CN1484042A - 红外图像序列中缓动弱小目标的能量投影检测方法 - Google Patents

Abstract

一种红外图像序列中缓动弱小目标的能量投影检测方法，通过数学形态学滤波算法获取图像背景，将源图像减去获取的图像背景，得到含有目标和噪声的去均值图像，通过前后若干帧来估计图像各局部区域的噪声均值和方差，然后利用估计的噪声均值和方差对噪声图像进行归一化处理，将前后多帧归一化噪声图像非线性映射后平方相加构成组合帧，在组合帧中假设多条目标轨迹，在各目标轨迹上积累目标的能量，最后经过能量积累投影，获得目标和噪声的分布函数，根据给定的检测性能，利用恒虚警率准则，确定目标检测的阈值，从而做出目标存在与否的判决。本发明能够检测出低信噪比图像序列中的缓动点目标，在保证目标检测性能的同时提高了检测算法的实时性。

Description

红外图像序列中缓动弱小目标的能量投影检测方法

技术领域：

本发明涉及一种红外图像序列中缓动弱小目标的能量投影检测方法，是红外搜索与跟踪系统、精确制导系统、红外预警系统、大视场目标监视系统、卫星遥感系统、安全检查系统等的一项核心技术，在各类军、民用系统中均可有广泛的应用。

背景技术：

精确制导武器是采用高精度探测、控制及制导技术，能够有效地从复杂背景中探测、跟踪及识别、选择目标并高精度命中目标要害部位，最终摧毁目标的武器装备。成像探测可直观获取丰富的目标外形或基本结构等目标信息，抑制背景干扰，识别目标及目标的要害部位，因而成为精确制导武器的重要发展方向。

现代化高技术武器为了增大作战距离，要求远距离发现目标。只有及时地发现目标、跟踪目标、及时地捕获和锁定目标，才能实现有效的攻击。红外成像传感器由于其隐蔽性好、成像分辨率高、识别伪装能力强以及可以在夜间等恶劣环境下工作的能力，使其成为现代战争中不可或缺的光电传感器。

对于红外图像中低信噪比小目标的检测问题的研究，起源于远距离搜索与监视。当目标距离较远时，目标在红外图像中表现为点目标，无法利用形状、大小、纹理等特征来检测目标。在此阶段，图像信噪比较低，即目标信号的幅值相对背景和噪声来说较弱，基本上被噪声所淹没。单帧检测可能产生很多虚假目标，无法获得所要求的检测概率和虚警概率。研究低信噪比红外图像中小目标的实时检测算法，可实现扩展它们作用距离的目的，对于增大作战距离和增加反应时间，提高己方的生存概率具有重要的意义。

虽然弱小目标的检测与跟踪在雷达及声纳信号处理中的研究已经有近半个世纪的历史了，但是图像中弱小目标的检测与跟踪则是从1980年前后才开始得到研究者的广泛重视。十几年来，图像中低信噪比小目标的检测问题一直是光学和红外图像领域的研究热点。

由于单帧图像处理无法保证检测性能，而目标运动具有规律性和连续性，因此通过序列图像多帧处理，利用时间上的信息来进一步确认真实目标，成为有效的解决途径。

多帧目标检测问题可以表述为：在给定的三维图像空间中检测目标的存在与否，并估计目标的轨迹。多帧目标检测算法基本上可分为两类：一类为先检测后跟踪算法，它将检测与跟踪被划分为二个独立的问题，首先对每帧图像都做出目标存在与否的判决，在跟踪算法中，将观测值与航迹进行相关，实现目标航迹的起始、航迹的确认与航迹的终结。这种先检测后跟踪方法的算法简单，但要求目标的信噪比较高。另一类为先跟踪后检测算法，在三维图像中对大量的可能轨迹进行跟踪，但起初不对这些轨迹是否真正代表目标做出判决，而是对每条跟踪的轨迹计算其后验概率函数，如果某条轨迹的后验概率函数超过某一门限，就认为该条轨迹代表一个目标。

低信噪比图像序列中弱小目标的检测与跟踪方法主要有三维匹配滤波算法、多级假设检验算法、动态规划方法等，它们适合于低信噪比的环境，但是当目标的位置、运动速度的大小及方向未知的情况下，从每一像素点起始的可能目标轨迹将呈指数增长，导致难以实时实现。经典的投影检测算法将三维图像序列投影到二维图像空间中，通过检测二维投影图像中的轨迹来判别是否存在目标，使搜索轨迹的运算量减少，便于算法实时实现，但是投影检测算法不可避免会带来检测性能的损失。

发明内容：

本发明的目的在于针对现有技术的不足，提供一种红外图像序列中缓动弱小目标的能量投影检测方法，在满足检测性能要求的前提下保证算法的实时性，提高信噪比，有效抑制噪声和跟踪航迹。

为实现这样的目的，本发明的技术方案中，首先通过数学形态学滤波算法获取图像背景，将源图像减去获取的图像背景，得到含有目标和噪声的去均值图像，通过前后多帧图像来估计图像各局部区域的噪声均值和方差，然后利用估计的噪声均值和方差对噪声图像进行归一化处理。将前后多帧归一化噪声图像非线性映射后平方相加构成组合帧。在组合帧中假设多条目标轨迹，在各目标轨迹上积累目标的能量，最后经过能量积累投影，可以获得目标和噪声的分布函数，根据给定的检测性能，利用恒虚警率准则，确定目标检测的阈值，从而做出目标存在与否的判决。

本发明的方法包括如下具体步骤：

1.红外图像去均值处理：

采用数学形态学滤波算法获取图像的背景，其原理是用全零平顶形结构元素对红外图像进行开启然后再闭合操作，去除图像中各类亮、暗噪声及小目标，得到图像背景。将原图像减去获取的图像背景，得到包含有弱小目标和噪声的去均值图像。

2.图像噪声归一化：

将去均值图像划分为一个个局域小窗口，利用前后多帧图像来估计图像各局部窗口中的噪声特性，并对去均值图像根据各小窗口估计的噪声均值和标准差进行噪声归一化处理。这样图像噪声可以认为是近似满足标准正态分布的。

3.非线性映射：

将归一化图像中负的幅值映射为零，而正的幅值保持不变，从而在生成组合帧时不用将负的噪声能量考虑在内。

4.生成组合帧：

将前后多帧归一化噪声图像非线性映射后平方相加构成组合帧。构成组合帧的图像帧数的大小根据假设的目标最大运动速度确定。

5.能量积累投影：

在组合帧中假设多条目标轨迹，在各目标轨迹上积累目标的能量，并可得到各像素点在有、无目标条件下的统计量分布曲线，从而大大提高了输出图像的信噪比。

6.恒虚警率目标检测：

根据能量积累投影获得的有、无目标时统计量的分布曲线，就可以根据给定的检测性能，利用恒虚警率准则，确定目标检测的阈值，从而做出目标存在与否的判决。若某点的能量和大于检测阈值，则判断该点存在目标；反之，则无目标存在。

本发明采用数学形态学滤波获取图像背景，其算法可以并行实现，大大提高了处理速度。将源图像与背景图像相减获取噪声图像，避免了图像差分运算获取噪声图像时可能导致的缓动目标丢失的缺点。在投影之前，首先在各个搜索方向上积累目标的能量，从而提高了输出图像的信噪比，克服了经典投影算法的缺陷，保留了投影算法计算量小的优点，在保证检测性能的同时提高了算法的实时性。本发明可广泛应用于各类军、民用系统，具有广阔的市场前景和应用价值。

附图说明：

图1为本发明处理方法总体框图。

如图1所示，红外图像序列首先经过图像预处理，包含图像去均值处理和图像噪声归一化，处理结果为包含弱小目标的归一化噪声图像。将归一化噪声图像非线性映射后平方相加构成组合帧。在组合帧中假设多条目标轨迹，在各目标轨迹上积累目标的能量，最后根据目标和噪声的不同分布函数和给定的检测性能，利用恒虚警率准则，确定目标检测的阈值，并由此做出目标存在与否的判决。

图2为红外图像序列预处理的详细步骤。

如图2所示，红外图像序列的预处理包括红外图像去均值处理和图像噪声归一化。采用数学形态学滤波算法获取图像的背景，将源图像与获取的背景相减得到包含弱小目标与噪声的去均值图像，再对去均值图像进行噪声特性分析和归一化处理，得到近似满足标准正态分布的图像噪声。

图3为将红外图像划分成各局域小窗口。

图4为信噪比为2时噪声与目标幅值的概率密度函数。

图5为在组合帧中假定的多个目标搜索方向。

图6为能量投影检测算法的统计量分布曲线。

图7为实际红外图像序列的投影检测算法检测结果。

其中，图7(a)为实际红外图像序列中的一帧，图7(b)为6帧去背景后的图像构成的组合帧，图7(c)为单个组合帧中的检测结果，图7(d)为3个组合帧检测结果叠加在一起的图。

具体实施方式：

为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。

图1为本发明提出的一种红外图像序列中缓动弱小目标的能量投影检测方法总体框图。各部分具体实施细节如下：

1.红外图像去均值处理：

红外图像去均值处理如图2前半部分所示。

采用数学形态学滤波获取图像背景。形态学开启运算用于消除与结构元素相比尺寸较小的亮噪声：

f_l＝fob＝(fb)b                                          (1)形态学闭合运算用于消除与结构元素相比尺寸较小的暗噪声：

f_B＝f_l·b＝(f_lb)b                                     (2)并保持图像整体灰度值和大的亮、暗区域基本不受影响。式中分别为形态学灰度膨胀和腐蚀运算，b为结构元素，f为源红外图像，f_l为开启运算结果，f_B为获得的图像背景。

由于远距离目标在红外图像中表现为小的亮点或亮斑，因此，用5×5全零平顶形结构元素对红外图像进行开启然后再闭合操作，可以去除各类亮、暗噪声及小目标，获得图像背景。

将源红外图像与获取的图像背景相减就得到包含小目标的噪声图像：

f_n＝f-f_B                                                   (3)式中，f_n为噪声图像。

2.图像噪声归一化：

图像噪声归一化如图2后半部分所示。将噪声图像划分为一个个小窗口(例如8×8窗口如图3所示)，利用前后多帧图像(例如10帧)来估计各窗口中噪声的标准差σ_ij(k)：

${\mathrm{\σ}}_{\mathrm{ij}}\left(k\right)=\sqrt{\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left(f_n\left(k\right)\right)}^2}---\left(4\right)$

式中，N为前后多帧同一小窗口的像素个数，k为像素标号。对噪声图像根据各小窗口估计的标准差进行归一化：

$S(x_i,y_j,k)=\frac{f_n(x_i,y_j,k)}{{\mathrm{\σ}}_{\mathrm{ij}}\left(k\right)}---\left(5\right)$

经过归一化处理后的噪声可以近似认为服从标准正态分布。

3.非线性映射

在低信噪比条件下(例如信噪比为2～3)，目标幅值信号的分布主要在正半轴，而在负半轴出现可以认为是小概率事件(信噪比为2时如图4所示)。因此利用非线性映射：

对归一化噪声图像进行非线性处理，对信号幅值的分布影响不大；而噪声是零均值的，其分布在正负轴对称。进行非线性处理的目的是为了在生成组合帧时不用将负的噪声能量考虑在内。

4.生成组合帧

将前后多帧归一化噪声图像非线性映射后平方相加构成组合帧：

$U(x_i,y_j,k)=\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\left(S^{\′}(x_i,y_j,k)\right)}^2---\left(7\right)$

式中，l为组合帧数，其选取与假设的目标最大运动速度有关。

5.能量积累投影

由于目标距离远，机动性小，因此可以假设在短时间内，目标作匀速直线运动。在组合帧中，对图像每个像素点定义一个r×r小邻域，按可能的四个方向搜索目标轨迹，如图5所示。在实际应用中还可根据目标的可能运动特性增加目标搜索方向。

将可能轨迹上的像素值累加得：

Z_ij＝∑U(x_m，y_n)  m，n ∈T_q，  q＝1，2，3，4   T＝{T₁，T₂，T₃，T₄}    (8)当搜索方向正好为目标运动轨迹时，Z_ij服从非中心x²分布：

Z_ij～x²((r-1)×l，SNR²×l)。式中，SNR为信噪比。由于式(6)是非线性的，因此当目标不存在时，按不同方向搜索目标时，Z_ij的分布函数难以通过解析方法推导。需要通过大量的仿真来近似获得。

图6所示为能量投影算法在有、无目标时不同信噪比条件下的统计量Z_ij分布，组合帧数l＝6，邻域大小r＝3。图中，曲线1为无目标时能量投影算法的统计量分布曲线，曲线2为无目标时未使用非线性映射能量投影算法的统计量分布曲线，曲线3、4、5分别为信噪比SNR为2、2.5、3时有目标条件下的统计量分布曲线。可以看出，非线性映射使得有、无目标时统计量的分布曲线距离拉开，曲线重叠区域减小，相当于提高了投影算法的信噪比，这样就可以使检测算法的平均错误概率(同时考虑漏检概率和虚警概率)减小，提高检测算法的检测性能。从图中还可以看到，当信噪比为3时，能量投影算法有、无目标情况下统计量分布曲线已经几乎不重叠。

6.恒虚警率检测

根据上面获得的有、无目标时不同信噪比条件下的统计量Z_ij分布，就可以根据给定的检测性能，利用恒虚警率准则，确定目标检测阈值T。若统计量Z_ij的值超过检测阈值T，则判断其为目标。

图7所示为利用本发明提出的能量投影检测算法对实际红外图像进行点目标检测的检测结果。实际红外图像序列的图像大小为80×80，图像像素灰度值为8位，图像的信噪比为2.8左右，目标作近似匀速直线运动，速度小于1像素/帧。

图中，图7(a)为实际红外图像序列中的一帧，图7(b)为6帧去背景后的图像构成的组合帧，图7(c)为单个组合帧中的检测结果，图7(d)为3个组合帧检测结果叠加在一起的图。可以看出，由于组合帧提高了信噪比，因此单个组合帧检测的结果虚警目标个数少。当将多个组合帧结果叠加后，目标的检测点相距较近，且几乎成直线，而其他虚假目标的点分布随机，利用简单的方法，如Hough变换或数据关联就可将目标确认出来。

本发明方法在投影检测之前，首先在各个搜索方向上积累目标的能量，从而提高了输出图像的信噪比，克服了经典投影检测算法的缺陷；采用非线性映射去除负噪声能量对检测结果的影响。本发明方法保留了投影算法计算量小的优点，在保证检测性能的同时提高了算法的实时性。对真实红外图像序列的实验表明本发明的能量投影检测方法能够检测出低信噪比图像序列中的缓动点目标。

Claims (1)

1、一种红外图像序列中缓动弱小目标的能量投影检测方法，其特征在于包括如下具体步骤：

1)图像去均值处理：采用数学形态学滤波获取图像背景，用全零平顶形结构元素对红外图像进行开启然后再闭合操作，去除各类亮、暗噪声及小目标，将原图像减去图像背景，得到含有目标和噪声的去均值图像；

2)图像噪声归一化：将去均值图像划分为一个个局域小窗口，利用前后多帧图像来估计各窗口中的噪声特性，并对去均值图像根据各小窗口估计的噪声标准差进行归一化处理；

3)非线性映射：将归一化图像中负的幅值映射为零，而正的幅值保持不变，从而在生成组合帧时不用将负的噪声能量考虑在内；

4)生成组合帧：将前后多帧归一化噪声图像非线性映射后平方相加构成组合帧，构成组合帧的图像帧数的大小根据假设的目标最大运动速度确定；

5)能量积累投影：在组合帧中假设多条目标轨迹，在各目标轨迹上积累目标能量，得到各像素点在有、无目标条件下的统计量分布曲线；

6)恒虚警率检测：根据能量积累投影获得的有、无目标时统计量的分布曲线给定的检测性能，利用恒虚警率准则，确定目标检测阈值，从而做出目标存在与否的判决。

Images