基于改进Tri边缘算子的红外目标检测方法与流程

本发明属于目标检测技术领域，特别是一种算法复杂度低、检测准确率高易的基于改进Tri边缘算子的红外目标检测方法。

背景技术：

红外目标检测是图像处理领域的重要组成部分，因其在单兵作战、目标跟踪、安防监控等军事和民用工程中的广泛应用受到国内外研究机构的重视，并发挥着日益关键的作用。红外成像利用的是场景中目标和背景的热辐射，因此可以穿透烟和雾，抗干扰和环境适应性较强；但受其光谱传输特点的影响，导致红外图像具有对比度低、噪声大、成像质量差等缺陷，从而给红外目标检测的方案实现及准确率提出了更高的要求。

近年来，国内外学者主要对红外目标增强、去除背景噪声、提高成像质量等方面展开研究，如Rauch等人采取利用时间组高阶差分的方案来抑制背景噪声干扰；Reed等人则利用二维匹配滤波器去除背景噪声；杨帆先基于单帧检测算法对红外图像进行背景抑制，然后提取出目标的最简特征，对其分配权重并分析，待加权形成融合特征后再进行目标检测。

虽然这些算法都在一定程度上提高了目标检测概率，并有效去除了背景噪声，但仍存在诸如：需要建立先验知识模型，算法计算量过大难以实现，过分去噪导致目标信息丢失等局限性，限制了红外目标检测的应用与发展。

技术实现要素：

本发明的目的在于提供一种基于改进Tri边缘算子的红外目标检测方法,算法复杂度低、检测准确率高。

实现本发明目的的技术解决方案为：

一种基于改进Tri边缘算子的红外目标检测方法,包括如下步骤：

(10)背景预测：根据待检测原始图像，预测得到背景预测图像；

(20)残差图像提取：从原始图像中减去背景预测图像，得到残差图像；

(30)图像对比度提升：将残差图像与原始图像相加，并将相加后的图像的灰度值提升至二倍，得到高对比度图像；

(40)图像噪声抑制：对高对比度图像进行维纳滤波，得到噪声抑制图像；

(50)增强图像获取：将噪声抑制图像与原始图像叠加，得到增强图像；

(60)边缘图像提取：采用边缘提取算子提取噪声抑制图像的边缘信息，得到边缘图像；

(70)图像融合：将增强图像与边缘图像融合，得到融合图像；

(80)目标标识：根据自适应阈值，对融合图像中的目标进行标识，得到红外检测目标。

本发明与现有技术相比，其显著优点为：

1、算法复杂度低：采用更简便的卷积核进行背景预测，降低了算法的复杂度，有效节约运算资源，利于算法的硬件实现；

2、检测准确率高：与传统基于Sobel算子的红外目标检测方法相比，在计算资源和算法难易度相当的情况下，进一步提高了对红外目标的检测准确率。

下面结合附图和具体实施方式对本发明作进一步的详细描述。

附图说明

图1为本发明基于改进Tri边缘算子的红外目标检测方法的主流程图。

图2为基于不同边缘算子的边缘提取实验对比图。

图3为基于Tri边缘算子关于红外原图的边缘提取实验图。

图4为基于Tri边缘算子关于背景预测图的边缘提取实验图。

图5为基于不同边缘算子的最终检测结果实验对比图。

具体实施方式

如图1所示，本发明基于改进Tri边缘算子的红外目标检测方法,包括如下步骤：

(10)背景预测：根据待检测原始图像，预测得到背景预测图像；

所述(10)背景预测步骤具体为，根据待检测原始图像，按下述公式得到背景预测图像：

I1＝I*w1，

其中，

式中，*为卷积运算符号，I为待检测原始图像，w为卷积核，I1为背景预测图像。

(20)残差图像提取：从原始图像中减去背景预测图像，得到残差图像；

所述(20)残差图像提取步骤具体为，按下式得到残差图像ΔI：

ΔI＝I-I1。

(30)图像对比度提升：将残差图像与原始图像相加，并将相加后的图像的灰度值提升至二倍，得到高对比度图像；

所述(30)图像对比度提升步骤具体为，按下式得到高对比度图像I2：

2I2＝2(ΔI+I)。

(40)图像噪声抑制：对高对比度图像进行维纳滤波，得到噪声抑制图像；

所述(40)图像噪声抑制步骤具体为，按下式对高对比度图像进行滤波，得到噪声抑制图像I3：

I3＝wienerFilter(2I2,[5 5])

式中，wienerFilter代表维纳滤波，[5 5]为5×5的滤波窗口。

(50)增强图像获取：将噪声抑制图像与原始图像叠加，得到增强图像；

所述(50)增强图像获取步骤具体为，按下式将噪声抑制图像I3与原图像I进行叠加，得到增强图像I4：

I4＝I3+I。

(60)边缘图像提取：采用边缘提取算子提取噪声抑制图像的边缘信息，得到边缘图像；

所述(60)边缘图像提取具体为，按下式提取噪声抑制图像的边缘信息，得到边缘图像：

其中，

式中，I5⁽¹⁾为图像在x方向的边缘算子导数，I5⁽²⁾为图像在y方向的边缘算子导数，I5⁽³⁾为图像在与x夹角为45°方向的边缘算子导数，I5⁽⁴⁾为图像在与x夹角为-45°方向的边缘算子导数，I5为图像边缘信息，h1、h2、h3、h4分别为x方向、y方向、与x方向夹角45°方向和与x方向夹角-45度方向的边缘提取算子。

Sobel算子是一种离散型差分算子，利用像素上、下、左、右四个邻域的灰度加权差的，在边缘会达到极值的现象实行边缘检测。Sobel算子计算定义如下：

sx＝[f(x+1，y-1)+2f(x+1，y)+f(x+1，y+1)]-[f(x-1，y-1

+2f(x-1，y)+f(x-1，y+1)]

sy＝[f(x-1，y+1)+2f(x，y+1)+f(x+1，y+1)]-[f(x-1，y-1

+2f(x，y-1)+f(x+1，y-1)]

在x和y方向上的Sobel算子，分别对水平和垂直方向进行卷积运算，所得最大值即为图像的像素点的值。选择恰当阈值TH，当R(i，j)≥TH时即为变化边缘点。

Sobel算子卷积模板

Sobel算子的特点在于较丰富的目标边缘和图像细节，效率好，但检测准确率不高。

基于Sobel算子检测率不高的缺点，我们提出了基于三像素的改进型Tri算子，在实行红外目标初检时不仅能较完好的保留图像边缘细节，并能在有限计算资源内能有效提高准确率，降低误检率。

(70)图像融合：将增强图像与边缘图像融合，得到融合图像；

所述(70)图像融合具体为，按下式将增强图像与边缘图像融合，得到融合图像I6：

式中，(x，y)为图像中位于坐标x，y处的像素点。

(80)目标标识：根据自适应阈值，对融合图像中的目标进行标识，得到红外检测目标。

所述(80)目标标识步骤中，自适应阈值C为融合图像I6中最大值的0.8倍。

为充分说明本方案的检测优越性，特设计如下三组对比实验：

具体实验结果如图2所示。

图2中，图2a为基于Sobel边缘算子的边缘细节图像；图2b为基于Tri边缘算子的边缘细节图像。。

由上述边缘检测对比实验可知，利用基于Sobel算子的边缘检测方案虽然一定程度上抑制了噪声，但诸如尾翼及机翼等明显热目标的边缘信息未被检测出来(图2a)，严重影响了整体检测率，遗漏率较高，对后续识别和决策操作影响严重；而利用改进Tri算子的检测方案虽然在部分区域存在少量噪声，但目标边缘细节检测明显，目标轮廓检测完成较高(图2b)，提取效果良好。

通过前面几个步骤，初步得到了待检测目标的图像信息。如果依据传统步骤对原图像进行边缘提取，在实验中，我们发现会将区域中很多噪声的边缘一并提出，增加了干扰，降低了图像质量。具体实验结果如图3、4所示。

图3中，图3a为基于Tri边缘算子关于红外原图的边缘细节图；图3b为基于Tri边缘算子关于红外原图的边缘增强图。图4中，图4a为基于Tri边缘算子关于背景预测图的边缘细节图；图4b为基于Tri边缘算子关于背景预测图的边缘增强图。

由上述基于Tri边缘算子的边缘细节提取实验对比可知，在对红外原图进行边缘细节提取后，虽然目标整体轮廓稍显清晰，但无论是基于原图的边缘细节图像(图3a)还是经处理后的边缘细节增强图像(图3b)中，噪声都异常明显，对后续操作影响严重；而在对背景预测图像进行边缘细节提取后，虽然目标在个别细节清晰度上稍有欠缺(图4a)，但已经达到目标初检的目的，且对检测结果影响不大，但却显著抑制了背景噪声，改善了图像整体质量(图4b)。

最终检测对比实验如图5所示。其中，图5a为基于Soebl算子的最终检测图像；图5b为基于Tri算子的最终检测图像。。。

由图5所示的检测对比实验可知，利用Sobel算子的目标检测方案对整体目标的检测缺失严重(图5a)，不能有效反馈目标轮廓信息，达不到红外目标初检目的；而利用改进Tri算子的检测方案对红外待测目标的检测比较全面，不仅整体轮廓检测较为完整，还包含了对机舱、机翼、尾翼、螺旋桨等主要热目标的检测，边缘细节勾勒连贯清晰图(图5b)，误检率和遗漏率低，且有效抑制了噪声干扰，达到了红外目标初检的目的。

综上可得，本红外目标检测方案有效提高了检测正确率，有效降低了误检率和遗漏率，效果良好。