一种基于边缘检测增强的对空地、地面背景小目标检测方法

1.本发明属于红外弱小目标检测领域。


背景技术：

2.在红外弱小目标检测领域，对复杂场景中的红外弱小目标进行识别是一项经典难题。此处的弱小目标是指像素点较少、在干扰背景下较难与背景区分的飞机、导弹等目标，此类目标在红外成像探测技术中通常表现为尺寸在2
×
2至9
×
9像素之间的亮点，因此具有通过图像识别算法进行目标检测的基础与价值。
3.近年来，国内外很多研究对红外弱小目标检测提出了多种方法，大致分为传统的基于滤波的方法、基于稀疏低秩成分恢复的方法和基于人类视觉系统(hvs)的方法。传统的基于滤波的方法侧重于如何在灰度值矩阵或导数矩阵中构造算子以估计背景，然后根据原始图像和背景之间的差异来对小对象进行分割。然而，这些方法对复杂背景中的强杂波和高亮度的像素大小的噪点很敏感。基于稀疏和低秩分量恢复的方法假设背景图像是低秩子空间杂波和目标稀疏分量的混合。然而，这些算法经常受到显著边缘和角点的影响。国内外对基于hvs的检测方法着重进行研究，这些方法集中于目标与其周围背景之间的对比度和差异。具有代表性的方法包括局部对比测度(lcm)、导数熵对比测度(decm)、基于多尺度贴片的对比测度(mpcm)和加权局部差测度(wldm)。由于这些方法的核心是测量局部差异，导致它们对突出的边缘和高亮度区域很敏感，不能区分目标和纹理杂波。
4.文献[r.lu,x.yang,w.li,j.fan,d.li and x.jing,"robust infrared small target detection via multidirectional derivative-based weighted contrast measure,"in ieee geoscience and remote sensing letters,vol.19,pp.1-5,2022,art no.7000105.]中提出了一种基于多向梯度局部对比度的红外小目标检测算法(mdwcm)。首先，多向导数子带由面状模型快速获得，然后对周围区域进行有效的划分方案，以捕捉目标的导数特性，构建一个新的局部对比度，同时增强目标和抑制背景杂波，再将所有导数子带构建的mdwcm图整合以提高检测的稳定性，最后通过自适应阈值分割方法提取小目标。基于多方向的导数特性，多向梯度局部对比度的检测算法充分利用目标和其周围地区在所有子带的差异。融合所有方向的局部对比度的值后，小目标被有效地增强，背景被抑制。实验表明，多向梯度局部对比度的检测算法实现有效的背景抑制和目标增强，真正的目标从复杂的背景中较为明显地分割出来，并且与其他国内外的先进方法相比，该方法识别率、延迟等性能指标表现较好。
[0005]
该方法在天空背景，也就是低干扰的情况下，表现出很高的识别准确率，但是基于梯度类的弱小目标检测，在一些复杂的场景下，特别是空地背景、地面背景情况下有较大的干扰，检测结果并不能让人满意。


技术实现要素：

[0006]
本发明提出在背景技术的基础上，增加边缘检测增强功能的新检测算法，从而解
决现有技术中针对空地背景，地面背景是检测精度不高的问题。
[0007]
本发明技术方案为首先对原始图像中的边缘进行检测，然后与红外弱小目标图像相叠加，增强目标点的同时削弱背景角点对目标检测造成的影响，然后对周围区域进行有效的划分方案，以捕捉目标的导数特性，构建一个新的局部对比度图，以同时增强目标和抑制背景杂波，再将所有导数子带构建的强对比图整合以提高检测的稳定性，最后通过自适应阈值分割方法提取小目标，真正的目标从复杂的背景中较为明显地分割出来。
[0008]
本发明技术方案为：一种基于边缘检测增强的对空地、地面背景小目标检测方法，该方法包括：
[0009]
步骤1：采用高斯滤波器对原图像进行降噪处理；
[0010]
高斯滤波器使用的高斯核是具有x和y两个维度的高斯函数，且两个维度上标准差相同，形式为：
[0011][0012]
其中，σ表示方差；
[0013]
步骤2：计算像素梯度；
[0014]
使用算子s
x
和sy计算像素梯度，s
x
前者用于计算图像x方向像素梯度矩阵g
x
，sy用于计算图像y方向像素梯度矩阵gy；具体形式为：
[0015]gx
＝s
x
*i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0016]gy
＝sy*i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0017]
其中，i为灰度图像矩阵，*表示互相关运算，图像矩阵坐标系原点在左上角，且x正方向为从左到右，y正方向为从上到下；则由式(4)可计算得到梯度强度矩阵g
xy
；
[0018][0019]
其中，g
xy
(i,j)表示g
xy
中第(i,j)位置处的元素，g
x
(i,j)表示g
x
中第(i,j)位置处的元素，gy(i,j)表示gy中第(i,j)位置处的元素；
[0020]
步骤3：根据梯度方向角对梯度幅值进行非极大值抑制；
[0021]
检查各像素是否为其邻域中沿梯度的局部最大值，如果是，则认为该点为边缘，否则不是边缘；
[0022]
步骤4：用双阈值算法检测，设定高阈值和低阈值；
[0023]
如果某一像素灰度值梯度大于等于高阈值，则该像素被为边缘像素；
[0024]
如果某一像素灰度值梯度小于等于低阈值，则该像素被不为边缘像素；
[0025]
如果某一像素灰度值梯度在两个阈值之间，那么只有当它相邻像素的灰度值梯度高于高阈值时才为边缘像素；
[0026]
步骤5：将边缘检测得到的边缘图像与原灰度图像叠加，生成边缘增强后的灰度图像；
[0027]
步骤6：对步骤5得到的灰度图像进行检测；
[0028]
步骤6.1：采用facet模型快速获得多向导数子带，即采用双变量的立方函数拟合邻域s5×5；构造二维离散正交切比雪夫多项式φi(r,c)；
[0029][0030]
其中，r和c是邻域s5×5的行坐标和列坐标；
[0031]
步骤6.2：建立邻域s5×5中的像素表面函数f(r,c)；
[0032][0033]
其中，bi为拟合系数，i(r,c)为图像像素值；
[0034]
步骤6.3：如果α为水平方向的角度，f(r,c)的一阶方向导数为f
α
'；
[0035][0036]
步骤6.4：对图像进行区域划分，对每个区域采用一阶方向导数为f
α
'捕捉目标的导数特性，构建一个新的局部对比度图；再将所有导数子带构建的局部对比度图整合；再通过自适应阈值分割方法提取小目标；自适应阈值t为：t＝μ+k
×
σ，其中μ和σ分别表示多向梯度局部对比度值的坐标系的平均值和方差，k是给定的参数。
[0037]
进一步的，所述步骤2中
[0038]
进一步的，所述步骤6.4中k的范围为0.4到0.8。
[0039]
本发明的有益效果是，与原本的mdwcm算法相比较，本发明对于空天背景、海面背景、地空背景、地面背景下的红外图像弱小飞机目标检测有较好的适用性，尤其是对地面背景和地空背景干扰下的复杂背景红外弱小目标的检测准确率有明显的提高。
附图说明
[0040]
图1是本发明对图像进行检测时的大致步骤。
[0041]
图2是本发明得到的边缘图像示例。
[0042]
图3是将边缘检测得到的边缘图像与原灰度图像叠加，生成的边缘增强后的灰度图像。
具体实施方式
[0043]
图1是本发明对图像进行检测时的大致步骤。
[0044]
步骤1：对原图像进行降噪处理；此处使用5
×
5高斯滤波器，即使用5
×
5尺寸的二维高斯核与图像进行卷积。由于数字图像的数据形式为离散矩阵，高斯核是对连续高斯函数的离散近似，通过对高斯曲面进行离散采样和归一化得出。高斯滤波使用的高斯核是具有x和y两个维度的高斯函数，且两个维度上标准差一般取相同，形式为：
[0045][0046]
步骤2：计算像素梯度；
[0047]
算子是两个3
×
3的矩阵，分别为s
x
和sy。前者用于计算图像x方向像素梯度矩阵g
x
，后者用于计算图像y方向像素梯度矩阵gy。具体形式为：
[0048][0049][0050]
其中，i为灰度图像矩阵，且此处的*表示互相关运算(卷积运算可视为将卷积核旋转180
°
后的互相关运算)。需要说明的是，图像矩阵坐标系原点在左上角，且x正方向为从左到右，y正方向为从上到下。则由式(4)可计算得到梯度强度矩阵g
xy
。
[0051][0052]
步骤3：根据梯度方向角对梯度幅值进行非极大值抑制；
[0053]
图像中有一些不构成边缘的点，其主要成因可能是例如人或动物的毛发等呈线状的非物体边缘，这一类干扰较难排除，因此在此处使用非极大值抑制算法来对这些干扰进行抑制和排除。一般这类干扰会出现在图像中的物体轮廓边界上，由此可知，检查该疑似边缘周围是否有物体边缘，即该点是否为其邻域中沿梯度的局部最大值，如果是，则认为该点为边缘。
[0054]
步骤4：用双阈值算法检测；
[0055]
如果某一像素灰度值梯度高于高阈值，则该像素被接受为边缘像素；如果某一像素灰度值梯度低于低阈值，则将其拒绝；如果某一像素灰度值梯度在两个阈值之间，那么只有当它相邻像素的灰度值梯度高于高阈值时才会被接受；建议在2:1和3:1之间设置高低阈值比率。
[0056]
步骤5：将边缘检测得到的边缘图像与原灰度图像叠加，生成边缘增强后的灰度图像，如图3所示。
[0057]
步骤6：对图像进行检测。
[0058]
由facet模型快速获得多向导数子带。具体来说，一个双变量的立方函数被用来拟合邻域s5×5。如果r和c是邻域s5×5的行和列坐标，分别有r∈{-2,-1,0,1,2}和c∈{-2,-1,0,1,2}。如果忽略大于3的阶数，二维离散正交切比雪夫多项式{φi(r,c),i＝0,
…
,9}通过式(5)构造
[0059][0060]
在邻域s5×5中的像素表面函数f(r,c)被拟合为双变量的三次方多项式。
[0061][0062]
其中bi(i＝0,1,...,9)是拟合系数。基于最小二乘算法，bi(i＝0,1,...,9)通过最小化成本函数计算。
[0063][0064]
其中i(r,c)是原始像素值，根据多项式的正交特性：
[0065][0066]
拟合系数bi通过以下方式计算：
[0067][0068]
上式表明，bi直接通过对i(r,c)的卷积运算得到。通过对i(r,c)的卷积操作，使用固定的滤波器。相应的滤波器ωi表示为：
[0069][0070]
如果α是水平方向的角度，f(r,c)的一阶方向导数通过以下方式得到
[0071][0072]
然后，对周围区域进行有效的划分，以捕捉目标的导数特性，构建一个新的局部对比度图，以同时增强目标和抑制背景杂波，再将所有导数子带构建的局部对比度图整合以提高检测的稳定性。最后，通过自适应阈值分割方法提取小目标。在最终的融合多向梯度局部对比度值的坐标系中，大多数类型的干扰被有效地抑制，而目标被增强。一个自适应阈值t被用来提取真正的小目标：
[0073]
t＝μ+k
×
σ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0074]
其中μ和σ分别表示多向梯度局部对比度值的坐标系的平均值和方差，k是一个给
定的参数，其最佳范围是0.4到0.8。
[0075]
测试过程中，使用国内开源数据集《地/空背景下红外图像弱小飞机目标检测跟踪数据集》作为检测对象。该数据集包含了多种场景，包括常见的天空背景、空地背景和地面背景下的提供给红外弱小目标识别算法的实验图像，对本文提出的边缘检测增强的红外弱小目标检测算法进行一个较为立体与权威的准确率评估。原始的mdwcm算法以及该边缘增强检测算法对该数据集的识别准确率如表1所示。
[0076] 灰度值梯度显著性检测边缘增强检测data2100％100％data4100％100％data1867.2％77.4％data1976.3％85.5％data2024.0％48.0％
[0077]
表1本发明与原始mdwcm算法的识别准确率对比
[0078]
其中data2包含第0-598幅图像，类型为天空背景、两个目标、近距离、交叉飞行；data4包含第0-398幅图像，类型为天空背景、两个目标、近距离、交叉飞行；data18包含第0-499幅图像，类型为地面背景、单个目标、目标由远及近；data19包含第600-1000幅地面背景、单个目标、目标机动；data20包含第0-399幅图像，类型为空地背景、单个目标、目标机动。
[0079]
由表1看出，两种检测算法对天空背景的识别率都很高，而mdwcm在地面场景和空地场景下的识别率较低，而本发明边缘检测增强检测算法在这两种场景中识别率的提升较大。mdwcm平均耗时0.266s，边缘增强检测平均耗时0.272s，检测延迟增加很小。空地背景与地面背景情况下的识别率平均提升14.5％，提升较为显著。
[0080]
综上所述，本发明提出的边缘增强检测算法具有较好的适应性，同时对天空背景、下视情况下的地面、平视情况下的地面、海面背景都具有较高的识别率，有干扰情况下的识别率对比直接进行目标检测识别率平均提升10％，非常可观，并且进行边缘检测的延时增加接受，满足当下红外弱小目标检测领域对算法在复杂背景下拥有较高识别率的需求。