一种基于模糊距离的红外小目标检测方法

一种基于模糊距离的红外小目标检测方法
【专利摘要】本发明为有效检测复杂背景下的红外小目标，公开了一种基于模糊距离的红外小目标检测方法，涉及数字图像处理技术领域。本发明首先针对小目标的出现会引起局部纹理发生较大变化这一特征，提出一种模糊距离概念，从而将局部纹理的变化转化为模糊距离的度量；其次针对小目标的尺寸会随成像距离的改变而发生相应变化这一特点，提出一种多尺度模糊距离及多尺度模糊距离图，能剔除大量背景杂波和噪声干扰；然后通过迭代运算，有效抑制残留背景和噪声，增强目标；最后利用自适应阈值检测目标，该检测方法简单且有效。
【专利说明】
一种基于模糊距离的红外小目标检测方法
技术领域
[0001 ]本发明涉及数字图像处理技术领域，具体是一种基于模糊距离的红外小目标检测 方法。
【背景技术】
[0002] 红外目标检测技术已在诸多民用领域得到广泛应用，如医学红外成像、遥感和森 林火灾探测、预警探测等。检测性能好坏直接决定红外系统的有效作用距离及设备的复杂 程度。远距离红外系统因成像距离远，从而导致目标尺寸小、强度弱，且易淹没在强噪声和 背景杂波中。在这种情况下，有效检测出未知位置/速度/大小/形状的小目标面临很大难 度，因而这类技术受到了持续而普遍的关注。
[0003] 现有的小目标检测技术可以简单分为检测前跟踪(Track before Detect，TBD)和 跟踪前检测(Detect before Track，DBT)两类。TBD方法一般先搜索目标所有可能的运动轨 迹，并完成目标能量累加，从而获得每条运动轨迹的后验概率，最后利用阈值判断真实的目 标运动轨迹，如三维匹配滤波、三维方向滤波。TBD方法易于建立相对较完整的理论模型和 处理方法，但计算复杂，硬件实现麻烦，在实际工程中应用较少（C · Q · Gao，D · Y · Meng， Y. Yang,Y.T. Wang,X.F. Zhou,A.G.Hauptmann, Infrared patch-image mode1 for small target detection in a single image,IEEE Transactions on Image Processing,22 (12) :4996-5009,2013)^811方法一般先根据单帧图像的短时灰度特性检测候选目标，然后 根据目标的短时运动特性剔除虚假目标，从而获得目标真实的运动轨迹。与TBD方法相比， DBT算法简单，便于程序模块化实现，因而在实时目标检测领域中发挥重要作用(H.Deng， X.P.Sun,M.L.Liu,C.H.Ye,X.Zhou,Infrared smal1-target detection using multiscale gray difference weighted image entropy, IEEE Transactions on Aerospace and electronic Systems,52(1) :60-72,2016)。依据国际光学工程学会给出的 小目标定义，小目标的尺寸一般不超过整幅图像大小的0.12%，因而目标的出现对整幅图 像纹理结构影响较小，但对局部区域纹理结构影响较大。基于此特征，一些描述局部纹理变 化算子被提出，能有效检测红外小目标，如多尺度灰度加权图像熵、稀疏环表示、概率主成 分分析、局部对比度测度（C.L.Philip，H.Li，Y.T.Wei，T.Xia，and Y.Y.Tang，A local contrast method for small infrared target detection, IEEE Transactions on Geoscience and Remote Sensing,51(1) :574-581,2014)。本申请专利方法隶属于DBT方 法。与常规DBT方法相比，本申请专利方法提出了一种模糊距离概念，能有效刻画目标内部、 背景内部、目标与背景之间的距离，从而将因小目标的出现导致的局部纹理变化转化为模 糊距离的度量，实现背景抑制、目标增强，有利于提高目标的检测概率，降低虚警概率。
[0004] 虽然红外小目标检测领域已取得了很多成果，并且已有很多TBD和DBT算法在工程 应用中得到了很好的实现。但对于复杂背景下低信噪比红外小目标图像，目标检测系统工 程依然面临很大的难度和复杂性。因此，如何设计出结果简单、鲁棒性强的红外小目标检测 算法是目标检测技术应用研究的关键问题。

【发明内容】

[0005] 本发明是针对现有红外小目标检测方法存在的上述技术问题，提供了一种基于模 糊距离的红外小目标检测方法。
[0006] -种基于模糊距离的红外小目标检测方法，包括以下步骤：
[0007] 步骤1、初始化相关参数：
[0008] 设置最大迭代次数L，其中L为正整数;初始化迭代次数索引k = 0;设置最大局部窗 口大小mXn，其中m和η均为大于1的正奇数；
[0009] 步骤2、求解红外图像I每个像素点的模糊距离，包括以下步骤：
[0010] 步骤2.1、获得单帧红外图像I每一个像素点（x，y)的邻域空间集{ 0:11 = 1， 2，· · ·，s}，其中s=min{0.5 · (m-l)，0.5 · (n-1)}，〇丄的大小为(21 + 1)X(21 + 1)，像素点 (x，y)的邻域空间 Ωι的定义|max( |p_x|，|q_y| ) < l}，（p，q)是邻域空间 内的像素点；
[0011] 步骤2.2、计算每一个像素点(1，5〇的各个邻域空间〇1内像素的灰度均值〇1(^50 :
[0013] 其中，#Ω:表示邻域空间Ω:内像素点的数目，I(a，b)表示邻域空间像素点 (a，b)处的灰度值。
[0014] 步骤2.3、计算每一个像素点（x，y)所对应的最大邻域空间〇3与其它各个邻域空 间Ω i，i = 1，2，…，s-1之间的模糊距离Ei:
[0016]其中e为自然常数，Ds表示最大邻域空间内像素的灰度均值，Di表示第i个邻域 空间Ω,内像素的灰度均值；
[0017]步骤3、求解多尺度模糊距离图：
[0018]遍历红外图像I中每一个像素点，得到每一个像素点的多尺度模糊距离E(x，y)，然 后根据每一个像素点的多尺度模糊距离E(x，y)并通过归一化方法获得红外图像I的多尺度 模糊距离图E;
[0019] 步骤4、迭代停止准则判断：
[0020] 迭代次数索引k加1，判断迭代次数索引k与最大迭代次数L之间的关系，若k〈L，把 步骤3所获得的多尺度模糊距离图E作为新的红外图像I，返回步骤2;若k2L，停止迭代，把 步骤3所获得的多尺度模糊距离图E作为最终的滤波结果，进行步骤5;
[0021] 步骤5、求解自适应阈值T:
[0022]对经过步骤4所获得的最终滤波结果，即多尺度模糊距离图E，求解自适应阈值T， 并通过自适应阈值T对多尺度模糊距离图E进行二值化，检测出红外小目标。
[0023]如上所述的步骤3中红外图像I每一个像素点(x，y)的多尺度模糊距离表示为
[0024] E(X，y) =max {0，Ei，E2，…，Es-1} 〇
[0025] 如上所述的步骤5中自适应阈值T的确定方法为
[0026] τ = α · Emax+β · mt
[0027] 其中，α和β为正的常数，mt为多尺度模糊距离图E的灰度均值，Emax为多尺度模糊距 离图E的灰度最大值。
[0028] 本发明与现有技术相比，具有以下优点：
[0029] 1.针对小目标的出现会引起局部纹理发生较大变化这一特征，本发明提出了一种 模糊距离概念，能有效刻画目标内部、背景内部、目标与背景之间的距离，从而将局部纹理 变化转化为模糊距离的度量。
[0030] 2.针对小目标的尺寸会随成像距离的改变而发生相应变化这一特点，本发明提出 了一种多尺度模糊距离度量方法，从而有效地提高目标的检测概率，降低虚警概率。
[0031] 3.本发明首先构建复杂背景下红外图像的多尺度模糊距离图，能剔除大量背景杂 波和噪声干扰;其次通过迭代运算，有效抑制残留的背景和噪声，增强目标;然后利用自适 应阈值分离目标，简单且有效地检测出目标。
【附图说明】
[0032]图1为本发明的流程框图。
[0033] 图2为多次迭代后的多尺度模糊距离图，其中，A图为原始天空背景下的小目标图 像（白色矩形框表示目标所在区域），B图为一次迭代后的多尺度模糊距离图，C图为两次迭 代后的多尺度模糊距离图，D图为三次迭代后的多尺度模糊距离图，E图为四次迭代后的多 尺度模糊距离图，F图为为采用自适应阈值的检测结果。
[0034] 图3为采用本实施例方法获得的单个红外小目标图像的滤波结果示意图。
[0035] A、B、C和D:依次为原始不同背景下的单个红外小目标图像（白色矩形框表示目标 所在区域），其中，A图为天空背景下的小目标图像，B图为杂波背景下的小目标图像，C图为 海洋背景的水下小目标图像，D图为地物背景下的小目标图像；
[0036] E、F、G和H:依次对应于A、B、C和D的采用本实施例方法获得的滤波结果。
[0037] 图4为采用本实施例方法获得的两个红外小目标图像的滤波结果示意图。
[0038] A、B、C和D:依次为原始不同背景下的两个红外小目标图像（白色矩形框表示目标 所在区域），其中，A图为天空背景下的小目标图像，B图为天空背景下的小目标图像，C图为 海洋水面背景下的小目标图像，D图为地物背景下的小目标图像；
[0039] E、F、G和H:依次对应于A、B、C和D的采用本实施例方法获得的滤波结果。
[0040]图5为针对图3中的A、B、C和D采用现有方法获得的滤波结果示意图。
[0041 ]六141、(：1和01:依次对应于图34、图38、图3(：和图30的基于局部对比度（1^〇&1 contrast measure，LCM)方法的滤波结果；
[0042] A2、B2、C2和D2:依次对应于图3A、图3B、图3C和图3D的基于最大均值滤波(Maxmean filter，MME)方法的滤波结果；
[0043] A3、B3、C3和D3 :依次对应于图3A、图3B、图3C和图3D的基于最大中值滤波 (Maxmedian filter，MED)方法的滤波结果；
[0044] A4、B4、C4和D4:依次对应于图3A、图3B、图3C和图3D的基于顶帽滤波（Top-hat filter，THT)方法的滤波结果。
[0045] 图6为针对图4中的A、B、C和D采用现有方法获得的滤波结果示意图。
[0046]六141、(：1和01:依次对应于图44、图48、图4(：和图40的基于局部对比度（1^〇&1 contrast measure，LCM)方法的滤波结果；
[0047] A2、B2、C2和D2:依次对应于图4A、图4B、图4C和图4D的基于最大均值滤波(Maxmean filter，MME)方法的滤波结果；
[0048] A3、B3、C3和D3 :依次对应于图4A、图4B、图4C和图4D的基于最大中值滤波 (Maxmedian filter，MED)方法的滤波结果；
[0049] A4、B4、C4和D4:依次对应于图4A、图4B、图4C和图4D的基于顶帽滤波（Top-hat filter，THT)方法的滤波结果。
【具体实施方式】
[0050] 下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0051] 实施例：
[0052]图1为本发明实施方式的结构示意框图，主要包括一图像输入:输入单帧红外小目 标图像;模糊距离求解:求解输入图像当前区域与邻域集之间的模糊距离;多尺度模糊距离 图求解:求解输入图像的多尺度模糊距离图，刻画可能存在的因成像距离的变化所引起的 目标尺寸变化这一特性;迭代停止判断:判断迭代次数索引与最大迭代次数之间的关系，重 复迭代，获得最终滤波结果；阈值求解:求解最终滤波结果的分割阈值;二值化:通过阈值分 离目标，获得目标质心位置。
[0053] 具体为：
[0054]步骤1，初始化相关参数：
[0055]设置最大迭代次数L，其中L为正整数，一般为2,3或4;初始化迭代次数索引k = 0; 设置最大局部窗口大小mXn，其中m和η均为大于1的正奇数，一般m和η的值均设置为7，9或 11〇
[0056]步骤2，求解红外图像I每个像素点的模糊距离：
[0057]复杂背景下的红外小目标图像一般由目标、复杂背景和噪声三部分组成。通过度 量目标内部、背景内部、目标与背景之间的距离，从而将因小目标的出现所引起的局部纹理 变化转化为模糊距离的度量，实现背景抑制和目标增强。
[0058]红外图像I每个像素点的模糊距离的求解过程如下：
[0059] (1)获得单帧红外图像I每一个像素点(x，y)的邻域空间集{0:11 = 1,2,…，s}，其 中s=min{0.5 · (m-1) ,0.5 · (η-1)}，Ω :的大小为(21+1) X (21+1)，像素点(x，y)的邻域空 间〇1的定义为01={(口，9)|11^(41|，|91|)《1}，（口，9)是邻域空间〇 1内的像素点。
[0060] (2)计算每一个像素点(x，y)的各个邻域空间〇丨内像素的灰度均值DiUj):
[0062] 其中，# Ω :表示邻域空间Ω :内像素点的数目，I (a，b)表示邻域空间Ω :内像素点 (a，b)处的灰度值。
[0063] (3)计算每一个像素点(x，y)所对应的最大邻域空间〇3与其它各个邻域空间Ω,,? =1，2，. . ·，s-1之间的模糊距离Ei:
[0065]其中e为自然常数，Ds表示最大邻域空间内像素的灰度均值，Di表示第i个邻域 空间Ω,内像素的灰度均值。
[0066]步骤3,求解多尺度模糊距离图：
[0067]尽管缺乏红外小目标尺寸、大小等先验知识，但随着成像距离的改变，目标的尺 寸、大小等特征会发生一定程度地改变。利用多尺度模糊距离刻画可能存在的因成像距离 的变化所引起的目标尺寸变化这一性质。
[0068]红外图像I每一个像素点(x，y)的多尺度模糊距离表示为
[0069] E(x,y)=max{0,Ei,E2, . . . ,Es-i} (3)
[0070] 其中，…，s-1表示像素点(x，y)的一系列模糊距离。
[0071] 遍历红外图像I中每一个像素点，得到每一个像素点的多尺度模糊距离，然后通过 归一化方法获得红外图像I的多尺度模糊距离图E(如图2的B所示）。从图2的B中可以看出， 红外图像I的均质天空背景和云层内部背景得到抑制，目标得到增强。
[0072] 步骤4,迭代停止准则判断：
[0073]迭代次数索引k加1，判断迭代次数索引k与最大迭代次数L之间的关系，若k〈L，将 步骤3所获得的多尺度模糊距离图E作为新的红外图像I，返回步骤2;若k2L，停止迭代，将 步骤3所获得的多尺度模糊距离图作为最终的滤波结果，进行步骤5。
[0074]红外图像的复杂背景边界具有与目标相似的热成像特征，通过多次重复迭代可以 消除残留背景和噪声的影响(如图2所示）。图2的B表示一次迭代后的多尺度模糊距离图。从 图2的B中可以看出，图2的B中的均质背景(均质天空和均质云层内部)得到很好的抑制，但 残留较多的云层边缘。图2的B的多尺度模糊距离图（如图2的C所示)能去除绝大部分残留的 云层边缘，而图2的C的多尺度模糊距离图（如图2的D所示)能去除剩余的云层边缘，使得复 杂云层边界得到进一步地抑制，目标得到进一步地增强。图2的D的多尺度模糊距离图（如图 2的E所示）与图2的D差异不大，说明采用合适有限的迭代次数就可以获得较理想的滤波结 果。
[0075] 步骤5,求解自适应阈值T:
[0076]对经过步骤4所获得的最终滤波结果（即多尺度模糊距离图E)求解自适应阈值T， 并通过自适应阈值T对多尺度模糊距离图E进行二值化，检测出红外小目标(二值化结果如 图2的F所示）。自适应阈值T的确定方法为
[0077] τ = α · Emax+β · mt (4) 其中，α和β为正的常数，mt为多尺度模糊距离图E的灰度均值，Emax为多尺度模糊距离图 E的灰度最大值。
[0078] 采用不同红外小目标检测方法的滤波结果如图5和图6所示。比较图3、图4、图5和 图6，本实施例方法获得的滤波性能最好，其中，基于局部对比度（Local contrast measure，LCM)方法来自于文献C.L.Philip，Η·Li，Υ·T.Wei，T.Xia，and Υ· Y.Tang,A local contrast method for small infrared target detection, IEEE Transactions on Geoscience and Remote Sensing，51(l) :574-581，2014，LCM方法先通过局部对比度度量 当前区域与邻域之间的不相似性，然后通过阈值分离目标；基于最大均值滤波(Maxmean fi Iter，MME)或最大中值滤波(Maxmedian fi Iter，MED)方法来自于文献S · Deshpande， M.Er,and R.Venkateswarlu,Maxmean and Maxmedian filters for detection of small-targets proceeding of SPIE，1999，3809:74-83，MME/MED方法是先通过最大均值/ 中值滤波器滤除背景杂波干扰，然后根据图像的统计特性确定阈值，分离目标;基于顶帽滤 波（Top-hat filter，THT)方法来自于文献X.Z.Bai and F.G.Zhou,Analysis of new top-hat transformation and the application for infrared dim small target detection，Pattern Recognition，2010,43(6): 2145-2156，THT方法先通过顶-帽算子抑制 背景和噪声，然后采用阈值从滤波后图像中分离目标。LCM、MME、MED、THT均隶属于DBT方法。
[0079] 采用背景抑制因子(Background suppression factor,BSF)客观评价红外小目标 检测方法的滤波性能。BSF的定义为：
[0080] BSF = 〇i/o〇 (5)
[0081] 其中，〇1表示滤波后图像的灰度标准差，〇〇表示滤波前图像的灰度标准差。采用 LCM、ΜΜΕ、MED、ΤΗΤ和本实施例方法所获得的BSF数值见表1。从表1可以看出，本实施例方法 获得最高的BSF值，说明本实施例方法能有效地抑制红外小目标图像的复杂背景和噪声，与 图5和图6所获得的结论一致。
[0082] 表1采用不同红外小目标检测方法的背景抑制因子(BSF)比较
[0084]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。
【主权项】
1. 一种基于模糊距离的红外小目标检测方法，其特征在于，包括以下步骤： 步骤1、初始化相关参数： 设置最大迭代次数L，其中L为正整数;初始化迭代次数索引k = 0;设置最大局部窗口大 小m X η，其中m和η均为大于1的正奇数； 步骤2、求解红外图像I每个像素点的模糊距离，包括以下步骤： 步骤2.1、获得单帧红外图像I每一个像素点(x，y)的邻域空间集{0:11 = 1,2,...,4, 其中s=min{0.5 · (m-l)，0.5 · (n-1)}，〇:的大小为(21+1)X(21+1)，像素点(x，y)的邻域 空间〇1的定义为01={(口，9)|11^(|口1|，|91|)《1}，（口，9)是邻域空间〇 1内的像素点； 步骤2.2、计算每一个像素点(1，5〇的各个邻域空间〇1内像素的灰度均值〇1(^50 :其中，#Ω:表示邻域空间Ω:内像素点的数目，I(a，b)表示邻域空间〇:内像素点（a，b) 处的灰度值。 步骤2.3、计算每一个像素点(x，y)所对应的最大邻域空间〇3与其它各个邻域空间Ω1; i = 1，2，. . ·，s-1之间的模糊距离Ei:其中e为自然常数，Ds表示最大邻域空间内像素的灰度均值，Dl表示第i个邻域空间 Ω i内像素的灰度均值； 步骤3、求解多尺度模糊距离图： 遍历红外图像I中每一个像素点，得到每一个像素点的多尺度模糊距离E(x，y)，然后根 据每一个像素点的多尺度模糊距离E(x，y)并通过归一化方法获得红外图像I的多尺度模糊 距离图E; 步骤4、迭代停止准则判断： 迭代次数索引k加1，判断迭代次数索引k与最大迭代次数L之间的关系，若k〈L，把步骤3 所获得的多尺度模糊距离图E作为新的红外图像I，返回步骤2;若k 2 L，停止迭代，把步骤3 所获得的多尺度模糊距离图E作为最终的滤波结果，进行步骤5; 步骤5、求解自适应阈值T: 对经过步骤4所获得的最终滤波结果，即多尺度模糊距离图E，求解自适应阈值T，并通 过自适应阈值T对多尺度模糊距离图E进行二值化，检测出红外小目标。2. 根据权利要求1所述的一种基于模糊距离的红外小目标检测方法，其特征在于，所述 的步骤3中红外图像I每一个像素点（X，y)的多尺度模糊距离表示为E(X，y) = max {0，Ei， E2，. . .，Es-1} 〇3. 根据权利要求1所述的一种基于模糊距离的红外小目标检测方法，其特征在于，所述 的步骤5中自适应阈值Τ的确定方法为 Τ = α · Emax+β · mt 其中，α和β为正的常数，mt为多尺度模糊距离图E的灰度均值，Emax为多尺度模糊距离图E 的灰度最大值。
【文档编号】G06T7/00GK105869156SQ201610177589
【公开日】2016年8月17日
【申请日】2016年3月25日
【发明人】周欣, 邓鹤, 孙献平, 刘买利, 叶朝辉
【申请人】中国科学院武汉物理与数学研究所