基于多方向形态学滤波复杂云背景下红外小目标检测方法与流程

本发明涉及背景预处理技术和目标提取技术，具体涉及一种应用于红外成像系统的小目标检测方法。
背景技术：
：在现代高科技战争中，为了能够尽早地发现敌方卫星及来袭导弹、飞机等军事目标，使制导系统有足够的反应时间，要求红外侦察系统在远距离处就能发现目标。只有及时地发现目标、跟踪目标、捕获和锁定目标，才能对其实施有效地拦截或攻击。目标相对于大面积天空背景，在红外图像中目标仅占一个或几个像素，而且由于目标成像小，在运动过程中很容易被云层遮挡，给红外目标的检测造成很大的干扰。现阶段，对于红外成像系统基于复杂云层背景的检测算法主要包括时域高通滤波法、遗传算法理论、人工神经网络法、分形理论等目标提取方法，此类方法算法复杂度高、实时性差，无法满足红外成像系统的快速响应过程，并且在工程上实现较为困难。技术实现要素：本发明的目的在于提供一种基于多方向形态学滤波复杂云背景下红外小目标检测方法，根据云层背景特点，确定滤波处理模板的尺寸及方向，在原始图像中值滤波的基础上，利用滤波模板对中值滤波后的图像进行腐蚀和膨胀处理，并通过差值图像最大值确定分割阈值，进而完成对红外目标提取。本发明通过以下技术方案实现，一种基于多方向形态学滤波复杂云背景下红外小目标检测方法，包括如下步骤：步骤一：通过中值滤波算法对云层背景下的红外原始图像进行预处理，得到云层背景预处理图像；步骤二：运用多个方向滤波模板的腐蚀算法和膨胀算法对云层背景预处理图像进行处理，得到腐蚀膨胀后的滤波图像；步骤三：将红外原始图像与腐蚀膨胀后的滤波图像进行差值运算，确定差值图像最大值，利用阈值参数计算图像分割阈值，提取红外目标。本发明采用基于运动载体的复杂云背景下小目标检测方法，与现有技术相比，其优点和有益效果是：1)云层边缘识别准确。利用云层边缘红外成像的特性，创建类似于云层边缘纹理特征的滤波模板对其红外图像进行滤波处理，能够提取包含云层边缘的云背景红外图像。2)目标提取准确。通过云层边缘纹理特征方法滤波后，原始图像中的小目标将被滤除，通过原始图像与滤波后图像的差值，可以消除云背景对目标的干扰。3)易于工程实现。本发明涉及的目标提取方法，仅需要对当前帧的图像信息进行滤波处理，并利用差值灰度提取目标信息，算法复杂度低且实时性高，易于工程实现。本发明在红外成像领域有广泛的应用前景。附图说明以下将结合附图和实施例对本发明作进一步说明。图1为本发明实施例多方向滤波模型示意图；图2为本发明实施例红外小目标检测方法流程图；图3为本发明实施例腐蚀滤波算法流程示意图；图4为本发明实施例膨胀滤波算法流程示意图；图5为本发明实施例云层滤波效果示意图。具体实施方式结合图2所示，本发明一种基于多方向形态学滤波复杂云背景下红外小目标检测方法，包括如下步骤：红外成像系统接收云层背景的红外图像信息，以某个红外图像像素为中心，利用固定像素模块的中值滤波算法对该图像进行滤波处理。在中值滤波的基础上，利用基于中心点的多个方向的滤波模板对红外图像进行腐蚀处理，即首先在各个特定方向上取得图像灰度极小值，通过比较这些极小值得到最小值，并利用该最小值替换当前中心点图像灰度。在腐蚀滤波的基础上，通过相同的滤波模板对红外图像进行膨胀处理，即首先在各个特定方向上取得图像灰度极大值，通过比较这些极大值得到最大值，并利用该最大值替换当前中心点图像灰度。将红外成像系统接收的云层原始图像与膨胀滤波处理后的图像进行差值运算，求取当前图像灰度最大值，并计算分割阈值。根据图像分割阈值对原始图像进行二值化分割，提取红外目标。由于红外图像中的小目标在云背景中是一个突异的小亮点，因此可以通过滤波模板尺寸和形状选取，提取云层边缘轮廓，滤除小目标。选择合适的滤波模板尺寸刚好除去小目标，而保留云层图像的其它信息不变，特别是云层边缘信息。若滤波模板过大，则将导致图像过度的平滑处理，致使其它信息丢失，若滤波模板过小，则无法去除小目标。同时若采用一种滤波模板的形状，输出的红外图像只有一种几何信息被保持，其它几何信息与小目标一起被滤掉。而输入的云层背景图像通常较为复杂，它可能是各种简单几何形状的叠加或组合，造成严重的背景泄露。因此需要采用不同尺寸、多个形状的滤波模板进行云层背景的预处理。具体实施例中，云层边缘的几何形状有直线、有斜线、有曲线，而曲线的几何形状在局部类似于斜线，因此云层边缘可以看成直线的组合，以云层背景图像中某个像素为例，建立如下滤波模板：以该像素为中心，选择尺寸包含5个邻近像素12种方向的线性结构作为滤波模板，具体模型见图1。设云层背景红外图像输入的数字量化函数为f(x,y)，则首先经过中值滤波模板对该输入图像进行滤波处理，得到中值滤波后的图像函数：fM(x,y)=f(x,y)ΘMxc,yc---(1)]]>其中为中值滤波模型，该滤波模型使用3*3邻近9个像素模板对图像进行中值滤波，滤波模型如下：Mxc,yc=median{Ix∈[xc-1,xc+1],y∈[yc-1,yc+1]}---(2)]]>(xc,yc)为滤波模块中心点对应的坐标。在中值滤波的基础上，利用12个方向的线性结构模块对图像进行腐蚀处理，其处理流程如图3所示。通过腐蚀处理得到的图像函数为fE(x,y)，则该函数的表达式如下：fE(x,y)=fM(x,y)ΘExc,yc---(3)]]>其中为腐蚀滤波模型，该滤波模型使用1*5邻近5个像素模板对图像进行腐蚀滤波，滤波模型如下：Exc,yc=min{Ix∈[xc-2,xc+2],y∈[yc-2,yc+2]}---(4)]]>在腐蚀滤波的基础上，同样利用12个方向的线性结构模块对图像进行膨胀处理，其处理流程如图4所示。通过膨胀处理得到的图像函数为fD(x,y)，则该函数的表达式如下：fD(x,y)=fE(x,y)ΘDxc,yc---(5)]]>其中为膨胀滤波模型，该滤波模型使用1*5邻近5个像素模板对图像进行膨胀滤波，滤波模型如下：Dxc,yc=min{Ix∈[xc-2,xc+2],y∈[yc-2,yc+2]}]]>(6)膨胀滤波结束后得到背景杂波和噪声的准确估计fD(x,y)，该估计主要分为两个部分，即背景估计值fB(x,y)和由于背景估计不准确而造成的背景泄露和残余噪声fN(x,y)。其表达式如下：fD(x,y)＝fB(x,y)+fN(x,y)(7)通过原始图像和膨胀滤波结束后的值相减，得到差值图像数学表达式：h(x,y)＝f(x,y)-fD(x,y)(8)在差值图像中取灰度最大值作为分割阈值的初始值输入，在此初始值的基础上计算得到图像分割阈值I,其表达式如下：I＝Ia·Max(h(x,y))(9)上式中Ia为阈值系数。根据分割阈值对原始图像进行二值化分割，分割准则如下所示：f(x,y)=0f(x,y)<I1f(x,y)≥I---(10)]]>根据式(10)完成对原始图像中小目标的提取，效果如图5所示。当前第1页1 2 3