CN115147613A - 一种基于多向融合的红外小目标检测方法 - Google Patents

Abstract

本发明涉及一种基于多向融合的红外小目标检测方法，该方法首先从边缘和局部的角度同时进行facet信息建模，并对融合滤波后的图像进行连通域像素恢复操作，得到候选目标；然后对候选目标进行限制性Random Walker分割，设计出一种自适应分割框，用于准确定位背景种子点，提高分割精度，区分目标与杂波。最后，我们将分割映射与facet滤波结果加权，通过阈值分割得到最终的小目标。本发明充分利用了小目标在红外图像中的空间分布与灰度特性，有效弥补了红外图像中目标所占像素少、无可区分的纹理与形状、信杂比低等问题，极大地提高了小目标的完整性与分割算法的多尺度适应性，同时有效的抑制了不同形态的背景杂波，提高小目标的检测性能。

Description

一种基于多向融合的红外小目标检测方法

技术领域

本发明涉及一种基于多向融合的红外小目标检测方法，属于计算机视觉和民用、军事侦察等图像处理领域。该方法很好地弥补了红外图像中普遍存在的目标所占像素少、无可区分的纹理与形状、信杂比低等缺陷，基于facet一阶、二阶核融合构造的滤波图特性，加以连通域像素恢复的后处理，极大的提高了候选目标的完整性，目标增强效果较好，同时对多尺度目标和不同形状的杂波有更强的鲁棒性。

背景技术

红外小目标检测是计算机视觉的重要研究课题之一，广泛应用于红外搜索跟踪系统、精确制导、防空等领域。但由于成像距离远，目标弱，通常缺乏形状、纹理、结构等细节。此外，目标通常沉浸在复杂的背景中，容易受到高亮度噪声、复杂背景的干扰。因此，红外小目标检测仍然是一项艰巨而富有挑战性的任务。通过分析小目标在红外图像中的特性，各个角度具有相似的结构与强度，表现为各向同性的高斯特性，与周围背景相比，小目标在空间上像素分布更紧凑，且具有更强的亮度。因此多数方法利用目标分布特性构造合适的滤波模板来处理红外图像以突出小目标提高信杂比；基于对比度的一系列检测方法设计不同的patch，将小目标与背景的对比增强图作为最终的权重图。但在这些检测方法中，同样存在复杂背景干扰、对比度低、参数优化、耗时的不利因素。

目前已有的处理方法在增强信噪比、联合应用方向、尺度、空间分布等特征方面取得了不错的检测效果。但鲁棒性较差，并不适用于复杂背景的红外弱小目标检测，同时部分方法须依据不同的尺度与情况手动设置参数，无法实现自适应的图像处理。

发明内容

本发明的目的是克服现有技术的上述不足，提供一种基于目标空间分布和灰度特性的红外小目标检测方法。为此，本发明采用如下的技术方案。

红外弱小目标检测方法，包括下列步骤：

1.去除噪声平滑图像，我们首先采用3×3的顺序统计滤波去除图像中奇异的高亮度噪声，然后用2×2的均值滤波对图像做平滑处理，经过处理后的图像更适合于RandomWalker分割算法。

2.基于小目标各向同性的高斯特性与facet各阶滤波图像特性，我们构造多向融合 facet核分解图像，得到各角度强度相似且完整的环状连通域轮廓后恢复轮廓内像素得到完整的候选目标，其过程如下：

其中f′_α为我们构造的四个方向的facet一阶滤波器，其中α表示滤波器的滤波角度，α＝0°，45°，90°，135°，K_i(i＝2，3，7，8，9，10)表示一阶多项式拟合系数，由最小二乘估计，表达式为：

其中p_i为一组离散正交多项式，由对称邻域r，c构成，R＝{-2，-1，0，1，2}， c＝{-2，-1，0，1，2}，f(r，c)是表示灰度值的强度函数，如下所示：

构造完facet滤波核以后，我们进行多信道图像极值点整合及多向融合的处理：

M_f(x，y)＝{F_P(x，y)+|F_N(x，y)|} (5)

M_s＝I*F (6)

F_P(x，y)、F_N(x，y)、M_f(x，y)分别为最大极值点、最小极值点和整合极值点所在的一阶融合图像，|·|表示绝对值操作，M_s为二阶滤波图像，F为二阶滤波核，M_m为最终的融合滤波图、*表示卷积操作，

表示矩阵的点乘操作。

经过多向融合处理滤波后，我们会得到目标边缘像素构成的环状连通域轮廓，然后我们对其进行连通域像素恢复操作，由此便得到了完整的候选目标。

3.设计RW自适应分割框准确定位种子点实现多尺度分割，Random Walker自适应尺度分割框可以根据候选目标的大小自动区分目标区域与背景区域，从而计算并改变分割框的大小，准确定位背景种子点所在的位置，实现多尺度目标的精准像素级分割：

其中v_i(i＝1，2，...I)表示分割框边长，i表示分割框的个数，u_j(j＝1，2，...J)表示目标区域边长，j为候选目标个数，i＝j，m表示候选区域像素数，根据m计算v和u，NLCD_cp和NLCD_hg分别是基于分割概率图和像素强度设计的对比度描述子，

表示矩阵的点乘操作，可以将目标表示出来，我们将分割结果图记为M_NLCD。

4.将多向滤波图M_m和分割映射图M_NLCD进行点乘操作，进一步增强目标，并作为最终的权重图，提取出小目标：

T＝μ+4σ (11)

μ，σ分别为图像M_W的均值和方差。

本发明的有益效果是：

1.多尺度检测：本发明基于多向融合facet模型、连通域的像素操作和自适应分割框，充分保障了不同大小的目标的完整性和分割精准度，无需手动设定参数便可实现多尺度分割。

2.检测效果好：本发明不仅保证了候选目标的完整性，而且对不同形态的杂波有更强的鲁棒性。同时在分割过程中对于不同尺度的目标都能准确背景定位种子点，显著的提高了小目标的检测性能。

附图说明

图1：本发明的红外小目标图像检测方法流程图。

图2：facet一阶多角度融合及多尺度滤波结果。

图3：facet二阶多尺度滤波结果。

图4：多向融合图像结果。

图5：恢复连通域像素的候选目标结果。

图6：融合图像中不同形态的背景抑制效果。

图7：自适应分割框。

图8：连通域像素估计与自适应分割框。

图9：不同背景图像的最终的检测结果。

具体实施方式

本发明的流程如图1所示，该方法首先用均值和统计滤波去除噪声平滑图像，使图像适应于后续根据像素强度进行分割的算法。然后基于facet一阶和二阶核对图像做融合滤波，提取目标环形轮廓并抑制复杂背景，恢复轮廓(连通域)内像素，得到完整的候选目标。统计每个候选目标的像素个数，设计自适应分割框，精准定位背景种子点，提高分割准确率。最后加权滤波结果与分割映射，得到权重图，根据阈值分割出小目标。下面结合附图，对本发明技术方案的具体实施过程加以说明。

1.平滑图像去除高亮噪声

由于后续的Random Walker分割算法是基于像素强度进行两类分割的，对高亮噪声十分敏感，为了提高分割性能，我们采用3×3的顺序统计滤波去除图像中奇异的高亮度噪声，具体做法是将像素强度大于周围8个像素强度的像素滤掉，用周围的最高像素值代替，然后用2×2的均值滤波对图像进行平滑处理，即用四个像素的平均值代替原本的四个像素，处理后的图像更适合于RW算法，我们将处理后的红外图像记为I。

2.多方向facet一阶滤波整合极值点

因为RW属于像素级分割算法，为了提高检测的实时性，我们首先用facet核滤除候选目标。首先我们用0°、45°、90°、135°四个方向的一阶facet滤波核去分解图像I，得到四个方向的一阶倒数滤波图，将小目标转换为剧烈变换的极大极小值高斯样点，将负的极值点(低峰)转换为正的极值点(高峰)，整合各方向峰值，构造小目标轮廓(如图2 所示)：

M_f(x，y)＝{F_P(x，y)+|F_N(x，y)|} (3)

F_P(x，y)、F_N(x，y)、M_f(x，y)分别为正的极值点、负的极值点和将负的极值点转化为正的并与原始正的极值点整合在一起后分别所在的一阶融合图像。

3.facet多阶融合滤波

facet一阶融合图形成小目标边缘的同时也引入了不同方向的杂波边缘，为了保留目标轮廓的同时去除杂波，我们用二阶核增强目标局部区域并抑制背景，因为二阶核在目标尺寸逐渐增大时会逐渐转换为跟一阶核相似的边缘检测功能(如图3所示)，所以对于不同尺度的目标，多阶融合图M_m都会形成增强的目标轮廓；而对于背景来说，不同阶数的核会产生不同形态的背景杂波，融合图中只会保留杂波相交的小部分像素点(如图6 所示)，且由于杂波的像素强度不稳定，很难形成类圆状的连通域，所以我们可以将目标从杂波中区分出来。

4.恢复连通域像素

为了得到完整的候选目标，我们对融合图像做阈值处理，提取候选目标轮廓，μ，σ分别为融合图像的均值和方差，然后恢复轮廓内的像素值(如图5所示)。

T＝μ+4σ (4)

5.候选目标像素数估计并设计自适应分割框

为了在分割算法中准确定位背景种子点，我们根据候选目标的大小设计了自适应分割框，双框策略将目标与背景位置准确定位，背景大小设计为目标的3倍，将背景种子点放置在背景框边缘像素位置(如图7所示)，然后进行两类分割，将分割框内像素分为背景像素或目标像素，得到概率图：

其中v表示分割框边长即背景区域边长，u表示目标区域边长，m表示候选区域像素数，根据m计算v和u。

6.分割结果映射

根据分割概率图和原始像素强度，生成的两种NLCD映射去描述小目标。 NLCD(ClsP)_cp是根据分割概率图生成的对比度描述子，用分割为第一类的像素(去除目标种子点)的平均概率除以分割为第二类的像素的平均概率。NLCD(ClsP)_hg是用像素强度构造的对比度描述子，是分为第一类的像素的平均强度除以背景像素的最大强度值，背景像素是分为第一类的像素经过两次膨胀操作完成的，通过这两种描述子的加权我们就可以将目标与杂波区分开来：

ClsP表示分割为第一类的像素，CtlP表示目标种子点，ClsP\CtlP表示分割为第一类的像素(目标种子点除外)，R表示待分割像素，R\ClsP表示分割为第二类的像素，D₂为半径为2像素的圆盘形形态结构。

7.权重图及小目标提取

为了进一步增强目标，我们将多向融合facet滤波图Mm与分割权重图M_NLCD融合，得到最终的权重图像：

其中

表示矩阵的点乘操作。

本发明提出一种基于多向融合的红外小目标检测方法，该方法基于小目标的空间分布分布特性及灰度特性，不仅实现了自适应的多尺度目标检测，显著的提高了检测率，且对复杂的背景杂波也有较好地抑制效果(如图9所示)。

Claims (4)

1.本发明主要涉及一种基于多向融合的红外小目标检测方法，所述方法包括下列步骤：

步骤1：采用顺序统计滤波和均值滤波去除高亮噪声平滑图像；

步骤2：构建多方向facet核，建模小目标环形轮廓并通过像素恢复得到完整的候选目标；

步骤3：自适应Random Walker分割框分割多尺度候选目标去除干扰杂波；

步骤4：将融合滤波结果与分割结果进行点乘操作，通过阈值分离出小目标；

其中M_m为候选目标结果图，M_NLCD为分割映射结果图，о表示矩阵的点乘操作。

2.根据权利要求1所述的一种基于多向融合的红外小目标检测方法，其特征在于，步骤2中，基于小目标各向同性高斯特性与facet各阶滤波图像特性，我们构造多向融合facet核分解图像，得到各角度强度相似且完整的环状连通域轮廓，其过程如下：

其中f′_α为我们构造的四个方向的facet一阶滤波器，其中α表示滤波器的滤波角度，α＝0°，45°，90°，135°，K_i(i＝2，3，7，8，9，10)表示一阶多项式拟合系数，由最小二乘估计，表达式为：

其中p_i为一组离散正交多项式，由对称邻域r、c构成，R＝{-2，-1，0，1，2}，c＝{-2，-1，0，1，2}，f(r，c)是表示灰度值的强度函数，如下所示：

构造完滤波核以后，我们进行多信道图像极值点及多向融合的处理：

M_f(x，y)＝{F_P(x，y)+|F_N(x，y)|} (6)

M_s＝I*F (7)

F_P(x，y)、F_N(x，y)、M_f(x，y)分别为最大极值点、最小极值点和整合极值点所在的一阶融合图像，M_s为二阶滤波图像，F为二阶滤波核，M_m为最终的facet融合滤波图、*表示卷积操作，о表示矩阵的点乘操作。

3.根据权利要求1所述的一种基于多向融合的红外小目标检测方法，其特征在于，步骤3中，设计的Random Walker自适应尺度分割框，可以根据候选目标的大小自动区分目标区域与背景区域，从而计算并改变分割框的大小，准确定位背景种子点所在的位置，实现多尺度目标的精准像素级分割：

其中v_i(i＝1，2，...I)表示分割框边长，i表示分割框的个数，u_j(j＝1，2，...J)表示目标区域边长，j为候选目标个数，i＝j，m表示候选区域像素数，根据m计算v和u，NLCD_cp和NLCD_hg分别是原作者基于分割概率图和像素强度设计的对比度描述子，о表示矩阵的点乘操作，可以将目标表示出来，我们将分割结果图记为M_NLCD。

4.根据权利要求1所述的一种基于多向融合的红外小目标检测方法，其特征在于，步骤4中，加权滤波结果M_f和分割映射结果M_NLCD，作为最终的权重图M_W，根据阈值提取出小目标：

о表示矩阵的点乘操作。

Images