一种面向复杂场景的红外小目标检测方法与流程

本发明属于无人机检测技术领域，具体的说是一种面向复杂场景的红外小目标检测方法。

背景技术

目前，大部分红外小目标检测算法仅能针对天空背景有良好的检测效果，多数算法在地空背景不能适用，在复杂背景下的检测率较低和虚警率较高，针对复杂的地空背景还是比较困难的问题。

技术实现要素：

本发明的目的，就是针对上述问题，通过利用一种改进的形态学滤波，结合分数阶微分算子和一种显著性检测方法，解决多种复杂背景下的红外小目标高精度检测的目的。

本发明的技术方案为：

一种面向复杂场景的红外小目标检测方法，其特征在于，包括以下步骤：

s1、通过形态学滤波进行背景抑制：

灰值形态学滤波算法就是在二值形态学滤波上扩展出来的一种针对灰度值图像的滤波处理算法。由于红外图像本质上是一副多像素级的灰度图像。因此可直接利用灰度形态学算法处理中，利用灰度形态学处理图像计算量较小，多数情况能达到满意的滤波效果。

1.灰度值膨胀运算定义如下：

通过膨胀运算可使中心点像素灰度值替换为给定结构元素对应区域的灰度最大值。

2.腐蚀是膨胀的一种对偶运算。灰度值腐蚀运算定义如下：

同样通过腐蚀运算可使中心点像素灰度值替换为给定结构元素区域的灰度最小值。

其中f为原始图像，b为对应运算的结构元素。

软形态学运算公式为：

其中，f为原始图像，g(x,y)为g中坐标为(x,y)的像素点的灰度值，h(x,y)为背景抑制后的图像h坐标为(x,y)的像素点的灰度值；

s2、对背景抑制后的图像，进行分数阶目标增强：

设定图像i(x,y)在x、y轴两个方向的分数阶微分在一定条件下是可分离的，同时由于弱小目标的灰度高斯分布特性，对图像的八个方向利用分数阶微分算子进行处理，将图像信号i(x,y)的持续期[a,t]按单位间隔h＝1等分，得到g-l定义下的分数阶微分算子沿x和y轴方向的数值计算表达式如下：

s3、显著性目标提取：

采用谱残差法，利用如下公式的傅里叶变换将图像i(x)从空间域映射到频域，提取其幅度谱p(f)，保持相位譜不变：

a(f)＝|f[i(x)]|(5)

l(f)＝log[a(f)](7)

q(f)＝l(f)*n(f)(8)

d(f)＝l(f)-q(f)(10)

s(i(x))＝g(x,y)*|f^-1[exp{d(f)+ip(f)}]|²(11)

对其幅度谱进行一次log变换，得到log频谱l(f)；与一个n×n的均值算子卷积得到平滑背景后的图像q(f)；

原始幅度谱与平滑后的幅度谱相减得到的幅度谱d(f)，即是频域中被平滑的区域，也就是显著性区域，结合其相位譜后映射回空间域，再利用一个高斯滤波器实现更好的显示效果，得到感兴趣目标区域的边界，得到最终的显著性图像s(i(x))。

本发明的方案，利用红外图像检测技术对视场内低空远距离小目标进行检测。通过形态学滤波，分离出背景后利用分数阶微分算子增强图像后与一种显著性检测方法结合，比单一显著性检测更能凸显目标，提取出完整的弱小目标区域，达到有效检测的目的。

本发明的有益效果为，能适应于多场景的小目标检测，在无人机预警领域将有广泛的应用前景。

附图说明

图1为本发明改进的形态学top-hat算子结构元素；

图2为本发明分数阶图像增强算子。

具体实施方式

下面结合附图和实施例，详细描述本发明的技术方案。

本发明的的检测方法具体分为三阶段：一种改进的top-hat背景抑制方法、分数阶目标增强以及谱残差法显著性目标提取。本发明首先利用改进的软形态学滤波算子进行背景抑制，可去除大部分背景区域的干扰，由于此运算后目标和背景杂波均会得到削弱，因此利用分数阶微分进行目标增强，可以增强目标灰度值，同时小幅增加背景杂波，同时结合一种显著性检测方法提取出目标。

改进的top-hat背景抑制方法：

数学形态学由一组形态学的代数运算子组成的，它的基本运算包括4个：膨胀、腐蚀、开运算和闭运算。top-hat算子为其中的一种，经典形态学运算中，进行膨胀和腐蚀运算的结构元素是一致的，上述的top-hat算子虽然总体在一些信噪比相对较高的场景表现良好，如天空背景下图像信噪比较高时。复杂场景并不适用。

软形态学运算如公式(12)所示，f为原始图像，g(x,y)为g中坐标为(x,y)的像素点的灰度值，h(x,y)为背景抑制后的图像h坐标为(x,y)的像素点的灰度值。

改进后的结构元素如图1所示，用于腐蚀的结构元素大小及尺寸保持不变，改变膨胀的结构元素，使其中空，可在复杂场景中含有竖直杆和树梢时很好抑制。改进后的top-hat运算具有更好的背景抑制效果和场景适应性。

分数阶目标增强：

分数阶微分算子能在增强信号中高频成分的同时，非线性的保留信号中的低频分量。图像是二维信号，假定图像i(x,y)在x、y轴两个方向的分数阶微分在一定条件下是可分离的，同时由于弱小目标的灰度高斯分布特性，这样可对图像的八个方向利用分数阶微分算子进行处理，将图像信号i(x,y)的持续期[a,t]按单位间隔h＝1等分，这样可以得到g-l定义下的分数阶微分算子沿x和y轴方向的数值计算表达式如公式(3)(4)所示。

图2表示的是一个八方向的图像增强掩模算子e。模板尺寸为m*m。该增强算子能基于中心目标像素同步增强目标像素区域的其余像素点，增强算子e中的具体滤波系数如式(14)所示。

增强后的图像在目标灰度上得到了大幅提升，背景像素点灰度值虽然也得到增强，但总体上而言，背景和目标像素点的灰度值差异在增大。

显著性目标检测：

显著性检测方法均只是针对图像中一些颜色，面积与周围反应出较大显著差异的目标，通常都是一些面积占比较大的目标，不适用于复杂场景中的弱小目标的直接检测。其实对于灰度图像里的红外小目标而言，我们也同样可以认为小目标是区别于周围区域的显著性存在，只要预处理和背景抑制方法得当，就可以把预处理中后的图像里的小目标当做一种显著性背景存在。

谱残差法的基本原理是利用公式(5)～公式(11)里的傅里叶变换将图像i(x)从空间域映射到频域，提取其幅度谱p(f)，保持相位譜不变；而后对其幅度谱进行一次log变换，得到log频谱l(f)。与一个n×n的均值算子卷积得到平滑背景后的图像q(f)。原始幅度谱与平滑后的幅度谱相减得到的幅度谱d(f)即是频域中被平滑的区域，也就是显著性区域，结合其相位譜后映射回空间域，便于直观显示。由于红外图像中目标的边界模糊，利用一个高斯滤波器来达到更好的显示效果，以得到感兴趣目标区域的边界，得到最终的显著性图像s(i(x))。

本发明通过利用一种改进的形态学滤波抑制大量背景，分离出背景。提出了一种结合分数阶微分的显著性检测算法，采用了一个八方向的分数阶微分算子来增强目标灰度，同时能小幅抑制背景噪声，接着采用谱残差进行显著性目标检测，提取目标，这比单一的直接利用谱残差法来检测的效果更好，得到的目标显著性更强，达到在多种场景中均能对视野内的红外弱小目标进行高检测率和低虚警率检测的目的。