一种基于分级LCM的快速小目标检测方法与流程

本发明属于图像处理中的小目标检测技术领域，具体涉及一种基于分级lcm(局部对比度)的快速小目标检测方法。

背景技术：

随着现代科技的迅猛发展，红外探测系统的性能取得了较大的提升。由于红外图像特殊的成像机理，在远距离成像的条件下，目标的许多特征难以在红外图像中显现出来。因此，红外图像中的小目标通常呈现出斑点状、成像面积小、缺乏明显的结构或纹理特征、信噪比低等特点，很容易淹没在复杂背景和噪声环境中。因此红外小目标检测与跟踪技术就应运而生，目前已经成为广泛应用于军事领域和民用领域的通用技术。复杂背景下的红外小目标检测是红外小目标检测与跟踪系统中的关键技术。通常来说，目标检测的结果在很大程度上取决于算法性能的好坏，特别是在实时处理系统中，还需要对小目标进行准确快速的检测。在不同的场景和条件下，红外小目标检测与跟踪系统应该具有较好的稳定性，并且在实现低虚警率的同时达到实时检测的要求。

从1989年开始，spie每年都会举办有关弱小目标检测技术的国际会议，研讨弱小目标检测技术的最新研究成果，数十年来相关的研究者们提出了各种检测方法。早期提出的一些传统的检测方法大多数都是基于空域滤波变换，包括最大中值/均值滤波(具体可参考文献《deshpande,sd,er,etal.max-meanandmax-medianfiltersfordetectionofsmalltargets[j].proceedingsofspie,1999,3809:74-83》)、双边滤波、卡尔曼滤波、形态学滤波(具体可参考文献《v.tom,t.peli,m.leung,andj.bondaryk.morphology-basedalgorithmforpointtargetdetectionininfraredbackgrounds[j]proc.spie,oct.1993,vol.1954,pp.2–11》)等方法。另一方面由于小波在不同尺度下生成的图像信息提供了可以区分目标和背景的特征信息，因此基于这一思想，研究者们进一步提出了许多利用小波进行杂波背景小目标检测的方法(具体可参考文献《g.boccignone,a.chianese,anda.picariello,smalltargetdetectionusingwavelets,inproc.int.conf.patternrecognit.aug.1998,vol.2,pp.1776–1778》)。

近几年来，由于强大的人类视觉系统(hvs)特征，包括尺寸适应过程，对比机制，以及注意转移机制等的引入，红外小目标检测算法性能又得到了进一步的提升。例如kim和邵等人使用拉普拉斯高斯(log)滤波器来改善图像对比度(具体可参考文献《x.shao,h.fan,g.lu,andj.xu,animprovedinfrareddimandsmalltargetdetectionalgorithmbasedonthecontrastmechanismofhumanvisualsystem,infraredphys.technol.vol.55,no.5,pp.403–408,sep.2012》)；王等人则提出了高斯差分滤波器(dog)(具体可参考文献《wangx,lvg,xul.infrareddimtargetdetectionbasedonvisualattention[j].infraredphysics&technology,2012,55(6):513–521》)，其类似于log但更容易构造；陈等人将中心块和周围块的灰度值比率定义为局部对比度(lcm)，并且以此作为增益因子来对目标区域进行增强(具体可参考文献《chenclp,lih,weiy,etal.alocalcontrastmethodforsmallinfraredtargetdetection[j].ieeetransactionsongeoscience&remotesensing,2013,52(1):574-581》)。

然而上述的一系列算法通常并不能够兼顾检测准确率和速率，能够达到较高准确率的算法往往运行速度较差，而运行速度较快的算法却又不能达到较高的准确率。

技术实现要素：

本发明的发明目的在于：针对现有的小目标检测技术中的不足，提供了一种基于分级lcm的快速小目标检测方法，以解决传统lcm方法虽然准确率较高但是实时性较差的技术问题。

本发明的基于分级lcm的快速小目标检测方法，包括下列步骤：

步骤1：将输入的待检测原始图像转换成灰度图像i，并通过小尺寸中值滤波，对灰度图像进行噪声滤除处理，得到去噪图像i'；其中小尺寸定义为小于待检测小目标面积的尺寸；

步骤2：对去噪图像i'进行子块划分，得到以图像块为单位的图像块集合in；

其中，子块划分的优选方式为：每个子块边长为待检测小目标最大尺度边长的两倍，每次划分的移动步长为子块边长的一半；

步骤3：采用lcm算法对图像块集合in进行第一级滤波，得到图像块集合in中的每个图像块的滤波结果，基于所有图像块的滤波结果得到突出度矩阵sm；

步骤4：基于预设的第一级阈值t1，根据突出度矩阵sm，将图像块集合in划分为可疑目标区块tb和背景区块bb：若当前图像块的滤波结果大于第一级阈值t1，则将该图像块作为可疑目标区块tb；否则作为背景区块bb；

其中第一级阈值t1的取值范围在突出度矩阵sm的最大值和最小值之间；

步骤5：对所有的可疑目标区块tb，采用改进的多尺度lcm算法进行第二级滤波处理，得到使目标区域增强的进一步图像etb；

其中第二级滤波处理具体为：

以每个可疑目标区块tb的每个像素点为中心点，依次向外扩展n个矩形边框(n为经验参数，具体由待检测小目标尺寸决定，例如3-5之间)。

在每一个矩形边框中，计算当前矩形边框中每个像素点的灰度值和中心点的灰度值的比值，并选出当前矩形边框中比值最小的结果；

依次遍历n个矩形边框，得到n次比值最小的选择结果，选取其中最大值作为中心点的中间响应结果；

对中心点的中间响应结果做非线性变换：当中间响应结果大于1时，将中间响应结果乘以中心点的原灰度值作为增强值输出，即最终响应结果；否则，将中心点的原灰度值作为最终响应结果；

步骤6：将目标区域增强图像etb与可疑目标区块tb进行差分处理，得到差分图像diff；

步骤7：设定第二级阈值t2，对差分图像diff进行二值划分得到二值图像bw：若当前像素值小于第二级阈值t2，则设置为0；否则设置为1；

步骤8：对二值图像bw进行连通域标记，将所有值为1的连通域作为小目标区域。从而得到小目标检测结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明通过采用分级计算的策略以及改进多尺度lcm算法的计算方式，提高了小目标检测处理的运算速度，解决了现有的处理方式在具有较高准确率的同时实时性较差的问题，使得将lcm算法应用到实际中成为可能。

2、本发明在对使用lcm算法的响应结果处理上使用了非线性映射，解决了该算法在对目标区域进行增强的同时可能产生的边缘抑制问题。

附图说明

图1为具体实施方式中，本发明的检测处理流程图；

图2为具体实施方式中，所涉及的灰度图像，其图像宽度为608，高度为480；

图3为具体实施方式中，本发明经过预处理得到的图像；

图4为具体实施方式中，本发明经过第一级滤波得到的可疑目标区域图；

图5为具体实施方式中，本发明经过第二级滤波得到的目标区域增强图；

图6为具体实施方式中，本发明阈值处理之后得到的最终检测结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

本发明旨在针对现有的lcm(局部对比度)算法进行部分改良，让其在保持较高的检测准确率的同时提高运行速度，使得将高准确率算法应用在实时检测实际场景中成为可能。

参见图1，本发明的具体实现过程如下：

步骤1：输入待检测图像i，如图2所示，其图像尺寸为608×480，设置小尺寸(小尺寸定义为小于待检测小目标面积的尺寸)滤波器进行中值滤波，去除细微噪声，本发明中选取尺寸为2×2的矩形结构元。以矩形结构元左上角元素i(x,y)为中心点,对包括中心点在内的四个像素点的灰度值进行排序，得到p1＜p2＜p3＜p4，则中心点灰度值计算方式为：

得到去噪图像i'，如图3所示。

本步骤中，基于所设置的小尺寸滤波器的矩形结构元(比如2×2、3×3等)，首先选定中心点，例如对于2×2的矩形结构元，则选择其左上角元素(左上角的像素点)为中心点，而对于3×3的矩形结构元，则选择该矩形结构元的中心像素点为中心点；即若矩形结构元存在中心像素点，则以其为矩形结构元的中心点，否则从矩形结构元靠近中心位置处选定一个像素点作为其中心点，优选矩形结构元靠近中心位置的左上角的点作为其中心点；

然后再对矩形结构元包括的所有像素点的灰度值进行升序或者降序排序，若像素点个数为奇数，则选取排序后中间位置灰度值作为其中心点的灰度值，否则选取排序后中间位置的两个灰度值的均值作为其中心点的灰度值。例如对于3×3的矩形结构元，排序后的像素值为p1＜p2＜p3＜p4＜p5＜p6＜p7＜p8＜p9，则该矩形结构元的中心点的灰度值为：i(x,y)＝p5。

步骤2：对去噪图像i'进行子块划分，其子块划分要求为：每个子块边长为待检测小目标最大尺度边长的两倍，每次划分的移动步长为子块边长的一半。得到以图像块为单位的图像块集合in。

本具体实施方式中，根据小目标尺寸定义，通常其最大尺度边长为5个像素点，因此设置子块边长d＝10pixel，移动步长为s＝5pixel。

步骤3：在图像块集合in的基础上，使用传统lcm算法进行第一级滤波，得到滤波结果，即突出度矩阵sm。其中第一级传统lcm算法的具体操作为：

3.1以每一个子块为中心子块，选取周围相邻的8个边缘子块，分别计算这9个子块的灰度均值，其中中心子块灰度均值为g0，其边缘子块灰度均值为g1-g8。

3.2分别计算出中心子块灰度均值与各个边缘子块灰度均值与的比值，选取所有比值中的最小值作为该中心子块的响应结果，其计算公式为：

3.3按顺序遍历有所子块，重复上述步骤，得到响应结果集合，即为突出度矩阵sm。

步骤4：设定第一级阈值t1，根据突出度矩阵sm，将图像块集合in划分为可疑目标区块tb和背景区块bb，并且保留下可疑目标区块tb，如图4所示。即若当前图像块的滤波结果大于第一级阈值t1，则将该图像块作为可疑目标区块tb；否则作为背景区块bb。

阈值t1设定范围在突出度矩阵sm的最大值和最小值之间，与突出度矩阵sm的最大值imax和标准差σsm有关。其具体阈值计算公式为：

t1＝imax-kσsm

其中k为自选经验参数，这里根据统计结果分析，较为合适的取值范围为0.4～1；

步骤5：对所有的可疑目标区块tb，使用改进的多尺度lcm算法进行第二级滤波处理，得到使目标区域增强的进一步图像etb。其中第二级改进的多尺度lcm算法具体操作为：

5.1以每个像素点p0为中心点，依次向外扩展n个矩形边框(n为经验参数，具体由待检测小目标尺寸决定)。

5.2在每一个矩形边框中，计算该边框中每个像素点灰度值pi和中心点灰度值p0的比值，并选出该圈中比值最小的结果。

5.3依次遍历n个矩形边框，得到n次比值最小的选择结果，选取其中最大值作为中间响应结果。其中间响应结果计算公式为：

其中nl代表第l圈中的像素点个数，pl,k代表第l圈中的第k个像素值。

5.4对中间响应结果做非线性变换得到最终响应结果：当中间响应结果大于1时，将该结果乘以中心点原灰度值作为增强值输出，即最终响应结果；当响应结果不超过1时，中心点原灰度值即为最终响应结果。如图5所示，其响应公式为：

步骤6：将目标区域增强图像etb与可疑目标区块tb进行差分处理，得到差分图像diff。

步骤7：根据统计结果分析，按照以下计算公式：

t2＝μd+kσd

设定第二级阈值t2，其中μd为差分图像diff的均值，σd为其标准差，k为自选经验参数，这里根据统计结果分析，较为合适的取值范围为3～5。然后将差分图像diff基于阈值t2进行二值划分，即若当前像素值小于t2，则设置为0；否则设置为1，从而得到仅包含0/1的二值图像bw，如图6所示。

步骤8：对二值图像bw进行连通域标记，得到的所有值为1的连通域即为小目标区域。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。