一種復(fù)雜云天背景下小紅外目標(biāo)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，具體是一種復(fù)雜云天背景下小紅外目標(biāo)檢測(cè) 方法。
【背景技術(shù)】
[0002] 目標(biāo)檢測(cè)技術(shù)已在遙感、監(jiān)測(cè)和航空航天等領(lǐng)域得到廣泛應(yīng)用。與雷達(dá)系統(tǒng)相比， 紅外系統(tǒng)結(jié)構(gòu)簡(jiǎn)單，分辨率高，具有很強(qiáng)的隱蔽性和抗干擾能力。與可見(jiàn)光系統(tǒng)相比，紅外 系統(tǒng)具有全天侯工作能力和強(qiáng)煙霧穿透能力。有效檢測(cè)低信噪比條件下未知位置和速度的 小目標(biāo)（如飛機(jī)、導(dǎo)彈）能大幅度提高紅外系統(tǒng)的有效作用距離及降低設(shè)備的復(fù)雜程度，因 而該類技術(shù)受到了廣泛關(guān)注。
[0003] 然而，由于紅外系統(tǒng)的成像距離遠(yuǎn)（如預(yù)警探測(cè)），目標(biāo)易淹沒(méi)在強(qiáng)噪聲和背景雜 波中，且沒(méi)有尺寸、形狀及紋理等先驗(yàn)知識(shí)，使得目標(biāo)檢測(cè)面臨很大難度。此外，復(fù)雜云天 背景下的云層邊界具有與目標(biāo)相似的熱成像特征，進(jìn)一步加大了目標(biāo)檢測(cè)的難度。結(jié)合序 列圖像中目標(biāo)的短時(shí)運(yùn)動(dòng)信息（如運(yùn)動(dòng)的連續(xù)性和軌跡的一致性）的目標(biāo)檢測(cè)方法能有 效降低單幀檢測(cè)的漏檢率和虛警率。根據(jù)所利用的空間信息和時(shí)間信息的先后順序，可將 小目標(biāo)檢測(cè)分為檢測(cè)前跟蹤（Track before Detect，TBD)和跟蹤前檢測(cè)（Detect before Track，DBT)兩類。
[0004] TBD的基本思想是先搜索目標(biāo)所有可能的運(yùn)動(dòng)軌跡，并完成目標(biāo)能量累加，以獲得 每條運(yùn)動(dòng)軌跡的后驗(yàn)概率，最后利用閾值判斷真實(shí)的目標(biāo)運(yùn)動(dòng)軌跡，如三維匹配濾波方法、 基于多級(jí)假設(shè)檢驗(yàn)方法、基于高階相關(guān)方法等。TBD易于建立相對(duì)較完整的理論模型和處理 方法，但其計(jì)算復(fù)雜，硬件實(shí)現(xiàn)較麻煩，在實(shí)際工程中應(yīng)用較少。DBT的基本思想是首先根據(jù) 單幀圖像的短時(shí)灰度特性檢測(cè)候選目標(biāo)，然后根據(jù)目標(biāo)的短時(shí)運(yùn)動(dòng)特性剔除虛假目標(biāo)并獲 取目標(biāo)真實(shí)的運(yùn)動(dòng)軌跡。DBT算法簡(jiǎn)單，便于程序模塊化實(shí)現(xiàn)，在實(shí)時(shí)目標(biāo)檢測(cè)領(lǐng)域中發(fā)揮 重要作用，如中值濾波、頂帽濾波、最大-均值/最大-中值濾波等。
[0005] 雖然小紅外目標(biāo)檢測(cè)領(lǐng)域已取得了很多成果，并且已有很多算法在工程應(yīng)用中得 到實(shí)現(xiàn)。但對(duì)于復(fù)雜云天背景下低信噪比紅外圖像，由于目標(biāo)和云層邊界具有相似的熱成 像特征，其目標(biāo)檢測(cè)系統(tǒng)工程依然面臨很大的難度和復(fù)雜性。因此，如何設(shè)計(jì)出魯棒性好的 小紅外目標(biāo)檢測(cè)算法是復(fù)雜云天背景下目標(biāo)檢測(cè)技術(shù)應(yīng)用研宄的關(guān)鍵問(wèn)題。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明是針對(duì)現(xiàn)有復(fù)雜云天背景下小紅外目標(biāo)檢測(cè)方法存在的上述技術(shù)問(wèn)題，提 供了一種復(fù)雜云天背景下小紅外目標(biāo)檢測(cè)方法。
[0007] -種復(fù)雜云天背景下小紅外目標(biāo)檢測(cè)方法，包括以下步驟：
[0008] 步驟1、輸入紅外圖像F，求解紅外圖像F的多尺度局部差異對(duì)比度C ;
[0009] 步驟2、求解紅外圖像F的加權(quán)局部圖像熵W ;
[0010] 步驟3、求解紅外圖像F的局部加權(quán)差異圖E ;
[0011] 步驟4、求解自適應(yīng)閾值T，并通過(guò)自適應(yīng)閾值T對(duì)局部加權(quán)差異圖E進(jìn)行二值化， 檢測(cè)出紅外圖像F中的小紅外目標(biāo)，自適應(yīng)閾值T基于以下公式：
[0012] T = α · SNR · 〇 +n，SNR = (E眶-η) / 〇
[0013] 其中，α為正的常數(shù)，ο為局部加權(quán)差異圖E的標(biāo)準(zhǔn)差，η為局部加權(quán)差異圖E的 均值，E max為局部加權(quán)差異圖E的最大值，SNR為局部加權(quán)差異圖E的信噪比。
[0014] 如上所述的步驟1中多尺度局部差異對(duì)比度C的求解包括以下步驟：
[0015] 步驟I. l、F(x，y)表示紅外圖像F在像素點(diǎn)（x，y)處的灰度值，設(shè)置像素點(diǎn)（x，y) 的最大鄰域空間Ω_，最大鄰域空間0_的大小為1X1，其中1為大于1的正奇數(shù)；
[0016] 步驟1. 2、獲得每一個(gè)像素點(diǎn)（X，y)的鄰域空間集{Dk|k = 1，2,…，m}，其中m = (1-1)/2, 〇,的大小為（2k+l) X (2k+l);
[0017] 步驟1.3、計(jì)算每一個(gè)像素點(diǎn)（x，y)的各個(gè)鄰域空間Ω,內(nèi)像素的灰度均值 Ck(x，y):
【主權(quán)項(xiàng)】
1. 一種復(fù)雜云天背景下小紅外目標(biāo)檢測(cè)方法，包括以下步驟： 步驟1、輸入紅外圖像F，求解紅外圖像F的多尺度局部差異對(duì)比度C ; 步驟2、求解紅外圖像F的加權(quán)局部圖像熵W ; 步驟3、求解紅外圖像F的局部加權(quán)差異圖E ; 步驟4、求解自適應(yīng)閾值T，并通過(guò)自適應(yīng)閾值T對(duì)局部加權(quán)差異圖E進(jìn)行二值化，檢測(cè) 出紅外圖像F中的小紅外目標(biāo)，自適應(yīng)閾值T基于以下公式： T = α · SNR · 〇 +n，SNR = (E眶-η) / 〇 其中，α為正的常數(shù)，σ為局部加權(quán)差異圖E的標(biāo)準(zhǔn)差，η為局部加權(quán)差異圖E的均 值，Emax為局部加權(quán)差異圖E的最大值，SNR為局部加權(quán)差異圖E的信噪比。
2. 根據(jù)權(quán)利要求1所述的一種復(fù)雜云天背景下小紅外目標(biāo)檢測(cè)方法，其特征在于，所 述的步驟1中多尺度局部差異對(duì)比度C的求解包括以下步驟： 步驟I. l、F(x，y)表示紅外圖像F在像素點(diǎn)（x，y)處的灰度值，設(shè)置像素點(diǎn)（x，y)的最 大鄰域空間Ω_，最大鄰域空間0_的大小為1X1，其中1為大于1的正奇數(shù)； 步驟1. 2、獲得每一個(gè)像素點(diǎn)（X，y)的鄰域空間集{Dk|k = 1，2,…，m}，其中m = (1-1)/2, 〇,的大小為（2k+l) X (2k+l); 步驟1.3、計(jì)算每一個(gè)像素點(diǎn)（1，50的各個(gè)鄰域空間〇1;內(nèi)像素的灰度均值(：1;(1，5〇 : Ck (x, v) = Z F(s,t), k = l,2,...,m -iVs2i 其中，&表示鄰域空間Ω,內(nèi)像素點(diǎn)的數(shù)目，F(xiàn)(s，t)表示鄰域空間Ω ,內(nèi)像素點(diǎn)（s，t) 處的灰度值； 步驟1.4、計(jì)算每一個(gè)像素點(diǎn)（x，y)所對(duì)應(yīng)的的多尺度局部差異對(duì)比度C(x，y): T ^max U, I) = max IL1 U, y；, L2 U, y；,
· · · , u, I) I, ^min u, I) = mm IL1 u, I), C2 (x, y),. . . , Cm (x, y)}； 重復(fù)步驟I. 2-1. 4遍歷紅外圖像F中每一個(gè)像素點(diǎn)，獲得紅外圖像F的多尺度局部差 異對(duì)比度C。
3. 根據(jù)權(quán)利要求2所述的一種復(fù)雜云天背景下小紅外目標(biāo)檢測(cè)方法，其特征在于，所 述的加權(quán)局部圖像熵W的求解包括以下步驟： 步驟2.1、對(duì)于紅外圖像F中每一個(gè)像素點(diǎn)（x，y)，設(shè)置鄰域空間Θ的大小為MXN，基 于以下公式計(jì)算像素點(diǎn)（x，y)處的加權(quán)局部圖像熵W(x，y): W (x，W =-!^(小/)-外，沖2.外(，.，乃)1(^(小乃） f=l J=I 其中，s(i, j), i = 1，…，M, j = 1，. . .，N是鄰域空間Θ內(nèi)像素點(diǎn)（i, j)處的灰度值， P(s(i, j))是灰度值s(i, j)的概率分布函數(shù)； 步驟2. 2、重復(fù)步驟2. 1遍歷紅外圖像F中每一個(gè)像素點(diǎn)，獲得紅外圖像F的加權(quán)局部 圖像熵W。
4. 根據(jù)權(quán)利要求3所述的一種復(fù)雜云天背景下小紅外目標(biāo)檢測(cè)方法，其特征在于，所 述的局部加權(quán)差異圖E的求解包括以下步驟： 步驟3. 1、每一個(gè)像素點(diǎn)（x，y)所對(duì)應(yīng)的經(jīng)過(guò)步驟1處理所得到的多尺度局部差異對(duì)比 度C(x，y)與經(jīng)過(guò)步驟2處理所得到的加權(quán)局部圖像熵W(x，y)進(jìn)行點(diǎn)積運(yùn)算，獲得每一個(gè) 像素點(diǎn)（x，y)所對(duì)應(yīng)的局部加權(quán)差異E(x，y); 步驟3. 2、重復(fù)步驟3. 1，遍歷紅外圖像F中每一個(gè)像素點(diǎn)，獲得紅外圖像F的局部加權(quán) 差異圖E。
【專利摘要】本發(fā)明為有效檢測(cè)復(fù)雜云天背景下的小紅外目標(biāo)，公開(kāi)了一種復(fù)雜云天背景下小紅外目標(biāo)檢測(cè)方法，涉及數(shù)字圖像處理技術(shù)領(lǐng)域。本發(fā)明針對(duì)復(fù)雜云層背景下紅外圖像的云層邊界具有與目標(biāo)相似的熱成像特征，易導(dǎo)致較高的虛警率和漏檢率等問(wèn)題，提出多尺度局部差異對(duì)比度算子和加權(quán)局部圖像熵算子，然后通過(guò)點(diǎn)積運(yùn)算獲取局部加權(quán)差異圖，從而有效地抑制復(fù)雜云天背景和噪聲、增強(qiáng)目標(biāo)，最終大幅度地提高目標(biāo)檢測(cè)率、降低虛警率。
【IPC分類】G06K9-00
【公開(kāi)號(hào)】CN104834915
【申請(qǐng)?zhí)枴緾N201510247346
【發(fā)明人】周欣, 鄧鶴, 孫獻(xiàn)平, 葉朝輝, 劉買利
【申請(qǐng)人】中國(guó)科學(xué)院武漢物理與數(shù)學(xué)研究所
【公開(kāi)日】2015年8月12日
【申請(qǐng)日】2015年5月15日