CN104166975A - 一种复杂环境下低空红外目标检测算法 - Google Patents

Abstract

本发明属于图像处理技术领域，具体涉及一种复杂环境下低空红外目标检测算法。本发明首先利用小波包对图像进行多尺度分解，与小波分解不同的是，小波包不仅能对低频信号进行分解，而且能将小波变换没有细分的高频分量进一步分解，从而提高了高频段的分辨率；然后基于高阶统计量的抗高斯干扰特性，提出了一个高斯判别准则，用于自适应选择相应的频带，使之与目标频谱相匹配，最终达到满意的检测效果。本发明提出的基于小波包和高阶统计量的算法能有效检测出单帧红外图像中的弱小目标，与经典的基于小波变换的目标检测算法比较，检测概率较高，且抑制噪声能力较强。

Description

一种复杂环境下低空红外目标检测算法

技术领域

本发明属于图像处理技术领域，具体涉及一种复杂环境下低空红外目标检测算法。

背景技术

在低空环境下，由于受到人造建筑物、树木、地面篝火、电厂烟囱等背景的影响，红外探测器受到的干扰严重。而且地面背景的红外辐射强度较高，与目标的红外辐射强度相差较小，目标容易被背景干扰物湮没，增加了目标检测的难度。

对单帧红外图像进行目标检测的最直接方法就是阈值分割，它计算简单且计算量小，但实际应用中并不实用。当目标处于复杂背景中时，直接进行阈值分割往往得不到正确的目标。

考虑到目标在图像中主要为高频分量而背景对应低频成分这一特点，可以将目标和背景进行分离，这就是常说的基于背景抑制的检测技术。常用的背景抑制方法有中值滤波器、匹配滤波器、高通滤波器以及一些组合形式的滤波器等。中值滤波器结构简单、运行速度快，但它只能滤除噪声，无法处理背景中的杂波干扰。空间匹配滤波器需要根据目标形状设定滤波模板，当目标先验信息未知时，检测性能将受影响。高通滤波器对于变化缓慢的背景滤除作用明显，但通常只适用于点目标的检测。

基于形态学的滤波器由于其独特的非线性滤波性能，目前已成为红外目标检测和识别的一个有力工具，它包含形态学算子的设计和结构元素的选择这两个关键技术。目前，针对红外目标检测问题，大多采用的是Top-Hat这一高通滤波算子。以往利用Top-Hat算子进行红外目标检测时，仅采用单一结构元素对图像进行处理，这对某种特定图像模型具有较好的性能，然而当目标图像较为复杂时，检测性能将有所下降。

基于小波变换的方法是一类常用的红外目标检测算法，其主要思想是将目标看做图像中的高频分量，利用小波多尺度分解提取图像中的高频信息，然后通过选取合适的阈值消除噪声的影响，从而实现目标的检测。但是，传统的小波变换目标检测方法鲁棒性不强，无法实现复杂背景下目标的准确检测。

近年来，高阶统计量由于对高斯噪声具有良好的抑制能力而被广泛应用于信号处理领域。在分析红外目标特性的基础上，国内一些学者提出了基于高阶统计量的目标检测算法，它根据高阶累积量对高斯随机过程“盲”的原理，设计了一个基于高阶累积量的自适应滤波器来检测红外图像中的目标。这类方法具有抗噪声干扰能力强，易于硬件实现等优点。但是，算法必须首先要为高阶统计判据简历一个不相关的高斯北京，这就需要一系列的预处理，以至降低了检测的效率。

复杂背景下低空红外图像中的弱小目标检测是图像处理和目标检测领域一个非常重要的研究分支，也是军事防御的重要手段。但是由于红外弱小目标自身的特点，使得检测工作变得十分困难：首先，弱小目标成像的距离一般较远，目标在图像中仅占很少的几个像素；其次，成像***内的噪声和杂波干扰较强，使得目标信号相对很弱，容易被强噪声背景所淹没；最后，由于弱小目标缺乏有效的形状信息和纹理结构，导致可以提供给检测***的信息很少。因此，红外弱小目标的检测一直以来都是一个具有挑战性的课题。

复杂背景中红外图像目标检测技术正在不断深入发展和研究，虽然各国利用此技术产生的型号不少，但从军方使用的要求而言，还不尽人意。虽然各国投入大量的人力和财力来研究这一技术，也取得了很多开创性的成果和提出了很多新颖的算法，但是大部分算法由于其复杂性，在理论上可以达到很好的效果，但在实际应用中却不能应用，因为其计算量太大，以目前的硬件发展的水平根本没有办法满足其要求。

发明内容

本发明的目的在于提供一种复杂环境下低空红外目标检测算法，以解决复杂背景下低空红外图像中的弱小目标检测问题。

为达到上述目的，本发明所采取的技术方案为：

一种复杂环境下低空红外目标检测算法，包括以下步骤：

步骤一：将原始红外图像进行L＝4级Daubechies-8小波包分解，则所有系数都保存在一个小波包分解树上，且每一层上所有小波包系数构成原始图像的一个完备集，可以完全重构原始图像；

步骤二：计算分解树上第N(N≤L)层所有频带的峰度：

其中c_ij是第i个频带的小波包系数矩阵，m是系数矩阵的元素个数；

步骤三：当四个相邻频带的峰度满足高斯判别准则：

则将该四个相邻频带的小波包系数合并；其中σ表示小波包系数服从理想高斯分布的置信度；

步骤四：N＝N-1，当N＞0时，转到步骤二，否则执行步骤五；

步骤五：计算最终所有频带的峰度，将满足高斯判别准则和最低频带上的小波包系数置零，仅保留非高斯性小波包系数，利用新的小波包系数重建真正的目标图像；

步骤六：对重建目标图像，进行阈值分割，得到目标。

所述的步骤六采用自适应阈值对检测到的目标图像进行二值化分割，阈值V的选取公式为：

V＝m+Cσ      （3）

其中，m为图像的均值，σ为图像的标准差，C是常数，取值在[3,10]。

本发明所取得的有益效果为：

本发明首先利用小波包对图像进行多尺度分解，与小波分解不同的是，小波包不仅能对低频信号进行分解，而且能将小波变换没有细分的高频分量进一步分解，从而提高了高频段的分辨率；然后基于高阶统计量的抗高斯干扰特性，提出了一个高斯判别准则，用于自适应选择相应的频带，使之与目标频谱相匹配，最终达到满意的检测效果。本发明提出的基于小波包和高阶统计量的算法能有效检测出单帧红外图像中的弱小目标，与经典的基于小波变换的目标检测算法比较，检测概率较高，且抑制噪声能力较强。

为了充分利用小波包和高阶累积量的优点，将两者相结合用于红外弱小目标的检测。考虑到小波包系数是通过将原始信号和各个正交的小波包基函数作内积求得，该过程是线性的，因此，如果将红外弱小目标图像经过小波包变换，则其中的高斯噪声信号经过分解后对应的系数近似服从高斯分布，而非高斯性弱小目标信号在某些节点的系数将偏离高斯分布，针对分解后的小波包系数，通过构造基于高阶累积量峰度的高斯判别准则，则可将弱小目标和噪声区分开来。

附图说明

图1为本发明所述复杂环境下低空红外目标检测算法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图1所示，本发明所述复杂环境下低空红外目标检测算法包括以下步骤：

步骤一：将原始红外图像进行L＝4级Daubechies-8小波包分解，则所有系数都保存在一个小波包分解树上，且每一层上所有小波包系数构成原始图像的一个完备集，可以完全重构原始图像；

步骤二：计算分解树上第N(N≤L)层所有频带的峰度：

其中c_ij是第i个频带的小波包系数矩阵，m是系数矩阵的元素个数；

步骤三：当四个相邻频带的峰度满足高斯判别准则：

则将该四个相邻频带的小波包系数合并；其中σ表示小波包系数服从理想高斯分布的置信度；

步骤四：N＝N-1，当N＞0时，转到步骤二，否则执行步骤五。该操作的目的是选择最优小波包分解结构；

步骤五：计算最终所有频带的峰度，将满足高斯判别准则和最低频带上的小波包系数置零，仅保留非高斯性小波包系数，利用新的小波包系数重建真正的目标图像。

步骤六：对重建目标图像，进行阈值分割，得到目标。当原始图像进行上述检测过程后，由于它的最低频分量和一些最高频分量被舍弃，使得小波包反变换重建得到的目标图像整体灰度很低，此时无法采用固定的阈值对图像进行二值化，所以采用自适应阈值对检测到的目标图像进行二值化分割。阈值V的选取公式为：

V＝m+Cσ      （3）

其中，m为图像的均值，σ为图像的标准差，C是常数，一般取值在[3,10]。

Claims (2)

1.一种复杂环境下低空红外目标检测算法，其特征在于：该算法包括以下步骤：

步骤一：将原始红外图像进行L＝4级Daubechies-8小波包分解，则所有系数都保存在一个小波包分解树上，且每一层上所有小波包系数构成原始图像的一个完备集，可以完全重构原始图像；

步骤二：计算分解树上第N(N≤L)层所有频带的峰度：

其中c_ij是第i个频带的小波包系数矩阵，m是系数矩阵的元素个数；

步骤三：当四个相邻频带的峰度满足高斯判别准则：

则将该四个相邻频带的小波包系数合并；其中σ表示小波包系数服从理想高斯分布的置信度；

步骤四：N＝N-1，当N＞0时，转到步骤二，否则执行步骤五；

步骤五：计算最终所有频带的峰度，将满足高斯判别准则和最低频带上的小波包系数置零，仅保留非高斯性小波包系数，利用新的小波包系数重建真正的目标图像；

步骤六：对重建目标图像，进行阈值分割，得到目标。

2.根据权利要求1所述的复杂环境下低空红外目标检测算法，其特征在于：所述的步骤六采用自适应阈值对检测到的目标图像进行二值化分割，阈值V的选取公式为：

V＝m+Cσ（3）

其中，m为图像的均值，σ为图像的标准差，C是常数，取值在[3,10]。