基于背景抑制与多尺度局部熵的红外弱小目标检测方法与流程

本发明属于图像处理技术领域，更进一步涉及复杂背景下红外图像处理领域中的一种基于背景抑制与多尺度局部熵的红外弱小目标检测方法。

背景技术：

红外小目标检测已广泛应用在多个领域，如红外目标跟踪、精确制导和远程的早期预警等。由于成像环境的复杂性和红外图片本身的特性，红外小目标一般尺寸小、信号弱、背景复杂，使得其检测和跟踪非常困难。因此，红外弱小目标检测一直是红外图像处理领域研究的热点和难点。

近年来关于人眼视觉注意机制方面的研究，被广泛应用于红外小目标的检测中。视觉注意模型是1987年由koch等最早提出的一种生物启发模型。视觉注意机制是一项人类对场景中最感兴趣、最相关区域进行选择以及注意的重要的心理调节机制。在1998年，itti等人首先提出了一种视觉注意模型，并将模型应用于可见光的图像检测，受到了人们的广泛关注。itti等提出的是一种基于center-surround的显著性检测算法，算法的主要思想是将图像的亮度、颜色和方向三个特征信息提取，并形成多尺度的高斯金字塔，从而得到显著图进行目标检测。2011年cheng等提出了一种基于全局对比度的显著性检测算法，算法中提出的局域对比度的概念，将空间关系也作为一种特征进行了提取，引起了广泛的关注。之后chen等提出一种局部对比度算法(lcm)，视觉显著性在弱小目标检测方面崭露头角。算法通过中心区域与周围8邻域对比得到局部对比图，然后再进行目标检测，但易受噪声影响，虚警率较高。han等在lcm算法的基础上，提出一种改进的lcm(ilcm)算法，算法先将图像处理成子像素块，再用均值替换lcm算法中的最大值，使得虚警率有所降低，但仍易受到噪声影响。

技术实现要素：

针对以上现有技术的不足，本发明提出一种基于背景抑制与多尺度局部熵的红外弱小目标检测方法，以提高检测性能。本发明可用于对红外图像中的弱小目标进行检测，能有效的提高红外图像中小目标的检测精度。

实现本发明的技术思路是：首先，对红外图像进行归一化处理；其次，对红外图像进行导向图滤波器滤波，差分之后得到背景抑制后的图像；然后，通过计算多尺度局部熵权值图，对同一像素位置取不同尺度局部熵显著图的最大值，得到最终的局部熵权值图；之后，对背景抑制后的图像与局部熵显著图进行相乘，得到红外小目标的显著图；最后，利用susan滤波器对显著图进行滤波，去掉孤立的亮点，处理后图像的非零区域即为小目标区域。

本发明的技术方案为：

所述一种基于背景抑制与多尺度局部熵的红外弱小目标检测方法，其特征在于：包括以下步骤：

步骤1：输入一幅待检测的红外图像i；

步骤2：将输入的图像i转换为灰度图像并进行归一化处理,得到图像iin；

步骤3：通过以下步骤进行背景抑制：

步骤3.1：采用导向图滤波器，对归一化后的红外图像iin进行滤波，得到滤波之后的类背景图像ib；

步骤3.2：将归一化后的红外图像iin与滤波之后得到的类背景图像ib进行差分，得到背景抑制后的图像ibs；

步骤4：通过以下步骤计算多尺度局部熵：

步骤4.1：选取窗口尺度为m的窗口对归一化后的红外图像iin进行局部熵运算；

步骤4.2：用计算得到的局部熵代替窗口中心像素的值，得到窗口尺度为m的局部熵权值图wm；

步骤4.3：改变窗口尺度m的取值，重复步骤4.1和步骤4.2，得到不同窗口尺度下的局部熵权值图；

步骤4.4：对于局部熵权值图的某一像素位置，取所有局部熵权值图中在该像素位置处的最大值，组成最终的局部熵权值图ile；

步骤5：对背景抑制后的图像ibs与局部熵显著图ile进行相乘，得到红外小目标的显著图s；

步骤6：通过以下过程进行目标检测：

步骤6.1：利用susan滤波器对显著图s进行滤波得到图像iout；

步骤6.2：去除图像iout中的孤立噪声点后，得到图像iout中的非零区域即为小目标区域。

进一步的优选方案，所述一种基于背景抑制与多尺度局部熵的红外弱小目标检测方法，其特征在于：步骤3.1中采用导向图滤波器，对归一化后的红外图像iin进行滤波，得到滤波之后的类背景图像ib的具体过程为：

用导向图滤波器对归一化后的红外图像iin进行滤波，得到背景图像：

其中,l是整数，w表示窗口大小，fw表示窗口大小为w时的导向图滤波器,*表示滤波运算；

接着改变窗口大小重复滤波操作，得到多个背景图像；最后对多个背景图像取平均值得到最终的类背景图像ib：

。

进一步的优选方案，所述一种基于背景抑制与多尺度局部熵的红外弱小目标检测方法，其特征在于：步骤4.1至4.2得到窗口尺度为m的局部熵权值图wm的过程为：

首先选取窗口尺度为m的窗口对归一化后的红外图像iin从上到下、从左到右进行窗口移动：若图像iin的大小为m×n，将像素点(x,y)的邻域定义为：

θm＝{(p,q)|max(|p-x|,|q-y|)≤m},m＝1,2,……,l

其中m,l均为正整数，m表示窗口的尺度大小，(p,q)表示像素点(x,y)的邻域中像素点的坐标位置；

然后计算像素点(x,y)邻域的局部熵，窗口尺度为m时像素点(x,y)邻域局部熵的定义为：

其中d表示在窗口尺度为m时，邻域θm中包含d种灰度值，第i种灰度值为fi，i＝1,2,...,d，f(x,y)表示像素点(x,y)对应的灰度值，pi是概率密度函数,ni为第i种灰度值的像素个数。

进一步的优选方案，所述一种基于背景抑制与多尺度局部熵的红外弱小目标检测方法，其特征在于：步骤5中对背景抑制后的图像ibs与局部熵显著图ile进行相乘，得到红外小目标的显著图s的具体过程为：

首先将点(x,y)处显著图的值表示为：

s(x,y)＝ibs(x,y)×ile(x,y)

其中ile(x,y)表示像素点(x,y)的多尺度局部熵权值，ibs(x,y)表示像素点(x,y)背景抑制后的值，s(x,y)表示像素点(x,y)红外小目标的显著图的值；

其次将显著图中小于零的值置为零：

。

有益效果

本发明与现有技术相比较，具有以下优点：

1)首次将导向图滤波器运用到提取图像背景信息的场景中，并通过差分得到背景抑制后的红外目标显著图；

2)采用改进的局部熵构成的显著图来凸显图像中的小目标，并且采用多尺度的局部熵适应不同背景条件下小目标尺寸的动态变化，避免窗口选择不当造成的检测误差；

3)最终的显著图是加权而成，避免的单一处理方式的不足，同时通过susan滤波器的处理消除了背景杂波对目标检测的影响。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为红外弱小目标检测的基本流程。

图2为红外弱小目标检测的结果：第一列为原始的红外输入图像；第二列为经过处理之后得到的显著性图像；第三列为检测结果。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

参照图1，本实施例中的一种基于背景抑制与多尺度局部熵的红外弱小目标检测方法包括以下步骤：

步骤1：输入一幅待检测的红外图像i。

步骤2：将输入的图像i转换为灰度图像并进行归一化处理，得到图像iin。即对红外图像i进行灰度和归一化处理，将红外图像i的灰度值归一化到0-1之间，得到图像iin。

步骤3：背景抑制。

即采用导向图滤波器对归一化后的红外图像iin进行滤波处理。导向图滤波器是一种比较新型的图像滤波器，它不仅能够很好的保持图像平滑的边缘特征，而且还能较好的保留图像中边缘邻域的信息。它于一般的滤波器不同，运算效率与核的尺寸大小无关，因而被广泛的应用到了很多的领域，如：图像去雾，抠图，除噪等方面。

当导向图滤波器应用于红外图像的处理过程之中时，由于红外图像中红外小目标自身的特点，即：红外目标所占像素非常少，且红外小目标的亮度为相对较高等等。将红外图像经过导向图滤波之后，能较好的保存图像中的背景信息等，最后，通过和原始图像作差，得到背景抑制之后的图像。

步骤3.1：采用导向图滤波器，对归一化后的红外图像iin进行滤波，得到滤波之后的类背景图像ib。具体过程为：

用导向图滤波器对归一化后的红外图像iin进行滤波，得到背景图像：

其中,l是整数，w表示窗口大小，fw表示窗口大小为w时的导向图滤波器,*表示滤波运算。

接着改变窗口大小重复滤波操作，得到多个背景图像；最后对多个背景图像取平均值得到最终的类背景图像ib：

步骤3.2：将归一化后的红外图像iin与滤波之后得到的类背景图像ib进行差分，得到背景抑制后的图像ibs；ibs＝iin-ib。

步骤4：多尺度局部熵计算：

一幅红外图像中，弱小目标可以看做是与周围环境不相容的一个奇点，目标区域可以通过灰度值的差异区别于背景目标和背景。但是当背景复杂，噪声干扰强的时候，小目标容易被淹没，此时灰度值的差异不足以检测出小目标，可能造成检测不出小目标的情况发生。而选择窗口局部熵则避免了这种情况的发生。

图像中不同大小的窗口所含的信息内容与窗口的熵的数值成比例，窗口包含的信息内容受到窗口的选择(即窗口大小)的影响。为了适应不同尺寸小目标的检测，减弱杂波带来的不良影响，大大抵消残余噪声。采用不同大小的窗口来进行局部熵运算，就是即进行计算多尺度的局部熵。

步骤4.1：选取窗口尺度为m的窗口对归一化后的红外图像iin进行局部熵运算。

步骤4.2：用计算得到的局部熵代替窗口中心像素的值，得到窗口尺度为m的局部熵权值图wm；对于边缘像素点采用相应的边缘像素填充窗口来计算领域的局部熵。

步骤4.1至4.2得到窗口尺度为m的局部熵权值图wm的过程为：

首先选取窗口尺度为m的窗口对归一化后的红外图像iin从上到下、从左到右进行窗口移动：若图像iin的大小为m×n，将像素点(x,y)的邻域定义为：

θm＝{(p,q)|max(|p-x|,|q-y|)≤m},m＝1,2,……,l

其中m,l均为正整数，m表示窗口的尺度大小，(p,q)表示像素点(x,y)的邻域中像素点的坐标位置。

然后计算像素点(x,y)邻域的局部熵，窗口尺度为m时像素点(x,y)邻域局部熵的定义为：

其中d表示在窗口尺度为m时，邻域θm中包含d种灰度值，第i种灰度值为fi，i＝1,2,...,d，f(x,y)表示像素点(x,y)对应的灰度值，pi是概率密度函数,ni为第i种灰度值的像素个数。

步骤4.3：改变窗口尺度m的取值，重复步骤4.1和步骤4.2，得到不同窗口尺度下的局部熵权值图。

步骤4.4：对于局部熵权值图的某一像素位置(x,y)，取所有局部熵权值图中在该像素位置(x,y)处的最大值，组成最终的局部熵权值图ile；

ile(x,y)＝max{|wm(x,y)|,m＝1,2,……,l}

步骤5：红外小目标的显著图：

视觉显著性度量是基于视觉显著性的图像分割方法中的关键环节，主要计算图像中各像素的显著性，结果用与原始输入图像大小相等的一幅灰度图像来表示，称为显著图。其中每一个像素值代表了原始图像中对应位置像素的显著值，值越大说明该像素在原始图像中越显著，越容易获得观察者的注意。

对背景抑制后的图像ibs与局部熵显著图ile进行相乘，得到红外小目标的显著图s。具体过程为：

首先在点(x,y)处显著图的值可以表示为：

s(x,y)＝ibs(x,y)×ile(x,y)

其中ile(x,y)表示像素点(x,y)的多尺度局部熵权值，ibs(x,y)表示像素点(x,y)背景抑制后的值，s(x,y)表示像素点(x,y)红外小目标的显著图的值。

其次将显著图中小于零的值置为零：

经过多尺度局部熵处理能遍历整个图像然后实现对小目标的凸显同时抑制背景噪声，提高算法的适应性和多尺度局部对比度的鲁棒性。

步骤6：目标检测：

susan滤波器是一种基于窗口模板的检测方法，主要是通过在图像每个像素点位置处建立一个窗口，通过比较像素点邻域同其中心相似程度，来进行图像处理。所使用的参数非常的少，对于计算量及储存量要求低。主要是为针对于边缘检测和角点检测，也用于噪声消除。基于红外弱小目标的特性，将susan滤波器中边缘检测的非极大值抑制去除，用来进行目标检测。

通过以下过程进行目标检测：

步骤6.1：利用susan滤波器对显著图s进行滤波得到图像iout；

步骤6.2：统计iout图像中的非零像素个数，如果个数为1，则直接进入步骤6.3，否则进行剔除iout图像中的孤立噪声点的操作，即若图像iout中某非零像素点周围8个邻域的像素值均为0，则认为该像素点为孤立的噪声点，对其进行剔除处理，将其值置为0。

步骤6.3：取图像iout中的非零区域为小目标区域。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。