基于自适应尺度图像块加权差测量的红外小目标检测方法和系统

本发明属于图像目标检测技术领域，具体涉及一种基于自适应尺度图像块加权差测量的红外小目标检测方法和系统。

背景技术：

红外弱小目标检测技术在导弹制导、红外预警和夜间目标检测等多个领域有着广泛的应用。由于红外相机的成像特点以及较远的成像距离，使得红外弱小目标通常没有具体的形状和纹理，且易受到复杂的背景杂波和噪声干扰。因此，在复杂场景下的红外弱小目标检测作为一个富有挑战性的工作受到越来越多的关注。

传统的红外弱小目标检测方法是直接对图像进行滤波操作，如最大均值滤波(max-mean)，top-hat滤波和双边滤波等。近来，基于局部对比度测量(lcm)的方法开始广泛应用于红外弱小目标检测。由于单尺度的lcm方法难以适应不同大小的目标，所以多尺度的lcm被大量研究。例如：

申请号(cn201711470286.x)的专利文献提出了一种基于前景加权局部对比度的红外微弱目标检测方法，引入像素的前景概率估计并将其作为局部对比度的加权因子，计算多个尺度图像块的lcm取最大值，然后通过简单的阈值分割检测目标。

申请号(cn201910371192.x)的专利文献提出一种基于分级lcm的快速小目标检测方法，先采用单尺度lcm对图像进行第一级滤波，再用阈值分割得到可疑目标区域。然后再用多尺度lcm进行第二级滤波，再用阈值分割得到目标区域增强图像。将可疑目标区域与增强图像进行差值运算，并用简单阈值分割得到最终的检测结果。

上述多尺度的lcm检测方法虽然能抑制一些背景杂波，但仍然存在以下不足：(1)多尺度的运算不能有效测量目标与周围背景的实际对比度，限制了目标增强效果；(2)多尺度的lcm难以抑制复杂背景，会造成高的虚警率；(3)多尺度的lcm运算复杂度高，难以实时检测目标。

随着深度学习的兴起，有学者提出了用神经网络实现红外弱小目标检测，但红外弱小目标没有固定的形状和纹理特征，且在实际应用中难以获取大量而多样的数据集，所以实际应用价值有限。

技术实现要素：

针对现有技术的不足，本发明提出一种基于自适应尺度图像块加权差测量的红外小目标检测方法。本方法充分利用红外弱小目标与周围背景构成区域存在信息熵差异的特性，用自适应尺度图像块来准确测量信息熵权值差异。本方法克服了传统的多尺度的lcm的问题，从而有效增强目标和抑制复杂背景杂波，提高目标检测率。

为实现上述目的，本发明的基本思路是：首先，利用sobel边缘滤波算子对原红外图像进行滤波处理，得到的对应的边缘图像；然后根据边缘图像计算以单个像素位置为中心的红外小目标的尺寸信息；接着，根据获得的尺寸信息计算自适应尺度图像块的加权差异(aspwd)大小；最后利用自适应阈值分割提取目标，完成目标检测。

本发明的技术方案提供一种基于自适应尺度图像块的红外弱小目标检测方法，包括以下步骤：

步骤1：输入大小为m×n红外图像i，其中图像i的像素的灰度值表示为i(x,y),x＝1,2,...,m,y＝1,2,...,n；

步骤2：通过sobel算子对所述红外图像i进行边缘检测，获取边缘检测图像f，其中图像f的像素的灰度值表示为f(x,y),x＝1,2,...，m,y＝1，2，...,n；

步骤3：从(x,y)＝(1,1)到(x,y)＝(m,n)遍历所述边缘检测图像f所有像素点，在左、上、右、下四个方向上，计算每个像素点(x,y)的λ范围以内的小目标自适应尺寸图l1(x,y)、l2(x,y)、l3(x，y)、l4(x，y)，具体包括以下子步骤：

步骤3.1：遍历所述边缘检测图像f，寻找每一个像素(x,y)在左、上、右、下四个方向上像素距离λ以内的局部最大值点的坐标(xk,yk),k＝1,2,3,4。其中λ为常数，(x1,y1),(x2,y2),(x3,y3),(x4,y4)分别表示像素(x,y)在左、上、右、下四个方向上的局部最大值点的坐标，计算公式如下：

(xk,yk)＝(i,j)|max(f(i,j)),(i,j)∈ωk(x,y),k＝1,2,3,4，

其中ω1(x,y)、ω2(x,y)、ω3(x,y)、ω4(x,y)分别表示以像素(x,y)为中心的向左、上、右、下四个方向上像素距离λ以内的搜索区域；

步骤3.2：计算像素(x,y)到所述局部最大值点的坐标(xk,yk)的距离，计算公式为：

lk(x,y)＝|x-xk|+|y-yk|,k＝1,2,3,4，

其中l1(x,y)、l2(x,y)、l3(x,y)、l4(x,y)表示以(x,y)为中心到对应左、上、右、下四个方向上边缘的距离。

步骤4：根据小目标尺寸图l1(x,y)、l2(x,y)、l3(x,y)、l4(x,y)，在红外图像i中，计算每个像素(x,y)的加权差异大小aspwd(x,y)，具体包括如下子步骤：

步骤4.1：在红外图像i中，对每一个像素(x,y)，以所述像素(x,y)为中心构建在左、上、右、下四个方向分别长l1(x,y)、l2(x,y)、l3(x,y)、l4(x,y)的矩形，即目标区域t(x，y)。

步骤4.2：以所述像素(x,y)为中心构建1个m×n大小的矩形区域，并排除与目标区域重叠的部分，即得到背景区域b(x,y)。

步骤4.3：分别计算所述目标区域t(x,y)的灰度值的均值mt(x,y)和所述背景区域b(x，y)的灰度值的均值mb(x,y)，计算公式为：

其中n和nb分别表示区域t(x,y)和区域b(x,y)的像素个数。

步骤4.4：分别计算所述目标区域t(x,y)的信息熵iet(x,y)和所述背景区域b(x,y)的灰度值的信息熵ieb(x,y)，计算公式为：

其中nk表示区域中存在第k个像素点的灰度值的像素总数，pk表示该灰度值在区域中的概率密度。

步骤4.5：根据所述目标区域均值mt(x,y)和信息熵iet(x,y)和与所述背景区域均值mbk(x,y)和信息熵ieb(x,y)，计算该像素点的加权差异aspwd(x,y)，计算公式为：

其中，aspwd表示自适应尺度图像块加权差测量增强图。

步骤5：根据上述求得的各像素点的加权差异aspwd(x,y)构建一幅aspwd增强图。对aspwd增强图进行自适应阈值分割，获取红外弱小目标检测结果，具体包括如下子步骤：

步骤5.1：计算aspwd增强图像的阈值t，计算公式如下：

t＝λ×mx+(1-λ)×mn，其中mx和mn分别表示aspwd增强图像的最大值灰度值和平均灰度值，λ是一个根据实验调节的常数，推荐设置为0.5。

步骤5.2：根据上述阈值t对aspwd增强图像进行计算，得到最终检测结果图像r，其中图像r的像素的灰度值表示为r(x,y),x＝1,2,...,m,y＝1,2,...,n。计算公式为：

检测结果图像r中非零像素的位置即为红外小目标位置。

本发明还提供一种基于自适应尺度图像块加权差测量的红外小目标检测系统，包括如下模块：

输入模块，用于输入大小为m×n红外图像i，其中图像i的像素的灰度值表示为i(x,y),x＝1,2,...,m,y＝1,2,...,n；

边缘检测模块，用于通过sobel算子对所述红外图像i进行边缘检测，获取边缘检测图像f，其中图像f的像素的灰度值表示为f(x，y)，x＝1，2，...，m，y＝1，2，...，n；

自适应尺寸图获取模块，用于从(x，y)＝(1，1)到(x，y)＝(m，n)遍历所述边缘检测图像f所有像素点，在左、上、右、下四个方向上，计算每个像素点(x，y)的λ范围以内的小目标自适应尺寸图l1(x，y)、l2(x，y)、l3(x，y)、l4(x，y)；

加权差异计算模块，用于根据小目标自适应尺寸图l1(x,y)、l2(x，y)、l3(x，y)、l4(x,y)，在红外图像i中，计算每个像素(x，y)的加权差异aspwd(x,y)；

检测模块，用于根据上述求得的各像素点的加权差异aspwd(x,y)构建一幅aspwd增强图，对aspwd增强图进行自适应阈值分割，获取红外弱小目标检测结果。

进一步的，自适应尺寸图获取模块的具体实现包括以下子步骤；

步骤3.1，遍历所述边缘检测图像f，寻找每一个像素(x,y)在左、上、右、下四个方向上像素距离λ以内的局部最大值点的坐标(xk,yk),k＝1,2,3,4，其中λ为常数，(x1,y1),(x2,y2),(x3,y3),(x4,y4)分别表示像素(x，y)在左、上、右、下四个方向上的局部最大值点的坐标，计算公式如下：

(xk,yk)＝(i,j)|max(f(i,j)),(i,j)∈ωk(x,y),k＝1,2,3,4，

其中ω1(x，y)、ω2(x，y)、ω3(x，y)、ω4(x,y)分别表示以像素(x,y)为中心的向左、上、右、下四个方向上像素距离λ以内的搜索区域；

步骤3.2，计算像素(x,y)到所述局部最大值点的坐标(xk,yk)的距离，计算公式为：

lk(x,y)＝|x-xk|+|y-yk|,k＝1,2,3,4，

其中l1(x,y)、l2(x，y)、l3(x,y)、l4(x，y)表示以(x,y)为中心到对应左、上、右、下四个方向上边缘的距离，也称为小目标自适应尺寸图。

进一步的，加权差异计算模块的具体实现包括如下子步骤；

步骤4.1，在红外图像i中，对每一个像素(x,y)，以所述像素(x,y)为中心构建在左、上、右、下四个方向分别长l1(x,y)、l2(x,y)、l3(x,y)、l4(x,y)的矩形，即目标区域t(x,y)；

步骤4.2，以所述像素(x,y)为中心构建1个m×n大小的矩形区域，并排除与目标区域重叠的部分，即得到背景区域b(x,y)；

步骤4.3，分别计算所述目标区域t(x,y)的灰度值的均值mt(x,y)和所述背景区域b(x,y)的灰度值的均值mb(x,y)，计算公式为：

其中n和nb分别表示区域t(x,y)和区域b(x,y)的像素个数；

步骤4.4，分别计算所述目标区域t(x,y)的信息熵iet(x,y)和所述背景区域b(x,y)的灰度值的信息熵ieb(x,y)，计算公式为：

其中nk表示区域中存在第k个像素点的灰度值的像素总数，pk表示该灰度值在区域中的概率密度；

步骤4.5，根据所述目标区域均值mt(x,y)和信息熵iet(x,y)和与所述背景区域均值mbk(x,y)和信息熵ieb(x,y)，计算该像素点的加权差异aspwd(x,y)，计算公式为：

其中，aspwd表示自适应尺度图像块加权差测量增强图。

进一步的，检测模块的具体实现包括如下子步骤；

步骤5.1，计算aspwd增强图的阈值t，计算公式如下：

t＝λ×mx+(1-λ)×mn，

其中mx和mn分别表示aspwd增强图的最大值灰度值和平均灰度值，λ是一个根据实验调节的常数；

步骤5.2，根据上述阈值t对aspwd增强图进行计算，得到最终检测结果图像r，其中图像r的像素的灰度值表示为r(x,y),x＝1,2,...，m,y＝1,2,...,n，计算公式为：

检测结果图像r中非零像素的位置即为红外小目标位置。

本发明与现有技术相比具有以下优点和有益效果：

(1)本发明设计了一种自适应尺度图像块的结构来测量局部对比度，能有效地增强目标，提高红外弱小目标的检测率。

(2)本发明设计了基于自适应尺度图像块结构的加权差异算子，能有效地抑制背景杂波和噪声，降低了红外弱小目标检测的虚警率。

(3)本发明设计了一种自适应阈值分割的方法，能根据图像特性自适应地选取分割阈值，进一步移除干扰，提高检测性能。

附图说明

图1为本发明的总体流程图；

图2为本发明中目标尺寸计算的示意图；

图3为本发明中自适应尺度图像块的结构示意图。

具体实施方式

为了更清楚的阐述本发明的目的、技术方案和有益效果，下面结合附图和实施例进一步说明。应当理解，本发明不应限于实施例公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

参照图1，本发明的具体实施方式分为以下步骤：

步骤1：输入大小为m×n红外图像i，其中图像i的像素的灰度值表示为i(x,y),x＝1,2,...,m,y＝1,2,...,n；

步骤2：通过sobel算子对所述红外图像i进行边缘检测，获取边缘检测图像f，其中图像f的像素的灰度值表示为f(x,y),x＝1,2,...,m,y＝1,2,...,n；

步骤3：从(x,y)＝(1,1)到(x,y)＝(m,n)遍历所述边缘检测图像f所有像素点，在左、上、右、下四个方向上，计算每个像素点(x,y)的λ范围以内的小目标自适应尺寸图l1(x,y)、l2(x,y)、l3(x,y)、l4(x,y)，具体包括以下子步骤：

步骤3.1：遍历所述边缘检测图像f，寻找每一个像素(x,y)在左、上、右、下四个方向上像素距离λ以内的局部最大值点的坐标(xk,yk),k＝1,2,3,4。其中λ为常数，(x1,y1),(x2,y2),(x3,y3),(x4,y4)分别表示像素(x,y)在左、上、右、下四个方向上的局部最大值点的坐标，计算公式如下：

(xk,yk)＝(i,j)|max(f(i,j)),(i,j)∈ωk(x,y),k＝1,2,3,4，

其中ω1(x,y)、ω2(x,y)、ω3(x,y)、ω4(x,y)分别表示以像素(x,y)为中心的向左、上、右、下四个方向上像素距离λ以内的搜索区域；

步骤3.2：计算像素(x,y)到所述局部最大值点的坐标(xk,yk)的距离，计算公式为：

lk(x,y)＝|x-xk|+|y-yk|,k＝1,2,3,4，

其中l1(x,y)、l2(x,y)、l3(x,y)、l4(x,y)表示以(x,y)为中心到对应左、上、右、下四个方向上边缘的距离。

步骤4：根据小目标尺寸图l1(x,y)、l2(x,y)、l3(x,y)、l4(x,y)，在红外图像i中，计算每个像素(x,y)的加权差异大小aspwd(x,y)，具体包括如下子步骤：

步骤4.1：在红外图像i中，对每一个像素(x,y)，以所述像素(x,y)为中心构建在左、上、右、下四个方向分别长l1(x,y)、l2(x,y)、l3(x,y)、l4(x,y)的矩形，即目标区域t(x,y)。

步骤4.2：以所述像素(x,y)为中心构建1个m×n大小的矩形区域，并排除与目标区域重叠的部分，即得到背景区域b(x,y)。

步骤4.3：分别计算所述目标区域t(x,y)的灰度值的均值mt(x,y)和所述背景区域b(x,y)的灰度值的均值mb(x,y)，计算公式为：

其中n和nb分别表示区域t(x,y)和区域b(x,y)的像素个数。

步骤4.4：分别计算所述目标区域t(x,y)的信息熵iet(x,y)和所述背景区域b(x,y)的灰度值的信息熵ieb(x,y)，计算公式为：

其中nk表示区域中存在第k个像素点的灰度值的像素总数，pk表示该灰度值在区域中的概率密度。

步骤4.5：根据所述目标区域均值mt(x,y)和信息熵iet(x,y)和与所述背景区域均值mbk(x,y)和信息熵ieb(x,y)，计算该像素点的加权差异aspwd(x,y)，计算公式为：

其中，aspwd表示自适应尺度图像块加权差测量增强图。

步骤5：根据上述求得的各像素点的加权差异aspwd(x,y)构建一幅aspwd增强图。对aspwd增强图进行自适应阈值分割，获取红外弱小目标检测结果，具体包括如下子步骤：

步骤5.1：计算aspwd增强图像的阈值t，计算公式如下：

t＝λ×mx+(1-λ)×mn，

其中mx和mn分别表示aspwd增强图像的最大值灰度值和平均灰度值，λ是一个根据实验调节的常数，推荐设置为0.5。

步骤5.2：根据上述阈值t对aspwd增强图像进行计算，得到最终检测结果图像r，其中图像r的像素的灰度值表示为r(x,y),x＝1,2,...,m,y＝1,2,...,n。计算公式为：

检测结果图像r中非零像素的位置即为红外小目标位置。

本发明实施例还提供一种基于自适应尺度图像块加权差测量的红外小目标检测系统，包括如下模块：

输入模块，用于输入大小为m×n红外图像i，其中图像i的像素的灰度值表示为i(x,y),x＝1,2,...,m,y＝1,2,...,n；

边缘检测模块，用于通过sobel算子对所述红外图像i进行边缘检测，获取边缘检测图像f，其中图像f的像素的灰度值表示为f(x，y)，x＝1，2，...，m，y＝1，2，...，n；

自适应尺寸图获取模块，用于从(x，y)＝(1，1)到(x，y)＝(m，n)遍历所述边缘检测图像f所有像素点，在左、上、右、下四个方向上，计算每个像素点(x，y)的λ范围以内的小目标自适应尺寸图l1(x，y)、l2(x，y)、l3(x，y)、l4(x，y)；

加权差异计算模块，用于根据小目标自适应尺寸图l1(x,y)、l2(x，y)、l3(x，y)、l4(x,y)，在红外图像i中，计算每个像素(x，y)的加权差异aspwd(x,y)；

检测模块，用于根据上述求得的各像素点的加权差异aspwd(x,y)构建一幅aspwd增强图，对aspwd增强图进行自适应阈值分割，获取红外弱小目标检测结果。

各模块的具体实现方式和各步骤相应，本发明不予撰述。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。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做各种各样的修改或补充或采用类似的方式替代，但并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。