CN108038856A

CN108038856A - 基于改进多尺度分形增强的红外小目标检测方法

Info

Publication number: CN108038856A
Application number: CN201711403183.1A
Authority: CN
Inventors: 谷雨; 彭冬亮; 冯秋晨; 刘俊; 陈华杰
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2017-12-22
Filing date: 2017-12-22
Publication date: 2018-05-15
Anticipated expiration: 2037-12-22
Also published as: CN108038856B

Abstract

本发明涉及基于改进多尺度分形增强的红外小目标检测方法。传统基于分形特征增强的红外小目标检测算法具有计算复杂度高的问题。本发明利用多尺度区域内像素的最大值与最小值的差作为一种度量，然后采用其区域平均值获得每点像素的多尺度分形特征向量，通过定义的新的显著性度量准则来评价每点像素的显著性，最后基于增强后的图像通过自适应阈值分割算法进行目标检测。本发明提出的方法降低了算法的计算量，提高了检测速度。

Description

基于改进多尺度分形增强的红外小目标检测方法

技术领域

本发明属于红外小目标检测领域，涉及一种基于改进多尺度分形增强的红外小目标检测方法。

背景技术

红外弱小目标检测是红外搜索与跟踪***的关键技术之一，可有效提高监测范围，在导航、防空和安全监控等领域起到重要作用。红外弱小目标检测存在两个难点：(1)小目标没有明显的纹理和形状特性；(2)受背景目标辐射和图像传感器的影响，红外图像中存在随机噪声和大量杂波，图像信噪比低。尽管已有大量算法提出，但在复杂环境下有效地检测小目标仍是一个尚未完全解决的问题。

红外小目标检测技术大致可分为两类：跟踪前检测(DBT)和检测前跟踪(TBD)。TBD技术使用多帧图像进行累积来检测弱目标，DBT是在目标出现的第一帧图像中利用目标检测算法定位目标，然后利用目标在连续图像中的时空一致性利用跟踪技术估计目标的位置。在单一图像中检测小目标无需掌握目标的先验知识，因其计算效率较高，常用于一些检测设备。过去二十年虽然很多研究聚焦于DBT技术，提出了一些有效的红外小目标检测算法，例如TopHat Filtering、MaxMean和MaxMedian等。

目前，研究学者提出的算法大多是基于目标与其周围环境的灰度对比度大于背景区域的对比度这一假设，首先对输入图像进行增强，然后使用阈值进行分割，获得待检测目标的候选区域。根据分形几何理论，因自然目标和人造目标具有不同的内在结构，分形模型更适用于山、云、水、植物等尺度在某种特定范围之内的自然目标，但不适用于人造目标，故可基于分形理论设计有效的多尺度分形特征，先对图像进行增强，然后基于自适应阈值分割方法实现红外小目标的检测。例如，平均灰度差绝对值最大映射算法(AGADMM)以每点像素坐标作为中心点，定义不同尺度的目标区域，同时定义一个尺度更大的背景区域，通过计算每个目标区域与背景领域像素灰度均值的差绝对值的最大值来评估该像素的显著性，以此作为度量来进行图像增强，基于增强后的图像采用自适应阈值分割算法实现目标检测。

发明内容

本发明考虑到传统基于分形特征增强的红外小目标检测算法计算复杂度高的问题，通过对已有算法进行分析，提出了一种新的基于多尺度分形特征的显著性度量准则，然后对算法进行简化，设计了一种基于改进多尺度分形增强的红外小目标检测方法，降低了算法的计算量，在保证目标检测率的前提下实时性得到提升。本发明利用多尺度区域内像素的最大值与最小值的差作为一种度量，然后采用其区域平均值获得每点像素的多尺度分形特征向量，通过定义的新的显著性度量准则来评价每点像素的显著性，最后基于增强后的图像通过自适应阈值分割算法进行目标检测。设计的目标检测算法仅需运用简单的四则运算即可得到增强后的图像，算法实现简单，非常适合于嵌入式应用，在保证检测率的前提下提高了算法的实时性。

本发明采用的技术方案包括以下步骤：

步骤(1).获取原始红外图像I’中每点像素的多尺度分形特征向量。

步骤(2).基于多尺度分形特征向量通过定义的新的显著性度量准则计算每点像素的显著性，得到增强后图像。

步骤(3).基于增强后图像，采用自适应阈值分割算法进行目标分割，得到检测后的目标。

本发明与现有技术相比，其显著优点为：(1)进行图像增强时，需要设定的参数少，仅需设置计算多尺度分形特征的最大尺度。随着最大尺度的增加，增强后图像中目标的展宽效应越明显，因而更有利于小目标的目视和阈值分割；(2)有效地利用目标局部区域的对比度信息，能够在存在较少虚警的情况下检测到大部分目标，设计的方法能同时检测到图像中的亮目标和暗目标。(3)此方法不仅适用于小目标检测，通过设计合理的尺度和检测阈值，同样适用于大目标检测，包括具有较强相干斑噪声的SAR图像。(4)传统算法计算复杂，而本发明算法只涉及了四则运算，方便在嵌入式***实现，算法计算量低，实时性好。

附图说明

图1为本发明方法的流程图；

图2为最大尺度对红外图像增强效果的影响；

图3基于改进多尺度分形增强的红外图像增强和检测结果(小目标)；其中(a)-(f)为不同场景下的红外图像；

图4基于改进多尺度分形增强的红外图像增强和检测结果(大目标)；其中(a)-(f)为不同场景下的红外图像；

图5基于改进多尺度分形增强的SAR图像增强和检测结果(大目标)；其中(a)-(d)为不同场景下的红外图像；

图6与其它五种典型红外小目标检测算法的增强效果对比；其中(1)-(6) 为不同场景下的红外图像；(a)-(d)为原始图像以及不同检测算法的目标增强效果。

具体实施方式

以下结合附图对本发明作进一步说明。

由图1所示，本发明具体实施步骤如下：

步骤(1).获取原始红外图像I’中每点像素的多尺度分形特征向量。具体如下：

依据分形几何理论，分形测度与尺度的关系由Richardson定律可描述为：

M(ε)＝Kε^d-FD 式(1)

其中，ε表示尺度，ε＝1,2,...，M(ε)表示在尺度ε下的测度，FD和d分别表示分形维数和拓扑维数，K为分形参数。对于二维灰度图像可描述为：

A(x,y,ε)＝K(x,y,ε)ε^2-FD(x,y,ε) 式(2)

其中A(x,y,ε)表示在尺度ε下的图像灰度表面的表面积测度。

当度量尺度分别为ε₁,ε₂时，由式(2)可得，

logA(x,y,ε₁)＝(2-FD(x,y,ε₁))log(ε₁)+logK(x,y,ε₁) 式(3)

logA(x,y,ε₂)＝(2-FD(x,y,ε₂))log(ε₂)+logK(x,y,ε₂) 式(4)

依据分形几何理论可知，对于一个理想的分形，其分形维数FD是与所有尺度无关的量，始终是一个常数。因此，假设在不同的度量尺度下，公式 (3)和(4)中的FD为常数，并设ε₁＝ε,ε₂＝ε-1，则通过式(3)和(4)可得，当度量尺度为ε时，其对应的D维面积K(x,y,ε)可表示为

利用地毯覆盖法计算A(x,y,ε)时，有

其中，V(x,y,ε)为尺度ε下坐标(x,y)处的体积，计算公式如式(7)所示，U(x,y,ε)和B(x，y，ε)分别为该尺度下坐标(x,y)处邻域范围内像素的最大值和最小值。

将式(6)代入式(5)，得到

对式(7)和式(8)进行分析可以看出，在不同尺度下，齐次背景区域每点像素的体积V小，接近0；而在非齐次背景区域，虽然V的值较大，但是由于背景的起伏，故不同尺度下其变化率也相对较大，即式(8)中第二部分绝对值大，故K值降低；在目标区域，无论是亮目标还是暗目标，其局部区域的最大值或最小值固定，V最大，且其变化率小，故在目标区域K值最大。

基于以上分析，若忽略式(8)中的后两部分，则有K(x,y,ε)＝V(x,y,ε-1)，此时可用一个区域内像素的最大值和最小值的差值的累加和作为以坐标点(x, y)为中心的区域的显著性度量。

基于以上分析，设尺度为ε＝2…ε_max，当ε＝1时为原始红外图像，ε_max为最大尺度。原红外图像I’中一点的像素坐标为(x,y)，通过式(9)计算尺度ε下该坐标点邻域范围内像素值最大值与最小值的差值，作为该点像素在尺度ε 下的对比度，得到对比度图像I；为消除不同尺度带来的累积效应的影响，通过式(10)计算每点像素在尺度ε下的平均对比度，得到尺度ε下的分形特征向量；进而以尺度ε为变量，获取多尺度分形特征向量t(x,y,:)。

步骤(2).基于多尺度分形特征向量t(x,y,:)计算每点像素的显著性，得到增强后图像。具体如下：

基于对式(8)的分析，对于目标区域，式(10)定义的多尺度分形特征向量均值大，同时变化小，而对于背景区域，尤其是非均匀背景区域，虽然其均值也较大，但是其变化也大，故采用式(11)来计算坐标点(x,y)处的显著性度量值，得到增强后图像，记作E(x,y)。

E(x,y)＝mean(t(x,y,:))²-std(t(x,y,:))² 式(11)

其中mean()和std()分别为求均值和标准差的函数。

步骤(3).基于增强后图像，采用自适应阈值分割算法进行目标分割，得到检测后的目标。具体如下：

采用自适应阈值分割算法进行目标检测，为消除边界效应的影响，在计算分割阈值时，去除2倍最大尺度ε_max的边界区域，具体计算公式如下：

μ＝mean(E(2×ε_max+1:rows-2×ε_max,2×ε_max+1:cols-2×ε_max)) 式(12)

δ＝std(E(2×ε_max+1:rows-2×ε_max,2×ε_max+1:cols-2×ε_max)) 式(13)

PSR＝(255-μ)/δ 式(14)

T＝c×PSR×δ+μ 式(15)

D(x,y)＝E(x,y)≥T 式(16)

其中，μ为增强后图像去除边缘区域后的像素均值，δ为增强后图像去除边界后像素分布的标准差；PSR为峰值旁瓣比；c是分割系数，对于小目标检测，取值范围可设定为[0.50.65]，对于大目标检测，取值范围可设定为[0.15 0.45]。 rows和cols为原始红外图像I’的高度和宽度；T为用于目标检测的阈值，D 为检测到属于目标的像素。

为验证本发明的有效性，首先通过实验分析了最大尺度ε_max对输入红外图像增强效果的影响，从图2中可以看出，随着尺度的增大，增强后图像中目标具有明显的展宽效应，且最大尺度越大，展宽效应越明显，增强后红外图像中目标对比度得到提升，目视效果增强明显。采用6组带小目标的红外图像测试本方法的性能，增强图像和检测结果如图3所示。从图3中可以看出，除了亮目标被检测到外，可疑的暗目标同样能够被检测到。当场景中存在大目标时，通过选择合适的分割系数c，设定为c＝0.35，对于红外图像和SAR 图像的目标检测结果如图4和图5所示。即使SAR图像具有较强的相干斑噪声，提出的算法有效地利用目标局部区域的对比度信息，能够在存在较少虚警的情况下检测到大部分目标。

图6为本发明提出方法与TopHat Filtering、MaxMean、MaxMedian、 AGADMM和NWIE等五种典型红外小目标检测算法的目标增强效果对比。其中NWIE算法为基于局部熵加权的AGADMM算法。从图6中可以看出，本发明提出的方法对于小目标增强效果明显，同时对于图像中存在的较大目标情况，如图6中的第五行中目标为刚浮出水面潜艇的舰桥，采用其它方法增强后该目标区域被分割为若干个小的点目标，而本方法能够完整地对于潜艇的舰桥部分进行增强，这也说明了本方法不仅适用于小目标检测，也适用于包含大目标的图像检测。

为验证本发明的实时性，采用如下PC机硬件配置：CPU为Intel(R)Core(TM) [email protected]，内存为12GB，显卡为NVIDIA NVS5400M，2G独立显存；通过Matlab和C++实现算法。在最大尺度为4时进行目标检测实验，对于不同分辨率的红外图像检测所需时间如表1所示。实验证明本发明能够满足实时性要求，且非常适合于嵌入式***实现。

表1 本发明不同图像分辨率下检测所需时间(ms)

序号	图像类型	分辨率(像素)	发明算法	多尺度分形特征算法
					1	IR	200×150	14.42	20.70
2	IR	280×228	28.40	39.37
					3	IR	250×200	21.71	31.93
4	IR	281×240	29.41	40.49
					5	IR	220×140	14.60	18.55
6	IR	320×240	33.51	48.16

Claims

1.基于改进多尺度分形增强的红外小目标检测方法，其特征在于该方法的具体步骤是：

步骤(1)、获取原始红外图像I’中每点像素的多尺度分形特征向量；

步骤(2)、基于多尺度分形特征向量计算每点像素的显著性，根据公式(1)得到增强后图像E(x,y)；

E(x,y)＝mean(t(x,y,:))²-std(t(x,y,:))² 式(1)

其中mean()和std()分别为求均值和标准差的函数，(x,y)为原红外图像I’中的像素坐标；t(x,y,:)表示像素坐标(x,y)的多尺度分形特征向量；

步骤(3)、基于增强后图像，采用自适应阈值分割算法进行目标分割，根据公式(2)-(6)得到检测后的目标；

μ＝mean(E(2×ε_max+1:rows-2×ε_max,2×ε_max+1:cols-2×ε_max)) 式(2)

δ＝std(E(2×ε_max+1:rows-2×ε_max,2×ε_max+1:cols-2×ε_max)) 式(3)

PSR＝(255-μ)/δ 式(4)

T＝c×PSR×δ+μ 式(5)

D(x,y)＝E(x,y)≥T 式(6)

其中，μ为增强后图像去除边缘区域后的像素均值，δ为增强后图像去除边界后像素分布的标准差；PSR为峰值旁瓣比；c表示小目标分割系数；rows和cols分别为原始红外图像I’的高度和宽度；T为用于目标检测的阈值；D为检测到属于目标的像素。

2.根据权利要求1所述的基于改进多尺度分形增强的红外小目标检测方法，其特征在于步骤(1)具体是：

依据分形几何理论，推导出：当度量尺度为ε时，其对应的D维面积K(x,y,ε)可表示为

其中A(x,y,ε)表示在尺度ε下的图像灰度表面的表面积测度；

利用地毯覆盖法计算A(x,y,ε)时，有

其中，V(x,y,ε)为尺度ε下坐标(x,y)处的体积，计算公式如式(9)所示，U(x,y,ε)和B(x,y,ε)分别为该尺度下坐标(x,y)处邻域范围内像素的最大值和最小值；

将式(6)代入式(5)，得到

式(9)和式(10)分析可知，在不同尺度下，齐次背景区域每点像素的体积V小，接近0；而在非齐次背景区域，虽然V值较大，但是由于背景的起伏，故不同尺度下其变化率也相对较大，即式(10)中第二部分绝对值大，故K值降低；在目标区域，无论是亮目标还是暗目标，其局部区域的最大值或最小值固定，V最大，且其变化率小，故在目标区域K值最大；

基于以上分析，若忽略式(10)中的后两部分，则有K(x,y,ε)＝V(x,y,ε-1)，此时可用一个区域内像素的最大值和最小值的差值的累加和作为以坐标点(x,y)为中心的区域的显著性度量；

基于以上分析，设尺度为ε＝2…ε_max，当ε＝1时为原始红外图像，ε_max为最大尺度；原红外图像I’中一点的像素坐标为(x,y)，通过式(11)计算尺度ε下该坐标点邻域范围内像素值最大值与最小值的差值，作为该点像素在尺度ε下的对比度，得到对比度图像I；为消除不同尺度带来的累积效应的影响，通过式(12)计算每点像素在尺度ε下的平均对比度，得到尺度ε下的分形特征向量；进而以尺度ε为变量，获取多尺度分形特征向量t(x,y,:)；

3.基于改进多尺度分形增强的红外大目标检测方法，采用权利要求1或2所述的方法，将公式(5)中分割系数c调整为大目标分割系数。

4.基于改进多尺度分形增强的SAR小目标检测方法，采用权利要求1或2所述的方法，将原始图像由红外图像替换成SAR图像，且公式(5)中分割系数c调整为SAR图像小目标分割系数。

5.基于改进多尺度分形增强的SAR大目标检测方法，采用权利要求1或2所述的方法，将原始图像由红外图像替换成SAR图像，且公式(5)中分割系数c调整为SAR图像大目标分割系数。