CN113776676A - 一种基于图像曲率和梯度的红外小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于图像曲率和梯度的红外小目标检测方法，属于红外探测领域，步骤如下：首先，对输入的红外图像进行曲率滤波得到最小曲率特征图和平均曲率特征图；其次，根据最小曲率特征图设定阈值，进行全局阈值分割得到二值化图；再次，结合二值化图对输入的红外图像进行梯度滤波得到最小梯度特征图和平均梯度特征图；然后，根据最小曲率特征图和最小梯度特征图进行融合，得到小目标特征图；最后，结合小目标特征图和红外图像灰度图对二值化图进行质心点筛选，并输出所有疑似目标质心点，作为检测结果。

Description

一种基于图像曲率和梯度的红外小目标检测方法

技术领域

本发明属于红外探测领域，特别涉及一种基于图像曲率和梯度的红外小目标检测方法。

背景技术

随着军事技术的迅速发展，雷达预警技术中所具有的机动性差、配置地域受限、易受电子干扰和反射导弹的攻击、低空目标探测性能差等缺点越来越明显，红外探测技术的出现很好地弥补了这些问题。红外探测技术依靠接收目标自身的红外辐射特性进行被动探测工作，它将光电传感技术、图像处理技术、控制技术结合起来，即使在恶劣的电磁环境下，也能实施对地面目标、空中目标甚至空间目标的昼夜探测，红外探测系统体积小、质量轻，可以灵活地配置在各种地形，再加之其具有机动能力强、抗干扰性能良好、可昼夜工作等优点，红外目标探测技术在军用或民用领域上的作用至关重要。

红外目标检测尤其是红外小目标检测技术作为红外成像制导、红外告警和红外搜索与跟踪等方向一项不可或缺的关键技术，成为了红外图像处理领域中一项热门的研究课题。由于红外探测系统中的一项重要指标——作用距离的提升是一个迫切需要解决的问题，国内外学者从70年代末期开始，针对红外监视系统提出了小目标的概念：小目标是指目标距离红外成像系统很远，在图像中只占几个像素甚至一个像素的目标，而红外小目标检测技术作为提升红外探测系统作用距离的一项关键技术，其中小目标自身特性分析是解决这一问题的一项至关重要的研究。

现有的红外小目标检测技术常对探测器获取的数据进行滤波以尽可能地抑制背景中的杂波与噪声，对每帧图像以固定或自适应阈值提取超过阈值的像素点作为目标的观测值，然而由于小目标在探测器平面上占有的像元个数较少、纹理特征不明显等特点，加之国内现有的红外小目标检测技术在小目标特征的提取以及与背景杂波的区分上仍然存在很大的不足，造成了红外小目标检测技术在实际应用中存在虚警率和漏警率较高的问题，即目标检测错误或者未检测到目标的情况，大大降低了红外告警或者红外成像制导中目标检测的能力，造成作战能力不达标的尴尬局面。因此利用目标与背景的差异，分析红外小目标的特征，进而根据小目标的独有特性改善或解决当前小目标检测中虚警率较高的问题具有重要意义。

发明内容

本发明的目的在于提出了一种基于图像曲率和梯度的红外小目标检测方法，针对现有红外小目标检测技术在小目标特征的提取以及与背景杂波的区分上仍然存在很大的不足，造成了红外小目标检测技术在实际应用中存在虚警率和漏警率较高，难以适应复杂环境下红外小目标探测需求的问题，该检测方法计算复杂度较低且其方法实现简单，有较高的工程应用价值。

本发明的具体技术解决方案为：一种基于图像曲率和梯度的红外小目标检测方法，包括以下步骤：

步骤1、对输入的红外图像f_I进行曲率滤波得到最小曲率特征图f_{curv_min}和平均曲率特征图f_{curv_ave}。

步骤2、根据最小曲率特征图f_{curv_min}设定阈值，对最小曲率特征图进行全局阈值分割得到二值化图f_th。

步骤3、结合二值化图f_th对输入的红外图像进行梯度滤波得到最小梯度特征图f_{grad_min}和平均梯度特征图f_{grad_Ave}。

步骤4、根据最小曲率特征图和最小梯度特征图进行融合，得到小目标特征图F_mix。

步骤5、结合小目标特征图F_mix和红外图像f_I，对二值化图f_th进行质心点筛选，并输出所有有效质心点，即为疑似目标质心点。

本发明的效果是：1)相比于传统红外小目标检测方法，根据曲率和梯度融合得到小目标特征值，并利用此小目标特征值进行有效质心点的筛选，在保证探测率的同时，大大降低了虚警；2)相比于传统红外小目标检测方法，通过小目标特征值作为筛选有效目标的手段，很好地抑制了背景杂波，在对地等背景较复杂的场景下有更好的性能优势；3)本方法是对现有红外小目标检测方法的补充，易于实现，具有较为实用的工程应用价值。

下面结合附图对本发明作进一步详细描述。

附图说明

图1本发明所述的一种基于图像曲率和梯度的红外小目标检测方法流程图。

图2本发明所述的根据小目标特征图和灰度图筛选有效目标的流程图。

图3无人机红外目标实际场景图。

图4无人机红外目标实际场景的二值处理结果图。

图5采用本发明所述检测方法的无人机红外目标检测结果图。

具体实施方式

结合图1～图2，本发明所述的一种基于图像曲率和梯度的红外小目标检测方法，包括以下步骤：

步骤1、对输入的红外图像进行曲率滤波得到最小曲率特征图f_{curv_min}和平均曲率特征图f_{curv_ave}，具体如下：

步骤11、输入的红外图像设定三个窗口为n×n的基础滤波模板W₁、W₂、W₃，考虑小目标尺寸小于7×7，n∈{5，7}。

步骤12、根据基础滤波模板W₁、W₂、W₃，分别计算0°、45°、90°、135°四个方向滤波模板W₀、W₄₅、W₉₀、W₁₃₅。

步骤13、对输入的红外图像中的每一个像素点计算其0°、45°、90°、135°四个方向上的二阶导数f″_ij0、f″_ij45、f″_ij90、f″_ij135，红外图像分辨率为i×j，i为图像行数，j为图像列数。

步骤14、将上述所有二阶导数f″_ij0、f″_ij45、f″_ij90、f″_ij135的正数部分置0，再分别取其绝对值，至此得到每个像素点四个方向上的曲率特征值C_ij0、C_ij45、C_ij90、C_ij135。

步骤15、对红外图像的每个像素点，计算C_ij0、C_ij45、C_ij90、C_ij135的最小曲率特征值f_{ijcurv_min}和平均曲率特征值f_{ijcurv_ave}，所有像素点计算完成后，得到该红外图像的最小曲率特征图f_{curv_min}和平均曲率特征图f_{curv_ave}。

步骤2、根据最小曲率特征图f_{curv_min}设定阈值，对最小曲率特征图进行全局阈值分割得到二值化图f_th，具体如下：

步骤21、计算最小曲率特征图f_{curv_min}的全局均值μ和方差σ。

步骤22、设定阈值分割的阈值T_th＝μ+k·σ，其中，调节系数k取经验值0.1，可根据二值结果再做调节。

步骤23、对红外图像f_I内每一个像素点，比较其最小曲率特征值f_{ijcurv_min}与阈值T_th的大小，若大于T_th则保留该像素点，即将二值化结果置为1，否则删除该像素点，即将二值化结果置为0。

步骤24、所有像素点比较完成后，输出所有二值化结果为1的点，即得到二值化图f_th。

步骤3、结合二值化图f_th对输入的红外图像进行梯度滤波得到最小梯度特征图f_{grad_min}和平均梯度特征图f_{grad_Ave}，具体如下：

步骤31、取二值化图f_th中值为1的一个像素点，以当前像素点为中心，获取窗口为m×m像素的红外子图像区域，考虑小目标尺寸小于7×7，m∈{5，7，9}。

步骤32、计算当前像素点与其红外子图像区域内0°、45°、90°、135°、180°、225°、270°、315°八个方向上的像素点的灰度差值，直到遍历完二值化图f_th中所有值为1的像素点，至此得到每个二值化结果为1的像素点八个方向上的梯度特征值G_ij0、G_ij45、G_ij90、G_ij135、G_ij180、G_ij225、G_ij270、G_ij315。

步骤33、将二值化结果为0的像素点八个方向上的梯度特征值均设为0。

步骤34、对该红外图像中的每个像素点分别计算G_ij0、G_ij45、G_ij90、G_ij135、G_ij180、G_ij225、G_ij270、G_ij315的最小梯度特征值f_{ijgrad_min}和平均梯度特征值f_{ijgrad_Ave}，所有像素点计算完成后，得到该红外图像的最小梯度特征值f_{grad_min}和平均梯度特征值f_{grad_Ave}。

步骤4、根据最小曲率特征图和最小梯度特征图进行融合，得到小目标特征图F_mix，由于亮小目标的灰度特征一般是中间亮、周围暗，而背景处一般灰度变化缓慢、比较平坦，因此小目标与平坦背景的曲率和梯度相差较大，根据这两个值融合得到的小目标特征值更能与背景杂波进行区分，具体如下：

步骤41、对红外图像的每个像素点，判断其四个方向上的曲率特征值C_ij0、C_ij45、C_ij90、C_ij135和八个方向上的梯度特征值G_ij0、G_ij45、G_ij90、G_ij135、G_ij180、G_ij225、G_ij270、G_ij315是否同号，若同号，则曲率特征同号标记h_ijc和梯度特征同号标记h_ijg均置为1，否则h_ijc和h_ijg均置为0，由于小目标在多方向上的曲率和梯度值往往同正或同负，当为亮小目标时同为负，暗小目标时同为正。

步骤42、根据红外图像的最小梯度特征图f_{grad_min}和最小曲率特征图f_{curv_min}计算全局最大值，得到该红外图像的最小曲率特征图的全局最大值f_{curv_min_max}和最小梯度特征图的全局最大值f_{grad_min_max}。

步骤43、对红外图像的每个像素点，根据其最小曲率特征值f_{ijcurv_min}、平均曲率特征值f_{ijcurv_ave}、最小梯度特征值f_{ijgrad_min}、平均梯度特征值f_{ijgrad_Ave}、最小曲率特征图的全局最大值f_{curv_min_max}、最小梯度特征图的全局最大值f_{grad_min_max}曲率特征同号标记h_ijc和梯度特征同号标记h_ijg，计算小目标特征值F_ijmix：

F_ijmix＝α×(f_{ijcurv_min}/f_{curv_min_max})×h_ijc+β×(f_{ijgrad_min}/f_{grad_min_max})×h_ijg

其中α和β是调节系数，α，β∈[0，1]，默认均取0.5。

步骤44、该红外图像的每个像素点的小目标特征值F_ijmix计算完成后，得到该红外图像的小目标特征图F_mix。

步骤5、结合该红外图像的小目标特征图F_mix和红外图像f_I对二值化图f_th进行质心点筛选，并输出所有有效质心点作为检测结果，具体如下：

步骤51、取二值化图f_th中值为1的一个像素点，以当前像素点为中心，获取窗口为p×p像素的二值化子图像区域，考虑小目标尺寸小于7×7，p∈{5，7，9}。

步骤52、判断p×p像素的二值化子图像区域中是否存在其他像素点，若存在，计算二值化子图像区域内所有像素点的小目标特征值的均值F_{mix_ave}，计算二值化子图像区域内所有像素点的灰度均值f_{I_ave}，比较当前中心像素点的F_ijmix值是否大于F_{mix_ave}，若大于则保留，否则删除该像素点，再判断当前中心像素点的灰度值f_ijI是否大于f_{I_ave}，若大于则保留，否则删除该像素点。

步骤53、遍历二值化图f_th后，输出所有筛选后的有效质心点，即为疑似目标质心点。

实施例1

结合图3～图5，以下通过特定的具体实例说明本发明的实施方式，如图3所示，输入分辨率为640×512的待检测的无人机红外图像，空中飞有两个无人机目标，地面背景相对复杂，有建筑物、道路、树木等。下面采用本专利提出的“一种基于图像曲率和梯度的红外小目标检测方法”来检测此场景内的小目标，实施步骤如下：

步骤1、对输入的无人机红外图像进行曲率滤波得到最小曲率特征图f_{curv_min}和平均曲率特征图f_{curv_ave}，基础滤波模板窗口大小为5。

步骤2、根据最小曲率特征图f_{curv_min}设定阈值分割的阈值，T_th＝μ+k·σ，其中，调节系数k取经验值0.1，可根据二值结果再做调节，然后对最小曲率特征图进行全局阈值分割得到二值化图f_th，如图4所示，可以看到在不丢失目标的同时，大大降低了待检测的点数，并起到抑制背景杂波的作用。

步骤3、结合二值化图f_th对输入的红外图像进行梯度滤波，考虑小目标尺寸小于7×7，m取7，并计算得到最小梯度特征图f_{grad_min}和平均梯度特征图f_{grad_Ave}。

步骤4、根据最小曲率特征图和最小梯度特征图进行融合，得到小目标特征图F_mix。

步骤5、结合小目标特征图F_mix和红外图像f_I，对二值化图f_th进行质心点筛选，筛选时二值化子图像区域大小取7×7，并输出所有有效质心点，如图5所示，图中亮点即为疑似目标质心点，可以看出相比原始红外图像而言，检测结果极大地抑制了背景杂波，在保证探测率的同时降低了虚警率。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (6)

1.一种基于图像曲率和梯度的红外小目标检测方法，其特征在于，包括以下步骤：

步骤1、对输入的红外图像f_I进行曲率滤波得到最小曲率特征图f_{curv_min}和平均曲率特征图f_{curv_ave}；

步骤2、根据最小曲率特征图f_{curv_min}设定阈值，对最小曲率特征图进行全局阈值分割得到二值化图f_th；

步骤3、结合二值化图f_th对红外图像f_I进行梯度滤波得到最小梯度特征图f_{grad_min}和平均梯度特征图f_{grad_Ave}；

步骤4、根据最小曲率特征图f_{curv_min}和最小梯度特征图f_{grad_min}进行融合，得到小目标特征图F_mix；

步骤5、结合小目标特征图F_mix和红外图像f_I，对二值化图f_th进行质心点筛选，并输出所有有效质心点，即为疑似目标质心点。

2.根据权利要求1所述的基于图像曲率和梯度的红外小目标检测方法，其特征在于，所述步骤1中，对输入的红外图像f_I进行曲率滤波得到最小曲率特征图f_{curv_min}和平均曲率特征图f_{curv_ave}，包括以下步骤：

步骤11、输入的红外图像f_I设定三个窗口为n×n的基础滤波模板W₁、W₂、W₃，n∈{5，7}；

步骤12、根据基础滤波模板W₁、W₂、W₃，分别计算0°、45°、90°、135°四个方向滤波模板W₀、W₄₅、W₉₀、W₁₃₅；

步骤13、对红外图像f_I中的每一个像素点计算其0°、45°、90°、135°四个方向上的二阶导数f″_ij0、f″_ij45、f″_ij90、f″_ij135，i为图像行数，j为图像列数；

步骤14、将上述所有二阶导数f″_ij0、f″_ij45、f″_ij90、f″_ij135的正数部分置0，再分别取其绝对值，至此得到每个像素点四个方向上的曲率特征值C_ij0、C_ij45、C_ij90、C_ij135；

步骤15、对红外图像的每个像素点，计算C_ij0、C_ij45、C_ij90、C_ij135的最小曲率特征值f_{ijcurv_min}和平均曲率特征值f_{ijcurv_ave}，所有像素点计算完成后，得到该红外图像的最小曲率特征图f_{curv_min}和平均曲率特征图f_{curv_ave}。

3.根据权利要求2所述的基于图像曲率和梯度的红外小目标检测方法，其特征在于，所述步骤2中，根据最小曲率特征图f_{curv_min}设定阈值，对最小曲率特征图进行全局阈值分割得到二值化图f_th，包括以下步骤：

步骤21、计算最小曲率特征图f_{curv_min}的全局均值μ和方差σ；

步骤22、设定阈值分割的阈值T_th＝μ+k·σ，其中，调节系数k取经验值0.1；

步骤23、对红外图像f_I内每一个像素点，比较其最小曲率特征值f_{ijcurv_min}与阈值T_th的大小，若大于T_th则保留该像素点，即将二值化结果置为1，否则删除该像素点，即将二值化结果置为0；

步骤24、所有像素点比较完成后，输出所有二值化结果为1的点，即得到二值化图f_th。

4.根据权利要求3所述的基于图像曲率和梯度的红外小目标检测方法，其特征在于，所述步骤3中，结合二值化图f_th对输入的红外图像进行梯度滤波得到最小梯度特征图f_{grad_min}和平均梯度特征图f_{grad_Ave}，包括以下步骤：

步骤31、取二值化图f_th中值为1的一个像素点，以当前像素点为中心，获取窗口为m×m像素的红外子图像区域，m∈{5，7}；

步骤32、计算当前像素点与其红外子图像区域内0°、45°、90°、135°、180°、225°、270°、315°八个方向上的像素点的灰度差值，直到遍历完二值化图f_th中所有值为1的像素点，至此得到每个二值化结果为1的像素点八个方向上的梯度特征值G_ij0、G_ij45、G_ij90、G_ij135、G_ij180、G_ij225、G_ij270、G_ij315；

步骤33、将二值化结果为0的像素点八个方向上的梯度特征值均设为0；

步骤34、对该红外图像中的每个像素点分别计算G_ij0、G_ij45、G_ij90、G_ij135、G_ij180、G_ij225、G_ij270、G_ij315的最小梯度特征值f_{ijgrad_min}和平均梯度特征值f_{ijgrad_Ave}，所有像素点计算完成后，得到该红外图像的最小梯度特征值f_{grad_min}和平均梯度特征值f_{grad_Ave}。

5.根据权利要求4所述的基于图像曲率和梯度的红外小目标检测方法，其特征在于，所述步骤4中，根据最小曲率特征图和最小梯度特征图进行融合，得到小目标特征图F_mix，包括以下步骤：

步骤41、对红外图像的每个像素点，判断其四个方向上的曲率特征值C_ij0、C_ij45、C_ij90、C_ij135和八个方向上的梯度特征值G_ij0、G_ij45、G_ij90、G_ij135、G_ij180、G_ij225、G_ij270、G_ij315是否同号，若同号，则曲率特征同号标记h_ijc和梯度特征同号标记h_ijg均置为1，否则h_ijc和h_ijg均置为0；

步骤42、根据红外图像的最小梯度特征图f_{grad_min}和最小曲率特征图f_{curv_min}计算全局最大值，得到该红外图像的最小曲率特征图的全局最大值f_{curv_min_max}和最小梯度特征图的全局最大值f_{grad_min_max}；

步骤43、对红外图像的每个像素点，根据最小曲率特征值f_{ijcurv_min}、平均曲率特征值f_{ijcurv_ave}、最小梯度特征值f_{ijgrad_min}、平均梯度特征值f_{ijgrad_Ave}、最小曲率特征图的全局最大值f_{curv_min_max}、最小梯度特征图的全局最大值f_{grad_min_max}曲率特征同号标记h_ijc和梯度特征同号标记h_ijg，计算小目标特征值F_ijmix；

F_ijmix＝α×(f_{ijcurv_min}/f_{curv_min_max})×h_ijc+β×(f_{ijgrad_min}/f_{gradd_min_max})×h_ijg

其中，α和β是调节系数，α，β∈[0，1]；

步骤44、该红外图像的每个像素点的小目标特征值F_ijmix计算完成后，得到该红外图像的小目标特征图F_mix。

6.根据权利要求5所述的基于图像曲率和梯度的红外小目标检测方法，其特征在于，所述步骤5中，结合该红外图像的小目标特征图F_mix和红外图像f_I对二值化图f_th进行质心点筛选，并输出所有有效质心点作为检测结果，包括以下步骤：

步骤51、取二值化图f_th中值为1的一个像素点，以当前像素点为中心，获取窗口为p×p像素的二值化子图像区域，p∈{5，7}；

步骤52、判断p×p像素的二值化子图像区域中是否存在其他像素点，若存在，计算二值化子图像区域内所有像素点的小目标特征值的均值F_{mix_ave}，计算二值化子图像区域内所有像素点的灰度均值f_{I_ave}，比较当前中心像素点的F_ijmix值是否大于F_{mix_ave}，若大于则保留，否则删除该像素点，再判断当前中心像素点的灰度值f_ijI是否大于f_{I_ave}，若大于则保留，否则删除该像素点；

步骤53、遍历二值化图f_th后，输出所有筛选后的有效质心点，即为疑似目标质心点。

Images