CN112395944A - 基于加权的多尺度比差联合对比度红外小目标检测方法 - Google Patents

Abstract

本发明提供了一种基于加权的多尺度比差联合对比度红外小目标检测方法，属于红外小目标检测领域，包括：获取原始红外图像；为原始红外图像计算多尺度比差联合局部对比度MRDLCM；为原始红外图像计算反向局部多样性权重函数RLD，通过反向局部多样性权重函数RLD来进一步抑制复杂背景；将基于反向局部多样性的权重函数RLD的计算结果作为多尺度比差联合局部对比度MRDLCM的权重函数，然后计算基于加权的多尺度比差联合局部对比度MRDLCM_RLD；在基于权重函数的多尺度比差联合局部对比度MRDLCM_RLD计算之后，真正的小目标将在图中最显著，再通过自适应阈值Th运算来提取目标。该方法在检测率和误报率上具有有效性和鲁棒性，且具有并行处理能力，对于提高检测速度非常有效。

Description

基于加权的多尺度比差联合对比度红外小目标检测方法

技术领域

本发明属于红外小目标检测技术领域，具体涉及一种基于加权的多尺度比 差联合对比度红外小目标检测方法。

背景技术

具有高检测率、低虚警率和高检测速度的单帧红外小目标检测是一项艰巨 的任务，因为目标通常很小且暗淡，并且存在不同类型的干扰，例如高亮背景， 复杂的背景边缘和高亮度像素级的噪声点(PNHB)。现有算法如比值型和差 值型的局部对比度算法，不能有效增强真实目标的同时抑制所有干扰，浪费了 可用于进一步抑制复杂背景的局部多样性信息。

红外小目标检测在精确制导，预警和海上目标搜索等方面起着重要作用。 特别由于目标通常在实际应用中移动非常快，因此在单帧内的实时检测显得更 重要。然而，通常在单帧内实现具有高检测率和低虚警率的实时红外小目标检 测是非常困难的，这是由于以下事实：a)在获得的红外图像中，由于目标和红 外探测器之间的距离很长，目标通常只占据少数几个具有暗灰色级别的像素， 并且无法利用形状或纹理信息，这导致检测率较低，b)一些背景区域可能比实 际目标具有更高的亮度，这会导致较高的虚警率，c)可能会错误地将复杂的背 景边缘检测为目标，这也会导致较高的虚警率，d)高亮度像素的点噪声(PNHB) 可能会产生严重的干扰，这将进一步降低检测性能。

已经提出了许多用于检测单帧红外小目标的算法，包括空域算法，频域算 法，形态学算法，背景估计算法等。还研究了基于学习的算法，包括有监督类 型和无监督类型。然而，在复杂背景下检测红外小目标仍然是一个待解决的问 题。

近年来，强大的人类视觉系统(HVS)已被引入红外小目标检测领域。根 据HVS的对比度机制，在我们的视觉系统中，对比度是最重要的部分，而不是 亮度。这个事实对于红外小目标的检测具有重要价值，因为即使小目标也不是 整个图像中最亮的部分(即存在高亮背景区域)，它通常比其邻近区域更亮且 有较小的局部对比度。因此，基于HVS的单帧检测算法通常可以实现比传统算 法更好的性能。但是，对于基于HVS的算法，如何定义局部对比度的公式是关 键问题之一，直接决定算法的性能。

到目前为止，研究人员尚未就如何定义局部对比度达成共识，并且已经提 出了许多局部对比度定义。通常，现有算法可以分为两类：局部对比的差值和 局部对比的比值。但现有的定义都无法达到在抑制所有干扰(包括高亮度背景， 复杂背景边缘和PNHB)的同时增强真实目标的目的。

差值型的局部对比度算法，例如高斯的Laplacian(LoG)滤波器，高斯的 差值(DoG)滤波器，改进的Gabor差值滤波器(IDoGb)，累积的中心-周围 差值对比度(ACSDM)和基于多尺度的局部对比度(MPCM)等，计算中心区 域与周围区域之间的差值，以便可以消除高亮度背景。此外，它们中的某些算 法(例如IDoGb，ACSDM和MPCM)考虑了方向信息以更好地抑制复杂的背 景边缘，因为通常将真实的小目标假定为没有各向异性和主导方向的粗糙圆， 而背景边缘通常会分布在局部小区域沿特定方向行驶。然而，这些算法不能有 效地增强小目标。

比值型局部对比度算法，例如局部对比度(LCM)，改进的局部对比度 (ILCM)，新型局部对比度(NLCM)和加权局部差值对比度(WLDM)等， 将中心区域与周围区域之间的比值作为中心的增强因子，并且可以有效地增强 小目标。此外，大多数都采用方向信息来更好地抑制复杂的背景边缘。但是， 它们使用绝对的局部对比度，无法有效消除高亮度背景。

从理论上讲，局部对比度的差值和局部对比度的比值各有优缺点：局部对 比度的差值可以有效消除高亮度背景，但不能有效地增强真实目标；局部对比 度的比值可以有效地增强真实目标，但不能有效消除高亮度背景。如果可以将 两者的优点结合起来使用，最简单的方法是将它们用作两个单独的阶段，例如 ILCM和NLCM都是局部对比度算法的比值，它们利用DoG滤波器作为预处理 算法来首先消除高亮度背景。但是，将算法分为两个阶段可能会破坏算法的鲁 棒性，因为任何阶段的任何错误都会影响最终检测性能。其他两阶段算法，例 如LCM+LoG，LCM+支持向量机(SVM)和LCM+局部自相似(LSS)等，也 具有类似的缺陷。此外，现有的局部对比度算法(包括比值型和差值型)仅以 周围区域为背景，而没有考虑周围背景本身的多样性，这意味着可以用来进一 步抑制复杂的背景的重要信息——局部多样性被浪费了。

发明内容

为了克服上述现有技术存在的不足，本发明提供了一种基于加权的多尺度 比差联合对比度红外小目标检测方法。

为了实现上述目的，本发明提供如下技术方案：

基于加权的多尺度比差联合对比度红外小目标检测方法，包括以下步骤：

步骤1、获取原始红外图像；

步骤2、为原始红外图像计算多尺度比差联合局部对比度MRDLCM；

步骤3、为原始红外图像计算反向局部多样性权重函数RLD，通过反向局 部多样性权重函数RLD来进一步抑制复杂背景；

步骤4、将基于反向局部多样性的权重函数RLD的计算结果作为多尺度比 差联合局部对比度MRDLCM的权重函数，然后计算基于加权的多尺度比差联 合局部对比度MRDLCM_RLD；

步骤5、在基于权重函数的多尺度比差联合局部对比度MRDLCM_RLD计 算之后，真正的小目标将在图中最显著，再通过自适应阈值Th运算来提取目 标。

优选地，所述步骤2中，原始红外图像的多尺度比差联合局部对比度 MRDLCM计算包括以下步骤：

步骤2.1、用局部小图像块来捕捉真实目标，局部小图像块包含9个单元， 每个单元的大小N设置为9*9，N约等于小目标占整个图像的最大像素数，中 心单元用cell(0)表示，其他方向上的单元用cell(i)表示；

步骤2.2、在原始红外图像中用步骤2.1中的图像块从左到右、从上到下遍 历；

步骤2.3、在每个像素，根据下面公式(1)，(7)和(9)，(12)计算它的比值型 局部对比度RFLCM和差值型局部对比度DFLCM；

cell(0)中心像素在第i方向的比值型局部对比度RFLCM为：

其中Imean₀表示cell(0)中K个最大像素值的平均灰度值，Imean_i表示cell(i) 中K个最大像素值的平均灰度值，i表示9个单元除了中心之外其他的单元， 如式(2)和(3)所示；

其中k为所涉及的最大灰度值的个数，

和

为cell(0)和cell(i)的第j 个最大灰度值；

为了抑制复杂的背景边缘，利用方向信息将RFLCM最终定义为

RFLCM＝min(RFLCM_i),i＝1,2,...,8 (7)

在cell(0)中第i个方向的差值型局部对比度DFLCM中心像素值的定义为：

DFLCM_i＝Imean₀-Imean_i,i＝1,2,...,8 (9)

与RFLCM相似，最终DFLCM定义为

DFLCM＝min(DFLCM_i),i＝1,2,...,8 (12)

计算完整个图像后，分别形成比值型局部对比度RFLCM和差值型局部对 比度DFLCM两个新矩阵，即公式(7)和公式(12)；

步骤2.4、将比值型局部对比度RFLCM中的元素归一化为(0,1)的范围；

步骤2.5、用比值型局部对比度RFLCM和差值型局部对比度DFLCM的哈 达玛积计算原始红外图像的比差联合局部对比度RDLCM：

步骤2.6、在每个像素处，输出L尺度的最大RDLCM值作为最终多尺度 比差联合局部对比度MRDLCM值，即：

MRDLCM(i,j)＝max(RDLCM_s(i,j)),s＝1,2,...,L (16)

其中(i，j)是每个像素的坐标。

优选地，原始红外图像的权重函数RLD计算包括以下步骤：

步骤3.1、将9个子块形成一个图像块；

步骤3.2、从左到右，从上到下，在原始红外图像上遍历；

步骤3.3、在每个像素处，根据根据公式(17)和(18)计算其LD；

首先，每个子块内的多样性被定义为：

Din_i＝Imax_i-Imin_i,i＝1,2,...,8 (17)

其中Imax_i和Imin_i分别是子块cell(i)中的最大值和最小值；

然后，将cell(0)的中心像素的LD定义为：

对整个图像计算结束后，将结果作为新矩阵LD；

步骤3.4、将LD中的元素归一化为(0，1)范围；

步骤3.5、反向操作：

RLD＝1-LD。 (19)

优选地，所述步骤4具体计算方法为：用多尺度比差联合局部对比度 MRDLCM和权重函数RLD的哈达玛积计算原红外图像的基于加权的多尺度比 差联合局部对比度MRDLCM_RLD：

优选地，所述步骤5中，将自适应阈值Th定义为：

Th＝μ+k_th×σ (26)

其中，μ和σ是基于加权的多尺度比差联合局部对比度MRDLCM_RLD的 均值和标准差，kth是给定参数。

本发明提供的基于加权的多尺度比差联合对比度红外小目标检测方法可以 结合比值型和差值型算法的优点，因此可以抑制所有类型干扰的同时增强不同 大小的真实目标，且不需要任何预处理；此外，利用基于反向局部多样性(RLD) 的权重函数来进一步抑制复杂背景，且基于加权的多尺度比差联合局部对比度 MRDLCM_RLD算法相对于现有算法在检测率和误报率上具有有效性和鲁棒 性；该方法具有并行处理能力，对于提高检测速度非常有效。

附图说明

为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的 附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领 域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。

图1为本发明实施例1的基于加权的多尺度比差联合对比度红外小目标检 测方法的流程图；

图2为用于计算MRDLCM的局部小图像块；

图3为多尺度比差联合局部对比度MRDLCM_RLD算法的流程图；

图4为四个红外序列的样本图；

图5为使用不同的K在多尺度比差联合局部对比度MRDLCM计算之前和 之后的SCR结果对比图；

图6为基于加权的多尺度比差联合局部对比度MRDLCM_RLD算法计算不 同像素类型的结果对比图；

图7从上到下分别为用基于加权的多尺度比差联合局部对比度 MRDLCM_RLD算法针对序列1、序列2、序列3和序列4的检测结果；

图8为仅将多尺度比差联合局部对比度MRDLCM用于序列3的检测结果；

图9为不同算法间检测结果的比较图；

图10为针对不同序列不同算法的ROC曲线；

图11为一个真实的红外图像样本图。

具体实施方式

为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面 结合附图和具体实施例对本发明进行详细说明。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。

实施例1

本发明提供了一种基于加权的多尺度比差联合对比度红外小目标检测方 法，具体如图1所示，包括以下S：

S1、获取原始红外图像；

S2、为原始红外图像计算多尺度比差联合局部对比度MRDLCM，它整合 了比值型局部对比度和差值型局部对比度，结合两者的优点，且不需要预处理 算法；在进行多尺度比差联合局部对比度MRDLCM计算之后，可以利用局部 对比度的比值来增强不同大小的小目标；利用局部对比度的差值可以消除高亮 度背景；通过引入方向信息可以抑制复杂的背景边缘；通过合理设计公式可以 抑制PNHB；

S3、为原始红外图像计算反向局部多样性权重函数RLD，通过反向局部多 样性权重函数RLD来进一步抑制复杂背景；(基于局部周围区域的反向局部多 样性(RLD)的权重函数来进一步抑制复杂背景)它可以有效地增强红外小暗 目标，同时抑制高亮度背景，复杂背景边缘和PNHB；

S4、将基于反向局部多样性的权重函数RLD的计算结果作为多尺度比差联 合局部对比度MRDLCM的权重函数，然后计算基于加权的多尺度比差联合局 部对比度MRDLCM_RLD；

S5、在基于权重函数的多尺度比差联合局部对比度MRDLCM_RLD计算之 后，真正的小目标将在图中最显著，再通过自适应阈值Th运算来提取目标。

进一步地，本实施例中，S2中，原始红外图像的多尺度比差联合局部对比 度MRDLCM计算包括以下S：

S2.1、用局部小图像块来捕捉真实目标，图2是小图像块的示意图，局部 小图像块包含9个单元，每个单元的大小N设置为9*9，N约等于小目标占整 个图像的最大像素数，中心单元用cell(0)表示，其他方向上的单元用cell(i) 表示；

S2.2、在原始红外图像中用步骤2.1中的图像块从左到右、从上到下遍历；

S2.3、在每个像素，根据下面公式(1)，(7)和(9)，(12)计算它的比值型局部 对比度RFLCM和差值型局部对比度DFLCM；

cell(0)中心像素在第i方向的比值型局部对比度RFLCM为：

其中Imean₀表示cell(0)中K个最大像素值的平均灰度值，Imean_i表示cell(i) 中K个最大像素值的平均灰度值，i表示9个单元除了中心之外其他的单元， 如式(2)和(3)所示；

其中k为所涉及的最大灰度值的个数，

和

为cell(0)和cell(i)的第j 个最大灰度值；

为了抑制复杂的背景边缘，利用方向信息将RFLCM最终定义为

RFLCM＝min(RFLCM_i),i＝1,2,...,8 (7)

考虑到真实的小目标通常是在局部显著的，而高亮度背景通常具有较大的 面积并在空间范围内具有相关性，因此提出了一种新的差值型局部对比度以消 除高亮度背景的方法，在cell(0)中第i个方向的差值型局部对比度DFLCM中心 像素值的定义为：

DFLCM_i＝Imean₀-Imean_i,i＝1,2,...,8 (9)

与RFLCM相似，最终DFLCM定义为

DFLCM＝min(DFLCM_i),i＝1,2,...,8 (12)

计算完整个图像后，分别形成比值型局部对比度RFLCM和差值型局部对 比度DFLCM两个新矩阵，即公式(7)和公式(12)；

S2.4、将比值型局部对比度RFLCM中的元素归一化为(0,1)的范围；

S2.5、用比值型局部对比度RFLCM和差值型局部对比度DFLCM的哈达 玛积计算原始红外图像的比差联合局部对比度RDLCM：

S2.6、在每个像素处，输出L尺度的最大RDLCM值作为最终多尺度比差 联合局部对比度MRDLCM值，即：

MRDLCM(i,j)＝max(RDLCM_s(i,j)),s＝1,2,...,L (16)

其中(i，j)是每个像素的坐标。

进一步地，本实施例中，原始红外图像的权重函数RLD计算包括以下S：

S3.1、将9个子块形成一个图像块；

S3.2、从左到右，从上到下，在原始红外图像上遍历；

S3.3、在每个像素处，根据根据公式(17)和(18)计算其LD；

首先，每个子块内的多样性被定义为：

Din_i＝Imax_i-Imini,i＝1,2,...,8 (17)

其中Imax_i和Imin_i分别是子块cell(i)中的最大值和最小值；容易推断，如 果一个子块是由一个平坦的、同质的区域组成，子块内的多样性将接近0；另 一方面，如果一个子块是由复杂背景组成，子块内的多样性将远远大于0。

然后，将cell(0)的中心像素的LD定义为：

实际上，式(18)是Din_i的方差，即它考虑了cell(1)～cell(8)之间的多样性。 容易推出，如果像素位于平坦、均匀的区域，则其LD值将接近0；否则，其 LD值将接近0。另一方面，如果像素位于复杂的背景中，则其LD将远大于0。

对整个图像计算结束后，将结果作为新矩阵LD；

S3.4、将LD中的元素归一化为(0，1)范围；

S3.5、反向操作：

RLD＝1-LD。 (19)

进一步地，本实施例中，S4具体计算方法为：用多尺度比差联合局部对比 度MRDLCM和权重函数RLD的哈达玛积计算原红外图像的基于加权的多尺度 比差联合局部对比度MRDLCM_RLD：

进一步地，本实施例中，S5中，阈值运算采用高斯阈值的思想，它是一种 自适应阈值，可以有效地用于捕获大量数据中的异常显著信息，将自适应阈值 Th定义为：

Th＝μ+k_th×σ (26)

其中，μ和σ是基于加权的多尺度比差联合局部对比度MRDLCM_RLD的 均值和标准差，kth是给定参数。实验表明，kth的最佳范围是2到7。在 MRDLCM_RLD像素矩阵中，其值大于Th的像素将作为目标像素输出，而其 他部分则被丢弃。在最终的检测结果中，每个连接区域都将被视为检测目标(为 了消除混乱，可能需要进行膨胀操作)。

下面，使用四个实际的红外序列来验证本申请提出的算法的性能。所有实 验均在配备4GB随机存取存储器和3.4GHz Intel i5处理器的计算机上进行， 程序代码在MATLABR2016b中执行。

A.不同序列的特征

在本实施例中中，使用四个包含不同大小的小目标和不同类型背景的真实 红外序列来验证该算法的性能，每个序列的样本如图4所示。其中，图4(a) 为序列1的样本；图4(b)为序列2的样本；图4(c)为序列3的样本；图4 (d)为序列4的样本。

从图4中可以看出，目标非常小且暗淡，背景复杂。表1给出了不同序列 特征的细节。此外，表2给出了四个序列的第一帧的一些特征，这里C_wh,C_nb,和 SCR定义如下，I_t是目标的最大灰度值，I_wh是整个图像的最大灰度值，I_nb是 目标邻域的平均灰度值，σ_wh是整个图像的标准偏差：

表1不同序列图像的特征

表2四个序列的第一帧图像的特征

从图4和表2中可以看到，对于本实施例中中使用的四个序列，目标可能 不是整个图像中最亮的部分，即四个序列的C_wh均小于1。比如，序列1或 序列3的C_wh大约是0.3。但是，在局部区域中，目标都比其邻域亮，即四个 序列的C_nb都大于1。即使在最坏的情况下，列2和序列3中C_nb仍大于1.16。 此外，复杂的背景和混乱的杂波会降低SCR值，特别是对于序列3，其SCR值 低于0.2。

B.K的优化

在提出的算法中，式(2)和(3)中用于计算多尺度比差联合局部对比度 MRDLCM的K是关键参数。显然，为了减少PNHB引起的干扰，K应该大于 1；但是，为了更好地增强实际目标，应根据目标的大小自适应地调整K。考 虑到目标大小通常在实实际中是未知的，因此本实施例中采用多尺度检测(请 参见算法2)，有必要针对每个尺度参数K₁,K₂,…,K_L(L为所使用的尺度数) 进行优化。

在本实施例中中，使用序列1、序列2和序列3来优化关键参数k，因为它 们都是单目标序列并且目标大小互不相同。对于每个序列，将K设置为不同的 值，并在多尺度比差联合局部对比度MRDLCM计算之前和之后测试SCR(此 处未使用RLD)。序列帧的实验结果如图5所示，对于每个序列将列出10帧 图像。

图5给出了使用不同的K在多尺度比差联合局部对比度MRDLCM计算之 前和之后的SCR结果。其中，图5(a)为序列1，目标大小为7×5。图5(b)为序 列2，目标大小为5×5。图5(c)为序列3，目标大小为3×3。从图5中可以看出， 对于较小的目标(3×3～5×5)，K＝2～4是合适的；对于较大的目标(>5×5)， K＝9～16是合适的。在不失一般性的前提下，本实施例中使用3个尺度(即 L＝3)，将K1设置为2，将K2设置为9，将K3设置为16。从图5还可以看出，在多尺度比差联合局部对比度MRDLCM之后通过计算，SCR可以比原始 值得到更好的改进，可以更轻松地检测目标

C.基于加权的多尺度比差联合局部对比度MRDLCM_RLD算法的检测结 果

首先，为验证所提算法的有效性，图6给出了不同类型像素的计算结果。 图6给出了基于加权的多尺度比差联合局部对比度MRDLCM_RLD算法计算不 同像素类型的结果。其中，图6(a)为cell(0)的中心像素不同时的不同情况。 图6(b)为用基于加权的多尺度比差联合局部对比度MRDLCM_RLD算法计 算整个图像的结果基于加权的多尺度比差联合局部对比度MRDLCM_RLD。图 6(c)为不同类型构成的3D分布。

图11为一个真实的红外图像样本图，图11(a)真实红外图像的样本；(b)不 同类型目标组合的3D分布。这里，TT代表真实的小目标，NB代表正常背景， HB代表高亮度背景，EB代表复杂背景边缘，PNHB代表高亮度像素的点噪声。 从图1中我们可以得出以下结论：

a)真正的弱小目标通常集中在一个小的、紧凑的区域中，该区域从中心开 始衰减，它通常出现在平坦、均匀的背景区域中，并且通常比其在空间域中紧 邻的背景更显著。换句话说，它具有较小的局部对比度。此外，真正的弱小目 标通常被假定为没有各向异性和主导方向的粗圆。

b)正常背景通常是黑暗而平坦的，它在空间范围内具有相关性，在灰度值 和局部对比度方面都不突出。

c)高亮度背景的灰度值可能远大于真实的弱小目标，但通常具有较大的面 积，并且在空间域也具有相关性，因此其局部对比度不明显。

d)复杂的背景边缘在两侧之间也具有局部对比度信息，但是背景边缘通常 沿特定方向分布在局部小区域内，这与真正的弱小目标不同。

e)PNHB的模式与真正的小暗目标最相似，但是，通常由随机点噪声引起 的PNHB仅作为单个像素出现，但是由于光学点扩散，真正的小暗目标通常具 有较小的面积远距离热成像系统的功能(PSF)。

比较图6(c)和图11(b)可以看出，使用所提出的算法可以增强真正的 小暗淡目标，同时其他干扰都得到抑制。

图7从上到下：依次给出了用基于加权的多尺度比差联合局部对比度 MRDLCM_RLD算法针对序列1、序列2、序列3和序列4的检测结果。其中， 图7(a)为这四个序列的原始红外图像样本。图7(b)为多尺度比差联合局部 对比度MRDLCM结果。图7(c)为RLD结果。图7(d)为基于加权的多尺 度比差联合局部对比度MRDLCM_RLD结果。图7(e)为阈值运算结果，每 个连接区域均视为目标。图7给出了使用所提出的基于加权的多尺度比差联合 局部对比度MRDLCM_RLD算法的不同序列的检测结果。这里K1设置为2， K2设置为9，K3设置为16，N为9×9，这里使用与图4相同的样本。

图8仅将多尺度比差联合局部对比度MRDLCM用于序列3的检测结果。 其中，图8(a)序列3的原始红外图像样本。图8(b)多尺度比差联合局部对 比度MRDLCM结果。图8(c)多尺度比差联合局部对比度MRDLCM基础上 的阈值运算结果，出现更多的误报。

从图7中可以看出，在原始红外图像中，目标小且存在复杂背景和噪声， 如图7(a)。在多尺度比差联合局部对比度MRDLCM计算之后，目标变得显 著，而复杂的背景和噪声被抑制，如图7(b)。经过RLD计算后，同质背景 面积将变大，而复杂背景面积将变小，如图7(c)。因此，当对带有RLD的 多尺度比差联合局部对比度MRDLCM权重时，复杂背景和噪声将被进一步抑 制，如图7(d)。最后，通过阈值运算，对于单目标情况和多目标情况，都正 确地输出了真正的小目标，而其他部分则被丢弃，如图7(e)。仅在序列3中 有一个误检测的目标输出，因为序列3的背景太复杂。为了更好的诠释RLD的 效果，如图8所示，在序列3中仅使用多尺度比差联合局部对比度MRDLCM， 容易看出，没有RLD会有更大的虚警率，这反而证明了RLD可以进一步抑制 复杂的背景。

D.与其他算法的比较

为了进一步说明所提算法的有效性，选择了六个算法进行比较，包括DoG， MPCM，ILCM，NLCM，WLDM，和RLCM。DoG是一种传统的差值型 局部对比方法。MPCM是一种基于多尺度面片的差值型局部对比方法。ILCM 和NLCM是比值型的局部对比度方法，它们都以DoG为预处理阶段。WLDM 利用局部熵作为权重函数来获得局部对比度。RLCM将增强的cell(0)与原始 cell(0)之间的差异作为局部对比度，这是一种新的多比例局部对比度方法，该 方法同时使用了比值和差值两种运算。

首先，使用比较算法的单帧检测结果如图8所示，此处使用与图7相同的 样本。图9为不同算法间检测结果的比较，从上到下：序列1、序列2、序列3 和序列4使用(a)DoG，(b)ILCM，(c)NLCM，(d)WLDM，(e)MPCM 和(f)RLCM的检测结果。图10为针对不同序列不同算法的ROC曲线，图 10(a)序列1，图10(b)序列2，图10(c)序列3和图10(d)序列4。

从图9可以看出：

a)对于序列1，DoG，ILCM，NLCM和WLDM无法正确检测到小目标， 但会出现许多虚警；MPCM可以检测到小目标，但也会出现虚警；只有RLCM 才能正确检测出小目标，而不会产生任何误报。

b)序列2的情况与序列1的情况相似。

c)对于序列3，即使MPCM也无法成功检测到目标，因为目标太暗并且 背景太复杂。另一方面，RLCM虽然可以检测到小目标，但与提出的算法相比， 它有更多的虚警。

d)对于序列4是多目标序列，有4个目标，由于目标明亮并且背景是同质 的，因此几乎所有的算法都可以成功检测到四个目标而没有任何虚警，但DoG 除外，DoG仅检测三个真实目标，但会显示两个虚警。

比较图9和图7，容易得出：与其他现有算法相比，提出的算法可以实现最 佳的检测性能。然后，在图10中也给出了使用不同算法对整个序列的比较结果， 此处使用ROC特性曲线^[40]以及虚警率(FPR)和检测率(TPR)被定义为如下

从图9和图10可以看出：

a)DoG的检测性能最差，因为DoG是差值型的局部对比度算法，它不能 有效地增强目标。此外，它没有利用方向信息，也无法区分复杂的背景边缘。

b)WLDM比DoG有更好的性能，因为WLDM是比值型的局部对比度方 法，可以有效地增强目标。但是，它无法有效消除高亮度背景。

c)ILCM比DoG和WLCM有更好的性能，因为它是比例型局部对比度方 法，并且以DoG作为预处理，因此它可以增强目标并同时抑制高亮背景。此外， 在ILCM中利用方向信息来更好地抑制复杂的背景边缘。

d)NLCM的情况类似于ILCM，其性能也相似。

e)MPCM采用多尺度检测可以在序列1、序列2和序列4中达到满意的检 测性能。但在序列3中，它的性能最差，因为目标太小太暗，并且序列3中 的背景太复杂。换句话说，MPCM的鲁棒性差。原因是MPCM是差值型的局 部对比度算法，不能有效地增强目标。

f)RLCM作为一种新提出的多尺度局部对比度方法，由于它同时利用了比 值运算和差值运算，因此在所有序列中都可以实现比其他现有算法更好的检测 性能，但是在序列3中却表现不好。

g)所提出的算法将比值和差值与局部对比度结合在一起以增强真实目标并 同时抑制干扰，可以在所有四个序列中获得最佳的检测性能和良好的鲁棒性。 特别是对于序列3，如图3所示，在真实目标暗淡且背景复杂的情况下，与RLCM 相比，该算法的检测性能大大提高。

多尺度比差联合局部对比度MRDLCM可以结合比值型和差值型算法的优 点，因此它可以抑制所有类型的干扰，同时增强不同大小的真实目标，且不需 要任何预处理算法。RLD利用反向的局部信息来进一步抑制复杂背景。实验 使用了四个包含不同背景类型和不同目标大小的真实红外序列，实验结果表明， 所提出的基于加权的多尺度比差联合局部对比度MRDLCM_RLD算法针对六 种现有算法的检测率和虚警率显示出更强的有效性和鲁棒性。此外，该算法具 有并行处理能力，大大提高了检测速度。

实验结果表明，该算法能够成功检测出复杂背景下的小目标，并且在检测 率和虚警率上均能达到现有算法的最佳检测性能。此外，该算法具有并行处理 的能力，对于提高检测速度非常有效。

以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限 于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地 得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (5)

1.一种基于加权的多尺度比差联合对比度红外小目标检测方法，其特征在于，包括以下步骤：

步骤1、获取原始红外图像；

步骤2、为原始红外图像计算多尺度比差联合局部对比度MRDLCM；

步骤3、为原始红外图像计算反向局部多样性权重函数RLD，通过反向局部多样性权重函数RLD来进一步抑制复杂背景；

步骤4、将基于反向局部多样性的权重函数RLD的计算结果作为多尺度比差联合局部对比度MRDLCM的权重函数，然后计算基于加权的多尺度比差联合局部对比度MRDLCM_RLD；

步骤5、在基于权重函数的多尺度比差联合局部对比度MRDLCM_RLD计算之后，真正的小目标将在图中最显著，再通过自适应阈值Th运算来提取目标。

2.根据权利要求1所述的基于加权的多尺度比差联合对比度红外小目标检测方法，其特征在于，所述步骤2中，原始红外图像的多尺度比差联合局部对比度MRDLCM计算包括以下步骤：

步骤2.1、用局部小图像块来捕捉真实目标，局部小图像块包含9个单元，每个单元的大小N设置为9*9，N约等于小目标占整个图像的最大像素数，中心单元用cell(0)表示，其他方向上的单元用cell(i)表示；

步骤2.2、在原始红外图像中用步骤2.1中的图像块从左到右、从上到下遍历；

步骤2.3、在每个像素，根据下面公式(1)，(7)和(9)，(12)计算它的比值型局部对比度RFLCM和差值型局部对比度DFLCM；

cell(0)中心像素在第i方向的比值型局部对比度RFLCM为：

其中Imean₀表示cell(0)中K个最大像素值的平均灰度值，Imean_i表示cell(i) 中K个最大像素值的平均灰度值，i表示9个单元除了中心之外其他的单元，如式(2)和(3)所示；

其中k为所涉及的最大灰度值的个数，

和

为cell(0)和cell(i)的第j个最大灰度值；

为了抑制复杂的背景边缘，利用方向信息将RFLCM最终定义为

RFLCM＝min(RFLCM_i),i＝1,2,...,8 (7)

在cell(0)中第i个方向的差值型局部对比度DFLCM中心像素值的定义为：

DFLCM_i＝Imean₀-Imean_i,i＝1,2,...,8 (9)

与RFLCM相似，最终DFLCM定义为

DFLCM＝min(DFLCM_i),i＝1,2,...,8 (12)

计算完整个图像后，分别形成比值型局部对比度RFLCM和差值型局部对比度DFLCM两个新矩阵，即公式(7)和公式(12)；

步骤2.4、将比值型局部对比度RFLCM中的元素归一化为(0,1)的范围；

步骤2.5、用比值型局部对比度RFLCM和差值型局部对比度DFLCM的哈达玛积计算原始红外图像的比差联合局部对比度RDLCM：

步骤2.6、在每个像素处，输出L尺度的最大RDLCM值作为最终多尺度比差联合局部对比度MRDLCM值，即：

MRDLCM(i,j)＝max(RDLCM_s(i,j)),s＝1,2,...,L (16)

其中(i，j)是每个像素的坐标。

3.根据权利要求2所述的基于加权的多尺度比差联合对比度红外小目标检测方法，其特征在于，原始红外图像的权重函数RLD计算包括以下步骤：

步骤3.1、将9个子块形成一个图像块；

步骤3.2、从左到右，从上到下，在原始红外图像上遍历；

步骤3.3、在每个像素处，根据根据公式(17)和(18)计算其LD；

首先，每个子块内的多样性被定义为：

Din_i＝Imax_i-Imin_i,i＝1,2,...,8 (17)

其中Imax_i和Imin_i分别是子块cell(i)中的最大值和最小值；

然后，将cell(0)的中心像素的LD定义为：

对整个图像计算结束后，将结果作为新矩阵LD；

步骤3.4、将LD中的元素归一化为(0，1)范围；

步骤3.5、反向操作：

RLD＝1-LD。 (19)

4.根据权利要求3所述的基于加权的多尺度比差联合对比度红外小目标检测方法，其特征在于，所述步骤4具体计算方法为：用多尺度比差联合局部对比度MRDLCM和权重函数RLD的哈达玛积计算原红外图像的基于加权的多尺度比差联合局部对比度MRDLCM_RLD：

。

5.根据权利要求4所述的基于加权的多尺度比差联合对比度红外小目标检测方法，其特征在于，所述步骤5中，将自适应阈值Th定义为：

Th＝μ+k_th×σ (26)

其中，μ和σ是基于加权的多尺度比差联合局部对比度MRDLCM_RLD的均值和标准差，kth是给定参数。

Images