一种基于形态学滤波和svd的弱小目标检测方法
【技术领域】
[0001] 本方法属于视频分析领域，具体涉及一种基于形态学滤波和SVD的弱小目标检测 方法。
【背景技术】
[0002] 弱小目标的检测在现代战争中的地位是不言而喻的，目前已成为卫星遥感、高能 物理、低空预警以及精确制导等领域信息处理的核心技术。由于弱小目标的像元个数很少， 缺乏目标的结构信息，可供分割与检测算法利用的信息很少。而传感器接受的目标强度较 弱，噪声和背景杂波干扰较强，使图像的信噪比降低，故而我们应当利用好序列图像中目标 的连续性和规则性来检测目标。一直以来，如何更好的利用弱小目标帧间信息，提高检测的 可靠性和效率，是弱小目标检测的重点。
[0003] 对于背景抑制与弱小目标检测问题，早期的一些工作主要是集中于动态规划和状 态估计技术来增加目标的可检测性，但是，在低信噪比情况下可能呈现比较差的性能。目 前，已经有人将形态学滤波、遗传算法、神经网络算法、小波变换等方法用于弱小目标检测。 但是，在复杂背景下，目标点极易被噪声淹没，实现目标的可靠性检测和识别难度较大。此 外，在数据吞吐量大、实时性要求高的条件下难以满足很好的检测性能。
【发明内容】
[0004] 发明目的:针对现有技术存在的问题，本发明提供了一种计算时间短，检测精准的 基于形态学滤波和奇异值分解(下文简称SVD)的弱小目标检测方法。
【发明内容】
[0005] :本发明提供了一种基于形态学滤波和SVD的弱小目标检测方法，包括以 下步骤：
[0006] 步骤1:输入待检测的视频序列，通过形态学滤波目标增强算法进行背景抑制、噪 声去除，得到预处理后图像序列；
[0007] 步骤2:从预处理后的图像序列中，读入Nmax幅图像组成的图像序列，进行帧数估 计，得到需要处理的帧数N;
[0008] 步骤3:读入N+1幅图像，包括需要处理的N帧图像和N帧图像的后一幅图像，并将N+ 1幅图像组成的图像合并成二维数据，求其自相关矩阵并对其自相关矩阵进行SVD;
[0009] 步骤4:选择中间特征值对应特征向量重构图像序列，得到重构图像序列；
[0010] 步骤5:对重构图像序列进行阈值分割，从背景中分离得到原图像中弱小目标的位 置；
[0011] 步骤6:对步骤4中得到的重构图像序列中的每幅图像分别进行帧间位置修正与帧 内位置修正；
[001 2]步骤7 :将N代替Nrnax后，重复步骤2~7，直到Nrnax幅图像组成的图像序列中最后一幅 图像处理完成后输出结果。
[0013]进一步，所述步骤1中形态学滤波目标增强算法采用圆形作为结构元素。这对于恢 复噪声污染图像会产生较好的滤波效果。这样能够得到更好的滤波效果。
[0014] 进一步，所述步骤1中利用形态学滤波目标增强算法先对待检测视频中的每一帧 图像进行闭运算，然后对有能填入砂眼噪声之间的图像内部或不会形成退化矩形的区域进 行开运算。
[0015] 进一步，所述步骤2中帧数估计的方法为:读入Nmax幅图像组成的图像序列，对读入 的所有图像进行两两差分操作得到N max_l帧图像序列，然后对Nmax_l帧图像序列中的每一幅 图像总像素求和，再用求得的N max_l个像素和分别除以对应图像的宽和高得到Nmax_l个评估 值，将Nmax-1个评估值求平均到N max帧图像变化剧烈程度的值X，最后将图像变化剧烈程度X 代入公式
h得到本次需要处理的 图像帧数N，其中，Nmx表示最大处理帧数，Nmin表示最小处理帧数。
[0016] 进一步，所述最大处理帧数Nmax设为25，最小处理帧数Nmin设为5。
[0017] 进一步，所述步骤5中采用最大熵方法对图像进行阈值分割。
[0018] 进一步，所述步骤6中修正方法为:在当前搜索窗口内寻找灰度最大值，然后将灰 度最大值的坐标作为下次搜索窗口的中心位置迭代搜索，直到最终搜索窗口不变为止，这 时搜索窗口中心的位置即为目标位置。
[0019] 有益效果：与现有技术相比，本发明将形态学滤波与奇异值分解的方法有效的结 合对视频中的弱小目标进行检测，不仅计算时间短，检测效率高，而且准确性和鲁棒性都比 较好。
【附图说明】
[0020] 图1是本发明的工作流程图。
[0021] 图2 (a)和图2 (b)分别为检测视频中第20帧和第50帧图像；
[0022]图3(a)和图3(b)分别为基于形态学滤波方法对检测视频中第20帧和第50帧图像 中弱小目标检测的结果；
[0023]图4(a)和图4(b)分别为基于SVD对检测视频中第20帧和第50帧图像中弱小目标检 测的结果；
[0024]图5(a)和图5(b)分别为本发明对检测视频中第20帧和第50帧图像中弱小目标检 测的结果。
【具体实施方式】
[0025] 下面结合附图，对本发明进行详细说明。
[0026] 如图1所示，本发明提供了一种基于形态学滤波和SVD的弱小目标检测方法，包括 以下步骤：
[0027] 步骤1:输入待检测的视频序列，通过形态学滤波目标增强算法进行背景抑制、噪 声去除，得到预处理后图像序列；
[0028] 考虑到弱小目标的检测，或多或少会遇到噪声图像与非噪声图像发生重叠形成结 团或者某些噪声粒子的半径超过了非噪声粒子的半径，那么这种情况可选择合适半径的圆 形作为结构元素，这对于恢复噪声污染图像会产生较好的滤波效果，是因为：（1)圆形的圆 化作用可以起到低通滤波的效果；（2)采用圆形滤波可以不必考虑旋转的影响。
[0029] 在确定圆形结构元素的半径时，可采用优化方法，将图象和噪声视为随机过程，通 过统计分析，对被噪声污染的颗粒图象进行数量分析，求取统计分布参数，获得出现概率最 大的噪声颗粒和未被噪声污染颗粒的半径，选取未被噪声污染颗粒的半径为结构元素半 径，得到优化结果。
[0030] 此外，弱小目标的序列中可能既存在胡椒状噪声(差噪声），也存在砂眼噪声(并噪 声），这样单纯的使用开运算或者闭运算效果都不会好，为了兼容平滑噪声和保留图像边缘 及其他有意义的特征，本发明先对待检测视频中的每一帧图像进行闭运算，然后对可以进 行开运算的区域开运算，能够得到更好的滤波效果，其中可以进行开运算的区域为有可填 入砂眼噪声之间的图像内部，不会形成严重退化矩形的区域。根据公式和定义，我们不难得 知，该形态学滤波器具有良好的平移不变性、递增性、幂等性和对偶性。这些性质使得此种 开-闭或者闭-开滤波器实用性和可行性更强，取得的效果也更佳。
[0031] 步骤2:从预处理后的图像序列中，读入Nmax幅图像组成的图像序列，进行帧数估 计，得到需要处理的帧数N;
[0032] 在弱小目标序列中，不同目标需要一次性处理的帧数并不相同，所以需要通过自 适应确定来得到需要处理的帧数N。在选择帧数的时候，首先要考虑的是图像变化快慢，即 变化快时选择较少帧数来处理，反之选择较多帧数。故而，帧数估计的时候需要确定最大处 理帧数Nmx和最小处理帧数Nmin，其中，最大处理帧数N max即为从预处理后的图像序列中读入 的图像数Nmax。若Nmax很大则算法没有实时性，同样，若Ν_<0,则对其进行奇异值分解也是 没有任何意义的。考虑到实时性和可行性，最大处理帧数N max设为25，最小处理帧数Nmin设为 5，用余弦函数来计算UPN_之间的帧数估计，自变量为图像变化剧烈程度X。
[0033]当X<0.5时采用最小帧数处理，当X> 1.5时采用最大帧数处理，当0.5<X< 1.5时 采用余弦函数过渡方式处理。利用三角函数知识，得到图像变化剧烈程度X和处理帧数N的 公式如下：
[0034]
[0035]其中，具体评估算法为:在Nmax= 25和Nmin= 5的前提下，首先读入最大帧数的图像， 对这些帧的图像进行两两差分操作得到Nmax-1帧图像序列，然后对Nmax-1帧图像序列中的每 一幅图像总像素求和，再用求得的N max-1个像素和分别除以对应图像的宽和高得到Nmax-1个 评估值，将Nmax_l个评估值求平均就可以得到N max帧图像变化剧烈程度的值X，最后将X代入 公式(1)得到本次需要处理的图像帧数N。
[0036]步骤3:读入N+1幅图像，包括需要处理的N帧图像和N帧图像的后一幅图像，并将N+ 1幅图像组成