CN114155425A - 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法，本发明首先建立新的自适应高斯加权马尔可夫随机场滤波模型来获取图像的差分图像，接着依据建立的运动模型来构建目标马尔可夫转移概率模型，以估计出目标的运动方向，并沿着运动方向采用转移概率加权的形式来增强目标信号。该算法相对于同类算法来说具有很好的先进性，得到更好的检测效果。

Description

基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法

技术领域

本发明涉及物体跟踪，物体追踪的领域。具体涉及一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法，主要是对弱小目标的追踪检测，在各种复杂的光电噪声中准确的提取真实存在的小目标，也涉及到计算机视觉算法改进的领域。

背景技术

红外弱小目标图像的检测在科技上运用广泛，但该技术由于大气辐射、作用距离、光电干扰等因素的影响，使得目标在图像上尺寸较小，呈现点状，无任何轮廓纹理特征，有时还会淹没在复杂的背景中，重噪声、杂波等还会影响算法的判断，使得小目标检测变得十分困难。

对小目标检测算法的改进成为了趋势。为了有效抑制大部分背景同时增强目标信号，本发明首先建立新的自适应高斯加权马尔可夫随机场滤波模型来获取图像的差分图像，当中心像元的目标区域与邻近背景区域差异较大时，该算法由于充分利用像元与邻域区域的坐标空域信息和像元值相似程度信息进行加权来增强中心像元的信息，有效突显目标信号；当中心像元的目标区域与邻近背景区域差异较小时，由于中心像元与邻域区域差异不大，采用该算法对图像滤波后可有效滤波掉这部分背景区域；在上述算法对图像进行滤波后，在获取差分图像的基础上，为进一步增强目标信号，本发明提出了基于高斯马尔可夫随机场运动方向估计模型，首先建立目标在邻域范围内的运动模型，接着依据建立的运动模型来构建目标马尔可夫转移概率模型，以估计出目标的运动方向，并沿着运动方向采用转移概率加权的形式来增强目标信号。

发明内容

本发明主要是解决远距离成像的弱小目标探测问题，由于远距离成像的光电环境中常含有大气流动，云层湍流将目标淹没，目标在图像中仅占几个像元且缺乏明显的纹理信息，给目标检测带来困扰。此外，针对一般算法仅利用图像的空域信息进行高空弱小目标检测在背景建模时削弱目标信息而造成检测失败的情况，本发明提供一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法，将图像的时域信息和空域信息结合起来共同完成图像的背景建模处理，使得目标信号能够被保留下来，且通过目标运动的时域连续性对目标信号进行增强，最终实现目标顺利检测提取。

本发明解决上述技术问题采用的技术方案为：一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法，包括如下步骤：

步骤一、建立自适应高斯加权马尔可夫随机场滤波模型，通过该自适应高斯加权马尔可夫随机场滤波模型进行滤波，具体的模型如下：

f′(i+row,j+col)＝f(i+row,j+col)×w(i+row,j+col)，(row,col∈R×R)

式中，(i,j)是中心像元点的坐标；f(i,j)是中心像元点的灰度值；row,col是中心像元点(i,j)邻域的R×R的行列坐标号；R是中心像元点周围邻域的半径大小；f(i+row,j+col)是中心像元点(i,j)邻域R×R各像元的灰度值；σ₁是邻域R×R坐标的标准差；σ₂周围R×R邻域灰度值的标准差，由于σ₁和σ₂根据邻域区域自动计算得到；N表示R邻域范围内所有像元的个数，用以求相应邻域的整体像元均值；

w(i+row,j+col)表示R邻域范围内对应像元的加权函数；f′(i+row,j+col)加权后的像元值，σ是滤波后的图像邻域R×R像元的标准差；w_p(i+row,j+col)是高斯马尔可夫加权函数获取的滤波权值。F(i,j)是经过高斯马尔可夫加权滤波后得到的差分图像。

步骤二、建立高斯马尔可夫随机场运动方向估计模型，通过该高斯马尔可夫随机场运动方向估计模型进行能量增强，该高斯马尔可夫随机场运动方向估计模型如2所示，其中“1、2、3、4、5、6、7、8、9”分别表示目标在相邻帧间静止、目标往右边运动、目标往右上角运动、目标往右上运动、目标往左上角运动、目标往左运动、目标往左下角运动、目标往下运动、目标往右下角运动。通过运动模型来建立马尔可夫状态空间和一步转移概率模型，像元点(i,j)在k与下一时刻k+1所属的成分属性可用状态空间{Y₀，Y₁，Y₂}来描述，其中“Y₀”表示像元属于背景，“Y₁”表示像元属于目标，“Y₂”表示像元属于噪点。一步转移概率模型相应的公式如下：

F_t′(i,j)＝F_k′(i,j)+F_k+1(i,j)

式中，

是邻域9个方向的运动函数，其将k时刻的差分图F_k(·)分别沿9个方向移动获取的运动模型图；t是9个方向的序号；F_t′(·)是k时刻与k+1时刻的第t个累加结果图；max(·)是求取最大值的函数；I是像元点(i,j)最大值所在的位置；

是一步转移概率矩阵，矩阵大小是3x3，其具体定义如下：

式中，举一个实例，若像元点(i,j)最大值所在的位置是9，那么一步转移概率矩阵：

采用一步转移概率矩阵加权的形式来增强目标信号，具体如下：

式中，F_e(·)是增强结果图；F_t′(·)是像元点(i,j)最大值所在的位置对应的累加结果图；

是一步转移概率矩阵。

本发明与现有技术相比的有益效果在于：

(1)本发明借助自适应高斯加权马尔可夫随机场滤波模型能有效过滤掉背景区域，得到良好的差分图像；

(2)本发明通过马尔可夫随机场充分的将图像的时域信息和空域信息利用了起来，能够把图像中有用的细节信息更好的保留下来。

(3)本发明通过高斯马尔可夫随机场运动方向估计模型能够很好的增强目标信号。可以补充更多的优点。

(4)本发明通过定义马尔可夫状态空间使得像元判别简洁明了，加快算法的运算进程。

(5)本发明利用目标的运动特性定义的一步转移概率能够有效的根据目标的运动方向来进行对应位置的信号增强，确保增强位置的准确性，从而能够提高算法的整体检测率。

附图说明

图1为本发明一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法流程图；

图2为构造目标邻域的运动模型示意图；

图3为选取外场获取的图像进行实现相应结果示意图，其中，图3(a)为原始图像；图3(b)是采用本发明提出的自适应高斯加权马尔可夫随机场滤波模型来获取差分图像及相应三维图像；图3(c)是采用本发明提出的高斯马尔可夫随机场运动方向估计模型对目标信号增强后的结果图及相应三维图像。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

如图1所示，本发明提供一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法，包括以下步骤：

1.自适应高斯加权马尔可夫随机场滤波模型

传统的一阶GMRF模型，由于采用固定的滤波权值参数，难以适应动态变化的场景数据。为了获取能有效保留目标信号及抑制大部分背景信息的差分图像，本发明提出了一种自适应高斯加权马尔可夫随机场滤波模型，其充分融入像元坐标的空域信息和像元值相似程度信息进行加权，以更好的描述像元邻域系统的联合概率分布，具体过程如下：

1)建立充分融入邻域系统坐标空域信息和像元值相似信息的加权函数，公式如下：

式中，(i,j)是中心像元点的坐标；f(i,j)是中心像元点的灰度值；row,col是中心像元点(i,j)的邻域R×R的坐标，R是中心像元点周围邻域的半径大小；f(i+row,j+col)是中心像元点(i,j)邻域R×R的灰度值；σ₁邻域R×R坐标的标准差；σ₂邻域R×R灰度值的标准差，由于σ₁和σ₂根据邻域区域自动计算得到，能自适应场景的动态变化情况。

2)采用函数对图像进行加权滤波，公式如下：

f′(i+row,j+col)＝f(i+row,j+col)×w(i+row,j+col)，(row,col∈R×R) (2)

式中，f′(i+row,j+col)加权后的像元值；w(i+row,j+col)表示R邻域范围内对应像元的加权函数。

3)对滤波后的图像建立新的高斯马尔可夫联合概率加权函数，具体公式如下：

式中，σ是滤波后的图像邻域R×R的标准差；w_P是高斯马尔可夫加权函数获取的滤波权值，用以获取差分图像；N表示R邻域范围内所有像元的个数，用以求相应邻域的整体像元均值。

4)使用高斯马尔可夫加权函数来增强图像中心像元点(i,j)的信号，具体公式如下：

式中，F(i,j)是经过高斯马尔可夫加权滤波后得到的差分图像。

2.高斯马尔可夫随机场运动方向估计模型

经过高斯马尔可夫加权滤波后得到的差分图像，图像中目标能量还较弱，为了进一步增强目标信号，本发明提出了高斯马尔可夫随机场运动方向估计模型来实现目标的能量增强。该算法先构造目标邻域的运动模型，然后根据目标邻域运动模型来构建目标马尔可夫状态空间和一步转移概率模型，以此估计出目标的运动方向，最后沿着运动方向采用转移概率加权的形式来增强目标信号。具体如下：

1)构造目标邻域的运动模型，由于远距离成像，弱小目标在不同时刻的运动速度较慢，通常小于等于2pixel/s。因此，目标在相邻帧内的9个方向的运动模型，其中“1、2、3、4、5、6、7、8、9”分别表示目标在相邻帧间静止、目标往右边运动、目标往右上角运动、目标往右上运动、目标往左上角运动、目标往左运动、目标往左下角运动、目标往下运动、目标往右下角运动，如图2所示。

2)依据目标运动模型来建立马尔可夫状态空间和一步转移概率模型，像元点(i,j)在k与下一时刻k+1所属的成分属性可用状态空间{Y₀，Y₁，Y₂}来描述，其中“Y₀”表示像元属于背景，“Y₁”表示像元属于目标，“Y₂”表示像元属于噪点。一步转移概率模型相应的公式如下：

式中，

是邻域9个方向的运动函数，其将k时刻的差分图F_k(·)分别沿9个方向移动获取的运动模型图；t是9个方向的序号；F_t′(·)是k时刻与k+1时刻的第t个累加结果图；max(·)是求取最大值的函数；I是像元点(i,j)最大值所在的位置；

是一步转移概率矩阵，矩阵大小是3x3，其具体定义如下：

式中，举一个实例，若像元点(i,j)最大值所在的位置是9，那么一步转移概率矩阵：

3)采用一步转移概率矩阵加权的形式来增强目标信号，具体如下：

式中，F_e(·)是增强结果图；F_t′(·)是像元点(i,j)最大值所在的位置对应的累加结果图；

是一步转移概率矩阵。

为了验证本发明提出算法的有效性，选取外场获取的图像进行实现，相应结果图3，其中图3(a)为原始图像；图3(b)是采用本发明提出的自适应高斯加权马尔可夫随机场滤波模型来获取差分图像及相应三维图像；图3(c)是采用本发明提出的高斯马尔可夫随机场运动方向估计模型对目标信号增强后的结果图及相应三维图像。从图3(c)中可知，采用本发明提出的高斯马尔可夫随机场运动方向估计模型对目标信号进行增强，目标信噪比从4.98dB提升到8.68dB，能有效提高目标信号。

本发明未详细阐述部分属于本领域技术人员的公知技术。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例变化,变型都将落在本发明权利要求书的范围内。

Claims (1)

1.基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法，其特征在于：包括如下步骤：

步骤一、建立新的自适应高斯加权马尔可夫随机场滤波模型，通过该自适应高斯加权马尔可夫随机场滤波模型进行滤波来获取图像的差分图像，具体的滤波模型如下：

f′(i+row,j+col)＝f(i+row,j+col)×w(i+row,j+col)，(row,col∈R×R)

式中，(i,j)是中心像元点的坐标；f(i,j)是中心像元点的灰度值；row,col是中心像元点(i,j)邻域的R×R的行列坐标号；R是中心像元点周围邻域的半径大小；f(i+row,j+col)是中心像元点(i,j)邻域R×R各像元的灰度值；σ₁是邻域R×R坐标的标准差；σ₂周围R×R邻域灰度值的标准差，由于σ₁和σ₂根据邻域区域自动计算得到，N表示R邻域范围内所有像元的个数，用以求相应邻域的整体像元均值；

w(i+row,j+col)表示R邻域范围内对应像元的加权函数；f′(i+row,j+col)表示加权后的像元值，σ是滤波后的图像邻域R×R像元的标准差；w_p(i+row,j+col)是高斯马尔可夫加权函数获取的滤波权值，F(i,j)是经过高斯马尔可夫加权滤波后得到的差分图像；

步骤二、建立基于高斯马尔可夫随机场运动方向估计模型，该高斯马尔可夫随机场运动方向估计模型进行能量增强，该高斯马尔可夫随机场运动方向估计模型中“1、2、3、4、5、6、7、8、9”分别表示目标在相邻帧间静止、目标往右边运动、目标往右上角运动、目标往右上运动、目标往左上角运动、目标往左运动、目标往左下角运动、目标往下运动、目标往右下角运动，通过该高斯马尔可夫随机场运动方向估计模型来建立马尔可夫状态空间和一步转移概率模型，像元点(i,j)在k与下一时刻k+1所属的成分属性可用状态空间{Y₀，Y₁，Y₂}来描述，其中“Y₀”表示像元属于背景，“Y₁”表示像元属于目标，“Y₂”表示像元属于噪点，一步转移概率模型相应的公式如下：

F_t′(i,j)＝F_k′(i,j)+F_k+1(i,j)

式中，

是邻域9个方向的运动函数，其将k时刻的差分图F_k(·)分别沿9个方向移动获取的运动模型图；t是9个方向的序号；F_t′(·)是k时刻与k+1时刻的第t个累加结果图；max(·)是求取最大值的函数；I是像元点(i,j)最大值所在的位置；

是一步转移概率矩阵，矩阵大小是3x3，其具体定义如下：

式中，若像元点(i,j)最大值所在的位置是9，那么一步转移概率矩阵：

采用一步转移概率矩阵加权的形式来增强目标信号，具体如下：

式中，F_e(·)是增强结果图；F_t′(·)是像元点(i,j)最大值所在的位置对应的累加结果图；

是一步转移概率矩阵。

Images