持滤波器模型的基础上，数据处理的步骤(见图1)如下：

步骤1、在暗背景下，对探测器噪声的特性进行标定，获得暗背景下的图像噪声均方差σ，设置图像分割阈值

T＝k·σ， (6)

其中，k为一常数，与小目标信噪比和滤波后的图像残余背景均有关系，一般取4≤k≤8；

步骤2、针对观测相机面向的场景，估计目标的尺寸，假设小目标的外接矩形尺寸大小为a_TH×a_TV，则设置形态保持的空域高通滤波器的正方模板尺寸：

a_M＝min{a_rect,a_squre}， (7)

其中，

a_rect＝2min{a_TH,a_TV}+1， (8)

其中，min{*,*}和max{*,*}分别表示取两者中的最小值和最大值；

步骤3、对图像进行逐点扫描。假设模板中心像素灰度为f₀，模板边界点集灰度为

按亮度排序后的灰度为{f_sort,i|1≤i≤8}，则模板中心处的信号估计值为

步骤4、在步骤3对图像进行逐点扫描时，对滤波后的像素点完成分割，

为目标像素点，

为背景像素点。同时对目标点进行游程编码；

步骤5、采用八连通方式判据，对小目标的游程编码进行聚类，计算目标质心。假设坐标为(m,n)像素点滤波后的灰度为

经过聚类后，第p个目标的区域记为Ω_T,p,则它的质心估计为

本发明与现有技术相比的优点是：

(a)信号保持滤波器同时抑制背景和保持小目标形态，有利于小目标检测；

(b)不需在原始图像上设置回形窗获取小目标的坐标，在高通滤波过程中同时完成目标分割，合并了探测和定位的步骤。

附图说明

图1为本发明的小目标形态保持方法的基础上引入图像数据处理方法的算法步骤。

图2为典型的归一化的拉普拉斯算子。其中，图2(a)为四邻域的拉普拉斯算子，图2(b)为八邻域的拉普拉斯算子。本发明的一种小目标形态保持的空域高通滤波器所使用的滤波模板在图2(b)的基础上进行改进。

图3为本发明的一种小目标形态保持的空域高通滤波器的朴素信号保持滤波器示意图。

图4揭示了本发明的一种小目标形态保持的空域高通滤波器中，使用朴素信号保持滤波器后，小目标附近的伪像成因。

图5揭示了本发明的一种小目标形态保持的空域高通滤波器中，使用朴素信号保持滤波器后，盲元附近的伪像成因。

图6为本发明的一种小目标形态保持的空域高通滤波器的信号保持滤波器示意图。

图7为第一个实施例。其中，图7(a)为原始红外小目标图像。图7(b)为原始红外小目标图像白色框中的图像局部放大。图7(c)～图7(h)为采用拉普拉斯算子为滤波器的探测和定位方法，图7(c)为拉普拉斯算子(图2(b))滤波后的图像，图7(f)为滤波后的图像白色框中的局部放大。图7(d)为原始图像减去拉普拉斯算子(图2(b))滤波后的图像的背景图像，图7(g)为背景图像白色框中的局部放大。图7(e)和图7(h)分别为整幅图像和目标区域分割结果。图7(i)～图7(n)为信号保持滤波器的探测和定位方法，图7(i)为信号保持滤波器滤波后的图像，图7(l)为滤波后的图像白色框中的局部放大。

图7(j)为原始图像减去保持滤波器滤波后的图像的背景图像，图7(m)为背景图像白色框中的局部放大。图7(k)和图7(n)分别为整幅图像和目标区域分割结果。

图8为第二个实施例，以拉普拉斯算子为滤波器的探测和定位方法，与本发明的一种小目标形态保持的空域高通滤波器，在多帧星图中提取的恒星数目的对比。整体上看，本发明的方法提取的恒星数目明显多于现有的方法。

图9为第二个实施例，以拉普拉斯算子为滤波器的探测和定位方法，与本发明的一种小目标形态保持的空域高通滤波器，在第一帧星图中恒星提取结果对比(见白色恒星定位框)。其中，图9(a)为采用拉普拉斯滤波器提取的恒星分布，图9(b)为采用本发明的一种小目标形态保持的空域高通滤波器提取的恒星分布。

具体实施方式

下面对本发明的更多细节进行说明。本发明提出一种小目标形态保持的空域高通滤波器，适应于星敏感器和红外观测相机。理论上，小目标形态保持的空域高通滤波器可以通过硬件(FPGA)完成，但是为了缩短开发的周期，FPGA实现信号保持滤波、图像分割和游程编码，而DSP完成相关参数计算、游程八连通聚类和计算质心位置。结合以上信号处理方案和信号保持滤波模型，具体实施方式的数据处理步骤(见图1)如下：

步骤1、在暗背景下，对探测器噪声的特性进行标定，获得暗背景下的图像噪声均方差σ。由于信号保持滤波器滤波后图像已经去除背景的均值成分，设置信号保持滤波器滤波后图像分割阈值：

T＝k·σ， (12)

其中，k为一常数，与小目标信噪比和滤波后的图像残余背景均有关系。在本发明中采用模板边界估计模板中心像元处的背景，将模板尺寸由3×3拉普拉斯模板增加到了a_rect＝2min{a_TH,a_TV}+1≥3，背景估计精度随之下降，经过信号保持滤波器滤波后图像不可避免的引入了背景的高频成分，而非完全是随机噪声，因此滤波后的图像统计的背景均方差σ_r>σ。根据可获得的星图和红外小目标图像数据进行统计，

和实际分割效果试验，将k设置为4≤k≤8；

步骤2、针对观测相机面向的场景，估计目标的尺寸，假设小目标的外接矩形尺寸大小为a_TH×a_TV，则设置形态保持的空域高通滤波器的正方模板尺寸：

a_M＝min{a_rect,a_squre}， (13)

其中，

a_rect＝2min{a_TH,a_TV}+1， (14)

其中，min{*,*}和max{*,*}分别表示取两者中的最小值和最大值。式(13)给出了信号保持滤波器信号保持的充分条件，而当小目标边界和背景很接近，a_M有进一步减小的空间；

步骤3、对图像进行逐点扫描。假设模板中心像素灰度为f₀，模板边界点集灰度为

按亮度排序后的灰度为{f_sort,i|1≤i≤8}，则模板中心处的信号估计值为：

步骤4、在步骤3对图像进行逐点扫描时，对滤波后的像素点完成分割，

为目标像素点，

为背景像素点。同时对目标点进行游程编码；

步骤5、采用八连通方式判据，对小目标的游程编码进行聚类，计算目标质心。假设坐标为(m,n)像素点滤波后的灰度为

经过聚类后，第p个目标的区域记为Ω_T,p,则它的质心估计为

由于面向小目标聚类，聚类搜索范围位于相邻的少数几行，因此相对面目标来说，本部分算法运算效率会很高。

以上步骤中，FPGA完成了步骤3和步骤4，而DSP完成了其他步骤。

实施例：

本节通过仿真和实测数据验证方法有效性。具体的实施过程的范例见以上“具体实施方式”这一节。

在第一个测试用例中，涉及到复杂背景下的红外小目标(图7(a)(b))，使用拉普拉斯算子(图2(b))和小目标形态保持的空域高通滤波器(模板尺寸a_M×a_M＝7×7pixels)分别对原始图像进行处理。经过拉普拉斯算子滤波后的图像，小目标形态已经发生改变(图7(c)(f)),小目标的大部分能量已经泄漏到背景(图7(d)(g))中，导致分割出的小目标形态完全改变，必须在原图像开回形窗进行图像分割对目标准确定位。而信号保持滤波器滤波后的图像中的小目标形态未发生改变(图7(i)(l))，背景中无明显的小目标成分(图7(j)(m))，最终，通过对滤波后的图像阈值分割(分割阈值参数k＝4.0)，正确的提取小了目标(图7(k)(n))。

另外，相对于拉普拉斯算子滤波后的图像(图7(c))，信号保持滤波器后的图像包含有少量的背景高频成分(图7(i))，这是由于随着模板尺寸增加，模板边界估计模板中心的背景精度下降。使用本发明的滤波器时，需在探测能力和定位精度折中。在本用例中，红外小目标实际尺寸a_TH×a_TV＝9×9pixels，而采用的模板尺寸为a_M×a_M＝7×7pixels，未将小目标信号中与背景接近的边界计入目标中，相当于小目标信号有效部分尺寸为6×6pixels，依旧能获得很好的结果。进一步，为了获得更优的结果，改进的方法包括：

(a)自适应小目标形态保持滤波器——不同空间位置使用不同尺寸的滤波器；

(b)多分辨小目标形态保持滤波器——相同空间位置使用不同尺寸的滤波器，最后按照一定原则合成；

(c)在获得的质心位置进一步开回形窗降低小目标虚警，如减少红外图像中云层强边沿存在误判为小目标的情况。

但是，这与本发明高效和简洁的初衷相违背，故不作进一步讨论。

在第二个测试用例中，使用了一款大气层内工作的高动态星敏感器。由于复杂的光环境，为了防止亮背景下，图像发生饱和；同时确保高动态(≥3°/s)下姿态测量精度，相机采用短积分时间曝光。采用了CMOS探测器减少整机设备的体积和重量。探测器平面进行了适当离焦，使得恒星像斑分散在多个像元上，以保证质心提取精度。

表1星敏感器基本参数

在仿真实验中，将星敏感器对准恒星模拟器(中心指向：赤经：200°(约)，赤纬：10°(约)，星模拟器小于5.5Mv约20颗)，模仿星敏感器按3°/s进行姿态运动，同时进行图像采集，连续获得30帧图像(帧频10Hz)。采用了两种方法对比：

(a)采用拉普拉斯算子(图2(b))高通滤波器进行恒星探测，再进行开回形小窗对恒星定位；

(b)采用小目标形态保持的空域高通滤波器(模板尺寸a_M×a_M＝5×5pixels)直接获得恒星坐标。

图像分割阈值参数设置为k＝4.0。由于恒星像斑分散在多个像元上，同时在低分割门下CMOS图像存在大量的孤立噪点——理论上，在假设噪声为高斯分布的情况下，圆视场内约有100个孤立噪点，已经远大于恒星像斑数目，所以在本测试用例中，直接剔除了单个孤立点。

采用拉普拉斯算子(图2(b))进行图像滤波，当模板中心位于恒星弥散像元处时，由于模板边界包含恒星弥散斑的能量信息，高通滤波后的恒星弥散斑能量下降，出现类似于孤立噪点的能量分布，在剔除噪点时也会将大部分恒星像点剔除(图8和图9(a))；而采用小目标形态保持的空域高通滤波器滤波后的星像点保持原有恒星的弥散斑的能量分布，经过阈值分割后的二值图像保证在大多数恒星弥散斑处依旧大于一个像素，有效区分了恒星像点和噪点(图8和图9(b))，高效的完成恒星的探测和定位。

Claims (1)

1.一种使用空域高通滤波器检测小目标的方法，其特征在于，包括：

图像数据处理过程：

步骤1、在暗背景下，对探测器噪声的特性进行标定，获得暗背景下的图像噪声均方差σ，设置图像分割阈值：

T＝k·σ， (4)

其中，k为一常数，与小目标信噪比和滤波后的图像残余背景均有关系，取4≤k≤8；

步骤2、针对观测相机面向的场景，估计目标的尺寸，假设小目标的外接矩形尺寸大小为a_TH×a_TV，则设置形态保持的空域高通滤波器的正方模板尺寸：

a_M＝min{a_rect,a_squre}， (5)

其中，

a_rect＝2min{a_TH,a_TV}+1， (6)

其中，min{*,*}和max{*,*}分别表示取两者中的最小值和最大值；

步骤3、对图像进行逐点扫描，假设模板中心像素灰度为f₀，模板边界点集灰度为

按亮度排序后的灰度为{f_sort,i|1≤i≤8}，则模板中心处的信号估计值为：

步骤4、在步骤3对图像进行逐点扫描时，对滤波后的像素点完成分割，

为目标像素点，

为背景像素点，同时对目标点进行游程编码；

步骤5、采用八连通方式判据，对小目标的游程编码进行聚类，计算目标质心，假设坐标为(m,n)像素点滤波后的灰度为

经过聚类后，第p个目标的区域记为Ω_T,p,则它的质心估计为

Images