一种基于张量均方最小误差的红外弱小目标检测方法与流程

本发明属于红外图像分析技术，具体为一种基于张量均方最小误差的红外弱小目标检测方法。

背景技术：

红外图像一般由背景杂波、目标和噪声三部分组成，由于远程距离和大气传播的影响，目标信号通常十分微弱，且和背景的对比度较低，容易淹没在背景杂波中，导致图像的信杂比低。而且红外小目标缺乏实际的尺寸和结构性特征。这使得小目标的检测在实践中有一定的难度。

现有红外弱小目标检测方法在解决这一问题时，仍有技术上的缺陷，如基于滤波的方法易于在背景边缘处出现大量虚检；基于对比度和显著性计算的方法对复杂边缘干扰，椒盐噪声敏感；基于背景和目标矩阵分解的方法对稀疏背景干扰敏感；基于传统机器学习的方法受感受野大小限制，虚警率较高。检测方法直接影响了应用系统的性能，因此检测的准确性和鲁棒性至关重要。

技术实现要素：

本发明的目的在于提供一种基于张量均方最小误差的红外弱小目标检测方法，解决复杂背景干扰产生的虚警问题，具备较强的抑制复杂背景干扰和增强目标的能力。

实现本发明目的的技术方案为：一种基于张量均方最小误差的红外弱小目标检测方法，包括以下步骤：

步骤1、通过中心窗口的8个邻域去预测中心像素灰度值，训练得到合适的权重模板，具体步骤为：

步骤11、设置与小目标尺寸相符的滑动窗口，将对应的图像块与模板进行卷积运算后得到预测图像，并计算预测图像与原始图像之间的灰度值误差；

步骤12、根据灰度值误差调节权重模板；

步骤2、使预测图像和原始图像之间的均方误差最小；

步骤3、自适应阈值分割；

步骤4、利用真实应用场景下包含真实弱小目标的样本图像，根据算法得到处理后的图像，依照评价标准对预测图像进行效果评估，在结果图上进行自适应阈值分割，完成红外弱小目标检测。

优选地，设置步骤11中滑动窗口的尺寸为9×9，将滑动窗口分为9个区域块，每个区域块的大小为3×3，以中央区域块为预测点，通过周围的8个邻域与模板卷积运算后得到中央区域块的中心像素预测灰度值，其中卷积运算的公式为(j为迭代次数，w为权重，x为像素灰度值，y为预测的像素灰度值)根据图像块邻域位置的不同，上式中的参数l,k的取值也有所变化。

优选地，步骤2中为了使预测图像和原始图像之间达到均方最小误差要求的步骤为：

步骤21、以二维图像作为两路信号，其中一路通过滤波器得到预测信号，即滑动窗口扫过某个图像块时，得到图像块的中心像素预测灰度值，将其与另一路信号作比较得到误差，当预测信号与原始信号不满足误差最小的判据时调节权重模板；

步骤22、利用梯度下降法原理，根据公式wj+1＝wj-μgj(μ为收敛因子，gj是瞬时梯度)更新权重模板；

步骤23、依据最小均方误差原理，利用误差值的平方来代替均方误差，即mse＝e(ej²)，得到本实验中的权重更新公式：wj+1＝wj+2μ·ej·x(m-l,n-k)其中(w是权重，j为迭代次数，ej为第j次的迭代误差)，经过多次迭代之后使得均方误差最小。

优选地，步骤3进行自适应阈值分割的具体步骤为：

步骤31、将步骤22中得到的显著图按照th＝μ+k×σ式子进行分割，μ和σ分别是显著图的灰度均值和标准差，k是参数。如果图中像素的灰度值高于阈值th，我们认为它是目标区域，否则就认为是背景区域。

优选地，步骤4利用真实场景下的红外图像验证本发明的方法的性能的具体步骤为：

步骤41、由于红外图像的数据集较少，本发明的方法在2个数据集中进行了实验，其中一个是有序的序列图像，另一个是无序的序列图像。

步骤42、将几种常用的方法(max-median,max-mean,top-hat,left-tdlms,right-tdlms)作为对比，再按照评价标准(其中包括信杂比增益scrg，背景抑制因子bsf，接收机操作特性roc曲线)对结果作出比较，用于判断此方法的优越性。

本发明与现有技术相比，其显著优点为：本发明有效地参考和模拟了人类观察者利用肉眼检测弱小目标的行为过程，具体采用了类似于“主视图”视角的滤波算法，利用预测点周围的8个邻域信息来预测中心像素的灰度值，对差分图像的像素点灰度值平方处理，极大地增强了目标和背景的对比度，从一定程度上减弱了tdlms算法的各向异性对检测结果的影响。

附图说明

图1为本发明的方法中滑动窗口选取的目标块及其邻域分布图。

图2为图像经过不同算法滤波前后的变化过程示意图，其中图2(a)(b)(c)(d)为原始图像,(a1)(b1)(c1)(d1)为max-median滤波后的图像，(a2)(b2)(c2)(d2)为max-mean滤波后的图像，(a3)(b3)(c3)(d3)为top-hat滤波后的图像，(a4)(b4)(c4)(d4)为left-tdlms滤波后的图像，(a5)(b5)(c5)(d5)为right-tdlms滤波后的图像，(a6)(b6)(c6)(d6)为本发明滤波后的图像。其中红色框标记的为真实的目标。

图3为图像滤波前后的灰度值三维图，其中(a)(b)(c)(d)为原始图像灰度值三维图，(e)(f)(g)(h)为本发明滤波后的图像灰度值三维图。

图4为红外图像的roc曲线示意图。

图5为本发明以及现有方法分别在4种典型红外场景下的信杂比增益(scrg)和背景抑制因子(bsf)。

具体实施方式

一种基于张量均方最小误差的红外弱小目标检测方法，具体步骤为：

步骤1、设置滑动窗口的尺寸为9×9，将其分为9块区域，每个区域块的大小为3×3，以中央区域块的中心像素点为预测点，如图1所示。本发明中不同邻域块预测得到的像素灰度值分别如下：

b1：

b2：

b3：

b4：

b5：

b6：

b7：

b8：

中心位置窗口的中央像素点坐标为(m,n)，权重模板之和为1。

预测灰度值残差e(m,n)＝x(m,n)-y(m,n)。

步骤2、根据残差调节权重，使得预测图像和原始图像之间的均方误差最小。依据一维lms算法，采用单个样本误差平方的梯度作为样本均方误差的梯度估计，根据梯度下降法更新权重得到下列式子：

wj+1＝wj-μgj，μ为收敛因子，gj是瞬时梯度

wj+1＝wj+2μ·ej·x(m-l,n-k)

w是权重，j为迭代次数，ej为第j次的迭代误差，x是对应位置的像素灰度值。经过多次迭代使得滑动窗口扫描过的每个图像块得到的预测灰度值与其原始灰度值之间的均方误差最小，然后滑动窗口移至下一图像块的位置，重复上述步骤直至滑动窗口扫描完整张图像后得到最终的显著图。

步骤3、自适应阈值分割；

在最终的显著图上为了将目标从图像中检测出来，阈值分割公式如下：

th＝μ+kσ，μ和σ分别是显著图的灰度均值和标准差，k是参数，依据图像来选取。如果图中像素的灰度值高于阈值th，我们认为它是目标区域，否则就认为是背景区域。

步骤4、利用真实应用场景下包含真实弱小目标的样本图像，根据算法得到处理后的图像，依照评价标准对预测图像进行效果评估，在结果图上进行自适应阈值分割，完成红外弱小目标检测。其中评价标准包括信杂比增益(scrg)和背景抑制因子(bsf)，接收机操作特性(roc)曲线。如图4、5所示。

本发明是在2个不同数据集上进行实验的，其中一个数据集为有序的序列图像，另一个为无序的图像。图2给出了4种典型红外场景下的样本图像以及其它5种不同算法(包括：最大中值滤波max-median，最大均值滤波max-mean，形态学滤波top-hat，左向/右向二维最小均方误差滤波left-tdlms，right-tdlms)的对比结果，首先通过肉眼可以看出本发明的图像处理效果最佳，具有最高的检测性能。接着我们通过量化得到的结果来评价本发明的检测性能。

图3为4种典型红外场景下的灰度值三维图，可以看出原图像的灰度分布情况，包含大量噪声和背景杂波，而本发明的方法处理过后的图像灰度值三维图中噪声和背景杂波被明显抑制，目标被突出呈现，与图2中的结果图像给人的直观感受是一致的。

另外图4的roc曲线中可以看出本发明的方法获得最高的检测性能，即能以最低的虚警率获得高检测率。

scrg和bsf是衡量背景抑制效果的两个指标，一般来说scrg和bsf的值越大，代表背景抑制的效果越好，则目标越突出。

scrout，scrin分别是输出和输入图像的信杂比；μt，μb，σb分别是目标的灰度均值，背景的灰度均值，背景的灰度标准差。

σin和σout分别是输入和输出图像的背景标准差。

通过几种方法的对比，本发明的方法处理后图像的scrg值最大，bsf值较大，增强目标、抑制背景的效果最好。