一种基于信息熵与局部对比度加权的红外小目标检测方法

本发明涉及红外小目标检测，具体涉及一种基于信息熵与局部对比度加权的红外小目标检测方法。

背景技术：

1、在计算机图像红外小目标检测领域，在一些夜晚或一些特殊情况下，红外视频可以提供相较于可见光更丰富的目标信息。红外视频中的鸟类、飞机、轮船和火源等具有一定强度热辐射的目标，在远距离成像的条件下，会形成局部区域较小、纹理较弱的目标，使得快速准确地检测出目标具有很大的挑战性。并且由于红外小目标缺乏明显的特征和形状信息，就意味着无法直接使用基于特征学习的方法来区分目标。

2、在连续变化的红外视频情况中，目标通常是连续变化的，可能由远到近也可能由近到远，所以实际目标还会具有多尺度的特点。光电仪器工程师学会根据目标成像定义了小目标尺寸通常在1×1到9×9的像素范围内。而现有红外小目标检测方法在复杂背景的条件下检测效果较差，虚警率很高，准确率较低，且在准确率较好的算法中，运算时间过长不能很好的满足实时性的要求。

3、申请号为cn109816641a的中国发明专利公开了一种基于形态学融合的加权局部信息熵红外小目标检测的方法，该方法包括预处理，计算差异和阈值处理三个阶段，在预处理阶段，使用top-hat对原始图像进行不同尺度的预处理。在计算差异阶段，对相邻尺度的top-hat求图像差异得到最小差异图，并计算初始图像局部信息熵把其当作权重与信息熵进行融合得到显著图。在阈值处理阶段，使用阈值分割技术对红外小目标显著图滤波并进行二值化处理得到红外小目标位置。然而上述方法中top-hat预处理方法和局部信息熵不能够很好的适应在复杂背景下的目标检测问题，且在含有较亮的背景噪声的情况下会影响算法的检测准确率。上述问题亟待解决，为此，提出一种基于信息熵与局部对比度加权的红外小目标检测方法。

技术实现思路

1、本发明所要解决的技术问题在于：如何有效地提高小目标在复杂背景下的准确率，提供了一种基于信息熵与局部对比度加权的红外小目标检测方法。

2、本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

3、步骤s1：使用非制冷红外检测摄像头，使用摄像头的原始模式，在室外录制真实场景下的原始目标视频二进制文件；

4、步骤s2：对步骤s1录制的原始目标视频二进制文件进行解码，并对其进行非均匀校正和数据映射到8bit的操作，得到测试原始图像；

5、步骤s3：根据得到的测试原始图像，设计适应目标大小的尺度区域，假设区域中心位置为目标位置，其余区域为背景位置，构造矩阵并计算含有目标与背景的矩阵以及去除目标只含背景矩阵的frobenius范数与其均值构造对比度权重；

6、步骤s4：使用设计的总体区域，计算当前位置所处区域不同像素值的信息熵，结合由frobenius范数构造的对比度权重，得到整张图像的显著图的比例系数，结合原图像的像素矩阵得到显著图；

7、步骤s5：增加初始设计适应目标大小的中心区域，重复步骤s3、s4计算得到一系列的对比度权重和显著图比例系数，结合原图像的像素矩阵得到多个显著图；

8、步骤s6：根据步骤s5计算得到的多个显著图，融合求解其每个显著图所有位置的最大值得到最终的显著图，计算该显著图的均值和标准差，结合均值和标准差计算分割阈值，对显著图进行阈值分割并进行二值化处理操作，得到经过阈值处理和二值化操作的显著图，在该显著图寻中找出强度最大的位置，进而检测到最终的目标位置。

9、更进一步地，在所述步骤s1中，使用与非制冷红外摄像头连接的硬件数据传输设备和软件显示设备，设置摄像头输出模式为14bit原始图像，图像大小为640*512，单通道、单帧二进制文件输出模式，录制含有复杂背景的红外小目标运动图像。

10、更进一步地，在所述步骤s2中，根据已录制好的14bit红外小目标运动图像二进制文件，编写程序将其转换到8bit并使用opencv库函数对其进行非均匀校正，对数据进行预处理操作。

11、更进一步地，在所述步骤s3中，具体处理过程如下：

12、s31：假设当前坐标处于第i行第j列，记为点p，其像素值记为p(i,j)，目标的大小为a行b列，以p为中心点的a行b列区域记为区域0；以区域0为中心区域，在其周围构造3a行3b列的区域，每个区域均为a行b列，以左上角的区域记为区域1，顺时针方向的区域依次记为区域2～8构建周围区域；

13、s32：把每个区域构造成列向量拼接在一起，计算含有中心区域的矩阵和其均值列向量的frobenius范数；

14、s33：计算不含中心区域的矩阵和其均值列向量的frobenius范数；

15、s34：计算两个frobenius范数的差异度即得到对比度权重。

16、更进一步地，在所述步骤s32中，具体处理过程如下：

17、s321：把每个区域按列展开构造出a×b行1列的列向量，按照区域标号的顺序把每个区域列向量拼接成为a×b行9列的新矩阵t1：

18、

19、其中，表示按列构造的0号区域第一个值，a、b分别为子区域的行、列数；

20、s322：按行计算t1的均值组成一个a×b行1列的列向量

21、

22、

23、其中，s表示t1的列数，t表示t1的行数；

24、s323：把列向量重复扩充为a×b行9列的矩阵计算矩阵t1和的frobenius范数：

25、

26、其中，(i,j)为p点坐标，x,y表示矩阵t1的第x行第y列，txy和分别表示矩阵t1和的第x行和第y列的像素值，fij表示为p点的frobenius范数。

27、更进一步地，在所述步骤s33中，具体处理过程如下：

28、s331：去掉中心0号区域的列向量重新构建a×b行8列的新矩阵b1，并按行计算矩阵b1的均值组成一个a×b行1列的列向量

29、s332：把列向量重复扩充为a*b行8列的矩阵计算矩阵b1和的frobenius范数：

30、

31、其中，(i,j)为p点坐标，x,y表示矩阵b1的第x行和第y列，bxy和分别表示矩阵b1和的第x行和第y列的像素值，表示为p点去中心区域的frobenius范数。

32、更进一步地，在所述步骤s34中，根据得到的fij和计算对比度权重dij：

33、

34、其中，(i,j)为p点坐标，fij为p点的frobenius范数，为去中心区域的frobenius范数，9为fij矩阵列数，8为矩阵列数。

35、更进一步地，在所述步骤s4中，具体处理过程如下：

36、s41：根据计算frobenius范数构造出的新矩阵t1，选取0号区域的中心位置p即为当前区域的中心位置，其像素值为p(i,j)，计算修正过的信息熵eij：

37、

38、其中，m1表示矩阵t1含有的像素值种类个数，ps表示第s类的像素值，ns表示第s类像素值的个数，h、w分别表示测试原始图像的高度和宽度；

39、s42：由当前像素点计算得到的对比度权重dij和修正过的信息熵eij，在整幅图像上从左到右、从上到下的进行一遍求解，得到和测试原始图像尺寸一致的对比度权重矩阵d和信息熵矩阵e，计算在点(i,j)的显著值，表示如下：

40、de(i,j)＝d(i,j)×e(i,j)×p(i,j)

41、其中，d(i,j)表示为点(i,j)位置的对比度权重，e(i,j)表示为点(i,j)位置的修正过的信息熵，p(i,j)表示为点(i,j)处的像素值。

42、更进一步地，在所述步骤s5中，在最初中心大小a×b区域上向外增加δh，得到新的中心区域，在新的中心区域上重复步骤s3和步骤s4的方式计算出新的对比度权重和得到显著图del，直到中心区域的像素个数大于80，得到lmax个显著图记为del，其中l＝1,…,lmax。

43、更进一步地，在所述步骤s6中，显著图的均值和标准差计算公式如下：

44、

45、

46、其中，h，w分别表示测试原始图像的高度和宽度，de(i,j)为点(i,j)的显著值，m为显著图的均值；

47、分割阈值的计算公式如下：

48、t＝m+k×s

49、其中，t表示为分割阈值，m和s分别表示显著图的均值和标准差。

50、本发明相比现有技术具有以下优点：该基于信息熵与局部对比度加权的红外小目标检测方法，以有效地提高小目标在复杂背景下的准确率，在现有信息熵检测的基础上进一步提高了算法的检测效率，为后续的基于信息熵检测算法研究以及工程应用提供了新的思路。