CN112541486A - 基于改进Pixel分割的红外弱小目标检测算法 - Google Patents

Abstract

本发明公开了基于改进Pixel分割的红外弱小目标检测算法，涉及图像处理技术领域，针对目前算法中如何能有效分割出目标而不带来虚警的问题，现提出如下方案，根据对空红外图像的目标、噪点及背景的成像差异特性，充分利用目标局部成像灰度特征，采用改进Pixel分割方法，对输入图像各个像素取半径不同的内外滑动模板，计算模板上下左右四个方向的均值及方差，通过对四个方向的均值及方差比较，计算滑动窗口中心点对应的分割阈值，生成的阈值矩阵对滤波后的图像进行分割，可以有效地将云层边缘目标，复杂场景中弱小目标完整分割出来，再通过虚警抑制判据，可以准确地检出低信噪比目标。

Description

基于改进Pixel分割的红外弱小目标检测算法

技术领域

本发明涉及图像处理技术领域，具体为基于改进Pixel分割的红外弱小目标检测算法。

背景技术

远距离获取的红外图像，大体可以分为目标、背景和噪声三种成分。由于红外系统探测距离较远，而目标处在运动状态，所以，目标尺寸不固定，通常占有的像元很少，所占的面积很小，缺乏颜色、形状、纹理等方面的有效信息。针对这个难题，已有许多学者及研究机构进行了深入的研究，从图像滤波的角度提出了许多算法，如时域滤波、频域滤波、匹配滤波、概率神经网络等等，这些算法在信噪比较高时检测效果不错，但是当目标运动在云层边缘或者场景中出现强杂波等的干扰时，通常会导致检测失败。因此在低信噪比条件下，探求一种既能去除虚警，同时能保证目标检出的方法是亟待解决的难题。

本发明首先采用非局部均值滤波方法对获取图像进行滤波，同时利用目标在局部区域灰度呈现较大的特点，使用改进Pixel分割的算法，对目标进行精准分割，最终提取出目标。

图像分割是通过一定的算法将图像细分为若干特定区域，这些区域对应图像中的不同目标，然后对感兴趣的区域进行描述与研究，最终提取出所需要的目标，图像分割的好坏直接影响后续目标的检测结果。

根据门限值，大于阈值的被判别为目标，小于阈值的视为背景。但是在实际图像中背景特性曲线与目标特性曲线存在交集，这就导致了漏警与虚警的产生。小于阈值的被认为是背景，这就是漏检；对背景噪声来说，大于阈值的被认为是目标，这就是虚警。

在目前的算法中，对于整幅图像通常只有一个分割阈值。但是实际中，由于目标在持续的运动中，目标周围的场景也在不断的变化，当目标处于整幅图都是干净的背景，全局阈值与局部阈值计算相当；但是当目标处于复杂的场景中，则整幅图像计算的阈值将会抬高，当目标随着距离增加时，可能会导致目标漏检，如果不断降低阈值，则可能导致虚警增加。如何能有效分割出目标而不带来虚警是值得研究的问题。为此，我们提出基于改进Pixel分割的红外弱小目标检测算法。

发明内容

本发明的目的在于提供基于改进Pixel分割的红外弱小目标检测算法，以解决上述背景技术提出的目前的算法中如何能有效分割出目标而不带来虚警的问题。

为实现上述目的，本发明提供如下技术方案：

基于改进Pixel分割的红外弱小目标检测算法，该算法适用于matlab或者VS平台开发运行；具体步骤如下：

S1：读取输入图像image，高为height，宽为width；

S2：采用非局部均值滤波方法对原图像进行滤波，得到滤波图像Filterimage；

S3：计算滤波图像的均值mm及方差var，计算图像全局分割阈值即Thread，Thread=tk*mm，tk为经验值，可取10；

S4：构造阈值分割数组MultiThread,尺寸与输入图像保持一致，且各个元素值为0；

S5：构建滑动窗口，内窗口为Inside,半径为ds,元素值为0；外窗口为Outside,半径为DS,元素值为1；

S6：设置列数增量column步长为1,行数增量row步长为1；

S7：若column或row值小余DS或者大于width–DS,height–DS,将Thread值直接赋予当前遍历像素坐标对应MultiThread；否则执行步骤8；

S8：若column或row值大余DS或者小于width–DS,height–DS,外窗口与原图像进行点乘，获得当前块为CurrentMode；

S9：取CurrentMode内尺寸与Inside窗口点乘，得到Local_Pixel矩阵；

S10：计算Local_Pixel矩阵上下左右四个方向的均值，mean_top,mean_bottom,mean_left,mean_right及四个方向的方差；

S11：比较上下、左右两个方向的均值，将较小值的像素进行重组，生成bkgray；其中，bkgray为数组，存放的为按照从小到大排序的上下左右四个方向的灰度均值；

S12：计算bkgray的方差，与系数相乘得出结果赋给当前遍历中心对应数组MultiThread；其中，MultiThread为构造的阈值分割数组，尺寸与输入图像保持一致；

S13：利用MultiThread对滤波图像Filterimage进行阈值分割，得到候选目标图像；

S14：虚警抑制，上报目标信息。

优选的，选取一幅大小为612×294的图像，将其进行非局部均值滤波，得到滤波图像Filterimage，计算出全局均值及方差，得到全局阈值Thread，阈值系数为10；

构建一个大小为15×15的外窗口，即DS取为7；内窗口为5×5，即ds取为3；

对原始图像进行遍历，判断遍历模板中心像素周围四个方向的均值及方差，比较上下，左右两个方向的均值；

将较小的值进行重组，生成bkgray；对bkgray数组计算方差，得出该像素点对应的阈值；

最后将得到的MultiThread数组对滤波后的Filterimage进行分割及候选目标提取，虚警抑制后上报目标信息。

与现有技术相比，本发明的有益效果是：

本发明根据红外图像中弱小目标的局部灰度特性，充分利用目标在局部区域灰度较亮的特性，设计出一种改进Pixel分割的红外弱小目标检测算法，保证目标的完整检出，同时较好地抑制虚警；

本发明是通过以下方法步骤达到既可较好去除高斯白噪声、云层边缘等干扰，又可较好保证目标的完整检出，具有较好的工程实用价值；

本发明充分利用了图像中目标区域成像的特点，通过Pixel级分割矩阵对全图各个点进行分割，可以有效地将云层边缘附近目标，或者强干扰图像中的弱小目标有效地检测，同时有效地抑制虚警。

附图说明

图1为本发明实施例一的原图像示意图。

图2为本发明实施例一的滤波后图像示意图。

图3为本发明实施例一的检出图像示意图。

图4为本发明实施例二的原图像示意图。

图5为本发明实施例二的滤波后图像示意图。

图6为本发明实施例二的检出图像示意图。

图7为本发明实施例三的原图像示意图。

图8为本发明实施例三的滤波后图像示意图。

图9为本发明实施例三的检出图像示意图。

图10为本发明的程序流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

请参阅图1-图10，本发明提供一种技术方案：

基于改进Pixel分割的红外弱小目标检测算法，具体步骤如下：

S1：读取输入图像image，高为height，宽为width；

S2：采用非局部均值滤波方法对原图像进行滤波，得到滤波图像Filterimage；

S3：计算滤波图像的均值mm及方差var，计算图像全局分割阈值，Thread=tk*mm，tk为经验值，可取10；

S4：构造阈值分割数组MultiThread,尺寸与输入图像保持一致，且各个元素值为0；

S5：构建滑动窗口，内窗口为Inside,半径为ds,元素值为0；外窗口为Outside,半径为DS,元素值为1；

S6：设置列数增量column步长为1,行数增量row步长为1；

S7：若column或row值小余DS或者大于width–DS,height–DS,将Thread值直接赋予当前遍历像素坐标对应MultiThread；否则执行步骤8；

S8：若column或row值大余DS或者小于width–DS,height–DS,外窗口与原图像进行点乘，获得当前块为CurrentMode；

S9：取CurrentMode内尺寸与Inside窗口点乘，得到Local_Pixel矩阵；

S10：计算Local_Pixel矩阵上下左右四个方向的均值，mean_top,mean_bottom,mean_left,mean_right及四个方向的方差；

S11：比较上下、左右两个方向的均值，将较小值的像素进行重组，生成bkgray；

S12：计算bkgray的方差，与系数相乘得出结果赋给当前遍历中心对应数组MultiThread；

S13：利用MultiThread对滤波图像Filterimage进行阈值分割，得到候选目标图像；

S14：虚警抑制，上报目标信息。

针对本发明提出的弱小红外目标检测方法，以下举例说明该方法的应用：

实施例一

参见图1-图3所示，选取一幅大小为612×294的图像，如附图1所示，将其进行非局部均值滤波，得到滤波图像Filterimage，如附图2所示，计算出全局均值及方差，阈值系数为10，得到全局阈值Thread；构建一个大小为15×15的外窗口，即DS取为7；内窗口为5×5，即ds取为3；对原始图像进行遍历，判断遍历模板中心像素周围四个方向的均值及方差，比较上下，左右两个方向的均值；将较小的值进行重组，生成bkgray。对bkgray数组计算方差，得出该像素点对应的阈值；最后将得到的MultiThread数组对滤波后的Filterimage进行分割及候选目标提取，虚警抑制后上报目标信息，如附图3所示。

实施例二

参见图4-图6所示，选取一幅大小为320×256的图像如附图4所示，将其进行非局部均值滤波，得到滤波图像Filterimage如附图5所示，计算出全局均值及方差，阈值系数为10，得到全局阈值Thread；构建一个大小为11×11的外窗口，即DS取为5；内窗口为3×3，即ds取为1；对原始图像进行遍历，判断遍历模板中心像素周围四个方向的均值及方差，比较上下，左右两个方向的均值；将较小的值进行重组，生成bkgray；对bkgray数组计算方差，得出该像素点对应的阈值；最后将得到的MultiThread数组对滤波后的Filterimage进行分割及候选目标提取，虚警抑制后上报目标信息，如附图6所示。

实施例三

参见图7-9，选取一幅大小为470×470的图像，如附图7所示，将其进行非局部均值滤波，得到滤波图像Filterimage，如附图8所示，计算出全局均值及方差，阈值系数为10，得到全局阈值Thread；构建一个大小为11×11的外窗口，即DS取为5；内窗口为3×3，即ds取为1；对原始图像进行遍历，判断遍历模板中心像素周围四个方向的均值及方差，比较上下，左右两个方向的均值；将较小的值进行重组，生成bkgray。对bkgray数组计算方差，得出该像素点对应的阈值；最后将得到的MultiThread数组对滤波后的Filterimage进行分割及候选目标提取，虚警抑制后上报目标信息，如附图9所示。

由上述实施例结果图像可以看出，对于复杂云层背景、低信噪比的图像，以及含有探测器坏元的图像，本发明方法均能较好地抑制噪声，完整地检测出目标。

Claims (2)

1.基于改进Pixel分割的红外弱小目标检测算法，该算法适用于matlab或者VS平台开发运行；其特征在于：具体步骤如下：

S1：读取输入图像image，高为height，宽为width；

S2：采用非局部均值滤波方法对原图像进行滤波，得到滤波图像Filterimage；

S3：计算滤波图像的均值mm及方差var，计算图像全局分割阈值即Thread，Thread=tk*mm，tk为经验值，可取10；

S4：构造阈值分割数组MultiThread,尺寸与输入图像保持一致，且各个元素值为0；

S5：构建滑动窗口，内窗口为Inside,半径为ds,元素值为0；外窗口为Outside,半径为DS,元素值为1；

S6：设置列数增量column步长为1,行数增量row步长为1；

S7：若column或row值小余DS或者大于width–DS,height–DS,将Thread值直接赋予当前遍历像素坐标对应MultiThread；否则执行步骤8；

S8：若column或row值大余DS或者小于width–DS,height–DS,外窗口与原图像进行点乘，获得当前块为CurrentMode；

S9：取CurrentMode内尺寸与Inside窗口点乘，得到Local_Pixel矩阵；

S10：计算Local_Pixel矩阵上下左右四个方向的均值，mean_top,mean_bottom,mean_left,mean_right及四个方向的方差；

S11：比较上下、左右两个方向的均值，将较小值的像素进行重组，生成bkgray；其中，bkgray为数组，存放的为按照从小到大排序的上下左右四个方向的灰度均值；

S12：计算bkgray的方差，与系数相乘得出结果赋给当前遍历中心对应数组MultiThread；其中，MultiThread为构造的阈值分割数组，尺寸与输入图像保持一致；

S13：利用MultiThread对滤波图像Filterimage进行阈值分割，得到候选目标图像；

S14：虚警抑制，上报目标信息。

2.根据权利要求1所述的基于改进Pixel分割的红外弱小目标检测算法，其特征在于：选取一幅大小为612×294的图像，将其进行非局部均值滤波，得到滤波图像Filterimage，计算出全局均值及方差，得到全局阈值Thread，阈值系数为10；

构建一个大小为15×15的外窗口，即DS取为7；内窗口为5×5，即ds取为3；

对原始图像进行遍历，判断遍历模板中心像素周围四个方向的均值及方差，比较上下，左右两个方向的均值；

将较小的值进行重组，生成bkgray；对bkgray数组计算方差，得出该像素点对应的阈值；

最后将得到的MultiThread数组对滤波后的Filterimage进行分割及候选目标提取，虚警抑制后上报目标信息。

Images