CN112163606B - 基于块对比度加权的红外小目标检测的方法 - Google Patents

Abstract

本发明涉及基于块对比度加权的红外小目标检测的方法。本发明的目的是从原始红外图像中提取出感兴趣目标区域，计算其块对比度以及局部熵，利用视觉转移机制检测目标，再在检测结果基础上通过对目标进行轮廓补偿实现对小目标的粗分类，说明书摘要附图中图1为发明的具体实现流程图。

Description

基于块对比度加权的红外小目标检测的方法

技术领域：

本发明属于图像处理领域，具体地说是通过分析图像的块对比度和局部熵特征，检测图像中的小目标，并在检测结果基础上对小目标进行轮廓补偿实现对小目标的粗分类。

背景技术：

基于单帧图像的小目标检测算法一般遵循抑制背景和增强目标两个原则，根据处理域的不同可以大致分基于空间域和基于变换域。最为传统的方法是先分析背景分布的规律和特性，从而抑制背景，最终通过阈值分割实现目标检测，此类方法主要目的是去除背景干扰，适用于较为简单的红外背景检测。其中比较典型的就是一些图像处理中常用的滤波方法，如均值滤波器、中值滤波器、最大中值滤波器等；基于变换域的小波变换检测算法是通过多尺度小波分解出图像的低频部分和高频部分，再根据高频分量提取出目标，在理论仿真上具有很好地检测效果。此外，基于视觉显著性的算法也逐渐成为解决小目标检测的重要方法。根据人类视觉系统具有快速获取感兴趣信息的能力，此类算法通过模仿这种机制，在各种复杂场景中快速捕捉目标与背景差异较大的特征。

通过分析红外图像中小目标和背景可知，在复杂场景中，小目标虽然无法达到全局灰度最大，但是可以满足局部显著。由Chen等提出的基于HVS的局部对比度的算法(LCM)是采用对比度机制的经典检测方法，利用了局部最值和均值对目标局部对比度进行了增强，但是面对重杂波背景时，目标对比度可能小于孤立噪声的对比度，检测结果的虚警率过高。海面上小目标检测对我国海防有着重要的价值，所以对海面小目标检测算法的研究有着重要意义。

小目标的纹理特征能够表示小目标中各灰度值像素分布的特点及相对位置关系。近海的海杂波、船尾迹、高亮度噪声与小目标的内部纹理特征存在差异。本发明通过分析海面上干扰以及小目标特征，计算图像的块对比度和局部熵特征并融合两大特征来检测图像中的小目标，进而利用检测结果对小目标进行轮廓补偿从而实现对小目标的粗分类。

本发明是从小目标纹理分布角度，基于近海的海杂波、船尾迹、高亮度噪声与小目标的特征差异，分析海面上干扰以及小目标特征，检测小目标并对其进行轮廓补偿从而对小目标进行粗分类的一种手段。

发明内容：

本发明的目的是从原始红外图像中的感兴趣目标区域中进行特征提取，利用视觉转移机制定位目标并通过对目标进行轮廓补偿来判断小目标所属类别。先对原始红外图像进行灰度化、去噪和同态滤波等操作对图像进行预处理。然后在此基础上计算对比度显著图和局部熵显著图，根据二者之积与自适应阈值定位小目标。最后根据矩形的宽和高计算最小外接矩形的比例特征。通过得到的数据比较和分析两类小目标特征，达到目标粗分类的目的。

本发明采用的技术方案是：

第一步：读取原始红外图像I₀，图像的大小为M×N，其中M是图像I₀的宽度像素数，N是图像I₀的高度像素数；

第二步：采用式(1)对彩色图像I₀中每个像素点的R、G、B三个通道的值进行加权，得到灰度图像I_g；

I_g＝0.29900×R+0.58700×G+0.11400×B (1)

第三步：通过窗口大小为3×3的中值滤波器对图像I_g进行去噪处理，得到的图像记为I_m；

第四步：对图像I_m进行同态滤波，得到的图像记为I_s；

第五步：设计滑动窗口对图像I_s进行遍历扫描，滑动窗口由3×3排列的9个局部块组成，滑动窗口第一行三个局部块从左到右依次编号为P₁、P₂、P₃，第二行三个局部块从左到右依次编号为P₄、P₀、P₅，第三行三个局部块从左到右依次编号为P₆、P₇、P₈，每个局部块由l×l个像素组成，l可取3～9之间的奇数；

第六步：采用滑动窗口对图像I_s从上到下、从左到右进行遍历扫描，分别通过式(2)、(3)计算块均值M₀和M_k，其中I_s(x,y)表示图像在坐标(x,y)位置的灰度值，l表示局部块的边长，采用式(4)计算P_k,k＝1,2,…8与P₀之间的对比度d_k，通过公式(5)计算中心块P₀的相邻块，通过公式(6)计算得到(x,y)处的块对比度C_xy，得到的对比度显著图记为C；

d_k＝|M₀-M_k|,{k＝1,2,…8} (4)

D_k＝min(d_k+d_9-k),{k＝1,2,3,4} (5)

C_xy＝|M₀-(M_k+M_9-k)/2| (6)

第七步：利用式(7)计算得到(x,y)处的局部熵W_xy，得到的局部熵显著图记为W；

其中的每个像素的概率密度p_ij通过式(8)来进行计算：

第八步：采用式(9)计算得到WPCM显著图，C表示对比度显著图，W表示局部熵显著图；

WPCM＝C×W (9)

第九步：采用式(10)计算得到自适应阈值Th，M_W表示WPCM显著图的平均灰度值，σ表示WPCM显著图的均方差，I_smax(x,y)表示WPCM显著图中的最大值，λ表示调节因子，根据经验λ∈[0.45,1.0]；

Th＝λ(I_smax(x,y)-M_W)+σ (10)

第十步：利用WPCM显著图和Th定位小目标，具体操作过程如下：

(a)找到WPCM显著图的最大值和其位置(x,y)，如果WPCM(x,y)≥Th则输出(x,y)作为小目标中心；

(b)用0禁止(x,y)及其相邻区域，即WPCM(x-r:x+r,y-r:y+r)＝0，r是抑制邻域半径；

(c)在WPCM显著图中找到下一个最大值和其位置(x,y)，返回步骤(a)，直到WPCM(x,y)＜Th；

第十一步：采用式(11)确定裁剪范围，其中X，Y是目标位置坐标，r′是裁剪范围半径；

{I_s(x,y)|(x,y)∈(X-r′:X+r′,Y-r′:Y+r′)} (11)

第十二步：采用式(12)对经裁剪的局部图像进行顶帽滤波处理；

其中的形态学开操作

通过式(13)进行计算：

其中I_s为输入的灰度图像，b表示用于形态学滤波的结构元素；

第十三步：通过式(14)得到最小外接矩形的比例特征E，并将此作为目标分类的特征，若E>0.02则判别为船目标，否则判别为浮标目标，width和height分别表示矩形的宽和高。

E＝width/height (14)

本发明优点在于：

1、在检测过程中不需要额外的预处理模块；

2、可以有效地抑制海面背景中的各类干扰；

3、在检测过程中不需要采用多尺度机制就可以拥有良好的检测结果。

附图说明

图1为本发明的流程图。

具体实施方式：

下面结合具体实例对本发明做详细说明。

1：读取原始红外图像I₀，图像的大小为M×N，其中M是图像I₀的宽度像素数，N是图像I₀的高度像素数；

2：采用式(1)对彩色图像I₀中每个像素点的R、G、B三个通道的值进行加权，得到灰度图像I_g；

I_g＝0.29900×R+0.58700×G+0.11400×B (1)

3：通过窗口大小为3×3的中值滤波器对图像I_g进行去噪处理，得到的图像记为I_m；

4：对图像I_m进行同态滤波，得到的图像记为I_s；

5：设计滑动窗口对图像I_s进行遍历扫描，滑动窗口由3×3排列的9个局部块组成，滑动窗口第一行三个局部块从左到右依次编号为P₁、P₂、P₃，第二行三个局部块从左到右依次编号为P₄、P₀、P₅，第三行三个局部块从左到右依次编号为P₆、P₇、P₈，每个局部块由l×l个像素组成，l可取3～9之间的奇数；

6：采用滑动窗口对图像I_s从上到下、从左到右进行遍历扫描，分别通过式(2)、(3)计算块均值M₀和M_k，其中I_s(x,y)表示图像在坐标(x,y)位置的灰度值，l表示局部块的边长，采用式(4)计算P_k,k＝1,2,…8与P₀之间的对比度d_k，通过公式(5)计算中心块P₀的相邻块，通过公式(6)计算得到(x,y)处的块对比度C_xy，得到的对比度显著图记为C；

d_k＝|M₀-M_k|,{k＝1,2,…8} (4)

D_k＝min(d_k+d_9-k),{k＝1,2,3,4} (5)

C_xy＝|M₀-(M_k+M_9-k)/2| (6)

7：利用式(7)计算得到(x,y)处的局部熵W_xy，得到的局部熵显著图记为W；

其中的每个像素的概率密度p_ij通过式(8)来进行计算：

8：采用式(9)计算得到WPCM显著图，C表示对比度显著图，W表示局部熵显著图；

WPCM＝C×W (9)

9：采用式(10)计算得到自适应阈值Th，M_W表示WPCM显著图的平均灰度值，σ表示WPCM显著图的均方差，I_smax(x,y)表示WPCM显著图中的最大值，λ表示调节因子，根据经验λ∈[0.45,1.0]；

Th＝λ(I_smax(x,y)-M_W)+σ (10)

10：利用WPCM显著图和Th定位小目标，具体操作过程如下：

(a)找到WPCM显著图的最大值和其位置(x,y)，如果WPCM(x,y)≥Th则输出(x,y)作为小目标中心；

(b)用0禁止(x,y)及其相邻区域，即WPCM(x-r:x+r,y-r:y+r)＝0，r是抑制邻域半径；

(c)在WPCM显著图中找到下一个最大值和其位置(x,y)，返回步骤(a)，直到WPCM(x,y)＜Th；

11：采用式(11)确定裁剪范围，其中X，Y是目标位置坐标，r′是裁剪范围半径；

{I_s(x,y)|(x,y)∈(X-r′:X+r′,Y-r′:Y+r′)} (11)

12：采用式(12)对经裁剪的局部图像进行顶帽滤波处理；

其中的形态学开操作

通过式(13)进行计算：

其中I_s为输入的灰度图像，b表示用于形态学滤波的结构元素；

13：通过式(14)得到最小外接矩形的比例特征E，并将此作为目标分类的特征，若E>0.02则判别为船目标，否则判别为浮标目标，width和height分别表示矩形的宽和高。

E＝width/height (14)。

Claims (1)

1.基于块对比度加权的红外小目标检测方法，其特征在于如下步骤：

第一步：读取原始红外图像I₀，图像的大小为M×N，其中M是图像I₀的宽度像素数，N是图像I₀的高度像素数；

第二步：采用式(1)对彩色图像I₀中每个像素点的R、G、B三个通道的值进行加权，得到灰度图像I_g；

I_g＝0.29900×R+0.58700×G+0.11400×B (1)

第三步：通过窗口大小为3×3的中值滤波器对图像I_g进行去噪处理，得到的图像记为I_m；

第四步：对图像I_m进行同态滤波，得到的图像记为I_s；

第五步：设计滑动窗口对图像I_s进行遍历扫描，滑动窗口由3×3排列的9个局部块组成，滑动窗口第一行三个局部块从左到右依次编号为P₁、P₂、P₃，第二行三个局部块从左到右依次编号为P₄、P₀、P₅，第三行三个局部块从左到右依次编号为P₆、P₇、P₈，每个局部块由l×l个像素组成，l可取3～9之间的奇数；

第六步：采用滑动窗口对图像I_s从上到下、从左到右进行遍历扫描，分别通过式(2)、(3)计算块均值M₀和M_k，其中I_s(x,y)表示图像在坐标(x,y)位置的灰度值，l表示局部块的边长，采用式(4)计算P_k,k＝1,2,…8与P₀之间的对比度d_k，通过公式(5)计算中心块P₀的相邻块，通过公式(6)计算得到(x,y)处的块对比度C_xy，得到的对比度显著图记为C；

d_k＝|M₀-M_k|,{k＝1,2,…8} (4)

D_k＝min(d_k+d_9-k),{k＝1,2,3,4} (5)

C_xy＝|M₀-(M_k+M_9-k)/2| (6)

第七步：利用式(7)计算得到(x,y)处的局部熵W_xy，得到的局部熵显著图记为W；

其中的每个像素的概率密度p_ij通过式(8)来进行计算：

第八步：采用式(9)计算得到WPCM显著图，C表示对比度显著图，W表示局部熵显著图；

WPCM＝C×W (9)

第九步：采用式(10)计算得到自适应阈值Th，M_W表示WPCM显著图的平均灰度值，σ表示WPCM显著图的均方差，I_smax(x,y)表示WPCM显著图中的最大值，λ表示调节因子，根据经验λ∈[0.45,1.0]；

Th＝λ(I_smax(x,y)-M_W)+σ (10)

第十步：利用WPCM显著图和Th定位小目标，具体操作过程如下：

(a)找到WPCM显著图的最大值和其位置(x,y)，如果WPCM(x,y)≥Th则输出(x,y)作为小目标中心；

(b)用0禁止(x,y)及其相邻区域，即WPCM(x-r:x+r,y-r:y+r)＝0，r是抑制邻域半径；

(c)在WPCM显著图中找到下一个最大值和其位置(x,y)，返回步骤(a)，直到WPCM(x,y)＜Th；

第十一步：采用式(11)确定裁剪范围，其中X，Y是目标位置坐标，r′是裁剪范围半径；

{I_s(x,y)|(x,y)∈(X-r′:X+r′,Y-r′:Y+r′)} (11)

第十二步：采用式(12)对经裁剪的局部图像进行顶帽滤波处理；

其中的形态学开操作

通过式(13)进行计算：

其中I_s为输入的灰度图像，b表示用于形态学滤波的结构元素；

第十三步：通过式(14)得到最小外接矩形的比例特征E，并将此作为目标分类的特征；

E＝width/height (14)

若E>0.02则判别为船目标，否则判别为浮标目标，width和height分别表示矩形的宽和高。

Images