一种基于显著性分析的热红外影像目标探测方法与流程

本发明基于遥感图像技术处理领域，特别涉及一种基于显著性分析的热红外影像目标探测方法。

背景技术：

热红外成像技术通过接收物体在热红外波段的辐射信息，得到物体的温度信息，从而具备探测热异常目标的能力。其在夜间和恶劣天气条件下的良好工作性能，使得热红外目标探测技术在目标识别与跟踪，警报系统，林火监测等方面都有着广泛的应用。热红外影像的信噪比低、缺乏纹理信息，一般采用背景抑制或者目标建模的方法来进行目标探测。

传统的热红外影像目标探测方法有形态学滤波、中值滤波、二维最小二乘法等。当热红外影像图像信噪比较低，目标结构信息微弱，并且噪声干扰严重时，形态学滤波容易降低原始图像信噪比，甚至丢失目标。中值滤波但的窗口尺寸难以确定，并且在滤除噪声的同时会使图像中重要的细节信息受损，对目标边缘的保持特性较差。将二维最小二乘法应用于热红外影像目标探测，当滤波器位于相关范围较小的目标区域内时容易出现不收敛的情况，从而导致对目标像素的估计不准确。传统的热红外影像目标探测算法都是基于特定目标，依赖于目标的先验知识进行滤波窗口设定，缺乏通用性。

技术实现要素：

本发明的目的是针对热红外遥感影像，提供一种基于显著性分析的热红外影像目标探测方法。

为达到上述目的，本发明的一种基于显著性分析的热红外影像目标探测方法，包括以下步骤：

步骤1，读取热红外影像，构建热红外影像全局显著图；

步骤2，读取热红外影像，构建热红外影像局部显著图，本步骤进一步包括以下子步骤；

步骤2.1，提取热红外影像灰度特征图；

步骤2.2，提取热红外影像方向特征图；

步骤2.3，融合灰度特征图和方向特征图，构建热红外影像局部显著图，并对局部显著图进行归一化处理；

步骤3，对步骤1中的全局显著图进行归一化处理，结合归一化后的全局显著图和局部显著图，构建热红外影像融合显著图，具体实现方式如下，

融合显著图的计算公式为s＝sgοsl，其中ο可以为[+，*，max]中的任意一种，即对归一化全局显著图sg和归一化局部显著图sl进行相加、相乘和取最大值中的任意一种操作，并对得到的融合显著图进行归一化操作。

步骤4，热红外影像目标探测，对融合显著图进行阈值分割得到标记目标位置的二值结果图。

进一步的，所述步骤1的实现方式如下，

步骤1.1，读取热红外影像，并对热红外影像进行高斯滤波预处理，去除噪声对目标探测的影响；

步骤1.2，计算全局显著图，公式为其中为读取热红外影像的灰度平均值，i(x,y)为热红外影像在像素(x,y)处的灰度值，||||代表计算两个灰度值之间的欧式距离。

进一步的，所述步骤2.1的实现方式如下，

步骤2.1.1，通过不同尺度高斯函数对热红外影像进行平滑滤波得到从0尺度到8尺度的灰度影像金字塔：定义高斯卷积核，高斯卷积核公式为σ标准差，μ均值μ＝0，尺度因子x＝[1,2,...8]，将热红外影像与高斯卷积核依次进行卷积操作，逐级降采样，建立从0尺度到8尺度的灰度影像金字塔；

步骤2.1.2，利用中央周围差操作计算热红外影像对应的灰度特征图，中央周围差操作公式表示为其中i(c)表示灰度特征金字塔影像的中心尺度影像，i(s)表示灰度特征金字塔影像的周围尺度影像，为中央周围差操作。

进一步的，所述步骤2.2的实现方式如下，

步骤2.2.1，定义二维gabor函数，公式为其中(x,y)表示像素坐标，σx和σy表示高斯函数在x和y方向的标准差，选取0°，45°，90°和135°四个方向进行滤波，得到的gabor滤波模板，公式为h(x,y)＝g(x',y')cos(2πωfx')，其中(x',y')＝(xcos(θf)+ysin(θf)-xsin(θf)+ycosn(θf))，ωf为调制频率，θf∈{0°,45°,90°,135°}，将滤波模板与热红外影像进行卷积操作，得到0°，45°，90°和135°四个方向特征；

步骤2.2.2，重复步骤2.1.1对0°，45°，90°和135°四个热红外方向特征依次建立0°，45°，90°和135°对应的0尺度到8尺度的方向特征金字塔；

步骤2.2.3，对上述四个热红外方向中的每个方向特征金字塔，选择中心尺度影像i(c)和周围尺度影像i(s)进行中央周围差运算，得到0°，45°，90°，135°一共四组子方向特征图；

步骤2.2.4，线性融合四组子方向特征图，得到最终的方向特征图。

进一步的，所述步骤2.3的实现方式如下：

步骤2.3.1，对灰度特征图进行归一化操作，具体方式为分别统计灰度特征图中像素灰度最大值max，最小值min，重设灰度特征图的像素x的新像素值为

步骤2.3.2，重复步骤2.3.1对方向特征图归一化操作；

步骤2.3.3，计算局部显著图，将归一化后的灰度特征图和方向特征图逐像素相加，重新采样至与原始热红外影像同一尺寸，并归一化处理后得到局部显著图。

进一步的，所述步骤4中阈值分割通过公式t＝m+kσ计算获得，其中m为融合显著图的均值，σ融合显著图方差，k为经验阈值。

进一步的，经验阈值k的取值为5～10。

进一步的，所述步骤4中得到标记目标位置的二值结果图通过以下方式实现，建立与原始热红外影像同样大小的二值结果图，逐一比较融合显著图坐标(x,y)处像素的灰度值与阈值t的大小，若大于阈值t，则将二值结果图(x,y)处像素对应赋值为1。

本发明具有如下优点和有益效果：

(1)检测精度高，误判较少；同时适用于不同成像平台采集的热红外影像。

(2)检测基于单波段影像灰度特征和方向特征，不受限于热红外成像仪通道数，同时适用于单波段、多波段热红外影像。

(3)无需辅助信息和人工干预，计算速度快，可自动化处理。

(4)可扩展性强，当条件允许时，可将本发明方法作为初始判别准则，使用复合决策的方式，取得更精准的热红外目标检测结果。

附图说明

图1为本发明实施例流程图；

图2为本发明实施例热红外目标检测结果图，(a)为包含汽车引擎目标的热红外影像，(b)为影像对应的融合显著图，(c)为分割融合显著图得到的二值结果图，白色表示目标。

图3为本发明实施例热红外目标检测结果图，(a)为包含行人目标的热红外影像，(b)为影像对应的融合显著图，(c)为分割融合显著图得到的二值结果图，白色表示目标。

具体实施方式

为了更好地理解本发明技术方案，下面将结合附图和实施例对本发明做进一步详细说明。

本具体实施方式在matlabb2011环境下，由matlab语言编程实现，整个过程可实现自动化处理。本步骤的具体实施方式如下：

步骤1，读取热红外影像，构建热红外影像的全局显著图，此步骤进一步包括：

步骤1.1，读取热红外影像，并对热红外影像进行高斯滤波预处理，去除噪声对目标探测的影响。

步骤1.2，计算全局显著图，公式其中为读取热红外影像的灰度平均值，i(x,y)为热红外影像在像素(x,y)处的灰度值，||||代表计算两个灰度值之间的欧式距离。

步骤2，构建热红外影像局部显著图，本步骤的具体实施方式如下：

步骤2.1，提取热红外影像灰度特征图，其中进一步包括：

步骤2.1.1，建立热红外影像的灰度特征金字塔影像。通过不同尺度高斯函数对热红外影像进行平滑滤波得到从0尺度到8尺度的灰度影像金字塔。定义高斯卷积核，高斯卷积核公式为：参数具体设置为标准差σ＝2，均值μ＝0，尺度因子x＝[1,2,...8]。将热红外影像与高斯卷积核依次进行卷积操作，逐级降采样，建立从0尺度(原始影像)到8尺度的灰度影像金字塔；

步骤2.1.2，利用中央周围差操作计算热红外影像对应的灰度特征图。中央周围差操作公式表示为其中i(c)表示灰度特征金字塔影像的中心尺度影像，i(s)表示灰度特征金字塔影像的周围尺度影像，为中央周围差操作。具体操作方法为将影像i(s)升采样到与i(c)同一分辨率后，进行逐像素相减，得到灰度特征图，其中i(c)可以选择0～2尺度影像，i(s)可以选择3～5尺度影像。.

步骤2.2，提取热红外影像方向特征图，其中进一步包括：

步骤2.2.1，热红外影像gabor方向特征提取，定义二维gabor函数，公式为：其中(x,y)表示像素坐标，σx和σy表示高斯函数在x和y方向的标准差，选取0°，45°，90°和135°四个方向进行滤波，得到的gabor滤波模板，公式为h(x,y)＝g(x',y')cos(2πωfx')，其中(x',y')＝(xcos(θf)+ysin(θf)-xsin(θf)+ycosn(θf))，ωf为调制频率，θf∈{0°,45°,90°,135°}，将滤波模板与热红外影像进行卷积操作，得到0°，45°，90°和135°四个方向特征；

步骤2.2.2，建立方向特征金字塔，与步骤2.1.1中相似地，对0°，45°，90°和135°四个热红外方向特征依次建立0°，45°，90°和135°对应的0尺度(原始影像)到8尺度的方向特征金字塔；

步骤2.2.3，利用中央周围差操作计算方向特征图，与步骤2.1.2相似地，在每个方向特征金字塔中选择中心尺度影像i(c)和周围尺度影像i(s)进行中央周围差运算，得到0°，45°，90°，135°一共四组子方向特征图。

步骤2.2.4，线性融合四组子方向特征图，得到最终的方向特征图。

步骤2.3，融合灰度特征图和方向特征图，构建局部显著图，进一步包括：

步骤2.3.1，对灰度特征图和方向特征图分别进行归一化操作。具体方式为统计特征图中像素灰度最大值max，最小值min，重设特征图的像素的新像素值为其中x为原始像素值；

步骤2.3.2，计算局部显著图，将归一化后的灰度特征图和方向特征图逐像素相加，重新采样至与原始热红外同一尺寸，并归一化处理后得到局部显著图。

步骤3，构建热红外影像融合显著图，本步骤进一步包括：

步骤3.1，对步骤1中获得的全局显著图进行归一化处理；

步骤3.2，构建融合显著图s，公式为s＝sgοsl，其中ο可以为[+，*，max]中的任意一种，即对归一化全局显著图sg和归一化局部显著图sl进行相加、相乘和取最大值中的任意一种操作，并对得到的融合显著图行进归一化操作。本实施例以相加操作为例，将归一化全局显著图sg和归一化局部显著图sl逐像素相加，并进行归一化操作得到融合显著图。

步骤4，热红外影像目标探测，对融合显著图进行阈值分割得到标记目标位置的二值结果图，本步骤进一步包括：

步骤4.1，计算分割阈值，公式为t＝m+kσ，其中m为融合显著图的均值，σ融合显著图方差，k为经验阈值，一般选取5～10；

步骤4.2，建立与原始热红外影像同样大小的二值结果图，逐一比较融合显著图坐标(x,y)处像素的灰度值与阈值t的大小，若大于阈值t，则将二值结果图(x,y)处像素对应赋值为1。

本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种各样的修改、补充或采用类似的方式替代，但不会偏离本发明的精神或者超越所附权利要求书所定义的范围。