基于时域经验模态分解的红外弱小目标检测方法与流程
本发明属于图像处理技术领域，更进一步涉及复杂背景下红外图像处理领域中的一种基于时域经验模态分解的弱小目标检测方法。本发明可用于对红外图像中的弱小目标进行检测，能有效的提高红外图像中小目标的检测精度。
背景技术：
随着各国国防科研实力的不断增强，在红外制导、天机预警和目标监视等国防领域中，红外图像中的弱小目标检测技术一直是国内外学者关注和研究的热点。但由于，红外图像成像距离远，背景噪声大，成像环境复杂，目标运动轨迹不定等等原因，使得该项研究也一直是一个难点。
1998年经验模态分解(emd)被提出，该方法不需要设置任何基函数，经验模态分解就可以根据数据本身进行分解，具有良好的自适应性。emd方法在处理非平稳信号时可以有很高的信噪比且具有自适应性，经验模态分解将非平稳信号分解，获取平稳的分量信号，它能使复杂信号分解为有限个本征模函数(imf)。该算法中基函数是由数据本身所分解得到的，相比于小波变换和傅里叶变换更加直观，同时不需要设置基函数的特性使它具有更好的自适应性，具有一定的优越性和发展前景。在红外图像处理方面，之前有人将emd应用到单帧图像的行和列，以及将一维emd扩展到二维emd处理单帧图像，这些方法对于信噪比高的目标检测效果还可以达到要求，但是当处理的图像背景较为复杂时就很难达到检测要求。
技术实现要素：
针对现有技术存在的不足，考虑到红外序列图像的时域上有目标经过时会表现出奇异性突变，以及emd分解的特性，本发明将一维emd应用到红外序列图像的时域信号上，提出一种基于时域经验模态分解的红外弱小目标检测方法，以提高检测精度。
实现本发明的技术思路是：首先，对红外序列图像的每个像素的时域进行分片方差判定是否需要emd分解；其次，对于需要分解的时域信号做emd分解；然后，将分解得到的本征模态函数合成；之后，再利用图像中目标经过时像素点灰度值有起伏变化这一特点，将其看作是一种非高斯弱瞬态信号，根据虚警率设置滤波门限进行检测；最后，对滤波后的图像进行二值化处理，即得到最后的红外弱小目标检测结果。
本发明的技术方案为：
所述一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：包括以下步骤：
步骤1：输入待检测的红外序列图像forig(i,j,k)，其中(i,j)表示红外图像中的像素点的位置，k表示序列图像的帧号，k＝1,2,…,n，n为待检测的红外序列图像中的帧数；
步骤2：取待检测的红外序列图像在同一位置像素点上灰度值形成的时域信号为f(i,j)(k)，k＝1,2,…,n，通过以下步骤判断每个位置的时域信号f(i,j)(k)是否需要分解：
步骤2.1：将时域信号f(i,j)(k)分成n片，并分别求各片时域信号的标准差σ1,σ2,...,σn；
步骤2.2：将步骤2.1中得到的n个标准差做归一化处理；
步骤2.3：对归一化处理后的n个标准差求方差
步骤3：采用以下步骤对需要进行分解的时域信号f(i,j)(k)进行经验模态分解，其中采用x(k)表示时域信号f(i,j)(k)；
步骤3.1：找出时域信号x(k)的所有极值点；
步骤3.2：将时域信号x(k)的极大值点和极小值点分别进行曲线拟合，得到x(k)的上包络线xup(k)和下包络线xlow(k)；
步骤3.3：逐点计算上包络线和下包络线的局部均值m(k)＝(xup(k)+xlow(k))/2；
步骤3.4：采用时域信号x(k)减去局部均值得到d(k)＝x(k)-m(k)；
步骤3.5：判断d(k)是否是基本模式分量，如果d(k)是基本模式分量，则取c1＝d(k)，并用时域信号x(k)减去c1得到剩余信号r1(k)，再令x(k)＝r1(k)，然后返回步骤3.1；如果d(k)不是基本模式分量，则令x(k)＝r1(k)，然后返回步骤3.1；
经过上述循环后，得到基本模式分量c1,c2,...，,cm，并得到原始时域信号f(i,j)(k)的余项rm(k)；
步骤4：采用步骤3得到的基本模式分量c1,c2,...，,cm合成为新的信号g(i,j)(k)：
步骤5：采用以下步骤进行目标检测：
步骤5.1：计算g(i,j)(k)的均值μ和均方差σ；
步骤5.2：求得满足
步骤5.3：计算
步骤5.4：从序列图像forig(i,j,k)中选择一帧图像forig(i,j)，给forig(i,j)的每个像素点设置相应的量度值
步骤5.5：将每个像素点的量度值与检测门限t进行比较，量度值大于t的像素点灰度值置1，否则置0，得到二值化图像
进一步的优选方案，所述一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：步骤2中设定值λ取值0.2～0.5。
进一步的优选方案，所述一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：步骤3.2中采用三次样条插值进行曲线拟合。
进一步的优选方案，所述一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：步骤5中检测门限t根据虚警率pf，通过公式
得到，其中φ代表标准正态分布函数。
有益效果
本发明与现有技术相比较，具有以下优点：
1)针对复杂云层、低信杂比的检测情况，本发明对红外序列图像进行处理已解决单帧图像不能达到检测要求的问题。首次将emd分解应用到红外序列图像的时域信号上，我们无需对被测红外图像做预处理，直接对序列图像像素点的时域信号进行emd分解，将经过经验模态分解得到的本征模态函数合成为新的信号，得到的新信号依然是在零值上下波动的并且保留着原始信号高斯白噪声信号或叠加了目标的高斯白噪声信息，可以更好进行下一步脉冲检测。
2)考虑到一个序列图像，并不是所有的像素点的时域信号都需要进行分解，本发明首先对时域信号进行分片求方差，然后根据各分片的方差的波动系数判定是否需要分解。这样极大的减少了检测的计算量。
3)对分解后得到的新信号作除以方差计算的替换，这样相当于对每个像素的值做归一化处理。并且将图像的检测阈值同恒虚警率联系起来。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为红外弱小目标检测的基本流程。
图2为一个时域信号经过emd分解，然后合成imf后的新信号效果：左侧为原始序列的一个时域信号；右侧为经过合成后的时域新信号。
图3为序列图像经过检测后的效果图，左侧为原始红外图像中某一帧图像，右侧为经过检测后的效果图。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明主要针对目前经验模态分解方法应用在红外图像处理领域时，对于信噪比高的目标检测效果还可以达到要求，但是当处理的图像背景较为复杂时就很难达到检测要求的问题，考虑到红外序列图像的时域上有目标经过时会表现出奇异性突变，将一维emd应用到红外序列图像的时域信号上，提出了一种基于时域经验模态分解的红外弱小目标检测方法，以提高检测精度。
实现本发明的技术思路是：首先，对红外序列图像的每个像素的时域进行分片方差判定是否需要emd分解；其次，对于需要分解的时域信号做emd分解；然后，将分解得到的本征模态函数合成；之后，再利用图像中目标经过时像素点灰度值有起伏变化这一特点，将其看作是一种非高斯弱瞬态信号，根据虚警率设置滤波门限进行检测；最后，对滤波后的图像进行二值化处理，即得到最后的红外弱小目标检测结果。
本发明的具体步骤为：
步骤1：输入待检测的红外序列图像forig(i,j,k)，其中(i,j)表示红外图像中的像素点的位置，k表示序列图像的帧号，k＝1,2,…,n，n为待检测的红外序列图像中的帧数。
步骤2：计算抖动系数，判定每个时域信号是否需要分解。
由于在所有的时域剖面中有大部分是平缓的背景信号，所以为了减少计算量在进行本文算法之前首先对这些时域信号做一个判定，将时域信号判定为两类，一类是平缓的背景信号，另一类是杂波、云层边缘和有目标的时域信号。这里我们提出一种判定方法：时域分片标准差的抖动系数判定法。
取待检测的红外序列图像在同一位置像素点上灰度值形成的时域信号为f(i,j)(k)，k＝1,2,…,n，通过以下步骤判断每个位置的时域信号f(i,j)(k)是否需要分解：
首先将信号分为几个子片，分别求得每片的标准差，然后对几个子片的标准差做归一化处理，然后求方差，最后对求得的方差作分析判断。
步骤2.1：将时域信号f(i,j)(k)分成n片，并分别求各片时域信号的标准差σ1,σ2,...,σn；
步骤2.2：将步骤2.1中得到的n个标准差做归一化处理：求得各分片标准差的最大值σmax，然后将各分片标准差除以σmax得到归一化后的标准差；
步骤2.3：对归一化处理后的n个标准差求方差
步骤3：红外序列图像时域信号emd：
在红外序列图像的弱小目标检测中，其像素点在时域上可以看作是服从高斯分布的白噪声。当有小目标经过该象素点时，会引起灰度值的瞬间起伏，所对应像素灰度值随时间变化信号具有类似“脉冲”的形状，而这种突变信号可以看做非平稳信号，没有目标经过的背景像素灰度则是缓慢变化的。假若被检测图像都类似平缓的背景像素不会有太大的波动，那么一些常规的方法就可以达到很好的效果，但是实测红外图像要复杂的多，其中会有大量的杂波和云层边缘等影响因素，这些像素点时域灰度起伏变化十分明显。所以这里我们引入emd分解的方法，我们无需对被测红外图像做预处理，直接对序列图像像素点的时域信号进行emd分解，由emd分量imf的条件可以知道，每个imf基本上是在零値点上下波动，均值接近于0，而最后分解结束的残余项是根据信号的变化趋势得到的趋势项。
采用以下步骤对需要进行分解的时域信号f(i,j)(k)进行经验模态分解，其中采用x(k)表示时域信号f(i,j)(k)；
步骤3.1：找出时域信号x(k)的所有极值点；
步骤3.2：将时域信号x(k)的极大值点和极小值点采用三次样条插值分别进行曲线拟合，得到x(k)的上包络线xup(k)和下包络线xlow(k)；
步骤3.3：逐点计算上包络线和下包络线的局部均值m(k)＝(xup(k)+xlow(k))/2；
步骤3.4：采用时域信号x(k)减去局部均值得到d(k)＝x(k)-m(k)；
步骤3.5：判断d(k)是否是基本模式分量，如果d(k)是基本模式分量，则取c1＝d(k)，并用时域信号x(k)减去c1得到剩余信号r1(k)，再令x(k)＝r1(k)，然后返回步骤3.1；如果d(k)不是基本模式分量，则令x(k)＝r1(k)，然后返回步骤3.1；
判断d(k)是否是基本模式分量的标准即看d(k)是否满足两个条件即：1)在整个信号长度上，极值点的个数和过零点的个数相等或者至多相差一个；2)在任意时刻，由局部极大值定义的上包络线和由局部极小值定义的下包络线的平均值为零。
经过上述循环后，得到基本模式分量c1,c2,...，,cm，并得到原始时域信号f(i,j)(k)的余项rm(k)。
步骤4：采用步骤3得到的基本模式分量c1,c2,...，,cm合成为新的信号g(i,j)(k)：
通过多次的实验得知，单一的imf并不能完备的表征出时域信号的实际波动，从而不能为后续的脉冲检测提供有利条件。在本文中，我们将经过经验模态分解得到的本征模态函数合成为新的信号，得到的新信号依然是在零值上下波动的并且保留着原始信号高斯白噪声信号或叠加了目标的高斯白噪声信息。
步骤5：目标检测：
对于新信号而言，噪声与目标互不相关，采用恒虚警概率准则(cafr)对图像进行分割。因此，采用新的量度η表征场景图像中的值。
步骤5.1：计算g(i,j)(k)的均值μ和均方差σ；
步骤5.2：求得满足
步骤5.3：计算
步骤5.4：从序列图像forig(i,j,k)中选择一帧图像forig(i,j)，给forig(i,j)的每个像素点设置相应的量度值
步骤5.5：将每个像素点的量度值与检测门限t进行比较，量度值大于t的像素点灰度值置1，否则置0，得到二值化图像
检测门限t可以由目标检测的虚警概率pf给出：
图像中的目标检测属于噪声中信号的统计检测。统计检测就是利用假设检验的方法设计一最佳检测器，用以判断噪声中是否有信号，或者区分噪声中的不同信号。假设检验的其中两种判决结果对应两种假设：用h1假设代表目标存在，用h0假设代表目标不存在。红外弱小目标的检测也属于假设检测。检测概率和虚警概率就是代表检测效果的重要指标。对于图像中的每个像素都可以形成二元假设h1(代表存在目标)和h0(代表没有目标)，即：
h0:g(n)＝w(n)
h1:g(n)＝t(n)+w(n)
式中，以n表示帧数，g(n)表示图像中一个像素点灰度随时间变化的一维信号，t(n)表示目标像素灰度随时间变化的信号，为瞬态信号，且与高斯白噪声w(n)相互独立.我们假定目标的灰度是相对稳定的，即保持为一未知常数，于是可定义目标的信杂比为：
其中为目标的灰度估计值，g为图像序列中目标位置处的灰度值，和分别是相减后杂波的均值和方差的估计值。在二元假设条件下，图像序列中各像素位置处的灰度，其分布概率为：
采用图像门限判决，设判决门限为t，则判决准则为：
g(n)≥t判决为h1
g(n)＜t判决为h0
则检测概率pd和虚警概率pf，分别为：
本文整个算法的虚警概率pf与检测概率pd的大小与信杂比有关。可以通过虚警概率pf求出阈值t，再由t与信杂比(scr)值求出pd。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
- 还没有人留言评论。精彩留言会获得点赞！