CN109712158A - 一种基于目标背景像元统计约束的红外小目标捕获方法 - Google Patents

Abstract

本发明公开了一种基于目标背景像元统计约束的红外小目标捕获方法，首先将采集到的红外图像进行形态学腐蚀和形态学膨胀，消除图像中的点目标和孤立噪声点，再用原图像减去经过腐蚀和膨胀后的图像便可以得到这副图像中高亮度的点目标、孤立噪声点以及结构尺寸相似的点目标和孤立噪声点及少数高梯度边角，从而达到对图像背景进行抑制的目的；经过背景抑制的图像中包含了候选目标以及一些孤立的噪声，通过自适应阈值分割与连通域筛选结合的方法提取目标信息；自适应阈值对每幅图计算灰度均值、方差、最大灰度及最小灰度等统计信息，计算出不同的阈值进行分割，因此随着图像的变化，阈值也随之相应变化，准确提取出目标信息，可以提高捕获的正确率。

Description

一种基于目标背景像元统计约束的红外小目标捕获方法

技术领域

本发明属于红外预警技术领域，具体涉及一种基于目标背景像元统计约束的红外小目标捕获方法。

背景技术

红外小目标捕获算法的性能决定了红外成像防御***的探测灵敏度和探测距离，探测灵敏度和探测距离是反映可观测红外小目标识别能力至关重要的一项核心指标。由于小目标在红外图像中所占的像素比例十分低，小目标常常被背景和噪声淹没，难以检测到，因此有必要对此类图像进行预处理然后通过阈值分割的方式进一步提取目标。常用的阈值分割方法有人工经验选择法、利用直方图分析法、最大类间方差法等。人工经验选择法需要根据需要处理的图像的先验知识对图像中的目标与背景进行分析，效率较低而且不能实现自动的阈值选取，适用于图片数量较少的情况。直方图分析法是根据波峰与波谷之间的关系选取一个适当的阈值，但只对于存在一个目标和一个背景且二者对比显著的情况才有效果；最大类间方差法是根据图像灰度特性，将图像分为前景和背景两部分，当阈值选取得当时，两部分的差别应该是最大的。该方法对类间方差为单峰的图像产生较好的分割效果，但当目标与背景的大小比例悬殊时(例如受光照不均、反光或背景复杂等因素影响)，类间方差准则函数可能呈现双峰或多峰，此时效果不好。

发明内容

有鉴于此，本发明的目的是提供一种基于目标背景像元统计约束的红外小目标捕获方法，能够识别并跟踪距离较远的非合作飞机，为防空***尽可能预留足够的反应时间。

一种基于目标背景像元统计约束的红外小目标捕获方法，包括如下步骤：

步骤1：针对输入的每一幅图像，首先进行形态学腐蚀的操作，然后再进行形态学膨胀的操作；最后再用原图像减去经过腐蚀和膨胀后的图像，由此实现红外图像背景抑制；

步骤2：针对步骤1处理完成的每一幅图像，将t_i＝Mean(f)+λ_i·Std(f)作为阈值，对图像进行二值化处理；其中，Max(f)为图像最大灰度值，Mean(f)为图像灰度均值，Std(f)为图像灰度标准差；

步骤3、对经过步骤2处理的二值化图像进行连通区域检测，从而提取出真正的候选目标。

较佳的，

本发明具有如下有益效果：

红外小目标在图像中通常表现为点状或光斑状，缺乏纹理形状等特征，所以不易被检测到。因此本发明针对这类小目标的提取提出了一种基于图像本身统计信息的自适应阈值分割的方法，以图像本身的灰度统计信息为依据，通过灰度平均值、最大灰度值以及灰度标准差为基础计算权重从而得到自适应分割阈值，从而提升了红外小目标的检测能力。首先将采集到的红外图像进行形态学腐蚀和形态学膨胀，消除图像中的点目标和孤立噪声点，再用原图像减去经过腐蚀和膨胀后的图像便可以得到这副图像中高亮度的点目标、孤立噪声点以及结构尺寸相似的点目标和孤立噪声点及少数高梯度边角，从而达到对图像背景进行抑制的目的；经过背景抑制的图像中包含了候选目标以及一些孤立的噪声，通过自适应阈值分割与连通域筛选结合的方法提取目标信息。自适应阈值对每幅图计算灰度均值、方差、最大灰度及最小灰度等统计信息，计算出不同的阈值进行分割，因此随着图像的变化，阈值也随之相应变化，准确提取出目标信息，可以提高捕获的正确率。

附图说明

图1为本发明的一种基于目标背景像元统计约束的红外小目标捕获方法流程图；

图2为本发明采用的Top-Hat顶帽算法流程图；

图3为本发明中采用的自适应阈值分割流程图；

图4为本发明中采用的候选目标提取流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

红外小目标检测算法的基础是对红外图像中的目标、背景和噪声进行分析。本发明所研究的对象为红外小目标，红外小目标通常在图像中表现为点状或光斑状，缺乏形状纹理等特征；本发明所研究的红外小目标的背景主要是低空或者高空背景，可能会存在云层等干扰物；噪声指的是***固有的，由红外成像的各个部件，如光学***等产生的。

一幅红外小目标图像可以简单的描绘为：

f(x,y)＝f_T(x,y)+f_B(x,y)+n(x,y)

其中，f(x,y)为原始的红外图像，f_T(x,y)为目标，f_B(x,y)为背景，n(x,y)为噪声。为了检测出红外小目标，去除图像中背景噪声带来的干扰，需要对红外小目标图像进行预处理操作。由于变换域滤波以及基于人类注意机制的方法存在计算量过大，硬件实现困难的缺点，因此可以采用的预处理方法有计算量较小，实现简单的Butterworth高通滤波以及形态学滤波算法。

整体流程图如图1所示，对采集到的图像首先通过Top-Hat算法进行背景抑制，然后再通过自适应阈值分割进行二值化处理，最后通过连通域面积筛选出真正的候选目标。

步骤1：红外图像背景抑制

一般情况下，成像***所成的原始图像由于受到传感器本身以及环境等外部因素的影响会导致其不能在视觉***中直接使用，特别是红外小目标，很容易受到背景噪声的影响，因此，在前期阶段需要对原始图像进行一定的预处理，如抑制背景抑制、增强对比度等，对于红外小目标图像的预处理主要以背景抑制为主。本发明中红外图像背景抑制方法主要采用基于数学形态学的Top-Hat顶帽算法来实现，其流程图如图1所示。对于输入进来的图像，首先进行形态学腐蚀的操作，然后再进行形态学膨胀的操作，从而消除将图像中的点目标和孤立噪声点，最后再用原图像减去经过腐蚀和膨胀后的图像便可以得到这副图像中高亮度的点目标、孤立噪声点以及结构尺寸相似的点目标和孤立噪声点及少数高梯度边角，从而达到对图像背景进行抑制的目的。

步骤2：候选目标提取

经过背景抑制的图像中包含了候选目标以及一些孤立的噪声，所以需要对真正的候选目标进行提取，本发明采用自适应阈值分割与连通域筛选结合的方法来提取候选目标。自适应阈值方法一般先计算出图像的灰度均值、方差、最大灰度及最小灰度等统计信息，然后用其中的某几个统计信息的组合作为阈值，每个统计信息有一个权重，一般各权重之和等于1。由于目标背景比较简单，经过预处理之后的图像中，目标分布在高频范围，而低频段主要是噪声。因此，本发明以图像灰度均值、最大灰度值以及灰度标准差作为统计信息，通过三者之间的某种运算从而确定权重λ_i，进而实行自适应阈值。整个过程如下：

设Max(f)为f中的最大灰度值，Mean(f)为f灰度均值，Std(f)为f灰度标准差。取t_i＝Mean(f)+λ_i·Std(f)，其中，经过多次试验得出，当时，能很好地检测到目标，且无需迭代计算，因此可以得出阈值：

每一幅图像的ti不同，进而可利用下式实现对图像的二值化。

整体其流程图如图3所示。首先对输入的图像的灰度值进行统计，一是为了挑选出图像中的最大灰度值，二是为了计算图像的灰度均值，然后代入经验公式便可以计算出权重，进而得到自适应分割的阈值。

为了从阈值分割后的图像中，获取目标的坐标位置，再进行连通区域检测。对于二值图像而言，连通区域一般是指相邻位置中具有相同像素值的点组成的区域。将图像中的各个连通区域找出并进行标记称为连通区域分析。对阈值分割得到的图片可能会包含多个区域，进行连通域筛选，筛选出面积符合要求的连通域，就是要寻找的目标。检查各像素与其相邻像素的连通性是标记进行阈值分割后图像中各区域的简单而有效的方法。在二值图像中，背景区像素的值为0，目标区域的像素值为1。对阈值分割图像，进行连通域检测，则需要从图像的左上角开始遍历图像，并且标记当前的像素与遍历过的像素之间的连通性。其整体流程图如图4所示，对经过阈值分割后的图像进行连通域筛选，从而提取出真正的候选目标。

将此算法在嵌入式平台——C6678多核DSP硬件上进行验证，上位机通过网口将图像数据加载给DSP进行处理，通过对多种情景下图像数据进行测试验证，得到的测试结果如表1所示，可以分析出此算法的目标捕获正确率可达92％以上。

表1实验结果

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于目标背景像元统计约束的红外小目标捕获方法，其特征在于，包括如下步骤：

步骤1：针对输入的每一幅图像，首先进行形态学腐蚀的操作，然后再进行形态学膨胀的操作；最后再用原图像减去经过腐蚀和膨胀后的图像，由此实现红外图像背景抑制；

步骤2：针对步骤1处理完成的每一幅图像，将t_i＝Mean(f)+λ_i·Std(f)作为阈值，对图像进行二值化处理；其中，Max(f)为图像最大灰度值，Mean(f)为图像灰度均值，Std(f)为图像灰度标准差；

步骤3、对经过步骤2处理的二值化图像进行连通区域检测，从而提取出真正的候选目标。

2.如权利要求1所述的一种基于目标背景像元统计约束的红外小目标捕获方法，其特征在于，